基于强度—波长—偏振多维光信息的番茄氮素检测研究

摘要

设施栽培经常会出现氮营养元素比例失调和缺素症状,直接影响作物的产量和品质。迫切需要在作物生长过程中对养分进行精确监测和诊断,实现养分的精确管理。目前国内外营养检测仅仅利用了光波的强度(即反射率或反射强度)和波长信息,即采用反射光谱技术、图像技术或多光谱图像技术诊断作物的营养状况。而光波的信息是非常丰富的,包括强度、波长、位相和偏振态。因此,本研究对光的强度、波长和偏振信息加以利用,以番茄叶片为研究对象,提出基于强度-波长-偏振多维光信息的番茄叶片氮营养水平诊断的新方法,即利用高光谱图像及偏振特征,通过信息融合对番茄氮素胁迫状况进行诊断。本研究主要完成了以下工作:
　　 (1)对不同氮素水平番茄叶片的高光谱图像特征进行了研究。采用中值滤波去除图像中的噪声;采用最大类间方差法对图像进行背景分割;对获得的番茄叶片高光谱图像进行主成分分析,找出番茄叶片的四个敏感波长为471nm,560nm,685nm,710nm;提取特征图像的灰度、纹理特征;通过相关性分析得出:AG560、AG710、SG560、SG685、SG710、ENT471、ASM471、COR471八个特征与氮含量的相关性相对较高;考虑到特征变量间存在着较严重的多重共线性,分别采用逐步回归、主成分回归以及偏最小二乘回归建立番茄氮素预测模型,偏最小二乘回归模型的预测效果最佳。
　　 (2)对不同氮素水平番茄叶片的偏振特征进行了初步研究。根据Stocks矢量法提取了叶片的偏振度特征:并利用相关分析法优选偏振度特征,发现番茄氮素的四个敏感波长为534nm,710hm,775nm,938nm。以敏感波长处的偏振度特征作为自变量,对应的番茄叶片氮含量为因变量进行一元回归分析和多元回归分析,多元回归分析的预测结果略高于一元回归分析。
　　 (3)考虑到单一特征对番茄叶片氮素胁迫信息的描述不够全面的缺点,在对番茄氮素胁迫叶片的高光谱图像及偏振特征进行研究的基础上,利用SVR法对番茄叶片的灰度、纹理、偏振信息进行特征层融合。通过分析确定使用径向基核函数建立多特征融合的番茄叶片氮素SVR预测模型,并分别利用网格搜索法和粒子群优化算法对参数对(C,g)进行优化,经比较,粒子群优化算法的寻优结果最佳。根据确定的最佳参数,对番茄叶片样本集进行训练和模型精度预测,预测模型的决定系数R2为0.876,均方根误差RMSE为0.516,平均相对误差MRE为11.06%。结果表明,利用基于强度-波长-偏振的多特征融合方法进行番茄叶片氮素的定量分析,与仅采用高光谱图像特征或偏振特征相比,预测精度有明显的提高。