CN110907393B - 植物盐碱胁迫程度检测方法及装置 - Google Patents
植物盐碱胁迫程度检测方法及装置 Download PDFInfo
- Publication number
- CN110907393B CN110907393B CN201911157800.3A CN201911157800A CN110907393B CN 110907393 B CN110907393 B CN 110907393B CN 201911157800 A CN201911157800 A CN 201911157800A CN 110907393 B CN110907393 B CN 110907393B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- near infrared
- infrared spectrum
- wavelength
- saline
- 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
Links
- 239000003513 alkali Substances 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 120
- 238000003062 neural network model Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 93
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 29
- 230000003595 spectral effect Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 24
- 150000003839 salts Chemical class 0.000 claims description 24
- 230000036961 partial effect Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 230000002860 competitive effect Effects 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 239000002585 base Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims 1
- 239000011780 sodium chloride Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 230000035882 stress Effects 0.000 description 120
- 241000196324 Embryophyta Species 0.000 description 83
- 244000046052 Phaseolus vulgaris Species 0.000 description 38
- 238000001228 spectrum Methods 0.000 description 34
- 235000021332 kidney beans Nutrition 0.000 description 20
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000002835 absorbance Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 229910052691 Erbium Inorganic materials 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 description 1
- JEVVKJMRZMXFBT-XWDZUXABSA-N Lycophyll Natural products OC/C(=C/CC/C(=C\C=C\C(=C/C=C/C(=C\C=C\C=C(/C=C/C=C(\C=C\C=C(/CC/C=C(/CO)\C)\C)/C)\C)/C)\C)/C)/C JEVVKJMRZMXFBT-XWDZUXABSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 244000046095 Psophocarpus tetragonolobus Species 0.000 description 1
- 235000010580 Psophocarpus tetragonolobus Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- OENHQHLEOONYIE-UKMVMLAPSA-N all-trans beta-carotene Natural products CC=1CCCC(C)(C)C=1/C=C/C(/C)=C/C=C/C(/C)=C/C=C/C=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C OENHQHLEOONYIE-UKMVMLAPSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000013734 beta-carotene Nutrition 0.000 description 1
- 239000011648 beta-carotene Substances 0.000 description 1
- TUPZEYHYWIEDIH-WAIFQNFQSA-N beta-carotene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CCCC1(C)C)C=CC=C(/C)C=CC2=CCCCC2(C)C TUPZEYHYWIEDIH-WAIFQNFQSA-N 0.000 description 1
- 229960002747 betacarotene Drugs 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- QDOXWKRWXJOMAK-UHFFFAOYSA-N dichromium trioxide Chemical compound O=[Cr]O[Cr]=O QDOXWKRWXJOMAK-UHFFFAOYSA-N 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- UYAHIZSMUZPPFV-UHFFFAOYSA-N erbium Chemical compound [Er] UYAHIZSMUZPPFV-UHFFFAOYSA-N 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 235000012661 lycopene Nutrition 0.000 description 1
- OAIJSZIZWZSQBC-GYZMGTAESA-N lycopene Chemical compound CC(C)=CCC\C(C)=C\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\C=C(/C)CCC=C(C)C OAIJSZIZWZSQBC-GYZMGTAESA-N 0.000 description 1
- 239000001751 lycopene Substances 0.000 description 1
- 229960004999 lycopene Drugs 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- ZCIHMQAPACOQHT-ZGMPDRQDSA-N trans-isorenieratene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/c1c(C)ccc(C)c1C)C=CC=C(/C)C=Cc2c(C)ccc(C)c2C ZCIHMQAPACOQHT-ZGMPDRQDSA-N 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- OENHQHLEOONYIE-JLTXGRSLSA-N β-Carotene Chemical compound CC=1CCCC(C)(C)C=1\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C OENHQHLEOONYIE-JLTXGRSLSA-N 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种植物盐碱胁迫程度检测方法及装置，该方法包括：获取待检测植物的近红外光谱数据；对所述近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据所述径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；其中，所述径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到。与目前的方法相比，该方法无需借助过多的测量设备，仅需获取近红外光谱数据，从而也不会损坏冠层叶片。同时，通过训练好的神经网络,能够简便、高效和准确的地检测盐碱胁迫程度。
Description
技术领域
本发明涉及植物生长环境检测领域，尤其涉及一种植物盐碱胁迫程度检测方法及装置。
背景技术
农作物中的杂粮在未来农业可持续发展中具有关键地位，对其进行深入研究对农业发展具有重要指导意义。盐碱胁迫是一种普遍的环境胁迫，随着近年来盐渍化面积不断加剧，盐碱化问题已成为农作物产量降低的主要原因之一。
目前，针对盐碱胁迫问题已有了大量相关研究，包括用水稻基因型籽粒品质的变化来观察盐碱胁迫；通过根际微生物的作用来研究燕麦盐碱胁迫；通过植物根际土壤微生物数量及酶活性来研究盐碱胁迫等。
但是传统对农作物盐碱胁迫的研究主要是通过大量化学等方法，存在仪器设备较多，方法较为复杂且化学试剂有损于冠层叶片等问题，导致仍不能简便、快速地检测盐碱胁迫。
发明内容
为了解决上述问题，本发明实施例提供一种植物盐碱胁迫程度检测方法及装置。
第一方面，本发明实施例提供一种植物盐碱胁迫程度检测方法，包括：获取待检测植物的近红外光谱数据；对所述近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据所述径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；其中，所述径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到。
进一步地，所述对所述近红外光谱数据中的多个特征波长进行特征提取之前，还包括：基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到所述多个特征波长。
进一步地，所述基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到所述多个特征波长，包括：获取多个植物近红外光谱数据样本；从样本中抽取预设比例的近红外光谱数据，建立偏最小二乘分析模型；通过蒙特卡罗采样，对所述偏最小二乘分析模型进行采样，计算采样得到波长回归系数的绝对值权重，删去绝对值权重较小的预设数量波长；根据剩余波长，通过自适应重加权采样，对采样得到的波长再次建立偏最小二乘分析模型，并计算交互验证均方根误差值；重复上述从样本中抽取预设比例的近红外光谱数据，建立偏最小二乘分析模型，并计算交互验证均方根误差值的过程，直至达到预设次数，将交互验证均方根误差值最小的偏最小二乘分析模型中对应的波长作为所述多个特征波长。
进一步地，所述获取多个植物的近红外光谱数据之后，还包括：采用去趋势算法对所述近红外光谱数据进行处理，消除光谱曲线噪声；相应地，所述对所述近红外光谱数据中的多个特征波长进行特征提取，具体为，对去趋势算法处理后的近红外光谱数据中的多个特征波长进行特征提取。
进一步地，所述将每个特征波长的特征数据，输入预设的径向基神经网络模型，根据所述径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度，包括：将每个特征波长的特征数据，分别输入至所述径向基神经网络模型输入层的每个神经元；将输入层的输出结果，输入基于高斯径向基函数构成神经元的径向基层；将径向基层的输出结果，输入至使用线性激励函数构成神经元的输出层，得到输出结果向量；根据所述输出结果向量，确定待检测植物的盐碱胁迫程度。
进一步地，所述将每个特征波长的特征数据，输入至预设的径向基神经网络模型之前，还包括：获取多个已知盐碱胁迫程度的植物近红外光谱数据样本，并确定对应的盐碱胁迫程度；对每个近红外光谱数据样本进行特征波长的特征提取，得到每个近红外光谱数据样本特征波长的特征数据；将每个近红外光谱数据样本特征波长的特征数据，和盐碱胁迫程度标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述径向基神经网络模型进行训练。
进一步地，所述利用所述多个训练样本对所述径向基神经网络模型进行训练，包括：将任意一个训练样本的所有特征波长的特征数据，输入至所述径向基神经网络模型，输出所述训练样本对应的盐碱胁迫程度预测值；通过样本的盐碱胁迫程度标签和所述预测值，对网络参数进行更新；利用预设的验证集样本，对训练后的径向基神经网络模型计算误差；若所述误差达到目标误差或训练次数达到预设训练次数，则所述径向基神经网络模型训练完成。
第二方面，本发明实施例提供一种植物盐碱胁迫程度检测装置，包括：获取模块，用于获取待检测植物的近红外光谱数据；提取模块，用于对所述近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；处理模块，用于将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据所述径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；其中，所述径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到。
第三方面，本发明实施例提供一种电子设备，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，处理器执行程序时实现本发明第一方面植物盐碱胁迫程度检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面植物盐碱胁迫程度检测方法的步骤。
本发明实施例提供的植物盐碱胁迫程度检测方法及装置，通过对近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据。特征数据中包含了盐碱胁迫程度对应的特征，预设的径向基神经网络模型根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到，能够输出盐碱胁迫程度的识别结果，从而实现快速而准确的盐碱胁迫程度检测。与目前的方法相比，无需借助过多的测量设备，仅需获取近红外光谱数据，从而也不会损坏冠层叶片。同时，通过训练好的神经网络,能够简便、高效和准确的地检测盐碱胁迫程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的植物盐碱胁迫程度检测方法流程图；
图2为本发明实施例提供的竞争性自适应重加权算法示意图；
图3为本发明实施例提供的径向基神经网络模型结构示意图；
图4为本发明另一实施例提供的植物盐碱胁迫程度检测方法流程图；
图5为本发明实施例提供的盐碱胁迫程度检测误差与训练次数关系图；
图6为本发明实施例提供的植物盐碱胁迫程度检测装置结构图；
图7为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
土壤中的盐碱胁迫严重影响了农作物的优质、高产和稳产，随着土地盐碱化的日益加剧，农作物生产过程中的盐碱胁迫呈现越演越烈的趋势，使农户深受其害。如何快速准确、实时地获取农作物生长期的盐碱胁迫状态信息的机理及模型，已成为实施精细农业的亟待解决的问题。
图1为本发明实施例提供的植物盐碱胁迫程度检测方法流程图，如图1所示，本发明实施例提供一种植物盐碱胁迫程度检测方法，包括：
101、获取待检测植物的近红外光谱数据。
近红外光谱分析技术是20世纪80年代后期迅速发展起来的一项测试技术，近红外光谱分析技术具有快速、简便、相对准确等优点。目前有，基于近红外光谱技术进行无损检测西瓜SSC,番茄红素和β-胡萝卜素3种含量；基于近红外光谱技术对扁豆脂肪含量进行研究；基于近红外光谱法快速无损检测大豆含水量。
在101中，先获取作物的近红外光谱，具体步骤可以是：
将获得的植物(如水培芸豆)与近红外光谱仪放在同一室内环境下静置,以保证植物样本所处的环境条件与仪器环境条件一致，测量样品前，将布鲁克近红外光谱仪预热30min，利用OPUS软件对植物进行扫描获取近红外光谱曲线，通过检测信号、保留峰位、扫描背景单通道光谱、测量样品单通道光谱等操作，来消除外界信息的干扰提高采集数据的误差。由于光谱仪在测量范围的两端包含了较大的噪音，因此只选取原始波长990～2452nm范围内的光谱吸收度值进行分析。
102、对近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据。
近红外光谱数据包括多个波长的近红外光谱曲线，从多个波长中选取部分作为特征波长。然后，对多个特征波长的近红外光谱曲线进行特征提取，得到每个特征波长的特征数据。例如，特征数据包括每个特征波长的吸光度值和幅值。
103、将每个特征波长的特征数据，输入预设的径向基神经网络模型，根据径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度。
在103中，盐碱胁迫与冠层光谱特征波长之间存在着非线性映射关系，并且难以建立严密和精确的数学模型的问题，本发明实施例应用径向基神经网络(Radial BasisFunction Neural Network，RBF)来进行分析。径向基神经网络具有自适应的归纳推理机制，以其简单的结构、快速的训练过程和具有较好的精确识别盐碱胁迫等级等诸多优点，为其进行植物盐碱胁迫检测提供了有利手段，能够建立植物盐碱胁迫与冠层光谱特征波长之间映射规律，完成植物盐碱胁迫自动快速检测模型实现过程。
预设的径向基神经网络模型，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到。训练过程也是采用102中相同的特征提取方法。训练完成后的径向基神经网络模型，能够根据待检测植物每个特征波长的特征数据，得到待检测植物的盐碱胁迫程度。
本发明实施例提供的植物盐碱胁迫程度检测方法，通过对近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据。特征数据中包含了盐碱胁迫程度对应的特征，预设的径向基神经网络模型根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到，能够输出盐碱胁迫程度的识别结果，从而实现快速而准确的盐碱胁迫程度检测。与目前的方法相比，无需借助过多的测量设备，仅需获取近红外光谱数据，从而也不会损坏冠层叶片。同时，通过训练好的神经网络,能够简便、高效和准确的地检测盐碱胁迫程度。
基于上述实施例的内容，作为一种可选实施例，对近红外光谱数据中的多个特征波长进行特征提取之前，还包括：基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到多个特征波长。
因植物的近红外光谱数据中，原始光谱变量较多。本发明实施例中，优选植物冠层原始光谱曲线数据，用优选的少数波长代替原始的数千个波长来构建智能检测植物盐碱胁迫模型，提高模型检测速度。
竞争性自适应重加权采样算法(Competitive Adaptive Reweighted Sampling,CARS)是一种结合蒙特卡罗采样(Monte Carlo Sampling,MCS)与PLS(偏最小二乘分析)模型回归系数相结合的优选特征波长的方法。由于植物冠层的原始光谱变量较多，通过CARS算法，对近红外光谱进行波长的筛选后，能够得到精确优选波长。
本发明实施例提供的植物盐碱胁迫程度检测方法，基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，将精确优选波长作为特征波长。可较好代表原始光谱信息的特点，使优选出的波长构建模型更具稳健性，从而提高模型的检测速度。
基于上述实施例的内容，作为一种可选实施例，基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到多个特征波长，包括：获取多个植物近红外光谱数据样本；从样本中抽取预设比例的近红外光谱数据，建立偏最小二乘分析模型；通过蒙特卡罗采样，对偏最小二乘分析模型进行采样，计算采样得到的波长回归系数的绝对值权重，删去绝对值权重较小的预设数量波长；根据剩余波长，通过自适应重加权采样，对采样得到的波长再次建立偏最小二乘分析模型，并计算交互验证均方根误差(RMSECV)值；重复上述抽取预设比例的近红外光谱数据样本，建立偏最小二乘分析模型，至计算RMSECV值的过程，直至达到预设次数，将RMSECV值最小的偏最小二乘分析模型对应的波长作为多个特征波长。
通过CARS算法中每次运行自适应加权采样法(Adaptive Reweighted Sampling,ARS)保留PLS模型中回归系数绝对值权重较大的点作为新的子集，删除权重较小的点，然后基于新的子集建立PLS模型，经多次计算，选择PLS模型RMSECV最小的子集中的波长作为特征波长。因其精确优选波长可较好代表原始光谱信息的特点，使优选出的波长构建模型更具稳健性，因此对于检测芸豆盐碱胁迫运用CARS算法较适合。
利用竞争性自适应重加权采样算法(CARS)优选芸豆盐碱胁迫下的近红外光谱特征波长。图2为本发明实施例提供的竞争性自适应重加权算法示意图，CARS算法具体流程如图2所示。
首先，获取多个植物近红外光谱数据样本，并确定预设次数。
其次，用蒙特卡罗采样选择部分样本建立对应的PLS模型，对该次采样中波长回归系数的绝对值权重进行计算。删去绝对值较小的波长变量，并采用指数衰减函数(EDF)来确定删除的波长变量的个数。在基于剩余的植物冠层光谱波长变量的基础上，通过自适应重加权采样(ARS)选择波长建立PLS模型，并计算RMSECV值。
最后，按预设次数重复上述用蒙特卡罗采样选择部分样本建立对应的PLS模型，直到计算RMSECV值的过程。结束后，RMSECV值最小的PLS模型对应的波长即为选择能够检测芸豆盐碱胁迫的特征波长。
采用蒙特卡罗采样(MCS)法对模型取样。在每次CARS采样中，都需要从植物近红外光谱数据样本中随机抽取一定量的样本，构建PLS模型。
蒙特卡罗(MCS)的采样次数，即预设次数N可设置为50次，设所测的植物冠层样本的多维度光谱矩阵为X(m×n)，m为植物冠层样本数，n为光谱变量数，与多维度光谱曲线对应的芸豆冠层盐碱胁迫等级程度设置变量真实值矩阵为y(m×1)，则PLS回归模型为：
y＝Xb+e
式中，b代表一个n维的系数向量；e表示预测残差。
选用指数衰减函数(Exponentially Decreasing Function,EDF)强行删除回归系数绝对值相对较小的芸豆冠层光谱曲线波长点。在第i次采样时，根据EDF得到确定芸豆光谱曲线波长点的保留率Ri为：
Ri＝μe-ki
式中，μ与k是常数，可以进行如下计算：
式中，在第1次采样时，R1＝1，n表示芸豆光谱原始波长变量均参与建模；在第N次采样时，RN＝2/n,仅剩2个变量参与建模，N为采样次数。
基于自适应重加权采样技术(ARS)通过评价|wi|为芸豆光谱曲线第i个变量的权重来进行相应变量的筛选，权重值的建立如下：
其中n为光谱变量，|bi|为第i个光谱变量的回归系数绝对值(1≤i≤n)代表第i个变量对检测盐碱胁迫等级程度的贡献。
在N次采样完成之后，通过计算并选择RMSECV最小值所对应的波长变量子集即为能够检测植物冠层盐碱胁迫时的最优特征波长。
本发明实施例提供的植物盐碱胁迫程度检测方法，基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，将精确优选波长作为特征波长。可较好代表原始光谱信息的特点，使优选出的波长构建模型更具稳健性，并能够有效提高模型的检测速度。
基于上述实施例的内容，作为一种可选实施例，获取多个植物的近红外光谱数据之后，还包括：采用去趋势算法对近红外光谱数据进行处理，消除光谱曲线噪声；相应地，对近红外光谱数据中的多个特征波长进行特征提取，具体为，对去趋势算法处理后的近红外光谱数据中的多个特征波长进行特征提取。
为提高光谱分辨率，针对近红外光谱仪器扫描植物冠层时可能存在基线漂移等情况，利用去趋势算法(Detrending，DT)对光谱预处理可消除产生的光谱曲线噪声带来的影响。光谱曲线噪声包括，光谱基线漂移、实验仪器噪声和暗电流引起的噪声。
去趋势的原理是，首先将植物冠层光谱的吸光度值和波长按照多项式拟合出一条趋势线
然后从植物冠层原始光谱x中减去去趋势线
达到去趋势的效果，使近红外光谱曲线的波峰和波谷更加明显，从而达到消除植物冠层光谱基线漂移影响的目的，提高植物冠层原始光谱的信噪比。
在去趋势中，将植物冠层光谱的吸光度值和波长按照二项式拟合出一条趋势线
得到下式：
式中，xm为植物冠层原始光谱中的吸收度值，
为经过二项式线性拟合的趋势线。
通过使用二项式拟合出一条趋势线
后，通过用采集的植物冠层原始光谱x减去去趋势线
可得到植物冠层原始光谱经过去趋势预处理之后光谱曲线的方程为：
式中，x为植物冠层原始光谱，xDT为经过去趋势预处理后的光谱。
经过预处理之后通过相应显著性检验方法得到假设机率P-value和误差的效果与原始光谱进行比较，从而显示出通过预处理之后的光谱效果更好。
在对植物冠层原始光谱曲线(RAW)进行去趋势预处理时，设置将植物冠层光谱的吸光度值和波长按照多项式拟合出一条趋势线，其中多项式(polynomial order)的参数设置为2。通过表1可看出经过预处理之后由于减少了光谱基线漂移和存在噪声等影响，使误差从1850.83降到578.60，且根据显著性检验方法得到假设机率P-value趋近于0且均小于0.01达到显著相关，提高了原始光谱的分辨率，最后取得了较好的效果。
表1植物冠层DT预处理之后的效果
| 光谱 | 波长数量 | P-value | 误差 |
| RAW | 1463 | lim P-value→0 | 1850.83 |
| DT-RAW | 1463 | lim P-value→0 | 578.60 |
本发明实施例提供的植物盐碱胁迫程度检测方法，采用去趋势算法对近红外光谱数据进行处理，消除光谱曲线噪，为后续的植物冠层光谱信息的分析和提取提供有利手段，并提高模型的稳健性。
基于上述实施例的内容，作为一种可选实施例，将每个特征波长的特征数据，输入预设的径向基神经网络模型，根据径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度，包括：将每个特征波长的特征数据，分别输入至径向基神经网络模型输入层的每个神经元；将输入层的输出结果，输入基于高斯径向基函数构成神经元的径向基层；将径向基层的输出结果，输入至使用线性激励函数构成神经元的输出层，得到输出结果向量；根据输出结果向量，确定待检测植物的盐碱胁迫程度。
构建植物检测盐碱胁迫的预设的径向基神经网络模型，关键是网络结构和参数的确定。本实施例中预设的径向基神经网络模型，由输入层，隐含层和输出层构成的径向基神经网络，经过多次模型训练达到提高准确率的目的。例如，构建一个含有95个神经元的输入层，1个隐含层和n个输出神经元的输出层的RBF神经网络模型，其中隐含层为282个神经元。
基于上述输入层、隐含层和输出层参数设定的基础上，可采用newrb函数创建网络。图3为本发明实施例提供的径向基神经网络模型结构示意图，如图3所示，构建的检测植物盐碱胁迫径向基神经网络拓扑结构上看，该网络分为输入层，径向基层和输出层，每层分别有nI，nr和no节点数，各层之间采用全部互连方式，同层节点单元之间没有相互连接。
输入层：设该层输入的芸豆光谱特征向量为
其中
令
为输入层的第i节点输出：
径向基层：该层节点是高斯径向基函数构成的神经元，其输出向量
设cj为基函数的聚类中心，σj是基函数的宽度，||·||表示欧式范数，输入层到径向基层为的连接权为wij＝1，则
为径向基层的第j节点输出：
输出层：该层各节点使用线性激励函数，隐含层到输出层为的连接权为wjk，令输出向量为
其中
则
为输出层的第k节点输出：
然后计算神经网络模型前向输出y值，通过比较输出网络前向y值里的最大值来构建输出值至编码向量，将y编码向量解析至盐碱胁迫等级，最后输出检测盐碱胁迫等级的结果。
如果，Max(y1、y2、…yi…yn)中Max＝yi，则yi＝1，其余为0，将y编码向量解析至盐碱胁迫等级，达到可自适应地检测农产品多个盐碱胁迫等级的目的。例如，如果当输出的7个值Max(y1、y2、y3、y4、y5、y6、y7)中Max＝y7，则y7＝1，其余为0，则输出7个y值结果，y7＝1，y1＝y2＝y3＝y4＝y5＝y6＝0；否则接着验证输出的7个值是否Max＝y6，如果是则输出7个y值结果，y6＝1，y1＝y2＝y3＝y4＝y5＝y7＝0；否则接着验证输出的7个值是否Max＝y5，如果是则输出7个y值结果，y5＝1，y1＝y2＝y3＝y4＝y6＝y7＝0；否则接着验证输出的7个值是否Max＝y4，如果是则输出7个y值结果，y4＝1，y1＝y2＝y3＝y5＝y6＝y7＝0；否则接着验证输出的7个值是否Max＝y3，如果是则输出7个y值结果，y3＝1，y1＝y2＝y4＝y5＝y6＝y7＝0；否则接着验证输出的7个值是否Max＝y2，如果是则输出7个y值结果，y2＝1，y1＝y3＝y4＝y5＝y6＝y7＝0；否则接着验证输出的7个值是否Max＝y1，如果是则输出7个y值结果，y1＝1，y2＝y3＝y4＝y5＝y6＝y7＝0；将y编码向量解析至产地名称，其中0000001代表健康、0000010代表盐碱1等级、0000100代表盐碱2等级、0001000代表盐碱3等级、0010000代表盐碱4等级、0100000代表盐碱5等级和1000000代表盐碱6等级，最后输出检测的盐碱胁迫等级结果。
本发明实施例提供的植物盐碱胁迫程度检测方法，将每个特征波长的特征数据，分别输入具有输入层、径向基层和输出层构件的高斯径向基神经网络，该神经网络训练后，能够精确识别盐碱胁迫等级，为芸豆盐碱胁迫检测提供理论依据。
基于上述实施例的内容，作为一种可选实施例，将每个特征波长的特征数据，输入至预设的径向基神经网络模型之前，还包括：获取多个已知盐碱胁迫程度的植物近红外光谱数据样本，并确定对应的盐碱胁迫程度；对每个近红外光谱数据样本进行特征波长的特征提取，得到每个近红外光谱数据样本特征波长的特征数据；将每个近红外光谱数据样本特征波长的特征数据，和盐碱胁迫程度标签的组合作为一个训练样本，从而得到多个训练样本，利用多个训练样本对径向基神经网络模型进行训练。
上述预设的径向基神经网络为训练后的模型，在使用之前还包括对其进行训练的过程。
首先，获取多个已知盐碱胁迫程度的植物近红外光谱数据样本，并确定对应的盐碱胁迫程度。以芸豆为例，采集524个芸豆样本(健康样本201个、盐碱1级55个、盐碱2级54个、盐碱3级51个、盐碱4级60个、盐碱5级60个、盐碱6级43个)的近红外光谱曲线，和按照健康和盐碱每间隔24h依次划分0-6级盐碱胁迫等级程度芸豆的平均光谱吸收度值曲线。按3:1的比例划分芸豆的样本集，即校正集样本为393组和预测集样本为131组。
将近红外光谱数据样本中的特征波长进行与上述实施例相同方法的特征提取后，得到每个近红外光谱数据样本的特征波长的特征数据。需要说明的是，特征波长在训练时和实际检测时是相同的。该特征波长可以采用上述实施例中，基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到多个特征波长。例如对一千多个波长，筛选得到与输入神经元数量一致的特征波长个数，如95个。将已知的盐碱胁迫等级，作为对应近红外光谱数据样本的标签，结合每个样本的特征波长的特征数据，对预设的径向基神经网络模型进行训练。
利用多个训练样本对预设的径向基神经网络模型进行训练，从而对于输入该径向基神经网络模型的待检测植物的特征波长的特征数据，能够得到准确的对应盐碱胁迫程度。
基于上述实施例的内容，作为一种可选实施例，利用多个训练样本对径向基神经网络模型进行训练，包括：将任意一个训练样本的所有特征波长的特征数据，输入至径向基神经网络模型，输出训练样本对应的盐碱胁迫程度预测值；通过样本的盐碱胁迫程度标签和预测值，对网络参数进行更新；利用预设的验证集样本，对训练后的径向基神经网络模型计算误差；若误差达到目标误差或训练次数达到预设训练次数，则径向基神经网络模型训练完成。
在网络实际训练时，可先设定目标误差，如设为0.01，可设置最大训练次数，如设为1000，还可设置扩展速度，如设为1.7。
从多个训练样本中选取任意近红外光谱数据样本，将近红外光谱数据样本的特征数据，输入至预设的径向基神经网络模型，从输出层输出盐碱胁迫程度对应的分类向量。根据盐碱胁迫程度对应的分类向量，近红外光谱数据样本的标签，对网络参数进行更新。训练后，通过验证集样本验证网络模型的误差，若误差达到目标误差，如0.01，或达到总的预设训练次数，如1000次，则径向基神经网络模型训练完成。若不满足，从训练样本中再次选择红外光谱数据样本进行训练，直至满足上述条件。利用训练好的径向基神经网络模型，便可实施待检测植物的盐碱胁迫程度检测。
基于上述各实施例，图4为本发明另一实施例提供的植物盐碱胁迫程度检测方法流程图，如图4所示，首先获取芸豆冠层的近红外光谱曲线，然后按照设置的参数自动进行去趋势算法(Detrending，DT)预处理原始光谱曲线；接着通过采用竞争性自适应重加权采样算法(Competitive Adaptive Reweighted Sampling,CARS)优选出的芸豆的光谱波长调用RBF智能检测模型；然后计算神经网络模型前向输出y值，通过比较输出网络前向y值里的最大值来构建输出值至编码向量，将y编码向量解析至盐碱胁迫等级，最后输出检测盐碱胁迫等级的结果。详情可参见上述实施例，此处不在赘述。
基于上述各实施例，图5为本发明实施例提供的盐碱胁迫程度检测误差与训练次数关系图，对基于NIR-CARS-RBF模型苗期芸豆盐碱胁迫程度检测的结果分别如图5和表2所示。首先在DT预处理基础上，利用CARS算法的优选芸豆95个NIR光谱波长，然后构建RBF模型，可看出芸豆盐碱胁迫下CARS算法优选的波长数均较原始波长数(1463个)极大减少，在经过CARS算法优选的基础上，芸豆波段总数减少了93.51％。模型识别误差达到90％以上认为属于较好模型,芸豆盐碱胁迫下的NIR-CARS-RBF模型识别误差为97.73％，达到95％以上认为可达到盐碱胁迫等级无损检测的误差且均方误差为0.00993859。
表2.RBF模型对芸豆预测结果的影响
基于上述各实施例，以农作物中的三叶期芸豆为研究对象，根据芸豆苗期叶片生理指标中的光合色素含量、气体交换参数和叶绿荧光参数每隔24h就有显著变化来确定盐碱胁迫程度等级，通过近红外光谱仪获取芸豆健康和盐碱胁迫24h、48h、72h、96h、120h和144h(第7天芸豆叶片已无活性)的近红外光谱曲线，提出一种植物碱胁迫程度检测的新方法。得到主要结论如下：
用近红外光谱仪器在获取芸豆健康和盐碱胁迫每间隔24h的近红外光谱曲线和对其进去趋势预处理的基础上，通过CARS算法提取芸豆的特征波长，其中芸豆原波长数量由1463个降到95个和芸豆波长总数减少了93.51％。
针对芸豆盐碱胁迫状态，基于CARS算法优选的特征波长构建的RBF模型得出：芸豆盐碱胁迫状态调用NIR-CARS-RBF模型的检测效果较好，检测芸豆盐碱胁迫的误差达到97.73％和均方误差为0.00993859。
由此得出，基于近红外光谱技术的芸豆盐碱胁迫检测模型极大程度简化了目前的检测方法，基于优选NIR光谱波长构建的NIR-CARS-RBF智能模型能够精确无损检测芸豆盐碱胁迫，为保障芸豆健康生长和及时防治盐碱胁迫，实现了一种快速、无损检测芸豆盐碱胁迫的新方法。
图6为本发明实施例提供的植物盐碱胁迫程度检测装置结构图，如图6所示，该植物盐碱胁迫程度检测装置包括：获取模块601、提取模块602和处理模块603。其中，获取模块601用于获取待检测植物的近红外光谱数据；提取模块602用于对近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；处理模块603用于将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；其中，径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的植物盐碱胁迫程度检测装置，通过对近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据。特征数据中包含了盐碱胁迫程度对应的特征，预设的径向基神经网络模型根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到，能够输出盐碱胁迫程度的识别结果，从而实现快速而准确的盐碱胁迫程度检测。与目前的方法相比，无需借助过多的测量设备，仅需获取近红外光谱数据，从而也不会损坏冠层叶片。同时，通过训练好的神经网络,能够简便、高效和准确的地检测盐碱胁迫程度。
图7为本发明实施例提供的一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和总线704，其中，处理器701，通信接口702，存储器703通过总线704完成相互间的通信。通信接口702可以用于电子设备的信息传输。处理器701可以调用存储器703中的逻辑指令，以执行包括如下的方法：获取待检测植物的近红外光谱数据；对近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；其中，径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到。
此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待检测植物的近红外光谱数据；对近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；其中，径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种植物盐碱胁迫程度检测方法，其特征在于，包括：
获取待检测植物的近红外光谱数据；
对所述近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；
将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据所述径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；
其中，所述径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到；
所述对所述近红外光谱数据中的多个特征波长进行特征提取之前，还包括：
基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到所述多个特征波长；
所述基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到所述多个特征波长，包括：
获取多个植物近红外光谱数据样本；
通过蒙特卡罗采样，从样本中抽取预设比例的近红外光谱数据，建立偏最小二乘分析模型；
对所述偏最小二乘分析模型，计算波长回归系数的绝对值权重，并删去绝对值权重较小的预设数量波长，其中，采用指数衰减函数确定删除的波长变量的个数；
根据剩余波长，通过自适应重加权采样，对采样得到的波长再次建立偏最小二乘分析模型，并计算交互验证均方根误差值；
采用指数衰减函数确定删除的波长变量的个数，包括：
在第i次采样时，根据指数衰减函数确定光谱曲线波长点的保留率：
其中，
重复上述从样本中抽取预设比例的近红外光谱数据，建立偏最小二乘分析模型，至计算交互验证均方根误差值的过程，直至达到预设次数，将交互验证均方根误差值最小的偏最小二乘分析模型中对应的波长，作为所述多个特征波长；
其中，n为光谱变量数，N为采样次数，在第1次采样时，R1=1;
所述将每个特征波长的特征数据，输入预设的径向基神经网络模型，根据所述径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度，包括：
将每个特征波长的特征数据，分别输入至所述径向基神经网络模型输入层的每个神经元；
将输入层的输出结果，输入基于高斯径向基函数构成神经元的径向基层；
将径向基层的输出结果，输入至使用线性激励函数构成神经元的输出层，得到输出结果向量；
根据所述输出结果向量，确定待检测植物的盐碱胁迫程度；
所述将每个特征波长的特征数据，输入至预设的径向基神经网络模型之前，还包括：
获取多个已知盐碱胁迫程度的植物近红外光谱数据样本，并确定对应的盐碱胁迫程度；
对每个近红外光谱数据样本进行特征波长的特征提取，得到每个近红外光谱数据样本特征波长的特征数据；
将每个近红外光谱数据样本特征波长的特征数据，和盐碱胁迫程度标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述径向基神经网络模型进行训练；
所述利用所述多个训练样本对所述径向基神经网络模型进行训练，包括：
将任意一个训练样本的所有特征波长的特征数据，输入至所述径向基神经网络模型，输出所述训练样本对应的盐碱胁迫程度预测值；
通过样本的盐碱胁迫程度标签和所述预测值，对网络参数进行更新；
利用预设的验证集样本，对训练后的径向基神经网络模型计算误差；
若所述误差达到目标误差或训练次数达到预设训练次数，则所述径向基神经网络模型训练完成。
2.根据权利要求1所述的植物盐碱胁迫程度检测方法，其特征在于，所述获取多个植物的近红外光谱数据之后，还包括：
采用去趋势算法对所述近红外光谱数据进行处理，消除光谱曲线噪声；
相应地，所述对所述近红外光谱数据中的多个特征波长进行特征提取，具体为，对去趋势算法处理后的近红外光谱数据中的多个特征波长进行特征提取。
3.一种植物盐碱胁迫程度检测装置，其特征在于，包括：
获取模块，用于获取待检测植物的近红外光谱数据；
提取模块，用于对所述近红外光谱数据中的多个特征波长进行特征提取，得到每个特征波长的特征数据；
处理模块，用于将每个特征波长的特征数据，输入至预设的径向基神经网络模型，根据所述径向基神经网络模型的输出结果，确定待检测植物的盐碱胁迫程度；
其中，所述径向基神经网络模型为，根据已知盐碱胁迫程度作为标签的近红外光谱数据样本，进行训练后得到；
所述提取模块还用于，对所述近红外光谱数据中的多个特征波长进行特征提取之前：基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到所述多个特征波长；
所述基于竞争性自适应重加权算法，对近红外光谱进行波长的筛选，得到所述多个特征波长，包括：
获取多个植物近红外光谱数据样本；
通过蒙特卡罗采样，从样本中抽取预设比例的近红外光谱数据，建立偏最小二乘分析模型；
对所述偏最小二乘分析模型，计算波长回归系数的绝对值权重，并删去绝对值权重较小的预设数量波长，其中，采用指数衰减函数确定删除的波长变量的个数；
根据剩余波长，通过自适应重加权采样，对采样得到的波长再次建立偏最小二乘分析模型，并计算交互验证均方根误差值；
采用指数衰减函数确定删除的波长变量的个数，包括：
在第i次采样时，根据指数衰减函数确定光谱曲线波长点的保留率：
其中，
重复上述从样本中抽取预设比例的近红外光谱数据，建立偏最小二乘分析模型，至计算交互验证均方根误差值的过程，直至达到预设次数，将交互验证均方根误差值最小的偏最小二乘分析模型中对应的波长，作为所述多个特征波长；
所述处理模块，具体用于：
将每个特征波长的特征数据，分别输入至所述径向基神经网络模型输入层的每个神经元；
将输入层的输出结果，输入基于高斯径向基函数构成神经元的径向基层；
将径向基层的输出结果，输入至使用线性激励函数构成神经元的输出层，得到输出结果向量；
根据所述输出结果向量，确定待检测植物的盐碱胁迫程度；
所述将每个特征波长的特征数据，输入至预设的径向基神经网络模型之前，所述装置还用于：
获取多个已知盐碱胁迫程度的植物近红外光谱数据样本，并确定对应的盐碱胁迫程度；
对每个近红外光谱数据样本进行特征波长的特征提取，得到每个近红外光谱数据样本特征波长的特征数据；
将每个近红外光谱数据样本特征波长的特征数据，和盐碱胁迫程度标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述径向基神经网络模型进行训练；
所述利用所述多个训练样本对所述径向基神经网络模型进行训练，包括：
将任意一个训练样本的所有特征波长的特征数据，输入至所述径向基神经网络模型，输出所述训练样本对应的盐碱胁迫程度预测值；
通过样本的盐碱胁迫程度标签和所述预测值，对网络参数进行更新；
利用预设的验证集样本，对训练后的径向基神经网络模型计算误差；
若所述误差达到目标误差或训练次数达到预设训练次数，则所述径向基神经网络模型训练完成。
4.一种电子设备，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程序时实现如权利要求1至2任一项所述植物盐碱胁迫程度检测方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述植物盐碱胁迫程度检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911157800.3A CN110907393B (zh) | 2019-11-22 | 2019-11-22 | 植物盐碱胁迫程度检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911157800.3A CN110907393B (zh) | 2019-11-22 | 2019-11-22 | 植物盐碱胁迫程度检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110907393A CN110907393A (zh) | 2020-03-24 |
| CN110907393B true CN110907393B (zh) | 2022-05-31 |
Family
ID=69818922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911157800.3A Active CN110907393B (zh) | 2019-11-22 | 2019-11-22 | 植物盐碱胁迫程度检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110907393B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111855920A (zh) * | 2020-08-05 | 2020-10-30 | 中国农业科学院棉花研究所 | 一种鉴定棉花受碱胁迫程度的方法 |
| CN112488230A (zh) * | 2020-12-07 | 2021-03-12 | 中国农业大学 | 基于机器学习的作物水分胁迫程度判定方法和装置 |
| CN113109290B (zh) * | 2021-04-08 | 2023-03-03 | 晨光生物科技集团股份有限公司 | 一种快速预判天然色素衰减速度的方法 |
| CN114112991B (zh) * | 2021-12-17 | 2024-01-26 | 广西壮族自治区农业科学院 | 一种设施甜瓜盐害无损测定方法及系统 |
| CN114509404A (zh) * | 2022-02-16 | 2022-05-17 | 安徽农业大学 | 一种高光谱土壤有效硼含量预测方法 |
| CN114720421B (zh) * | 2022-03-30 | 2024-06-28 | 中国农业大学 | 一种基于近红外光谱的燕麦相对饲用价值的检测方法 |
| CN115993344A (zh) * | 2023-03-23 | 2023-04-21 | 苏州斌智科技有限公司 | 一种近红外光谱分析仪质量监测分析系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918566A (zh) * | 2017-03-09 | 2017-07-04 | 长江勘测规划设计研究有限责任公司 | 基于高光谱数据的土壤水分、盐分信息联合提取方法 |
| CN107655851A (zh) * | 2017-09-18 | 2018-02-02 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 |
| CN110361356A (zh) * | 2019-07-30 | 2019-10-22 | 长春理工大学 | 一种提高小麦水分预测精度的近红外光谱变量选择方法 |
-
2019
- 2019-11-22 CN CN201911157800.3A patent/CN110907393B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| DING Jian-li等.Study on Soil Salinization Information in Arid Region Using Remote Sensing.《Agricultural Sciences in China》.2011,第10卷(第3期), * |
| Monika Zovko等.A geostatistical Vis-NIR spectroscopy index to assess the incipient soil.《Geoderma》.2018,第332卷 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110907393A (zh) | 2020-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| Li et al. | Discriminating varieties of tea plant based on Vis/NIR spectral characteristics and using artificial neural networks | |
| CN109493287A (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
| CN110991064B (zh) | 土壤重金属含量反演模型生成方法、系统及反演方法 | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| CN110579186B (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
| Chen et al. | Discrimination of Fresh Tobacco Leaves with Different Maturity Levels by Near‐Infrared (NIR) Spectroscopy and Deep Learning | |
| CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| CN110398473A (zh) | 一种农产品产地检测方法及系统 | |
| CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
| Zhaoyong et al. | Detection of moldy core in apples and its symptom types using transmittance spectroscopy | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| Cao et al. | Nondestructive detection of lead content in oilseed rape leaves based on MRF‐HHO‐SVR and hyperspectral technology | |
| Guan et al. | A recognition method of mushroom mycelium varieties based on near-infrared spectroscopy and deep learning model | |
| Yuan et al. | Application of hyperspectral imaging to discriminate waxy corn seed vigour after aging. | |
| Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| Wu et al. | Nitrogen status assessment for multiple cultivars of strawberries using portable FT-NIR spectrometers combined with cultivar recognition and multivariate analysis | |
| CN113607681A (zh) | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 | |
| CN112881333B (zh) | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 | |
| CN105651727B (zh) | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 | |
| Larson et al. | Apple fruitlet abscission prediction. I. Development and evaluation of reflectance spectroscopy models | |
| CN112924410A (zh) | 发芽葵花籽的太赫兹光谱快速识别方法 | |
| Mahajan et al. | Hyperspectral remote sensing-based prediction of the soil pH and salinity in the soil to water suspension and saturation paste extract of salt-affected soils of the west coast region |
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 |