CN109696407B - 一种基于特征波长的椰糠基质有效氮光谱检测方法 - Google Patents

一种基于特征波长的椰糠基质有效氮光谱检测方法 Download PDF

Info

Publication number
CN109696407B
CN109696407B CN201910055761.XA CN201910055761A CN109696407B CN 109696407 B CN109696407 B CN 109696407B CN 201910055761 A CN201910055761 A CN 201910055761A CN 109696407 B CN109696407 B CN 109696407B
Authority
CN
China
Prior art keywords
spectrum
spectral data
coconut husk
coconut
effective nitrogen
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.)
Active
Application number
CN201910055761.XA
Other languages
English (en)
Other versions
CN109696407A (zh
Inventor
汤修映
鲁兵
刘霓虹
胡灿
董俊
李惠玲
熊征
李苇
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN201910055761.XA priority Critical patent/CN109696407B/zh
Publication of CN109696407A publication Critical patent/CN109696407A/zh
Application granted granted Critical
Publication of CN109696407B publication Critical patent/CN109696407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/34—Purifying; Cleaning
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于设施农业快速光学检测技术领域，涉及一种基于特征波长的椰糠基质有效氮光谱检测方法，包括如下步骤：S1、椰糠基质样本前处理；S2、光谱数据采集；S3、椰糠基质样本有效氮含量的理化值测定；S4、用Savitzky‑Golay平滑对光谱数据预处理；S5、用Kennard‑Stone算法对光谱数据分组；S6、用SPA从256个波长中筛选31个特征波长；S7、提取31个特征波长下的椰糠基质样本光谱数据；S8、将提取的光谱数据与测定的理化值对应，并根据步骤S5中的分组，形成校正集和验证集；S9、利用校正集建立MLR模型，利用验证集进行模型预测性能检验；S10、运用MLR模型对有效氮含量未知的椰糠基质进行光谱检测。该方法可实现椰糠基质有效氮的快速定量检测，模型极简有效，系统运算速度快。

Description

一种基于特征波长的椰糠基质有效氮光谱检测方法
技术领域
本发明属于设施农业快速光学检测技术领域，涉及一种基于特征波长的椰糠基质有效氮光谱检测方法。
背景技术
椰糠是椰子的纤维粉末，是椰子外壳纤维加工过程中产生的一种纯天然有机介质。经过脱盐等处理后的椰糠具有蓄肥和保水能力强，颗粒间孔隙度适宜和透气性好等特点，被公认为天然泥炭的最佳替代品。随着市场需求的不断增大和天然泥炭储备量的不断减少，椰糠基质作为一种可再生基质，广泛应用于我国设施农业技术领域中的无土栽培。
随着精细农业理念的提出，要求运用各种先进的检测手段对种植环境中的水分和肥分等各种生长环境指标进行检测，并根据检测指标含量对环境进行科学合理的控制，以实现植物的最佳生长环境。氮素是植物种植环境中十分重要的肥分指标，其含量决定了植物的生长状态。在设施农业生产中，由于椰糠基质氮肥快速检测技术的缺乏和传统化学分析方法对于椰糠基质氮肥检测难以满足其对指导施肥的实时性要求，普遍采用增施超过作物营养需求的氮肥来保障产量和经济效益。因此，对设施农业中普遍使用的椰糠基质进行氮肥检测，再根据椰糠基质中的实际肥分含量和作物的营养需求进行精准施肥，对于提高农业化肥的利用率和减少因氮肥过量增施而引起的农业面源污染有重要意义。
近红外光谱作为一种快速无损的光学检测技术，广泛应用于农业领域。但是在近红外光谱检测的过程中，光谱数据信息量大，对光谱数据分析设备的运行计算速度要求较高。因此，采用数学方法从光谱数据中筛选反映椰糠基质氮含量信息的特征波长，并基于特征波长光谱数据建立椰糠基质有效氮光谱预测模型，对于简化椰糠基质有效氮光谱预测模型和实现椰糠基质有效氮的快速精准检测具有重要意义，也为开发便携式椰糠基质有效氮光谱检测装置奠定基础。
发明内容
针对椰糠基质肥分快速检测技术缺乏的问题，本发明的目的在于：提供一种基于特征波长的椰糠基质有效氮光谱检测方法，基于特征波长的光谱检测椰糠基质有效氮含量的方法，具有快速和对系统运算能力要求低的优点。
为了达到以上目的，本发明采取的技术方案如下：
一种基于特征波长的椰糠基质有效氮光谱检测方法，包括如下步骤：
S1、椰糠基质样本前处理：对椰糠基质样本进行干燥、粉碎和筛选等物理前处理操作，消除椰糠基质样本中的水分和样品不均匀对光谱检测的影响；
S2、光谱数据采集：利用光谱采集系统，通过反射的方式，获取前处理后的椰糠基质样本光谱数据；
S3、对步骤S2中获取光谱数据后的椰糠基质样本采用国家林业标准LY/T 1229-1999中规定的化学分析方法，通过理化实验，测定椰糠基质样本中的有效氮含量；
S4、光谱数据预处理：采用光谱预处理算法进行光谱数据处理；
S5、采用Kennard-Stone算法对光谱数据进行分组；
S6、采用连续投影算法(SPA)，从椰糠基质样本光谱数据中进行特征波长筛选；
S7、根据步骤S6中筛选的特征波长，提取反映椰糠基质样本有效氮含量信息的光谱数据；
S8、利用步骤S5中的分组，将步骤S7提取的反映椰糠基质样本有效氮含量信息的光谱数据与步骤S3通过理化实验测定的椰糠基质样本中的有效氮含量理化值一一对应，形成基于特征波长光谱数据的校正集和验证集；
S9、利用步骤S8的校正集，建立椰糠基质有效氮光谱预测模型，再利用验证集进行光谱预测效果检验；
S10、利用步骤S9建立的椰糠基质有效氮光谱预测模型，对有效氮含量未知的椰糠基质进行光谱快速预测有效氮含量。
在上述技术方案的基础上，所述光谱采集系统以反射方式进行光谱数据采集，光谱采集的波长范围为940～1700nm；
所述光谱采集系统包括：丝杠滑台1、光纤2、两个卤钨灯光源3、两个支撑立杆4、样品室5、检测平台6、暗箱7、直流稳压电源8、光谱仪9、计算机控制单元10和光纤探头11；
所述丝杠滑台1、光纤2、两个卤钨灯光源3、两个支撑立杆4、样品室5、检测平台6、直流稳压电源8、光谱仪9和光纤探头11位于暗箱7内部；
所述检测平台6安装在暗箱7的中部；
在所述检测平台6的上方设有样品室5；
在所述检测平台6的上方、中间的两侧分别设有1个支撑立杆4；
在所述支撑立杆4的顶端安装卤钨灯光源3；
所述卤钨灯光源3的高度可调，所述卤钨灯光源3发射的光倾斜照射到样品室5上，样品室5放置于左右两侧卤钨灯光源3照射的聚焦点上；
所述丝杠滑台1安装在检测平台6上方、暗箱7内部后侧的壁板上；
所述光纤探头11安装在丝杠滑台1上，且光纤探头11位于一竖直线上，所述竖直线通过左右两侧卤钨灯光源3照射的聚焦点；
所述光纤探头11的高度可调；
所述光谱仪9水平安装于暗箱7的底板上，并通过光纤2与光纤探头11连接；
所述直流稳压电源8水平安装于暗箱7的底板上，并通过导线与卤钨灯光源3相连；
所述计算机控制单元10位于暗箱7的外部，并通过数据线与光谱仪9连接；
所述卤钨灯光源3为光谱检测提供光源；
所述样品室5用于：放置椰糠基质样本和椰糠基质；
所述光纤2及光纤探头11用于：接收和传输光信号；
所述光谱仪9用于：光谱数据采集及处理；
所述计算机控制单元10用于：光谱数据采集控制及显示；
所述直流稳压电源8为卤钨灯光源3提供电能；
所述暗箱7用于：形成暗环境，避免外界自然光信号的干扰。
在上述技术方案的基础上，所述检测平台6通过螺栓安装在暗箱7的中部；所述卤钨灯光源3通过螺栓安装在支撑立杆4的顶端；所述两个支撑立杆4的下端通过螺纹连接与检测平台6连接。
在上述技术方案的基础上，步骤S1中，所述干燥、粉碎和筛选分别通过干燥箱、微型粉碎机和标准筛网完成；并将椰糠基质样本干燥至不含自由水状态，粉碎、筛选后的椰糠基质样本颗粒直径≤0.3mm。
在上述技术方案的基础上，步骤S4中，所述光谱数据预处理算法为：Savitzky-Golay平滑预处理，且平滑点数为5。
在上述技术方案的基础上，步骤S6中，采用连续投影算法筛选出31个特征波长，所述31个特征波长分别为：950nm、983nm、1017nm、1178nm、1211nm、1277nm、1317nm、1369nm、1405nm、1418nm、1425nm、1435nm、1445nm、1464nm、1474nm、1484nm、1500nm、1513nm、1532nm、1542nm、1552nm、1561nm、1619nm、1626nm、1632nm、1642nm、1645nm、1648nm、1651nm、1655nm、1661nm。
在上述技术方案的基础上，步骤S7中，所述提取反映椰糠基质样本有效氮含量信息的光谱数据为：从940～1700nm波长范围内提取的步骤S6中筛选出的31个特征波长下的光谱数据。
在上述技术方案的基础上，步骤S9中，所述椰糠基质有效氮光谱预测模型采用的建模方法为多元线性回归MLR。
在上述技术方案的基础上，步骤S10中，所述对有效氮含量未知的椰糠基质进行光谱预测，快速预测有效氮含量，具体包括以下步骤：
S101、对待测椰糠基质前处理；
S102、获取待测椰糠基质940～1700nm波段的光谱数据；
S103、对步骤S102的光谱数据进行Savitzky-Golay平滑预处理，且平滑点数为5；
S104、从步骤S103获得的平滑预处理光谱数据中选取椰糠基质31个特征波长下的光谱数据，并将选取的31个特征波长下的光谱数据代入步骤S9中通过多元线性回归MLR方法建立的椰糠基质有效氮光谱预测模型；
S105、通过椰糠基质有效氮光谱预测模型计算，得出椰糠基质有效氮含量的光谱预测值。
在上述技术方案的基础上，步骤S5中，所述Kennard-Stone算法的分组比例为3:1。
本发明的有益技术效果如下：
本发明所述的一种基于特征波长的椰糠基质有效氮光谱检测方法，采用干燥箱、微型粉碎机和标准筛网分别对椰糠基质样本(椰糠基质样品)进行干燥、粉碎和筛选等前处理操作，消除水分及粒径不均匀对光谱检测的影响；利用光谱采集系统获取前处理椰糠基质样品光谱数据，再利用Savitzky-Golay平滑对光谱数据进行预处理；采用国家林业标准(LY/T 1229-1999)中规定的化学分析方法，测定椰糠基质样品中有效氮成分的理化值；再采用Kennard-Stone算法按照3:1将光谱数据进行分组；运用连续投影算法(SPA)从光谱采集范围为940～1700nm的256个波长变量中，筛选出反映椰糠基质光谱特征的31个特征波长，并利用校正集数据建立基于特征波长的椰糠基质光谱数据与有效氮成分的理化值含量之间的MLR模型，利用建立的MLR模型对椰糠基质有效氮含量进行光谱检测，具有快速和对检测设备运行速度要求较低的优点。
附图说明
本发明有如下附图：
图1为本发明所述基于特征波长椰糠基质有效氮光谱检测方法的流程示意图；
图2为波长-反射率曲线图；
图3为光谱采集系统结构示意图。
附图标记：
1.丝杠滑台，2.光纤，3.卤钨灯光源，4.支撑立杆，5.样品室，6.检测平台，7.暗箱，8.直流稳压电源，9.光谱仪，10.计算机控制单元，11.光纤探头。
具体实施方式
以下结合附图对本发明做进一步详细说明。
如图1所示，本发明所述的一种基于特征波长的椰糠基质有效氮光谱检测方法，包括如下步骤：
S1、对椰糠基质样本进行干燥、粉碎和筛选等物理前处理操作，消除椰糠基质样本中的水分和样品不均匀对光谱检测的影响；
S2、利用光谱采集系统，通过反射的方式，获取前处理后的椰糠基质样本光谱数据；
S3、对步骤S2中获取光谱数据后的椰糠基质样本采用国家林业标准(LY/T 1229-1999)中规定的化学分析方法，通过理化实验，测定椰糠基质样本中的有效氮含量；
S4、采用光谱预处理算法进行光谱数据处理；
S5、采用Kennard-Stone算法对光谱数据进行分组；
S6、采用连续投影算法(SPA)从椰糠基质样本光谱数据中进行特征波长筛选；
S7、根据步骤S6中筛选的特征波长，从940～1700nm波长范围内筛选出31个特征波长下的光谱数据，提取反映椰糠基质样本有效氮含量信息的光谱数据；
S8、利用步骤S5中的分组，将步骤S7提取的反映椰糠基质样本有效氮含量信息的光谱数据与步骤S3通过理化实验测定的椰糠基质样本中的有效氮含量理化值一一对应，形成基于特征波长光谱数据的校正集和验证集；
S9、利用步骤S8的校正集，建立椰糠基质有效氮光谱预测模型，再利用验证集进行光谱预测效果检验；
S10、利用步骤S9建立的椰糠基质有效氮光谱预测模型，对有效氮含量未知的椰糠基质进行光谱快速预测有效氮含量。
如图3所示，所述光谱采集系统以反射方式进行光谱数据采集，光谱采集的波长范围为940～1700nm；
所述光谱采集系统包括：丝杠滑台1、光纤2、两个卤钨灯光源3、两个支撑立杆4、样品室5、检测平台6、暗箱7、直流稳压电源8、光谱仪9、计算机控制单元10和光纤探头11；
所述丝杠滑台1、光纤2、两个卤钨灯光源3、两个支撑立杆4、样品室5、检测平台6、直流稳压电源8、光谱仪9和光纤探头11位于暗箱7内部；
所述检测平台6安装在暗箱7的中部；
在所述检测平台6的上方设有样品室5；
在所述检测平台6的上方、中间的两侧分别设有1个支撑立杆4；
在所述支撑立杆4的顶端安装卤钨灯光源3；
所述卤钨灯光源3的高度可调，所述卤钨灯光源3发射的光倾斜照射到样品室5上，样品室5放置于左右两侧卤钨灯光源3照射的聚焦点上；
所述丝杠滑台1安装在检测平台6上方、暗箱7内部后侧的壁板上；
所述光纤探头11安装在丝杠滑台1上，且光纤探头11位于一竖直线上，所述竖直线通过左右两侧卤钨灯光源3照射的聚焦点；
所述光纤探头11的高度可调；
所述光谱仪9水平安装于暗箱7的底板上，并通过光纤2与光纤探头11连接；
所述直流稳压电源8水平安装于暗箱7的底板上，并通过导线与卤钨灯光源3相连；
所述计算机控制单元10位于暗箱7的外部，并通过数据线与光谱仪9连接；
所述卤钨灯光源3为光谱检测提供光源；
所述样品室5用于：放置椰糠基质样本和椰糠基质；
所述光纤2及光纤探头11用于：接收和传输光信号；
所述光谱仪9用于：光谱数据采集及处理；
所述计算机控制单元10用于：光谱数据采集控制及显示；
所述直流稳压电源8为卤钨灯光源3提供电能；
所述暗箱7用于：形成暗环境，避免外界自然光信号的干扰。
所述检测平台6通过螺栓安装在暗箱7的中部；所述卤钨灯光源3通过螺栓安装在支撑立杆4的顶端；所述两个支撑立杆4的下端通过螺纹连接与检测平台6连接。
在上述技术方案的基础上，步骤S1中，所述干燥、粉碎和筛选分别通过干燥箱、微型粉碎机和标准筛网完成，并且将椰糠基质样本干燥至不含自由水状态，粉碎、筛选后的椰糠基质样本颗粒直径≤0.3mm。
在上述技术方案的基础上，步骤S4中，所述光谱数据预处理算法为：Savitzky-Golay平滑预处理，且平滑点数为5。
在上述技术方案的基础上，步骤S5中，所述Kennard-Stone算法的分组比例为3:1。
在上述技术方案的基础上，步骤S6中，采用SPA筛选出31个特征波长，分别为：950nm、983nm、1017nm、1178nm、1211nm、1277nm、1317nm、1369nm、1405nm、1418nm、1425nm、1435nm、1445nm、1464nm、1474nm、1484nm、1500nm、1513nm、1532nm、1542nm、1552nm、1561nm、1619nm、1626nm、1632nm、1642nm、1645nm、1648nm、1651nm、1655nm、1661nm，如图2中波长-反射率曲线图中的五角星所示。
在上述技术方案的基础上，步骤S7中，从全波段光谱数据中提取的步骤S6中筛选出的31个特征波长下的光谱数据。
在上述技术方案的基础上，步骤S9中，所述椰糠基质有效氮光谱预测模型采用的建模方法为多元线性回归MLR。
在上述技术方案的基础上，步骤S10中，所述对有效氮含量未知的椰糠基质进行光谱检测，快速预测有效氮含量，具体包括以下步骤：
S101、对待测椰糠基质前处理；
S102、获取待测椰糠基质940～1700nm波段的光谱数据；
S103、对步骤S102的光谱数据进行Savitzky-Golay平滑预处理，且平滑点数为5；
S104、从步骤S103获得的平滑预处理光谱数据中选取椰糠基质31个特征波长下的光谱数据，并将选取的31个特征波长下的光谱数据代入步骤S9通过多元线性回归MLR方法建立的椰糠基质有效氮光谱预测模型；
S105、通过椰糠基质有效氮光谱预测模型计算，得出椰糠基质有效氮含量的光谱预测值。
本发明所述的一种基于特征波长的椰糠基质有效氮光谱检测方法，采用干燥箱、微型粉碎机和标准筛网分别对椰糠基质样本(椰糠基质样品)进行干燥、粉碎和筛选等前处理操作，消除水分及粒径不均匀对光谱检测的影响；利用光谱采集系统获取前处理椰糠基质样品光谱数据，再利用Savitzky-Golay平滑对光谱数据进行预处理；采用国家林业标准(LY/T 1229-1999)中规定的化学分析方法，测定椰糠基质样品中有效氮成分的理化值；再采用Kennard-Stone算法按照3:1将光谱数据进行分组；运用连续投影算法(SPA)从光谱采集范围为940～1700nm的256个波长变量中，筛选出反映椰糠基质光谱特征的31个特征波长，提取31个特征波长下的光谱数据与测定的理化值相对应，并按照Kennard-Stone分组，分为校正集和验证集；利用校正集数据建立基于特征波长的椰糠基质光谱数据与有效氮理化值含量之间的MLR模型，利用建立的MLR模型对待测椰糠基质有效氮含量进行光谱检测，具有快速和对检测设备运行速度要求低的优点。
以下通过105个椰糠基质样品的有效氮检测为实例进行说明，具体步骤如下：
S1、采用干燥箱对105个不同有效氮含量的椰糠基质样品进行烘干处理，利用微型粉碎机对105个烘干椰糠基质样品进行粉碎，再利用标准筛网筛选粉碎后的椰糠基质样品，筛选得到粒径≤0.3mm的椰糠基质样品；
S2、利用光谱采集系统，通过反射的方式，获取步骤S1处理后的105个椰糠基质样品光谱数据；
S3、对步骤S2中获取光谱数据后的105个椰糠基质样本采用国家林业标准(LY/T1229-1999)中规定的化学分析方法，通过理化实验测定椰糠基质样本中的有效氮含量；
S4、采用Savitzky-Golay中的5点平滑对105个椰糠基质样本光谱数据进行预处理；
S5、采用Kennard-Stone算法按照3:1的比例对105个椰糠基质样本光谱数据进行分组；
S6、采用连续投影算法(SPA)从椰糠基质940～1700nm光谱数据中进行特征波长筛选，筛选得到31个特征波长，分别为：950nm、983nm、1017nm、1178nm、1211nm、1277nm、1317nm、1369nm、1405nm、1418nm、1425nm、1435nm、1445nm、1464nm、1474nm、1484nm、1500nm、1513nm、1532nm、1542nm、1552nm、1561nm、1619nm、1626nm、1632nm、1642nm、1645nm、1648nm、1651nm、1655nm、1661nm；
S7、根据步骤S6中筛选的特征波长，提取31个特征波长下，反映椰糠基质有效氮含量信息的光谱数据；
S8、利用步骤S5中的分组，将步骤S7提取的反映椰糠基质样本有效氮含量信息的光谱数据与步骤S3通过理化实验测定的椰糠基质样本中的有效氮含量理化值一一对应，形成基于特征波长光谱数据的校正集和验证集，其中，校正集为：79个椰糠基质样本，验证集为：26个椰糠基质样本；
S9、利用79个椰糠基质样本校正集建立椰糠基质有效氮光谱预测模型，再利用26个椰糠基质样本验证集光谱数据进行检测效果检验，其建模结果如表1所示。
表1基于特征波长的椰糠基质有效氮MLR建模结果
预处理方法 R<sub>C</sub> RMSEC R<sub>V</sub> RMSEV RPD
Savitzky-Golay 0.996 4.634 0.990 7.203 7.011
对建模结果的评价，要求校正集相关系数RC和验证集相关系数RV越大，则模型越优；校正集均方根误差RMSEC和验证集均方根误差RMSEV越小，则模型越优；并且验证相对分析误差RPD越大，则模型越优。一般RPD≤1.5表明模型不可用，1.5＜RPD≤2.0表明模型能用于最大和最小值的区分，2.0＜RPD≤2.5表明模型可用于近似预测，RPD＞2.5表明模型的预测性能较优。由表1可知，采用Savitzky-Golay中的5点平滑对前处理后的椰糠基质样本光谱数据进行预处理，运用连续投影算法(SPA)对预处理后的光谱数据进行特征波长筛选，再筛选得到31个特征波长，提取椰糠基质样本特征波长光谱数据，最后利用提取特征波长的光谱数据建立预测性能稳健的椰糠基质有效氮光谱预测模型；
S10、对需测定有效氮含量的椰糠基质样品进行物理前处理，获取前处理椰糠基质在940～1700nm波长范围内的光谱数据，采用Savitzky-Golay中的5点平滑对获取的光谱数据进行预处理，再从Savitzky-Golay平滑光谱数据中筛选31个特征波长变量的光谱数据，最后将31个波长变量的预处理光谱数据代入步骤S9中的MLR模型，即可计算得出椰糠基质有效氮含量的光谱预测值。
综上所述，本发明提供一种基于特征波长的椰糠基质有效氮光谱检测方法，采用干燥箱、微型粉碎机和标准筛网对椰糠基质样本进行干燥、粉碎和筛选等前处理操作，消除水分及粒径不均匀对光谱检测的影响，利用光谱采集系统获取前处理椰糠基质样品光谱数据，再利用Savitzky-Golay平滑对光谱数据进行预处理，采用国家林业标准(LY/T 1229-1999)中规定的化学分析方法，测定椰糠基质样品有效氮成分的理化值，再采用Kennard-Stone算法按照3:1将光谱数据进行分组(校正集和验证集)；运用连续投影算法(SPA)从光谱采集范围为940～1700nm的256个波长变量中筛选出反映椰糠基质光谱特征的31个特征波长，并利用校正集数据建立基于特征波长的椰糠基质光谱数据与有效氮理化值含量之间的MLR模型，其校正集相关系数RC和验证集相关系数RV分别达到0.996和0.990，验证相对分析误差RPD为7.011。该方法采用基于特征波长，建立椰糠基质有效氮光谱预测模型，在保证模型预测性能的同时，大大简化了模型的复杂性，进一步提高了模型的运行计算速度。
本发明的实施例是为了示例和描述起见而给出的，而并不是无任何遗漏或将本发明限于所公开的形式。许多修改对于本领域的普通技术人员而言是显而易见的。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (4)

1.一种基于特征波长的椰糠基质有效氮光谱检测方法，其特征在于，包括如下步骤：
S1、椰糠基质样本前处理：对椰糠基质样本进行干燥、粉碎和筛选；
S2、光谱数据采集：利用光谱采集系统，通过反射的方式，获取前处理后的椰糠基质样本光谱数据；所述光谱采集系统以反射方式进行光谱数据采集，光谱采集的波长范围为940～1700nm；
S3、对步骤S2中获取光谱数据后的椰糠基质样本采用国家林业标准LY/T 1229-1999中规定的化学分析方法，通过理化实验，测定椰糠基质样本中的有效氮含量；
S4、光谱数据预处理：采用光谱预处理算法进行光谱数据处理；
S5、采用Kennard-Stone算法对光谱数据进行分组；
S6、采用连续投影算法，从椰糠基质样本光谱数据中进行特征波长筛选；筛选出31个特征波长，所述31个特征波长分别为：950nm、983nm、1017nm、1178nm、1211nm、1277nm、1317nm、1369nm、1405nm、1418nm、1425nm、1435nm、1445nm、1464nm、1474nm、1484nm、1500nm、1513nm、1532nm、1542nm、1552nm、1561nm、1619nm、1626nm、1632nm、1642nm、1645nm、1648nm、1651nm、1655nm、1661nm；
S7、根据步骤S6中筛选的特征波长，提取反映椰糠基质样本有效氮含量信息的光谱数据；
S8、利用步骤S5中的分组，将步骤S7提取的反映椰糠基质样本有效氮含量信息的光谱数据与步骤S3通过理化实验测定的椰糠基质样本中的有效氮含量理化值一一对应，形成基于特征波长光谱数据的校正集和验证集；
S9、利用步骤S8的校正集，建立椰糠基质有效氮光谱预测模型，再利用验证集进行光谱预测效果检验；
S10、利用步骤S9建立的椰糠基质有效氮光谱预测模型，对有效氮含量未知的椰糠基质进行光谱快速预测有效氮含量；
所述光谱采集系统包括：丝杠滑台(1)、光纤(2)、两个卤钨灯光源(3)、两个支撑立杆(4)、样品室(5)、检测平台(6)、暗箱(7)、直流稳压电源(8)、光谱仪(9)、计算机控制单元(10)和光纤探头(11)；
所述丝杠滑台(1)、光纤(2)、两个卤钨灯光源(3)、两个支撑立杆(4)、样品室(5)、检测平台(6)、直流稳压电源(8)、光谱仪(9)和光纤探头(11)位于暗箱(7)内部；
所述检测平台(6)安装在暗箱(7)的中部；
在所述检测平台(6)的上方设有样品室(5)；
在所述检测平台(6)的上方、中间的两侧分别设有1个支撑立杆(4)；
在所述支撑立杆(4)的顶端安装卤钨灯光源(3)；
所述卤钨灯光源(3)的高度可调，所述卤钨灯光源(3)发射的光倾斜照射到样品室(5)上，样品室(5)放置于左右两侧卤钨灯光源(3)照射的聚焦点上；
所述丝杠滑台(1)安装在检测平台(6)上方、暗箱(7)内部后侧的壁板上；
所述光纤探头(11)安装在丝杠滑台(1)上，且光纤探头(11)位于一竖直线上，所述竖直线通过左右两侧卤钨灯光源(3)照射的聚焦点；
所述光纤探头(11)的高度可调；
所述光谱仪(9)水平安装于暗箱(7)的底板上，并通过光纤(2)与光纤探头(11)连接；
所述直流稳压电源(8)水平安装于暗箱(7)的底板上，并通过导线与卤钨灯光源(3)相连；
所述计算机控制单元(10)位于暗箱(7)的外部，并通过数据线与光谱仪(9)连接；
所述卤钨灯光源(3)为光谱检测提供光源；
所述样品室(5)用于：放置椰糠基质样本和椰糠基质；
所述光纤(2)及光纤探头(11)用于：接收和传输光信号；
所述光谱仪(9)用于：光谱数据采集及处理；
所述计算机控制单元(10)用于：光谱数据采集控制及显示；
所述直流稳压电源(8)为卤钨灯光源(3)提供电能；
所述暗箱(7)用于：形成暗环境，避免外界自然光信号的干扰；
所述检测平台(6)通过螺栓安装在暗箱(7)的中部；所述卤钨灯光源(3)通过螺栓安装在支撑立杆(4)的顶端；所述两个支撑立杆(4)的下端通过螺纹连接与检测平台(6)连接；
步骤S7中，所述提取反映椰糠基质样本有效氮含量信息的光谱数据为：从940～1700nm波长范围内提取的步骤S6中筛选出的31个特征波长下的光谱数据；
步骤S9中，所述椰糠基质有效氮光谱预测模型采用的建模方法为多元线性回归MLR；
步骤S10中，所述对有效氮含量未知的椰糠基质进行光谱预测，快速预测有效氮含量，具体包括以下步骤：
S101、对待测椰糠基质前处理；
S102、获取待测椰糠基质940～1700nm波段的光谱数据；
S103、对步骤S102的光谱数据进行Savitzky-Golay平滑预处理，且平滑点数为5；
S104、从步骤S103获得的平滑预处理光谱数据中选取椰糠基质31个特征波长下的光谱数据，并将选取的31个特征波长下的光谱数据代入步骤S9中通过多元线性回归MLR方法建立的椰糠基质有效氮光谱预测模型；
S105、通过椰糠基质有效氮光谱预测模型计算，得出椰糠基质有效氮含量的光谱预测值。
2.如权利要求1所述的基于特征波长的椰糠基质有效氮光谱检测方法，其特征在于：步骤S1中，所述干燥、粉碎和筛选分别通过干燥箱、微型粉碎机和标准筛网完成；粉碎、筛选后的椰糠基质样本颗粒直径≤0.3mm。
3.如权利要求2所述的基于特征波长的椰糠基质有效氮光谱检测方法，其特征在于：步骤S4中，所述光谱数据预处理算法为：Savitzky-Golay平滑预处理，且平滑点数为5。
4.如权利要求1所述的基于特征波长的椰糠基质有效氮光谱检测方法，其特征在于：步骤S5中，所述Kennard-Stone算法的分组比例为3:1。
CN201910055761.XA 2019-01-22 2019-01-22 一种基于特征波长的椰糠基质有效氮光谱检测方法 Active CN109696407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910055761.XA CN109696407B (zh) 2019-01-22 2019-01-22 一种基于特征波长的椰糠基质有效氮光谱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910055761.XA CN109696407B (zh) 2019-01-22 2019-01-22 一种基于特征波长的椰糠基质有效氮光谱检测方法

Publications (2)

Publication Number Publication Date
CN109696407A CN109696407A (zh) 2019-04-30
CN109696407B true CN109696407B (zh) 2020-11-03

Family

ID=66234237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910055761.XA Active CN109696407B (zh) 2019-01-22 2019-01-22 一种基于特征波长的椰糠基质有效氮光谱检测方法

Country Status (1)

Country Link
CN (1) CN109696407B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426354A (zh) * 2019-06-20 2019-11-08 中国农业大学 基于Linux和ARM的通用光谱检测装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1712937A (zh) * 2004-06-21 2005-12-28 深圳市无公害农产品质量监督检验站 非破坏快速检测复合肥中多种元素组分含量的方法
CN101975764A (zh) * 2010-09-29 2011-02-16 中国农业大学 基于近红外光谱技术的多波段土壤氮素检测装置和方法
CN104778349A (zh) * 2015-03-26 2015-07-15 浙江大学 一种用于水稻表土氮肥施用等级评定方法
CN106198447A (zh) * 2016-07-13 2016-12-07 中国科学院合肥物质科学研究院 基于近红外光谱技术的复混肥主要成分无损定量检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ524645A (en) * 2003-03-07 2005-10-28 Agres Ltd A method for the preparation of soil samples
CN108169162B (zh) * 2017-12-13 2021-01-19 安徽农业大学 一种茶园土壤肥力水平的快速评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1712937A (zh) * 2004-06-21 2005-12-28 深圳市无公害农产品质量监督检验站 非破坏快速检测复合肥中多种元素组分含量的方法
CN101975764A (zh) * 2010-09-29 2011-02-16 中国农业大学 基于近红外光谱技术的多波段土壤氮素检测装置和方法
CN104778349A (zh) * 2015-03-26 2015-07-15 浙江大学 一种用于水稻表土氮肥施用等级评定方法
CN106198447A (zh) * 2016-07-13 2016-12-07 中国科学院合肥物质科学研究院 基于近红外光谱技术的复混肥主要成分无损定量检测方法

Also Published As

Publication number Publication date
CN109696407A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN101718683B (zh) 快速检测叶片叶绿素含量的建模方法及检测方法
CN101832926B (zh) 一种利用高光谱图像技术进行苹果粉质化无损检测方法
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
CN101231274B (zh) 近红外光谱快速测定山药中尿囊素含量的方法
CN103278503B (zh) 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统
CN111855590A (zh) 水稻叶片淀粉积累量遥感反演模型和方法
CN104778349B (zh) 一种用于水稻表土氮肥施用等级评定方法
CN103018181A (zh) 基于相关性分析和elm神经网络的软测量方法
CN109696407B (zh) 一种基于特征波长的椰糠基质有效氮光谱检测方法
CN106932365A (zh) 一种用近红外仪检测玉米秸秆成分的方法
CN201041553Y (zh) 基于多光谱成像技术的水果品质无损检测系统
Wang et al. Intelligent detection of hard seeds of snap bean based on hyperspectral imaging
CN105954207A (zh) 一种枣树冠层叶绿素b含量的检测方法
Lu et al. Quantitative NIR spectroscopy determination of coco-peat substrate moisture content: Effect of particle size and non-uniformity
Wu et al. Variety identification of Chinese cabbage seeds using visible and near-infrared spectroscopy
CN117250161B (zh) 一种大豆耐盐碱鉴定池的实时监测系统
CN105158177A (zh) 高光谱图像技术定量检测固态发酵水分分布均匀性的方法
Yang et al. Feasibility of terahertz spectroscopy for hybrid purity verification of rice seeds
CN117269106A (zh) 快速预测辣椒蛋白质含量的高光谱模型
CN101911877A (zh) 基于激光漫反射图像技术的种子生命力鉴别装置和方法
CN204008454U (zh) 用于检测贮藏稻谷中霉菌指标的便携式近红外光谱分析仪
CN109612964A (zh) 消除栽培基质颗粒表面散射及水分影响的光谱检测方法
CN108169162B (zh) 一种茶园土壤肥力水平的快速评价方法
Gao et al. Design and test of portable comprehensive quality non-destructive detector for grape bunches based on spectrum
CN114494689A (zh) 番茄干旱胁迫的识别方法

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