CN108519339A - 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 - Google Patents

一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 Download PDF

Info

Publication number
CN108519339A
CN108519339A CN201810253782.8A CN201810253782A CN108519339A CN 108519339 A CN108519339 A CN 108519339A CN 201810253782 A CN201810253782 A CN 201810253782A CN 108519339 A CN108519339 A CN 108519339A
Authority
CN
China
Prior art keywords
leaf
data
lssvr
cadmium
cadmium content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810253782.8A
Other languages
English (en)
Other versions
CN108519339B (zh
Inventor
孙俊
周鑫
武小红
戴春霞
沈继锋
杨宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Shenzhen Dragon Totem Technology Achievement Transformation Co ltd
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201810253782.8A priority Critical patent/CN108519339B/zh
Publication of CN108519339A publication Critical patent/CN108519339A/zh
Application granted granted Critical
Publication of CN108519339B publication Critical patent/CN108519339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/3103—Atomic absorption analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了，一种基于小波变换‑偏最小二乘支持向量机回归(WT‑LSSVR)的叶片镉含量可见光‑近红外光谱(Vis‑NIR)特征建模方法，对不同浓度重金属镉胁迫下番茄叶片的可见光‑近红外光谱(Vis‑NIR)进行有效的光谱敏感波段数据提取，以及采用原子吸收光谱法测定叶片中重金属镉(Cd)含量，获得叶片重金属镉含量标签集合，并利用提取得到的敏感特征波长采用WT‑LSSVR特征建模算法，完成叶片镉含量Vis‑NIR光谱特征建模，具有检测速度快，镉含量预测精度高，镉含量预测效率高，对叶片不造成损坏等优点，可实现同一品种番不同镉残留含量的定量检测，以及未知叶片镉残留含量预测。

Description

一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法
技术领域
本发明属于植物检测领域，,尤其涉及一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法。
背景技术
绿色蔬菜是世界上消费最丰富的作物之一，含有丰富的抗氧化剂，如维生素C、维生素E、多酚和类胡萝卜素等。相关的试验研究表明，维生素C在人体健康中起着重要作用，包括提升人体免疫能力和降低阿尔茨海默病的发病率。此外，经常食用绿色蔬菜将提升人体对于包括癌症、心血管和脑血管等疾病的抵抗力。正常条件下，作物的生长与土壤环境密切相关。重金属镉(Cd)污染胁迫是土壤种植危害中较大的一个农业问题，在作物相关信息检测中得到了深入研究。虽然重金属镉(Cd)不是作物生长的必需元素，但其容易在作物体内蓄积，对作物构成潜在危害。此外，镉(Cd)通过食物链进入人体后，很难被人体排出体外而易于蓄积于人体的肝、肾组织中，使得肾脏吸收功能不全，轻则恶心呕吐、全身乏力，重则引起骨质酥松、骨骼病变，诱发骨癌以及心血管疾病等。因此，在不同镉胁迫下叶片生长过程中重金属含量的检测是十分必要的。
高光谱成图像技术是一种新兴的平台技术，它将传统的光谱学和成像技术结合起来，从而实现从检测样品中获得光谱和空间信息。不同镉浓度胁迫下，将产生叶片的生长抑制作用，叶绿素含量下降等影响。可见光-近红外高光谱图像技术能有效的反映了作物叶片内部色素和细胞结构的变化。为此，可见光-近红外高光谱成像技术可用于叶片中镉的检测。由于高光谱图像的噪声干扰，在分析高光谱图像数据时需要适当的去噪算法。此外，为了更方便地找到光谱值与预测值之间的关系，需要找到一种合适的特征选择和定量建模方法。
小波分析是一种变分辨率的时频分析方法。在分析低频信号时，其时间窗很大；而分析高频信号时，其时间窗较小。这恰恰符合实际问题中高频信号持续时间短，低频信号持续时间长的自然规律。为此，小波变换被广泛应用于信号处理、图像处理、模式识别以及数据压缩等领域。小波变换分析光谱时，其能够通过一个较强的光谱振荡来确定不同位置的光谱区域特征。小波多尺度变换分解所产生的高频细节部分能有效的反应物质的敏感波段，而低频逼近部分可以平滑由局部振荡所产生的噪声。小波变换分析本身不能够实现对原始信号的特征提取。通常情况下，小波变换分析使用特征提取策略，来实现光谱特征选择。
目前，小波变换算法在光谱信息处理研究主要集中在光谱数据敏感波段选取方面。比如：中国发明专利申请号为CN 201410744881.8、名为“基于小波变换的近红外光谱有用信息分辨方法”中指出了一种基于小波变换的近红外光谱有用信息分辨方法，利用UVA-PLS方法对信号进行选择，构建预测模型。中国发明专利申请号为CN 201510206549.0、名为“基于3-D小波变换和稀疏张量的高光谱图像特征抽取方法”中指出了一种基于3-D小波变换和稀疏张量的高光谱图像特征抽取方法，通过稀疏张量判别方法实现特征稀疏化。但是采用上述两个发明专利算法存在未进行深层次算法嵌合，并且所建立的模型随机性较大等问题。
发明内容
本发明为了克服现有技术的不足与缺陷，提出了一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，目的在于提供一种检测速度快、精度高、对作物叶片不会造成破坏的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法。
本发明解决其技术问题所采用的技术方案是：
一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，包括以下步骤：
步骤1，采用可见光-近红外高光谱图像采集系统，采集不同浓度重金属镉胁迫下的叶片Vis-NIR高光谱图像信息；
步骤2，在所采集的叶片Vis-NIR高光谱图像信息中获取叶片感兴趣区域可见光-近红外光谱信息；
步骤3，采用二阶导数法，对获取的叶片感兴趣区域可见光-近红外光谱信息预处理，获得光谱数据集合P；
步骤4，采用原子吸收光谱法测定叶片中重金属镉(Cd)含量，获得叶片重金属镉含量标签集合V；
步骤5，采用WT-LSSVR特征建模算法，完成叶片镉含量Vis-NIR光谱特征建模。
进一步，所述步骤5中WT-LSSVR特征建模算法对叶片镉含量Vis-NIR光谱特征建模包括以下步骤：
步骤5.1，输入预处理后光谱数据集合P＝{(x1,y1),(x2,y2),...,(xm,yn)}，以及叶片重金属镉含量标签集合V＝{(p1,v1),(p2,v2),...,(pn,vn)}；其中，xi∈X,yi∈Y,pi∈P,vi∈V,xi为某个叶片样本光谱波长，yi为叶片样本光谱反射值，X为叶片样本光谱波长集合，Y为叶片样本光谱反射值集合，pn为某一个叶片样本，vn为某一个叶片重金属镉含量，m表示光谱波段数，n为叶片样本总数，i＝1,2,3,...,n。
步骤5.2，对预处理后光谱数据集合P进行小波七层分解，采用db4(Daubechies 4)作为小波基函数，将光谱数据集合P小波七层分解得到的高频组分和低频组分数据分别放在数据集合D和数据集合L中；D＝{(x1,d1),(x2,d2),...,(x7,d7)},L＝{(x1,l1),(x2,l2),...,(x7,l7)},xi∈X,di∈cD,li∈cL,i＝1,2,3,...,7，di为某小波分解层下高频组分，li为某小波分解层下低频组分。cD和cL分别表示不同小波分解层下高频组分和低频组分。令数据集合T＝{(d1,l1),(d2,l2),...,(d7,l7)},其中，T中某一个数据集合表示为Ti＝{(di,li)},i＝1,2,3,...,7；
步骤5.3，采用蒙特卡洛算法循环提取不同小波分解层的特征波长数据；具体过程为：
步骤5.3.1，设定最大循环次数为rmax＝2500，循环次数记为r，0≤r≤rmax，将数据集合Ti的75％数据分配给训练集合TCi，TCi＝{(dci,lci)},i＝1,2,3,...,7；Ti中剩余的25％数据将分配给预测集合TPi，TPi＝{(dpi,lpi)},i＝1,2,3,...,7；其中，dci，lci分别为训练集合TCi中小波i层分解的低频组分和高频组分，dpi,lpi分别为预测集合TPi中小波i层分解的低频组分和高频组分；
步骤5.3.2，采用五折交叉验证法从数据集合TCi中获取交叉验证集合TVi，TVi＝{(dcvi,lcvi)},i＝1,2,3,...,7；其中，训练集合TCi、交叉验证集合TVi和预测集合TPi样本数分别为n1、n2和n3，n＝n1+n3，n1＝n2×5，dcvi,lcvi分别为交叉验证集合TVi中小波i层分解的低频组分和高频组分；
步骤5.3.3，根据叶片重金属镉含量标签集合V依次获取训练集合VCi(n1×1)、交叉验证集合VCVi(n2×1)和预测集合样本镉含量标签VPi(n3×1)；
步骤5.3.4，采用最小二乘法(LS)对训练集合中dci进行处理得到的回归系数，并通过比较回归系数的绝对值获得特征波长，并将特征波长数据放置在矩阵集合CWi中。
步骤5.4，对选取步骤5.3的特征波长数据进行评估；具体过程如下：
步骤5.4.1，从集合lci、lcvi和lpi分别提取特征波长对应的小波七层分解对应的低频组分数据放入集合CSi、VSi和PSi中，i＝1,2,3,...,7，集合CSi、VSi和PSi分别作为LSSVR模型的训练集合、交叉验证集合和预测集合，数据集合VCi(n1×1)、VCVi(n2×1)和VPi(n3×1)依然作为训练集合、交叉验证集合和预测集合中样本镉含量标签；
步骤5.4.2，采用径向基函数RBF作为LSSVR核函数，惩罚因子C为：
径向基函数RBF为：
其中，和σy分别为训练集的平均值和标准偏差；K(x,xi)为径向基函数RBF；x为交叉验证集或预测集的数据、xi和p分别为训练集数据和宽度参数。
步骤5.4.3，分别计算训练集合、交叉验证集合和预测集合相关系数R2和均方根误差RMSE，其中，n为样本数；yk和分别表示第k个样本实际测量值和LSSVR模型评估值；是实测值的平均值，k的取值范围为1,2,3,...,n。
步骤5.5，循环次数增加，循环次数r＝r+1，如果满足条件或(r>rmax)则循环结束，计算终止；否则，继续步骤5.3，其中，和分别表示第r和r-1次循环预测集相关系数。
进一步，所述步骤2中获取叶片感兴趣区域可见光-近红外光谱信息的方法为：
将整个叶片作为感兴趣区域(ROI，region of interest)，设定二值化分割阈值为1.6，利用反射值大的波长图像与反射值小的波长图像作比，对作比后图像进行阈值分割获取淹模图像，通过对淹模图像去除背景后获取整个叶片感兴趣区域光谱信息。
进一步，所述步骤3中，二阶导数法计算公式为：其中A为叶片样本光谱反射值，λ为叶片样本光谱波长。
进一步，所述步骤4中，叶片重金属镉含量计算公式为：其中X为试样中镉含量；c1为试样消化液中镉含量；c0为空白液中镉含量；V为试样消化液定容总体积；m为试样质量或体积；1000为换算系数。
本发明的有益效果：
本发明是在提取不同镉胁迫叶片Vis-NIR高光谱图像信息基础上，通过淹模图像获取整个叶片感兴趣区域光谱，利用WT-LSSVR算法完成叶片镉含量Vis-NIR光谱特征建模，具有检测速度快，精度高，定量检测效果好，对待检测物不造成破坏的优点，可实现作物叶片重金属镉胁迫定量检测，为重金属镉胁迫梯度诊断提供可靠的技术保障。
附图说明
图1是基于WT-LSSVR的番茄叶片镉含量Vis-NIR光谱特征建模方法的流程图；
图2是叶片感兴趣区域Vis-NIR光谱图；
图3是叶片感兴趣区域Vis-NIR光谱数据二阶导预处理后光谱图；
图4是WT-LSSVR算法特征建模预测集数据示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
如图1所示，本实施例以番茄叶片作为例子阐述，对番茄叶片中重金属镉含量定量检测，采用的技术方案如下：
(1)培育试验在Venlo型温室大棚内进行番茄的无土栽培，以便获取较纯正的实验样本，番茄样本拟选用红粉1号。番茄种子首先在营养基质槽中进行育苗，在幼苗3叶期前采用营养液培养，营养液按照日本山崎配方进行配置，待长出新叶后选取长势较好且一致的番茄幼苗移植于珍珠岩固体基质中，1周之后进行镉胁迫处理。营养液中的Cd以CdCl2形式加入，镉浓度梯度设置为0mg/L(CK)、0.2mg/L、0.5mg/L、1mg/L、2mg/L、5mg/L、10mg/L，每个处理8次重复。培养期间每天用HCl或NaOH调节营养体系以稳定PH值，每4d更换一次营养液并保持连续通气。于幼苗期(7-8片叶)，采集相同位置的叶片用于Vis-NIR高光谱图像采集试验。
(2)获取番茄叶片感兴趣区域可见光-近红外光谱信息。将整个番茄叶片作为感兴趣区域(ROI，region of interest)，利用反射值较大的波长(546.55nm)图像与反射值较小的波长(687.06nm)图像作比，设定二值化分割阈值为1.6，对作比后图像进行阈值分割获取淹模图像，最后通过淹模图像获取去除背景后整个番茄叶片感兴趣区域光谱如图2所示。
(3)采用原子吸收光谱法(AAS，atomic absorption spectrometry)测定番茄叶片中重金属镉(Cd)含量，参照国家标准GB5009.15-2014，番茄叶片重金属镉含量计算公式为：其中X为试样中镉含量；c1为试样消化液中镉含量；c0为空白液中镉含量；V为试样消化液定容总体积；m为试样质量或体积；1000为换算系数。
得到番茄叶片重金属镉含量检测结果如表1所示：
表1原子吸收光谱法测定样品中镉含量
(4)番茄叶片感兴趣区域可见光-近红外光谱信息预处理。采用二阶导数法，二阶导数法计算公式为：其中A为番茄叶片样本光谱反射值，λ为番茄叶片样本光谱波长。对番茄叶片感兴趣区域可见光-近红外光谱信息进行有效预处理，预处理光谱图如图3所示。
(5)采用WT-LSSVR特征建模算法，完成番茄叶片镉含量Vis-NIR光谱特征建模，包括以下步骤：
S1，输入预处理后光谱数据集合P＝{(x1,y1),(x2,y2),...,(xm,yn)}，以及番茄叶片重金属镉含量标签集合V＝{(p1,v1),(p2,v2),...,(pn,vn)}；其中，xi∈X,yi∈Y,pi∈P,vi∈V,xi为某个番茄叶片样本光谱波长，yi为番茄叶片样本光谱反射值，X为番茄叶片样本光谱波长集合，Y为番茄叶片样本光谱反射值集合，pn为某一个番茄叶片样本，vn为某一个番茄叶片重金属镉含量，m表示光谱波段数，n为番茄叶片样本总数，i＝1,2,3,...,n。
S2，对预处理后光谱数据集合P进行小波七层分解，采用db4(Daubechies 4)作为小波基函数，将光谱数据集合P小波七层分解得到的高频组分和低频组分数据分别放在数据集合D和数据集合L中；D＝{(x1,d1),(x2,d2),...,(x7,d7)},L＝{(x1,l1),(x2,l2),...,(x7,l7)},xi∈X,di∈cD,li∈cL,i＝1,2,3,...,7，di为某小波分解层下高频组分，li为某小波分解层下低频组分。cD和cL分别表示不同小波分解层下高频组分和低频组分。令数据集合T＝{(d1,l1),(d2,l2),...,(d7,l7)},其中，T中某一个数据集合表示为Ti＝{(di,li)},i＝1,2,3,...,7；
S3，采用蒙特卡洛算法循环提取不同小波分解层的特征波长数据；具体过程为：
S3.1，设定最大循环次数为rmax＝2500，循环次数记为r，0≤r≤rmax，将数据集合Ti的75％数据分配给训练集合TCi，TCi＝{(dci,lci)},i＝1,2,3,...,7；Ti中剩余的25％数据将分配给预测集合TPi，TPi＝{(dpi,lpi)},i＝1,2,3,...,7；其中，dci，lci分别为训练集合TCi中小波i层分解的低频组分和高频组分，dpi,lpi分别为预测集合TPi中小波i层分解的低频组分和高频组分；
S3.2，采用五折交叉验证法从数据集合TCi中获取交叉验证集合TVi，TVi＝{(dcvi,lcvi)},i＝1,2,3,...,7；其中，训练集合TCi、交叉验证集合TVi和预测集合TPi样本数分别为n1、n2和n3，n＝n1+n3，n1＝n2×5，dcvi,lcvi分别为交叉验证集合TVi中小波i层分解的低频组分和高频组分；
S3.3，根据番茄叶片重金属镉含量标签集合V依次获取训练集合VCi(n1×1)、交叉验证集合VCVi(n2×1)和预测集合样本镉含量标签VPi(n3×1)；
S3.4，采用最小二乘法(LS)对训练集合中dci进行处理得到的回归系数，并通过比较回归系数的绝对值获得特征波长，并将特征波长数据放置在矩阵集合CWi中。
S4，对选取步骤S3的特征波长数据进行评估；
步骤S4.1，从集合lci、lcvi和lpi分别提取特征波长对应的小波七层分解对应的低频组分数据放入集合CSi、VSi和PSi中，i＝1,2,3,...,7，集合CSi、VSi和PSi分别作为LSSVR模型的训练集合、交叉验证集合和预测集合，数据集合VCi(n1×1)、VCVi(n2×1)和VPi(n3×1)依然作为训练集合、交叉验证集合和预测集合中样本镉含量标签；
步骤S4.2，采用径向基函数RBF作为LSSVR核函数，惩罚因子C为：
核函数半径G为：
其中，和σy分别为训练集的平均值和标准偏差；K(x,xi)为径向基函数RBF；x为交叉验证集或预测集的数据、xi和p分别为训练集数据和宽度参数。
步骤S4.3，分别计算训练集合、交叉验证集合和预测集合相关系数R2和均方根误差RMSE，其中，n为样本数；yk和分别表示第k个样本实际测量值和LSSVR模型评估值；是实测值的平均值，k的取值范围为1,2,3,...,n。
步骤S5，循环次数增加，循环次数r＝r+1，如果满足条件或(r>rmax)则循环结束，计算终止；否则，继续步骤5.3，其中，和分别表示第r和r-1次循环预测集相关系数。
利用WT-LSSVR算法完成番茄叶片镉含量Vis-NIR光谱特征建模，提取得到的特征波长如表2所示:
表2WT-LSSVR算法选取得到的敏感波段
所建立模型的预测集番茄叶片镉含量预估结果如图4所示,可以看出小波基函数db4所分解得到的敏感波段建立的番茄叶片镉含量预测模型预测集相关系数为0.8919，均方根误差为0.2514，获得了较好的预测效果。
本发明的基于WT-LSSVR的番茄叶片镉含量Vis-NIR光谱特征建模方法同样适用于其他作物叶片重金属镉含量光谱检测，例如生菜、油菜等。不同重金属镉浓度胁迫下这些作物叶片中将形成一些富含N-H和O-H有机物(碳水化合物、氨基酸、蛋白质、多酚等)、以及叶细胞膜过氧化程度加深以增强叶片对镉的抗逆性，为此Vis-NIR光谱能有效表征作物叶片中重金属镉含量，本发明可以适用于作物叶片Vis-NIR光谱特征建模。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (8)

1.一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法,其特征在于，包括以下步骤：
步骤1，采用可见光-近红外高光谱图像采集系统，采集不同浓度重金属镉胁迫下的叶片Vis-NIR高光谱图像信息；
步骤2，在所采集的叶片Vis-NIR高光谱图像信息中获取叶片感兴趣区域可见光-近红外光谱信息；
步骤3，采用二阶导数法，对获取的叶片感兴趣区域可见光-近红外光谱信息预处理，获得光谱数据集合P；
步骤4，采用原子吸收光谱法测定叶片中重金属镉(Cd)含量，获得叶片重金属镉含量标签集合V；
步骤5，采用WT-LSSVR特征建模算法，完成叶片镉含量Vis-NIR光谱特征建模。
2.根据权利要求1所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤5中WT-LSSVR特征建模算法对叶片镉含量Vis-NIR光谱特征建模包括以下步骤：
步骤5.1，输入预处理后光谱数据集合P＝{(x1,y1),(x2,y2),...,(xm,yn)}，以及叶片重金属镉含量标签集合V＝{(p1,v1),(p2,v2),...,(pn,vn)}；其中，xi∈X,yi∈Y,pi∈P,vi∈V,xi为某个叶片样本光谱波长，yi为叶片样本光谱反射值，X为叶片样本光谱波长集合，Y为叶片样本光谱反射值集合，pn为某一个叶片样本，vn为某一个叶片重金属镉含量，m表示光谱波段数，n为叶片样本总数，i＝1,2,3,...,n。
步骤5.2，对预处理后光谱数据集合P进行小波七层分解，采用db4作为小波基函数，将光谱数据集合P小波七层分解得到的高频组分和低频组分数据分别放在数据集合D和数据集合L中；D＝{(x1,d1),(x2,d2),...,(x7,d7)},L＝{(x1,l1),(x2,l2),...,(x7,l7)},xi∈X,di∈cD,li∈cL,i＝1,2,3,...,7，di为某小波分解层下高频组分，li为某小波分解层下低频组分。cD和cL分别表示不同小波分解层下高频组分和低频组分。令数据集合T＝{(d1,l1),(d2,l2),...,(d7,l7)},其中，T中某一个数据集合表示为Ti＝{(di,li)},i＝1,2,3,...,7；
步骤5.3，采用蒙特卡洛算法循环提取不同小波分解层的特征波长数据；
步骤5.4，对选取步骤5.3的特征波长数据进行评估；
步骤5.5，循环次数增加，循环次数r＝r+1，如果满足条件或(r>rmax)则循环结束，计算终止；否则，继续步骤5.3，其中，和分别表示第r和r-1次循环预测集相关系数。
3.根据权利要求2所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤5.3中提取不同小波分解层的特征波长数据的方法为：
步骤5.3.1，设定最大循环次数为rmax＝2500，循环次数记为r，0≤r≤rmax，将数据集合Ti的75％数据分配给训练集合TCi，TCi＝{(dci,lci)},i＝1,2,3,...,7；Ti中剩余的25％数据将分配给预测集合TPi，TPi＝{(dpi,lpi)},i＝1,2,3,...,7；其中，dci，lci分别为训练集合TCi中小波i层分解的低频组分和高频组分，dpi,lpi分别为预测集合TPi中小波i层分解的低频组分和高频组分；
步骤5.3.2，采用五折交叉验证法从数据集合TCi中获取交叉验证集合TVi，TVi＝{(dcvi,lcvi)},i＝1,2,3,...,7；其中，训练集合TCi、交叉验证集合TVi和预测集合TPi样本数分别为n1、n2和n3，n＝n1+n3，n1＝n2×5，dcvi,lcvi分别为交叉验证集合TVi中小波i层分解的低频组分和高频组分；
步骤5.3.3，根据叶片重金属镉含量标签集合V依次获取训练集合VCi、交叉验证集合VCVi和预测集合样本镉含量标签VPi；
步骤5.3.4，采用最小二乘法(LS)对训练集合中dci进行处理得到的回归系数，并通过比较回归系数的绝对值获得特征波长，并将特征波长数据放置在矩阵集合CWi中。
4.根据权利要求3所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤5.4中特征波长数据进行评估方法为：
步骤5.4.1，从集合lci、lcvi和lpi分别提取特征波长对应的小波七层分解对应的低频组分数据放入集合CSi、VSi和PSi中，i＝1,2,3,...,7，集合CSi、VSi和PSi分别作为LSSVR模型的训练集合、交叉验证集合和预测集合，数据集合VCi(n1×1)、VCVi(n2×1)和VPi(n3×1)依然作为训练集合、交叉验证集合和预测集合中样本镉含量标签；
步骤5.4.2，采用径向基函数RBF作为LSSVR核函数，惩罚因子C为：
径向基函数RBF为：
其中，和σy分别为训练集的平均值和标准偏差；K(x,xi)为径向基函数RBF；x为交叉验证集或预测集的数据、xi和p分别为训练集数据和宽度参数。
步骤5.4.2，分别计算训练集合、交叉验证集合和预测集合相关系数R2和均方根误差RMSE，其中，n为样本数；yk和分别表示第k个样本实际测量值和LSSVR模型评估值；是实测值的平均值，k的取值范围为1,2,3,...,n。
5.根据权利要求1所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤2中获取叶片感兴趣区域可见光-近红外光谱信息的方法为：
将整个叶片作为感兴趣区域，利用反射值大的波长图像与反射值小的波长图像作比，对作比后图像进行阈值分割获取淹模图像，通过对淹模图像去除背景后获取整个叶片感兴趣区域光谱信息。
6.根据权利要求5所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤2中设定二值化分割阈值为1.6。
7.根据权利要求1所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤3中，二阶导数法计算公式为：其中A为叶片样本光谱反射值，λ为叶片样本光谱波长。
8.根据权利要求1所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤4中，叶片重金属镉含量计算公式为：其中X为试样中镉含量；c1为试样消化液中镉含量；c0为空白液中镉含量；V为试样消化液定容总体积；m为试样质量或体积；1000为换算系数。
CN201810253782.8A 2018-03-26 2018-03-26 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 Active CN108519339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810253782.8A CN108519339B (zh) 2018-03-26 2018-03-26 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810253782.8A CN108519339B (zh) 2018-03-26 2018-03-26 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法

Publications (2)

Publication Number Publication Date
CN108519339A true CN108519339A (zh) 2018-09-11
CN108519339B CN108519339B (zh) 2020-07-31

Family

ID=63434378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810253782.8A Active CN108519339B (zh) 2018-03-26 2018-03-26 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法

Country Status (1)

Country Link
CN (1) CN108519339B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109916845A (zh) * 2019-01-18 2019-06-21 武汉大学 基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置
CN110132865A (zh) * 2019-04-03 2019-08-16 江苏大学 基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法
CN111912793A (zh) * 2020-08-21 2020-11-10 河南农业大学 利用高光谱测量烟草中镉含量的方法及预测模型的建立
CN112748085A (zh) * 2020-12-22 2021-05-04 湖南省水稻研究所 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法
CN114018864A (zh) * 2021-11-10 2022-02-08 黑龙江八一农垦大学 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法
CN114359544A (zh) * 2021-12-27 2022-04-15 江苏大学 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867960A (zh) * 2010-06-08 2010-10-20 江苏大学 一种无线传感器网络性能综合评价方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867960A (zh) * 2010-06-08 2010-10-20 江苏大学 一种无线传感器网络性能综合评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIANGRONG ZHU等: "Detection of adulterants such as sweeteners materials in honey using near-infrared spectroscopy and chemometrics", 《JOURNAL OF FOOD ENGINEERING》 *
张双印等: "基于成像高光谱数据的温室水稻重金属胁迫诊断研究", 《安徽农业科学》 *
赖燕华: "液相色谱和光谱法结合化学计量学用于中药指纹图谱研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
顾艳文等: "基于光谱参数对小白菜叶片镉含量的高光谱估算", 《生态学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109916845A (zh) * 2019-01-18 2019-06-21 武汉大学 基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置
CN110132865A (zh) * 2019-04-03 2019-08-16 江苏大学 基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法
CN110132865B (zh) * 2019-04-03 2021-09-10 江苏大学 基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法
CN111912793A (zh) * 2020-08-21 2020-11-10 河南农业大学 利用高光谱测量烟草中镉含量的方法及预测模型的建立
CN112748085A (zh) * 2020-12-22 2021-05-04 湖南省水稻研究所 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法
CN114018864A (zh) * 2021-11-10 2022-02-08 黑龙江八一农垦大学 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法
CN114018864B (zh) * 2021-11-10 2022-09-16 黑龙江八一农垦大学 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法
CN114359544A (zh) * 2021-12-27 2022-04-15 江苏大学 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法
CN114359544B (zh) * 2021-12-27 2024-04-12 江苏大学 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法

Also Published As

Publication number Publication date
CN108519339B (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN108519339B (zh) 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法
Chen et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data
Ren et al. Using near-infrared hyperspectral imaging with multiple decision tree methods to delineate black tea quality
Bauriegel et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging
Chen et al. Estimation of the nitrogen concentration of rubber tree using fractional calculus augmented NIR spectra
Hong et al. Hyperspectral imaging using multivariate analysis for simulation and prediction of agricultural crops in Ningxia, China
Yang et al. Multispectral image based germination detection of potato by using supervised multiple threshold segmentation model and Canny edge detector
Paymode et al. Tomato leaf disease detection and classification using convolution neural network
CN112287886A (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN110132865B (zh) 基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法
Shao et al. In-field and non-invasive determination of internal quality and ripeness stages of Feicheng peach using a portable hyperspectral imager
CN115861629A (zh) 一种高分耕地影像提取方法
Yang et al. Classification of sugar beets based on hyperspectral and extreme learning machine methods
Mayuri et al. ROLE OF IMAGE PROCESSING AND MACHINE LEARNING TECHNIQUES IN DISEASE RECOGNITION, DIAGNOSIS AND YIELD PREDICTION OF CROPS: A REVIEW.
Chen et al. Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning
Fan et al. Non-destructive detection of single-seed viability in maize using hyperspectral imaging technology and multi-scale 3D convolutional neural network
Ma et al. Spectral difference analysis and identification of different maturity blueberry fruit based on hyperspectral imaging using spectral index
Yuan et al. In-field and non-destructive determination of comprehensive maturity index and maturity stages of Camellia oleifera fruits using a portable hyperspectral imager
Zhang et al. Evaluating maize grain quality by continuous wavelet analysis under normal and lodging circumstances
Chen et al. The Application of Optical Nondestructive Testing for Fresh Berry Fruits
Liu et al. Visual discrimination of citrus HLB based on image features
CN116151454A (zh) 一种多光谱无人机预测矮林芳樟精油产量的方法及系统
Zhang et al. Impact of spectral interval on wavelet features for detecting wheat yellow rust with hyperspectral data
Zhang et al. Stratified diagnosis of cotton canopy spectral characteristics based on CWT-SPA and its relationship with moisture, nitrogen, and SPAD values
Cao et al. Detection of waterlogging stress based on hyperspectral images of oilseed rape leaves (Brassica napus L.)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231026

Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231026

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University