基于高光谱图像技术的生菜叶片氮素含量检测与可视化研究

摘要

氮素是作物生理代谢和生长发育的一种非常重要的营养元素，与作物的长势、品质和产量息息相关。因此，实现对作物氮素的快速、精确、无损检测具有非常重要的意义。长期以来，作物的氮素检测都是以化学检测方法为主，但化学检测方法破坏性强、时效性差，影响作物生长而不利于大范围推广应用。近年来，基于光谱或计算机视觉的无损检测方法在作物氮素检测中得到了广泛关注。然而光谱技术由于采用点采样方式无法充分获取作物的完整信息，导致检测结果的随机性强;计算机视觉技术由于利用作物外部的颜色、纹理、形态等特征进行诊断，很难涉及到内部的组织结构和化学成分，导致检测精度不高。因此，本文以生菜为研究对象，提出了基于高光谱图像技术的生菜叶片氮素快速检测方法，主要研究内容及结论如下:
　　(1)以无土栽培的方法来培育生菜样本，以日本山崎营养液配方为基础，配置不同含氮浓度营养液，栽培出呈现一定的氮素梯度水平的生菜叶片，这为后续研究奠定基础。
　　(2)根据生菜叶片高光谱图像各区域的光谱反射率特性，采用图像比值的方法来加大图像各区域间的差异性，并结合图像阈值分割的方法，实现对生菜叶片高光谱图像感兴趣区域（Region of interest，ROI）的有效选取。
　　(3)建立了生菜叶片氮素含量的OSC_SPA_SVR最优预测模型。从Savitzky-Golay平滑(SG_smoothing)、多元散射校正（Mutiplicative ScatterCorrection，MSC）、标准正态变量结合去趋势(SNV_detrending)、一阶导数(1stderivative)、二阶导数(2nd derivative)、正交信号校正(Orthogonal SignalCorrection，OSC)这些光谱预处理算法中筛选出OSC为最优预处理方法。并采用连续投影算法(Successive Projections Algorithm，SPA)对OSC预处理后的光谱提取特征波长，基于特征波长数据建立多元线性回归(Multivariable LinearRegression，MLR)、偏最小二乘回归(Partial Least Squares Regression，PLSR)和支持向量回归（Support Vector Regression，SVR）3个预测模型。发现得到的OSC_SPA_SVR模型性能最优，R2c为0.855，RMSEC为0.385，R2p为0.841，RMSEP为0.414。
　　(4)研究了利用生菜叶片高光谱图像纹理特征对其氮素含量进行检测的方法。利用主成分分析法提取了叶片高光谱图像的前3幅主成分图像PC1、PC2、PC3，并对3幅主成分图像提取了基于灰度直方图统计矩和基于灰度共生矩的纹理数据。然后利用SPA对纹理数据进行特征优选，基于优选出的纹理特征建立MLR、PLSR和SVR3个模型，发现建立的SPA SVR模型性能最优，R2c为0.745，RMSEC为0.509，R2为0.499，RMSEP为0.734。
　　(5)利用高光谱图像技术来可视化显示生菜叶片中的氮素含量，采用SPA优选出特征波长，建立了特征波长数据与氮含量间的多元线性关系模型ypre=133.14x494-158.84x580+100.93 x719-61.71x736-16.80x761+24.94x876+9.04,最后将生菜叶片高光谱图像中每个像素点的特征光谱数据代入到建立的模型中，实现了生菜叶片氮素含量的可视化显示。这种方法可以克服光谱技术重现性差、计算机视觉技术精确度低的缺点，使得信息获取更加全面，检测结果更加准确。
　　本文提出的基于高光谱图像技术的生菜叶片氮素含量检测方法能够有效实现生菜叶片中氮含量的快速、精确、无损的检测，该研究结果也能为其他作物的氮素检测提供一定的参考价值。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 基于光谱技术的无损检测研究

1．2．2 基于计算机视觉技术的无损检测研究

1．2．3 基于高光谱图像技术的无损检测研究

1．3 本文研究内容和思路

1．4 本章小结

第2章 样本培育及叶片数据采集

2．1 生菜样本培育

2．1．1 试验背景

2．1．2 营养液的配制

2．1．3 样本的育苗移栽及施肥管理

2．1．4 叶片样本采集

2．2 叶片高光谱图像采集

2．2．1 高光谱成像系统

2．2．2 高光谱图像的采集与标定

2．3 叶片氮含量检测

2．4 本章小结

第3章 高光谱图像处理方法

3．1 数据预处理方法

3．1．1 平滑算法

3．1．2 多元散射校正算法

3．1．3 标准正态变量变换和去趋势算法

3．1．4 导数变换算法

3．1．5 正交信号校正算法

3．2 特征波长选取方法

3．3 数学建模方法

3．3．1 多元线性回归方法(MLR)

3．3．2 偏最小二乘回归方法(PLSR)

3．3．3 支持向量机回归方法(SVR)

3．3．4 模型性能评价指标

3．4 本章小结

第4章 基于高光谱图像的叶片光谱和图像信息提取

4．1 叶片感兴趣区域的提取

4．2 叶片光谱信息的提取

4．3 叶片图像信息的提取

4．3．1 主成分分析

4．3．2 纹理分析

4．3．3 主成分图像纹理提取

4．4 本章小结

第5章 基于高光谱图像的生菜叶片氮素含量预测模型研究

5．1 基于光谱信息的生菜叶片氮素含量预测模型研究

5．1．1 光谱数据预处理

5．1．2 光谱预处理方法的筛选

5．1．3 特征波长的提取

5．1．4 基于特征波长的生菜叶片氮素含量预测模型建立

5．2 基于图像纹理信息的生菜叶片氮素含量预测模型研究

5．3 模型结果分析

5．4 本章小结

第6章 基于高光谱图像的生菜叶片氮素含量分布可视化研究

6．1 高光谱图像的可视化

6．2 生菜叶片氮素含量分布的可视化研究

6．2．1 可视化模型的建立

6．2．2 生菜叶片氮素含量分布的可视化显示

6．3 本章小结

第7章 总结与展望

7．1 论文工作总结

7．2 展望

参考文献

致谢

攻读硕士学位期间发表的学术论文