为了实现微藻生长过程品质指标的快速无损检测， 提出了可见-近红外光谱技术检测不同红蓝光源组合培养条件下螺旋藻中叶绿素a和蛋白质的含量。 采集不同含量红光和蓝光组合下螺旋藻在325～1 075 nm波段范围内的光谱信息， 其中红光与蓝光的含量组合分别是(100%， 0%)， (90%, 10%)， (70%， 30%)， (50%, 50%)。 同时测量叶绿素a和蛋白质的含量， 建立偏最小二乘(PLS)预测模型。 分别基于连续投影算法(SPA)选择了用于叶绿素a和蛋白质预测的特征波长， 分别得到5个(404， 440， 518， 662和875 nm)和4个(411， 531， 602和1 047 nm)特征波长。 基于特征波长建立了PLS和多元线性回归(MLR)预测模型， SPA-MLR模型中叶绿素a和蛋白质预测集相关系数(correlation coefficient, Rp)分别是0.949和0.974， 均方根误差(RMSEP)分别是0.018 8和0.006 74。 结果表明： 可见-近红外光谱检测螺旋藻藻体中叶绿素a和蛋白质含量是可行的， 通过测量螺旋藻的光谱结合化学计量学方法可以实现对螺旋藻生长状况的检测。

提出了利用可见/近红外高光谱成像技术检测高温障碍胁迫下番茄叶片色差的方法。 首先采集380~1 023 nm波段范围内60个高温障碍胁迫和60个健康番茄叶片的高光谱图像, 同时获取全部叶片的色差值(L*, a*和b*), 然后提取所有样本的高光谱图像中感兴趣区域(region of interest, ROI)的光谱反射率值。 基于不同预处理方法建立偏最小二乘(partial least squares, PLS)预测模型, 再利用连续投影算法(successive projections algorithm, SPA)提取特征波长并建立SPA-PLS预测模型。 最后分别基于全波段和特征波段建立偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)模型。 结果显示, 全波段中基于原始光谱信息建立的模型效果最好, 3个色差值的预测集决定系数(determination coefficient, R2)分别是0.818, 0.109和0.896; 基于特征波长建立的模型预测集R2分别是0.591, 0.244和0.673; 所有模型预测集的总体识别率均大于77.50%。 结果表明, 可见/近红外高光谱成像技术检测番茄叶片色差值(L*和b*)和识别高温障碍样本是可行的。

相比传统的化学方法及主观视觉测定植物生理信息指标,通过光谱辐射仪对农作物冠层信息的评估更简单、快速和精确.本文结合近年来农作物群体信息的获取方法,综述了不同类型光谱仪尤其以国际上应用最广泛的Cropscan多光谱辐射仪在农作物群体叶面积指数、生物量、氮素及叶绿素的预测,病虫害的监测及产量预测中的应用.总结了不同类型的的植被指数(VIs)、冠层光谱的获取及光谱分析方法,比较了不同农作物建立相关模型的回归系数.总体上建立的数学模型的相关系数较高,能实现对农作物各种生理信息等的检测.此外,将多光谱辐射仪与多种传感器相结合所得到的综合信息对于全面评价农作物生长情况具有重要指导价值。

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物(SSC)预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象.通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性.采用最小二乘回归(PLSR),最小二乘支持向量机(LS-SVM)及主成分回归(PCR)建模方法构建甘蔗可溶性固形物的预测模型.比较了连续投影算法(SPA)、无信息变量消除算法(UVE)及区间偏最小二乘(iPLS)特征提取方法对预测结果的影响.实验结果表明:基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742.通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810.

提出了基于连续投影算法（successive projections algorithm, SPA）、 载荷系数法（x-loading weights, x-LW）和格拉姆-施密特正交（gram-schmidt orthogonalization, GSO）提取特征波长的高光谱成像技术检测番茄叶片早疫病的方法。 首先获取380～1 023 nm波段范围内70个健康和70个染病番茄叶片的高光谱图像信息, 然后提取健康和染病叶片感兴趣区域(region of interest, ROI)的光谱反射率值, 建立番茄叶片早疫病的最小二乘-支持向量机(least squares-support vector machine, LS-SVM)鉴别模型, 建模集和预测集的鉴别率都是100%。 再通过SPA 、 x-LW和GSO提取特征波长（effective wavelengths, EW）, 并建立EW-LS-SVM和特征波长-线性判别分析（ew-linear discriminant analysis, EW-LDA）鉴别模型。 结果显示, 每个模型的鉴别效果都很好, EW-LS-SVM模型中预测集的鉴别率都达到了100%, EW-LDA模型中预测集的鉴别率分别是100%, 100%和97.83%。 基于SPA, x-LW和GSO所建模型的输入变量分别是4个（492, 550, 633和680nm）, 3个（631, 719和747 nm）和2个（533和657 nm）, 较少的特征波长便于实时检测仪器的开发。 结果表明, 高光谱成像技术检测番茄叶片早疫病是可行的, SPA, x-LW和GSO都是非常有效的特征波长提取方法。

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。 利用高光谱图像采集系统获取380～1 030 nm范围内71个染病和88个健康番茄叶片的高光谱图像, 同时采用主成分分析法(PCA)对高光谱图像进行处理。 选取染病和健康叶片感兴趣区域(region of interest, ROI)的光谱反射率值, 同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、 相关性(Correlation)、 熵(Entropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值, 再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。 建立的6个模型中, 采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高, 达到100%。 结果表明, 应用高光谱成像技术检测番茄叶片早疫病是可行的。

对灰霉病胁迫下番茄叶片中叶绿素含量(SPAD)的高光谱图像信息进行了研究。 首先获取380～1 030 nm波段范围内健康和染病番茄叶片的高光谱图像, 然后基于ENVI软件处理平台提取高光谱图像中感兴趣区域的光谱信息, 经平滑(Smoothing)、 标准化(Normalize)等预处理后, 建立了基于Normalize预处理的偏最小二乘回归(PLSR)和主成分回归(PCR)模型。 再基于PLSR获得的4个变量建立反向传播神经网络(BPNN)和最小二乘-支持向量机(LS-SVM)模型。 4个模型中, LS-SVM的预测效果最好, 其决定系数R2为0.901 8, 预测集均方根误差RMSEP为2.599 2。 结果表明, 基于健康和染病番茄叶片的高光谱图像响应特性检测叶绿素含量(SPAD)是可行的。