CN104697943B - 一种油菜水分胁迫的无损检测方法 - Google Patents

Abstract

本发明涉及一种作物水分胁迫的无损检测方法，特指利用多特征信息进行油菜含水率检测的方法。本发明利用光谱仪、多光谱成像仪和热成像仪获取油菜冠层的多特征信息，利用温湿度、光照传感器获取油菜生长的环境信息；通过对油菜水分的光谱、图像和冠层温度分布特征进行分类提取，得到油菜含水率的光谱特征波长，多光谱图像均值、归一化比值和分量均值特征以及水分胁迫指数特征；对特征变量进行误差修正和主成分分析，得到最优多特征空间；利用BP神经网络建立油菜含水率的多特征检测模型，模型预测值与实测值的平均绝对误差为3.33%，相关系数R为0.93。该方法相对于光谱、图像和冠层温度等单一检测方法相比，精度有显著提高，且对环境的适应性明显增强。

Description

一种油菜水分胁迫的无损检测方法

技术领域

本发明涉及一种基于可见光-近红外反射光谱、多光谱图像、红外温度和环境信息的作物水分胁迫检测技术，特指一种油菜水分胁迫的无损检测方法。

背景技术

油菜是中国最重要的油料作物，同时也是需水较多的作物，水分胁迫使油菜生长发育产生生理障碍，导致其产量降低，并影响菜籽的品质。因此，快速诊断植株的缺水状况，科学精确地指导灌溉，合理有效地利用有限的水资源，保证油菜的优质高产，成为亟需解决的问题。

目前作物水分胁迫的无损检测主要是基于反射光谱、视觉图像和冠层温度检测技术。基于光谱技术的无损诊断方法，通常采用点源采样方式，获取的是线阵信息，尽管通过多谱段组合特征能够反演作物水分信息，但是由于受作物的冠层结构、背景、大气窗口、光照对光谱反射特性的影响，无法体现整个冠层区域的光反射特性差异。视觉传感器具有较高的分辨率和较大的视场范围，通过图像分割技术能够去除背景等因素的影响，克服了光谱法测试范围较小和对测试部位要求较严格的缺点，因此可获得较多的作物信息，但传统的视觉传感器通常存在着光谱分辨率较低的问题，对于水分诊断主要还是基于近红外的纹理特征，且目前的研究主要集中在基于叶片图像的特征，难以反映植株全貌。同时，较少有从多光谱图像特征信息及冠层的分布信息来进行探测。这些方法同样不可能有效地解决冠层结构、背景及光照等环境作用的影响，很难得到普适性的检测模型。作物的冠层温度变化与水分状况密切相关，在使用红外测温仪测量冠层温度，以及作物水分状况、施肥对冠层温度的影响等方面已有一些相关发明专利，但受个体差异和环境温湿度的影响较大，检测精度普遍不高。

发明内容

针对目前作物水分胁迫的反射光谱、视觉图像和冠层温度等单一检测手段存在的不足，并考虑到光强、环境温湿度等环境因子对检测的影响，本发明目的是通过多信息融合技术来实现对作物水分胁迫进行探测。

为实现上述目的，本发明一种油菜水分胁迫的无损检测方法按照下述步骤进行：

(1)多特征信息采集；

(2)多特征分类提取；

(3)特征参数的误差修正；

(4)主成分分析；

(5)多特征模型的建立；

(6)利用多特征模型检测油菜含水率并判断是否发生水分胁迫。

其中所述的多特征信息采集是指利用多光谱成像仪、光谱仪和红外热成像仪，采集油菜冠层的可见光-近红外多光谱图像、反射光谱和冠层温度分布热成像信息；利用光照、温湿度传感器检测油菜冠层光强和环境温湿度信息。

其中所述的多特征分类提取是指①利用图像融合运算，提取多光谱图像的均值、归一化比值特征和分量均值特征；②利用分段逐步回归的方法提取油菜含水率的反射光谱特征波长；③提取冠层的红外热成像温度分布信息和环境温湿度信息，并求得冠-气温差和大气饱和水汽压，建立冠-气温差模型，进而得到油菜的水分胁迫指数特征。

其中所述的特征参数的误差修正是指利用冠层光强修正油菜冠层光谱反射率特征参数。

其中所述的主成分分析是指采用主成分分析法，将油菜冠层多光谱图像、反射光谱和冠层温度分布热成像等多特征数据作为输入进行主成分分析，提取最优变量作为BP神经网络的输入层参数，即作为油菜含水率多特征模型的输入变量。

其中所述的多特征模型的建立是指利用三层BP神经网络建立油菜含水率的多特征检测模型。按照以下步骤进行①将主成分分析的输出变量作为BP神经网络的输入；②通过对不同隐含层单元数BP网络模型的平均绝对误差和相关系数分析得到隐含层的单元数；③选择网络的输入节点数为6；采用单隐含层的3层网络结构，隐含层单元数为10；训练的学习速率为0.47，学习误差为0.01，最大训练次数为2000次对样本进行训练，建立油菜含水率多特征模型；④利用样本采集时同时获取的36个样本的数据，对油菜含水率多特征模型进行验证。

本发明的效果是：利用多特征检测油菜水分胁迫能够综合视觉图像、反射光谱和冠层温度分布等多特征优势，与光谱、图像和冠层温度等单一检测方法相比，能够有效提高检测精度精度，且对环境的适应性明显增强。通过获取油菜冠层的反射光谱、多光谱图像和热成像数据，提取多光谱图像的均值、归一化比值特征和分量均值特征；利用分段逐步回归的方法提取油菜含水率的反射光谱特征波长；提取冠层的温度分布信息和环境信息，并求得冠-气温差和大气饱和水汽压，进而得到油菜的水分胁迫指数特征；为了克服变量间的多重共线性，对多特征进行主成分分析，并将主成分变量作为输入变量，建立3层网络结构，隐含层单元数为10的油菜水分胁迫的BP神经网络模型，BP网络法模型的预测值与实测值的平均绝对误差为3.33％，平均相对误差为4.92％，相关系数为0.93，均方差为3.91。

附图说明

图1一种油菜水分胁迫的无损检测方法的流程图；

图2不同含水率水平油菜的光谱曲线；

图3不同发育期油菜图像特征与含水率的相关系数；

图4油菜冠层图像特征值与含水率的关系；

图5不同含水率的油菜的冠层图像；

a.含水率85％油菜样本；b.含水率75％油菜样本

图6油菜冠-气温差与大气饱和水汽压(VPD)的关系模型；

图7含水率特征变量主成分数与特征值变化曲线；

图8油菜含水率多特征模型的预测值与实测值。

具体实施方式

下面结合附图对本发明进行详细的描述。

本发明一种油菜水分胁迫的无损检测方法所采用的仪器包括光谱仪、多光谱成像仪、红外热成像仪以及环境光照和温湿度信息等采集仪器。其中光谱仪采用美国ASD公司生产的3型手持便携式光谱分析仪；该仪器光谱测量范围350-2500nm；在350-1000nm光谱区采样间隔为1.4nm，分辨率为3nm；在1000-2500nm光谱区采样间隔为2nm，分辨率为10nm；多光谱成像仪采用MS-3100型多光谱累进扫描数字式摄相机，MS-3100采用3CCD图像传感器，成像光谱范围为400-1100nm，最高分辨率为1392(H)×1040(V)像素，能够同步获取R、G、B和NIR各独立通道图像，实现高质量的油菜冠层图像的采集。红外热成像仪采用美国Fluke公司的TI50型红外热成像仪测量油菜冠层温度和环境温度信息，温度采集精度为0.07℃。环境湿度测量采用HT601A型温湿度记录仪，相对湿度测量精度为5％。

分四个水平培养不同水分胁迫的油菜样本，植株含水率测定采用干湿重法，用分析天平称取样本质量，将采集样本分别装入保鲜袋带回，先恒温100℃烘干1小时，再恒温80℃进行12小时烘干处理，测量其干质量，求算样本含水率

式中：w——样本的含水率，％；m₁——样本的鲜质量，mg；m₂——样本的干质量，mg。

本发明一种油菜水分胁迫的无损检测方法按照下述步骤进行：

1)多特征信息采集；

光谱光纤探头、多光谱相机位于植株冠层上方70cm处，垂直于被测物，分别用来获取植株冠层的反射光谱、多光谱图像信息；红外热成像仪距离植株冠层30cm处，用来采集冠层和环境温度信息；环境光照和湿度传感器布置在植株冠层位置，获取植株冠层光照和湿度信息。对光谱仪和多光谱成像系统进行白板标定，校准热像仪、光照和环境湿度传感器，同步获取作物的冠层光谱、图像和冠层温度信息，以及光照和温湿度等环境信息，以标定时记录的初始环境信息为依据，在之后的样本采集过程中，根据环境信息的变化量，对获取的多传感特征进行修正，以降低环境因子对检测的影响。

2)多特征分类提取；

(1)光谱特征提取

图2是不同含水率水平油菜的光谱曲线，在可见光及近红外区域，随着含水率的上升，光谱反射率均有所下降。在可见光部分的450-470nm、500-570nm区间有较明显的吸收峰，随含水率的不同，其峰值的变化较明显；在近红外区域1400nm-1470nm、1880-1920nm区间有明显的吸收谷，1650nm附近有明显的吸收峰，随着含水率的增加，变化趋势也很明显。

为了准确的获取植株含水率的特征波长，采用敏感区间分段逐步回归法进行特征波长的筛选，首先对前述的各敏感区间分别应用逐步回归法。植株含水率的敏感区间为950～1020nm、1400～1470nm、1620～1690nm和1830～2000nm光谱区域。以1400nm-1470nm区间为例，具体做法是在此区间每隔10nm(光谱仪在此区间分辨率为10nm)选取一个波长点，共8个波长数据作为输入变量与植株含水率数据作逐步回归，用偏F检验进行筛选，在显著性水平(Sig)小于0.001的前提下，选择显著性最高的光谱特征变量，最终在此区间选择1450nm作为含水率光谱特征波长。对前述的各光谱敏感区间重复上述过程，最终确定960、1450、1650nm作为含水率的光谱特征波长，并定义3个变量R_960nm、R_1450nm、R_1650nm与之对应，以此为变量进行二次逐步回归，得到逐步回归方程为：

W＝75.71-77.19R₉₆₀-439.26R₁₄₅₀+328.32R₁₆₅₀ (2)

回归方程的显著性F值为17.24，相关系数R为0.86，标准差为2.05。

(2)多光谱图像特征提取

首先利用二维最大熵算法进行图像背景分割，进而对油菜含水率的多光谱图像特征进行了提取和分析。MS-3100可实现对不同波段图像的同步获取，即有利于各独立波段图像特征的提取，因无需进行图像配准，也易于实现多光谱图像的像素级运算。通过比较分析，提取了均值和比值特征进行含水率分析。

①图像均值特征

图像均值特征包括多光谱R、G、B、NIR₈₁₀、NIR₉₆₀分量灰度均值及归一化的r、g、b值。R、G、B、NIR₈₁₀、NIR₉₆₀分量均值以AVS₆₆₀、AVS₅₆₀、AVS₄₆₀、ANIR₈₁₀、ANIR₉₆₀表示，各名称下标代表多光谱图像的中心波长。均值特征的算法如下：

式中：AVS_j——可见光660、560、460nm处的冠层图像的平均灰度值；ANIR_k——近红外810、960nm处冠层图像的平均灰度值；N——图像中冠层区域的像素点个数；f(x,y)——像素点(x,y)的灰度值。

②图像归一化比值特征

RGB颜色模型的r、g、b值表示R、G、B波段的归一化比值特征，如b值为:

b＝AVS₄₆₀/(AVS₆₆₀+AVS₅₆₀+AVS₄₆₀) (4)

③图像波段比值特征

图像波段比值特征，是指各独立波段的多光谱图像进行像素级比值运算后得到的特征，包括NIR₈₁₀/VS₆₆₀、VS₅₆₀/NIR₈₁₀和NIR₉₆₀/NIR₈₁₀图像的均值，将其分别记为AR_810/660、AR_560/810和AR_960/810，图像波段比值特征均值分别为

式中：——通过比值运算所生成的新图像；N为图像中冠层区域的像素点个数。

对不同发育期油菜的含水率与冠层的多光谱图像特征进行相关分析(附图3)。可知在多光谱图像特征中ANIR₉₆₀、ANIR₈₁₀、AR₉₆₀/₈₁₀和AVS₅₆₀在整个发育期与含水率的相关性均较高。从4种不同含水率水平的油菜样本(W1～W4递减)中各选取6株进行特征值区分效果分析。在近红外区域的均值和比值特征对含水率的区分效果较好。以ANIR₉₆₀特征值为例(附图3)，当ANIR₉₆₀>116时即可判定植株存在水分胁迫(判断水分胁迫依据是与对照组不存在水分胁迫油菜的平均含水率比较，差值超过10％即存在水分胁迫)；而ANIR₉₆₀<107时，则基本不存在水分胁迫。从附图5可以看出，取自W1和W3组的不同含水率水平的油菜样本在960nm处的图像灰度差异明显。

(3)冠层温度特征提取

本发明利用CWSI(水分胁迫指数)经验模型获取基于冠-气温差的水分胁迫指数特征。所谓经验模型是指利用经验关系式计算“非水分亏缺基线”，这个基线代表作物达到潜在蒸腾速率时的下限温度；与此相对应，计算时还需求得作物处于完全水分胁迫时的上限温度，并据此计算CWSI。CWSI是太阳净辐射、冠-气温差(T_c-T_a)、大气饱和水汽压(VPD)的函数，综合反映了各种环境因子对作物水分状况的影响。当供水充分时(T_c-T_a)和VPD之间存在的线性关系被定义为下基线。通过观测得到作物冠层和空气温度后，CWSI可由下式计算：

(T_c-T_a)_Π＝A+B×VPD (7)

(T_c-T_a)_ul＝A+B×VPG (8)

式中：T_c——作物冠层温度，℃；T_a——空气温度，℃；(T_c-T_a)_Π——冠-气温差下限，℃；记为T_camin；(T_c-T_a)_ul——冠-气温差上限，℃；记为T_camax；VPG——空气温度分别为T_a和(T_a+A)时的空气饱和水汽压VPD之差；A、B——线性回归系数。

式(6)、(7)和(8)即为CWSI经验模型。其中，T_c、T_a可以通过热成像仪观测得到，VPD可以通过测量环境温湿度由公式求得。当作物供水充分，不存在水分胁迫时，冠-气温差位于下基线上，即(T_c-T_a)＝(T_c-T_a)_Π，此时CWSI＝0。随着水分胁迫逐渐加重，冠层温度不断升高，冠-气温差将位于上下基线之间，即0<CWSI<1。当作物严重缺水导致蒸腾完全停止时，冠-气温差最终将位于上基线上，即(T_c-T_a)＝(T_c-T_a)_ul，此时CWSI＝1。以上分析可知，CWSI值在0-1之间变化，其值越大表示作物水分胁迫越严重。

为了提取基于冠-气温差的CWSI特征，首先需建立冠-气温差与VPD之间的作用关系，即冠-气温差模型，进而利用油菜生长期的各环境因子，确定冠-气温差的下基线和上限，在此基础上，利用式(5)确定不同生长期的CWSI模型，通过实测的植株冠-气温差值，对植株的水分胁迫进行诊断。

作物冠-气温差T_ca与大气饱和水汽压VPD之间的关系为：

T_ca＝T_c-T_a＝A+B·VPD (9)

大气饱和水汽压VPD(kPa)可由空气温度T_a和相对湿度RH(％)求得：

首先在作物充分供水条件下确定VPD最大值，在此基础上利用式(7)求得冠-气温差下基线T_camin，进而利用作物在不同水分胁迫下VPD的最小值计算冠-气温差上限T_camax，进而由式(6)得到CWSI特征值。

为建立油菜冠-气温差模型，首先根据作物冠层温度和大气温湿度数据，利用公式(10)计算大气饱和水汽压差(VPD)，之后采用统计回归法，求得式(9)的模型参数，建立冠-气温差与VPD的线性回归模型(附图6)。T_ca与VPD呈显著负相关，决定系数R²为0.9048，可确定式(8)中的回归系数A＝2.6468，B＝-1.1793，即冠-气温差模型为：

T_ca＝2.6468-1.1793×VPD (11)

通过实验可知，油菜生长环境的VPD变化区间为0-5.96Kpa。当VPD为5.96时，冠-气温差达到最小值，以此作为CWSI的下基线T_camin，按式(10)可求得T_camin＝-4.98。冠-气温差的上限值可取严重胁迫处理(W4)的观测数据，即T_camax＝2.86；将它们代入式(5)，即得到油菜的CWSI模型：

通过获取的实时冠-气温差T_ca，利用式(12)即可计算得到水分胁迫的CWSI特征值。

3)特征参数的误差修正

为了克服光照变化对检测的影响，针对油菜含水率的特征谱段，分别建立各个特征波长处的光谱反射率随光照变化的修正模型。将样本在上述3个特征波长处的光谱反射率分别与实验时记录的光照数据做OLS回归，得到各波长处的反射率与光照之间的相关关系，建立光谱变量的光照修正模型，如表1所示，其中R代表光谱反射率，△R为反射率随光照的变化率。光谱采集时，首先准确测量初次白板标定时的光照数据，并在整个实验过程记录光照信息，以此为依据，对其后所采集的光谱特征变量按照表1所示的模型进行修正。

表1光谱特征变量的光照修正模型

4)主成分分析

为了克服多变量的多重共线性，提取最有效的多特征变量，本发明采用主成分分析法提取最优多特征变量作为多特征模型的输入参数。

油菜含水率的光谱特征为960、1450、1650nm处的光谱变量；图像特征为ANIR₉₆₀、ANIR₈₁₀、AR₉₆₀/₈₁₀和AVS₅₆₀；冠层温度特征为植株的CWSI特征值；上述共计8个特征被确定为油菜含水率的多传感特征变量。为了克服多变量间的多重共线性，并降低模型的复杂度，提高运行效率，首先对特征变量进行标准化处理，之后对标准变量进行主成分分析，将特征变量进行正交变换，并对主成分进行分析和筛选。

由于主成分向量作为BP神经网络模型的输入向量，因此主成分的个数决定着输入层的单元数，不同的主成分个数对模型的运行效率和预测精度的影响也较大。从附图7中能够看出前6个主成分包含了原始数据所提供信息量的99.6％以上，当主成分数大于6时，特征值几乎不再变化，说明前6个主成分是由植株水分含量的变化引起的，应该保留，而后面的几个主成分变量主要是由噪声引起，需要剔除。

表2为含水率特征变量的主成分系数表，即主成分因子模型，例如对于第一主成分Z₁有：

Z₁＝0.131R_960nm+0.356R_1450nm+0.353R_1650nm+0.265ANIR₉₆₀

(13)

+0.333ANIR₈₁₀+0.293AR_960/810+0.345AVS₅₆₀+0.323CWSI

表2含水率特征变量主成分系数表(因子模型)

即将主成分表示为含水率标准特征变量的线性组合。将原特征变量数据作标准化变换并代入因子模型，即可计算得到各主成分向量，由入选的各主成分向量即构成BP神经网络的输入向量空间。

5)多特征模型的建立

多信息融合的方式包括数据层、特征层和决策层融合，油菜含水率的多传感信息检测，采用光谱光纤探测器、多光谱CCD、红外温度探测器、硅光电传感器、热电偶、电容传感器等六种不同的传感器，它们的特性不一致，采集的是不同的物理量，且检测的信息模式不同，信息跨度较大，很难对众多信息进行直接的关联，因此不易进行数据层的融合。同时，由于油菜含水率检测的特征量众多，如果利用决策层融合，就必须针对不同生育期、不同含水率水平的油菜建立由先验知识组成的知识库或模型库，由于条件的限制，先验知识的获取较困难，在实际中较难实现。因此，本发明采用特征层融合的方式进行多特征模型的建模。

附图1为植株含水率多传感信息融合的结构原理。在数据层，首先对不同含水率水平油菜样本的冠层反射光谱、多光谱图像、冠层温度，以及冠层光照、环境温湿度等多传感信息进行同步采集；利用标定板对反射光谱和多光谱图像进行标定，并对原始光谱和多光谱图像进行滤波降噪处理，根据同步采集的冠层光照信息，建立多特征变量的修正模型；利用冠层温度信息和环境温湿度信息，计算植株的冠-气温差和VPD值，作为CWSI特征值计算的输入参量。

在特征层中主要是利用逐步回归等统计分析方法对含水率的多传感信息进行特征提取，并根据环境因子对特征变量进行补偿。为了克服变量间的多重共线性，对上述多传感特征进行主成分分析，对特征进行变换和降维，并计算主成分得分，作为特征融合的输入向量。

在决策层中，在油菜含水率多传感特征的融合方法上采用BP神经网络进行特征层融合。并结合植株含水率的实验室测定值，对样本进行训练得到评价模型，进而对植株的含水率进行定量评价。

利用BP(Back Propagation)神经网络建立模型重要的一点是需要选择适合的结构参数,即输入层、隐含层单元数及隐含层层数等参数的选择。本发明利用主成分分析提取6个主成分作为BP网络模型的输入层；而模型隐含层数的增加，可以形成更加复杂的决策域，使网络解决非线性问题的能力得到加强，合理的隐含层数能使网络的系统误差最小，但是隐含层的数目超过一定值，反而会使网络的性能降低。对于一个三层的BP网络可以完成任意n维到m维的映射。因此，本发明采用含有一个隐含层的三层BP网络结构进行建模。

隐含层单元数对神经网络所起的作用相当于光学中的分光镜，它们将混杂于输入信号中的相互独立的基本信号分离出来，再组合出输出向量，以实现网络由输入向输出的映射。取BP网络的输入点数为6，函数均方差目标为0.01，选择训练集和测试集样本的平均绝对误差和所建立数学模型的相关系数作为网络评价标准，改变BP网络的隐含层单元个数，最大训练次数为2000次，观察不同的隐含层单元数对网络性能的影响。

表3不同隐含层单元数BP网络模型的平均绝对误差和相关系数

表3为不同隐含层单元数BP网络模型的平均绝对误差和相关系数，表中MAE1为训练集样本的平均绝对误差；MAE2为测试集样本的平均绝对误差。二者误差同时达到最小，所建立的BP网络模型对未知样品才具有最佳的预测能力。从表3中可以看到，训练样本的MAE1随着隐含层单元的增加略有下降，在隐含层单元数为11时达到最小；对于测试样本，当隐含层单元数为9时，网络对测试样本的MAE2为最小；而模型相关系数在隐含层单元数为10时最大。说明隐含层单元数为10时，网络具有较强的测试样本分辨精度及相当的泛化能力。因此，本发明选择隐含层单元数为10的BP网络结构。

6)利用多特征模型检测油菜是否发生水分胁迫。

将96株不同水分处理的油菜样本中的60个作为训练集样本，另外36个作为测试集样本，将主成分分析的6个输出变量作为BP网络的输入节点；采用单隐含层的3层网络结构，隐含层单元数为10；选择学习速率为0.47，学习误差为0.01，最大训练次数为2000次建立油菜含水率多特征模型。附图8是对同时获取的36个样本利用多特征模型对油进行预测的结果。预测值与实测值的平均绝对误差为3.33％，相关系数R为0.93，均方差为3.91。

前期利用单一特征模型进行油菜水分胁迫检测时，油菜含水率光谱、图像和冠层温度特征模型的预测值与实测值的相关系数R分别为0.84、0.83和0.81；均方差分别为6.33、4.52和5.27。说明油菜含水率多特征BP网络模型的预测精度较单一检测方法有明显提高。通过不同环境适应性的比较分析，表明本发明由于采用的环境误差修正环节，环境适应性显著增强。因此，采用多特征融合技术，可以充分利用油菜冠层的反射光谱、多光谱图像和冠层温度特征，有效地提高油菜含水率的预测精度，实现对油菜含水率的定量评价，进而实现对油菜水分胁迫的诊断，灌溉决策提供科学依据。

Claims (1)

1.一种油菜水分胁迫的无损检测方法，其特征在于：按照下述步骤进行：

(1)多特征信息采集；利用多光谱成像仪、光谱仪和红外热成像仪，采集油菜冠层的可见光-近红外多光谱图像、反射光谱和冠层温度分布热成像信息；利用光照、温湿度传感器检 测油菜冠层光强和环境温湿度信息；

(2)多特征分类提取； ①利用图像融合运算，提取多光谱图像的均值、归一化比值特征和分量均值特征；②利用分段逐步回归的方法提取油菜含水率的反射光谱特征波长；③提取 冠层的红外热成像温度分布信息和环境温湿度信息，并求得冠气温差和大气饱和水汽压，建 立冠气温差模型，进而得到油菜的水分胁迫指数特征；

(3)特征参数的误差修正； 利用冠层光强修正油菜冠层光谱反射率特征参数；

(4)主成分分析；将油菜冠层多光谱图像、反射光谱和冠层温度分 布热成像等多特征数据作为输入进行主成分分析，提取最优变量作为BP神经网络的输入层 参数，即作为油菜含水率多特征模型的输入变量；

(5)多特征模型的建立；利用三层BP神经网络建立油菜含水率的多特征检测模型，按照以下步骤进行①将主成分分析的输出变量作为BP神经网络的输入；②通过对不同隐含层单元数BP网络模型的平均绝对误差和相关系数分析得到隐含层的单元数；③选择网络的输入节点数为6；采用单隐含层的3层网络结构，隐含层单元数为10；训练的学习速率为0.47，学习误差为0.01，最大训练次数为2000次对样本进行训练，建立油菜含水率多特征模型；④利用样本采集时同时获取的36个样本的数据，对油菜含水率多特征模型进行验证；

(6)利用多特征模型检测油菜含水率并判断是否发生水分胁迫。