学位论文 > 优秀研究生学位论文题录展示

基于偏振—高光谱多维光信息的番茄氮磷钾及交互作用检测研究

作　者: 朱文静
导　师: 毛罕平
学　校: 江苏大学
专　业:
关键词: 番茄叶片氮磷钾营养胁迫高光谱图像偏振反射光谱偏振度多信息融合交互作用
分类号: S641.2
类　型: 博士论文
年　份: 2014年
下　载: 9次
引　用: 0次
阅　读: 论文下载

内容摘要

目前,我国设施园艺面积已突破330万公顷,居世界第一位。经常出现氮、磷、钾等主要营养元素比例失调和胁迫症状,直接影响产量和品质。因此,迫切需要在作物生长过程中对养分进行精确监测和诊断。目前国内外营养检测仅利用了光波的强度,即反射率或反射强度,采用反射光谱技术或图像技术等单一方法诊断作物的营养状况。为了克服单一技术手段无法全面获取作物营养元素亏缺引起的内部组分改变和外部形态特征变化的不足,本研究以番茄为研究对象,引入光波的偏振信息,提出基于偏振-高光谱的多维光信息番茄营养胁迫的诊断方法。本论文的主要研究内容如下：(1)开发了基于偏振-高光谱多维光信息的作物营养综合检测实验平台。为了对设施番茄的偏振特征进行精确提取和研究,设计开发了一种新型的偏振光谱采集分析系统,实现对不同入射天顶角的偏振光激励下的作物叶片在不同探测天顶角的偏振响应进行综合检测分析。结合高光谱图像系统构建了偏振-高光谱作物营养多维光信息综合检测实验平台。在温室大棚中以无土栽培方式培育了N、P、K营养胁迫及对照组番茄植株,分别采用凯氏定氮法、分光光度计法、火焰光度法分析了各个生长期营养元素含量分布规律。结果表明样本培育达到了预期的效果,营养元素胁迫植株的成功培育为后续研究奠定了坚实的基础。(2)研究了基于高光谱的图像特征的氮磷钾营养胁迫模型,试验将获取的番茄叶片高光谱图像进行图像分割、滤波等预处理,经过主成分变换后有效降维,并通过前5个主成分与N、P、K之间的各波长点的权重系数曲线分析,分别找出4个敏感波长,其中三个共有波长为566.29nm,693.71nm,733.71nm;以及N、P、K特有的敏感波长依次是：464.91nm,474.85nm,762.24nm。接着将在敏感波长下采用基于灰度共生矩阵的二阶概率统计滤波提取纹理特征,通过相关性分析得出与N、P、K相关性均较高的图像特征为:VAR693.71、CON566.29、DIS693.71、ENT733.71、 ASM566.29、COR733.71; N、P、K特有的图像特征依次为：氮ASM464.91、COR464.91;磷HOM693.71、ENT474.85;钾HOM762.24、ENT762.24。在建模过程中有比较地运用了MLR.PCR以及PLS三种建模方法。从建模结果看,N元素的PCR模型性能最优,Rc=0.9630,RMSECV=0.3846%,Rp=0.9205,RMSEP=0.4486%.P元素的PLS模型最优,Rc=0.8864,RMSECV=0.5704%,Rp=0.8713,RMSEP=0.5420%.而K元素的MLR模型最优,校正集Rc=0.9109,RMSECV=0.4163%,Rp=0.8547, RMSEP=0.5047%.(3)研究了基于反射光谱特征的氮磷钾营养胁迫模型,试验将从番茄叶片高光谱图像中获取的的反射光谱进行SNV、MSC等光谱预处理后,分别采用iPLS、 SiPLS、BiPLS和iPLS-GA特征波段筛选方法优选N、P、K元素含量对应的敏感波长并建立基于反射光谱特征的模型,其中N元素的iPLS-GA模型效果最佳,Rc=0.9156,RMSECV=0.595%,Rp=0.9048,RMSEP=0.632%.P元素的SiPLS模型最佳,Rc=0.8765,RMSECV=0.592%,Rp=0.8740,RMSEP=0.512%；K元素的SiPLS模型最佳,Rc=0.9116,RMSECV=0.598%,Rp=0.9075,RMSEP=0.835％.(4)研究了基于偏振反射特征分析的偏振度番茄营养检测模型。针对特定研究对象,通过正交试验并结合分析各因素与偏振反射比的关系确定了优化组合角度由主到次分别为：入射天顶角60°,偏振片旋转角度45°,探测天顶角45°,方位角180°。对比了在优化组合角度下不同胁迫程度和不同生长期对番茄叶片偏振反正比的影响和差异。为了量化这种差异,利用Stocks公式提取了不同N、P、K水平番茄叶片样本的偏振度特征,采用相关分析法筛选基于偏振度特征与番茄叶片参考值含量有显著关系的敏感波长,提取出N、P、K共有的敏感波长有为655.408nm,744.482nm,850.578nm,而N、P、K特有的敏感波长依次分别为380.487nm,914.562nm,556.664nm。以敏感波长处的偏振度为特征建立了MLR、PCR、PLS模型。N元素的PLS模型最佳,Rp=0.9145,RMSEP=0.7299%;P元素的PLS模型的Rp=0.7846,RMSEP=1.1021%。K的MLR模型最佳,Rp=0.9009,RMSEP=0.7982%,为番茄养分含量情况的快速检测提供了新的思路。(5)首次研究了基于偏振-高光谱多维光信息的设施番茄营养含量检测模型。在对图像、光谱和偏振度特征进行准确提取和充分研究的基础上,通过线性和非线性融合方法对番茄叶片的光谱、图像、偏振度特征进行特征层融合。线性融合模型均采用MLR和PLS两种方法,只有N元素含量的线性融合模型精度高于单一类型特征变量的模型。利用BP-ANN以及SVR方法建立非线性融合模型,从建模的结果看,N元素的BP-ANN方法的模型效果最佳,主成分因子数等于6时,Rp=0.9400,RMSEP=0.1995%。P元素的SVR-PSO模型最佳Rp=0.8998,RMSEP=0.1912%。K元素的SVR-GS模型最优,Rp=0.9101,RMSEP=0.1417。研究结果表明基于偏振-高光谱多信息融合的方法评判番茄营养胁迫状况的方法是可行的,融合模型的精度和稳定性较单一来源模型明显提高。(6)首次研究了基于偏振-高光谱多维光信息的N、P、K交互作用下设施番茄营养含量诊断模型。通过尝试权重系数矩阵和交互影响系数矩阵的求解对一般线性融合方程进行修正,建立了在考虑氮、磷、钾三者交互作用下的番茄营养含量检测模型。以开花期和结果中期的数据为例计算了N、P、K的预测值,开花期N元素模型的Rp=0.9585,RMSEP=0.2609%,;P元素的Rp=0.9201,RMSEP=0.1739%；K元素的Rp=0.9194,RMSEP=0.2263%。结果中期N元素的Rp=0.9461,RMSEP=0.2452%;P元素的Rp=0.9183,RMSEP=0.2616%;K元素的Rp=0.9144,RMSEP=0.2436%。预测结果表明该方法获得了精度更高的检测模型,尤其是P元素提升幅度相对较大,证明三种元素之间存在着交互影响作用,通过对氮、磷、钾交互作用的综合解耦可以进一步提高多信息融合模型的预测精度,为交互作用下作物营养快速无损检测建模提供新的思路。

全文目录

摘要  6-9
ABSTRACT  9-13
目录  13-17
图目录  17-20
表目录  20-22
第一章绪论  22-36
  1.1 课题研究背景和意义  22-23
  1.2 国内外研究现状及存在问题  23-31
    1.2.1 光谱检测  23-24
    1.2.2 高光谱检测  24-27
    1.2.3 偏振光谱检测  27-30
    1.2.4 交互作用研究  30
    1.2.5 存在问题  30-31
  1.3 研究内容和关键问题  31-34
    1.3.1 研究内容  32-34
    1.3.2 关键问题  34
  1.4 本章小结  34-36
第二章样本培育及试验系统的构建  36-58
  2.1 样本培育  36-40
    2.1.1 培育方式的选择及营养液配方  36-38
    2.1.2 试验样本培育  38-40
  2.2 样本化学值含量测定  40-48
    2.2.1 试验样本氮、磷、钾含量测定  40-44
    2.2.2 营养胁迫样本的元素含量检验与结果分析  44-48
  2.3 试验仪器  48-54
    2.3.1 高光谱成像系统  48-50
    2.3.2 偏振光谱采集分析系统构建的原理  50-52
    2.3.3 偏振光谱采集分析系统的组成部件  52-54
  2.4 光谱参数优化与数据采集  54-57
    2.4.1 高光谱系统参数优化  54-55
    2.4.2 偏振光谱采集系统软件平台及参数优化  55-56
    2.4.3 数据采集  56-57
  2.5 本章小结  57-58
第三章基于高光谱图像技术的番茄叶片氮磷钾检测研究  58-86
  3.1 番茄营养胁迫叶片的高光谱图像预处理  59-62
    3.1.1 波段筛选及图像滤波  59-61
    3.1.2 图像背景剔除  61-62
  3.2 敏感波长提取  62-67
    3.2.1 图像降维方法简介  62-63
    3.2.2 主成分分析确定敏感波长  63-67
  3.3 纹理特征的提取  67-71
    3.3.1 基于二阶概率统计滤波的纹理特征提取  67-70
    3.3.2 结果与分析  70-71
  3.4 基于高光谱图像特征的氮磷钾营养胁迫模型的建立  71-79
    3.4.1 建模方法简介  71-73
    3.4.2 定量校正模型评价指标  73-74
    3.4.3 样品集的划分  74-75
    3.4.4 结果与讨论  75-79
  3.5 基于反射光谱特征的氮磷钾营养胁迫模型的建立  79-84
    3.5.1 建模方法简介  79-81
    3.5.2 结果与讨论  81-84
  3.6 本章小结  84-86
第四章基于偏振反射特征分析的偏振度检测模型研究  86-120
  4.1 番茄叶片表面偏振反射特征变化的植物生理学响应  87-92
    4.1.1 物体表面偏振反射特征的物理理论基础  87-89
    4.1.2 氮磷钾营养胁迫对叶片表面显微结构影响  89-92
  4.2 番茄缺素叶片偏振反射特征分析  92-102
    4.2.1 偏振反射比与方位角的关系  95-96
    4.2.2 偏振反射比与探测天顶角的关系  96-97
    4.2.3 偏振反射比与偏振片角度的关系  97
    4.2.4 偏振反射比与入射天顶角的关系  97-99
    4.2.5 不同缺素程度对番茄叶片偏振反射比的影响  99-100
    4.2.6 不同生长期对番茄叶片偏振反射比的影响  100-102
  4.3 番茄叶片的偏振度特征分析  102-110
    4.3.1 番茄叶片偏振度的计算  102-106
    4.3.2 不同缺素程度的番茄叶片的偏振度特征比较  106-108
    4.3.3 偏振度特征与番茄叶片氮磷钾含量的相关性分析  108-110
  4.4 基于偏振度特征的番茄叶片氮磷钾含量预测模型  110-117
    4.4.1 奇异样品的剔除方法  110-111
    4.4.2 N元素偏振度模型  111-113
    4.4.3 P元素偏振度模型  113-115
    4.4.4 K元素偏振度模型  115-117
  4.5 本章小结  117-120
第五章基于偏振-高光谱多信息融合检测模型研究  120-142
  5.1 多信息融合技术概述  120-123
  5.2 多信息融合检测方法  123-125
  5.3 线性融合模型的建立  125-128
    5.3.1 N元素的多信息融合模型  125-126
    5.3.2 P元素的多信息融合模型  126-127
    5.3.3 K元素的多信息融合模型  127-128
  5.4 非线性融合模型的建立  128-140
    5.4.1 N元素的BP神经网络模型  128-130
    5.4.2 N元素的SVR模型  130-133
    5.4.3 P元素的BP神经网络模型  133-134
    5.4.4 P元素的SVR模型  134-136
    5.4.5 K元素的BP神经网络模型  136-138
    5.4.6 K元素的SVR模型  138-140
  5.5 本章小结  140-142
第六章氮磷钾交互作用下番茄营养含量检测模型研究  142-154
  6.1 氮磷钾交互作用的光谱方程式表达  142-144
  6.2 权重系数矩阵的计算  144-146
  6.3 确定交互影响系数矩阵  146-148
  6.4 交互模型的验证  148-153
  6.5 本章小结  153-154
第七章结论与展望  154-158
  7.1 研究的主要结论  154-156
  7.2 研究的创新点  156
  7.3 研究的展望  156-158
参考文献  158-170
致谢  170-172
攻读博士期间发表的学术论文与参加的科研工作  172-174
附录  174-177

基于偏振—高光谱多维光信息的番茄氮磷钾及交互作用检测研究

内容摘要

全文目录

相似论文