共查询到17条相似文献，搜索用时 531 毫秒
1.
柿子可溶性固形物含量的可见-近红外光谱检测 总被引：3，自引：0，他引：3
为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。 相似文献
2.
基于高光谱图像处理的大豆品种识别(英文) 总被引：2，自引：0，他引：2
大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。 相似文献
3.
基于高光谱的寒地水稻叶片氮素含量预测 总被引：2，自引：2，他引：2
为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。 相似文献
4.
《土壤通报》2020,(3):505-510
为了实现土壤类型的快速无损识别,提出了一种利用可见-近红外光谱、基于极限学习机的土壤类型鉴别方法。首先,获取4种不同类型土壤的320个样本波长在325～1075 nm范围内的可见-近红外光谱数据;其次,用主成分分析的数学方法对数据进行降维处理,最终提取了三个主成分来代表原光谱数据;再次,将320个样本的数据随机分为测试集和预测集两个部分,建立极限学习机模型,利用该模型对土壤类型进行识别。实验结果表明,将极限学习机应用于土壤类型的识别精度可达100%,其训练速度和泛化性优于BP神经网络和支持向量机,能够快速、准确、无损鉴别土壤类型,使用方便,具有推广价值。 相似文献
5.
叶面积指数(LAI)是评价植被长势及产量预测的重要指标,对其进行精准快速估测有助于植被的生长状态诊断和管理。本研究以不同施氮水平、不同栽种方式下的油菜和不同品种水稻为试验对象,基于冠层高光谱曲线形态,引入偏角光谱检索算法(DABSR)提取光谱偏角,同时采用植被指数法和主成分分析法进行对比分析,探索适用于水稻、油菜LAI估算的统一模型构建方法。研究结果表明,估算油菜LAI时,DABSR反演精度较高,预测R~2、RMSEP分别为0.74、0.47,偏移量MNB为0.16;主成分分析法反演精度次之,预测R~2、RMSEP、MNB分别为0.73、0.48、-0.04;而植被指数法受不同生育期油菜株型、覆盖度影响反演精度普遍较低,精度较高模型的预测R~2、RMSEP、MNB分别为0.61、0.57、0.17。在估算水稻LAI时,DABSR反演精度最优,预测R~2、RMSEP、MNB可达0.70、0.80、0.05。综合考虑模型的验证精度、特征选择的合理性以及模型计算效率,DABSR偏角光谱检索法估算油菜和水稻LAI具有较高精度,且受施肥水平、栽种方式、生长期等因素影响较小,为构建精确的植被LAI统一估算模型提供了新思路。 相似文献
6.
基于近红外光谱技术的大米品种快速鉴别方法 总被引：16，自引：7，他引：9
为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。 相似文献
7.
基于高光谱成像的寒地水稻叶瘟病与缺氮识别 总被引：4，自引：2，他引：2
为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)和主成分加支持向量机(principle component analysis-support vector machine,PCA-SVM)方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量(standard normal variate,SNV)变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正(multiplicative scatter correction,MSC)预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。 相似文献
8.
应用红外光声光谱技术及支持向量机模型测定土壤有机质含量 总被引：2，自引：0，他引：2
快速测定土壤有机质含量对作物生产和土壤肥力评价具有重要意义,红外光声光谱技术的应用为土壤有机质快速测定提供了可能。本研究以江苏省南京市溧水区水稻土土样为材料,探究了红外光声光谱技术在有机质测定中的应用。采用主成分分析、偏最小二乘和独立成分分析,分别提取了土壤光谱的主成分、偏最小二乘潜变量和独立成分,并以提取的信息输入支持向量机,从而构建了三种支持向量机校正模型。同时,偏最小二乘也被用于建立校正模型,作为支持向量机模型的对照。预测结果表明,基于独立成分的支持向量机模型效果最好,预测相关系数R2、均方根误差RMSEP和实际测量值的标准差与光谱模型预测值标准差的比值即RPD值分别为0.808、0.575和2.28。F检验表明,该模型显著优于基于主成分的支持向量机模型,但与基于偏最小二乘潜变量的支持向量机模型,以及经典偏最小二乘模型没有显著差异。t检验表明,各校正模型对有机质的预测结果与化学测定结果没有显著差异。因此,红外光声光谱技术为土壤有机质的快速测定提供了新的技术手段。 相似文献
9.
基于高光谱成像的水稻穗瘟病害程度分级方法 总被引：3，自引：3，他引：3
为了快速、准确地进行水稻穗瘟病害程度分级,以实现水稻品种抗性评价或精准的田间化学防治,该研究提出了一种光谱词袋(bag of spectrum words,Bo SW)模型分析方法,分析稻穗的高光谱图像,自动评判穗瘟病害程度。首先,稠密规整地将高光谱图像分割成小立方格,计算每个立方格像素的平均全波段包络矢量,用K-Means算法聚类形成典型光谱包络词典。词典中光谱包络"词"(word)用作高光谱图像表达的"基",直方图统计各光谱"词"在高光谱图像样本中的出现频度,形成光谱图像的词袋表达。采用Hyper SIS-VNIR-QE光谱成像仪获取田间采集的170株稻穗样本高光谱图像,用Bo SW方法生成其词袋表达;植保专家根据病害程度类别确定光谱图像样本标签。随机选择2/3"词袋表达-病害程度等级标签"数据对构成训练集,采用卡方-支持矢量机(chi-square support vector machine,Chi-SVM)分类算法建立穗瘟病害程度分级模型。余下的1/3样本构成测试集,测试穗瘟病害等级模型的预测性能,分类识别精度为94.72%,高于主成分分析(principle component analysis,PCA)、敏感波段选择等传统光谱分析方法,其识别精度分别为83.83%和79.83%。该研究提高了穗瘟病分级的自动化程度和准确率,也可为其他病害分级检测提供参考。 相似文献
10.
冬小麦冠层光谱因不同株型而异，依不同株型建立模型是提高冬小麦蛋白质预测精度的重要途径之一。该研究利用ASD2500高光谱仪对不同株型冬小麦冠层光谱进行了测定，分析了冬小麦叶片叶绿素含量在冠层垂直方向上的变化及其与籽粒品质指标和冠层光谱特征参量间的相关性。结果表明，冠层叶绿素含量垂直梯度变化因不同生育时期和不同株型而异。同等条件下，其梯度以平展型品种大于直立型品种。并且，当将两种株型品种分别考虑时，第一二叶组之间叶绿素含量的差值(DCC)与小麦籽粒部分品质参数和冠层光谱特征参量具有显著的相关性。通过DCC可以间接地建立籽粒蛋白品质和冠层光谱特征之间的相关模型。通过研究筛选出预测籽粒蛋白质含量(GPC)的最佳时期为灌浆期，最佳光谱特征参量为560 nm的反射峰深度P_Depth560。并且，建立了不同株型品种GPC的预测模型并初步通过验证。 相似文献
11.
基于波段深度分析和BP神经网络的水稻色素含量高光谱估算 总被引：2，自引：1，他引：1
该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。 相似文献
12.
常规稻与杂交稻谷的仿生电子鼻分类识别 总被引：5，自引：5，他引：0
气味是进行稻谷品种及其品质识别的重要方法之一,作为一种基于仿生嗅觉的机器检测方法,仿生电子鼻在水稻品种的分类识别中具有较好的应用前景。常规稻与杂交稻在食味品质等方面存在一定的差异,为了解应用电子鼻进行常规稻谷与杂交稻谷识别的可行性,采用PEN3电子鼻对同季同地域收获的3种常规稻(中香1号、湘晚13、瑶平香)和3种杂交稻(伍丰优T025、品36、优优122)稻谷样品的气味信息进行了采集和分析。首先通过过载分析(Loadings)法分析了电子鼻检测稻谷气体挥发物时的各传感器贡献率,分别针对基于特征值的提取和稻谷气味检测对电子鼻传感器阵列中的传感器进行了优选,阐明了稻谷气体挥发物检测中应以对硫化物、氮氧化合物、芳香成分和有机硫化物敏感的传感器为主。随后,分别采用主成分分析法(principal component analysis,PCA)、线性判别法(linear discriminant analysis,LDA)和BP神经网络对6种不同稻谷之间、常规稻与杂交稻之间的分类识别进行了研究。结果表明,PCA分析法与LDA分析法在对6种不同稻谷之间的分类以及常规稻与杂交稻之间的分类中均未取得理想的效果,存在部分样本数据点重叠或样本数据点较近的情况,在实际应用中易发生混淆;而BP神经网络在对6种不同稻谷之间的分类中对测试集的识别正确率分别达到了90%,在常规稻与杂交稻之间的分类识别中对测试集的识别正确率达到了96.7%。上述试验验证了电子鼻用于常规稻与杂交稻稻谷分类识别的有效性,为常规稻与杂交稻的快速、无损分类识别提供了一种新的方法。 相似文献
13.
高光谱图像技术在掺假大米检测中的应用 总被引：4，自引：2，他引：2
为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。 相似文献
14.
15.
水稻中过量砷（As）能够损害叶片中叶绿素和叶片内部结构,进而影响水稻光合作用效率,并改变水稻在光谱上的表现。利用高光谱植被指数（CARI、PRI、SIPI）和独立变量分析（ICA）模型对水稻中As含量进行了研究。结果表明,以上3种高光谱植被指数与水稻中As含量均呈一定的相关关系,其相关系数在0.67以上;而经过独立变量分析（ICA）可知,在蓝光波段（440～540nm）和红光波段（600～700nm）之间各有一个独立变量与水稻中As含量高度相关,相关系数达到0.95以上。将上述植被指数与独立变量和水稻中As含量之间进行回归分析,得到水稻中As含量的线性回归方程。研究表明,重金属As对水稻生长的影响可以通过其在光谱上的特征（如相关植被指数）改变来体现,并可以用独立变量分析（ICA）方法提取光谱中关于As胁迫的隐含弱信息,建立遥感预测模型,为大面积监测农作物As污染提供依据。 相似文献
16.
基于高光谱成像的茶叶中EGCG分布可视化 总被引：5，自引：4，他引：1
针对目前关于表没食子儿茶素没食子酸酯(epigallocatechin gallate,EGCG)在茶叶中的分布缺乏可视化表达问题,该文采用高光谱成像技术以实现EGCG在茶叶中的分布可视化。通过高光谱成像仪采集茶叶的光谱信息,按照标准方法 HPLC(high performance liquid chromatography)法测量茶叶的EGCG浓度。运用化学计量学方法建立光谱与EGCG浓度之间的回归模型。为寻求相对较优的模型效果,对光谱进行不同的预处理,以确定最优的预处理方法;采用4种建模方法建立回归模型,以确定最优的建模方法;对光谱进行特征波段选择,以降低数据冗余提高模型的稳定性和运算速度。最后,将高光谱图像中像素点对应的光谱变量导入模型,从而生成EGCG浓度分布图。结果表明:可见-近红外光谱与EGCG浓度之间具有很强的相关性,其回归模型的决定系数达到0.905,利用高光谱成像技术对茶叶中EGCG分布进行可视化可行。通过对不同品种、叶位的茶叶中EGCG浓度分布进行可视化,能够为高EGCG浓度茶树品种的培育、EGCG代谢规律的分析以及茶树采摘部位的识别提供有效手段。 相似文献
17.
通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻抽穗后不同时期冠层的光谱反射率、叶面积指数及最后的理论产量和实际产量,模拟MSS、TM、SPOT、资源一号CCD相机、IKONOS、MODI S和高光谱的波段来构建光谱差值植被指数DVI、比值植被指数RVI、差值归一化植被指数NDVI和绿度G,并模拟建立遥感估产模式.结果表明:单变量估产模式以差值植被指数DVI效果最好,蜡熟期估产效果要优于抽穗期和灌浆期;多时期复合估产模式估产效果要优于单一生育期;成熟期各种数据的DVI估产模式具有相近估产精度,达91%以上,其中MSS波段的估产精度最高. 相似文献