华大基于光谱分析技术的水稻

EarlyDeterminationofricediseasesandpestsUsingSpectrum ysisTechnologyJiADissertationSubmittedtoJiliangUniversityInpartialfulfillmentoftherequirementForthedegreeofMasterofJiliangUniversity号MASTEREarlyDeterminationofricediseasesandpestsUsingSpectrum ysisTechnology 导 研究员申 工学培养单 中国计量学学科专 光学工 研究方 光电子科学与技让我学会了如何做学问，如何做人。经过半年的努力撰写，在完成之际，我首先要感谢我的导师老师在读研期间老师不仅为我提供了良好的学习条件，更经常亲自指导科研和学习，并在生活中给予鼓励。本也是在老师的指导下完成的，在的选题、实验、数据分析、撰写和答辩等各个阶段，老师都悉心指导，给我的提供各种建议。在此，本人向陈老师表达真挚的感其次要感谢赛博南楼214的朱周洪老师，朱老师在本人读研期间不挚的感谢。同时感谢214岑松原老师和王焱华老师，谢谢的无私帮谢209的师兄弟们在平时的相互帮助。，最后感谢敬爱的父母在对我读研的支持与鼓励是我心灵的港湾，，谨以此文献给诸位，祝大家身心健康，快乐20136：本文以TN1型水稻植株为研究对象，采用近红外、拉曼光谱分析及高光PLS-SVMDA3果良好，后两种非线性判别分析的整体准确率达100%。通过GA算法提取特征波长，比较了各模式识别方法下的最优模型，结果表明：GA-PLSDA整体准确92.01%，GA-SVMDAGA-PLS-SVMDA97.37%。建立了受二化螟水稻光谱的定性判别模型结果显示三种判别分析方法的整体准确率均达100%。利用GA算法提取特征波长建模得到：GA-PLSDA78.89%100%。研究了受螟虫水稻与健康水稻的拉曼光谱的区别，并通过受害水稻455cm-1、699cm-1、1248cm-1处的3研究了受褐飞虱水稻的成像光谱，结果表明：在400nm~800nm波段，460nm580nm、600nm、670nm三波长对图像拟合的效果最佳，采用SAM(光谱角度匹配)法结合3阶导数处理能够420nm、550nm、650nm对图像拟合的效果最好。分类号：TP274.5，O433；535，543EarlyDeterminationofricentdiseasesandpestsUsingSpectrum ysisTechnology:ThericentofTN1typewasusedastheresearchobject.NIR(Nearraredspectroscopy),Ramanspectroscopyandspectralimagetechnologywereusedinthisresearchaimedatearlydetectionofricediseasesorpests.Theresultsandconclusionsareasfollowing:EstablishedthequalitativemodelsfortheinsectpestsricentbasedonNIR.Establishedthemodelofricentdamagedbybrownnthopper(BPH)andricestemborer.CompareddifferentspectralpretreatmentmethodsusedinPLSDA,SVMDA,PLS-SVMDAandchosethebestmethod,themodelresultsshowed:thelast2pattern’stotalaccuracyratecouldreach100%.TheresultsoffeatureextractionofwavelengthbyGA(GeneticAlgorithm)showedthat:inthefirstmodel,thetotalaccuraterateofGA-PLSDAwas92.01%,GA-SVMDAandGA-PLS-SVMDAwas97.37%;Tothesecondone,thetotalaccuraterateofGA-PLSDAwas78.89%,SVMDAandGA-PLS-SVMDAwasStudyontheearlyandnon-destructivedetermininationoftheinsectpestsricentbasedonNIR-Ramanspectroscopy.Theresultsshowedthat:withtheharmdegree ingworse,thetotalvibrationintensityofRamanspectrumalsoincreases;whileusedthepretreatment,wecanviaobservingtheRamanpeaks'intensityandcalculatethewavelength'schangein455cm-1,699cm-1,1248cm-1toindexwhetherthericenthasbeendamagedbyricestemborerornot.Establisheddiseaselevelclassificationmodelofricentfrostandricepestbasedonhyper-spectralimagingtechnology.Firstly,wedesignedthehighspectralimageacquisitionsystemandresearchedtheoptimumimagingconditions.Then,afterperformingtheysisofspectrumandimageprocessing,wefoundthat:Inthefirsttest,at400nm~800nmband,spectralintensityofaffectedricewashigherthanthatofhealthyrice;at460nm,thedamagedricehasgreenphenomenon;after780nm,rededgeshiftedtoshortwavelength;thebestfittingobservedbyusing580nm,600nm,670nmtomixnewimage;usingSAMmethodcombinedwiththe3rd-derivativeprocessingcangetbestdistinguishresult.Inthesecondtest,wefoundthatwiththethefrozendegreegettingworse,spectralintensityincreased;thebestfittingwasobtainedbyusing420nm,550nm,650nmtomixanewimage.:rice;diseasesandpests;Nearinfraredspectroscopy(NIR);Raman;hyper-spectralimagingtechnology;earlydetermination；Classification：TP274.5,O433;535,目 目 图...................................................................................................................附表................................................................................................................绪 引 本课题研究目的及意 国内外研究现 近红外光谱技 高光谱分析技 光谱技 本课题主要内容及技术路 主要研究内 技术路 本章小 光谱分析原理及方法与实验条 光谱分析技术简 近红外光谱分析技 光谱分析技 高光谱成像分析技 光谱图像分析的数学基 光谱预处理及异常样本剔 校正建模算 模式识别 特征波长选择法（遗传算法 实验条 傅立叶变换近红外光谱 光谱 高光谱成像系 其它应用软 本章小 基于近红外光谱分析的受虫害胁迫水稻光谱分 光谱规范及预处理方 规 预处理方 校正模 基于近红外光谱的受螟虫水稻判别模型研 材料和方 结果与分 基于近红外光谱的受褐飞虱胁迫水稻受害等级判别模型研 材料和方 结果与分 本章小 基于光谱分析的受螟虫胁迫的水稻病虫害无损早期检测研 水稻试验模型设 受胁迫水稻的光谱早期检测研 材料与方 结果与分 本章小 基于高光谱分析技术的水稻病虫害分 高光谱动态成像设计及优 成像系统设 成像条件简 基于高光谱成像的受褐飞虱的水稻判别分析模 材料与样 结果与分 基于高光谱成像技术的水稻早霜冻害程度分级方法研 材料与样 结果与分 本章小 总结与展 主要研究成 创新 展 参考文 作者简 图图 物体漫反射示意 图 散射能级示意 图 高光谱图 图 高光谱成像基础系 图 欧氏距离原 图 德国布鲁克MPA型傅立叶变换近红外光谱 图 OPUS分析软件界 图 DeltaNuAdvantage785型光谱 图 光谱仪分析软 图 高光谱分析系 图 高光谱成像软件 图 建模流程 图 健康水稻及受害水稻茎部的原始近红外光 图 59个健康样本马氏距离分 图 59个受螟虫胁迫样本马氏距离分 图 80个参与建模的水稻样本聚类效 图 预处理的PLSDA归类效 图 一阶微分后的PLSDA第一类预测概率分 图 预处理的支持向量机判别分析预测效 图 SNV预处理后的支持向量机判别分析预测效 图 原始样本的PLS-SVMDA第一类预测效 图 平滑处理后的PLS-SVMDA分类概率分 图 GA算法的变量选择结 图 各波长频率分布 图 二阶微分处理后的GA-PLSDA预测效 图 二阶微分处理后的GA-SVMDA预测效 图 九点平滑处理后的GA-SVMDA预测效 图 三种危害程度的水稻叶片原始近红外漫反射平均光 图 健康水稻样本的马氏距离分 图 受褐飞虱轻度胁迫水稻样本的马氏距离分 图 受褐飞虱重度危害的水稻样本马氏距离分 图 80个水稻样本系统聚类效果 图 原始样本的PLSDA建模预测效 图 一阶微分后的PLSDA建模预测效 图 原始样本的SVMDA模型归类预测效 图 二阶微分后的SVMDA归类预测效 图 原始样本的PLS-SVMDA模型预测效 图 经微分后的PLS-SVMDA模型预测效 图 各波长被选频率分布 图 一阶微分处理后的GA-PLSDA预测效 图 一阶微分处理后的GA-SVMDA预测效 图 一阶微分处理后的GA-SVMDA预测效 图 80个样本马氏距离分布 图 不同受害期健康与受害水稻的原始平均光 图 不同受害期水稻叶片的原始光 图 预处理后的健康水稻和受害水稻光 图 高光谱成像系统平面 图 五种光源效果对 图 健康水稻与受褐飞虱水稻叶片高光谱.....................................图 健康与受害水稻光谱 图 各单波长下的水稻叶片光谱 图 580nm、600nm、670nm三波长拟合图 图 基于3阶导数结合的SAM的聚类结 图 五个不同程度受害水稻的原始光谱取点 图 5个等级水稻叶片原始光谱曲 图 各单波长下的水稻叶片光 图 420，550，650nm三波长拟合图 附表表3.1不同预处理方法下的最优鉴别模型比 表 基于PLSDA在不同预处理方法下的结果比 表 基于SVMDA方法在不同预处理方法下的结果比 表 基于PLS-SVMDA方法在不同预处理方法下的结果比 表 经GA处理后不同模型最优结果比 表 三种模式识别法的最优鉴别模型比 表 基于PLSDA在不同预处理方法下的结果比 表 基于SVMDA方法在不同预处理方法下的结果比 表 基于PLS-SVMDA方法在不同预处理方法下的结果比 表 GA处理后不同模型最优结果比 表 水稻冻害程度模拟试验数据记 表 各波长下取点光谱强 引因一。近年来，我国水稻主要病虫害种类由先前的三虫两病演变至三虫四等病症或者发现大量虫子后，利用等化学药剂进行杀虫；二是在选取水稻发现象，如定期对水稻进行喷洒，费时费力，并在一定程度上造成资源浪费和残留。因此，迫切的需要研究一种更加简单、快速和准确的方法来检、它被广泛地用于农业科学研究上[3]，其中的红外光谱光谱和高光谱均被频、本研究以TN1型水稻为研究对象，对受褐飞虱和受螟虫的水稻茎叶进行近红外和光谱，获得各种原始光谱数据，通过各种模式识别方本课题研究目的及意重要作用。而病虫害是农业生产上的重要生物与自然，它是制约农业高效率生产和可持续发展的重要因一[5]传统的水稻检测防治方法尤其是早期叶片的症状估计或者在受害水稻后补种，而不能早期检测；虫害上，如稻现代光谱分析技术如近/中红外光谱分析技术具有测试方法简便效率高环保测试区域大等优点[6~8] 光谱分析技术则具有无损快速检测的特点；高光谱成像技术也以其独特的优点正被国内外相关机构和学者纷纷开始研究和应用[9~11]。本研究正是基于这三种光谱分析技术对受病虫害胁迫的水稻进行相关系列研究对比分析建立稳定可靠的模并得到有利于检测水稻早期危害（难以观察，但可以及时补救并防止进一步扩散）的方法。查阅相关资料近红外和光谱已经在用于小麦黄瓜等病害检测也有用于转水稻的检测研究，但是总体研究处于起步阶段，相关的文献资国内外研究现近红外光谱技术在国外，近红外光谱分析技术上的研究已经有较长的历史，它是十九世纪初被天文学家illimHrhl所发现的[14]20世纪中期的Norris等人[15-16]利用近红外光谱技术检测年代，近红外分析技术迅速发展，大量的相关研究文献在了各种期上[17-19]，并在光谱界、分析界等各界专业的大力合作下，采用了化学计量近红外光谱技术逐渐用于作物病虫害的相关检测，但是在水稻病虫害研究方面处于相关较少。国内学者姚霞，田永超等[20]对水稻叶片色素含量近红外光谱估测模型进行了研究，结果表明可以基于近红外光谱模型对水稻叶片叶绿素含量进行定量分析。刘占宇等国内学者[21]利用近红外光谱技术，结合主成分分析方法及支持向量机方法，建立了定性鉴别分类倒伏水稻的模型，结果表明：对受稻飞虱的倒伏水稻的整体准确率达100%对受穗颈瘟病的判别准确率为90.9%朱文超等[22]以转水稻和正常水稻及亲本为研究对象建立了基于近红外光谱的判别模型，结果显示良好，证明了近红外光谱技术对水稻颗粒是否转进行判别的可行性。高光谱分析技术目前光谱成像技术在农业领域的应用主要有大范围的植物病虫害监测[23]、植物病害诊断[24]、农产品品质检测[25]、作物生长状态监测[26]等。Ariana等[27]900~1700nm近红外区域的高光谱反射图像对黄瓜的表面擦伤检测进PCA方法好，但两者间效果相当。Liu等[28]利用高光谱成像90%。[29],受污染玉米色素含量[30]，水稻叶面积指数的反演[31]，小麦条锈病单叶片光ICA(独立分量法)，研究了黄瓜叶片叶绿素浓度分布的邵咏妮等[36]基于高光谱技术对稻叶瘟染病病害程度进行检测，建立基于PLS的光谱技术如同近红外光谱技术一样 光谱检测被广泛用于各大领域的分析和测，但它在作物病虫害检测方面应用很少。国外学者Stewart(1997)等[38]利以Octake[3]利用光谱区别粳米与糯米；EI-Abassy等人[40]用可见-光谱技术结PCA由于检测具备快速廉价高精度等优点国内学者也早已将激光凯[42]等利用光谱标定水稻叶色黄化突变体的叶片的叶绿素含量，研究证明光谱法是可行的；孙云云等[43]利用光谱无损检测苹果表面残留，结果显示良好康颐璞等[44]用光谱仪测得在银膜上的叶枯病菌7个生理小种的表面增强光谱(SERS),结果表明光谱在鉴别上非常有效。本课题主要内容及技术路主要研究内容比较了PLSDA、SVMDA、PLS-SVMDA三种模式识别方法下的最佳预处理方GA算法提取特征波长，比较了不同模式识别方法下的最优模型；技术路线图 本文研究技术路线流程本章小光谱分析技术简近红外光谱分析技术（一）780nm~2500nm12500~4000cm-1，其中，波数（cm-1）与波长（nm）之间的转换为：

(2-、外分析需要从复杂和相对变动的背景中提取有用的信息这些信息有可能、2.1漫漫反射图 物体漫反射示意

(KS)22(K/S)]

(2-380nm~700nm多为色素吸700nm~780nm波段，为红边主导，780nm~1350nm的波段，1350~2500nm波段，叶片水分吸收主导了该波段的光谱吸收反射率[49]。光谱分析技术由光照射到物质上发生的非弹性散射现象称为散射[22]。在物质的碰撞过程称为散射[51]。如图2.2所示，图中A瑞利散射，图中B为斯托克斯散射，图中C所示为反斯托克斯反射图 散射能级示意一般的，将获得和分析光谱以及其应用有关的方法和技术称为光谱术（Ramanspectroscopy）。当一束单色光入射于试样后，一部分光被透射，曼光谱。光谱检测的样品中，谱图中通常能发现的峰，这就是一些特此外，通过峰强度和样品内部分子的对应关系，可以将光谱用于定量检测常见的光谱技术有：傅里叶变换、显微共焦、增强及表面增强拉曼光谱技术[52]。其中，本文涉及的变换光谱采用波长785nm的为近红外激光作为激发光源，因此不会激发分子的荧光，避免了光谱中的荧光率高、波数精度及重现性好、测量速度快、近红外光可生物组织获取其内高光谱成像分析技术2070年代末首先在军事上发展的[53]，后又广泛应用2.2所示。图 高光谱图性步进，待测样品除XY轴图像信息被记录外，还有λ（光谱轴图 高光谱成像基础系光谱图像分析的数学现代光谱分析与数学方法关，光谱数据分析从预处理到建模整个过光谱预处理及异常样本剔除移；二阶导数能够消除光谱的基线旋转；SNV和MSC处理能够消除表面散射和2.4所示，假定有两张光谱图，分别对应三个波长，若将三个波长点作为三个坐标那个每个光谱图均有三个坐标两张光谱就成了三的两个点，样本光谱。式2-3为欧氏距离计算。图 欧氏距离原 )()2和，DinPCA结合的方式剔除来计算马氏距离值，主成分分算马氏距离，它表示样本与样本平均光谱的距离，式2-4为马氏距离计算iniD2(T-i

-1(T-

(2-i其中，D2表示马氏距离值，T为样本i的得分向量，T为niSn校正建模算法（一）主成分分析法合尽可能的来表征或反映初始变量，这些变量会尽可能表征原始数据。PCA将光谱矩阵X（nk）分解为k个向量的外积之和，即：XtpTtpT...tpT

(2-1 2 kt为得分向量，p主成分因子，E为误差矩阵，k值不能选取太大，这（二）偏最小二乘法PLS是基于PCA的原理它是将n个样品m个组份的矩阵Y(yij)n*mnpX(xij)n*xp分解成特征向XTPUTQ

(2-(2-UT为浓度特征和吸光度特征因子矩阵，QdmP为dp阶吸光度载荷阵，F和E为nm，np阶浓度残差阵和吸光度残差PLS法根据上述两个特征向量的相关性分解X和Y模式识别法它分为有监督模式和无监督模式两大类。无监督模式识别是对未知的样本进行判别且不需要参与训练的方法；有监督的模式识别是用部分已知样本做为校正57]（光谱角度匹配（一）n个样品看作是n（二）SAM光谱角度匹配(SAM)的技术是通过计算成像光谱中的地物光谱曲线与标准,在多中，将样品的光谱反射比当作一个矢量,当总体照度变化时，该矢量长度将正比于照度增减,在这一过程中，它的角度方向始终不变。而在光谱空间中,SAM法就是基于光谱角度的分类等影响,所以又出现了基于导数光谱的SAM识别方法[59]。（三）PLS(小二乘判别分析)S（支持向量机判别分析PLS-S(偏最小二乘是基于统计学理论VC维原理和结构风险最小原理的，它尤其擅长小样本数分PCASVMDA的建模时间，提高建特征波长选择法（遗传算法）（）以“优胜劣汰”的生存方式来寻找这些(G)挑选特征波长，消除无用波长的干扰在区域内的适应度(Fitness)和自然遗传学中再造方法进行选择或者突变，从而代替原有。它模拟了自然界的、交叉、变异操作。交叉，评估每一个单独的子集选定变量的合适量，预测Y根据均方根误差值，选择放弃一半的，培育剩余2-4表整体，并通过不同程度的突变，许多变量将包含类似的。GAGA可直接进行操作，不受函数连续和导数的限定实验条本文研究主要基于近红外光谱和可见光/近红外光谱，本节对本用的三种光谱仪器及其对应的分析软件进行介绍，包括德国MPA型变换近红外光谱仪近红外光谱(NIR)，DeltaNuAdvantage785型近红外光谱变换近红外光谱仪本用到的近红外光谱仪是德国公司生产的变换近红外谱、光谱分析等功能，如图2.7所示。图 德国MPA型变换近红外光谱图 OPUS分析软件界光谱仪本用到的光谱仪是DeltaNu公司生产的Advantage785型近红外光谱仪，它配有NuSectra软件，仪器外观和软件如图2.8和图2.9所示。仪器选用785nm的激光器，能够降低荧光信号强度，有效的避免荧光干扰现象并弱化背景宽屏信号对散射光谱的影响，从而提高了检测灵敏度。图 DeltaNuAdvantage785型光谱图 光谱仪分析软高光谱成像系统震平台上，由一个CCD照相机，一台线阵扫描光谱仪，一套样品移动平台装置和1台计算机构成。配置有软件，如图2.10和图2.11所示。图 高光谱分析系图 高光谱成像软件其它应用软件处理软件，如，Origin，Excel，SPSS，TQyst等。是一款功能强大的数学分析软件，可对光谱数据进行建模分析。成分分析[60]。TQyst则是一款通用的光谱分析软件，能够提供定性，定量分本章小、本章首先介绍了光谱分析的基本原理分别介绍了近红外光谱分析光、在本章中，以TN1型水稻植株为实验对象，设计实验模型，利用MPA型傅里叶变换光谱仪了118份受二化螟的水稻茎部近红外漫反射光谱。采光谱规范及预处理方处理方法在很大的程度上可以保证模型的准确性下面就本研究规范、预处理方法及校正模型的建立面规范进行阐述。规范样品挑选所挑选的样品要尽量包含未知样品的各种因素，本选样BL-1，种植过程保证水稻健长，长势良好，时水稻处于分蘖期。规范在光谱过程中对于校正集验证集以及未知样品的近红外光谱其测量条件和测量方式都要保持一致减少模型校正过程的误差异常剔除明显错误的样本可直接剔除或者重新光谱外；若因样品自预处理方法校正模型模式识别方法建立定性判别模型，所用的模式识别方法包括PLSDA、SIMCA、预测集样预测集样校正校正集样光谱预处校正模异常样品剔模型准确反模型准确图 建模流程基于近红外光谱的受螟虫水稻判别模型研材料和方法（一）MPA型变换近红外光谱仪（德国光学仪器公司），大光斑漫反射附件，PbS检测器；OPUS6.5光谱分析软件；TQyst8.0光谱分析软件；8.0数据处理软件(mathworks公司)。（二）所选用的水稻样品型号为TN1型，均取自于中国计量学院生命科学学院温网室BL-1号玻璃房。水稻培育过程中，为保证水稻健长需每天定时定量更30株水稻15403鲜袋保存。共到健康样品59份，受害样品59份。其中，将难以直接观察到（三）光谱实验环境温度在25℃左右，相对湿度60%。由于近红外光谱仪的参数设置采用MPA型变换近红外光谱仪样品的光谱，采样方式选择大光斑漫反射测样方式；光谱范围12500cm-1~3600cm-1，从而最原始、信分别率越高，则扫描速率就越低，进入噪声的几率就越大[61]8cm-1的采样间隔。（四）GA(遗传算法)对原始光谱数据进行降维，提取特长波长，利用结果与分析3.2（左图为健康水稻右图为受螟虫水稻从图中可以看出在近红外谱区健康水稻反射率高于受水稻然而总体来看两光谱曲线趋势相同并不能直进一步探索运用近红外光谱对水稻病虫害早期检测鉴别的可行性。图 健康水稻及受害水稻茎部的原始近红外光12000cm-1~4000cm-1区（一）来剔除异常项：利用TQyst8软件的spectraoutlier功能，采用PLC功能，选择12000~4000cm-1区域进行对比分析，样品数大于30个时，软件会采用Chauvenet检测，若少于30个，则采用Dixon检测。图3.33.4分别为健康图 59个健康样本马氏距离分图 59个受螟虫胁迫样本马氏距离分距离值分别为1.918和1.820，其对应编号为J10和J59；受胁迫样本中也有两个W48W561.961。114个样本用来建模。在光谱分析中，常在总体样本的1/2至2/3的区间范围内建立校正模型，剩80个样本（17个）（二）观的分析各个样本归为同一类的详细过程。通过对比，最终得出经过log(1/T)结合SNV对原始数据处理后获取的聚类结果3.5(a)和图3.5(b)为经过预处(a)原始样本聚类效果 (b)经预处理后的样本聚类效果图3.580个参与建模的水稻样本聚类效果PLSD（SVMD（PLS-S（偏最小二乘-6三种模式识别法进3.1所示。3.1整体模式识别预处理 准确

校正 预测集准确率错误数准确率准确率错误数准确率健受方

康害康害 康害康害 0001 0000 0000A3.1到良好的鉴别效果其中PLSDA整体准确率为99.12%，后两者的整体准确率均100%，总体而言，三种方法均能满足要求。此外，采用非线性判别方法比线性判别分析效果好，其中，SVMDA建模时，采用多种预处理方法总体准确率均达到100%，而PLS-SVMDA则在建模效PLSDA(偏最小二乘判别分析本文应用软件对样本数据进行偏最小二乘判别分析，将健康水稻样3.6为过预处理方法处理的校正集和预测集样本归为第一图 预处理的PLSDA归类效图 一阶微分后的PLSDA第一类预测概率分3.799.12%。3.2100%95%，结果符合实验要求，因此，可以使用PLSDA对健康水稻和受害表 模 整体

校正 预测错误数

错误数 预处理方法法康法康害康害210090401P 0001S A020000111000一阶微 2001

准确率

准确率

准确率 SVMDA(支持向量机判别分析在通过线性监督模式识别（PLSDA）进行判别后，本文又引入SVMDA（支优参数寻找最优参数包括cost和g OSC三种方法处理后都能获得最优模型，此时的cost和 分别为10 。图.83.9为经过二阶微分预处理后，图 预处理的支持向量机判别分析预测效图 SNV预处理后的支持向量机判别分析预测效3.83.9SNV处理后归类效果显著改善，校正集和预预处理方法的比较结果，其中二阶微分、SNV、MSC三种预处理方法处理后，100%。分析可知：(1)经过平滑处理效果改善不大，因SNVMSC总体而言，SVMDAPLSDA优秀，然而，SVMDA建模所需时PLS-SVMDA分析方法表 基于SVMDA方法在不同预处理方法下的结果比模 整体

校正 预测错误数

错误数 预处理方法法康法康害康害003290032S 0020 0000 00000000

准确率

准确率

准确率 D

PLS-SVMDA(偏最小二乘-支持向量机判别分析在使用SVMDA分析法建模的过程中发现，SVMDA建模所需时间较长不况下，本文又引入利用PLS结合SVMDA分析法，结合主成分分析来加快建模速度从而提高建模效率。结果发现利用九点平滑预处理后的建模效果最好，所用主成分数为6（占总信息量的99.99%），此时最优参数cost和g 为31.6228和1图3.10为原始样本的归类概率图图3.9为经九点平滑处理后，图 原始样本的PLS-SVMDA第一类预测效图 平滑处理后的PLS-SVMDA分类效果3.1100%3.4模后的结果比较，结果表明，整体准确率均能达到92%以上，符合定性分析要6PSSVDA方法建模分析，对定性分PSDA表 模 整体

校正 预测错误数

错误数 预处理方法别

准确法康害法康害康害P0050 90000 0041V 2141 004000021000

准确率

准确率 A（三）基于GA（遗传算法）的特征波长提取及建模优遗传算法(geneticalgorithm)是通过借鉴生物进化规律的一种随机搜索方法，它是由的Holland教授在1975年首先[65-66]，在第二章已经介绍过，1154GA来简化模型。PLS因子的遗传算法对探索最优特征波长，然后对提取出的特征波长进行建模分析。GA根据RMSE（均误差）小者作为最佳适应度GA参数设置为：群体总数为64，交叉概率0.5，变异概率0.005，迭代次数100次。依照上述参数运行GA程序60次后，最佳适应度值(Fitness)0.191369，平均适应度值为0.195029。GA变量选择过程见图3.12，左上方的图显示适应度值3.13。图 GA算法的变量选择结图 各波长频率分布应的波长(cm-1)为，，3，0，5275，5191，418839873694。将提取的特征波长利用PLSDA和及PLS-SVMDA3.15，3.163.5图 二阶微分处理后的GA-PLSDA预测效图 二阶微分处理后的GA-SVMDA预测效图 九点平滑处理后的GA-SVMDA预测效表 经GA处理后不同模型最优结果比校正 预测集模式识模式识别 预处理 准确方法 方法率准确率错误数 准确率错误数 微 3222 微 0021A

由表可知通过GA处理后的再通过三种判别方法建模的效果良好其中GA-PLSDA表现，错误样本数达到9个，整体准确率为92.01%。这可能是因为GA-SVMDAGA-PLS-SVMDA建模效果都不97.37%。模型不能完全判别正确，这可能和变量数大大缩基于近红外光谱的受褐飞虱胁迫水稻受害等级判别模型研TN1型水稻为检测样本，与上一节不同的是，设计了三个等级虫材料和方法（一）MPA型变换近红外光谱仪（德国光学仪器公司），大光斑漫反射附件，PbS检测器；OPUS6.5光谱分析软件；TQyst8.0光谱分析软件；8.0数据处理软件(mathworks公司)。（二）TN1型水稻，均取自于中国计量学院生命科学学院温BL-130株水稻至1300250症状显现，而轻度危害水稻仍难以观察症状时光谱。鲜袋保存。分别扫描水稻叶片部分的光谱，共到健康样品30份，重度3030份。（三）光谱，立叶变换近红外光谱仪样品的光谱采样方式选择漫反射测样方式光谱采12500cm-1~3600cm-132次扫描，4cm-1的采样间隔。，（四）GA(遗传算法)对原始光谱数据进行降维，提取特长波长，使用结果与分析3.17从上到下依次为健康水稻、轻度危害水稻及重度危害水稻的叶片部图 三种危害程度的水稻叶片原始近红外漫反射平均光叶片组织中叶绿素含水量或者叶片组织受到破坏从而发生变化有关而这相似，在4000cm-1~7500cm-1区域光谱交叉，不能直接由光谱反射率的变化12000cm-1~4000cm-1波（一）12000cm-1~4000cm-1区0图 健康水稻样本的马氏距离分图 受褐飞虱轻度胁迫水稻样本的马氏距离分图 受褐飞虱重度危害的水稻样本马氏距离分Chauvenet检测,个），30（二）滑+SNV3.21（a）为任何处理的聚类分析 (b)经平滑和SNV预处理后的效果图 80个水稻样本系统聚类效果图SVMD（PLS-S（偏最小二乘-63.6所示。表 校正 预测集整体模式识别 预处理

准 准确

错误个数准确率

错误个数方法康度度康度度康度度 微 000000 000000 微 000000

健轻

健轻100%PLSDA(偏最小二乘判别分析一节。图3.22为原始样本归类的结果，图3.23为经过一阶微分或二阶微分预处图 原始样本的PLSDA建模预测效图 一阶微分后的PLSDA建模预测效结果比较。其中微分处理效果最为明显，而平滑和MSC处理效果均不明显，说明样本的基线水平对样本的影响较大。通过分析得到，利用PLSDA对不同程度受褐飞虱水稻的进行定性判别分析是可行的。表 模 整体

校正 预测集 预处理方 准确法康度度康法康度度康度害0810419088041P 000000S A000202000202092077

准确率

错误个数健轻

准确率

错误个数健轻000000SVMDA(支持向量机判别分析关系，本研究继续采用SVMDA来解决。将健康水稻样本和受害样本标记归类平滑处理时，轻度危害和重度危害水稻不能分辨；经过微分、SNV两种方法处理后都能获得最优模型，此时的cost和g 分别为10和0. 。图.24为原始样本的归为第一类预测结果，图3.25为经过二阶微分预处理后，校正集图 原始样本的SVMDA模型归类预测效图 二阶微分后的SVMDA归类预测效3.25可见，经微分或SNV处理后归类效果显著改善，校正集和预测集方法的比较结果，其中通过二阶微分、SNV等预处理建模效果最佳。微分和标影响建模效率因此在后面利用PLS-SVMDA分析方法建模来进一步研究分析表 基于SVMDA方法在不同预处理方法下的结果比 校正 预测集式识预处理方法

整体准 准确率

错误个数

准确率

错误个数 率法

000090000S 000000M 000000A000000000020一阶微 000000PLS-SVMDA(偏最小二乘-支持向量机判别分析下本研究利用PLS结合SVMDA分析法结合主成分分析来实现。结果表明：利用微分、SNV、MSC预处理后建模效果最佳，此时主成分为6，最优参数cost和g 分别为100和1。图3.26为原始样本的归类效果图，图3.27为经九点图 原始样本的PLS-SVMDA模型预测效图 微分后的PLS-SVMDA模型预测效由图3.26和图3.27可见，经微分处理后归类效果显著改善，校正集和预测都能够达到97%以上表明该批样本受基线影响较大综上主成分因子为6时，利用PLS-SVMDA方法建模分析，定性判别水稻样本受害程度是可行的。表 校正 预测集 整体 预处理方法 准确法康度度康法康度度康度害003006P 9003006S 000000S M 000000000000 000030

准确率

错误个数健轻

准确率

错误个数健轻000000（三）基于GA（遗传算法）的特征波长提取及建模优同上一节，建模采用的是全波段信息，本的波数点为2308个，计算量和处理时间长，因此需要简化模型。本研究继续利用基于PS因子的遗传算法对探索最优特征波长然后对提取出的特征波长进行建模分析具体A参数设置为：群体总数为64，交叉概率0.5，变异率0.005，迭代次数100次。依上述参数运行A程序60次后，最佳适应度值(Fitn)为0. ，平均适度值为0. 。A变量选择过程见图如前所述，这里就不再累赘。图为选择频率图根据此图挑选出14个特征波长依次为1229112287,1197411870116201156211488114771099910513100899784m-1图 各波长被选频率分布模过程同上。图3.29、3.30、3.31及表3.10分别显示了三种分析方法在一阶微分图 一阶微分处理后的GA-PLSDA预测效图 一阶微分处理后的GA-SVMDA预测效图 一阶微分处理后的GA-SVMDA预测效表 校正 预测集模式识模式识别 预处理 准确方法 方法率错误个 错误个数准确 准确率 健轻重 健轻康度度康度度 微 391312 微 000000A00000000 由表可知，通过GA处理提取特征波长建模并经过一阶微分预处理后，PLSDA19SVMDAPLS-SVMDA效果显著，所有样本均正确归类，整体准确率为100%。PLSDA效果较差可能和水稻PLS-SVMDA6时，已经包99.99%GA处理本章小介绍了近红外光谱样品规范、异常样品剔除及样品预处理的各种培育水稻，设计实验模型，采用大光斑漫反射测样方式，118份方法建模鉴别效果良好后两者的整体准确率达到100%，采用SVMDA和PLS-SVMDA两种非线性判别方法效果要比PLSDASVMDA采用多种预处理方法都可使准确率到100%，而PLS-SVMDA则在建模效率上大大提升GA-PLSDA整体准确率为92.01%。GA-SVMDAGA-PLS-SVMDA97.37%。培育水稻，设计实验模型，采用大光斑漫反射测样方式，90份三个等级的受褐飞虱虫量胁迫的水稻叶片的近红外光谱。首先对原始样本反射率100%。100%。基于光谱分析的受螟虫胁迫的水稻病虫害无损早期检测外光谱分析技术对受螟虫胁迫的水稻无损早期检测在本章中，以TN1型水稻为检测样品，设计实验模型，利用Advantage785型近红外光谱仪对十株处于分蘖期的水稻进行检测，保存并记录每天的数据。并利用OriginPro8.0等分析软件对光谱数据进行分析研究。在是通过对水稻叶片的近红外光谱分析，探索利用近红外光谱进行对受虫害胁迫的水稻早期进行快速无损鉴别的可行性，为后续大田检测提供水稻试验模型TN1型水稻，均取自于中国计量学院生命科学学院温10110只，2组不做处理，但两组的培养水稻生长过程中定期观察水稻长势发现螟虫则补充相同数量的二化螟利用近红外光谱仪对两个盆里的水稻叶片进行光谱参数保存数据谱，每次健康与受胁迫水稻叶片数量为10片。综上，每日样本20个，其中健康样本和受害样本均为10个，一周共样本140个。受胁迫水稻的光谱早期检测研材料与方法Advantage785型近红外光谱仪，附件；使用Nuspec软件OriginPro8数据分析软BL-1，水稻样本模4.155株健康水稻。光谱，， 时间 ，，，次，采用自动聚焦并进行荧光校正。光谱为无损检测叶片部分光，一方面对同日的健康与受害水稻的近红外光谱分析研究比较受害水探索光谱对水稻病虫害早期预测的可行性及能够进行早期预测的最大时间。结果与分析水稻在受害4d后，叶片出现失水渐渐干枯等症状，受害7d后，受害水稻症状明显叶片干枯茎部被螟虫危害明显腐烂2号对照组水稻在试验期间健长，并未出现病虫害现象。为精简光谱数据，通过对比，决定选取危害1d，3d，4d，7d的光谱数据作为后续分析样本。4.1(a)4.1(b)80个样本均通Dixon检测。从马氏距离分布图可以看出健康水稻样本差异性很小，健康水 图 80个样本马氏距离分布图4.2所示为各个危害程度的受害水稻与对照组的健康水稻的原始平均光谱对比，四张图对应于受1天，3天，4天和7天的水稻叶片光谱。从图表上可以看到，受害1d后，健康与受害水稻的光谱曲线交错，难以观察3d300m-11400m-1的区域谱线相对振动强度增大然而此时峰的强度对比仍不明显，关于峰的分析在后面详细描述。危害4d后，从光谱曲线可以看出，区的振动相对强度继续增大，并且一些特征峰渐趋平缓。危害7d后，振动相对强度最大增至45000，光谱峰谷特征。图 不同受害期健康与受害水稻的原始平均光，综合上述分析，得出推测：水稻叶片光谱具有较明显的谱线特性，随着危害程度的加深谱线相对振动强度随之增强这可能和水稻受害后水分、， 各危害程度水稻光谱相对强度分图4.3为实验（接种虫害水稻叶片的原始光谱数据分别是危害1d，述。由图4.3可以看到，危害3d与危害4d的原始光谱很接近，同时，根据图 不同受害期水稻叶片的原始光4.43d7点图 预处理后的健康水稻和受害水稻光由图可知，在300cm-1-1600cm-1的区间内，与健康水稻相比，水稻受害后，峰发生向右偏移现象，其中455cm-1、699cm-1、1248cm-1峰处的偏模式、C-HC-O伸缩振动基团，因此分析认为水稻受虫害后内稻在461cm-1712cm-11257cm-1峰处的强度明显低于同时间的健康水稻，与健康水稻的判断指标之一，该分析进一步表明了水稻受螟虫是可以提早1-2天。本章小结本章首先设计水稻试验模型，其次基于光谱分析技术对受螟虫的水稻叶片光谱进行分析研究受害水稻与健康水稻的光谱区别并通过受害明显的特征谱线随着危害程度的加深整体谱线光谱振动相对强度随之增大；利用相关预处理方法后，观察455cm-1、699cm-1、1248cm-1处的峰强高光谱动态成像设计及优成像系统设计计算机、一个图像模块及光源模块。其中图像模块由一个CCD照相285FWCamera图 高光谱成像系统平面成像条件简介高光谱的成像条件研究包括光源、成像角度及规范1）(D65（TL845.2所示。图 五种光源效果对上放置样本的白板为50cm，光源距离白板距离55cm，成像角度为60°，左右各3）规高光谱成像系统设定参数为：CCD相机的时间为30ms，头分辨率为1394×800，传送带初始移动绝对速度为70，加速度0，光谱分辨率5.0nm，光谱的采样的平均间隔为0.6nm，光谱范围是400nm~1000nm，共到1166个波1394×800×1166的光谱数据块。基于高光谱成像的受褐飞虱的水稻判别分析模在室内对水稻植株进行光谱和光谱成像能够排除外部环境的干扰,从本节利用高光谱成像技术研究受褐飞虱水稻与健康水稻的区别，探索材料与样本system，Origin8.0分析软件。TN1型水稻，均取自于中国计量学院生命科学学院温网室BL-1号玻璃房。水稻培育方法同前几次试验一样。从健康水稻中移栽部分105株水稻，分别2003天。空白对照组不做处理，但两组的培养环境相同。10光谱结果与分析1）色失绿而健康水稻叶片呈碧绿色在健康水稻受害水稻取点如图所示，65.4所示。图 健康水稻与受褐飞虱水稻叶片高光谱从图5.4可以看出（1）400nm~800nm波段，受害水稻的光谱强度明显高（2）（3）图 健康与受害水稻光谱1）据，本研究在波长500nm~800nm的范围内进行间隔2nm取值，总共取点99个波长的通过对比分析最后列出波长为501nm531nm561nm591nm621nm、651nm、681nm、711nm、801nm5.5所示。图 各单波长下的水稻叶片光谱在高光谱图像分析时，信息量大的彩像往往会因数据太而多造成分。根据图5.4的光谱信息和图5.5的单像，对波长分别为580nm、600、图 580nm、600nm、670nm三波长拟合图为使数据更具说服力，利用基于导数光谱的SAM（光谱角度匹配）法对原始图像进行处理，SAM识别法原理间第二章。经过对比，数据处理时，导数选择3阶处理，得到图像效果如图5.6所示，其中红色部分为受害水稻，绿色部分图 基于3阶导数结合的SAM的聚类结基于高光谱成像技术的水稻早霜冻害程度分级方法研材料与样本前所述）；软件（SpectralImagesystem）。TN1型水稻，均取自于中国计量学院生命科学学院温网室BL-1号玻璃房培育方法同上从健康水稻中移栽部分10株水稻至它处，5组备用。201211开始，每天相同时段放入两盆水5.1所示。表 日 冰柜温度 相对光照度 五天后，将所有水稻拿出，放置在同一环境下1h，然后利用高光谱系统成像数据因其它条件相同故根据受害时长共获得五个等级的受害样本。3）光谱结果与分析1155.9图 五个不同程度受害水稻的原始光谱取点从图5.8可以看出，原始光谱曲线的区别不显著，此外，光谱在500nm以下1000nm700nm~800nm之间谱线交错，因此选择谱区500nm~700nm与800nm~1000nm两个波段作为后续处理光谱因此选择在500nm~700nm和800nm~1000nm两个波段内每隔5nm取一个805.2。图 5个等级水稻叶片原始光谱曲表 0123456895.85.2，可以看到，受冻时间长的水稻叶片其光谱曲线强度比强度会不断地升高，光谱强度和受害程度存性关系。在单波长下观察光谱图像，图5.10为挑选的9个波长下的单像。与前面不同，由于冻害模型中的水稻表面区别不大，故单的表现区别不是很大，所以需要通过波段拟合图像进一步对比通过多次对比分析结合单像及表5.2，420nm，550nm，650nm5.11所示的5.1051天的水稻叶片，可图 各单波长下的水稻叶片光图 420，550，650nm三波长拟合图此外，利用基于导数光谱的SAM法对原始图像进行处理时，导数选择2阶本章小5个等级冻害水稻的分级研究。对受褐飞虱迫害的实验的研究，结果表明：分析光谱曲线时，在400nm~800nm460nm左右，受害水稻产生了绿移动现象绿峰特征渐渐在近红外波段红边向短波方50nm600670nm三波长拟合效S（光谱角度匹配）3420550650nm三波长对图像拟合的效果最好，此外，采用SM2、本文以TN1型水稻茎叶为研究对象采用近红外光谱分析技术及高光究结合不同化学计量方法及图像处理方法等技术建立了受褐飞虱的近红外定性判别模型，分析了的受螟虫水稻的光谱特性及确定了早期检测时间并研究了受褐飞虱水稻和5个冻害等级水稻的高光谱成像光谱特性。、主要研究成参考相关文献，对近红外、光谱分析技术及高光谱成像技术的原比较了PLSDASVMDAPLS-SVMDA三种模式识别方法下的最佳预处理方法，100%GAGA-PLSDA整体准确率为92.01%。GA-SVMDAGA-PLS-SVMDA97.37%。基于近红外光谱分析技术，建立了受二化螟水稻的光谱定性判别100%。100%。基于光谱分析技术，研究受害水稻与健康水稻的光谱区别，并通具有较明显的特征谱线随着危害程度的加深整体谱线光谱振动相对强度455cm-1、699cm-1、1248cm-1处基于高光谱成像技术，研究了受褐飞水稻的成像光谱。结果400nm~800nm460nm特性逐渐；在近红外波段，红边向短波方向移动；在对图像分析时，利用580nm600nm670nmS（角度匹配）3阶导数处理后，能够较好的区分受害水稻和健康水稻。合的效果最好，此外，采用SAM2阶导数处理后，能够较好的区分受害创新A遗传算法，分析结果显示处理良好。展本文基于光谱分析技术对水稻病虫害早期检测进行了系统研究，在光谱预数据表的方式对水稻病虫害作了进一步分析，为利用光谱技术对水稻病虫害的像分析系统也是进一步研究的方向之一总之如何将理论用于实际，真正的能让种植者在大田中能够早期检测水稻虫害对水稻种植的意义重大。何可佳.长江流域水稻病虫害发生情况及防治方法[J].南方农业科学201113-张舒.水稻“四病三虫”的防治[J].农家顾问，2008，(330-谢春燕,吴达科.光谱技术在作物病虫害检测中的研究进展及展望[J].农机化研究,2009,(9):10-13.李江波,饶秀勤,应义斌.农产品外部品质无损检测中高光谱成像技术的应用研究进展[J].光谱学与光谱分析,2011，31(8):2021-2026.戴小枫,叶志华,曹雅忠,等.浅析我国农作物病虫草鼠害成灾特点与减灾对策应用生态学报1999，10(1119-黄艳，王锡昌.近红外光谱分析在食品检测中的进展[J].食品研究与开发,28(7):137-姬瑞勤,黄岚,刘莉等.鲜肉水分近红外漫反射方法及实验研究[J].光谱学与光谱分析,2008，28(8):1767-771.高荣强,范世福.现代近红外光谱分析技术的原理及应用[J].分析仪器2002,39-near-infraredspectrafordetectionofpoultryfecesandingesta[J],TransactionsoftheASAE,2003,46(6):1733-1738.HeitsidtGW,ParkB,LawrenceKC,WindhamWR,etal.Improvedhyperspetralimagingsystemforfecaldetectiononpoultrycarcasses[J].TransactionsoftheASAE,2007,50(4):1427-1432.单佳佳,吴建虎,陈菁菁,等.基于高光谱成像的苹果多品质参数同时检测[J].光谱学与光谱分析,2010,30(10):2729-2733.张东彦,张竞成,朱大洲,[J].光谱学与光谱分析,2011,31(4):1105-1105.AlishahiA,FarahmandH,etal.IdentificationoftransgenicfoodsusingNIRspectroscopy[A].SpectrochimicaActaPartA,2010,75:1-6.王文珍，张玉良．近红外分析的发展和应用[J].国外农业科技1983:NorrisKH,RowanJD.FoodTechnol,1957,(11):BirthGS,NorrisKH.FoodTechnol,1958,12:WeterJG.,ApplSpectroscopyRiv,1985,21(1):1-MartinKA.AppliedSpectrosocopyReviews1992,27(4):325-StarkE,LuchterK.Ibid,1986,22(4):325-,,倪军,等.水稻叶片色素含量近红外光谱估测模型研究[J].分析化,2012,40(4):589-,王大成,李波,等,基于可见-近红外反射光谱技术的倒伏水稻识别研究[J].外与毫米波学报200928(5342-超.转水稻的光谱快速无损检测方法研究[D].浙江:浙江大学,BravoC,MoshouD,WestJ,etal.Detailedspectralreflectioninformationforearlydiseasedetectioninwheatfields[J].BiosstemsEngineering,2003,84(2):137.CuiD,ZhangQ,LiMZ,etal.Detectionofsoybeanrustusingamultispectralimagesensor[J].SensingandInstrumentationforFoodQualityandSafety,2009(3):49.KimMS,ChenYR,MehPM.Hyperspectralreflectanceandfluorescenceimagingsystemforfoodqualityandsafety[J].TransactionsoftheASAE,2001,44(3):721.TANHai-zhen,LIShao-kun,WANGKe-ru,etal.Monitoringcanopychlorophylldensityinseedlingsofwinterwheatusingimagingspectrometer[J].ActaAgronomicaSinica,2008:34.ArianaDP,LuR.Detectionofinternaldefectinpicklingcucumbersusinghyperspectraltransmittanceimaging[J].TransactionsoftheASABE,2008,51(2):705-713.LiuY,ChenYR,etal.AppliedEngineeringinAgriculture,2006,隋学艳,李少昆,张晓冬,等.棉花叶片厚度的高光谱测试方法[J].农业工程学报,2010,26(1):262-266.王平,刘湘南,黄方.受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型[J].光谱学与光谱分析,2010,30(1):197-201.,,,等.利用高光谱参数反演水稻叶片类胡萝卜素含量[J].植物生态学报,2010,34(7):854.王爽,马占鸿,王学进,等.小麦条锈病单叶片光谱和叶绿素含量关系分析[J].中国学报,2012，17(1):60-64.,杨敏华,张连蓬,等.小麦叶面积指数高光谱反演[J].光谱学与光谱分析,2011,31(6):1658-1662.,绉小波,赵杰文,等.高光谱图像技术检测黄瓜叶片的叶绿素叶面