论文部分内容阅读
为了解决茶树营养状况诊断的主观性强、理化检验周期长以及费用高等缺点。研究利用高光谱图像检测技术,预测茶鲜叶的各理化指标(叶绿素、水分、总氮、磷),以替代费时费力的实验室常规检测方法。本论文的主要研究内容如下:
高光谱图像数据的采集处理。提取茶鲜叶某一部位高光谱图像平均光谱信息,分别采用一元线性、归一化植被指数和波段比植被指数建立茶鲜叶各理化指标预测模型。发现各指数与理化指标之间存在一定的相关关系,其中叶绿素含量预测结果较好,水分、总氮、磷含量预测结果较差。而上述方法提取的信息较单一,抗噪音等外界因素干扰的能力及模型鲁棒性较差,有较大的局限性。
利用高光谱数据的光谱信息预测茶鲜叶理化指标。研究建立全光谱偏最小二乘预测模型,并利用特征谱区筛选法优化茶鲜叶各理化指标预测模型,去除光谱不相关变量及光谱重叠信息以增强模型的精度和稳健性。试验分别利用区间偏最小二乘、联合区间偏最小二乘、无信息变量消除偏最小二乘及遗传偏最小二乘等方法筛选特征光谱区域,并将它们的结果进行比较。从试验结果看,各理化指标中,叶绿素含量预测结果较好,水分、总氮、磷含量预测结果较差。以上筛选特征光谱区域方法均极大的简化了模型的复杂性,其中联合区间偏最小二乘预测结果最佳,叶绿素含量预测模型校正集和预测集的相关系数R分别为0.8365和0.8404,最小均方根误差分别为9.2974和9.6725:无信息变量消除连续投影偏最小二乘模型的变量数简化为小于10个,且模型精度较全光谱偏最小二乘模型精度基本不受影响,可以充分代表原始光谱的有效信息,作为波长提取的有效手段。利用siPLS预测模型计算出鲜茶叶每一像素点下的叶绿素浓度并画出叶绿素含量分布图。为进一步利用图像处理技术判断植物的营养素信息提供参考依据。
利用高光谱数据的图像信息预测茶鲜叶叶绿素含量。对高光谱图像进行主成分分析,选取特征波长图像。分别利用灰度统计矩和灰度共生矩阵算法提取特征图像的纹理信息,并建立多元线性拟合模型。其中,灰度统计矩预测模型校正集和预测集的相关系数R分别为0.8735和0.8834,最小均方根误差分别为8.2422和7.9011:灰度共生矩阵预测模型校正集和预测集的相关系数R分别为0.7609和0.7590,最小均方根误差分别为11.1886和11.0910。预测结果显示灰度统计矩模型较好于灰度共生矩阵模型。
本论文利用高光谱图像技术的光谱信息建立并优化茶鲜叶的叶绿素、水分、总氮及磷含量预测模型;探索利用高光谱图像技术的图像维信息建立并优化茶鲜叶叶绿素含量预测模型。本研究为高光谱图像技术预测物质含量探索新的思路,对茶树长势检测与估产、营养诊断与施肥等有重要意义。