1 河南科技大学农业装备工程学院, 河南 洛阳 471003 机械装备先进制造河南省协同创新中心, 河南 洛阳 471003
2 河南科技大学农业装备工程学院, 河南 洛阳 471003
3 河南科技大学农学院/牡丹学院, 河南 洛阳 471023
4 河南科技大学物理工程学院, 河南 洛阳 471023
玉米是我国重要粮食作物之一, 在我国广泛种植, 筛选优良的玉米品种是农业生产和育种的关键, 但市场上玉米品种繁多, 如何快速准确高效鉴别玉米品种从而实现玉米高产高收亟待解决。 提出了基于高光谱图像技术的极限学习机(ELM)鉴别模型, 以期解决玉米品种鉴别问题。 以八个品种玉米种子作为研究对象, 试验样本共480个, 按2∶1比例划分为训练集和测试集, 分别为320个和160个。 利用高光谱图像采集系统获取935.61～1 720.23 nm范围内的玉米种子图像, 黑白校正后选取胚芽部位大小为10×10 pixel的感兴趣区域(ROI), 提取该区域内平均光谱作为原始光谱数据。 因原始光谱两端噪声较大, 有效信息较少, 为增强信噪比, 截取949～1 700 nm范围内的玉米种子光谱波段作为有效波段进行分析。 由于数据采集过程中受无关信息干扰较强影响建模效果, 故对去噪后的光谱波段信息进行SG平滑(Savitzky-Golay smoothing)预处理, 将平滑点数设置为3, 在SG平滑基础上进行最大归一化(MN)预处理。 预处理后分别采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)单一提取和CARS+SPA、 CARS-SPA组合筛选方法提取特征波长, 以特征波长反射率作为输入矩阵X, 预设样本类别1、 2、 3、 4、 5、 6、 7、 8作为输出矩阵Y, 利用极限学习机分别建立(SG+MN)-ELM、 (SG+MN)-CARS-ELM、 (SG+MN)-SPA-ELM、 (SG+MN)-(CARS+SPA)-ELM、 (SG+MN)-(CARS-SPA)-ELM五种玉米品种定性鉴别模型。 试验结果表明: (SG+MN)-(CARS-SPA)-ELM模型较其他四者鉴别效果最佳, 训练集和测试集平均鉴别准确率均为98.13%, 表明CARS-SPA二次筛选的特征波长变量更敏感, 能够代表所有波长信息, 且极限学习机模型有较好的定性鉴别性能, 可实现对玉米品种的鉴别。 该研究为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。
高光谱图像技术 玉米 品种鉴别 极限学习机 组合筛选 Hyperspectral image Maize Varieties identification Extreme learning machine Combination screening method 光谱学与光谱分析
2023, 43(9): 2928
1 河南科技大学农业装备工程学院, 河南 洛阳 471003
2 机械装备先进制造河南省协同创新中心, 河南 洛阳 471003
3 江苏大学现代农业装备与技术教育部重点实验室, 江苏 镇江 212013
4 河南科技大学物理工程学院, 河南 洛阳 471023
圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。
可见/近红外光谱 圣女果 改进BP神经网络模型 竞争自适应重加权采样算法 Visible/near-infrared spectroscopy Cherry tomato Improved BP neural network model Competitive adaptive reweighted sampling algorithm
1 江苏大学现代农业装备与技术教育部重点实验室, 江苏 镇江 212013
2 河南科技大学农业装备工程学院, 河南 洛阳 471003
千禧番茄营养丰富且酸甜可口, 不同千禧番茄品种的风味和营养价值均有明显差异, 尤其是番茄红素、 柠檬酸、 维生素C和氨基酸含量的差异较大。 传统人工分类方式效率低、 主观性强、 误检率高等问题亟待解决。 为筛选综合营养价值高且风味佳的千禧番茄品种, 实现千禧番茄快速准确分类, 提出了基于千禧番茄光谱特征的分类模型构建及GWO优化SVM算法研究, 以期解决千禧番茄自动化分类问题。 以四个品种千禧番茄作为研究对象, 试验样本240个, 将其按2:1比例划分为训练集160个和测试集80个样本, 利用可见-近红外光谱采集系统获取350~1 000 nm范围内的千禧番茄反射强度, 经光谱校正得样本反射率; 为增强信噪比, 截取481.15~800.03 nm范围内的光谱波段作为有效波段。 由于数据采集过程受无关信息干扰影响建模效果, 故将平滑点数设置为3进行Savitzky-Golay(SG)平滑预处理。 预处理后采用连续投影算法(SPA)提取特征波长变量, 优选得到11个特征波长反射率作为输入矩阵X, 预设样本变量1, 2, 3和4作为输出矩阵Y, 利用支持向量机(SVM)建立SPA-SVM千禧番茄定性分类模型, 训练集和测试集平均分类准确率分别为59.38%和48.75%; 在此基础上, 引入灰狼优化算法(GWO)对训练集160个样本训练, 寻求SVM最优惩罚系数(c)和核函数参数(g), 根据模型训练结果对测试集80个样本预测, 建立SPA-GWO-SVM千禧番茄分类模型, 训练集和测试集平均分类准确率分别为100%和81.25%。 研究结果表明: 经灰狼算法优化后的支持向量机模型性能明显提高, 其中训练集和测试集平均分类准确率分别提高了40.62%和32.50%, 灰狼优化算法可用于提高支持向量机的分类性能, 实现对千禧番茄品种的分类。 本研究为千禧番茄及其他果蔬快速准确分类提供了新的思路和方法。
可见-近红外光谱 千禧番茄 分类 灰狼优化算法 支持向量机 Visible/near-infrared spectroscopy Qianxi tomato Classification Grey wolf optimization Support vector machine 光谱学与光谱分析
2022, 42(10): 3291
1 河南科技大学农业装备工程学院, 河南 洛阳 471003
4 河南科技大学动物科技学院, 河南 洛阳 471023
5 江苏省农业科学院畜牧研究所, 江苏 南京 210014
由于猪瘟影响, 鸡蛋作为动物性蛋白的需求大幅增加, 蛋鸡养殖行业也在逐步发展与壮大以满足人们的需求。 如何在幼雏阶段甚至胚胎发育阶段能够简单、 准确与方便地判断出雌雄, 对蛋鸡养殖行业的发展具有重要意义。 对此, 选用96个壳色相近、 表面无裂纹的新鲜种鸡蛋, 以其可见/近红外漫反射光谱为研究对象, 探讨数据采集位置、 光谱预处理方法对种蛋胚胎性别鉴定定性模型的影响。 在样本表面钝端、 锐端和赤道共三个不同位置分别采集漫反射光谱强度, 经校正后选择(440.27~874.6) nm作为有效光谱波段进行分析, 并按照2∶1的比例划分训练集和测试集, 分析了采用归一化(Normalize), 二阶导数(2nd Derivative), 标准正态变量变换(SNV), 多元散射校正(MSC), 去趋势法(Detrend), 光谱转换法(Spectroscopic)共六种方法预处理后的偏最小二乘法判别模型和线性判别分析模型的预测集准确率, 与原始数据(Raw)的预测集准确率进行对比, 得出准确率差异。 通过对入孵后216, 240, 264, 288和312 h不同位置所采光谱数据, 与种蛋性别信息综合分析, 发现胚胎发育288 h时的预处理效果最好, 有效提高了35个模型的准确率; 264 h时的预处理效果在分析时间内最差, 其处理降低了19个模型的判别准确率; 312 h的预处理降低了12个模型的判别准确率; Detrend和Spectroscopic两种预处理方法可显著提高判别效果, 其中经Spectroscopic处理后的模型可能无法进行预测; SNV和MSC对模型具有相同作用效果, Normalize对模型的作用效果不能确定, 经2nd Derivative处理后准确率不确定, 有时与原始数据建模效果一致。 综合实验结果发现, 对种鸡蛋胚胎发育288 h的数据进行预处理可有效提高模型的判别准确率, 其中对种蛋钝端处数据进行Detrend去趋势预处理并利用LDA模型分析较好。 研究结果为建立种鸡蛋基于可见/近红外的性别信息早期、 快速检测模型提供了参考。
可见/近红外光谱 漫反射 种鸡蛋 预处理方法 判别位置 性别鉴定 Visible/near infrared spectroscopy Diffuse reflection Hatching egg Pretreatment method Judgement position Gender Determination 
河南科技大学农业装备工程学院, 河南 洛阳 471003
种鸡蛋孵化过程耗时、 耗能, 但种蛋由于未受精导致胚胎发育率不足100%, 种鸡蛋孵化早期快速判别, 可有效提高种蛋孵化效率和降低经济损失。 近红外光谱分析技术可实现快速、 无损检测, 用于判别研究孵化早期种鸡蛋受精信息, 但现有光谱检测方法未能满足孵化早期受精判别位置要求, 亟需构建采集数据时的检测位置与内部信息之间的关系。 该研究利用可见/近红外光谱检测系统采集种蛋壳漫反射光谱强度, 试验选用壳色相近、 表面无裂纹的181个新鲜种鸡蛋, 从中随机选择61个样本完成交叉验证。 为消除暗电流的影响, 进行光谱校正, 得出种蛋壳漫反射率, 发现受精蛋与未受精蛋的光谱曲线趋势相同, 受精蛋和无精蛋赤道处的光谱曲线均高于两端。 剔除光谱曲线两端噪声大、 信噪比低的波段, 选择440.27~874.6 nm作为有效光谱波段, 并采用Savitzkg-Golay(S-G)平滑法、 二阶导数法Second Derivative、 标准正态变量校正SNV、 变量标准化Normalization和多元散射校正MSC预处理法分别构建PCA-SVM判别模型。 通过对入孵后24, 48, 72, 96和120 h不同位置所采光谱数据, 与受精信息综合分析, 结果发现二阶导数法Second Derivative和多元散射校正MSC两种预处理方式在同一时间、 不同位置的训练集和验证集的判别准确率均相同, 说明这两种预处理方法对数据来源位置不敏感; 变量标准化Normalization预处理和S-G平滑法预处理验证集的判别准确率则随着时间的推移在一定范围内波动, 在种鸡蛋胚胎发育120h时的判别准确率可达91.71%; SNV预处理赤道处验证集判别准确率随着时间的推移呈现上升趋势, 对数据来源时间及位置敏感, 种鸡蛋胚胎发育越长判别效果越佳, 120 h赤道侧的判别准确率为91.16%。 且平滑处理、 标准正态变量校正和变量标准化三种预处理方式均存在赤道侧判别准确率高于种蛋端部的现象, 这主要是由于赤道侧较种鸡蛋两端表面平缓, 采集到的信息更多, 该研究为早期判别受精蛋与无精蛋的数据采集位置提供新思路和新方法。
可见/近红外光谱 漫反射 种鸡蛋 判别位置 判别时间 Visible/near infrared spectroscopy Diffuse reflection Hatching egg Judgement position Judgement time 光谱学与光谱分析
2021, 41(10): 3064
1 东北农业大学电气与信息学院, 黑龙江 哈尔滨 150030
2 北京农业智能装备技术研究中心, 北京 100097
3 国家农业智能装备工程技术研究中心, 北京 100097
氮素与作物的生长发育、 产量和品质密切相关。 作物冠层氮素含量的快速、 准确、 无损检测对于作物营养诊断和长势评估具有重要意义。 传统的氮素检测方法检测周期长、 操作复杂, 同时具有破坏性, 无法实现作物氮素含量在时间和空间上的连续动态监测。 基于光谱遥感技术快速、 无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。 当前的研究大多基于原始光谱或整数阶微分(一阶、 二阶)预处理后的光谱进行氮素含量预测, 原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息, 影响氮素含量的预测准确度。 与原始光谱和整数阶微分方法相比, 分数阶微分算法在背景噪声去除、 有效信息提取等方面较有优势。 为研究分数阶微分预处理算法在作物氮素检测中的应用, 本文以不同施肥处理下的盆栽大豆作物为研究对象, 获取大豆苗期、 花期、 结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据, 运用分数阶微分算法对光谱数据进行0～2阶微分预处理, 微分间隔为0.1, 分别采用归一化光谱植被指数NDSI、 比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析, 得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC, RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合——最优波段组合NDSIα(opt)和RSIα(opt), 采用线性回归方法, 建立各阶微分下NDSIα(opt)与CNC, RSIα(opt)与CNC的预测模型, 并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较, 研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。 结果表明: (1)在0～2阶微分范围内, 最优波段组合NDSIα(opt), RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。 其中, 0.8阶微分下NDSI0.8(R725, R769)与大豆CNC的相关系数最大, 为0.875 9; 0.7阶微分下RSI0.7(R548, R767)与大豆CNC的相关系数最大, 为0.865 1; (2)分数阶微分预处理能够细化光谱数据中的有效信息, 增强光谱数据对冠层氮素含量的敏感性, 尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性; (3)与整数阶微分、 常用植被指数相比, 分数阶微分能够提高大豆CNC预测模型的准确性。 其中, 基于0.7阶微分RSI0.7(R548, R767)建立的大豆CNC预测模型与0阶微分RSI0(R725, R769)相比建模集决定系数(R2C)和预测集决定系数(R2P)分别提高了0.061 9和0.016 6, 建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9, 预测相对偏差(RPD)提高了0.110 4。 基于0.7阶微分RSI0.7(R548, R767)建立的大豆CNC预测模型与VOG II相比R2C和R2P分别提高了0.086 6和0.025 5, RMSEC和RMSEP分别降低了0.757 5和0.248 3, RPD提高了0.146 88; (4)基于0.7阶微分比值光谱指数RSI(R548, R767)建立的大豆LNC预测模型较优, 其R2C为0.748 4, R2P为0.800 3, RMSEC为4.752 9, RMSEP为3.511 1, RPD为2.253 7, 能够较好的估测大豆冠层氮素含量。 研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势, 为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。
冠层氮素含量 高光谱数据 植被指数 分数阶微分算法 Canopy nitrogen content Hyperspectral data Vegetation indices Fractional order differential algorithm 光谱学与光谱分析
2018, 38(10): 3221
