基于高光譜圖像技術(shù)的茶鮮葉理化指標檢測研究.pdf

1、為了解決茶樹營養(yǎng)狀況診斷的主觀性強、理化檢驗周期長以及費用高等缺點。研究利用高光譜圖像檢測技術(shù),預(yù)測茶鮮葉的各理化指標(葉綠素、水分、總氮、磷),以替代費時費力的實驗室常規(guī)檢測方法。本論文的主要研究內(nèi)容如下:
　　 高光譜圖像數(shù)據(jù)的采集處理。提取茶鮮葉某一部位高光譜圖像平均光譜信息,分別采用一元線性、歸一化植被指數(shù)和波段比植被指數(shù)建立茶鮮葉各理化指標預(yù)測模型。發(fā)現(xiàn)各指數(shù)與理化指標之間存在一定的相關(guān)關(guān)系,其中葉綠素含量預(yù)測結(jié)果較好

2、,水分、總氮、磷含量預(yù)測結(jié)果較差。而上述方法提取的信息較單一,抗噪音等外界因素干擾的能力及模型魯棒性較差,有較大的局限性。
　　 利用高光譜數(shù)據(jù)的光譜信息預(yù)測茶鮮葉理化指標。研究建立全光譜偏最小二乘預(yù)測模型,并利用特征譜區(qū)篩選法優(yōu)化茶鮮葉各理化指標預(yù)測模型,去除光譜不相關(guān)變量及光譜重疊信息以增強模型的精度和穩(wěn)健性。試驗分別利用區(qū)間偏最小二乘、聯(lián)合區(qū)間偏最小二乘、無信息變量消除偏最小二乘及遺傳偏最小二乘等方法篩選特征光譜區(qū)域,并將

3、它們的結(jié)果進行比較。從試驗結(jié)果看,各理化指標中,葉綠素含量預(yù)測結(jié)果較好,水分、總氮、磷含量預(yù)測結(jié)果較差。以上篩選特征光譜區(qū)域方法均極大的簡化了模型的復(fù)雜性,其中聯(lián)合區(qū)間偏最小二乘預(yù)測結(jié)果最佳,葉綠素含量預(yù)測模型校正集和預(yù)測集的相關(guān)系數(shù)R分別為0.8365和0.8404,最小均方根誤差分別為9.2974和9.6725:無信息變量消除連續(xù)投影偏最小二乘模型的變量數(shù)簡化為小于10個,且模型精度較全光譜偏最小二乘模型精度基本不受影響,可以充分代

4、表原始光譜的有效信息,作為波長提取的有效手段。利用siPLS預(yù)測模型計算出鮮茶葉每一像素點下的葉綠素濃度并畫出葉綠素含量分布圖。為進一步利用圖像處理技術(shù)判斷植物的營養(yǎng)素信息提供參考依據(jù)。
　　 利用高光譜數(shù)據(jù)的圖像信息預(yù)測茶鮮葉葉綠素含量。對高光譜圖像進行主成分分析,選取特征波長圖像。分別利用灰度統(tǒng)計矩和灰度共生矩陣算法提取特征圖像的紋理信息,并建立多元線性擬合模型。其中,灰度統(tǒng)計矩預(yù)測模型校正集和預(yù)測集的相關(guān)系數(shù)R分別為0.8

5、735和0.8834,最小均方根誤差分別為8.2422和7.9011:灰度共生矩陣預(yù)測模型校正集和預(yù)測集的相關(guān)系數(shù)R分別為0.7609和0.7590,最小均方根誤差分別為11.1886和11.0910。預(yù)測結(jié)果顯示灰度統(tǒng)計矩模型較好于灰度共生矩陣模型。
　　 本論文利用高光譜圖像技術(shù)的光譜信息建立并優(yōu)化茶鮮葉的葉綠素、水分、總氮及磷含量預(yù)測模型；探索利用高光譜圖像技術(shù)的圖像維信息建立并優(yōu)化茶鮮葉葉綠素含量預(yù)測模型。本研究為高光譜