1 山西农业大学农业工程学院, 山西 太谷 030801
2 山西农业大学谷子研究所, 山西 长治 046000
准确预测农田土壤有机质含量有助于评估农田肥力状况, 为精准农业提供数据依据。 为解决单模型实现快速估测农田土壤表层有机质含量精度较低和泛化能力较弱的问题, 以山西省典型褐土农田表层土壤为研究对象, 基于近红外-可见光高光谱数据, 提出了一种堆叠泛化模型(SGM)用于预测有机质含量。 首先对原高光谱数据采用小波平滑, 对平滑数据进行倒数一阶微分、 对数倒数一阶微分变换, 采用相关系数与递归特征消除法进行特征波段提取。 同时, 引入机器学习中的集成学习随机森林Random Forest(RF)、 梯度提升决策树Gradient Boosting Decision Tree (GBDT)、 极限梯度提升eXtreme Gradient Boosting (XGBoost)、 AdaBoost 4个初级机器学习器模型通过5折交叉验证对有机质含量进行预测, 在初级学习器预测结果基础上, 采用随机梯度下降SGD (stochastic gradient descent)作为元学习器建立SGM堆叠泛化模型。 突破单模型精度较低和不稳定的制约, 实现有机质含量的快速稳定检测。 结果表明: 倒数一阶微分变换后的光谱信息与有机质含量具有较好的相关性, 相关性最大值达到了-0.611; 相比单模型, 堆叠泛化预测模型的决定系数(R2)和相对分析误差(RPD)分别为0. 819和2.256, 较其他算法平均决定系数(R2)和平均相对分析误差(RPD)分别提高了0.055和0.323; 平均绝对误差(MAE)、 均方根误差(RMSE)分别为1.742和2.308 g·kg-1, 较其他算法平均绝对误差(MAE)和平均均方根误差(RMSE)分别降低了0.406和0.389 g·kg-1, 优化效果明显, 可用于农田土壤表层有机质含量的有效估测。 研究成果可为农田土壤表层有机质含量的高光谱快速检测提供依据和参考。
可见光-近红外 高光谱预测 有机质含量 堆叠泛化模型 Visible-near infrared Hyperspectral estinmation Soil Organic Matter Stacked generalization model
1 中国农业大学烟台研究院, 山东 烟台 264670
2 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈。 鉴于特征提取及非线性表达能力方面的优势, 深度学习模型具有较强的泛化能力。 提出一种融合自动编码器和卷积神经网络(Encoder-CNN)的土壤氮含量光谱预测模型, 探索模型结构和参数对模型性能的影响。 根据以往研究成果和相关性分析, 获得180个与氮含量强相关的波长, 将其作为Encoder-CNN模型输入, 而将土壤氮含量作为模型输出。 Encoder-CNN模型利用自动编码器的编码部分进行光谱数据降维, 然后输入到卷积神经网络进行土壤氮含量预测。 设计2种网络结构, 每种网络结构包含2种不同参数设置, 共4个模型, 用以探索Encoder-CNN土壤氮含量光谱预测模型结构和参数对模型性能的影响。 利用公开数据集LUCAS对模型进行训练。 按3σ原则对公开数据集LUCAS进行异常值检测与处理, 获得20 791个数据, 其中18 711个样本作为训练集, 2 080个样本作为测试集, 对Encoder-CNN模型进行训练。 结果表明: 对于自动编码器, 在相同隐含层数下, 最后的隐含层神经元个数为30时, 复现效果最优。 增加隐含层数, 会提升复现效果。 增加卷积核数量, 特别是尺寸为1×1卷积核, 能够提高模型的预测性能与可靠性。 增加池化层的网络结构, 模型预测精度提升至0.90以上。 增加全连接层神经元数量也会提升模型性能。 利用自采集的黑龙江黑土实时光谱数据集进行模型迁移, 观察模型泛化能力。 当模型迭代100次后, 在黑龙江数据集上的预测精度即可达到0.90以上; 当迭代次数为900时, 模型在训练集和测试集上的预测精度可以达到0.98。 结果表明, 所构建的Encoder-CNN土壤氮含量光谱预测模型具有较好的泛化能力。
土壤 氮含量 光谱预测 卷积神经网络 自动编码器 Soil Nitrogen content Spectral prediction Convolutional neural network Auto-encoder 光谱学与光谱分析
2022, 42(5): 1372
1 曲阜师范大学工学院, 山东 日照 276826
2 深圳职业技术学院传播工程学院, 广东 深圳 518000
实现半色调印刷品原稿的光谱复制技术其前提要确定原稿所用油墨数目及油墨成份, 但目前应用于印刷品原稿原色油墨光谱预测的算法还有待研究, 且已有的基色色料光谱预测方法存在诸多弊端。 针对这一问题在非负矩阵分解算法基础上结合印刷品原稿光学特性, 创新的提出了一种基于约束条件非负矩阵分解的油墨光谱预测算法ISPNMF, 和对黑色油墨光谱预测结果优化的算法。 ISPNMF算法克服了基本非负矩阵分解有多重最优解和局部极小值的缺陷, 实现了预测算法唯一的全局最优解。 黑色油墨预测光谱优化的算法克服了彩色油墨对光线混合吸收给黑色油墨预测带来的干扰, 能优化得到逼近于实际黑色油墨光谱的预测值。 使用Konica Minolta C1085和HP indigo5600两台四色数码印刷机及其自身配备的墨粉和墨膏来摸拟不同品牌的油墨, 在230 g白卡纸上打印 IT8.7/3色标, 并使用X-rite i1 Pro2获取两样张的光谱反射率作为实验数据样本, 来探究并验证算法的准确性和实用性。 实验结果表明, 在印刷品原稿线性经验空间中能准确预测原稿所用原色油墨数目和油墨光谱, 且彩色油墨预测光谱与实际使用的油墨光谱相比其拟合度均高达99.9%, 光谱角距离均小于0.045, 黑色油墨的预测光谱经优化后与实际油墨光谱拟合度也高达99.9%。 这说明该算法不仅能实现对印刷品原稿原色油墨的准确预测, 而且可以精确匹配实际使用的原色油墨, 对实现印刷品原稿的光谱复制技术有重要意义。
印刷品原稿 原色油墨光谱预测 非负矩阵分解 主成分分析 光谱颜色复制 Prints manuscript Primary ink spectral prediction Non-negative matrix factorization Principal component analysis Spectral color 光谱学与光谱分析
2018, 38(12): 3864
1 深圳职业技术学院传播工程学院， 广东 深圳 518000
2 曲阜师范大学工学院， 山东 日照 276826
在半色调印刷品原色油墨光谱预测技术中， 在原光谱反射率空间进行主成分分析得到的代表性基向量数目会大于实际所使用的原色油墨数目， 即光谱反射率空间并不适用光谱预测， 且主成分分析得到的基向量会出现负值， 没有物理意义。 针对上述问题， 建立了一个减色线性经验空间模型及其空间转换模型， 并探究了影响经验空间线性程度n值的因素， 通过实验及优化算法创新性找到确定最佳n值的方法， 并在该减色线性经验空间进行半色调原稿原色油墨的预测实验。 实验结果表明， 在不同n值下， 选取原始光谱反射率Rm和重构光谱反射率Rrecon的f范数平方值的最小值对应的n值做为建立线性经验空间确定最佳n值的方法是有效的； 为了将纸张和油墨类型对空间转换因数n的影响程度减到最小， 最终确定n值为3.5； 在减色线性经验空间进行印刷品原色油墨数目预测， 得到的代表性基向量数目恰好等于实际印刷使用的原色油墨数目4， 进行原色油墨光谱预测， 预测的4色油墨除K色外， 其他CMY色与实际原色油墨光谱相比拟合度GFC均大于99.9%。 即所提出的优化n值的新方法建立的减色线性经验空间是一个可作为半色调印刷品原色油墨数目预测和光谱预测的有效线性空间。
光谱颜色复制 减色线性经验空间模型 空间转换模型 原色油墨数目预测 光谱预测 Spectral color reproduction The subtractive linear experience space model Space conversion model Primary ink number prediction Spectral prediction 光谱学与光谱分析
2018, 38(8): 2542
1 大连工业大学信息科学与工程学院, 辽宁 大连 116000
2 浙江大学国家现代光学仪器研究中心, 浙江 杭州 310007
3 北京理工大学颜色科学与工程国家专业实验室, 北京 100081
4 北京印刷学院印刷与包装工程学院, 北京 102600
随着光谱技术的发展, 打印系统的光谱特征化模型成为研究热点。 基于光谱匹配的特征化模型通过直接预测设备基色的光谱反射比数据, 可以有效的减少同色异谱现象的发生, 为实现高保真印刷提供条件。 主要基于Yule-Nielsen修正的Neugebauer光谱模型, 开展了关于12色打印系统光谱特征化模型如何提高模型精度的研究。 首先通过对颜色测量仪器及测量条件、 喷墨打印机打印系统进行稳定性及精确度验证, 为后续样本设计和测量提供可行性依据。 然后, 建立该研究设备适用的正向YNSN模型。 依据CIELAB颜色空间中明度值L*均匀分布的原则, 设计并输出了1 331个测试样本, 抽取部分样本做训练样本, 对所建立的光谱的特征化正向模型进行验证。 结果表明, 基于光谱的特征化模型预测精度较高, 具有明显的优势。 经验证, 通过引入Yule-Nielsen修正参数n值, 可进一步改善光谱预测精度。
光谱特征化 光谱预测 喷墨打印系统 颜色复现 YNSN模型 Spectral characterization Spectral Prediction Inkjet printing system Color reproduction YNSN model 光谱学与光谱分析
2018, 38(4): 1213
1 深圳职业技术学院传播工程学院, 广东 深圳 518055
2 西南财经大学经济信息工程学院, 四川 成都 610075
针对直接在光谱反射率空间, 对原稿颜色样本光谱的主成分分析会导致特征向量的数目超过真实物理维度(原稿所用基色色料)的数量, 以及特征向量和对应系数存在负值, 不能直接表示原稿基色色料的光谱特性和对应浓度等情况。 创新性的提出需根据原稿色料的光学特性建立一个完全线性的光谱空间, 并在该空间中使用带约束条件的非负矩阵分解实现对原稿基色数量和光谱形状进行预测的方法。 对此, 首先设计了一个实现对原稿基色色料光谱预测方法的总体研究方案和实现步骤, 再以透明色料原稿为例, 研究如何选择和构建一个符合其光学特性的光谱线性空间, 然后再在基本非负矩阵分解(BNMF)基础上提出针对基色色料光谱预测的有约束非负矩阵分解算法(SCNMF)。 针对BNMF算法会出现多重最优解, 为了提高预测精度, 使矩阵分解结果有明确的物理意义, 所提出的SCNMF算法需要满足4个约束条件: 非负性约束; 全加性约束; 平滑性约束; 稀疏性约束。 建立了满足约束条件的目标函数和迭代算法。 预测结果表明本文提出的新方法能有效的实现对原稿基色物理维度和基色色料光谱的准确预测。
基色色料光谱预测 光谱颜色复制 非负矩阵非解 线性混合空间 主成分分析 Spectral estimation of primary pigments Spectral color reproduction Non-negative matrix factorization Linear mixing space Principal component analysis 光谱学与光谱分析
2016, 36(10): 3274
1 深圳职业技术学院传播工程学院, 广东 深圳 518055
2 西南财经大学经济信息工程学院, 四川 成都 610075
针对光谱反射率空间并不是一个有效的基色色料线性混合空间的缺点，提出了建立基色色料线性混合空间的三项原则。根据不同原稿色料光学特性的不同，将原稿分为透明色料连续调原稿、不透明色料连续调原稿、半色调原稿(半透明色料)，并针对这三类原稿分别构建能真实反应原稿色料真实物理维度的光谱线性空间，以不透明色料原稿为例进行实验验证。实验结果表明，根据原稿色料光学特性建立的色料线性混合空间是一个有效的线性混合空间，在其上的光谱预测能真实反映原稿基色色料的数量和近似得到基色色料的光谱形状。
色彩 光谱色彩学 光谱颜色复制 线性混合空间 基色色料 光谱预测
1 国家林业局北京林业机械研究所, 北京 100029
2 中国林业科学研究院木材工业研究所, 北京 100091
分别采用X射线衍射法、 偏振光显微镜法、 纹孔观察法和近红外光谱预测法对杉木木材的微纤丝角进行了测定, 结果表明： 对于同一株杉木, 纹孔观察法测得的微纤丝角平均值最大, X射线衍射法次之, 偏振光显微镜法最小, 三种方法得到的微纤丝角差异不显著； 对于不同年轮的微纤丝角, X射线衍射法测定值于第20年轮以后变得最大, 纹孔观察法测定值上下浮动最大, 偏振光显微镜法测定值相对最为集中, 越远离髓心三种方法的测定值曲线吻合得越好, 同一年轮微纤丝角采用不同方法测定时差异不显著； 对于同一年轮的微纤丝角, 偏振光显微镜法得到的最大值与最小值相差不大于4°, 而纹孔观察法相差达到21.53°, 其标准偏差也达到4.75。 近红外光谱预测法和X射线衍射法均属于无损检测法, 它们两个联立建立的模型精度高, 预测性和重现性好、 便于实现在线分析, 其校正模型和验证模型的相关系数R2分别达到了0.81和0.75, 校正标准误差和预测标准误差分别为1.79和2.02。 另外, 其他三种方法均可以与近红外光谱技术联用来预测该木材的微纤丝角, 显示了近红外光谱技术无与伦比的优越性。 同时, 文章分析了这四种方法的优缺点, 探讨了产生这种结果的原因, 以便为广大研究者提供参考。
X射线衍射法 偏振光显微镜法 纹孔观察法 近红外光谱预测法 木材微纤丝角 X-ray diffraction Polarized light microscope Pit aperture observing technique Near infrared spectrum Wood microfibril angle 光谱学与光谱分析
2009, 29(6): 1682
1 中国科学院遥感应用研究所 遥感科学国家重点实验室,北京 100101
2 青岛市环境监测中心站,山东 青岛 266003
传统的土壤分析是昂贵的、费时的并且可能带来环境污染问题。应用近红外光谱分析技术测定土壤参数具有快速、花费少和非破坏性的特点。利用GPS野外定位,在江西省的红壤站、鄱阳湖站和千烟州站周边共取得41个耕层(0-20cm)土壤样品。通过对土壤样品高光谱反射率的室内分析测定,研究了土壤在紫外/可见光/近红外波段光谱的反射特性。研究的目的是应用波谱反射建立一个新的研究方法来估算土壤属性含量值。随后应用多元线性逐步回归方法对反射光谱数据进行分析,“B22+H13”光谱数据作为自变量,土壤属性含量作为因变量,建立了土壤属性含量的高光谱预测模型,并对模型的稳定性和预测能力进行了检验。结果是土壤的pH、有机碳、全氮、全磷、阳离子代换量和碱解氮的相关系数都达到了0.80,而TK、速效磷、速效钾的相关系数在0.68左右。结果表明, 应用此方法估算一些土壤属性含量是可行的。
土壤属性 反射光谱 特征波段 光谱预测模型 Soil attributes Reflectance spectra Special band Spectral prediction model
