【摘要】：獼猴桃樹礦質(zhì)元素的含量能夠精準(zhǔn)反映果樹的生長(zhǎng)狀況,對(duì)后續(xù)實(shí)施精細(xì)化、智能化的果園管理具有重要的作用。而傳統(tǒng)的化學(xué)實(shí)驗(yàn)檢測(cè)方法耗時(shí)費(fèi)力、過程繁瑣、對(duì)樣本有損、時(shí)效性也差,難以滿足大范圍、快速、無損的現(xiàn)代化管理需求。本文以獼猴桃葉片為研究對(duì)象,基于高光譜技術(shù)在865.11-1715.03nm近紅外波段范圍中建立了全生長(zhǎng)過程中獼猴桃葉片氮素含量的預(yù)測(cè)回歸模型,實(shí)現(xiàn)了對(duì)生長(zhǎng)過程中獼猴桃葉片含氮量的快速、無損檢測(cè)。主要研究?jī)?nèi)容如下:(1)研究了獼猴桃葉片光譜數(shù)據(jù)的預(yù)處理方法。受制于葉片樣本采集與光譜實(shí)驗(yàn)誤差的影響,原始光譜數(shù)據(jù)存在多種噪聲干擾問題,因此采用在一階導(dǎo)數(shù)(First derivative,F-D),二階導(dǎo)數(shù)(Second derivative,S-D),多元散射校正(Multiplicative scatter correction,MSC)和變量標(biāo)準(zhǔn)化(Standard normalized variate,SNV)等方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理,結(jié)合預(yù)測(cè)分析模型的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),SNV方法對(duì)獼猴桃葉片光譜數(shù)據(jù)的處理效果更好,對(duì)光譜數(shù)據(jù)的校正能力更強(qiáng)。(2)基于預(yù)處理的光譜數(shù)據(jù),采用主成分分析(Princeple component analysis,PCA)和競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法(Competitive adaptive reweighted sampling,CARS)對(duì)全光譜數(shù)據(jù)進(jìn)行特征提取分析,以期剔除干擾波段,降低數(shù)據(jù)維度。分別基于特征提取結(jié)果和全光譜數(shù)據(jù)建立偏最小二乘回歸(Partial least squares regression,PLSR)與支持向量回歸(Support vector regression,SVR)多種預(yù)測(cè)回歸模型,其中SNV-CARS-SVR對(duì)獼猴桃葉片含氮量的預(yù)測(cè)效果較好,相關(guān)系數(shù)Rp為0.8329,均方根誤差RMSEp為0.1777。結(jié)果表明SNV-CARS-SVR的方式能夠較好的預(yù)測(cè)整個(gè)生長(zhǎng)過程中獼猴桃葉片的含氮量。(3)實(shí)現(xiàn)了對(duì)全生長(zhǎng)期獼猴桃葉片氮素含量的建模預(yù)測(cè),其中包括5-7月與7-9月兩個(gè)部分,分別比較了全光譜數(shù)據(jù)基于PCA,CARS方式特征提取后的光譜數(shù)據(jù)建立的PLSR與SVR模型,其中5-7月的獼猴桃葉片數(shù)據(jù)采用SNV-CARS-PLSR方式相關(guān)系數(shù)Rp為0.8507,均方根誤差RMSEp為0.1289,表明SNV-CARS-SVR的方式能夠較好的預(yù)測(cè)5-7月中獼猴桃葉片的含氮量;而7-9月的獼猴桃葉片數(shù)據(jù)采用CARS-PLSR的方式相關(guān)系數(shù)Rp為0.7478,均方根誤差RMSEp為0.1839,表明CARS-PLSR的方式能夠較好的預(yù)測(cè)7-9月中獼猴桃葉片的含氮量。研究表明,基于高光譜技術(shù)實(shí)現(xiàn)了對(duì)生長(zhǎng)過程中獼猴桃葉片含氮量的快速檢測(cè)研究,為獼猴桃葉片中氮含量的檢測(cè)提供了一種新的方式,在獼猴桃產(chǎn)業(yè)領(lǐng)域的應(yīng)用具有廣闊的開發(fā)前景。
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：S663.4;TP391.41
【圖文】：

第二章 實(shí)驗(yàn)數(shù)據(jù)采集與高光譜圖像處理 段下的光譜圖像特征值相除，從而得到相對(duì)波段反射強(qiáng)度的圖獼猴桃葉片表面不平造成的光線反射不勻引起的干擾，加強(qiáng)光，得到能夠反映單一波段不具有的光譜信息（蔡健榮等 2009ijlijkijrBVBVBV,,,,,,=表示第k 波段坐標(biāo)為( i ,j)的特征值。 ENVI 軟件分析研究發(fā)現(xiàn)圖 2-2（a）中，基于近紅外波段的高樣本葉片的波段部分重疊，難以分割，需要進(jìn)行波段比處理。95.51nm/1446.11nm 近紅外光譜圖像的波段比處理效果較好，

（a） （b）59.79nm 原始近紅外高光譜圖像 (b) 1595.51/1446.11nm 波段比處理高 Original Near-infrared hyperspectral image (b) The band ratio hyperspectra1595.51/1446.11nm建立掩膜并應(yīng)用割中，閾值對(duì)分割效果有著重要作用，閾值偏大或偏小會(huì)使樣為樣本。在近紅外高光譜圖像中，由于獼猴桃葉片的光譜反值設(shè)置為 0.64 以分割樣本和背景，并應(yīng)用圓盤結(jié)構(gòu)，進(jìn)行開閉率值為 1，背景為 0 的二值掩膜圖像，如圖 2-3（a）。將原始高運(yùn)算，去掉背景信息，只留下感興趣區(qū)域，結(jié)果如圖 2-3（b）平均值以便進(jìn)行后續(xù)數(shù)據(jù)分析。

基于高光譜的獼猴桃葉片含氮量快速檢測(cè)方法研究線波段范圍 865.11-1715.03nm 作為橫坐標(biāo)，通過應(yīng)用掩膜后得標(biāo)，繪制出所有葉片樣本的近紅外高光譜曲線。由圖 2-4 可的過程中，存在著各種物理及隨機(jī)因素造成的噪聲，比如光及樣本背景對(duì)樣本的影響等，導(dǎo)致在1300nm附近與150線不平滑。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王麗鳳;張長(zhǎng)利;趙越;宋玉柱;王潤(rùn)濤;蘇中濱;王樹文;;高光譜成像技術(shù)的玉米葉片氮含量檢測(cè)模型[J];農(nóng)機(jī)化研究;2017年11期

2 劉燕德;鄧清;張光偉;;高光譜技術(shù)的贛南臍橙葉片含氮量分析[J];中國(guó)農(nóng)機(jī)化學(xué)報(bào);2016年09期

3 安靜;姚國(guó)清;朱西存;;蘋果葉片氮素含量高光譜檢測(cè)研究[J];國(guó)土資源遙感;2016年02期

4 魏麗紅;翟秋喜;;獼猴桃缺素癥葉片診斷[J];北方園藝;2015年02期

5 劉紅玉;毛罕平;朱文靜;張曉東;高洪燕;;基于高光譜的番茄氮磷鉀營(yíng)養(yǎng)水平快速診斷[J];農(nóng)業(yè)工程學(xué)報(bào);2015年S1期

6 高揚(yáng);郭彤;郝留根;胡銀崗;;反射光譜法估計(jì)小麥葉片表皮蠟質(zhì)含量的初步研究[J];麥類作物學(xué)報(bào);2014年04期

7 張美芳;何玲;張美麗;郭宇歡;;獼猴桃鮮果貯藏保鮮研究進(jìn)展[J];食品科學(xué);2014年11期

8 朱西存;趙庚星;董芳;王凌;雷彤;戰(zhàn)兵;;基于高光譜的蘋果花磷素含量監(jiān)測(cè)模型[J];應(yīng)用生態(tài)學(xué)報(bào);2009年10期

9 蔡健榮;王建黑;陳全勝;趙杰文;;波段比算法結(jié)合高光譜圖像技術(shù)檢測(cè)柑橘果銹[J];農(nóng)業(yè)工程學(xué)報(bào);2009年01期

10 李濤;;獼猴桃產(chǎn)銷形勢(shì)[J];農(nóng)產(chǎn)品市場(chǎng)周刊;2007年30期

相關(guān)碩士學(xué)位論文 前1條

1 李春梅;陜西獼猴桃果品質(zhì)量安全生產(chǎn)現(xiàn)狀與對(duì)策研究[D];西北農(nóng)林科技大學(xué);2015年

本文編號(hào)：2761436