论文部分内容阅读
谷子作为“五谷”之首,是中国种植面积最大的杂粮作物之一,去壳后为小米,含有丰富的维生素、矿物质和膳食纤维,营养价值较高,是人们非常喜爱的杂粮作物。谷子面临产量不高、施肥体系不完善、在销售过程中存在掺杂掺假等问题。因此,需要有效手段实现谷子精准施肥和品质无损鉴定。高光谱成像技术以其多波段、高分辨率等特点广泛应用于作物营养元素的反演和农产品的品种品质鉴定中。本研究以谷子为研究对象,基于图谱信息提取特征波长、植被指数、三边参数、峰谷特征参数、纹理特征和颜色特征,在与叶绿素含量进行相关性分析的基础上,应用偏最小二乘回归（PLSR）、支持向量机（LS-SVM）、基于注意力机制的卷积神经网络（Attention-CNN）方法,建立谷子不同生育期叶绿素含量的高光谱监测模型。以8类谷子品种为研究对象,从高光谱图像中提取单粒谷子的光谱特征和图像特征,采用基于注意力机制的卷积循环神经网络（Attention-CRNN）和SVM方法建立图谱信息和图谱信息融合的谷子品种鉴别模型,为谷子精准管理和品种在线检测提供理论支持。主要研究结论如下:（1）谷子叶片光谱反射率与叶绿素相关性在三个生长时期的变化趋势基本一致,通过MSC,预处理后光谱与叶绿素相关性有了一定程度的提高。通过相关性分析可以得出,拔节期,在526-594nm和697-729nm范围相关性较高,为0.7-0.9;孕穗期,在647-690nm和700-743nm波段相关系数为0.7-0.9;灌浆期,在522-580nm、658-682nm和702-741nm波段范围相关性好。（2）通用性最好的植被指数为MTCI、NDVI、SAVI、SR713、CIred-edge和OSAVI,在谷子三个生育期与叶片叶绿素含量均达到了极显著相关。拔节期,基于植被指数的PLSR模型预测效果最好,Rv2为0.724,RMSEv为1.066,RPD为2.063。通用性最好的三边参数为红边位置（?r）、峰度系数（Kur）、黄边幅值（Dy）、黄边面积（SDy）、蓝边幅值（Db）和蓝边面积（SDb）,其中谷子拔节期的PLSR模型预测效果最好。通用性最好的峰谷特征参数为Kge、Kgprv、?A、?A、Kge/Kre、?A/?A、?A/?A、?A/?A,孕穗期,PLSR模型的Rv2为0.612,RMSEv为1.135,RPD为1.939,说明孕穗期基于峰谷特征参数建立的PLSR模型可以实现叶绿素的较为准确地预测。通用性最好的图像特征为R（方差）、R-B（方差）、R-G（方差）、G-B（方差）、标准差和平滑度,谷子孕穗期的PLSR模型预测效果最好,Rv2为0.504,RMSEv为1.297,RPD为1.697,说明以图像特征建立的谷子孕穗期的PLSR模型可以实现对叶片叶绿素含量的粗略反演,但预测精度较低。（3）利用SPA、CARS和CC-SPA提取特征波长建立不同生长期谷子叶片叶绿素含量的PLSR预测模型。结果表明,对于不同生育期,CC-SPA-PLSR模型预测效果最好。将特征波长与光谱特征参数在归一化处理的基础上进行融合建立了PLS、LS-SVM、Attention-CNN预测模型,结果表明,对于不同生育期,Attention-CNN模型对谷子叶片叶绿素含量的反演精度均高于PLSR和LS-SVM模型。其中拔节期的Attention-CNN模型预测效果最好,验证决定系数最大,Rv2为0.828,均方根误差最小,RMSEv为1.516,相对分析误差最大,RPD为2.143,且Rc2和Rv2之间差值最小,为0.008。说明Attention-CNN模型对样本的适应能力和稳健性要明显优于传统模型,在谷子叶片叶绿素含量的回归预测中相比于传统模型有更高的预测精度,是一种高性能的谷子叶片叶绿素预测模型。（4）在谷子品种鉴别研究中,采用倒数之对数光谱特征曲线建立的SVM品种分类模型的鉴别正确率最高,为73.13%。将图像信息和光谱信息融合后建立的SVM模型对谷子品种的鉴别正确率较融合前均有较大程度提高,整体正确率达到了77.5%,较仅采用光谱信息建模提高了4.37%,较仅采用图像信息建模提高了16.25%。对谷子品种的最低鉴别正确率从50%提高到了65%。采用图像信息和光谱信息融合的建模方法可以较好提高谷子品种的分类鉴定。（5）引入注意力机制的CNN-RNN混合网络建模方法建立Attention-CRNN谷子品种鉴别模型,其整体正确率为87.50%,比SVM模型提高10%,对谷子品种的最低鉴别正确率从65%提高到了90%。Attention-CRNN模型能够整体提高对谷物品种的鉴别正确率,并大幅提高最低鉴别正确率。Attention-CRNN模型对谷子等小籽粒谷物品种的快速无损鉴别具有重要的意义。