《基于高光谱图像光谱与纹理信息的生菜氮素含量检测 Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology》.pdfVIP

第 30 卷 第 10 期 农 业 工 程 学 报 Vol.30 No.10 2014 年 5 月 Transactions of the Chinese Society of Agricultural Engineering May 2014 167 基于高光谱图像光谱与纹理信息的生菜氮素含量检测 1,3 1 2 1 2 2 2 孙 俊 ，金夏明 ，毛罕平 ，武小红 ，朱文静 ，张晓东 ，高洪燕 （1. 江苏大学电气信息工程学院，镇江 212013 ； 2. 江苏大学江苏省现代农业装备与技术重点实验室，镇江 212013 ； 3. 农业部农业信息服务技术重点实验室，北京 100081 ） 摘 要：高光谱图像包含丰富的光谱与图像信息，该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集 系统获取可见-近红外（390～1 050 nm）范围内的生菜叶片高光谱图像，同时利用凯氏定氮法获取对应叶片的氮 素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像，获取感兴趣区域（ROI ， region of interest ）。由于高光谱数据量大、且数据间冗余性强，因此如何有效的提取一些特征波长十分重要。该文 采用主成分分析（PCA ，principal component analysis ）对原始高光谱图像进行处理，根据前3 个主成分图像（PC1 、 PC2 、PC3 ）在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4 个特征波长及对应的光谱特征， 并且分别提取 4 个特征波长图像、主成分图像 PC1 、PC2 、PC3 在 ROI 下的基于灰度共生矩阵的纹理特征，最后 利用支持向量机回归（SVR，support vector machine regression ）分别建立生菜叶片基于特征波长光谱特征、特征 波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明，在校正性能指 标决定系数 R2 2 上，基于光谱特征+特征波长图像纹理特征的模型较好，R =0.996 ，校正集均方根误差 RMSEC 为 C C 0.034 ；在预测性能指标决定系数R2 2 上，基于光谱特征的模型较好，R =0.86 ，预测集均方根误差RMSEP 为 0.22 。 P P 该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。 关键词：氮素；主成分分析；支持向量机；高光谱图像；生菜；特征波长；纹理特征 doi ：10.3969/j.issn.1002-6819.2014.10.021 中图分类号：S636.2；0433.4 文献标识码：A 文章编号：1002-6819(2014)-10-0167-07 孙 俊，金夏明，毛罕平，等.基于高光谱图像光谱与纹理信息的生菜氮素含量检测[J].农业工程学报，2014， 30(10)：167－173. Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engin