CN102788752B - 基于光谱技术的农作物内部信息无损检测装置及方法 - Google Patents

Abstract

本发明公开了一种基于光谱技术的农作物内部信息无损检测装置及方法，该方法包括以下步骤：建立知识数据库，对所需测定的农作物，建立与各农作物样本相关的知识数据库；采集农作物冠层图像数据、光谱数据到计算机中；计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征；计算机将采集得到的光谱数据进行与训练样本同样的波段特征提取；计算机对所提取的图像特征、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来。本发明可以凭借光谱信息自动判断出农作物处于哪个生育期，氮素含量有多少，更加便于使用者使用。

Description

基于光谱技术的农作物内部信息无损检测装置及方法

技术领域

本发明涉及一种检测技术，特别是涉及一种基于光谱技术的农作物内部信息无损检测装置及方法。

背景技术

氮肥是影响农作物生长发育和产量品质形成所必需的重要元素。农作物氮素营养的丰缺，会直接影响植物的生长发育，也会对农作物的品质、产量产生影响。目前普遍存在施肥过多，造成地下土壤污染及退化，因此及时准确地监测诊断出农作物氮素状况，进行精确施肥和灌溉，对提高农作物的水肥管理水平和利用效率具有重要意义。

传统的测试农作物氮的手段精度低，或会对农作物产生破坏而影响农作物生长，而且在取样、测定、数据分析等方面需要耗费大量的人力、物力，时效性差，不利于推广应用。现代无损检测技术为实时检测农作物内部信息开辟了一条新的有效途径。

农作物氮营养缺乏和过剩会引起农作物生理特性、形态特征的改变，从而引起农作物对光谱的反射特性发生改变。农作物氮素营养的叶片光谱诊断和光谱遥感诊断，便是基于农作物的反射光谱特性会因农作物氮营养水平变化而变化的原理来进行的。

20世纪70年代以来，诸多学者进行了一些研究：Serrano（1995）等研究发现农作物在较高的含氮水平下，在蓝色和近红外波谱段有较强的反射率，而在较低含氮水平下，农作物在红色波段的反射率较高。Wood（2003）等人在英国小麦高产栽培经验的基础上，用冠层大小(绿色面积指数GAI或群体密度P)来指示变量施肥，若当前农作物冠层大小(GAI)大于标准值，则施肥量低于标准用量；若当前农作物冠层大小(GAI)小于标准值，则施肥量高于标准用量。Fernandez等发现用红（600nm）和绿（545nm）两波段的线性组合可以预测小麦的氮含量，不受氮肥处理的影响。Lukina（2001）等根据产量与籽粒氮含量的相关关系预测最终的籽粒氮吸收量，从而根据籽粒氮吸收量与植株氮吸收的差值结合氮素利用率来预测施氮量。Thomas等研究了七种植物（甜瓜、玉米、黄瓜、莴苣、高粱、棉花、烟草）在不同氮素营养水平下的叶片光谱特性，发现所有植物在缺氮时其可见光波段的反射率增加，但不同植物其反射率的增加程度不一。反射率与叶绿素和类胡箩卜素含量呈负相关，叶绿素和类胡箩卜素解释了63.5-95%的绿光反射率。Bonhanr-Carter等定义了以660—750nm之间一阶微分光谱最大值为“红边”位置，并开始了“红边”位置与叶绿素等色素关系的研究。Everitt等在杂草和花卉植物的研究中发现，500—750nm反射率与植物叶片氮含量具有很高的相关性，提出550—600nm与800—900nm反射率的比值可以用于监测植物氮素状况。Yoder等在枫树研究中发现，短波红外波段反射率的对数可以监测叶片氮含量。Stone提出用基于671nm和780nm两波段反射率组合的植株-氮-光谱指数来估算小麦植株的全氮含量。Fourty等发现叶片反射模型反演叶片氮素含量效果小，逐步回归被用于光谱和生化参数相关性的分析，这已经被普遍接受，但波长的选择在不同的研究中有着并非一致的趋势。Mercedes等利用归一化植被指数（NDVI）值成功预测冬小麦的氮素营养状况。以上文献表明，农作物氮素等营养状况与农作物的光谱信息存在着相关关系。

我国于80年代中后期相继开展光谱遥感技术研究与应用，发展速度迅速。王纪华等（2004）考察了田间条件下冬小麦主要生育阶段冠层氮素、叶绿素的垂直分布及其光谱响应。在缺肥初期即轻度氮素胁迫时，下层叶片因缺氮而引起早衰，在持续缺肥即中度胁迫时，中下层叶片均明显衰老，田间条件下肉眼可见中下层叶片由深绿变浅绿或变黄，但此时上层叶片很少发生变化。生产上迫切需要拔节期对中下层叶片氮素或叶绿素状况的监测来指导适时和适量施肥，而遥感获取的冠层反射光谱信息中上层叶片的光谱贡献率较大，中下层叶片信息量不足。薛利红（2003）等对水稻的研究发现，叶片氮积累量（单位土地面积上的叶片氮总量）与810nm和560nm两波段的比值在整个生育期内都呈极显著线性正相关，而且不受施氮水平以及品种的影响，模拟值与实测值的相关程度在90%以上。王秀珍、王人潮（2002）将微分光谱应用于农学参数测定，存在红边位移的现象，红边参数与上层叶片的叶绿素含量、LAI有着密切的关系，而与叶片中的叶绿素b、类胡萝卜素之间相关性不明显。吕雄杰（2004）等研究了水稻冠层光谱特征及其与LAI的关系，研究结果表明：随着施氮量的增加，在近红外部分（710nm-1220nm），冠层光谱反射率随着施氮水平的提高而升高，而在可见光部分（460nm-680nm）水稻冠层的光谱反射率反而逐渐降低，不同氮肥处理的水稻LAI随时间变化曲线大致都呈抛物线型，中低水平施氮肥水稻LAI随时间的变化曲线比较平缓，而高水平施氮肥LAI曲线则变化比较剧烈。李映雪、朱艳（2006）等提出冠层光谱反射率在不同施氮水平下存在明显差异，近红外区域若干相邻波段和可见光波段组成的比值植被指数，与单位土地面积上叶片氮积累量的相关关系均表现较好，因此可用760nm、810nm、870nm、950nm和1100nm反射率的平均值与660nm组成的比值植被指数对不同蛋白质类型小麦品种的叶片氮积累量进行定量监测。冯雷等（2006）利用光谱技术分析不同养分水平的油菜在生长过程中的光谱反射特征，用包含绿、红和近红外三波段的成像仪对植物叶面氮素营养进行非破坏性检测，认为综合绿、红和近红外三波段的反射率数据的植被指数，能够对油菜营养状态进行快速检测，建立能准确反映植物营养状况的检测模型，通过试验建立了叶绿素仪数值和全氮含量在油菜中的数学关系模型，结果显示，利用绿、红和近红外三通道图像灰度和反射率关系的经验线性标定模型分析得到的油菜植被指数与叶绿素仪数值间的线性相关系数r可以达到0.927。牛铮（2000）采用鲜叶2120、1120特征波段研究含氮量与光谱反射率一阶微分的线性回归；Kokaly（2001）采用干树叶2054、2172特征波段作光谱反射率逐步回归研究含氮量；Johnson（2001）针对多种植物的鲜叶，研究近红外光谱与叶子含氮量的关系；王纪华（2003）利用特征波段820-1100、1150-1300研究小麦叶片含氮量的回归分析；张金恒（2004）采用525-605、505-655作为特征波段，研究水稻第一和第三完全展开叶的光谱反射率与叶片含氮量的关系；Huang（2004）采用神经网络方法、逐步回归方法和最小二乘法研究叶片的含氮量的预测模型；Yi（2007）采用多元线性回归和人工神经网络方法，以700、509、383、711、698、1069作为光谱特征波段，研究叶片含氮量。张晓东（2009）对油菜氮素与冠层光谱进行了定量分析，并对水分胁迫及光照影响的修正方法进行了基础研究。

综上所述，以往的农作物氮素无损检测模型都是限定于某一个生育期内，构建氮含量的预测模型，对实际使用的时候带来不便，因为使用者得判断当前农作物是处于哪个生育期的。

发明内容

本发明所要解决的技术问题是提供一种基于光谱技术的农作物内部信息无损检测装置及方法，其可以凭借光谱信息自动判断出农作物处于哪个生育期，氮素含量有多少，更加便于使用者使用。

本发明是通过下述技术方案来解决上述技术问题的：一种基于光谱技术的农作物内部信息无损检测方法，其特征在于，所述基于光谱技术的农作物内部信息无损检测方法包括以下步骤：

S1、建立知识数据库，对所需测定的农作物，根据其检测标准，先请专业人员对其中一部分样品进行感官评定，或者通过常规的实验室理化分析，测出农作物所处的生育期，以及测的氮素，建立与各农作物样本相关的知识数据库；

S2、进行样本测试，在利用光谱仪器对作物进行光谱采集前，进行白板校正和标定；在自然光下，采集农作物冠层图像数据、光谱数据到计算机中；计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征；计算机将采集得到的光谱数据进行与训练样本同样的波段特征提取；计算机对所提取的图像特征、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来。

优选地，所述图像数据包括图像的纹理特征、形态特征、颜色特征。

优选地，所述光谱数据在采集时，基于遗传算法的LS-SVM回归算法。

本发明还提供一种基于光谱技术的农作物内部信息无损检测装置，其特征在于包括计算机、集成摄像机、光谱仪器、探头、辅助光源、光箱、数据线、农作物、流动分析仪，光谱仪器与流动分析仪连接，流动分析仪、集成摄像机都通过数据线与计算机连接，光谱仪器与探头连接，集成摄像机、光谱仪器、探头、辅助光源、农作物位于光箱内。

本发明的积极进步效果在于：本发明可以凭借光谱信息自动判断出农作物处于哪个生育期，氮素含量有多少，更加便于使用者使用，实用性强。本发明可以通过图像技术采集得到能反应农作物外观特征，通过光谱技术采集得到能反应农作物内部生理信息的光谱信息，然后与知识数据库中专家知识及之前建立的预测模型结合起来，进行作物生育期及氮素含量预测。本发明可以凭借光谱信息自动判断出作物处于哪个生育期，氮素含量有多少，更加便于使用者使用，实用性强。本发明可以对农作物内部氮素水分信息进行简便、快速、客观的检测，便于作物氮肥管理实施，不但保证作物健康生长，而且也节省了肥料和水资源。

附图说明

图1为本发明基于光谱技术的农作物内部信息无损检测装置的原理框图。

图2为本发明中标准溶液对应的校准直线图。

图3为本发明中不同生长期水稻的氮素含量与光谱反射率的相关关系的示意图。

图4为本发明中不同生长期水稻的含水率与光谱反射率的相关关系的示意图。

图5为本发明中GA-LS-SVM模型回判值与真实值对比图。

图6为本发明中LS-SVM模型回判值与真实值对比图。

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。

如图1所示，本发明基于光谱技术的农作物内部信息无损检测装置包括计算机1、集成摄像机2、光谱仪器3、探头4、辅助光源5、光箱6、数据线7、农作物8、流动分析仪9，光谱仪器3与流动分析仪9连接，流动分析仪9、集成摄像机2都通过数据线7与计算机1连接，光谱仪器3与探头4连接，集成摄像机2、光谱仪器3、探头4、辅助光源5、农作物8位于光箱6内，农作物8可以是具有冠层的农作物，比如水稻等。光谱仪器可以是光谱分析仪。

本发明基于光谱技术的农作物内部信息无损检测方法包括以下步骤：

S1、建立知识数据库，对所需测定的农作物，根据其检测标准，先请专业人员对其中一部分样品进行感官评定，或者通过常规的实验室理化分析，测出农作物所处的生育期，以及测的氮素，建立与各农作物样本相关的知识数据库。对以上已经获知生育期和氮素含量的样本，进行样本训练建模，即计算机利用训练样本进行训练试验，分别建立生育期模型和各生育期的氮量模型。比如以无土栽培技术培育了不同氮素条件下纯正的水稻样本，在水稻每一生长发育阶段，通过光谱仪器获取水稻冠层光谱信息，采用流动分析仪（比如Bran+Luebbe AA3流动分析仪）测定叶片含氮量，通过集成摄像机采集农作物获取图像数据，得到能反应农作物外观特征（颜色、形状、纹理、尺寸等外观特性）。

S2、进行样本测试，在利用光谱仪器对作物进行光谱采集前，进行白板校正和标定；在自然光下，一般选取白天11：00-13：00之间，采集农作物冠层图像数据、光谱数据，采集到计算机中。计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征。计算机将采集得到的光谱数据进行与训练样本同样的波段特征提取。计算机对所提取的图像特征、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来，本轮测试结束。图像特征、波段特征进行融合时，判断是属于哪个生育期，然后再针对某个特定的生育期进行进一步检测其氮含量。本发明先统计图像数据、光谱数据，然后进行主成份再次分析，优化特征向量，再进行图像数据、光谱数据融合。

图像数据包括图像的纹理特征、形态特征、颜色特征；光谱数据在采集时，在光谱数据采用主成份分析等多种算法，包括基于遗传算法的LS-SVM回归算法等算法。光谱数据在采集时，可以首先对光谱信号进行预处理以滤除信号中的噪声，再利用多元线性回归、主成份回归以及支持向量机、神经网络等非线性模型建立农作物生育期预测模型。光谱数据在提取时，也可以首先对光谱信号进行预处理以滤除信号中的噪声，再利用多元线性回归、主成份回归以及支持向量机、神经网络等非线性模型建立各生育期的氮素的定量预测模型。

下面举个具体的例子进行说明：

一、冠层光谱测定

通常选择晴朗无云无风天气，于上午10：00—14：00（太阳高度角大于45°）测定水稻冠层光谱反射率。测量时，光谱仪视场角定为25°，探头朝下，距冠层顶部垂直高度为0.7m左右(视场直径为0.31m，光谱取值在冠层范围之内)。以三个光谱为一采样光谱，取其平均值作为该缸的光谱反射率值。测量时及时进行白板校正（标准白板反射率为1，这样所测得的目标物光谱是无量纲的相对反射率）。不同水分、氮素条件下的水稻种植共分9个水平，每一水平8个重复，分别在四个不同的生育期(孕穗期、抽穗期、乳熟期、成熟期)进行冠层光谱测量，平均每个生育期每一处理水平，选8个不同点进行冠层反射光谱测定。

二、全氮含量测定

Bran+Luebbe AA3流动分析仪原理：有机含氮物质在浓硫酸及催化剂的作用下，经过强烈消化分解，其中的氮被转化为氨，在碱性条件下，氨被次氯酸钠氧化为氯化铵，进而与水杨酸钠反应产生了靛蓝染料，在600nm比色测定总氮含量。

样品溶液配置：将上述烘干的叶片粉碎，保证样品成分更为均匀，然后将粉碎后的样品通过100目的筛孔，通不过筛孔的样品再次粉碎，直至全部样品通过。称取0.1g样品于消化管中，精确至0.0001g，加入浓硫酸5.0mL，将消化管置于消化器上消化，一开始250°C消化2小时，加入过氧化氢H₂O₂后，370°C消化1小时，直至溶液呈无色透明。

标准溶液配置：称取0.4715g的（NH₄）₂SO₄溶于100ml水配成储备液。试验中，采用6个水平的标准溶液浓度，见表1。

表1

标准溶液浓度	吸取储备液体积	消化后用水定容至
			0.60%	6.0ml	100ml
0.50%	5.0ml	100ml
			0.40%	4.0ml	100ml
0.30%	3.0ml	100ml
			0.20%	2.0ml	100ml
0.10%	1.0ml	100ml

实验所需试剂配置：Brij35溶液（聚乙氧基月桂醚）：将250g Brij35加入到1L水中，加热搅拌直至溶解。次氯酸钠溶液：移取6mL次氯酸钠（有效氯含量≥5%）于100mL的容量瓶中，用水稀释至刻度，加2滴Brij35溶液。氯化钠/硫酸溶液：称取10.0g氯化钠于烧杯中，用水溶解，加入7.5mL浓硫酸，转入1000mL的容量瓶中，用水定容至刻度，加入1mL Brij35溶液。水杨酸钠/亚硝基铁氰化钠溶液：称取75.0g水杨酸钠(Na₂C₇H₅O₃)，亚硝基铁氰化钠(Na₂Fe（CN）₅NO·2H₂O)0.15g于烧杯中，用水溶解，转入500mL容量瓶中，用水定容至刻度，加入05mL Brij35。缓冲溶液：称取酒石酸钾钠（NaKC₄H₄O₆·4H₂O）25.0g，磷酸氢二钠（Na₂HPO4·12H₂O）17.9g，氢氧化钠（NaOH）27.0g，用水溶解，转入500g容量瓶中，加入05mL Brij35。进样器清洗液：移取40mL浓硫酸（H₂SO₄）于1000mL容量瓶中，缓慢加水，定容至刻度。

将各种含氮量水稻叶片干样本，研磨过筛（筛孔直径0.1mm）。称取0.1g试料于消化管中，精确至0.0001g，加入浓硫酸5.0mL，将消化管置于消化器上消化，一开始250°C消化2小时，加入过氧化氢H₂O₂后，370°C消化1小时，作为试验样本。同时，配制储备液和各个水平浓度的标准溶液。

采用德国布朗卢比公司的Bran+Luebbe AA3流动分析仪进行测氮。其已经能进行在线消解、在线溶剂萃取、在线蒸馏、在线过滤、氧化还原、在线离子交换、自动稀释、WINDOWS/NT下全计算机自动系统控制软件。实验时，增益取10，灯设置2.36V，对应1000mV的反射能量。实验得到6个标准溶液对应的校准直线如图2所示，相关系数达到0.999，校准系数a＝-2.9049E-2，b＝8.1465E-6。

按照式（2.1）计算出样品的总氮含量：

式中：C——样品液总氮的仪器观测值，单位为mg；m——试料的重量，单位为mg；W——试样的水份含量。

以两次测定的平均值作为测定结果。结果精确至0.01%。

三、特征光谱选取

本发明将研究水稻含水、含氮与光谱反射率之间的关系，故特征光谱的选择十分重要。为了所提取的敏感波段具有代表性，对可见光波段区域（390nm-770nm）及近红外波段区间(770nm-1500nm)、红外区域分别应用逐步回归法，结合相关性分析并参照分子光谱敏感波段表对各区间的敏感波段进行取舍。每隔5nm选取一个波段，将这些波段作为因变量与叶片干基含水率或者含氮率作逐步回归，对入选的波段再进行相关分析并结合分子光谱敏感波段表，判断其最终是否入选。重复上述过程，最终确定光谱敏感波段。

在光谱分析过程中，希望在全谱段（本发明对应于350～2500nm光谱区间）的数以千计的光谱数据中，筛选出与样本氮素和含水率水平（因变量）最相关的光谱变量作为自变量，在此基础上，应用多元线性回归分析（MLR）、逐步回归分析(SRA)、主成分回归分析（PCR）和偏最小二乘回归分析（PLS）等方法建立最佳预测模型。也就是说希望在模型中包含与样本氮素和含水率水平相关关系最为显著的光谱特征变量以提高模型的预测精度。本发明采用相关分析法和区间分段逐步回归法对水稻氮素和水分胁迫的光谱特征进行提取。

3.1相关分析法提取特征波长

本发明首先对不同氮素和含水率水平水稻样本的光谱数据逐点进行相关性分析，获得全谱段范围不同生长期油菜的氮素和含水率的相关性曲线。

如图3和图4所示，虽然不同生长期水稻氮素和含水率的光谱敏感波段略有不同，但可以看出，在可见光区域的400～700nm的光谱范围，水稻氮素含量与光谱反射率均具有较高的相关关系，其中在560nm附近的“绿峰”位置的相关性较高，在640nm附近及红边位置，水稻氮素和光谱之间也有显著的负相关，而在800～2500nm的近红外区域，光谱反射率与氮素的相关性均不显著。水稻含水率的显著相关区域主要出现在近红外的高反射平台区，在960、1450和1650nm附近的光谱反射率与植株水分状态显著相关。

3.2区间分段逐步回归法提取特征波长

相关分析法虽然可以直观地得到水稻氮素和含水率的敏感光谱波段，但由于要对数以千计的光谱数据进行处理，整个分析过程费时费力。为了实现对光谱特征波长的快速提取，保证特征波长提取的针对性和有效性，本发明在前期研究的基础上，根据绿色植物光谱敏感区域及植株叶绿素、淀粉、氨氮等氮素构成成分和水分主要光谱特征区域，提出了区间分段逐步回归法对光谱特征进行提取。

3.3敏感区间的分段逐步回归

在确定了氮素和含水率光谱敏感区域后，由于敏感区段较多，范围较大，且光谱变量之间具有多重共线性，因此还无法利用光谱信息进行建模分析和营养诊断，必须从中删选出与氮素和含水率相关性最高、最显著的光谱特征变量组合。

逐步回归的主要思路是在考虑的全部敏感光谱变量中，按其对氮素和含水率的显著程度(贡献)大小，由大到小地逐个引入回归方程，每一步都要进行F检验，以保证在引人新变量前回归方程中只含有对因变量影响显著的变量，而不显著的变量则被剔除。

以水稻氮素的红边敏感区域为例，分段逐步回归的具体做法是在680～750nm区间，每隔3nm（光谱仪在此区间分辨率为3nm）选取一个波长，共24个波长作为光谱变量，将光谱变量按多变量之间偏相关系数的大小次序将光谱变量xi逐个引入方程，与全氮含量y的实测数据建立回归模型，如式（2.2）：

$y_i=b_0+\underset{i=1}{\overset{24}{\mathrm{\Σ}}}{b}_i{x}_i+\mathrm{\δ}\·\·\·\·\·\·\left(2.2\right)$

式中：b0为回归方程常数项；bi(i=1，2…24)为入选光谱变量的偏回归系数；δ为残差；xi为入选光谱变量波长点处的反射率数据；yi为全氮含量实测值。

对回归方程进行方差分析，残差平方和SSE、回归平方和SSR分别为式（2.3）和式（2.4）：

$\mathrm{SSE}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2\·\·\·\·\·\·\left(2.3\right)$

$\mathrm{SSR}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\hat{y}}_i-{\stackrel{\‾}{y}}_i)}^2\·\·\·\·\·\·\left(2.4\right)$

式中：为全氮含量实测均值；为理论计算值。

由此导出方程的总离差平方和SST及回归方程的决定系数R2别为式（2.5）和式（2.6）：

SST＝SSE+SSR……………………………………(2.5)

$R^2=\frac{\mathrm{SST}-\mathrm{SSE}}{\mathrm{SST}}\·\·\·\·\·\·\left(2.6\right)$

利用下式（2.7）对回归方程进行F检验：

$F_i=\frac{\mathrm{MSR}\left(x_i\right)}{\mathrm{MSE}\left(x_i\right)}=\frac{\mathrm{SSR}/i}{\mathrm{SSE}/(n-i-1)}\·\·\·\·\·\·\left(2.7\right)$

式中：MSE为残差均方和；MSR为回归均方和，用来衡量模型引入光谱变量后实测值y与变量变化的关系；n-i-1为自由度；n为样本数。

衡量光谱变量对氮素诊断模型贡献的大小的准则为模型的决定系数和F检验的显著程度。也就是说，根据事先设定R2值和检验水平Fα值，当模型决定系数大于设置值，且Fi>Fα时，说明该xi对含氮量影响显著，引入是成功的，否则剔除该变量。循此继续遴选下一个自变量。直至不再引入和剔除自变量为止，从而得到最优的预测模型。

如前所述，本发明首先根据绿色植物的光谱特性和水稻冠层的反射特征筛选出氮素和含水率的光谱敏感区域；之后，按照一定标准，针对每个光谱敏感区间进行逐步回归，删选出各区间的最优变量组合；最后对所有最优变量及变量组合再次进行逐步回归，得到植株某生育期氮素和含水率的特征波长。

以水稻孕穗期求取水稻氮冠层敏感波段为例，水稻氮素的敏感区间为400～570nm、600～870nm、900～1180nm的光谱区域。采用的逐步回归准则为：当变量进入时方程的F>2.47则保留，当入选变量使得F<2.12则剔除，同时保证R2>0.6，每组变量数不大于5个，据此条件进行分析，此时各区间的最佳回归方程分别为式(2.8)、式(2.9)、式(2.10)：

N_400-570＝4.04+16.69R₄₀₆-12.14R₄₂₇+5.48R₄₃₀-10.53R₅₆₀…(2.8)

N_600-870＝2.58-71.92R₆₈₀+174.42R₇₉₀-105.66R₈₁₀+59.23R₈₆₀…(2.9)

N_900-1180＝3.79+51.88R₉₄₀-39.46R₁₀₁₀-42.87R₁₀₈₀+48.15R₁₁₆₀…(2.10)

式中：Ri（i区间为400～1180nm）为光谱变量；Ni（j分别为400～570nm、600～870nm、900～1180nm）为光谱敏感区间j的含氮量预测值。

N400~570nm回归方程显著性F值为28.71，决定系数R2为0.62，标准差为0.49；N600~870nm方程显著性F值为35.76，决定系数R2为0.67，标准差为0.86；N900~1180nm方程F值为11.51，决定系数R2为0.71，标准差为2.51。

对各区间所有入选的特征变量以方程显著性F>3.53进入，进行变量回判时，以F<2.82剔除为条件，同时保证R2>0.7，再次进行逐步回归。

最终确定560、680、790、810、940、1010、1160nm作为氮素的光谱特征波长。

四、水稻叶片图像的特征包括颜色特征、纹理特征

4.4.1纹理统计度量特征

可以通过计算图像的灰度-梯度共生矩阵以反映图像中具有特定空间联系的像素对的灰度-梯度分布，并以此进一步构建纹理描述符。设图像的灰度级数为L，其灰度直方图为h(i)，i=0，1，…，L-1，灰度均值为m，则其n阶中心统计矩为式(2.11)

$u_n=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{(i-m)}^{n}h\left(i\right),$ n=2，3…，…………(2.11)

式中，u2为方差，是对灰度对比度的度量，u3表示直方图的偏斜度，u4描述了直方图的相对平坦性。本发明采用的如下6个纹理统计度量特征：均值标准偏差平滑度R＝1-1/(1+u₂)，三阶矩L₃＝u₃/L²，一致性熵

4.4.2颜色特征

颜色特征常用颜色直方图描述，它是直接根据图像或图像区域中的全部像素点的灰度值或彩色值进行统计计算得到，反映图像颜色的全局特征。假定彩色图像第i个颜色分量的第j个像素的值为pij，图像的像素点的个数为N，则它的RGB颜色的第i个颜色分量的2分2个中心矩分别为一阶中心矩 $e_i=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}},$ 三阶中心矩 $s_i={\left(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{(p_{\mathrm{ij}}-e_i)}^3\right)}^{\frac{1}{3}},$ 共6个颜色特征。

五、生育期神经网络分类

利用以上图像特征与光谱特征进行水稻生育期的判断建模。

在四个生育期（孕穗期、抽穗期、乳熟期、成熟期）分别进行采集50个样本数据，共200个样本。选取其中的150个样本进行训练，其余的50个作为测试样本。

选用人工神经网络作为分类器，BP神经网络的结构如下：由于样本特征数为8，所以输入层节点数为8，隐含层节点数选为10，由于分类为三个生育期，所以输出层节点数为3。

为了评价识别效果，定义样本识别准确率为正确识别样本个数与总样本数的比值，即样本识别准确率：

P=正确识别数/样本总数*100%

通过测试实验，表明样本识别准确率达到100%。

六、GA-LS-SVM算法

6.1LS-SVM回归算法简介

支持向量机具有完备的统计学习理论基础和很强的学习性能，可用于小样本问题的学习，计算速度快，预测能力强。最小二乘支持向量机方法采用最小二乘线性系统作为损失函数，将标准支持向量机中的不等式约束改成等式约束，并把经验风险由误差的一范数改为二范数，求解二次优化的问题就转化成了求解一次线性方程组问题，提高了算法收敛速度。

对于训练样本集D＝{(x_i,y_i)|i＝1,2,...l}，其中l为样本个数，x_i∈Rⁿ,y_i∈R,分别为输入和输出数据，且y_i＝f(x_i)为待估计的未知数。支持向量机模型的目标是构造一个下面格式的判别函数为式(2.12)：

使得样本x对应的函数值y能够用f(x)近视。这里，非线性映射把输入数据映射到一个高维特征空间，式中w为特征空间中的权向量，b∈R为偏置。

其损失函数可定义式(2.13)：

其中：ε为不敏感函数。

最小二乘支持向量机回归估计可描述为如下优化问题，如式(2.14)：

$\underset{w,e}{\min }J(w,e)=\frac{1}{2}{w}^{T}w+\mathrm{\&gamma;}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{e}_i^2\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(2.14\right)$

经过一系列推导，得到回归拟合函数如式(2.15)：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{a}_{i}K(x,x_i)+b\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(2.15\right)$

其中：K(x,x_i)定义为高斯核函数如式(2.16)：

$K(x,x_i)=e^{-{\left|\right|x-y\left|\right|}^2/{\mathrm{\&sigma;}}^2}\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(2.16\right)$

6.2基于遗传算法的LS-SVM回归算法

LS-SVM算法中，存在设定正则化参数γ和核函数参数σ比较困难的问题。有文献采用人为列举寻优、多次试验的方式设置参数，但这方法存在显然的局部最优缺陷。遗传算法能解决传统搜索方法难以解决的复杂和非线性的问题，其不需要目标函数明确的数学方程和倒数表达式，是一种全局寻优算法，避免了传统算法易陷入局部最优解，寻优效率高。具体步骤如下：

（1）选定LS-SVM的训练样本和校验样本，设定径向基核函数参数σ和正则化参数γ的区间（0，100）、（0，200），从而产生LS-SVM参数初始群体；

（2）设定杂交概率0.8，变异概率0.25，群体规模50，进化代数1000代等；

（3）进行LS-SVM训练；

（4）计算遗传算法适应度函数值如式(2.17)：

$f=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|\frac{y_i^{\&prime;}-y_i}{y_i}\right|}{N}\&times;100\%\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\left(2.17\right)$

其中N表示训练样本个数，y′_i表示第i个样本的实际结果值，y_i表示第i个样本输入的输出值；

（5）根据计算GA适应度，对群体进行复制、变异、交叉操作，产生下一代参数群体；

（6）若满足GA训练停止条件（训练误差0.001或迭代次数）则停止训练，跳转步骤（7），否则转向步骤（3）；

（7）结束遗传训练，得到最终的LS-SVM参数向量，构建了GA-LS-SVM回归模型。

6.3稻叶片氮含量GA-LS-SVM回归估算模型

由于水稻叶片含氮量与冠层反射率之间存在关联，同时测量水稻冠层反射率和叶片含氮量，建立了基于冠层反射率的水稻叶片氮含量的回归预测模型。通过分析不同氮环境下各冠层反射率光谱图，确定了与水稻含氮率相关性高的特征波段。针对LS-SVM参数难定问题，采用遗传算法对LS-SVM参数进行优化。

采用光谱分析仪，光谱测量范围为350nm-2500nm，得到水稻冠层光谱反射率。可见光与近红外波段区域中的600nm-1200nm波段中，光谱冠层反射率数据及其对应的水稻叶片含氮数据的相关性极高，随着培养液氮素施量的增加，光谱反射率也随之明显增加，可作为光谱敏感波段。为了使提取的敏感波段具有代表性，对敏感波段区间分别应用逐步回归法，结合相关性分析并参照分子光谱敏感波段表对各区间的敏感波段进行取舍。在600nm-1200nm区间，相隔5nm选取一个波段，将这些波段作为因变量与叶片含氮率作逐步回归，对入选的波段再进行相关分析，并结合分子光谱敏感波段表，判断其最终是否入选，另外去除一些相近的特征波段。最终选取560nm、680nm、790nm、810nm、940nm、1010nm、1160nm7个波段光谱反射率作为特征波段向量。

由于选择7个波段的冠层反射率作为特征，故LS-SVM算法模型与GA-LS-SVM算法模型的输入节点数均为7，输出为水稻叶片含氮率，故输出节点为1。

实验中取120缸水稻作为样本，每缸水稻取冠层上部、中部、下部叶片各1片，将三片叶片的含氮率取平均作为该缸水稻叶片的含氮率。120缸水稻生成共120个样本，其中80个样本作为训练样本，20个样本作为验证样本，其余20个样本作为测试样本。

GA-LS-SVM算法训练中，遗传训练后，核函数参数σ为12.3，正则化参数γ为245.6。LS-SVM算法中，采用人工多次搜索人为选取核函数参数和正则化参数，根据误差结果，从优选择最优的参数，核函数参数σ为6.5，正则化参数γ为100.8。

为了比较GA-LS-SVM算法模型与LS-SVM算法模型的回归性能，下面分别进行回判实验和预测实验。从80个训练样本中选取相同的40个样本在两个模型中做回判试验，两个模型的实验回判值与真实值的对比图分别如图5、图6所示。优化LS-SVM算法模型的平均回判精确度为99.6%，LS-SVM模型的平均回判精确度为97.2%。回判精确度的计算如公式(2.18)所示。

从上表看出，LS-SVM回归算法模型根据水稻样本特征向量进行预测含氮率，预测的平均误差率为5.70%。GA-LS-SVM算法模型对同样的输入样本特征向量进行预测试验，预测的平均误差率为2.72%，预测误差率明显低于LS-SVM算法模型。

基于LS-SVM算法模型参数σ和γ难以确定的缺点，利用遗传算法全局寻优的功能，对LS-SVM算法参数进行寻优，构建基于GA-LS-SVM算法的水稻氮素含量预测模型。利用相同的样本进行训练与测试实验，结果表明，与常规的LS-SVM算法模型相比，GA-LS-SVM算法模型提高了回判精确度，降低了预测误差率。

本发明利用摄像机与光谱仪同时采集作物信息，可以利用计算机分析判断出作物所处的生育期及含氮量，便于作物智能化的施氮管理。

本领域的技术人员可以对本发明进行各种改型和改变。因此，本发明覆盖了落入所附的权利要求书及其等同物的范围内的各种改型和改变。

Claims (2)

1.一种基于光谱技术的农作物内部信息无损检测方法，其特征在于，所述基于光谱技术的农作物内部信息无损检测方法包括以下步骤：

S1、建立知识数据库，对所需测定的农作物，根据其检测标准，通过常规的实验室理化分析，测出农作物所处的生育期，以及测的氮素，建立与各农作物样本相关的知识数据库；对以上已经获知生育期和氮素含量的样本，进行样本训练建模，即计算机利用训练样本进行训练试验，分别建立生育期模型和各生育期的氮量模型；

S2、进行样本测试，在利用光谱仪器对作物进行光谱采集前，进行白板校正和标定；在自然光下，采集农作物冠层图像数据、光谱数据，采集到计算机中；计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征；计算机将采集得到的光谱数据进行与训练样本同样的波段特征提取；计算机对所提取的图像特征、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来；图像特征、波段特征进行融合时，判断是属于哪个生育期，然后再针对某个特定的生育期进行进一步检测其氮含量；先统计图像数据、光谱数据，然后进行主成份再次分析，优化特征向量，再进行图像数据、光谱数据融合；

图像数据包括图像的纹理特征、形态特征、颜色特征；光谱数据在采集时，采用主成份分析算法，首先对光谱信号进行预处理以滤除信号中的噪声，再利用多元线性回归、主成份回归以及支持向量机、神经网络非线性模型建立农作物生育期预测模型；光谱数据在提取时，首先对光谱信号进行预处理以滤除信号中的噪声，再利用多元线性回归、主成份回归以及支持向量机、神经网络非线性模型建立各生育期的氮素的定量预测模型。

2.如权利要求1所述的基于光谱技术的农作物内部信息无损检测方法，其特征在于，所述光谱数据在采集时，基于遗传算法的LS-SVM回归算法。