華大基于光譜分析技術(shù)的水稻

EarlyDeterminationofricediseasesandpestsUsingSpectrum ysisTechnologyJiADissertationSubmittedtoJiliangUniversityInpartialfulfillmentoftherequirementForthedegreeofMasterofJiliangUniversity號MASTEREarlyDeterminationofricediseasesandpestsUsingSpectrum ysisTechnology 導(dǎo) 研究員申 工學(xué)培養(yǎng)單 中國計量學(xué)學(xué)科專 光學(xué)工 研究方 光電子科學(xué)與技讓我學(xué)會了如何做學(xué)問，如何做人。經(jīng)過半年的努力撰寫，在完成之際，我首先要感謝我的導(dǎo)師老師在讀研期間老師不僅為我提供了良好的學(xué)習(xí)條件，更經(jīng)常親自指導(dǎo)科研和學(xué)習(xí)，并在生活中給予鼓勵。本也是在老師的指導(dǎo)下完成的，在的選題、實驗、數(shù)據(jù)分析、撰寫和答辯等各個階段，老師都悉心指導(dǎo)，給我的提供各種建議。在此，本人向陳老師表達(dá)真摯的感其次要感謝賽博南樓214的朱周洪老師，朱老師在本人讀研期間不摯的感謝。同時感謝214岑松原老師和王焱華老師，謝謝的無私幫謝209的師兄弟們在平時的相互幫助。，最后感謝敬愛的父母在對我讀研的支持與鼓勵是我心靈的港灣，，謹(jǐn)以此文獻給諸位，祝大家身心健康，快樂20136：本文以TN1型水稻植株為研究對象，采用近紅外、拉曼光譜分析及高光PLS-SVMDA3果良好，后兩種非線性判別分析的整體準(zhǔn)確率達(dá)100%。通過GA算法提取特征波長，比較了各模式識別方法下的最優(yōu)模型，結(jié)果表明：GA-PLSDA整體準(zhǔn)確92.01%，GA-SVMDAGA-PLS-SVMDA97.37%。建立了受二化螟水稻光譜的定性判別模型結(jié)果顯示三種判別分析方法的整體準(zhǔn)確率均達(dá)100%。利用GA算法提取特征波長建模得到：GA-PLSDA78.89%100%。研究了受螟蟲水稻與健康水稻的拉曼光譜的區(qū)別，并通過受害水稻455cm-1、699cm-1、1248cm-1處的3研究了受褐飛虱水稻的成像光譜，結(jié)果表明：在400nm~800nm波段，460nm580nm、600nm、670nm三波長對圖像擬合的效果最佳，采用SAM(光譜角度匹配)法結(jié)合3階導(dǎo)數(shù)處理能夠420nm、550nm、650nm對圖像擬合的效果最好。分類號：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 圖...................................................................................................................附表................................................................................................................緒 引 本課題研究目的及意 國內(nèi)外研究現(xiàn) 近紅外光譜技 高光譜分析技 光譜技 本課題主要內(nèi)容及技術(shù)路 主要研究內(nèi) 技術(shù)路 本章小 光譜分析原理及方法與實驗條 光譜分析技術(shù)簡 近紅外光譜分析技 光譜分析技 高光譜成像分析技 光譜圖像分析的數(shù)學(xué)基 光譜預(yù)處理及異常樣本剔 校正建模算 模式識別 特征波長選擇法（遺傳算法 實驗條 傅立葉變換近紅外光譜 光譜 高光譜成像系 其它應(yīng)用軟 本章小 基于近紅外光譜分析的受蟲害脅迫水稻光譜分 光譜規(guī)范及預(yù)處理方 規(guī) 預(yù)處理方 校正模 基于近紅外光譜的受螟蟲水稻判別模型研 材料和方 結(jié)果與分 基于近紅外光譜的受褐飛虱脅迫水稻受害等級判別模型研 材料和方 結(jié)果與分 本章小 基于光譜分析的受螟蟲脅迫的水稻病蟲害無損早期檢測研 水稻試驗?zāi)Ｐ驮O(shè) 受脅迫水稻的光譜早期檢測研 材料與方 結(jié)果與分 本章小 基于高光譜分析技術(shù)的水稻病蟲害分 高光譜動態(tài)成像設(shè)計及優(yōu) 成像系統(tǒng)設(shè) 成像條件簡 基于高光譜成像的受褐飛虱的水稻判別分析模 材料與樣 結(jié)果與分 基于高光譜成像技術(shù)的水稻早霜凍害程度分級方法研 材料與樣 結(jié)果與分 本章小 總結(jié)與展 主要研究成 創(chuàng)新 展 參考文 作者簡 圖圖 物體漫反射示意 圖 散射能級示意 圖 高光譜圖 圖 高光譜成像基礎(chǔ)系 圖 歐氏距離原 圖 德國布魯克MPA型傅立葉變換近紅外光譜 圖 OPUS分析軟件界 圖 DeltaNuAdvantage785型光譜 圖 光譜儀分析軟 圖 高光譜分析系 圖 高光譜成像軟件 圖 建模流程 圖 健康水稻及受害水稻莖部的原始近紅外光 圖 59個健康樣本馬氏距離分 圖 59個受螟蟲脅迫樣本馬氏距離分 圖 80個參與建模的水稻樣本聚類效 圖 預(yù)處理的PLSDA歸類效 圖 一階微分后的PLSDA第一類預(yù)測概率分 圖 預(yù)處理的支持向量機判別分析預(yù)測效 圖 SNV預(yù)處理后的支持向量機判別分析預(yù)測效 圖 原始樣本的PLS-SVMDA第一類預(yù)測效 圖 平滑處理后的PLS-SVMDA分類概率分 圖 GA算法的變量選擇結(jié) 圖 各波長頻率分布 圖 二階微分處理后的GA-PLSDA預(yù)測效 圖 二階微分處理后的GA-SVMDA預(yù)測效 圖 九點平滑處理后的GA-SVMDA預(yù)測效 圖 三種危害程度的水稻葉片原始近紅外漫反射平均光 圖 健康水稻樣本的馬氏距離分 圖 受褐飛虱輕度脅迫水稻樣本的馬氏距離分 圖 受褐飛虱重度危害的水稻樣本馬氏距離分 圖 80個水稻樣本系統(tǒng)聚類效果 圖 原始樣本的PLSDA建模預(yù)測效 圖 一階微分后的PLSDA建模預(yù)測效 圖 原始樣本的SVMDA模型歸類預(yù)測效 圖 二階微分后的SVMDA歸類預(yù)測效 圖 原始樣本的PLS-SVMDA模型預(yù)測效 圖 經(jīng)微分后的PLS-SVMDA模型預(yù)測效 圖 各波長被選頻率分布 圖 一階微分處理后的GA-PLSDA預(yù)測效 圖 一階微分處理后的GA-SVMDA預(yù)測效 圖 一階微分處理后的GA-SVMDA預(yù)測效 圖 80個樣本馬氏距離分布 圖 不同受害期健康與受害水稻的原始平均光 圖 不同受害期水稻葉片的原始光 圖 預(yù)處理后的健康水稻和受害水稻光 圖 高光譜成像系統(tǒng)平面 圖 五種光源效果對 圖 健康水稻與受褐飛虱水稻葉片高光譜.....................................圖 健康與受害水稻光譜 圖 各單波長下的水稻葉片光譜 圖 580nm、600nm、670nm三波長擬合圖 圖 基于3階導(dǎo)數(shù)結(jié)合的SAM的聚類結(jié) 圖 五個不同程度受害水稻的原始光譜取點 圖 5個等級水稻葉片原始光譜曲 圖 各單波長下的水稻葉片光 圖 420，550，650nm三波長擬合圖 附表表3.1不同預(yù)處理方法下的最優(yōu)鑒別模型比 表 基于PLSDA在不同預(yù)處理方法下的結(jié)果比 表 基于SVMDA方法在不同預(yù)處理方法下的結(jié)果比 表 基于PLS-SVMDA方法在不同預(yù)處理方法下的結(jié)果比 表 經(jīng)GA處理后不同模型最優(yōu)結(jié)果比 表 三種模式識別法的最優(yōu)鑒別模型比 表 基于PLSDA在不同預(yù)處理方法下的結(jié)果比 表 基于SVMDA方法在不同預(yù)處理方法下的結(jié)果比 表 基于PLS-SVMDA方法在不同預(yù)處理方法下的結(jié)果比 表 GA處理后不同模型最優(yōu)結(jié)果比 表 水稻凍害程度模擬試驗數(shù)據(jù)記 表 各波長下取點光譜強 引因一。近年來，我國水稻主要病蟲害種類由先前的三蟲兩病演變至三蟲四等病癥或者發(fā)現(xiàn)大量蟲子后，利用等化學(xué)藥劑進行殺蟲；二是在選取水稻發(fā)現(xiàn)象，如定期對水稻進行噴灑，費時費力，并在一定程度上造成資源浪費和殘留。因此，迫切的需要研究一種更加簡單、快速和準(zhǔn)確的方法來檢、它被廣泛地用于農(nóng)業(yè)科學(xué)研究上[3]，其中的紅外光譜光譜和高光譜均被頻、本研究以TN1型水稻為研究對象，對受褐飛虱和受螟蟲的水稻莖葉進行近紅外和光譜，獲得各種原始光譜數(shù)據(jù)，通過各種模式識別方本課題研究目的及意重要作用。而病蟲害是農(nóng)業(yè)生產(chǎn)上的重要生物與自然，它是制約農(nóng)業(yè)高效率生產(chǎn)和可持續(xù)發(fā)展的重要因一[5]傳統(tǒng)的水稻檢測防治方法尤其是早期葉片的癥狀估計或者在受害水稻后補種，而不能早期檢測；蟲害上，如稻現(xiàn)代光譜分析技術(shù)如近/中紅外光譜分析技術(shù)具有測試方法簡便效率高環(huán)保測試區(qū)域大等優(yōu)點[6~8] 光譜分析技術(shù)則具有無損快速檢測的特點；高光譜成像技術(shù)也以其獨特的優(yōu)點正被國內(nèi)外相關(guān)機構(gòu)和學(xué)者紛紛開始研究和應(yīng)用[9~11]。本研究正是基于這三種光譜分析技術(shù)對受病蟲害脅迫的水稻進行相關(guān)系列研究對比分析建立穩(wěn)定可靠的模并得到有利于檢測水稻早期危害（難以觀察，但可以及時補救并防止進一步擴散）的方法。查閱相關(guān)資料近紅外和光譜已經(jīng)在用于小麥黃瓜等病害檢測也有用于轉(zhuǎn)水稻的檢測研究，但是總體研究處于起步階段，相關(guān)的文獻資國內(nèi)外研究現(xiàn)近紅外光譜技術(shù)在國外，近紅外光譜分析技術(shù)上的研究已經(jīng)有較長的歷史，它是十九世紀(jì)初被天文學(xué)家illimHrhl所發(fā)現(xiàn)的[14]20世紀(jì)中期的Norris等人[15-16]利用近紅外光譜技術(shù)檢測年代，近紅外分析技術(shù)迅速發(fā)展，大量的相關(guān)研究文獻在了各種期上[17-19]，并在光譜界、分析界等各界專業(yè)的大力合作下，采用了化學(xué)計量近紅外光譜技術(shù)逐漸用于作物病蟲害的相關(guān)檢測，但是在水稻病蟲害研究方面處于相關(guān)較少。國內(nèi)學(xué)者姚霞，田永超等[20]對水稻葉片色素含量近紅外光譜估測模型進行了研究，結(jié)果表明可以基于近紅外光譜模型對水稻葉片葉綠素含量進行定量分析。劉占宇等國內(nèi)學(xué)者[21]利用近紅外光譜技術(shù)，結(jié)合主成分分析方法及支持向量機方法，建立了定性鑒別分類倒伏水稻的模型，結(jié)果表明：對受稻飛虱的倒伏水稻的整體準(zhǔn)確率達(dá)100%對受穗頸瘟病的判別準(zhǔn)確率為90.9%朱文超等[22]以轉(zhuǎn)水稻和正常水稻及親本為研究對象建立了基于近紅外光譜的判別模型，結(jié)果顯示良好，證明了近紅外光譜技術(shù)對水稻顆粒是否轉(zhuǎn)進行判別的可行性。高光譜分析技術(shù)目前光譜成像技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用主要有大范圍的植物病蟲害監(jiān)測[23]、植物病害診斷[24]、農(nóng)產(chǎn)品品質(zhì)檢測[25]、作物生長狀態(tài)監(jiān)測[26]等。Ariana等[27]900~1700nm近紅外區(qū)域的高光譜反射圖像對黃瓜的表面擦傷檢測進PCA方法好，但兩者間效果相當(dāng)。Liu等[28]利用高光譜成像90%。[29],受污染玉米色素含量[30]，水稻葉面積指數(shù)的反演[31]，小麥條銹病單葉片光ICA(獨立分量法)，研究了黃瓜葉片葉綠素濃度分布的邵詠妮等[36]基于高光譜技術(shù)對稻葉瘟染病病害程度進行檢測，建立基于PLS的光譜技術(shù)如同近紅外光譜技術(shù)一樣 光譜檢測被廣泛用于各大領(lǐng)域的分析和測，但它在作物病蟲害檢測方面應(yīng)用很少。國外學(xué)者Stewart(1997)等[38]利以O(shè)ctake[3]利用光譜區(qū)別粳米與糯米；EI-Abassy等人[40]用可見-光譜技術(shù)結(jié)PCA由于檢測具備快速廉價高精度等優(yōu)點國內(nèi)學(xué)者也早已將激光凱[42]等利用光譜標(biāo)定水稻葉色黃化突變體的葉片的葉綠素含量，研究證明光譜法是可行的；孫云云等[43]利用光譜無損檢測蘋果表面殘留，結(jié)果顯示良好康頤璞等[44]用光譜儀測得在銀膜上的葉枯病菌7個生理小種的表面增強光譜(SERS),結(jié)果表明光譜在鑒別上非常有效。本課題主要內(nèi)容及技術(shù)路主要研究內(nèi)容比較了PLSDA、SVMDA、PLS-SVMDA三種模式識別方法下的最佳預(yù)處理方GA算法提取特征波長，比較了不同模式識別方法下的最優(yōu)模型；技術(shù)路線圖 本文研究技術(shù)路線流程本章小光譜分析技術(shù)簡近紅外光譜分析技術(shù)（一）780nm~2500nm12500~4000cm-1，其中，波數(shù)（cm-1）與波長（nm）之間的轉(zhuǎn)換為：

(2-、外分析需要從復(fù)雜和相對變動的背景中提取有用的信息這些信息有可能、2.1漫漫反射圖 物體漫反射示意

(KS)22(K/S)]

(2-380nm~700nm多為色素吸700nm~780nm波段，為紅邊主導(dǎo)，780nm~1350nm的波段，1350~2500nm波段，葉片水分吸收主導(dǎo)了該波段的光譜吸收反射率[49]。光譜分析技術(shù)由光照射到物質(zhì)上發(fā)生的非彈性散射現(xiàn)象稱為散射[22]。在物質(zhì)的碰撞過程稱為散射[51]。如圖2.2所示，圖中A瑞利散射，圖中B為斯托克斯散射，圖中C所示為反斯托克斯反射圖 散射能級示意一般的，將獲得和分析光譜以及其應(yīng)用有關(guān)的方法和技術(shù)稱為光譜術(shù)（Ramanspectroscopy）。當(dāng)一束單色光入射于試樣后，一部分光被透射，曼光譜。光譜檢測的樣品中，譜圖中通常能發(fā)現(xiàn)的峰，這就是一些特此外，通過峰強度和樣品內(nèi)部分子的對應(yīng)關(guān)系，可以將光譜用于定量檢測常見的光譜技術(shù)有：傅里葉變換、顯微共焦、增強及表面增強拉曼光譜技術(shù)[52]。其中，本文涉及的變換光譜采用波長785nm的為近紅外激光作為激發(fā)光源，因此不會激發(fā)分子的熒光，避免了光譜中的熒光率高、波數(shù)精度及重現(xiàn)性好、測量速度快、近紅外光可生物組織獲取其內(nèi)高光譜成像分析技術(shù)2070年代末首先在軍事上發(fā)展的[53]，后又廣泛應(yīng)用2.2所示。圖 高光譜圖性步進，待測樣品除XY軸圖像信息被記錄外，還有λ（光譜軸圖 高光譜成像基礎(chǔ)系光譜圖像分析的數(shù)學(xué)現(xiàn)代光譜分析與數(shù)學(xué)方法關(guān)，光譜數(shù)據(jù)分析從預(yù)處理到建模整個過光譜預(yù)處理及異常樣本剔除移；二階導(dǎo)數(shù)能夠消除光譜的基線旋轉(zhuǎn)；SNV和MSC處理能夠消除表面散射和2.4所示，假定有兩張光譜圖，分別對應(yīng)三個波長，若將三個波長點作為三個坐標(biāo)那個每個光譜圖均有三個坐標(biāo)兩張光譜就成了三的兩個點，樣本光譜。式2-3為歐氏距離計算。圖 歐氏距離原 )()2和，DinPCA結(jié)合的方式剔除來計算馬氏距離值，主成分分算馬氏距離，它表示樣本與樣本平均光譜的距離，式2-4為馬氏距離計算iniD2(T-i

-1(T-

(2-i其中，D2表示馬氏距離值，T為樣本i的得分向量，T為niSn校正建模算法（一）主成分分析法合盡可能的來表征或反映初始變量，這些變量會盡可能表征原始數(shù)據(jù)。PCA將光譜矩陣X（nk）分解為k個向量的外積之和，即：XtpTtpT...tpT

(2-1 2 kt為得分向量，p主成分因子，E為誤差矩陣，k值不能選取太大，這（二）偏最小二乘法PLS是基于PCA的原理它是將n個樣品m個組份的矩陣Y(yij)n*mnpX(xij)n*xp分解成特征向XTPUTQ

(2-(2-UT為濃度特征和吸光度特征因子矩陣，QdmP為dp階吸光度載荷陣，F(xiàn)和E為nm，np階濃度殘差陣和吸光度殘差PLS法根據(jù)上述兩個特征向量的相關(guān)性分解X和Y模式識別法它分為有監(jiān)督模式和無監(jiān)督模式兩大類。無監(jiān)督模式識別是對未知的樣本進行判別且不需要參與訓(xùn)練的方法；有監(jiān)督的模式識別是用部分已知樣本做為校正57]（光譜角度匹配（一）n個樣品看作是n（二）SAM光譜角度匹配(SAM)的技術(shù)是通過計算成像光譜中的地物光譜曲線與標(biāo)準(zhǔn),在多中，將樣品的光譜反射比當(dāng)作一個矢量,當(dāng)總體照度變化時，該矢量長度將正比于照度增減,在這一過程中，它的角度方向始終不變。而在光譜空間中,SAM法就是基于光譜角度的分類等影響,所以又出現(xiàn)了基于導(dǎo)數(shù)光譜的SAM識別方法[59]。（三）PLS(小二乘判別分析)S（支持向量機判別分析PLS-S(偏最小二乘是基于統(tǒng)計學(xué)理論VC維原理和結(jié)構(gòu)風(fēng)險最小原理的，它尤其擅長小樣本數(shù)分PCASVMDA的建模時間，提高建特征波長選擇法（遺傳算法）（）以“優(yōu)勝劣汰”的生存方式來尋找這些(G)挑選特征波長，消除無用波長的干擾在區(qū)域內(nèi)的適應(yīng)度(Fitness)和自然遺傳學(xué)中再造方法進行選擇或者突變，從而代替原有。它模擬了自然界的、交叉、變異操作。交叉，評估每一個單獨的子集選定變量的合適量，預(yù)測Y根據(jù)均方根誤差值，選擇放棄一半的，培育剩余2-4表整體，并通過不同程度的突變，許多變量將包含類似的。GAGA可直接進行操作，不受函數(shù)連續(xù)和導(dǎo)數(shù)的限定實驗條本文研究主要基于近紅外光譜和可見光/近紅外光譜，本節(jié)對本用的三種光譜儀器及其對應(yīng)的分析軟件進行介紹，包括德國MPA型變換近紅外光譜儀近紅外光譜(NIR)，DeltaNuAdvantage785型近紅外光譜變換近紅外光譜儀本用到的近紅外光譜儀是德國公司生產(chǎn)的變換近紅外譜、光譜分析等功能，如圖2.7所示。圖 德國MPA型變換近紅外光譜圖 OPUS分析軟件界光譜儀本用到的光譜儀是DeltaNu公司生產(chǎn)的Advantage785型近紅外光譜儀，它配有NuSectra軟件，儀器外觀和軟件如圖2.8和圖2.9所示。儀器選用785nm的激光器，能夠降低熒光信號強度，有效的避免熒光干擾現(xiàn)象并弱化背景寬屏信號對散射光譜的影響，從而提高了檢測靈敏度。圖 DeltaNuAdvantage785型光譜圖 光譜儀分析軟高光譜成像系統(tǒng)震平臺上，由一個CCD照相機，一臺線陣掃描光譜儀，一套樣品移動平臺裝置和1臺計算機構(gòu)成。配置有軟件，如圖2.10和圖2.11所示。圖 高光譜分析系圖 高光譜成像軟件其它應(yīng)用軟件處理軟件，如，Origin，Excel，SPSS，TQyst等。是一款功能強大的數(shù)學(xué)分析軟件，可對光譜數(shù)據(jù)進行建模分析。成分分析[60]。TQyst則是一款通用的光譜分析軟件，能夠提供定性，定量分本章小、本章首先介紹了光譜分析的基本原理分別介紹了近紅外光譜分析光、在本章中，以TN1型水稻植株為實驗對象，設(shè)計實驗?zāi)Ｐ停肕PA型傅里葉變換光譜儀了118份受二化螟的水稻莖部近紅外漫反射光譜。采光譜規(guī)范及預(yù)處理方處理方法在很大的程度上可以保證模型的準(zhǔn)確性下面就本研究規(guī)范、預(yù)處理方法及校正模型的建立面規(guī)范進行闡述。規(guī)范樣品挑選所挑選的樣品要盡量包含未知樣品的各種因素，本選樣BL-1，種植過程保證水稻健長，長勢良好，時水稻處于分蘗期。規(guī)范在光譜過程中對于校正集驗證集以及未知樣品的近紅外光譜其測量條件和測量方式都要保持一致減少模型校正過程的誤差異常剔除明顯錯誤的樣本可直接剔除或者重新光譜外；若因樣品自預(yù)處理方法校正模型模式識別方法建立定性判別模型，所用的模式識別方法包括PLSDA、SIMCA、預(yù)測集樣預(yù)測集樣校正校正集樣光譜預(yù)處校正模異常樣品剔模型準(zhǔn)確反模型準(zhǔn)確圖 建模流程基于近紅外光譜的受螟蟲水稻判別模型研材料和方法（一）MPA型變換近紅外光譜儀（德國光學(xué)儀器公司），大光斑漫反射附件，PbS檢測器；OPUS6.5光譜分析軟件；TQyst8.0光譜分析軟件；8.0數(shù)據(jù)處理軟件(mathworks公司)。（二）所選用的水稻樣品型號為TN1型，均取自于中國計量學(xué)院生命科學(xué)學(xué)院溫網(wǎng)室BL-1號玻璃房。水稻培育過程中，為保證水稻健長需每天定時定量更30株水稻15403鮮袋保存。共到健康樣品59份，受害樣品59份。其中，將難以直接觀察到（三）光譜實驗環(huán)境溫度在25℃左右，相對濕度60%。由于近紅外光譜儀的參數(shù)設(shè)置采用MPA型變換近紅外光譜儀樣品的光譜，采樣方式選擇大光斑漫反射測樣方式；光譜范圍12500cm-1~3600cm-1，從而最原始、信分別率越高，則掃描速率就越低，進入噪聲的幾率就越大[61]8cm-1的采樣間隔。（四）GA(遺傳算法)對原始光譜數(shù)據(jù)進行降維，提取特長波長，利用結(jié)果與分析3.2（左圖為健康水稻右圖為受螟蟲水稻從圖中可以看出在近紅外譜區(qū)健康水稻反射率高于受水稻然而總體來看兩光譜曲線趨勢相同并不能直進一步探索運用近紅外光譜對水稻病蟲害早期檢測鑒別的可行性。圖 健康水稻及受害水稻莖部的原始近紅外光12000cm-1~4000cm-1區(qū)（一）來剔除異常項：利用TQyst8軟件的spectraoutlier功能，采用PLC功能，選擇12000~4000cm-1區(qū)域進行對比分析，樣品數(shù)大于30個時，軟件會采用Chauvenet檢測，若少于30個，則采用Dixon檢測。圖3.33.4分別為健康圖 59個健康樣本馬氏距離分圖 59個受螟蟲脅迫樣本馬氏距離分距離值分別為1.918和1.820，其對應(yīng)編號為J10和J59；受脅迫樣本中也有兩個W48W561.961。114個樣本用來建模。在光譜分析中，常在總體樣本的1/2至2/3的區(qū)間范圍內(nèi)建立校正模型，剩80個樣本（17個）（二）觀的分析各個樣本歸為同一類的詳細(xì)過程。通過對比，最終得出經(jīng)過log(1/T)結(jié)合SNV對原始數(shù)據(jù)處理后獲取的聚類結(jié)果3.5(a)和圖3.5(b)為經(jīng)過預(yù)處(a)原始樣本聚類效果 (b)經(jīng)預(yù)處理后的樣本聚類效果圖3.580個參與建模的水稻樣本聚類效果PLSD（SVMD（PLS-S（偏最小二乘-6三種模式識別法進3.1所示。3.1整體模式識別預(yù)處理 準(zhǔn)確

校正 預(yù)測集準(zhǔn)確率錯誤數(shù)準(zhǔn)確率準(zhǔn)確率錯誤數(shù)準(zhǔn)確率健受方

康害康害 康害康害 0001 0000 0000A3.1到良好的鑒別效果其中PLSDA整體準(zhǔn)確率為99.12%，后兩者的整體準(zhǔn)確率均100%，總體而言，三種方法均能滿足要求。此外，采用非線性判別方法比線性判別分析效果好，其中，SVMDA建模時，采用多種預(yù)處理方法總體準(zhǔn)確率均達(dá)到100%，而PLS-SVMDA則在建模效PLSDA(偏最小二乘判別分析本文應(yīng)用軟件對樣本數(shù)據(jù)進行偏最小二乘判別分析，將健康水稻樣3.6為過預(yù)處理方法處理的校正集和預(yù)測集樣本歸為第一圖 預(yù)處理的PLSDA歸類效圖 一階微分后的PLSDA第一類預(yù)測概率分3.799.12%。3.2100%95%，結(jié)果符合實驗要求，因此，可以使用PLSDA對健康水稻和受害表 模 整體

校正 預(yù)測錯誤數(shù)

錯誤數(shù) 預(yù)處理方法法康法康害康害210090401P 0001S A020000111000一階微 2001

準(zhǔn)確率

準(zhǔn)確率

準(zhǔn)確率 SVMDA(支持向量機判別分析在通過線性監(jiān)督模式識別（PLSDA）進行判別后，本文又引入SVMDA（支優(yōu)參數(shù)尋找最優(yōu)參數(shù)包括cost和g OSC三種方法處理后都能獲得最優(yōu)模型，此時的cost和 分別為10 。圖.83.9為經(jīng)過二階微分預(yù)處理后，圖 預(yù)處理的支持向量機判別分析預(yù)測效圖 SNV預(yù)處理后的支持向量機判別分析預(yù)測效3.83.9SNV處理后歸類效果顯著改善，校正集和預(yù)預(yù)處理方法的比較結(jié)果，其中二階微分、SNV、MSC三種預(yù)處理方法處理后，100%。分析可知：(1)經(jīng)過平滑處理效果改善不大，因SNVMSC總體而言，SVMDAPLSDA優(yōu)秀，然而，SVMDA建模所需時PLS-SVMDA分析方法表 基于SVMDA方法在不同預(yù)處理方法下的結(jié)果比模 整體

校正 預(yù)測錯誤數(shù)

錯誤數(shù) 預(yù)處理方法法康法康害康害003290032S 0020 0000 00000000

準(zhǔn)確率

準(zhǔn)確率

準(zhǔn)確率 D

PLS-SVMDA(偏最小二乘-支持向量機判別分析在使用SVMDA分析法建模的過程中發(fā)現(xiàn)，SVMDA建模所需時間較長不況下，本文又引入利用PLS結(jié)合SVMDA分析法，結(jié)合主成分分析來加快建模速度從而提高建模效率。結(jié)果發(fā)現(xiàn)利用九點平滑預(yù)處理后的建模效果最好，所用主成分?jǐn)?shù)為6（占總信息量的99.99%），此時最優(yōu)參數(shù)cost和g 為31.6228和1圖3.10為原始樣本的歸類概率圖圖3.9為經(jīng)九點平滑處理后，圖 原始樣本的PLS-SVMDA第一類預(yù)測效圖 平滑處理后的PLS-SVMDA分類效果3.1100%3.4模后的結(jié)果比較，結(jié)果表明，整體準(zhǔn)確率均能達(dá)到92%以上，符合定性分析要6PSSVDA方法建模分析，對定性分PSDA表 模 整體

校正 預(yù)測錯誤數(shù)

錯誤數(shù) 預(yù)處理方法別

準(zhǔn)確法康害法康害康害P0050 90000 0041V 2141 004000021000

準(zhǔn)確率

準(zhǔn)確率 A（三）基于GA（遺傳算法）的特征波長提取及建模優(yōu)遺傳算法(geneticalgorithm)是通過借鑒生物進化規(guī)律的一種隨機搜索方法，它是由的Holland教授在1975年首先[65-66]，在第二章已經(jīng)介紹過，1154GA來簡化模型。PLS因子的遺傳算法對探索最優(yōu)特征波長，然后對提取出的特征波長進行建模分析。GA根據(jù)RMSE（均誤差）小者作為最佳適應(yīng)度GA參數(shù)設(shè)置為：群體總數(shù)為64，交叉概率0.5，變異概率0.005，迭代次數(shù)100次。依照上述參數(shù)運行GA程序60次后，最佳適應(yīng)度值(Fitness)0.191369，平均適應(yīng)度值為0.195029。GA變量選擇過程見圖3.12，左上方的圖顯示適應(yīng)度值3.13。圖 GA算法的變量選擇結(jié)圖 各波長頻率分布應(yīng)的波長(cm-1)為，，3，0，5275，5191，418839873694。將提取的特征波長利用PLSDA和及PLS-SVMDA3.15，3.163.5圖 二階微分處理后的GA-PLSDA預(yù)測效圖 二階微分處理后的GA-SVMDA預(yù)測效圖 九點平滑處理后的GA-SVMDA預(yù)測效表 經(jīng)GA處理后不同模型最優(yōu)結(jié)果比校正 預(yù)測集模式識模式識別 預(yù)處理 準(zhǔn)確方法 方法率準(zhǔn)確率錯誤數(shù) 準(zhǔn)確率錯誤數(shù) 微 3222 微 0021A

由表可知通過GA處理后的再通過三種判別方法建模的效果良好其中GA-PLSDA表現(xiàn)，錯誤樣本數(shù)達(dá)到9個，整體準(zhǔn)確率為92.01%。這可能是因為GA-SVMDAGA-PLS-SVMDA建模效果都不97.37%。模型不能完全判別正確，這可能和變量數(shù)大大縮基于近紅外光譜的受褐飛虱脅迫水稻受害等級判別模型研TN1型水稻為檢測樣本，與上一節(jié)不同的是，設(shè)計了三個等級蟲材料和方法（一）MPA型變換近紅外光譜儀（德國光學(xué)儀器公司），大光斑漫反射附件，PbS檢測器；OPUS6.5光譜分析軟件；TQyst8.0光譜分析軟件；8.0數(shù)據(jù)處理軟件(mathworks公司)。（二）TN1型水稻，均取自于中國計量學(xué)院生命科學(xué)學(xué)院溫BL-130株水稻至1300250癥狀顯現(xiàn)，而輕度危害水稻仍難以觀察癥狀時光譜。鮮袋保存。分別掃描水稻葉片部分的光譜，共到健康樣品30份，重度3030份。（三）光譜，立葉變換近紅外光譜儀樣品的光譜采樣方式選擇漫反射測樣方式光譜采12500cm-1~3600cm-132次掃描，4cm-1的采樣間隔。，（四）GA(遺傳算法)對原始光譜數(shù)據(jù)進行降維，提取特長波長，使用結(jié)果與分析3.17從上到下依次為健康水稻、輕度危害水稻及重度危害水稻的葉片部圖 三種危害程度的水稻葉片原始近紅外漫反射平均光葉片組織中葉綠素含水量或者葉片組織受到破壞從而發(fā)生變化有關(guān)而這相似，在4000cm-1~7500cm-1區(qū)域光譜交叉，不能直接由光譜反射率的變化12000cm-1~4000cm-1波（一）12000cm-1~4000cm-1區(qū)0圖 健康水稻樣本的馬氏距離分圖 受褐飛虱輕度脅迫水稻樣本的馬氏距離分圖 受褐飛虱重度危害的水稻樣本馬氏距離分Chauvenet檢測,個），30（二）滑+SNV3.21（a）為任何處理的聚類分析 (b)經(jīng)平滑和SNV預(yù)處理后的效果圖 80個水稻樣本系統(tǒng)聚類效果圖SVMD（PLS-S（偏最小二乘-63.6所示。表 校正 預(yù)測集整體模式識別 預(yù)處理

準(zhǔn) 準(zhǔn)確

錯誤個數(shù)準(zhǔn)確率

錯誤個數(shù)方法康度度康度度康度度 微 000000 000000 微 000000

健輕

健輕100%PLSDA(偏最小二乘判別分析一節(jié)。圖3.22為原始樣本歸類的結(jié)果，圖3.23為經(jīng)過一階微分或二階微分預(yù)處圖 原始樣本的PLSDA建模預(yù)測效圖 一階微分后的PLSDA建模預(yù)測效結(jié)果比較。其中微分處理效果最為明顯，而平滑和MSC處理效果均不明顯，說明樣本的基線水平對樣本的影響較大。通過分析得到，利用PLSDA對不同程度受褐飛虱水稻的進行定性判別分析是可行的。表 模 整體

校正 預(yù)測集 預(yù)處理方 準(zhǔn)確法康度度康法康度度康度害0810419088041P 000000S A000202000202092077

準(zhǔn)確率

錯誤個數(shù)健輕

準(zhǔn)確率

錯誤個數(shù)健輕000000SVMDA(支持向量機判別分析關(guān)系，本研究繼續(xù)采用SVMDA來解決。將健康水稻樣本和受害樣本標(biāo)記歸類平滑處理時，輕度危害和重度危害水稻不能分辨；經(jīng)過微分、SNV兩種方法處理后都能獲得最優(yōu)模型，此時的cost和g 分別為10和0. 。圖.24為原始樣本的歸為第一類預(yù)測結(jié)果，圖3.25為經(jīng)過二階微分預(yù)處理后，校正集圖 原始樣本的SVMDA模型歸類預(yù)測效圖 二階微分后的SVMDA歸類預(yù)測效3.25可見，經(jīng)微分或SNV處理后歸類效果顯著改善，校正集和預(yù)測集方法的比較結(jié)果，其中通過二階微分、SNV等預(yù)處理建模效果最佳。微分和標(biāo)影響建模效率因此在后面利用PLS-SVMDA分析方法建模來進一步研究分析表 基于SVMDA方法在不同預(yù)處理方法下的結(jié)果比 校正 預(yù)測集式識預(yù)處理方法

整體準(zhǔn) 準(zhǔn)確率

錯誤個數(shù)

準(zhǔn)確率

錯誤個數(shù) 率法

000090000S 000000M 000000A000000000020一階微 000000PLS-SVMDA(偏最小二乘-支持向量機判別分析下本研究利用PLS結(jié)合SVMDA分析法結(jié)合主成分分析來實現(xiàn)。結(jié)果表明：利用微分、SNV、MSC預(yù)處理后建模效果最佳，此時主成分為6，最優(yōu)參數(shù)cost和g 分別為100和1。圖3.26為原始樣本的歸類效果圖，圖3.27為經(jīng)九點圖 原始樣本的PLS-SVMDA模型預(yù)測效圖 微分后的PLS-SVMDA模型預(yù)測效由圖3.26和圖3.27可見，經(jīng)微分處理后歸類效果顯著改善，校正集和預(yù)測都能夠達(dá)到97%以上表明該批樣本受基線影響較大綜上主成分因子為6時，利用PLS-SVMDA方法建模分析，定性判別水稻樣本受害程度是可行的。表 校正 預(yù)測集 整體 預(yù)處理方法 準(zhǔn)確法康度度康法康度度康度害003006P 9003006S 000000S M 000000000000 000030

準(zhǔn)確率

錯誤個數(shù)健輕

準(zhǔn)確率

錯誤個數(shù)健輕000000（三）基于GA（遺傳算法）的特征波長提取及建模優(yōu)同上一節(jié)，建模采用的是全波段信息，本的波數(shù)點為2308個，計算量和處理時間長，因此需要簡化模型。本研究繼續(xù)利用基于PS因子的遺傳算法對探索最優(yōu)特征波長然后對提取出的特征波長進行建模分析具體A參數(shù)設(shè)置為：群體總數(shù)為64，交叉概率0.5，變異率0.005，迭代次數(shù)100次。依上述參數(shù)運行A程序60次后，最佳適應(yīng)度值(Fitn)為0. ，平均適度值為0. 。A變量選擇過程見圖如前所述，這里就不再累贅。圖為選擇頻率圖根據(jù)此圖挑選出14個特征波長依次為1229112287,1197411870116201156211488114771099910513100899784m-1圖 各波長被選頻率分布模過程同上。圖3.29、3.30、3.31及表3.10分別顯示了三種分析方法在一階微分圖 一階微分處理后的GA-PLSDA預(yù)測效圖 一階微分處理后的GA-SVMDA預(yù)測效圖 一階微分處理后的GA-SVMDA預(yù)測效表 校正 預(yù)測集模式識模式識別 預(yù)處理 準(zhǔn)確方法 方法率錯誤個 錯誤個數(shù)準(zhǔn)確 準(zhǔn)確率 健輕重 健輕康度度康度度 微 391312 微 000000A00000000 由表可知，通過GA處理提取特征波長建模并經(jīng)過一階微分預(yù)處理后，PLSDA19SVMDAPLS-SVMDA效果顯著，所有樣本均正確歸類，整體準(zhǔn)確率為100%。PLSDA效果較差可能和水稻PLS-SVMDA6時，已經(jīng)包99.99%GA處理本章小介紹了近紅外光譜樣品規(guī)范、異常樣品剔除及樣品預(yù)處理的各種培育水稻，設(shè)計實驗?zāi)Ｐ停捎么蠊獍呗瓷錅y樣方式，118份方法建模鑒別效果良好后兩者的整體準(zhǔn)確率達(dá)到100%，采用SVMDA和PLS-SVMDA兩種非線性判別方法效果要比PLSDASVMDA采用多種預(yù)處理方法都可使準(zhǔn)確率到100%，而PLS-SVMDA則在建模效率上大大提升GA-PLSDA整體準(zhǔn)確率為92.01%。GA-SVMDAGA-PLS-SVMDA97.37%。培育水稻，設(shè)計實驗?zāi)Ｐ?，采用大光斑漫反射測樣方式，90份三個等級的受褐飛虱蟲量脅迫的水稻葉片的近紅外光譜。首先對原始樣本反射率100%。100%。基于光譜分析的受螟蟲脅迫的水稻病蟲害無損早期檢測外光譜分析技術(shù)對受螟蟲脅迫的水稻無損早期檢測在本章中，以TN1型水稻為檢測樣品，設(shè)計實驗?zāi)Ｐ?，利用Advantage785型近紅外光譜儀對十株處于分蘗期的水稻進行檢測，保存并記錄每天的數(shù)據(jù)。并利用OriginPro8.0等分析軟件對光譜數(shù)據(jù)進行分析研究。在是通過對水稻葉片的近紅外光譜分析，探索利用近紅外光譜進行對受蟲害脅迫的水稻早期進行快速無損鑒別的可行性，為后續(xù)大田檢測提供水稻試驗?zāi)Ｐ蚑N1型水稻，均取自于中國計量學(xué)院生命科學(xué)學(xué)院溫10110只，2組不做處理，但兩組的培養(yǎng)水稻生長過程中定期觀察水稻長勢發(fā)現(xiàn)螟蟲則補充相同數(shù)量的二化螟利用近紅外光譜儀對兩個盆里的水稻葉片進行光譜參數(shù)保存數(shù)據(jù)譜，每次健康與受脅迫水稻葉片數(shù)量為10片。綜上，每日樣本20個，其中健康樣本和受害樣本均為10個，一周共樣本140個。受脅迫水稻的光譜早期檢測研材料與方法Advantage785型近紅外光譜儀，附件；使用Nuspec軟件OriginPro8數(shù)據(jù)分析軟BL-1，水稻樣本模4.155株健康水稻。光譜，， 時間 ，，，次，采用自動聚焦并進行熒光校正。光譜為無損檢測葉片部分光，一方面對同日的健康與受害水稻的近紅外光譜分析研究比較受害水探索光譜對水稻病蟲害早期預(yù)測的可行性及能夠進行早期預(yù)測的最大時間。結(jié)果與分析水稻在受害4d后，葉片出現(xiàn)失水漸漸干枯等癥狀，受害7d后，受害水稻癥狀明顯葉片干枯莖部被螟蟲危害明顯腐爛2號對照組水稻在試驗期間健長，并未出現(xiàn)病蟲害現(xiàn)象。為精簡光譜數(shù)據(jù)，通過對比，決定選取危害1d，3d，4d，7d的光譜數(shù)據(jù)作為后續(xù)分析樣本。4.1(a)4.1(b)80個樣本均通Dixon檢測。從馬氏距離分布圖可以看出健康水稻樣本差異性很小，健康水 圖 80個樣本馬氏距離分布圖4.2所示為各個危害程度的受害水稻與對照組的健康水稻的原始平均光譜對比，四張圖對應(yīng)于受1天，3天，4天和7天的水稻葉片光譜。從圖表上可以看到，受害1d后，健康與受害水稻的光譜曲線交錯，難以觀察3d300m-11400m-1的區(qū)域譜線相對振動強度增大然而此時峰的強度對比仍不明顯，關(guān)于峰的分析在后面詳細(xì)描述。危害4d后，從光譜曲線可以看出，區(qū)的振動相對強度繼續(xù)增大，并且一些特征峰漸趨平緩。危害7d后，振動相對強度最大增至45000，光譜峰谷特征。圖 不同受害期健康與受害水稻的原始平均光，綜合上述分析，得出推測：水稻葉片光譜具有較明顯的譜線特性，隨著危害程度的加深譜線相對振動強度隨之增強這可能和水稻受害后水分、， 各危害程度水稻光譜相對強度分圖4.3為實驗（接種蟲害水稻葉片的原始光譜數(shù)據(jù)分別是危害1d，述。由圖4.3可以看到，危害3d與危害4d的原始光譜很接近，同時，根據(jù)圖 不同受害期水稻葉片的原始光4.43d7點圖 預(yù)處理后的健康水稻和受害水稻光由圖可知，在300cm-1-1600cm-1的區(qū)間內(nèi)，與健康水稻相比，水稻受害后，峰發(fā)生向右偏移現(xiàn)象，其中455cm-1、699cm-1、1248cm-1峰處的偏模式、C-HC-O伸縮振動基團，因此分析認(rèn)為水稻受蟲害后內(nèi)稻在461cm-1712cm-11257cm-1峰處的強度明顯低于同時間的健康水稻，與健康水稻的判斷指標(biāo)之一，該分析進一步表明了水稻受螟蟲是可以提早1-2天。本章小結(jié)本章首先設(shè)計水稻試驗?zāi)Ｐ?，其次基于光譜分析技術(shù)對受螟蟲的水稻葉片光譜進行分析研究受害水稻與健康水稻的光譜區(qū)別并通過受害明顯的特征譜線隨著危害程度的加深整體譜線光譜振動相對強度隨之增大；利用相關(guān)預(yù)處理方法后，觀察455cm-1、699cm-1、1248cm-1處的峰強高光譜動態(tài)成像設(shè)計及優(yōu)成像系統(tǒng)設(shè)計計算機、一個圖像模塊及光源模塊。其中圖像模塊由一個CCD照相285FWCamera圖 高光譜成像系統(tǒng)平面成像條件簡介高光譜的成像條件研究包括光源、成像角度及規(guī)范1）(D65（TL845.2所示。圖 五種光源效果對上放置樣本的白板為50cm，光源距離白板距離55cm，成像角度為60°，左右各3）規(guī)高光譜成像系統(tǒng)設(shè)定參數(shù)為：CCD相機的時間為30ms，頭分辨率為1394×800，傳送帶初始移動絕對速度為70，加速度0，光譜分辨率5.0nm，光譜的采樣的平均間隔為0.6nm，光譜范圍是400nm~1000nm，共到1166個波1394×800×1166的光譜數(shù)據(jù)塊?；诟吖庾V成像的受褐飛虱的水稻判別分析模在室內(nèi)對水稻植株進行光譜和光譜成像能夠排除外部環(huán)境的干擾,從本節(jié)利用高光譜成像技術(shù)研究受褐飛虱水稻與健康水稻的區(qū)別，探索材料與樣本system，Origin8.0分析軟件。TN1型水稻，均取自于中國計量學(xué)院生命科學(xué)學(xué)院溫網(wǎng)室BL-1號玻璃房。水稻培育方法同前幾次試驗一樣。從健康水稻中移栽部分105株水稻，分別2003天?？瞻讓φ战M不做處理，但兩組的培養(yǎng)環(huán)境相同。10光譜結(jié)果與分析1）色失綠而健康水稻葉片呈碧綠色在健康水稻受害水稻取點如圖所示，65.4所示。圖 健康水稻與受褐飛虱水稻葉片高光譜從圖5.4可以看出（1）400nm~800nm波段，受害水稻的光譜強度明顯高（2）（3）圖 健康與受害水稻光譜1）據(jù)，本研究在波長500nm~800nm的范圍內(nèi)進行間隔2nm取值，總共取點99個波長的通過對比分析最后列出波長為501nm531nm561nm591nm621nm、651nm、681nm、711nm、801nm5.5所示。圖 各單波長下的水稻葉片光譜在高光譜圖像分析時，信息量大的彩像往往會因數(shù)據(jù)太而多造成分。根據(jù)圖5.4的光譜信息和圖5.5的單像，對波長分別為580nm、600、圖 580nm、600nm、670nm三波長擬合圖為使數(shù)據(jù)更具說服力，利用基于導(dǎo)數(shù)光譜的SAM（光譜角度匹配）法對原始圖像進行處理，SAM識別法原理間第二章。經(jīng)過對比，數(shù)據(jù)處理時，導(dǎo)數(shù)選擇3階處理，得到圖像效果如圖5.6所示，其中紅色部分為受害水稻，綠色部分圖 基于3階導(dǎo)數(shù)結(jié)合的SAM的聚類結(jié)基于高光譜成像技術(shù)的水稻早霜凍害程度分級方法研材料與樣本前所述）；軟件（SpectralImagesystem）。TN1型水稻，均取自于中國計量學(xué)院生命科學(xué)學(xué)院溫網(wǎng)室BL-1號玻璃房培育方法同上從健康水稻中移栽部分10株水稻至它處，5組備用。201211開始，每天相同時段放入兩盆水5.1所示。表 日 冰柜溫度 相對光照度 五天后，將所有水稻拿出，放置在同一環(huán)境下1h，然后利用高光譜系統(tǒng)成像數(shù)據(jù)因其它條件相同故根據(jù)受害時長共獲得五個等級的受害樣本。3）光譜結(jié)果與分析1155.9圖 五個不同程度受害水稻的原始光譜取點從圖5.8可以看出，原始光譜曲線的區(qū)別不顯著，此外，光譜在500nm以下1000nm700nm~800nm之間譜線交錯，因此選擇譜區(qū)500nm~700nm與800nm~1000nm兩個波段作為后續(xù)處理光譜因此選擇在500nm~700nm和800nm~1000nm兩個波段內(nèi)每隔5nm取一個805.2。圖 5個等級水稻葉片原始光譜曲表 0123456895.85.2，可以看到，受凍時間長的水稻葉片其光譜曲線強度比強度會不斷地升高，光譜強度和受害程度存性關(guān)系。在單波長下觀察光譜圖像，圖5.10為挑選的9個波長下的單像。與前面不同，由于凍害模型中的水稻表面區(qū)別不大，故單的表現(xiàn)區(qū)別不是很大，所以需要通過波段擬合圖像進一步對比通過多次對比分析結(jié)合單像及表5.2，420nm，550nm，650nm5.11所示的5.1051天的水稻葉片，可圖 各單波長下的水稻葉片光圖 420，550，650nm三波長擬合圖此外，利用基于導(dǎo)數(shù)光譜的SAM法對原始圖像進行處理時，導(dǎo)數(shù)選擇2階本章小5個等級凍害水稻的分級研究。對受褐飛虱迫害的實驗的研究，結(jié)果表明：分析光譜曲線時，在400nm~800nm460nm左右，受害水稻產(chǎn)生了綠移動現(xiàn)象綠峰特征漸漸在近紅外波段紅邊向短波方50nm600670nm三波長擬合效S（光譜角度匹配）3420550650nm三波長對圖像擬合的效果最好，此外，采用SM2、本文以TN1型水稻莖葉為研究對象采用近紅外光譜分析技術(shù)及高光究結(jié)合不同化學(xué)計量方法及圖像處理方法等技術(shù)建立了受褐飛虱的近紅外定性判別模型，分析了的受螟蟲水稻的光譜特性及確定了早期檢測時間并研究了受褐飛虱水稻和5個凍害等級水稻的高光譜成像光譜特性。、主要研究成參考相關(guān)文獻，對近紅外、光譜分析技術(shù)及高光譜成像技術(shù)的原比較了PLSDASVMDAPLS-SVMDA三種模式識別方法下的最佳預(yù)處理方法，100%GAGA-PLSDA整體準(zhǔn)確率為92.01%。GA-SVMDAGA-PLS-SVMDA97.37%?；诮t外光譜分析技術(shù)，建立了受二化螟水稻的光譜定性判別100%。100%?；诠庾V分析技術(shù)，研究受害水稻與健康水稻的光譜區(qū)別，并通具有較明顯的特征譜線隨著危害程度的加深整體譜線光譜振動相對強度455cm-1、699cm-1、1248cm-1處基于高光譜成像技術(shù)，研究了受褐飛水稻的成像光譜。結(jié)果400nm~800nm460nm特性逐漸；在近紅外波段，紅邊向短波方向移動；在對圖像分析時，利用580nm600nm670nmS（角度匹配）3階導(dǎo)數(shù)處理后，能夠較好的區(qū)分受害水稻和健康水稻。合的效果最好，此外，采用SAM2階導(dǎo)數(shù)處理后，能夠較好的區(qū)分受害創(chuàng)新A遺傳算法，分析結(jié)果顯示處理良好。展本文基于光譜分析技術(shù)對水稻病蟲害早期檢測進行了系統(tǒng)研究，在光譜預(yù)數(shù)據(jù)表的方式對水稻病蟲害作了進一步分析，為利用光譜技術(shù)對水稻病蟲害的像分析系統(tǒng)也是進一步研究的方向之一總之如何將理論用于實際，真正的能讓種植者在大田中能夠早期檢測水稻蟲害對水稻種植的意義重大。何可佳.長江流域水稻病蟲害發(fā)生情況及防治方法[J].南方農(nóng)業(yè)科學(xué)201113-張舒.水稻“四病三蟲”的防治[J].農(nóng)家顧問，2008，(330-謝春燕,吳達(dá)科.光譜技術(shù)在作物病蟲害檢測中的研究進展及展望[J].農(nóng)機化研究,2009,(9):10-13.李江波,饒秀勤,應(yīng)義斌.農(nóng)產(chǎn)品外部品質(zhì)無損檢測中高光譜成像技術(shù)的應(yīng)用研究進展[J].光譜學(xué)與光譜分析,2011，31(8):2021-2026.戴小楓,葉志華,曹雅忠,等.淺析我國農(nóng)作物病蟲草鼠害成災(zāi)特點與減災(zāi)對策應(yīng)用生態(tài)學(xué)報1999，10(1119-黃艷，王錫昌.近紅外光譜分析在食品檢測中的進展[J].食品研究與開發(fā),28(7):137-姬瑞勤,黃嵐,劉莉等.鮮肉水分近紅外漫反射方法及實驗研究[J].光譜學(xué)與光譜分析,2008，28(8):1767-771.高榮強,范世福.現(xiàn)代近紅外光譜分析技術(shù)的原理及應(yīng)用[J].分析儀器2002,39-near-infraredspectrafordetectionofpoultryfecesandingesta[J],TransactionsoftheASAE,2003,46(6):1733-1738.HeitsidtGW,ParkB,LawrenceKC,WindhamWR,etal.Improvedhyperspetralimagingsystemforfecaldetectiononpoultrycarcasses[J].TransactionsoftheASAE,2007,50(4):1427-1432.單佳佳,吳建虎,陳菁菁,等.基于高光譜成像的蘋果多品質(zhì)參數(shù)同時檢測[J].光譜學(xué)與光譜分析,2010,30(10):2729-2733.張東彥,張競成,朱大洲,[J].光譜學(xué)與光譜分析,2011,31(4):1105-1105.AlishahiA,FarahmandH,etal.IdentificationoftransgenicfoodsusingNIRspectroscopy[A].SpectrochimicaActaPartA,2010,75:1-6.王文珍，張玉良．近紅外分析的發(fā)展和應(yīng)用[J].國外農(nóng)業(yè)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-,,倪軍,等.水稻葉片色素含量近紅外光譜估測模型研究[J].分析化,2012,40(4):589-,王大成,李波,等,基于可見-近紅外反射光譜技術(shù)的倒伏水稻識別研究[J].外與毫米波學(xué)報200928(5342-超.轉(zhuǎn)水稻的光譜快速無損檢測方法研究[D].浙江:浙江大學(xué),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,隋學(xué)艷,李少昆,張曉冬,等.棉花葉片厚度的高光譜測試方法[J].農(nóng)業(yè)工程學(xué)報,2010,26(1):262-266.王平,劉湘南,黃方.受污染脅迫玉米葉綠素含量微小變化的高光譜反演模型[J].光譜學(xué)與光譜分析,2010,30(1):197-201.,,,等.利用高光譜參數(shù)反演水稻葉片類胡蘿卜素含量[J].植物生態(tài)學(xué)報,2010,34(7):854.王爽,馬占鴻,王學(xué)進,等.小麥條銹病單葉片光譜和葉綠素含量關(guān)系分析[J].中國學(xué)報,2012，17(1):60-64.,楊敏華,張連蓬,等.小麥葉面積指數(shù)高光譜反演[J].光譜學(xué)與光譜分析,2011,31(6):1658-1662.,縐小波,趙杰文,等.高光譜圖像技術(shù)檢測黃瓜葉片的葉綠素葉面