连续投影算法融合信息熵选择霉变玉米高光谱特征波长

运用高光谱技术鉴别玉米霉变等级时,因光谱波段数多、数据量大、信息冗余度高,使鉴别工作难度加大。为了减少数据量,获得最有利于鉴别的高光谱信息特征波长,本研究提出了一种连续投影算法(SPA)融合信息熵的特征波长选择方法。首先,对霉变玉米样本高光谱数据运用多元散射校正(MSC)进行光谱预处理以消除噪声,然后利用SPA对处理过的光谱进行波长初选,得到8个初选特征波长,再通过信息熵原理处理初选特征波长下的图像信息,获得最佳特征波长。结果表明,运用SPA融合信息熵法得到有利于霉变玉米鉴别的最佳波长为819 nm,提取该波长下霉变玉米图像的纹理特征后,采用Fisher判别分析(FDA)进行鉴别,6个等级霉变玉米的鉴别正确率高达98.6%,充分证明所给出的特征波长选择方法是有效的。本研究特征波长选择方法可为更好地运用高光谱技术鉴别玉米霉变等级提供指导。     

龙须菜细胞壁多糖对硼的吸附性能研究

为研究龙须菜(Gracilaria lemaneiformis)细胞壁多糖对硼的吸附作用机制及官能团之间的交互作用,本试验分别采用电感耦合等离子发射光谱(ICP-OES)和傅里叶变换红外光谱(FTIR)技术对其细胞壁多糖组分在吸附试验中进行硼的测定和表征。结果表明,细胞壁去琼胶后,硼吸附量减少50.13%,半纤维素去除后,硼吸附量减少21.20%,故可得纤维素吸附量占细胞壁总硼吸附量的28.67%。同时,通过细胞壁不同组分脱硼及硼胁迫后的红外光谱表征结果可知,龙须菜细胞壁及多糖在吸附硼的过程中,羟基、羧基、多糖碳链C-C为硼离子的主要结合位点,其中,琼胶、半纤维素中起主要作用的官能团为羟基、羧基,纤维素中起主要作用的官能团为多糖碳链C-C。本研究结果为进一步探究龙须菜多糖组分与硼的内在结合机制提供了基础依据。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

基于光声光谱和TCA迁移学习的稻种活力检测

种子活力是决定水稻产量的最重要因素之一，但目前水稻种子活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响，且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先，对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种，进行高温高湿人工老化处理，得到0~7 d老化时间的水稻种子；再通过调制频率获得8种不同深度的光声光谱信息，用主成分分析、竞争性自适应重加权算法对光谱降维得到特征光谱后，对Y两优、龙粳、南粳、宁粳、武运粳分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、反向传播神经网络（Back Propagation Neural Network，BP）、广义回归神经网络（Generalized Regression Neural Network，GRNN）、支持向量回归模型（Support Vector Regression，SVR）、深度卷积神经网络（Convolutional Netural Network，CNN）的稻种活力预测模型，并选择最优调制频率；最后，通过迁移学习将建立的模型迁移到新两优稻种进行活力预测。结果表明，光声光谱最佳扫描频率为300 Hz，CNN预测模型精度较高，相关系数和均方根误差分别优于0.990 9、低于0.967 5；且经过迁移学习，仅需通过对源域数据的训练，即可直接对新品种稻种的活力进行精确预测；通过TCA迁移学习后，新两优稻种活力预测的相关系数从0.718 5提高到0.990 3。研究表明，采用光声光谱深度扫描技术对不同种类稻种的活力进行高精度检测是可行的，且经过迁移学习，仅需80粒新品种稻种信息即可实现稻种活力的精确预测。     

微型植物工厂LED多光谱补光系统的设计与应用

不同的光谱、光强和光照周期对植物的影响不同。为了深入研究植物与光照的关系,设计一种微型植物工厂LED多光谱补光系统的可控光源。基于嵌入式系统,对微型植物工厂所需补光进行分析,通过控制不同波长的LED产生不同光强,使其接近所需光谱。该补光系统可从365～940 nm的25种不同波段的光谱自由选择,实现大功率LED光谱自由拟合、光照强度连续可调、光照周期自由设定的功能,同时可根据不同植物种类的适宜光环境需求进行"量身定做",进而实现精确补光。该系统成本低、效率高、精确性高、针对性强,更利于对光与植物关系的研究。     

基于无人机高光谱影像的玉米地上生物量反演

【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明：和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%；外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。     

基于多核支持向量机的小麦条锈病遥感监测研究

为提高小麦条锈病的遥感探测精度,依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系,在运用独立分量分析法对光谱数据降维的基础上,利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核,同时针对冠层光谱与叶绿素荧光特征组,建立基于不同特征最优核映射的多核学习支持向量机模型,并与基于特征直接拼接的模型结果进行对比。结果表明,对于冠层光谱而言,采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数,而日光诱导叶绿素荧光指数则是采用多项式核的效果更优;采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度,决定系数(r~2)最高为0.847,而单独利用冠层光谱信息或者叶绿素荧光信息时,r~2最高仅为0.802;对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高,r~2为0.915,RMSE为0.090,优于基于特征直接拼接构建的支持向量机模型精度。