论文部分内容阅读
黄瓜(CucumissativusL.)是我国的主栽蔬菜作物之一,在人民日常生活、地方经济发展中扮演重要角色。由于生长周期短,果实产生率高、产量大,植株容易出现营养元素亏缺的情况,严重影响了黄瓜种植业的产量和经济效益。快速准确的诊断缺素状况对提高黄瓜产量、增强农民收入以及发展现代农业有着极其重要的意义。为了解决诊断黄瓜营养状况的主观性强、检验周期长及费用高等缺点,本论文利用集图像技术和光谱技术于一身的高光谱图像技术,检测黄瓜叶片色素含量及营养状况。主要研究内容如下:
1.试验样本信息的获取。通过无土栽培方式培育正常、缺磷和缺氮三种营养状况下的黄瓜叶片,通过近红外高光谱图像采集系统获取900-1700nm鲜活黄瓜叶片的近红外高光谱图像,并研究了叶片色素的高效液相色谱(HPLC)检测方法。
2.黄瓜叶片的色素含量检测。提取了高光谱图像中的光谱信息,研究建立全光谱偏最小二乘模型,并利用特征谱区筛选方法优化叶片色素含量预测模型。在光谱预处理的基础上,分别利用区间偏最小二乘(iPLS)、联合区间偏最小二乘(SiPLS)、向后区间偏最小二乘(BiPLS)、及遗传算法.区间偏最小二乘(GA-iPLS)等方法筛选色素特征谱区,并结合HPCL分析得到的化学值建立校正模型。研究结果表明,SiPLS、BiPLS和GA-iPLS都能够在降低模型复杂度的同时提高模型的精度。以叶绿素-a为例,其GA-iPLS预测结果最佳,采用的波数点个数只有84个,不到全光谱的三分之一,其校正集的相关系数(Rc)和交互验证均方根误差(RMSECV)分别为0.8337和0.187,预测集的相关系数(Rp)和预测均方根误差(RMSECP)分别为0.8304和0.202。
3.近红外高光谱数据的光谱信息识别正常、缺磷和缺氮三种营养状况下的黄瓜叶片。采用多元散射校正(MSC)、标准正态变量变换(SNV)和一阶导数(1stDer)三种方法对光谱进行预处理,并对预处理效果进行比较。在主成分分析(PCA)的基础上,有比较的运用了线性判别分析(LDA)和K最近邻(KNN)两种模式识别方法。结果表明,光谱经过MSC处理后建立的LDA模型识别效果最佳,当主成分数为13时,模型的训练集和预测集的总体识别率均为96.67%。
4.近红外高光谱数据的图像信息识别正常、缺磷和缺氮三种营养状况下的黄瓜叶片。对高光谱图像进行主成分分析,选取特征波长图像,利用灰度统计矩提取特征波长图像的纹理信息,应用线性判别方法(LDA)建立叶片的营养状况识别模型,训练集和预测集的识别率分别为68.33%和56.67%,识别效果均劣于应用光谱信息建立的识别模型。
5.提取近红外高光谱数据中缺钾叶片和缺磷叶片的早期缺素症状信息。对样本高光谱数据进行主成分分析,挑选特征图像,然后应用滤波和阈值分割提取缺素症状。对17个早期缺钾叶片样本和26个早期缺磷叶片样本进行检测,样本的缺素症状均被检出。
本论文分别从高光谱图像的光谱信息和图像信息建立并优化黄瓜叶片的色素预测模型和缺素识别模型,结果表明,利用近红外高光谱图像技术的光谱信息可以准确预测叶片的营养状况,图像维信息模型预测精度虽低于光谱维信息模型,但对黄瓜叶片的早期缺素症状进行检测是可行的。本研究为利用近红外高光谱图像技术快速无损检测黄瓜叶片的营养状况提供了新思路和新理论,对实现黄瓜植株营养状况的智能化、自动化检测有着积极意义。