为了探究马铃薯作物叶绿素吸收特征, 充分解析光谱特征波长变量, 建立高精度叶绿素含量检测模型。 在马铃薯发棵期(M1)、 块茎形成期(M2)、 块茎膨大期(M3)和淀粉积累期(M4)4 个关键生长期, 利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据, 并同步采集叶片测定叶绿素含量。 在光谱数据预处理之后, 分析了马铃薯不同生长期的光谱反射率变化特征。 利用基于模型集群思想的蒙特卡洛无信息变量消除(MC-UVE)、 随机蛙跳(RF)、 竞争自适应重加权采样(CARS)三种算法筛选叶绿素特征波长, 建立叶绿素含量检测PLS模型。 对4个生长期的314个样本, 采用SPXY算法分别按照3∶1的比例划分, 得到建模集240个样本、 验证集74个样本。 利用MC-UVE, RF, CARS三种算法筛选叶绿素特征波长, 讨论迭代次数(N)和特征变量个数(LV)对MC-UVE和RF算法、 迭代次数(N)对CARS算法筛选特征波长结果的影响, 对迭代次数设置6个梯度, 分别为N=50, 100, 500, 1 000, 5 000和10 000； 对特征变量数设置4个梯度, 分别为LV=15, 20, 25和30。 以PLSR模型的验证集结果为评价指标, 分析迭代次数(N)和特征变量数(LV)的最优参数组合。 最后基于MC-UVE, RF和CARS算法筛选得到的最佳特征波长建立叶绿素检测PLSR模型, 分别记为MC-UVE-PLSR, RF-PLSR, CARS-PLSR。 结果表明, CARS, RF和MC-UVE三种算法的迭代次数(N)、 特征变量数(LV)参数最佳组合分别为: (1)MC-UVE: 迭代次数N=50 特征变量数LV=30； (2)RF: 迭代次数N=500、 特征变量数LV=30； (3)CARS: 迭代次数N=100。 对比在最佳特征波长建立的MC-UVE-PLSR, RF-PLSR, CARS-PLSR叶绿素含量检测, 发现RF-PLSRRR模型的性能最优, R2v为0.786, RMSEV为3.415 mg·L-1； MC-UVE-PLS模型性能次之, R2v为0.696, RMSEV为4.072 mg·L-1； CARS-PLS模型的性能最差, R2v为0.689, RMSEV为4.183 mg·L-1。 以上结果说明: 在筛选马铃薯叶绿素特征波长方面RF算法优于MC-UVE和CARS, 得到的特征波长能够较全面地反映与马铃薯叶绿素相关的物质信息。

叶绿素含量是作物光合能力与营养评价的重要指标, 因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。 基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取, 开展玉米作物营养状态分布光谱学成像检测。 构建了多光谱图像采集平台获取RGB和NIR图像, 研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法, 通过图像的匹配分割, 冠层的提取校正, 建立了基于冠层图像的作物SPAD值检测模型与分布成图。 采集15株玉米植株RGB-NIR图像, 并同步获取不同植株, 不同位置共68个叶绿素含量指标SPAD值。 首先对RGB图像进行光饱和校正, 再对NIR图像进行滤波和图像增强, 其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配, 利用RGB图像的颜色特征, 采用ExG(Extra Green)和OTSU算法生成分割掩模, 对RGB图像和NIR图像进行分割提取, 提取图像的R, G, B和NIR分量, 利用4阶灰度板进行反射率校正, 然后计算作物图像中像素级PSPAD值, 并建立图像PSPAD值与叶绿素仪SPAD值的拟合模型, 最后绘制作物SPAD分布图。 通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围, 以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。 RGB图像光饱和校正前I分量集中在［140～180］之间, 光饱和校正后的RGB图像I分量集中在［85～130］之间, 校正了相机成像时产生模糊和RGB图像饱和。 对分割后的RGB图像和NIR图像提取R, G, B, NIR分量进行4阶灰度板校正, 相关系数分别为0.829, 0.828, 0.745和0.994, 进而生成R, G, B和NIR四波段的反射率伪彩色图像, 反射率ＲNIR＞ＲＧ＞ＲＲ＞ＲＢ。 体现了作物的在蓝光和红光区域吸收光, 在绿光区域和近红外区域反射光的光谱特性。 校正前后的R和NIR分量反射率计算图像PSPAD值拟合叶绿素含量指标SPAD值的模型结果显示, 校正前R2为0.332 6, 校正后R2为0.619 3, 绘制作物的SPAD特征分布图, 可为作物的营养动态快速分析与分布检测提供技术支持。

归一化植被指数(NDVI)基于可见光的红色波段(630～680 nm)和近红外区(780～1 100 nm)的反射光谱进行计算, 被认为是作物营养与长势诊断的重要指标。 为了低成本、 快速、 无损的检测作物叶绿素含量, 计算植株的NDVI并呈现作物的NDVI分布情况, 并通过不同角度图像的分析, 监测作物营养分布与动态。 利用可见光和近红外波段双目成像技术获取图像, 在讨论可见光(RGB)和近红外(NIR)图像的匹配算法的基础上, 经图像分割与光照影响校正后, 针对不同测试角度建立了作物植被指数空间分布图, 并对其空间分布特征与影响因素进行了可视化分析。 试验利用可见光和近红外双目相机对51株玉米植株, 分别在90°, 54°和35°视角下同步采集RGB和NIR图像。 对RGB和NIR图像分别进行高斯滤波和拉普拉斯算子增强预处理后, 选取了SURF, SIFT和ORB共3种图像匹配算法, 并首先利用其进行RGB-NIR图像匹配对齐, 以匹配时间(Time), 峰值信噪比(PSNR), 信息熵(MI)和结构相似性(SSIM)4个参数作为匹配性能评价指标, 分别从时间、 准确性、 稳定性三个方面综合确定最优匹配方法。 其次, 研究玉米植株的分割方法包括超绿算法(ExG)和最大类间方差算法(OTSU), 分别实现图像中作物和背景的分离, 提取分割后的RGB图像R(Red), G(Green), B(Blue)分量和NIR图像分量。 基于HSI颜色模型, 提取I分量讨论了光照对图像的影响, 并利用多灰度级标准板建立了植株光谱反射率校正线性公式。 然后, 利用R(Red)和NIR图像分量计算图像中每个像素的NDVI值, 绘制作物植被指数的空间分布图, 从而对比分析了不同拍摄角度下光谱植被指数的分布特征。 通过不同角度图像的NDVI分布情况, 展示监测作物植株不同位置的叶绿素分布情况。 结果显示, RGB-NIR图像匹配时间SIFT(1.865 s)>SURF(1.412 s)>ORB(1.121 s), 匹配准确性上SURF≈SIFT>ORB, 匹配稳定性上SURF>SIFT>ORB, 综合比较选取SURF为最优匹配算法。 采用4灰度级标准板对R, G, B, NIR分量校正模型的R2分别为0.78, 0.76, 0.74, 0.77。 90°和35°视角分别展现了作物叶和茎的NDVI植被指数分布情况, 可为分析和监测作物的营养分布提供技术支持。

快速判别马铃薯作物的生长进程是指导田间关键生长期科学水肥管理的重要依据。 研究在马铃薯发棵期（M1）、 块茎形成期（M2）、 块茎膨大期（M3）和淀粉积累期（M4）四个关键生长期, 利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据, 并同步采集叶片测定叶绿素含量。 在光谱数据预处理后, 分析了马铃薯不同生长期的光谱反射率变化特征, 并初步选取了光谱“峰谷”响应参数, 提出了一种基于方差分析与变量减少组合的光谱参数筛选算法（variance analysis combined with variable reduction, VACVR）用于明确光谱学响应的优化指标, 采用Kennard-Stone(K-S)法划分样本集, 最终基于支持向量机（support vector machine, SVM）方法建立马铃薯关键生长期判别模型。 针对光谱数据, 首先使用变量标准化(standard normalized variable, SNV)进行光谱预处理, 在定性分析了随着生长期的推进马铃薯冠层反射特征的变化趋势的基础上, 基于作物生长期动态光谱学响应与峰谷特性选取14个参数, 包括: 8个位置参数、 2个面积参数、 4个植被指数参数。 采用K-S算法将样本按照3∶1划分为训练集（240个样本）和测试集（74个样本）。 分析马铃薯不同生长期冠层反射光谱发现, 随生长期的推进冠层光谱存在差异性: 即在400~500和740~880 nm范围内, 光谱反射率呈降低趋势; 在530~640和910~960 nm范围内, 反射率呈升高趋势; 在530~640 nm范围内, M2和M3生长期的平均光谱非常接近, M4生长期的平均光谱与其他三个生长期的差别较大。 叶绿素平均含量随生长期的进程, 从M1（28.12 mg·L-1）到M2（31.04 mg·L-1）增加, 在M2生长期达到最大值, 之后M3（22.00 mg·L-1）和M4（15.36 mg·L-1）依次减少。 光谱响应参数随着生长期的进程, 绿峰位置Lg和红谷位置Lr逐渐红移, 红边位置Lre逐渐蓝移; 蓝边面积Abe逐渐增大, 红边面积Are逐渐减小; 红边面积与蓝边面积比值依次呈现减小趋势。 根据VACVR算法筛选10个敏感光谱响应参数, 建立SVM判别模型, 训练集判别率为100%, 测试集判别率为94.59%, 该模型可在判别马铃薯的生长期的基础上为田间管理决策提供支持。