10.3964/j.issn.1000-0593(2022)09-2848-07
基于CARS-CNN的高光谱柑橘叶片含水率可视化研究
柑橘叶片水分亏缺是影响柑橘生长发育的重要因素之一,为研究水分胁迫对柑橘含水率的影响,利用高光谱快速无损检测柑橘叶片含水率,并应用伪彩色处理实现含水率可视化.收集100片柑橘叶片,使用烘干法得到鲜叶和烘干叶片一共500个不同梯度含水率的数据样本,将样本按7:3的比例划分为训练集(350个样本)和测试集(150个样本),使用决定系数(R2)和均方根误差(RMSE)来评估模型预测的好坏.采用卷积神经网络(CNN)对高光谱数据进行预测,CNN模型使用一维卷积核,一共三层卷积池化层,使用REL U激活函数激活,输出层采用linear激活函数回归预测,使用nadam算法对模型进行优化更新,迭代次数为1000次;将原始光谱数据和SG,MSC和SNV三种预处理后的光谱数据,与全波段、CARS筛选的特征波段、PCA提取的特征波段组合,导入CNN模型,确定最佳模型为原始光谱数据的CARS-CNN,训练集的R2c和RMSEC分别为0.9679和0.0163,测试集的R2v和RMSEV分别为0.9470和0.0214;原始光谱数据的全波段CNN模型效果其次,训练集的R2c和RMSEC分别为0.9343和0.0249,测试集的R2v和RM-SEV分别为0.9159和0.0286.对比了不同预处理方式和特征波长选择的支持向量机回归模型(SVR)、偏最小二乘法回归模型(PLSR)、随机森林模型(RF)组合的最佳结果,将最佳组合模型(原始光谱数据+CARS+PLSR,SNV+PCA+RF,SNV+PCA+SVR)与原始光谱数据的CARS-CNN对比,结果表明,依然是原始光谱数据的CARS-CNN模型预测效果最佳.相较于其他的模型,CARS-CNN模型经过CARS筛选特征波段和卷积核进一步提取特征后,预测精度远高于SVR,PLSR和RF模型.选择训练好的CARS-CNN模型,将高光谱图片导入到模型中,计算每个像素点的含水率,得到伪彩色图像,能够可视化叶片的含水率分布情况.研究结果为柑橘叶片水分含量提供了更快速、更直观、更全面的评估,为研究柑橘叶片水分胁迫提供了依据,为智能灌溉决策的优化提供了参考.
柑橘叶片、含水率、高光谱、卷积神经网络、可视化
42
O657.39(分析化学)
国家自然科学基金;广东省现代农业产业技术体系创新团队建设专项资金项目;现代农业产业技术体系
2022-09-15（万方平台首次上网日期，不代表论文的发表时间）
共7页
2848-2854
