CN110455722A - 橡胶树叶片磷含量高光谱反演方法和系统 - Google Patents

橡胶树叶片磷含量高光谱反演方法和系统 Download PDF

Info

Publication number
CN110455722A
CN110455722A CN201910766841.6A CN201910766841A CN110455722A CN 110455722 A CN110455722 A CN 110455722A CN 201910766841 A CN201910766841 A CN 201910766841A CN 110455722 A CN110455722 A CN 110455722A
Authority
CN
China
Prior art keywords
sample
phosphorus content
data
rubber tree
wavelength
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.)
Pending
Application number
CN201910766841.6A
Other languages
English (en)
Inventor
郭澎涛
李茂芬
茶正早
杨红竹
贝美容
张培松
罗微
姚伟
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.)
Institute Of Scientific And Technical Information Catas
Rubber Research Institute Chinese Academy Tropical Agricultural Sciences
Original Assignee
Institute Of Scientific And Technical Information Catas
Rubber Research Institute Chinese Academy Tropical Agricultural Sciences
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 Institute Of Scientific And Technical Information Catas, Rubber Research Institute Chinese Academy Tropical Agricultural Sciences filed Critical Institute Of Scientific And Technical Information Catas
Priority to CN201910766841.6A priority Critical patent/CN110455722A/zh
Publication of CN110455722A publication Critical patent/CN110455722A/zh
Priority to US16/837,175 priority patent/US11521073B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • 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
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Wood Science & Technology (AREA)
  • Botany (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请涉及一种橡胶树叶片磷含量高光谱反演方法和系统。方法包括：获取待检测橡胶树叶片的高光谱数据；根据高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；关键波长与橡胶树叶片磷含量相关；预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；将关键波长输入至预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量。该方法运行过程简单，能快速地测定磷含量；并且综合应用竞争性自适应重加权抽样算法和连续投影算法提取与橡胶树叶片磷含量关系密切的关键波长，大大减少了运算量。

Description

橡胶树叶片磷含量高光谱反演方法和系统
技术领域
本申请涉及高光谱反演技术领域，特别是涉及一种橡胶树叶片磷含量高光谱反演方法、系统、计算机设备和存储介质。
背景技术
天然橡胶是重要的战略物资和工业原料，橡胶树的营养状况直接关系到天然橡胶的产量、品质及树体的产胶年限等。磷是植物生长发育所必需的大量营养元素，它以多种方式参与植物体内物质的代谢过程，在呼吸代谢、糖分代谢、酶促反应和激素代谢等过程中起着至关重要的作用，对作物健康生长具有重要作用。因此，研究橡胶树叶片中磷含量就显得尤为重要。
目前，磷含量相关研究通常以全波谱信息为解释变量利用偏最小二乘回归(Partial least squares regression，PLSR)构建植物叶片磷含量高光谱反演模型。高光谱数据具有成百上千条波谱信息，其数量往往远大于目标变量的样本数目，并且这些波谱之间存在信息冗余。PLSR可以把这些成百上千条波谱信息压缩成几个互不相关的主成分，以这些主成分为解释变量构建模型，进而解决了高光谱数据建模当中存在的数据高维和信息冗余问题。然而，该方法依然存在一些重要缺陷。首先，高光谱数据中不可避免地存在一些噪音信息或者与目标变量不相关的信息，这些信息会被包含在压缩的主成分中，以这些主成分为输入，会扭曲目标变量与主成分之间的真实关系，进而会降低模型的预测精度。另外，PLSR只能拟合解释变量和目标变量之间的线性关系，不能拟合非线性关系。但光谱信息与植物叶片磷含量之间往往存在非线性关系。因此，PLSR不能充分捕捉到光谱信息与植物叶片磷含量之间的关系，导致模型预测精度并不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决问题的橡胶树叶片磷含量高光谱反演方法、系统、计算机设备和存储介质。
一种橡胶树叶片磷含量高光谱反演方法，所述方法包括：
获取待检测橡胶树叶片的高光谱数据；
根据所述高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；所述关键波长与橡胶树叶片磷含量相关；其中，所述预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；
将所述关键波长输入所述预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中所述预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，所述样品关键波长是将所述样品数据库中的高光谱数据输入所述预先建立的波长提取模型得到的。
在其中一个实施例中，所述获取待检测橡胶树叶片的高光谱数据的步骤之前，包括：
采集待检测橡胶树叶片；
利用光谱仪测定仪对所述待检测橡胶树叶片进行光谱测定，得到待检测橡胶树叶片的原始高光谱数据；
对所述原始高光谱数据进行去噪处理，得到高光谱数据。
在其中一个实施例中，预先建立的样品数据库的建立方法，包括：
在预设的样品采集时间内从样品采集地中不同成土母质上的橡胶树上采集多个橡胶树叶片样品；
去除每个橡胶树叶片样品的表面杂质；对去除杂质后的每个橡胶树叶片样品采用光谱仪进行光谱测定，得到各样品原始高光谱数据；
采用滤波函数对各所述样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据；
对每个橡胶树叶片样品进行磷含量检测，得到各样品磷含量数据；其中所述样品磷含量数据与所述样品高光谱数据相对应；
根据各所述去噪后的样品高光谱数据和各所述的样品磷含量数据建立所述样品数据库。
在其中一个实施例中，所述预先建立的波长提取模型的建立方法包括：
将所述样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集；
从所述训练集中选取预设提取比例的样品高光谱数据和样品磷含量数据作为输入变量对所述竞争性自适应重加权抽样算法和所述连续投影算法进行学习训练，确定所述竞争性自适应重加权抽样算法和所述连续投影算法的关键参数；
根据所述竞争性自适应重加权抽样算法和所述连续投影算法的关键参数确定所述波长提取模型。
在其中一个实施例中，所述预先建立的磷含量预测模型的建立方法包括：
将所述测试集中的样品高光谱数据输入至所述预先建立的波长提取模型中，得到样品的关键波长；
将所述样品关键波长和与所述样品关键波长对应的所述样品磷含量数据作为输入变量对所述反向神经网络算法进行学习训练，确定所述反向神经网络算法的关键参数；
根据所述反向神经网络算法的关键参数确定所述磷含量预测模型。
在其中一个实施例中，在采用滤波函数对各所述样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据的步骤中，包括：
采用butter和filtfilt函数对各所述样品原始高光谱数据进行去噪处理。
在其中一个实施例中，将所述样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集的步骤中，包括：
采用Kennard-Stone算法将所述样品数据库的样品高光谱数据和样品磷含量数据分为训练集和测试集，其中训练集和测试机的比例为2:1。
一种橡胶树叶片磷含量高光谱反演系统，所述系统包括：
高光谱数据获取模块，用于获取待检测橡胶树叶片的高光谱数据；
关键波长提取模块，用于根据所述高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；所述关键波长与橡胶树叶片磷含量相关；其中，所述预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；
磷含量计算模块，用于将所述关键波长输入所述预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中所述预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，所述样品关键波长是将所述样品数据库中的高光谱数据输入所述预先建立的波长提取模型得到的。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测橡胶树叶片的高光谱数据；
根据所述高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；所述关键波长与橡胶树叶片磷含量相关；其中，所述预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；
将所述关键波长输入所述预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中所述预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，所述样品关键波长是将所述样品数据库中的高光谱数据输入所述预先建立的波长提取模型得到的。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测橡胶树叶片的高光谱数据；
根据所述高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；所述关键波长与橡胶树叶片磷含量相关；其中，所述预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；
将所述关键波长输入所述预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中所述预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，所述样品关键波长是将所述样品数据库中的高光谱数据输入所述预先建立的波长提取模型得到的。
上述橡胶树叶片磷含量高光谱反演方法、系统、计算机设备和存储介质，通过竞争性自适应重加权抽样算法和连续投影算法对样品数据库中的样品高光谱数据和样品磷含量数据进行学习训练得到预先建立的波长提取模型；且通过反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到预先建立的磷含量预测模型；从而在需要对待检测橡胶树叶片进行磷含量检测时，只需要测定待检测橡胶树叶片的高光谱数据，将高光谱数据输入预先建立的波长提取模型即可得到关键波长，将关键波长输入预先建立的磷含量预测模型即可得到待检测橡胶树叶片的磷含量值。该方法运行过程简单，能快速地测定磷含量；并且综合应用竞争性自适应重加权抽样算法和连续投影算法提取与橡胶树叶片磷含量关系密切的关键波长，大大减少了运算量。另外，竞争性自适应重加权抽样算法能剔除高光谱数据中噪音和无关信息，能提高模型反演的准确性。
附图说明
图1为一实施例橡胶树叶片磷含量高光谱反演方法应用环境的示意图；
图2为一个实施例中橡胶树叶片磷含量高光谱反演方法的流程示意图；
图3为一个实施例中橡胶树叶片磷含量高光谱反演方法中预先建立的样品数据库的建立方法的流程示意图；
图4为一个实施例中橡胶树叶片样品去噪后高光谱数据的示意图；
图5为另一个实施例中橡胶树叶片磷含量高光谱反演方法的流程示意图；
图6为一个实施例中偏最小二乘回归(PLSR)中提取的最大主成分个数与对应模型的决定系数(r2)的示意图；
图7为一个实施例中偏最小二乘回归(PLSR)中提取的最大主成分个数与对应模型的均方根误差(RMSE)的示意图；
图8为一个实施例中竞争性自适应重加权抽样(CARS)算法提取的波长及其在全波谱中的位置的示意图；
图9为一个实施例中连续投影算法(SPA)提取的关键波长及其在全波谱中的位置的示意图；
图10为一实施例中橡胶树叶片磷含量高光谱反演系统的结构示意图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本方法运用于图1的终端102中，终端可以是个人计算机、笔记本电脑等，终端102与检测设备104进行通讯连接，检测设备104通常是光谱仪，例如美国ASD公司的FieldSpec3光谱仪等。
其中，终端102与检测设备104采用本地接口连接时，检测设备104可以将采集的待识别的视频发送至终端102中。另外，终端102也可以通过指令获取检测设备104中测量的待检测橡胶树叶片的高光谱数据。
在一个实施例中，如图2所示，提供了一种橡胶树叶片磷含量高光谱反演方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，获取待检测橡胶树叶片的高光谱数据；
其中，高光谱数据是高光谱遥感技术采集的待检测橡胶树叶片的光谱数据。高光谱遥感技术是以现代物理学为基础，利用电磁波波段从研究的物体获取相关的光谱数据的综合性探测技术。高光谱遥感在特定光谱区域，通过高的光谱分辨率获取连续的地物光谱图像，该光谱图像上的第一个像元点在各通道的灰度值都能形成一条精细的光谱线，最终构成独特的超多维光谱空间。次超多维光谱空间可进行空间信息研究，并获取更多的光谱信息，从而为定量分析物质物理化学变化过程提供参数和依据。同时，高光谱遥感具有光谱分辨率高，光谱信息量大，波段连续性强等特点。另外，待检测橡胶树叶片是任意的需要进行磷含量检测的橡胶树中按照一定的树叶片采集规则和方法随机采集的。
步骤S204，根据高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；关键波长与橡胶树叶片磷含量相关；其中，预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的。
具体的，研究表明植物缺乏某种营养元素(例如磷、氮等)能引起该植物体内相关生化成分的改变，这种改变能引起能够引起某些对应波段处的光谱反射率产生差异。其中，这些差异在成像光谱影像上表现为图像饱和度、图像亮度等色阶的区别。因此，对植物光谱曲线进行分析提取光谱曲线上具有显著差异的敏感光谱波段或特征波段，并利用数理统计方法建立相应的养分估测模型，并反演植物体内养分含量。在本实施例中，关键波长为待检测橡胶树叶片的高光谱数据中的显著差异的敏感波段或特征波段。
竞争性自适应重加权抽样算法(CARS)是一种基于蒙特卡罗采样和PLS(偏最小二乘)回归系数的特征波长选择方法，即通过自适应重加权采样(ARS)技术选择出PLS模型中回归系数绝对值大的波长点，去掉权重小的波长点，利用交互验证选出RMSECV值最低的子集，可有效寻出最优变量组合。CARS算法可以剔除高光谱波长中的噪音和无关信息，但保留的波长往往存在共线性，连续投影算法可以消除波长之间的共线性。
连续投影算法(SPA)是一种使矢量空间共线性最小化的前向变量选择算法，它的优势在于提取全波段的几个特征波长，能够消除原始光谱矩阵中冗余的信息，可用于光谱特征波长的筛选。
模型学习训练其实质就是以一个参数作为X变量，以另一个参数作为Y变量，并采用相应的函数建立模型的过程。在本实施例中，以样品高光谱数据作为X变量，以样品磷含量数据作为Y变量采用竞争性自适应重加权抽样算法和连续投影算法建立波长提取模型。
其中，预先建立的样品数据库是预选建立的一个存储橡胶树叶片高光谱数据和磷含量数据的数据库。
步骤S206，将关键波长输入预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，样品关键波长是将样品数据库中的高光谱数据输入预先建立的波长提取模型得到的。
神经网络是指用大量的简单计算单元(即神经元)所构成的非线性系统。神经网络含有输入层、输出层以及处于输入输出层之间的中间层。神经网络算法的基本思想是：学习过程由信号的正向传播和误差的逆向传播两个过程组成，在正向传播时，输入的样品从输入层经过隐含层单元一层一层进行处理，传向输出层，在逐层处理的过程中，每一层神经元的状态只对一下层神经元的状态产生影响。如果输出层未能得到期望的输出结果，那么转入误差的逆向传播阶段，将输出误差层通过某种形式，经过隐含层向输入层逐层返回，同时分摊给各层的所有单元，进而获得各层单元的误差信号和参考误差，可以作为修改各单元权值的依据。在本实施例中，以样品关键波长为网络输入层参数，样品磷含量参数为网络输出层参数对采用反向神经网络算法进行学习训练，从而得到磷含量预测模型。
上述橡胶树叶片磷含量高光谱反演方法，通过竞争性自适应重加权抽样算法和连续投影算法对样品数据库中的样品高光谱数据和样品磷含量数据进行学习训练得到预先建立的波长提取模型；且通过反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到预先建立的磷含量预测模型；从而在需要对待检测橡胶树叶片进行磷含量检测时，只需要测定待检测橡胶树叶片的高光谱数据，将高光谱数据输入预先建立的波长提取模型即可得到关键波长，将关键波长输入预先建立的磷含量预测模型即可得到待检测橡胶树叶片的磷含量值。该方法运行过程简单，能快速地测定磷含量；并且综合应用竞争性自适应重加权抽样算法和连续投影算法提取与橡胶树叶片磷含量关系密切的关键波长，大大减少了运算量。另外，竞争性自适应重加权抽样算法能剔除高光谱数据中噪音和无关信息，能提高模型反演的准确性。
在其中一个实施例中，获取待检测橡胶树叶片的高光谱数据的步骤之前，包括：
采集待检测橡胶树叶片；
利用光谱仪测定仪对待检测橡胶树叶片进行光谱测定，得到待检测橡胶树叶片的原始高光谱数据；
对原始高光谱数据进行去噪处理，得到高光谱数据。
具体的，要获取待检测橡胶树叶片的高光谱数据首先是采集待检测橡胶树叶片，在采集待检测橡胶树叶片时可以从目标橡胶树上随机地采集多个橡胶树叶片。在采集完待检测橡胶树叶片后除去叶片表面灰尘、杂质等，然后利用光谱仪对待检测橡胶树叶片进行测定，得到原始高光谱数据。在测定得到原始高光谱数据的过程中，对于来自同一个目标橡胶树上的多个橡胶树叶分别进行测定得到多个光谱数据，然后反对多个光谱数据进行求平均，以平均值作为该目标橡胶树中待检测橡胶树叶片的原始高光谱数据；在得到原始高光谱数据后对其进行去噪处理，即处理原始高光谱数据中的噪音，得到高光谱数据。采用上述的方式得到的原始高光谱数据更加准确，并对原始高光谱数据去噪处理，减少噪音干扰，使得最终得到磷含量的结果更加准确。
在其中一个实施例中，如图3所示，预先建立的样品数据库的建立方法，包括：
步骤S302，在预设的样品采集时间内从样品采集地中不同成土母质上的橡胶树上采集多个橡胶树叶片样品；
其中，预设的样品采集时间是综合考虑植物生长周期、光照、气候等环境因素来确定的。样品采集地通常是根据研究者需求确定的，例如研究者想要研究A地橡胶树叶片磷含量，则就可以将A地选为样品采集地。不同成土母质影响植物的生长，因此，在采集橡胶树叶片样品时从不同成土母质中采样，从而保证样品的多元化以及完整性。在本实施例中，样品采集地选择海南岛。
步骤S304，去除每个橡胶树叶片样品的表面杂质；对去除杂质后的每个橡胶树叶片样品采用光谱仪进行光谱测定，得到各样品原始高光谱数据；
为了减少叶片表面杂质(例如灰尘等)对光谱仪的影响，因此去除橡胶树叶样品的表面杂质。
步骤S306，采用滤波函数对各样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据；
由于各样品原始高光谱数据中含有噪音，采用滤波函数对样品高光谱数据进行去噪处理。在其中一个实施例中，在采用滤波函数对各样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据的步骤中，包括：采用butter和filtfilt函数对各样品原始高光谱数据进行去噪处理。
步骤S308，对每个橡胶树叶片样品进行磷含量检测，得到各样品磷含量数据；其中样品磷含量数据与样品高光谱数据相对应；
步骤S310，根据各去噪后的样品高光谱数据和各样品磷含量数据建立样品数据库。
为了便于理解本方案，给出一个详细实施例。样品数据库建立过程如下：①样品采集点布设：在海南岛四种主要成土母质(花岗岩、玄武岩、变质岩和砂页岩)上选取9个橡胶树叶片样品采集点；②样品采集时间：依据橡胶树叶片养分周年变化规律，于每年3月～6月(主要抽叶期)、7月～9月(橡胶树叶片生长稳定期)、10月～12月(橡胶树叶片老化期)分别采集上述9个样品采集点的橡胶树叶片样品；③样品采集：采集叶片时，选择开割橡胶树树冠下层主侧枝上稳定的顶蓬叶，取其基部上的复叶，叶片要求无病斑。每株橡胶树取2片，采集5株橡胶树共10片叶混合为1个叶片样品；④鲜样预处理：叶片采集完毕后迅速送回实验室，用干毛巾擦掉叶片表面灰尘，待测光谱；⑤叶片光谱测定：用美国ASD公司的FieldSpec3光谱仪测定橡胶树叶片正面光谱，测定时将植被探头连接到FieldSpec3光谱仪上，用叶片夹固定叶片，与植被探头形成一个自带光源的暗室。选择叶片主脉中间两侧区域进行光谱采集，每一侧区域采集3条光谱，每个叶片两侧共采集6条光谱，则每个混合样品共采集60条光谱。将这60条光谱进行平均，以平均值作为这个混合样品的光谱值；⑥光谱处理：谱测定完成后，用滤波技术对原始光谱进行去噪处理。滤波在Matlab软件中运用butter和filtfilt函数进行，butter和filtfilt函数模型分别如下：[B,A]＝butter(N,Wn,‘low’)，其中N为滤波器的阶数；Wn为滤波器的截止频率；low代表低通滤波器；B和A是butter函数的滤波器系数。优选的，N和W分别取值2和0.5。spectrum＝filtfilt(B,A,spectrum)式中spectrum和spectrumF分别代表原始高光谱数据和去噪后高光谱数据。其中去噪后的高光谱数据见图4。⑦叶片磷含量化学测定：叶片光谱测定完毕后，将叶片样品放入80℃的烘箱中杀菌20min，然后降温至60℃恒温烘干至恒量，再用研钵磨碎过0.25mm筛；之后经浓H2SO4消煮，用钼锑抗比色法测定，得到样品磷含量数据。
在其中一个实施例中，如图5所示，预先建立的波长提取模型的建立方法包括：
步骤S502，将样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集；
其中，预设划分比例可以根据实际需求预先设置，但为了模型训练的准确性，通常情况下训练集比测试机中样品数量多。在其中一个实施例中，将样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集的步骤中，包括：采用Kennard-Stone算法将样品数据库的样品高光谱数据和样品磷含量数据分为训练集和测试集，其中训练集(Train set)和测试集(Testset)的比例为2:1。训练集和测试集叶片样品磷含量的描述性统计结果见表1。可以看出，训练集和测试集的变化范围、平均值、标准差和变异系数都很接近，而且两个集合中叶片磷含量也都服从正态分布(-1<偏度值<1)。
表1橡胶树叶片样品磷含量统计
注：SD为标准差，CV为变异系数；Skewness为概率的偏态。
步骤S504，从训练集中选取预设提取比例的样品高光谱数据和样品磷含量数据作为输入变量对竞争性自适应重加权抽样算法和连续投影算法进行学习训练，确定竞争性自适应重加权抽样算法和连续投影算法的关键参数；
步骤S506，根据竞争性自适应重加权抽样算法和连续投影算法的关键参数确定波长提取模型。
其中，模型训练的实质为确定函数中的关键参数。在本实施例中，竞争性自适应重加权抽样算法和连续投影算法训练过程为；其中竞争性自适应重加权抽样算法(CARS)主要步骤为：运用蒙特卡洛(Monte Carlo，MC)算法从训练集中选取约80％的样品进行建模；选用PLSR进行建模，模型的解释变量为全部光谱信息(2151个波长)。其中，PLSR模型为：y＝Xb+e，式中，y为n个橡胶树叶片样品的磷含量[y1,y2,y3,…,yn]T(T为转置)，X为n×p阶光谱信息矩阵(p为光谱波长个数)，b为光谱波长系数[b1,b2,b3,…,bp]T，e为误差项。PLSR模型建立后，记录每个波长的系数bp，并取绝对值。然后，计算每个波长系数绝对值的权重wi，wi＝∣bi∣/(∣b1∣+∣b2∣+∣b3∣+…+∣bp∣)，i＝1,2,3,…,p。最后，按照权重从大到小的顺序对相应光谱波长进行排序；运用指数递减函数(Exponentially decreasing function，EDF)对权重较小的光谱波长信息进行剔除。依据EDF函数计算每一次迭代运算需要保留波长的比例ri。ri＝ae-ki。式中，ri为第i次迭代需要保留的波长的比例；a和k是两个常数项，计算公式分别为：a＝(p/2)1/(N-1)，k＝ln(p/2)/(N-1)，N为迭代次数。每次迭代后保留的光谱波长数为p×ri；运用自适应重采样算法(Adaptive reweighted sampling，ARS)从p×ri个光谱波长中提取与橡胶树叶片磷含量相关的波长。ARS算法依据达尔文进化理论中的适者生存的原理选取波长，也就是哪个波长的权重wi越大，被选取的机会越大；上述过程运算N次，得到N组高光谱波长。利用交叉验证(Cross-validation，CV)方法计算每组高光谱波长的均方根误差(Root mean square error，RMSE)，比较这N组RMSE，选取具有最小RMSE的一组高光谱波长作为优选变量。
CARS算法运行时，需要先设定PLSR模型中提取的最大主成分个数，该参数可以显著影响到变量筛选。为了找出最优参数，我们分别将该参数设定为5、10、15、20、25、30、35和40(即前述中的关键参数)，利用每次筛选得到的波长为解释变量构建PLSR模型，并计算模型在独立验证集中的r2和RMSE，选取r2最大和RMSE最小的一组波长作为进一步筛选的对象。图6为PLSR模型中提取的最大主成分个数与对应模型在训练集和验证集中r2变化趋势。可以看出，随着提取的最大主成分个数从5到30变化，训练集和验证集中r2整体呈上升趋势，到30达到最大值，之后又呈下降趋势。图7为PLSR模型中提取的最大主成分个数与对应模型在训练集和验证集中RMSE变化趋势。同样可以看出，随着提取的最大主成分个数从5到30变化，训练集和验证集中RMSE整体呈下降趋势，并在30达到最低值，之后又呈上升趋势。因此，选择30作为PLSR模型中提取的最大主成分个数。与之对应，筛选出的波长有293个。这些波长在整个波谱中的位置见图8。
CARS算法运算完成时，可以剔除高光谱波长中的噪音和无关信息，但是保留的波长往往存在共线性，SPA算法可以消除波长之间的共线性。SPA算法主要包括以下步骤：Xcal为训练集的Mcal×p阶光谱波长信息矩阵，其中，Mcal为训练集样品个数，p为训练集光谱波长个数。从光谱波长信息矩阵Xcal中随机抽出一个列向量Xcal(i)作为初始值(I＝1,2,3,…,p),计算其余p-1个列向量在列向量Xcal(i)垂直平面中的投影值，并选取具有最大投影值的列向量；接着，计算其余p-2个列向量在第一步中选取的列向量的垂直平面中的投影值，同样选取具有最大投影值的列向量，该过程重复进行，直至Mcal-1个列向量被选中，并成为一组提取的光谱波长信息，该次迭代结束。再次重新从Xcal中随机抽出一个列向量，并重复上述过程，得到第二组提取的光谱波长信息，第二次迭代结束。继续迭代，直至获得第p组提取的光谱波长信息；在测试集中，分别以上述p组提取的光谱波长信息为解释变量，利用多重线性回归模型(Multiple linear regression，MLR)计算RMSE，选取RMSE最小的一组光谱波长信息为优选变量；对上一步骤中选取的具有最小RMSE的光谱波长信息继续进行压缩。具体步骤为先计算每一个波长信息的相关性指数(Relevance index，RI)，RI为每个波长系数与该波长系数标准差的乘积。依据RI值对波长进行排序，并逐次计算前k个(k≤该组波长信息个数)波长信息预测橡胶树叶片磷含量时的RMSE，选取具有最少波长个数，并且其RMSE与该组最小RMSE之间差异不显著的前k个波长作为最优变量集。RMSE的差异性分析采用F检验，显著性水平α设定为0.25。最终有31个波长被选取作为关键波长，这些波长分别为：781、796、897、903、911、961、969、983、1288、1379、1394、1408、1433、1628、1672、1799、1831、1843、1862、1876、2001、2031、2079、2169、2197、2229、2360、2371、2390、2418和2478nm，它们在全波谱中的位置见图9。
在其中一个实施例中，预先建立的磷含量预测模型的建立方法包括：
将测试集中的样品高光谱数据输入至预先建立的波长提取模型中，得到样品的关键波长；
将样品关键波长和与样品关键波长对应的样品磷含量数据作为输入变量对反向神经网络算法进行学习训练，确定反向神经网络算法的关键参数；
根据反向神经网络算法的关键参数确定磷含量预测模型。
其中，神经网络算法学习训练过程为：在训练集中，以选取的31个关键波长为输入变量，利用反向传播神经网络(Back-propagation neural network，BPNN)方法构建磷含量预测模型。该高光谱神经网络反演模型由输入层、隐藏层和输出层组成，构建磷含量预测模型过程为以31个关键波长为输入层参数，以样品磷含量作为输出层参数，从来确定隐含层层数、神经元数、传递函数以及网络的训练函数(即反向神经网络算法的关键参数)。在本实施例中，磷含量预测模型输入层包含31个关键波长，隐藏层有5个神经元，输出层为橡胶树叶片磷含量预测值。
在构建完磷含量预测模型后，对磷含量预测模型进行测定验证，即利用测试集中的数据验证磷含量预测模型。将反演模型的预测值与叶片磷含量的实测值进行比较，计算模型决定系数r2、均方根误差RMSE和标准化均方根误差nRMSE。其中，r2越接近1，RMSE和nRMSE越接近0，模型预测精度越高。
效果实施例
分别采用传统PLRS全波谱模型(PLSRFull)、PLSR结合CARS算法模型以及本发明模型来进行橡胶树叶片磷含量预测。结果如表3所示，可以看出，不管是在训练集还是在验证集，本发明的预测精度都是最高的，且显著优于传统PLSR全波谱模型。
表3三种模型预测精度比较
应该理解的是，虽然图2-3以及5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3以及5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在每个的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种橡胶树叶片磷含量高光谱反演系统，包括：
高光谱数据获取模块110，用于获取待检测橡胶树叶片的高光谱数据；
关键波长提取模块120，用于根据高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；关键波长与橡胶树叶片磷含量相关；其中，预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；
磷含量计算模块130，用于将关键波长输入预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，样品关键波长是将样品数据库中的高光谱数据输入预先建立的波长提取模型得到的。
在其中一个实施例中，还包括：
叶片采集模块，用于采集待检测橡胶树叶片；
叶片原始高光谱数据获得模块，用于利用光谱仪测定仪对待检测橡胶树叶片进行光谱测定，得到待检测橡胶树叶片的原始高光谱数据；
高光谱数据获得模块，用于对原始高光谱数据进行去噪处理，得到高光谱数据。
在其中一个实施例中，包括：
样品采集模块，用于在预设的样品采集时间内从样品采集地中不同成土母质上的橡胶树上采集多个橡胶树叶片样品；
样品原始高光谱数据获得模块，用于去除每个橡胶树叶片样品的表面杂质；对去除杂质后的每个橡胶树叶片样品采用光谱仪进行光谱测定，得到各样品原始高光谱数据；
样品高光谱数据获得模块，用于采用滤波函数对各样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据；
样品磷含量获得模块，用于对每个橡胶树叶片样品进行磷含量检测，得到各样品磷含量数据；其中样品磷含量数据与样品高光谱数据相对应；
样品数据库建立模块，用于根据各去噪后的样品高光谱数据和对应的样品磷含量数据建立样品数据库。
在其中一个实施例中，包括：
数据集划分模块，用于将样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集；
第一关键参数确定模块，用于从训练集中选取预设提取比例的样品高光谱数据和样品磷含量数据作为输入变量对竞争性自适应重加权抽样算法和连续投影算法进行学习训练，确定竞争性自适应重加权抽样算法和连续投影算法的关键参数；
提取模型确定模块，用于根据竞争性自适应重加权抽样算法和连续投影算法的关键参数确定波长提取模型。
在其中一个实施例中，包括：
关键波长获得模块，用于将测试集中的样品高光谱数据输入至预先建立的波长提取模型中，得到样品的关键波长；
第二关键参数确定模块，用于将样品关键波长和与样品关键波长对应的样品磷含量数据作为输入变量对反向神经网络算法进行学习训练，确定反向神经网络算法的关键参数；
磷含量预测模型确定模块，用于根据反向神经网络算法的关键参数确定磷含量预测模型。
在其中一个实施例中，样品高光谱数据获得模块还用于采用butter和filtfilt函数对各样品原始高光谱数据进行去噪处理。
在其中一个实施例中，数据集划分模块，还用于采用Kennard-Stone算法将样品数据库的样品高光谱数据和样品磷含量数据分为训练集和测试集，其中训练集和测试集的比例为2:1。
关于橡胶树叶片磷含量高光谱反演系统的具体限定可以参见上文中对于橡胶树叶片磷含量高光谱反演方法的限定，在此不再赘述。上述橡胶树叶片磷含量高光谱反演系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电阻等效模型、等效子模型的数据，以及存储执行计算时得到的等效电阻、工作电阻以及接触电阻。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种橡胶树叶片磷含量高光谱反演方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有每个的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取待检测橡胶树叶片的高光谱数据；根据高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；关键波长与橡胶树叶片磷含量相关；其中，预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；将关键波长输入预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，样品关键波长是将样品数据库中的高光谱数据输入预先建立的波长提取模型得到的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待检测橡胶树叶片的高光谱数据的步骤之前，包括：采集待检测橡胶树叶片；利用光谱仪测定仪对待检测橡胶树叶片进行光谱测定，得到待检测橡胶树叶片的原始高光谱数据；对原始高光谱数据进行去噪处理，得到高光谱数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：预先建立的样品数据库的建立方法，包括：在预设的样品采集时间内从样品采集地中不同成土母质上的橡胶树上采集多个橡胶树叶片样品；去除每个橡胶树叶片样品的表面杂质；对去除杂质后的每个橡胶树叶片样品采用光谱仪进行光谱测定，得到各样品原始高光谱数据；采用滤波函数对各样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据；对每个橡胶树叶片样品进行磷含量检测，得到各样品磷含量数据；其中样品磷含量数据与样品高光谱数据相对应；根据各去噪后的样品高光谱数据和各样品磷含量数据建立样品数据库。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：预先建立的波长提取模型的建立方法包括：将样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集；从训练集中选取预设提取比例的样品高光谱数据和样品磷含量数据作为输入变量对竞争性自适应重加权抽样算法和连续投影算法进行学习训练，确定竞争性自适应重加权抽样算法和连续投影算法的关键参数；根据竞争性自适应重加权抽样算法和连续投影算法的关键参数确定波长提取模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：预先建立的磷含量预测模型的建立方法包括：将测试集中的样品高光谱数据输入至预先建立的波长提取模型中，得到样品的关键波长；将样品关键波长和与样品关键波长对应的样品磷含量数据作为输入变量对反向神经网络算法进行学习训练，确定反向神经网络算法的关键参数；根据反向神经网络算法的关键参数确定磷含量预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在采用滤波函数对各样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据的步骤中，包括：采用butter和filtfilt函数对各样品原始高光谱数据进行去噪处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集的步骤中，包括：采用Kennard-Stone算法将样品数据库的样品高光谱数据和样品磷含量数据分为训练集和测试集，其中训练集和测试集的比例为2:1。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待检测橡胶树叶片的高光谱数据；根据高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；关键波长与橡胶树叶片磷含量相关；其中，预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；将关键波长输入预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，样品关键波长是将样品数据库中的高光谱数据输入预先建立的波长提取模型得到的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待检测橡胶树叶片的高光谱数据的步骤之前，包括：采集待检测橡胶树叶片；利用光谱仪测定仪对待检测橡胶树叶片进行光谱测定，得到待检测橡胶树叶片的原始高光谱数据；对原始高光谱数据进行去噪处理，得到高光谱数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：预先建立的样品数据库的建立方法，包括：在预设的样品采集时间内从样品采集地中不同成土母质上的橡胶树上采集多个橡胶树叶片样品；去除每个橡胶树叶片样品的表面杂质；对去除杂质后的每个橡胶树叶片样品采用光谱仪进行光谱测定，得到各样品原始高光谱数据；采用滤波函数对各样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据；对每个橡胶树叶片样品进行磷含量检测，得到各样品磷含量数据；其中样品磷含量数据与样品高光谱数据相对应；根据各去噪后的样品高光谱数据和各样品磷含量数据建立样品数据库。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：预先建立的波长提取模型的建立方法包括：将样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集；从训练集中选取预设提取比例的样品高光谱数据和样品磷含量数据作为输入变量对竞争性自适应重加权抽样算法和连续投影算法进行学习训练，确定竞争性自适应重加权抽样算法和连续投影算法的关键参数；根据竞争性自适应重加权抽样算法和连续投影算法的关键参数确定波长提取模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：预先建立的磷含量预测模型的建立方法包括：将测试集中的样品高光谱数据输入至预先建立的波长提取模型中，得到样品的关键波长；将样品关键波长和与样品关键波长对应的样品磷含量数据作为输入变量对反向神经网络算法进行学习训练，确定反向神经网络算法的关键参数；根据反向神经网络算法的关键参数确定磷含量预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在采用滤波函数对各样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据的步骤中，包括：采用butter和filtfilt函数对各样品原始高光谱数据进行去噪处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集的步骤中，包括：采用Kennard-Stone算法将样品数据库的样品高光谱数据和样品磷含量数据分为训练集和测试集，其中训练集和测试集的比例为2:1。
本领域普通技术人员可以理解实现实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种橡胶树叶片磷含量高光谱反演方法，其特征在于，所述方法包括：
获取待检测橡胶树叶片的高光谱数据；
根据所述高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；所述关键波长与橡胶树叶片磷含量相关；其中，所述预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；
将所述关键波长输入所述预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中所述预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，所述样品关键波长是将所述样品数据库中的高光谱数据输入所述预先建立的波长提取模型得到的。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测橡胶树叶片的高光谱数据的步骤之前，包括：
采集待检测橡胶树叶片；
利用光谱仪测定仪对所述待检测橡胶树叶片进行光谱测定，得到待检测橡胶树叶片的原始高光谱数据；
对所述原始高光谱数据进行去噪处理，得到高光谱数据。
3.根据权利要求1所述的方法，其特征在于，预先建立的样品数据库的建立方法，包括：
在预设的样品采集时间内从样品采集地中不同成土母质上的橡胶树上采集多个橡胶树叶片样品；
去除每个橡胶树叶片样品的表面杂质；对去除杂质后的每个橡胶树叶片样品采用光谱仪进行光谱测定，得到各样品原始高光谱数据；
采用滤波函数对各所述样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据；
对每个橡胶树叶片样品进行磷含量检测，得到各样品磷含量数据；其中所述样品磷含量数据与所述样品高光谱数据相对应；
根据各所述去噪后的样品高光谱数据和各所述样品磷含量数据建立所述样品数据库。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述预先建立的波长提取模型的建立方法包括：
将所述样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集；
从所述训练集中选取预设提取比例的样品高光谱数据和样品磷含量数据作为输入变量对所述竞争性自适应重加权抽样算法和所述连续投影算法进行学习训练，确定所述竞争性自适应重加权抽样算法和所述连续投影算法的关键参数；
根据所述竞争性自适应重加权抽样算法和所述连续投影算法的关键参数确定所述波长提取模型。
5.根据权利要求4所示的方法，其特征在于，所述预先建立的磷含量预测模型的建立方法包括：
将所述测试集中的样品高光谱数据输入至所述预先建立的波长提取模型中，得到样品的关键波长；
将所述样品关键波长和与所述样品关键波长对应的所述样品磷含量数据作为输入变量对所述反向神经网络算法进行学习训练，确定所述反向神经网络算法的关键参数；
根据所述反向神经网络算法的关键参数确定所述磷含量预测模型。
6.根据权利要求3所述的方法，其特征在于，在采用滤波函数对各所述样品原始高光谱数据进行去噪处理，得到各去噪后的样品高光谱数据的步骤中，包括：
采用butter和filtfilt函数对各所述样品原始高光谱数据进行去噪处理。
7.根据权利要求4所述的方法，其特征在于，将所述样品数据库的样品高光谱数据和样品磷含量数据按照预设划分比例分为训练集和测试集的步骤中，包括：
采用Kennard-Stone算法将所述样品数据库的样品高光谱数据和样品磷含量数据分为训练集和测试集，其中训练集和测试机的比例为2:1。
8.一种橡胶树叶片磷含量高光谱反演系统，其特征在于，所述系统包括：
高光谱数据获取模块，用于获取待检测橡胶树叶片的高光谱数据；
关键波长提取模块，用于根据所述高光谱数据和预先建立的波长提取模型提取橡胶树叶片的关键波长；所述关键波长与橡胶树叶片磷含量相关；其中，所述预先建立的波长提取模型是采用竞争性自适应重加权抽样算法和连续投影算法对预先建立的样品数据库中的样品高光谱数据和样品磷含量数据对进行学习训练得到的；
磷含量计算模块，用于将所述关键波长输入所述预先建立的磷含量预测模型计算出待检测橡胶树叶片的磷含量；其中所述预先建立的磷含量预测模型是采用反向神经网络算法对样品关键波长和样品磷含量数据进行学习训练得到的，所述样品关键波长是将所述样品数据库中的高光谱数据输入所述预先建立的波长提取模型得到的。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
CN201910766841.6A 2019-08-20 2019-08-20 橡胶树叶片磷含量高光谱反演方法和系统 Pending CN110455722A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910766841.6A CN110455722A (zh) 2019-08-20 2019-08-20 橡胶树叶片磷含量高光谱反演方法和系统
US16/837,175 US11521073B2 (en) 2019-08-20 2020-04-01 Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910766841.6A CN110455722A (zh) 2019-08-20 2019-08-20 橡胶树叶片磷含量高光谱反演方法和系统

Publications (1)

Publication Number Publication Date
CN110455722A true CN110455722A (zh) 2019-11-15

Family

ID=68487771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910766841.6A Pending CN110455722A (zh) 2019-08-20 2019-08-20 橡胶树叶片磷含量高光谱反演方法和系统

Country Status (2)

Country Link
US (1) US11521073B2 (zh)
CN (1) CN110455722A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113063754A (zh) * 2021-04-21 2021-07-02 中国热带农业科学院橡胶研究所 一种基于加权环境变量聚类的叶片磷含量检测方法
CN114062282A (zh) * 2022-01-12 2022-02-18 中国农业科学院农业资源与农业区划研究所 一种树上果实干物质快速判定方法及装置
CN114235715A (zh) * 2021-11-10 2022-03-25 桂林理工大学 一种喀斯特植物叶片全磷含量无损监测方法
CN114937029A (zh) * 2022-06-21 2022-08-23 西南林业大学 森林碳储量抽样估测方法、装置、设备及存储介质

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076692B (zh) * 2021-03-29 2021-09-28 中国农业科学院农业资源与农业区划研究所 一种反演叶片氮素含量的方法
CN113177188B (zh) * 2021-04-19 2021-12-07 中国农业科学院农业资源与农业区划研究所 一种基于光谱新特征的反演叶片叶绿素含量的方法
CN113537108B (zh) * 2021-07-23 2024-02-23 安徽省农业科学院土壤肥料研究所 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法
CN113592020B (zh) * 2021-08-10 2023-08-22 山东大学 一种光谱传递方法、系统、介质及电子设备
CN113989639B (zh) * 2021-10-20 2024-04-16 华南农业大学 基于高光谱图像分析处理方法的荔枝病害自动识别方法及装置
CN114065402B (zh) * 2021-11-25 2024-04-19 华中科技大学 基于hssa-bpnn模型的车辆全态声品质预报方法
CN114199790A (zh) * 2021-12-13 2022-03-18 华南农业大学 一种光谱检测果茶树营养状况的检测方法及系统
CN114199793B (zh) * 2021-12-17 2023-10-27 青岛农业大学 一种基于高光谱的苹果叶片含氮量检测方法
CN114446408B (zh) * 2022-04-07 2022-07-12 广东省科学院广州地理研究所 一种基于辐射传输模型反演的叶片氮含量估算方法
CN117805024B (zh) * 2024-02-29 2024-05-14 四川农业大学 一种酥梨糖精度检测方法、装置、云端设备及计算机装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN106092911A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层磷含量的检测方法
CN107796779A (zh) * 2017-11-13 2018-03-13 海南大学 橡胶树叶片氮素含量的近红外光谱诊断方法
CN109324000A (zh) * 2018-11-08 2019-02-12 江南大学 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法
CN109870419A (zh) * 2017-12-05 2019-06-11 核工业北京地质研究院 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
CN109975217A (zh) * 2019-03-26 2019-07-05 贵阳学院 基于高光谱成像系统的李子可溶性固形物含量值检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN106092911A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层磷含量的检测方法
CN107796779A (zh) * 2017-11-13 2018-03-13 海南大学 橡胶树叶片氮素含量的近红外光谱诊断方法
CN109870419A (zh) * 2017-12-05 2019-06-11 核工业北京地质研究院 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
CN109324000A (zh) * 2018-11-08 2019-02-12 江南大学 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法
CN109975217A (zh) * 2019-03-26 2019-07-05 贵阳学院 基于高光谱成像系统的李子可溶性固形物含量值检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姜微 等: "CARS-SPA算法结合高光谱检测马铃薯还原糖含量", 《东北农业大学学报》 *
张亚坤: "基于多尺度高光谱成像的大豆养分检测方法研究", 《中国博士学位论文全文数据库 农业科技辑》 *
郭澎涛 等: "基于 BP 神经网络的橡胶苗叶片磷含量高光谱预测", 《农业工程学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113063754A (zh) * 2021-04-21 2021-07-02 中国热带农业科学院橡胶研究所 一种基于加权环境变量聚类的叶片磷含量检测方法
CN113063754B (zh) * 2021-04-21 2022-09-13 中国热带农业科学院橡胶研究所 一种基于加权环境变量聚类的叶片磷含量检测方法
CN114235715A (zh) * 2021-11-10 2022-03-25 桂林理工大学 一种喀斯特植物叶片全磷含量无损监测方法
CN114235715B (zh) * 2021-11-10 2023-10-13 桂林理工大学 一种喀斯特植物叶片全磷含量无损监测方法
CN114062282A (zh) * 2022-01-12 2022-02-18 中国农业科学院农业资源与农业区划研究所 一种树上果实干物质快速判定方法及装置
CN114062282B (zh) * 2022-01-12 2023-09-22 中国农业科学院农业资源与农业区划研究所 一种树上果实干物质快速判定方法及装置
CN114937029A (zh) * 2022-06-21 2022-08-23 西南林业大学 森林碳储量抽样估测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20210056424A1 (en) 2021-02-25
US11521073B2 (en) 2022-12-06

Similar Documents

Publication Publication Date Title
CN110455722A (zh) 橡胶树叶片磷含量高光谱反演方法和系统
CN106124449B (zh) 一种基于深度学习技术的土壤近红外光谱分析预测方法
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN101430276B (zh) 光谱分析中波长变量优选的方法
CN107271382A (zh) 一种不同生育期油菜叶片spad值遥感估算方法
CN110531054B (zh) 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法
CN107271405A (zh) 一种多模型协同的水质参数浓度反演方法和装置
CN101825567A (zh) 一种近红外光谱和拉曼光谱波长的筛选方法
CN109540836A (zh) 基于bp人工神经网络的近红外光谱糖度检测方法及系统
CN110726694A (zh) 光谱变量梯度集成遗传算法的特征波长选择方法和系统
CN108169165B (zh) 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法
CN105486655A (zh) 基于红外光谱智能鉴定模型的土壤有机质快速检测方法
CN110333195A (zh) 植物叶片水分含量检测方法及装置
CN108761456A (zh) 一种作物的叶面积指数反演方法
CN115443889A (zh) 作物精准灌溉方法及装置
Xuemei et al. Using short wave visible–near infrared reflectance spectroscopy to predict soil properties and content
CN114611582B (zh) 一种基于近红外光谱技术分析物质浓度的方法及系统
CN113030001A (zh) 一种水果糖度检测方法及系统
Martins et al. Estimation of soluble solids content and fruit temperature in'Rocha'pear using Vis-NIR spectroscopy and the SpectraNet–32 deep learning architecture
Shao et al. Measurement of yogurt internal quality through using Vis/NIR spectroscopy
Liu et al. Detection of Apple Taste Information Using Model Based on Hyperspectral Imaging and Electronic Tongue Data.
CN109145403B (zh) 一种基于样本共识的近红外光谱建模方法
Gao et al. Study on deep learning model for online estimation of chlorophyll content based on near ground multispectral feature bands
CN114019082B (zh) 一种土壤有机质含量监测方法和系统
CN105954206B (zh) 紫玉米叶片花色苷含量的测量方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191115