基于可见-近红外光谱分析的圆白菜与杂草识别研究
“撂荒地”影像特征分析及信息提取——以右玉县牛心堡乡为例
“撂荒地”影像特征分析及信息提取——以右玉县牛心堡乡为例王利;李欣欣【摘要】耕地撂荒严重影响了我国粮食产量,成为近20年来耕地利用中出现的重大问题.多光谱遥感具有数据获取范围广、速度快等特点,在国土资源研究中具有相当大的潜力和优势.为提取和识别撂荒地,研究采用2010-2014年各年份的4-10月多光谱遥感数据Modis/Terra的NDVI数据产品和2014年6月份Landsat 8遥感影像数据,生成撂荒地、林地、耕地类型采样点的NDVI时间序列曲线,利用时间序列曲线来表征撂荒地、林地及耕地的生命周期特征,结合3种覆被类型的生命周期特征及其NDVI曲线特征,对3种覆被NDVI曲线变化趋势进行对比分析,从而区分撂荒地、林地、耕地,以达到识别撂荒地的目的.结合Landsat 8遥感影像判读和野外考察验证样本,最后对遥感影像进行判读,分析撂荒地的光谱、纹理、形状及位置特征,确立撂荒地解译标志,运用Arc-GIS 10.2平台实现撂荒地信息提取.结果表明,运用多光谱遥感技术能够很好地提取撂荒地,提取撂荒地精度达到86％.因此,多光谱遥感技术在撂荒地识别研究中具有相当的可行性.%The abandonment of arable land has seriously affected the grain output in our country and has become a major problem in the utilization of cultivated land in the past two decades.In this paper,the NDVI data from Modis/ Terra and the Landsat 8 remote sensing image data of June,2014,from April to October in 2014,and the NDVI time series of abandoned land,forest land and cultivated land are characterized by time series NDVI.The NDVI time series curves of abandoned land,forest land and cultivated land type are bined with the growth characteristics and NDVI curvecharacteristics,three NDVI curves were analyzed to identify abandoned bined with Landsat 8 remote sensing image and field survey data to establish the interpretation of signs we made an analysis of the abandoned land spectrum,texture,shape and location characteristics,and also use the ArcGIS to achieve the extraction of abandoned land information.【期刊名称】《辽宁师范大学学报（自然科学版）》【年(卷),期】2017(040)004【总页数】6页(P519-524)【关键词】Modis数据;植被指数;撂荒地;牛心堡乡【作者】王利;李欣欣【作者单位】辽宁师范大学城市与环境学院,辽宁大连 116029;辽宁师范大学城市与环境学院,辽宁大连 116029【正文语种】中文【中图分类】TP7920世纪以来，人口的迅速增长、自然资源的日益匮乏、生态环境的恶化严重限制了我国经济发展，人口、资源、环境与发展成为人们密切关注的四大问题[1].中国土地面积广大，但人口众多，人均占有耕地水平较低，耕地面积保有量与粮食安全紧密联系在一起.在我国，耕地闲置1 a以上，不进行耕作，不能创造价值，就被称为撂荒地[2].耕地撂荒严重影响粮食产量与粮食安全.中国的耕地撂荒现象最早出现于20世纪80年代的中后期，由于撤乡并镇，移民并村，城镇化步伐的加快[3-4]，90年代以后日趋严重.目前,耕地资源利用处于不利的恶性循环之中，其中，一方面需要迫切开垦荒地来增加可利用的耕地面积，一方面又因种种原因大面积耕地被闲置撂荒.因此，定量分析我国不同类型的耕地撂荒，寻找解决该地区耕地撂荒问题的对策尤为重要[5-6].多光谱遥感是利用多光谱扫描系统或多光谱摄影系统，通过从可见光到热红外不同的狭窄波段区感应能量，分别获得地物在不同谱段上影像的遥感技术[7].多光谱遥感不仅可以根据影像的形态和结构的差异判别地物，还可以根据光谱特性的差异识别地物的具体情况，扩大了遥感的信息量.以其具有的数据获取周期短、速度快、范围广和手段多等优点，在国土资源研究中发挥重要的作用.由于撂荒的耕地与耕地、林地以及荒草地很难区分，因此根据粮食作物生命周期来识别撂荒地的多光谱遥感技术亟待发展.以山西省朔州市右玉县牛心堡乡为例，结合多光谱遥感技术的优势，利用MODIS 卫星的 NDVI数据产品，研究基于农作物生命周期的撂荒地识别方法[8-10].通过分析生成典型采样点的NDVI时间序列曲线，与撂荒地、林地、耕地的生命周期特征匹配，从而识别撂荒地并且实现撂荒地信息的提取.右玉县牛心堡乡位于山西省西北边陲地区，隶属山西省朔州市.总面积1 964 km2，地貌类型属于黄土丘陵缓坡区.北部欧村河由东向西流贯，南部牛心河由东向西流贯，中部由老龙山、卧羊山、老老山、团山、巴掌山山脉连贯东西，海拔1 500～1 900 m之间，岩石裸露，山体由三棱柱石形成，盖土极薄，坡度较陡.初霜期为9月份的上、中旬，无霜期年平均104 d左右.研究采用的数据包括多光谱遥感数据Modis/Terra和2014年6月份Landsat 8遥感影像数据.多光谱遥感数据Modis/Terra：采用2010—2014年4—10月的NDVI数据产品，Modis/Terra的分辨为250 m×250 m，具有光谱范围广、数据接受简单、更新频率高的特点.Terra是地球同步极轨卫星，对于Modis数据接受来说，每天可以接受白天2次和晚上2次的数据，这样高频率的更新对于地球观测有较大的使用价值.Landsat 8遥感影像：影像的近红外波段和可见光波段的分辨率为30 m×30 m，全色波段的分辨率为15 m×15 m.利用Modis数据和Landsat 8影像作为处理对象，结合两者的高时间分辨率和高空间分辨率，能较准确地实现撂荒地的影像特征分析和信息提取.以2013年和2014年4—10月的Modis数据为基础，对下载的Modis遥感影像数据进行如下的预处理：投影和坐标变换:需要把Modis NDVI 数据变换到UTM投影、WGS-84地理坐标系，在Modis站点提供的投影转换工具——MRT完成，文件输出格式为GEO TIF格式，实现了影像的拼接和重投影.提取研究区域：利用山西省朔州市右玉县牛心堡乡行政区边界矢量数据提取牛心堡乡的遥感影像数据.主要方法是采用同一坐标系统下牛心堡乡的矢量边界在ArcGIS 环境下裁切出牛心堡乡的Modis NDVI时间序列图像.任何事物都有其生长发育的特征，经过时间积累，就形成了其固有的生命周期特征.这一特征不随表征其特征参量的变化而变化.多光谱遥感中的NDVI是表征地表植被特征的重要指标，它是进行大、中尺度土地覆被分类的依据，归一化植被指数(Normalized difference vegetation index,NDVI)被定义为近红外波段与可见光波段数值之差和这2个波段数值之和的比值，即NDVI=(NIR-R)/(NIR+R)[11].目前，NDVI指数是应用最为广泛的植被指数，研究者可以通过分析各种土地覆被的NDVI指数随着时间变化形式的不同来实现各种土地覆被的分类和作物的物候分析等.利用时间序列NDVI特征来表现农作物的生命周期特征，了解农作物发生发展的过程，从而实现撂荒地的识别.在本文中，选取5 aNDVI数据，对各主要土地利用类型采样点形成NDVI时间序列曲线，结合各类型的生长周期特征，对各曲线进行特征分析.再经过比较，同时考虑耕地撂荒的条件，从而识别撂荒地.结合实地调查和高分辨率影像，按类型选取采样点，读取Modis图像上采样点的NDVI值.每个采样点，形成时间序列曲线数据，对其做平滑处理，据此绘制时间序列曲线，将其与撂荒地的生命周期特征进行比较，从而判定是否为撂荒地.本研究具体步骤如图1所示.不同土地类型覆被NDVI值是不相同的，不同类型的覆被对可见光波段和近红外波段不同反射作用不同，当有植被覆盖的情况下，NDVI为正值，随植被覆盖度的增大NDVI值也会增大.不同像元的NDVI值不同，所以混合像元的NDVI值会有很大变化.因此，在进行采样点选取时，应注意尽量采取纯像元作为采样点.结合野外调查情况和对Landsat8影像的分析，选取90个采样点，其中林地、耕地、撂荒地各30个.根据地理坐标，提取采样点在不同时期的NDVI值，据此绘制各点的NDVI时间序列曲线.为尽量减少混合像元的影响，在提取采样点NDVI值时直接选择最邻近像元的值，而非均值.太阳高度角、卫星观测角、卫星、云和大气条件等有关的辐射条件变化的影响，会对NDVI产生噪声影响，因此需要对NDVI数据进行平滑处理[12]，采用高斯平滑对数据进行平滑，结果如图2所示.将林地、耕地、撂荒地3类采样点的NDVI数据绘制成时间序列曲线，在NDVI时间序列曲线图中，横轴代表时间的变化，纵轴表示采样点的NDVI值.在林地采样点的NDVI时间序列曲线(图2)中，其NDVI值的变化范围在0.4～0.8之间.4月初林地还没有进入返青期，NDVI值低，约为0.42左右；4月末5月初，林地进入返青期植被长势缓慢，植被指数增长缓慢，增幅较小；5月底6月初开始，植被指数快速增长，因为在整个6月植被进入快速生长期，植被长势旺盛，所以植被指数大幅增长；7月中下旬植被指数增长到最大值，为0.8左右；8月末9月初，气温开始下降，植被开始枯黄，植被指数也随之下降；10月初，植被指数也处于下降状态，但降幅较平缓，10月末植被完全枯黄，植被指数降到最低.根据采样点5 a的NDVI值的变化，5 a的变化大体一致，峰值未发生明显变化，判定该地区一直是林地，土地利用类型没有发生变化.同样在耕地采样点的NDVI时间序列曲线(图2)中，其NDVI值变化范围在0.30～0.75之间.NDVI曲线较平滑，有明显的波谷.低谷大致出现在4月初到5月初，在此期间，农作物处于播种期，农作物还未返青，植被指数较低，NDVI值为0.32左右；5月初到6月之前，作物处于返青期，也由返青期进入生长期，植被指数缓慢增长；进入7月后，农作物进入旺盛生长期，植被指数开始升高，增幅较大，峰值出现在7月中旬之后，大约在7月20号左右，NDVI值大约为0.75；在8月到9月份之后，农作物趋于成熟，进入收割期，植被指数缓慢下降；整个10月植被指数都是下降的，直到在10月末呈直线下降到最低值，此时耕地进入休眠期.分析耕地的NDVI曲线可以得出，曲线5 a的变化呈稳定状态，推断该地一直都是耕地，土地类型没有发生变化.在撂荒地NDVI时间序列曲线(图2)中，2010—2012年曲线的整体变化趋势与耕地大体一致，其NDVI值变化范围在0.30～0.75之间，曲线也较平滑.但是在2013—2014年间，NDVI变化范围在0.3～0.7之间，曲线的变化范围减小，峰值降低，这是因为荒草的长势不如农作物长势旺盛，因此撂荒地的NDVI峰值低于农作物的NDVI峰值；同时2013年开始NDVI曲线变得不平滑，造成这一现象的原因是该地生长品种复杂的杂草，不同种类的杂草，返青时间、生长情况、休眠时间都是不同的.自2013年开始，曲线在4月到5月初处于低谷期，说明因为荒草尚未返青，植被指数较低，其值接近于0.3；5月初到6月，撂荒地中的荒草处于生长期，植被指数缓慢增长；进入7月，荒草长势旺盛，NDVI值也随之快速增长，峰值出现在7月中下旬，约为0.7；进入9月中旬，气温开始降低，撂荒地中杂草开始枯萎，植被NDVI值下降；进入10月，荒草大部分枯黄，植被指数也呈较快的下降态势，10月末荒草进入休眠期，植被指数降到最低.判断该地区在2013年开始被撂荒，撂荒时间超过了1 a，成了撂荒地.综上所述，根据采样点覆被类型及与之相对应的NDVI时间序列曲线，通过分析遥感影像可以得出撂荒地影像具有以下基本特征：①光谱特征：撂荒地色调不是很均匀，杂草长势不一致，参差不齐，在不同的季节因其不同的生长状况呈现不同的色调.②纹理特征：由于撂荒地中杂草种类不同，在图像上不会出现类似耕地的光滑的、波形的、线性的或斑纹的纹理，因为也会有耕作的痕迹，会出现不规则，不明显的纹理.③形状特征：即撂荒地的外形和轮廓，实际中的撂荒地一般是较规则的多边形.④位置特征：耕地撂荒主要分布在不便于大型机械化耕作的山地地区. 采用ArcGIS 10.2对牛心堡乡的遥感影像进行目视解译，根据撂荒地采样点的光谱特征、撂荒地的纹理、形状特征以及位置特征，结合野外的实地考察掌握的牛心堡乡的地形及地物的分布，实现撂荒地信息的提取.应用ArcGIS 10.2提取撂荒地信息[13-14].具体步骤如下：首先对遥感图像进行判读，结合野外实地调查，确立解译标志；然后详细判读，对目标地物进行定性；对遥感影像进行矢量化处理，采集撂荒地的图形与属性文件；最后检查通过.综合分析各类型采样点特征，可知牛心堡地区撂荒地大多分布在地理条件差、土地肥力低下、耕地坡度大、不便于机械化耕作的山地地区.根据影像特征将撂荒地和耕地进行区分，山区耕地的形状较规则，影像呈现红色、粉红色、淡粉色、少许呈现出蓝色，且影像的纹理较粗糙，纹理不规则；而山区撂荒地以粉色、淡红色为主色调，颜色均一，形状较不规则；林地主要以点状、线状、面状分布，影像呈现为红色、鲜红色、淡红色，纹理不规则，比较分散.对采样点进行野外实地考察，考察结果与通过时间序列NDVI特征识别的结果大致相同.野外实地考察的结果与通过时间序列NDVI特征识别的结果如表1所示.通过表1可知，利用多光谱遥感数据Modis/Terra的NDVI数据产品可以作为用来提取撂荒地的数据源.根据影像特征将撂荒地和耕地进行区分，山区耕地的形状较规则，影像呈现红色、粉红色、淡粉色、少许呈现出蓝色，且影像的纹理较粗糙，纹理不规则；而山区撂荒地以粉色、淡红色为主色调，颜色均一，形状较不规则；林地主要以点状、线状、面状分布，影像呈现为红色、鲜红色、淡红色，纹理不规则，比较分散.结合实地调查经验以及撂荒地提取结果发现，研究区内个村都存在不同程度的撂荒，影响农户撂荒的因素主要有家庭人口、农业劳动力比重、人均耕地面积、地块平均面积、耕作半径、耕地收益等.牛心堡地区撂荒地大多分布在地理条件差、土地肥力低下、耕地坡度大、地块面积小、形成成片经营的难度较大、不便于机械化耕作的山地地区.随着非农收入的增加，农户一方面倾向于将更多的劳动力投入到非农活动中；另一方面，男性劳动力为非农活动的主要参与者，老人、妇女为主要农业生产力，在劳动力供给上难以维持家庭原有生产规模.另外，为追求更多非农收入，随家庭人口增加，农户倾向于将家庭劳动力更多投入到非农活动中，从事农业生产的劳动力相对减少，原有生产规模所需劳动力难以满足，耕地撂荒风险增加.对于耕地撂荒问题，学术界秉持两种主要观点.一是耕地撂荒属于耕地资源的闲置，撂荒面积的持续增加可能会威胁区域的粮食安全，因此，需要遏制耕地撂荒.另一个是劳动力的输出有利于劣质耕地退出耕作范畴，从而促进区域生态恢复.政府基于国家粮食安全的战略视角，应引导农户土地资源的优化配置.综上所述，基于Modis数据绘制的植被NDVI曲线，可监测到土地利用类型的变化，动态监测植被的生长状况，根据植被NDVI值的变化，进而分析撂荒地的形成过程.运用多光谱遥感技术，可以快速提取出土地使用变化较显著的区域.然而，Modis数据空间分辨率较低，采样点本身不是纯像元，造成NDVI值误差较大，时间序列曲线在更好地体现地物本身的周期性和季节性方面还存在很大的上升空间.在信息提取过程中，较小的土地利用变动情况利用遥感技术还不能有效的提取，较小的图斑还必须结合野外实地考察才能完成.【相关文献】[1] 程维芳，周艺，王世新，等.基于多光谱遥感的撂荒地识别方法研究[J].光谱学与光谱分析，2011，31(6):1615-1620.[2] 孙宏岭,孙红霞.威胁中国粮食安全最危险的因素——弃耕抛荒[J].粮食科技与经济，2009(1):19-20.[3] 杨涛,王雅鹏.农村耕地抛荒与土地流转问题的理论探析[J].调研世界,2003(2):15-19.[4] 田玉军,李秀彬，陈瑜琦，等.城乡劳动力流动及其对农地利用影响研究评述[J].自然资源学报，2010,25(4):686-695.[5] 马国忠.土地承包的稳定性和土地抛荒的现实性[J].农村经济，2008(7):43-45.[6] 王利,任启龙,杨生彪.辽宁省地形分类标准及分区方案研究[J].辽宁师范大学学报(自然科学版),2015,38(3):391-398.[7] 童庆禧，张兵，郑兰芬.高光谱遥感的多学科应用[M].北京：电子工业出版社,2006：23.[8] 郑财贵，邱道持，叶公强，等.基于GIS空间分析的撂荒地空间分布特征研究——以重庆市璧山县大路镇为例[J].农机化研究，2010(3)：31-36.[9] 胡自宁，陈玉兰.遥感技术在土地利用变更调查中的应用[J].南方国土资源，2004(11):34-35.[10] 王正兴，刘闯，HUETE Alfredo.植被指数研究进展：从AVHRR-NDVI到MODIS-EVI[J].生态学报，2003,23(5)：979-987.[11] 李天峻，阎君，李伯衡.遥感综合时空信息在土地利用动态监测中的应用技术研究概述[J].国土资源遥感，1997(2):38-42.[12] 杨涛,朱博文,雷海章,等.对农村耕地抛荒现象的透视[J].中国人口·资源与环境,2002,12(2):133-134.[13] 樊风雷.珠江三角洲核心区域土地利用时空变化遥感监测及其生态环境效应研究[D].广州：中国科学院研究生院广州地球化学研究所,2007.[14] 徐美，黄诗峰，黄绚.遥感用于土地利用变化动态监测中的若干问题探讨[J].遥感技术与应用，2000，15(4):252-255.。
农田杂草识别技术的研究现状及应用
|四川农业与农机/2023年4期|>>>李万福张洪¤陈天虹西南科技大学生命科学与工程学院，四川绵阳摘要：我国是人口大国也是粮食消费大国，保障我国粮食安全生产是关系到国计民生的大事。
杂草是农田作物生产的阻碍之一，而杂草识别技术是实现杂草分布监测、农药精准喷施、杂草精准防除的前提。
本文就几种常见杂草识别技术的研究现状及在常见农田作物中的应用进行了概述，并讨论了杂草识别技术存在的问题及优化措施，以期为我国智能杂草防除系统的建立提供参考。
关键词：杂草识别技术；农田作物；杂草防除*基金项目：国家现代农业产业技术体系四川创新团队油菜草害绿色防控技术集成应用岗位(SCCXTD-2023-03)。
作者简介：李万福(1998年-)，在读研究生。
研究方向：农艺与种业。
E-mail ：liwanfu347069843@ 。
¤通讯作者：张洪（1983年-），博士，讲师。
研究方向：植物保护。
E-mail ：**********************.cn 。
我国的杂草危害十分严重，能造成约10%的作物产量损失。
常见农田杂草防除主要依靠化学药剂防除，然而不科学大面积施用除草剂会造成土壤和作物中农药残留、环境污染、加速杂草群落更替等问题[1]。
因此，寻求生态、高效的除草方法受到广大研究者的关注。
通过杂草识别技术搭配智能除草机器人或精准变量喷洒装置等，能够做到杂草的精准识别和防除，而精准作业的前提便是杂草识别技术。
因此，分析杂草识别技术的研究及应用现状，可为我国农田杂草绿色防治方案的制定提供参考，对实现农业杂草精准防治、农药减量增效、耕地环境保护，具有重要作用[2]。
1杂草识别技术国内外研究现状目前，国内外对于农田杂草识别技术已开展了大量研究，并取得一定成效。
传统的识别技术主要包括机器视觉识别法、光谱分析法和光谱成像法。
当前的研究热点是基于深度学习的识别方法，因其方便、高效而被广泛应用于杂草识别中[3]。
光谱分析技术及应用.doc
第一章绪论第一节光学分析的历史及发展1．吸收光谱：由于物质对辐射的选择性吸收而得到的光谱。
2．发射光谱：构成物质的各种粒子受到热能、电能或者化学能的激发，由低能态或基态跃迁到较高能态，当其返回基态时以光辐射释放能量所产生的光谱。
第二章光谱分析技术基础第一节电磁辐射与波谱1．电磁辐射的波动性（1）散射丁铎尔散射和分子散射两类。
丁铎尔散射：当被照射试样粒子的直径等于或大于入射光的波长时。
分子散射：当被照射试样粒子的直径小于入射光的波长时。
分为瑞利散射（光子与分子相互作用时若没有能量交换）和拉曼散射（有能量交换）。
（2）折射和反射全反射：当入射角增大到某一角度时，折射角等于90，再增大入射角，光线全部反射回光密介质中，没有折射。
（3）干涉当频率相同，振动方向相同，周相相等或周相差保持恒定的波源所发射的电磁波互相叠加时，会产生波的干涉现象。
（4）衍射光波绕过障碍物而弯曲地向它后面传播的现象。
2．电磁波的粒子性光波长越长，光量子的能量越小。
光子：一个光子的能量是传递给金属中的单个电子的。
电子吸收一个光子后，能量会增加，一部分用来挣脱束缚，一部分变成动能。
3．物质的能态当物质改变其能态时，它吸引或发射的能量就完全等于两能级之间的能量差。
从低能态到高能态需要吸收能量，是为吸收光谱，即吸光度对波长或频率的函数。
从高能态到低能态需要释放能量，是为发射光谱。
第二节原子吸收光谱分析1．当原子吸引能量的时候，按能量数量使核外电子从一级跃迁到另一级，这与吸收的能量有关。
吸收能量的多少与原子本身和核外电子的状态有关。
第三节 分子吸收与光谱分析1．分子吸收与原子的不同在于，分子还需要转动跃迁、振动跃迁、电子跃迁等几个能级。
2．朗伯-比尔（Lambert-Beer ）法则：设某物质被波长为λ、能量为的单色光照射时，)(0λI 在另一端输出的光的能量将出输入光的能量低。
考虑物质光程长度为L 中一个薄层)(λt I ，其入射光为，则其出射光为。
基于TransUnet的田间杂草分割研究
第15期2023年8月无线互联科技Wireless Internet TechnologyNo.15August,2023基金项目:吉林省科技发展计划项目;项目名称:基于数据挖掘技术的全基因组选择方法研发及云计算平台体系构建;项目编号:YDZJ202201ZYTS692㊂作者简介:高皓章(1995 ),男,甘肃天水人,硕士研究生;研究方向:计算机视觉㊂∗通信作者:唐友(1979 ),男,黑龙江龙江人,教授,博士;研究方向:生物信息学,农业信息化㊂基于TransUnet 的田间杂草分割研究高皓章1,2,唐㊀友1,2∗,辛㊀鹏1,朱国东3(1.吉林化工学院,吉林吉林132022;2.吉林农业科技学院,吉林吉林132101;3.一汽东机工减振器有限公司,吉林长春130001)摘要:农业生产是人类生存的基础,而农作物的生长过程中总是受到杂草的影响,造成农作物的减产,因此实现田间杂草的智能分割具有重要意义㊂文章采用TransUnet 算法模型进行田间杂草分割,旨在提高分割的准确性和效率㊂TransUnet 是一种新型的深度学习网络㊂该模型的训练使用了公开数据集,并结合迁移学习的思想对模型进行了优化㊂本实验通过测试和评估,发现经过迁移学习的TransUnet 模型在田间杂草的分割任务中表现突出,其像素准确率可以达到97%以上㊂此外,文章还对模型进行了可视化分析,证实了模型的实用价值和应用前景㊂综上所述,TransUnet 模型对于杂草的分割有积极效果㊂希望本研究成果可以为计算机视觉技术在农业行业的应用提供更多的思路和借鉴㊂关键词:杂草分割;语义分割;机器视觉;深度学习中图分类号:TP391.41㊀㊀文献标志码:A 0㊀引言㊀㊀农业生产是国人关注的民生问题,粮食问题也一直处于国家战略核心地位㊂大豆作为重要的经济作物,我国每年进口量占据全球总出口量的近六成㊂大豆生长过程中存在众多因素制约大豆的最终产量,其中杂草的消极影响非常明显,杂草不止争夺豆苗生长过程中所需的土地肥力,也容易滋生病害传染豆苗㊂因此,在农业生产中,识别出作物与非作物,解决作物生长环境中的杂草是不可避免的重要任务㊂在传统生产过程中,处理杂草一般是用喷洒农药的方式,但这种方法不仅效率低下,还会造成人力浪费和环境污染㊂随着计算机技术的不断发展,机器学习和计算机视觉技术得到了广泛的应用㊂为了实现无污染除草,研究者需要找到理想的作物与杂草图像分割算法,帮助机器人实现自动除草,这对未来农业有重大意义㊂目前,计算机技术在农业发展中发挥着越来越重要的作用,而图像分割是目前图像处理技术中最理想的方法之一,但是分割算法仍有很大的改进空间㊂本研究使用大豆田间杂草分割数据集,旨在提高对自然环境下杂草进行识别分割的精度与效率,这将驱动农机装备升级,为杂草的精准识别做出贡献㊂1㊀相关研究1.1㊀深度学习算法㊀㊀卷积神经网络[1]在计算机视觉领域中的应用一直是主流方式之一,它的应用范围涵盖了图像分类㊁目标检测以及语义分割等各种任务㊂在不同的变体算法模型中也是最常见的基础算法,但是卷积神经网络由于其像素级的运算对计算机的运算负担过大,严重影响着实际应用中的效率和速度,所以研究人员提出了多种优化方案,如减少卷积核数量或者使其与其他算法融合创新等㊂Version Transformer 的设计基于上下文关系的注意力机制,自2021年由Google 团队提出后[2],便受到研究者的广泛关注㊂该模型将输入的图像分割成一个个小块,将每个小块看作是单独的向量,经过全连接层的编码及Transformer多头注意力机制的处理,使各个小块之间的语义关系不被运算所掩盖[3]㊂这种模型设计在各计算机视觉领域的应用效果也得到广泛认可㊂TransUNet算法旨在通过融合卷积神经网络和Transformer,弥补Transformer在特征处理方面的不足㊂该算法利用CNN提取更加细致的像素细节,并使用12个Transformer层对CNN特征提取模块中获得的特征向量进行长距离上下文建模[4],从而关注到全局信息,表现更加卓越㊂此外,TransUNet算法采用了U形结构,以减少在提取细致像素信息的过程中的损失,并通过加入Transformer对空间细节进行补充,从而提高了分割效果㊂1.2㊀植物叶片分割研究㊀㊀在智慧农业中,准确分割植物叶片是植物表型检测工作以及机器人作业规划的关键步骤㊂为了提高植物叶片分割精度,众多研究者基于叶片的形状㊁颜色等特征进行分割㊂Omrani等[5]利用K均值聚类算法对多种植物叶片进行识别及分割㊂该算法以聚类中心的特征分布,完成对目标区域的叶片划分,最终将分割结果映射回原图像㊂最后,他们采用支持向量机对不同植物叶片进行分类检测㊂Praveen Kumar 等[6]提出了一种基于深度卷积神经网络的植物叶片分割算法㊂该算法主要运用DCNN来提取目标区域中的叶片信息,并通过正交变换,实现对莲座植物叶片的精确分割㊂在分割过程中,他们还使用了CMYK 颜色空间来进行去噪处理,从而进一步提高对叶片边缘的检测效率[7]㊂邹龙等[8]提出了一种LU-ReNet 模型,结合使用Unet和ResNet模型结构㊂该模型保证了植物叶片有高的分割准确度,同时提高了模型的泛化能力[9]㊂2 材料和方法2.1㊀数据集㊀㊀本文的数据集来源于公开数据集:https://doi. org/10.15454/JMKP9S,该数据集使用六波段的多光谱相机采集于真实的大豆种植基地,并考虑了多种天气因素的影响㊂此外,每张图像中叶片的多边形边界都考虑了真实的地形情况,使得数据集中包含各种天然杂草,与本研究的内容和目标高度契合㊂虽然对该数据集的语义分割挑战并不多,本实验仍确定在此数据集上进行实验,为后续的研究提供基础依据和支持㊂2.2㊀实验准备㊀㊀该数据集中的每张图片基本具有1200ˑ900的分辨率㊂然而,分辨率过高会导致对计算机的运算负担过大㊂本实验在参数设置时将图片的预处理分辨率设置为496ˑ496㊂实验环境为两个4110处理器和NVIDIA RTX3090GPU平台,使用的是Linux系统, Pytorch框架和Anaconda环境,学习率设置为0.0025, Epoch设置为300,Batch Size设置为6㊂2.3㊀算法说明㊀㊀TransUNet算法采用了CNN与Transformer的融合结构㊂该算法借鉴了U型结构并结合卷积神经网络提取的高分辨率特征信息与Transformer编码的全局上下文信息[4],实现了图像上采样还原㊂具体而言,算法采用了Transformer作为编码器[10]㊂在该步骤中,首先对输入图像进行序列化㊂若输入图片大小为HˑW,图像块大小为PˑP,则分割数量为N=(HˑW)/(PˑP)㊂接着进行跳跃连接,以提取精确的低级细节来提高分割细节㊂Chen等[11]对跳跃连接的数量进行了消融实验,发现添加更多的跳跃连接通常会带来更好的分割性能㊂TransUNet的算法结构如图1所示㊂2.4㊀迁移学习㊀㊀图像分割中,迁移学习能够充分利用已有的训练数据和模型,从而加快模型的训练过程㊂通过将已有模型的部分或全部参数应用于新的分割任务,可以大大减少模型所需的训练时间和数据量,并且可以提高分割的精度和效果㊂此外,迁移学习可以在不同领域之间传输知识㊂例如,将在自然图像领域上训练得到的模型应用于医学图像分割或航空图像分割领域,都能取得明显的效果提升㊂因此,本实验引入迁移学习,将其他实验的训练权重作为本实验初始化权重㊂首先,引入迁移学习提升了算法训练速度㊂其次,使用大数据预训练权重,极大地提高了叶片分割精度㊂但由于算法结构的不同,直接引用迁移学习存在不适配问题,因此在初始化过程中,实验增加了权重自适应调整,使得迁移学习权重文件适应本算法结构㊂通㊀㊀图1㊀TransUNet 算法结构过权重自适应代码,可以更加便捷地实现迁移学习的可替代性,增加实验代码的替代集成化㊂3㊀评价指标㊀㊀本实验采用了多种评价指标来评估该算法在大豆田间杂草数据集上的表现,如平均交并比mIoU ,像素准确率Accuracy ,模型准确率和召回率的加权平均值F 1Score ,召回率Sensitivity ,特异度Specifity ,Dice 相似系数等㊂mIoU :它是交并比(Intersection over Union,IoU )的平均值,其中交集指的是预测的分割结果和真实标签的交集,而并集则是两者的并集㊂mIoU 的计算方式就是对图像中每个像素的IoU 求平均数:mIoU =1/N ˑð(x ,y )(TP /(TP +FN +FP )),其中,TP 表示真阳性(True Positive ),TN 表示真阴性(TrueNegative),FN 表示假阴性(False Negative),FP 表示假阳性(False Positive)㊂像素准确率Aaccuracy :即预测正确的像素数量除以总像素数,计算方式为:Aaccuracy =(TP +TN )/(TP +FP +TN +FN )㊂在U -Net 模型预测二分类问题中,像素准确率通常需要和其他指标一起考虑,以全面地评估模型预测能力㊂F 1-score 是评估二分类模型精度的一种常用指标,它是模型准确率和召回率的加权平均值㊂F 1-score 值越高,表示模型预测的准确性和召回率都比较高㊂Sensitivity 用于衡量所有实例中被正确地预测为正类的比例㊂Specificity 用于衡量负例中被正确预测为负例的比例㊂Dice 系数是基于集合的相似性度量,计算公式为:Dice =2ˑTP /(2ˑTP +FP +FN )㊂本实验评价指标的记录,如表1所示㊂表1㊀算法结果评价指标指标数值mIoU 0.8162Accuracy 0.9665F 1Score0.8428Sensitivity 0.8867Specifity0.9755Dice0.8428㊀㊀从以上所有的评价指标所示信息可知,由于使用了迁移学习,实验能达到较高性能水平,多种方式也能全面地对实验性能给出合理的评价㊂4㊀结语㊀㊀为解决田间杂草的分割问题,本文利用Transformer 与卷积神经网络结合算法TransUNet 在杂草分割数据集上进行实验,验证了该算法在此数据集上的可行性与优越性㊂从评价指标结果可知,该算法在此数据集上的表现也非常出色,效果显著,验证了Transformer与卷积神经网络结合的算法设计思路的可行性,为后期实验的算法设计提供了参考,也为杂草分割研究提供了新的实验方案㊂对于分割效果来说,目前还有很大的提升空间㊂具体而言,在边缘精细程度和微小目标识别方面,仍需要进一步优化㊂本实验的结果并不是杂草分割实验的最终成果,而仅仅是该研究的起始实验㊂未来的研究将在本实验的基础之上展开,以进一步完善该算法的分割能力㊂参考文献[1]周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017(6):1229-1251.[2]田永林,王雨桐,王建功,等.视觉Transformer研究的关键问题:现状及展望[J].自动化学报,2022 (4):957-979.[3]何伟,刘佳欢.英汉语小句间逻辑语义关系及表征方式对比研究[J].北京科技大学学报(社会科学版),2019(2):1-17.[4]王媛媛,董芳,尚丽娜,等.基于改进TransUnet网络的血管内超声图像边界提取方法研究[J].中国生物医学工程学报,2023(1):41-50.[5]OMRANI E,KHOSHNEVISAN B,SHAMSHIRBAND S,et al.Potential of radial basis function-based support vector regression for apple disease detection[J]. Measurement,2014(55):512-519.[6]PRAVEENKUMAR J,DOMNIC S.Rosette plant segmentation with leaf count using orthogonal transform and deep convolutional neural network[J].Machine Vision and Applications,2020(31):1-2.[7]刘阳歆.植物叶片图像分割算法研究[D].桂林:广西师范大学,2022.[8]邹龙,吕惠,宋然.LU-ReNet植物叶片分割与计数模型[J].农业机械学报,2022(1):253-260. [9]孙俊,谭文军,毛罕平,等.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报,2017 (19):209-215.[10]LI X,CHEN H,QI X,et al.H-DenseUNet:hybrid densely connected UNet for liver and tumor segmentation from CT volumes[J].IEEE transactions on medical imaging,2018(12):2663-2674.[11]CHEN J,LU Y,YU Q,et al.Transunet: Transformers make strong encoders for medical image segmentation[EB/OL].(2021-02-08)[2023-08-21].https:///abs/2102.04306.(编辑㊀李春燕)Research on field weed segmentation based on TransUnetGao Haozhang1 2Tang You1 2∗Xin Peng1Zhu Guodong31.Jilin Institute of Chemical Technology Jilin132022 China2.Jilin University of Agricultural Science and Technology Jilin132101 China3.Faw East Mechanical Shock Absorber Co. Ltd. Changchun130001 ChinaAbstract Agricultural production is the basis of human survival and the growth of crops are always affected by weeds resulting in crop production reduction.Therefore it is of great significance to realize the intelligent segmentation of weeds in the field.In this study the TransUnet algorithm model was used for weed segmentation in the field aiming to improve the accuracy and efficiency of segmentation.TransUnet is a new type of deep learning network.The training of the model uses the public data set and the model is optimized by combining the idea of transfer learning.In this experiment through testing and evaluation it is found that the TransUnet model after transfer learning performs outstanding in the field weed segmentation task and its pixel accuracy can reach more than97%.In addition the visual analysis of the model is carried out which confirms the practical value and application prospect of the model.In summary the TransUnet model has a positive effect on weed segmentation.It is hoped that the results of this research can provide more ideas and references for the application of computer vision technology in the agricultural industry.Key words。
几种主要营养成分在大白菜不同叶片及部位中的分布规律
万方数据 收 稿 日 期 (#&&%6 #$6 $%
作 者 简 介 (张 德 双 !男 !#&8&年 生 !助 理 研 究 员 !农 学 硕 士 !主 要 从 事 大 白 菜 育 种 等 科 研 工 作 2
/期
张 德 双 等 C几 种 主 要 营 养 成 分 在 大 白 菜 不 同 叶 片 及 部 位 中 的 分 布 规 律
/.’
定!通过大白菜 营养数 学模型及 "#$#光 谱 数 学 软 件!由 计 算 机 自 动 给 出 分 析 结 果 并 打 印 出 来 !所 测 数 据 用 计 算 机 进 行 分 析 处 理 %
基于机器视觉和深度学习的杂草识别系统研究
基于机器视觉和深度学习的杂草识别系统研究摘要：本文探讨了基于机器视觉和深度学习的杂草识别系统。
杂草是农业生产中的主要问题之一，对作物产量和品质造成严重威胁。
传统的杂草识别方法面临着特征提取难、分类效果有限等挑战。
而近年来，深度学习技术的快速发展在杂草识别领域展现出了强大的潜力，为实现高效、准确的杂草识别提供了新的解决方案。
本文将首先介绍传统的杂草识别方法，然后重点探讨深度学习在杂草识别中的应用，以及深度学习方法相较于传统方法的优势。
关键字：机器视觉、深度学习、杂草识别、目标检测、农业智能化一、杂草识别技术与方法（一）传统的杂草识别方法传统的杂草识别方法主要基于计算机视觉技术，包括图像处理、特征提取和分类算法等。
这些方法通常需要手动设计特征来表示杂草的形态和纹理等信息。
然而，由于杂草的外形和颜色差异巨大，手动提取适用于所有杂草种类的有效特征变得十分困难。
此外，传统方法的分类准确率受到光照、阴影和图像噪声等因素的影响，难以满足复杂多变的农田环境需求。
（二）深度学习在杂草识别中的应用深度学习作为一种基于神经网络的机器学习技术，在杂草识别领域取得了显著的进展。
首先，深度学习模型具备强大的表征学习能力，能够自动从原始图像数据中学习到高层次的特征表示，克服了传统方法中手动特征设计的缺陷。
其次，卷积神经网络（CNN）是深度学习中常用于图像识别任务的模型，其卓越的特征提取能力使其在杂草识别中表现出色。
此外，随着深度学习模型的不断发展和优化，如ResNet、Inception等，其识别准确率得到了进一步提升。
深度学习方法在杂草识别中的应用不仅限于单一图像识别，还包括目标检测、实例分割等领域。
通过目标检测技术，可以实现对农田中杂草的自动定位和识别，为后续的精确除草提供指导。
此外，深度学习还可结合多光谱图像、红外图像等数据源，进一步提高杂草识别的准确率和鲁棒性。
二、杂草图像数据集构建杂草图像数据集的构建是基于机器视觉和深度学习的杂草识别系统研究的关键步骤之一。
基于目标检测算法的稻田杂草识别方法研究
基于目标检测算法的稻田杂草识别方法研究1. 研究背景与意义随着农业的发展和人口的增长，稻田杂草问题日益严重。
杂草不仅影响水稻的生长和产量，还可能引发病虫害，给农业生产带来严重的损失。
研究一种高效、准确的稻田杂草识别方法具有重要的现实意义。
目标检测算法在计算机视觉领域取得了显著的成果，如人脸识别、行人跟踪等。
这些算法可以有效地检测出图像中的特定目标，从而为稻田杂草识别提供了新的思路。
基于目标检测算法的稻田杂草识别方法，可以通过对稻田图像进行预处理、特征提取和目标检测等步骤，实现对稻田杂草的有效识别。
目前的研究主要集中在城市环境下的目标检测，对于稻田这种特殊环境，其光照条件、作物分布等因素均会影响目标检测的效果。
本文旨在研究一种适用于稻田环境的目标检测算法，以提高稻田杂草识别的准确性和鲁棒性。
稻田杂草识别方法的研究还可以为农业生产提供有力的支持，通过对稻田杂草的识别和分类，可以为农民提供科学的种植管理建议，从而降低农业生产成本，提高粮食产量。
该方法还可以为农业机械自动化提供技术支持，实现对稻田杂草的自动清除，减轻农民的劳动强度。
基于目标检测算法的稻田杂草识别方法具有重要的研究价值和实际应用前景。
本文将对该方法的研究现状进行梳理，分析现有方法的优缺点，提出改进策略，并通过实验验证所提方法的有效性。
2. 相关技术综述传统图像处理技术：早期的杂草识别多依赖于传统的图像处理技术，如颜色分割、纹理分析、形状识别等。
这些方法通过对图像的颜色、纹理、形状等特征进行提取和分析，实现对杂草的识别。
但由于其依赖于固定的特征和阈值，对于复杂环境下的杂草识别存在误识别率高、鲁棒性差的问题。
深度学习算法：近年来，随着深度学习的飞速发展，卷积神经网络（CNN）等深度学习模型在图像识别领域取得了显著成果。
特别是在目标检测领域，如RCNN系列、YOLO（You Only Look Once）、SSD （Single Shot MultiBox Detector）等算法，为杂草识别提供了新思路。
近红外光谱分析技术在蔬菜品质无损检测中的应用研究进展
近红外光谱分析技术在蔬菜品质无损检测中的应用研究进展发表时间：2020-07-16T09:39:40.923Z 来源：《建筑学研究前沿》2020年8期作者：李骥鸿1 田瑞新1 孙振福1 胡延贝2 薛方锁2[导读] 成分检测，能够自动分选出无品质损坏的蔬菜，提供高质的蔬菜满足人们日常生活需求。
1山东旺天下农业旅游发展有限公司山东菏泽 274100；2菏泽惠优蔬菜专业合作社山东菏泽 274100摘要：人们生活水平的提高，对于蔬菜品质的要求也越来越高，因此出现了多项蔬菜检测技术，其中近红外光谱分析技术是应用领域最广泛的技术。
它能够快速高效的分析，而且成本低无污染，对于蔬菜没有损害。
本文将从近红外光谱分析技术的基本原理出发，讲述该项技术在蔬菜品质无损检测中的应用研究进展，并提出该项技术当下存在的问题以及未来的发展前景。
关键词：近红外光谱技术；蔬菜品质检测；无损检测引言随着社会经济的快速发展，人们的生活水平日益提升，对于日常生活所需事物的要求越来越高，其中对于蔬菜的品质要求也是在不断提升，蔬菜的营养成分、食用安全要求也不断提升。
因此，对于蔬菜的品质检测技术也就尤为重要，近些年来也研究出不少的检测技术如核磁共振几乎、电子鼻技术、撞击技术等，而近外红光谱分析技术则是最广泛和普遍应用的检测方法，能够利用光学传感器和数据处理技术进行分析，精密高效的分析蔬菜品质，成分检测，能够自动分选出无品质损坏的蔬菜，提供高质的蔬菜满足人们日常生活需求。
一、近红外光谱分析技术原理近红外光线是一种电磁波，介于可见光谱和中红外光谱之间，当它照射到物体时，物体中的分子就会产生共振，然后近红外光线中的一部分光线被物体吸收转变出更加复杂的光谱，这个复杂光谱则显示着物体的特征，专业人员看着这个图谱才能清楚物体的品质。
对于蔬菜品质检测也是同样的道理，当蔬菜照射到近红外光线时蔬菜吸收一些光线产生出图谱，专业的蔬菜质检部门看图谱了解蔬菜当中的物质特征，了解蔬菜品质情况。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第!!卷第"期!!!!!!!!!!!!光谱学与光谱分析#$%&!! '$&" ((),-,*),-",-)!年"月!!!!!!!!!!!!.(/012$30$(4567.(/0125%865%4393:54,-)!!基于可见E近红外光谱分析的圆白菜与杂草识别研究祖!琴) , ! 赵春江) ! 邓!巍) !" 王!秀)!)&北京农业信息技术研究中心 北京!)---D G !!,&贵州大学电气工程学院 贵州贵阳!""--,"!&北京农业智能装备技术研究中心 北京!)---D G摘!要!杂草的自动识别是实现作物草害精准施药的基础 利用8.R 光谱仪采集两个品种的圆白菜及稗草 狗尾草 马唐 牛筋草和小藜等五种杂草在!"-","--6=波段内的冠层光谱反射率 根据光谱曲线特征 在不同波段内对数据进行不同程度的压缩 以提高运算效率 利用不同参数设置的.5^91L W 4*\$%54 .\ 卷积平滑求导和多元散射校正方法 :.N 的不同顺序组合对光谱去噪 然后结合主成分分析法 >N 8 提取主成分 建立模型 最后利用簇类的独立软模式 .Y :N 8 分类法对各种植物进行分类 并比较分类结果 试验结果显示利用:.N 与!阶"次,)点.\相结合的方法对光谱数据预处理后 运用>N 8提取前)-个主成分作为分类模型的输入变量 取得了)--U 的分类正确率 能够快速无损地识别圆白菜与几种常见杂草 关键词!杂草识别 可见*近红外 主成分分析 多元散射校正中图分类号 Q +"G &!!!文献标识码 8!!!%&' )-&!D +E F&9336&)---*-"D ! ,-)! -"*),-,*-E !收稿日期,-),*-G *!- 修订日期 ,-),*)-*!-!基金项目 国家<+!计划 项目 ,-),88)-)D -E 十二五 科技支撑计划项目 ,-))V 8R ,-V -G 和国家 D E <计划 项目 ,-))*\!, 资助!作者简介 祖!琴 女 )D <G 年生 贵州大学电气工程学院硕士研究生!!/*=59% +)D D <<E "+!aa &0$="通讯联系人!!/*=59% 7/6I H !6/20915&$2I &06引!言!!长期以来 杂草一直是农业生产的一大敌害 其种类繁多 蔓延范围广 速度快 与田间农作物争光 争水 争肥 干扰作物生长 还会助长病虫害的滋生和蔓延 极大地降低了农作物的产量和质量 ) 目前我国除草的主要方式还是大规模喷洒除草剂 这不仅会造成农药的浪费 而且还会破坏生态环境 降低农产品质量 影响市场竞争力 杂草的自动识别研究 可为农药精准喷施奠定基础 不但能减少除草剂的浪费 减少环境污染 降低劳动损耗 而且能提高作物产量和质量 具有可观的社会效益和经济效益 有很大的发展前景>92$6等 ,在人工光照条件下利用可见*近红外区域的多光谱装置 对胡萝卜幼苗及七种杂草进行了田间试验 当利用通过穷举法获得的最佳三个波长 E "- ""- G --6=对它们进行分类时 得到整体识别率为G ,U S b ($391$等 !利用近红外光谱反射率区分七种宽叶杂草 小麦幼苗和向日葵 结果发现 用G "-"D "-6=的近红外光谱就可以对它们进行区分 [$I/2等 E分别在杂草生长的,叶及四叶期利用小波方法分析大豆 牵牛花及土壤的高光谱反射率 以检测豆苗中杂草 分别达到了<!U 和<)U 的正确率 毛文华等利用傅里叶变换红外光谱仪获取了小麦及荠菜和小藜等几种杂草在G --"))--6=波长范围内的光谱反射率 运用逐步判别分析法提取出+<+ G -< G ,, G D " D ,D D "+和)),,6=等G 个特征波长点 并以它们为变量建立判别模型对小麦和杂草进行判别分析 识别率达到了D G U 李先锋等 " 结合特征优化和O .*.#:的方法对棉田中杂草进行识别研究 正确率达到了D "&<U 已有研究大多是对玉米 水稻 棉花等作物中杂草进行识别研究 很少有人对圆白菜与杂草进行识别研究 而圆白菜在西方国家是重要的蔬菜之一 也是我国重要的经济作物 在我国各地普遍栽培 是各地区春 夏 秋季的主要蔬菜之一 因此对圆白菜中杂草进行识别研究将具有很大的应用价值和推广前景)!实验部分*)*!材料与仪器试验所用的<!D <和中甘))号圆白菜种子来自于中国农科院蔬菜研究所 稗草 狗尾草 牛筋草 马唐 小藜等五种杂草种子均来自于中国农业大学农学与生物技术学院 七种植物均于,-),年!月,!日用花盆种植于北京农业信息技术研究中心的温室 每种植物!-盆 共)-盆 光谱采集试验仪器是美国8.R公司的865%41905%.(/0125%R/^90/@K%% Z56I/@9/%7.(/0>2$ 全光谱便携式光谱分析仪 其光谱采样间隔 !"-")---6=间隔是)&E6= )---","--6=间隔是,6= 光谱的采集操作通过Z.!标准软件在A967$H3 _>操作系统进行 数据按间隔)6=保存*)(!方法选择晴朗无云 微风的,-),年E月,<日)- !-*)E !-之间在北京农业信息技术研究中心的试验田间采集了<!D< 中甘))号两种圆白菜及稗草 小藜 狗尾草 牛筋草 马唐等五种杂草的冠层光谱反射率 光谱仪经白板校准后进行测试 探头视场角为,"l 光纤探头垂直置于植株冠层上方)-")"0=处进行测量 并且视天气情况 每隔)-")"=96再用白板校准一次 为了不影响植物的反射率 试验过程中 操作人员必须着深色服装 光谱仪设置为一次测量得到)-组数据取平均 测量时 每盆植物采三次数据 即得到每种植物!-盆共D-组数据 七种植物共+!-组数据,!数据处理()*!数据压缩对每盆植物测量的!组数据取平均 以减小测量过程中产生的随机误差 即将每种植物的D-组数据压缩为!-组 直接由测量仪器导出的数据包含了从!"-","--6=之间的间隔为)6=的各个波长的光谱反射率 在全波段范围内做出七种植物的光谱反射率曲线如图)所示+,-)*!&5,-,:.<T,7E G'Q76$/05.<5$9<$/0.:/$/D5F$789/."".-$7.:A=$$A7!!为了提高运算效率 根据图)中各个波长点对应的光谱反射率情况 在不同波段之间进行不同程度的数据压缩 !"-"!G D6=波段内每)-个数据求平均进行压缩 !<-"+<-6=波段内每"个数据求平均进行压缩 +<)")!D D6=波段内每)-个数据求平均进行压缩 )E--")"--6=波段内每"个数据求平均进行压缩 )"-)")G"D6=波段内每)-个数据求平均进行压缩 )G+-")D--6=波段内每!-个数据求平均进行压缩 )D-)",-E D6=波段内每)-个数据求平均进行压缩 ,-"-",!"-6=波段内每"个数据求平均进行压缩 ,!"-","--6=波段内每)-个数据求平均进行压缩 这样就将原来的,)")个数据点压缩为,G D个数据点 并将光谱反射率转换为光谱吸收率 得到数据压缩后的植物光谱吸收率曲线如图,所示+,-)(!T,7E G'Q."78560,8:76$/05.</D5F$789/8C65$77$A/."".-$7.:A=$$A7()(!光谱数据预处理多元散射校正 =K%19(%90519^/30511/20$22/019$6 :.N 的目的主要是消除颗粒大小及颗粒分布不均引起的散射影响 .5^91L W4*\$%54 .\ 卷积平滑通过多项式来移动窗口内的数据进行多项式最小二乘拟合 导数光谱可以分辨重叠峰 消除基线和其他背景干扰 提高灵敏度和分辨率 + 本研究中主要采取以下几种方法对光谱数据做预处理 ) 单独的)阶!次")点.\卷积平滑求导 , 单独的多元散射校正 ! :.N处理后再做!阶"次,)点.\卷积平滑求导 G E !阶"次,)点.\预处理后再进行:.N处理()?!提取主成分 建立分类模型用分类变量将七种植物分别用它们的名称首字母缩写标记 将其分为七类 从每种样本中随机抽取,-个观测量组成建模样本集 通过这组样本的光谱及其对应基础数据 利用模式识别方法建立识别模型 其余)-个观测量作为预测样本集来验证模型的准确性 只需测定其光谱 根据已建的模型就可以快速给出分类结果 < 在化学计量学软件X6* 3025=?%/2中应用主成分分析 (29609(5%0$=($6/61565%4393 >N8 中完全交互验证 J K%%02$33^5%97519$6 的方式提取主成分 并建立各种植物的分类模型 < 在主成分得分图中 样本点的聚集情况和空间位置可以为样本的判别提供一定的参考 因此 建模时先从光谱数据中产生,-个主成分 在运行结果中结合得分图中样本点的聚集情况和空间位置 以类间距离最大化和类内距离最小化原则 反复剔除异常样本 并根据图!所示主成分的累计方差贡献率即解释方差 /b* (%596/7^529560/ 图 运用软件推荐的主成分数重新建立模型 直到运行>N8得到如图E所示的圆白菜及几种杂草的主成分>N)和>N,的得分图从图中能比较直观地对各种+,-)?!3X6<.,:$A F.5,.:/$8901$086*Z!H789/."".-$7.:A=$$A7!-,)第"期!!!!!!!!!!!!!!!!!!!!光谱学与光谱分析植物进行大概的判别"图中用各种植物名称的首字母缩写来代表各类植物"+,-)J!#/85$789!H*.:A!H(89/."".-$7.:A=$$A7()J!分类从图E中虽然可以大致地对各种植物进行分类判别!但是如图中所示马唐中有的样本混入了稗草样本集中!另外同属圆白菜的<!D<和中甘))号两个不同品种的植物混合严重!很难直接进行判别!因此应用簇类的独立软模式&3$J1 967/(/67/61=$7/%96I$J0%533565%$I4!.Y:N8'分类法对各种植物进行分类".Y:N8是一种建立在主成分分析基础上的有监督模式的识别方法!运行时先对建模集中的每一类样本的量测数据矩阵做主成分分析!分别建立每一类主成分分析数学模型!然后再计算未知样本点与建模集的>N8模型的距离!并由距离判别方法对未知样本进行判别分类(D)"本研究中结合不同参数设置的.\平滑和:.N不同顺序组合对光谱数据去噪!并利用主成分分析法>N8提取主成分!建立分类模型!最后比较各种不同组合方法在.Y:N8分类模型中的分类效果"!!结果与讨论!!从植物的反射光谱曲线及吸收光谱曲线中都可以看到!在田间以太阳光为光源采集到的光谱信息在)<--","--6=附近受天气及环境影响较大!尤其是在)E--和)D--6=波段附近!由于受大气水分吸收影响!使得到达地面的太阳能极低!导致光谱信噪比很低!存在较大的噪声干扰"另外由于样本曲线数目繁多!各类植物的光谱曲线交叉重叠!这些影响将导致分析结果的精确度下降"因此需要在X63025=?%/2中运用各种预处理方法去除噪声干扰!然后利用>N8对数据降维!以提取出来的最佳建模主成分作为分类模型的输入变量!用.Y:N8分类法对各种植物进行分类!得到分类效果如表)所示"2."<$*!H<.77,9,/.0,8:$99$/089A,99$5$:065$05$.0C$:0=,01!H I$X05./0,8:8965,:/,6.</8C68:$:07模型预处理主成分数累计方差贡献率*U建模集正确率*U预测集正确率*U )原始光谱+D,&)D"&G&)!E*)E-'D E&!&++*G-' ,)阶!次")点.\"D<&G D<&+&)!<*)E-'D<&+&+D*G-' !!阶"次,)点.\)-D"&"D D&!&)!D*)E-'D<&+&+D*G-' E:.N"D!&-D+&E&)!"*)E-'D<&+&+D*G-' "!阶"次,)点.\j:.N D D!&D D G&D&)!G*)E-'D<&+&+D*G-' +:.N j!阶"次,)点.\)-D"&")--&)E-*)E-')--&G-*G-'!!由表)可以看出!单独做.\预处理时!!阶"次,)点.\得到的分类效果要比)阶!次,)点.\的好!于是后面用!阶"次,)点.\与:.N进行不同顺序组合做预处理!最终得到对光谱数据先做:.N再做!阶"次,)点.\卷积平滑的预处理去除噪声干扰后!以>N8提取的主成分作为.Y:N8分类法的输入变量!得到了最佳的分类效果!正确率达到)--U"另外!从表中还可以看出!在.Y:N8分类法中!由累计方差贡献率确定的较少>N8主成分数作为输入变量!就能得到很好的分类效果!说明用>N8与.Y:N8分类法结合!对圆白菜与各种杂草进行分类!效果极佳"E!结!论!!对两个不同品种的圆白菜&<!D<号和中甘))号'及五种杂草&稗草$狗尾草$马唐$牛筋草$小藜'的冠层可见*近红外反射光谱数据进行分析!根据光谱曲线特征!在不同波段内进行不同程度的光谱数据压缩!以提高运算效率!并主要研究了:.N和.\等预处理方法!与>N8主成分提取法相结合对模型分类效果的影响"结果表明#最好的分类过程是先做:.N后做.\平滑预处理!之后用>N8提取的主成分作为.Y:N8的输入变量进行分类!取得了)--U的分类正确率"其中.\平滑的参数是#!阶导数$"次多项式$,)点平滑!相应的>N8主成分数是)-!累计可信度为D"&"U"由此表明!利用植物的可见*近红外光谱特性!结合>N8和.Y:N8对圆白菜和杂草进行分类是一种有效的方法"E-,)光谱学与光谱分析!!!!!!!!!!!!!!!!!!!第!!卷Q $9$5$:/$7) !N B S 'R /*2K 6 A 8'\_9K A 8'\.M K *=5$ 陈德润 王!秀 王书茂 ;N M 96/3/8I290K %1K 25%:/0M 569L 519$6 中国农机化 ,--" , !";, !>92$68 O //=563# [%/46/6Q ;N $=(K 1/23567S %/012$6903968I290K %1K 2/ ,--< +, )E ); ! !S b ($391$:] \25657$3@O 81/60956$.;N 2$(>2$1/019$6 ,--! ,, ))G G ; E ![$I /2NB V 2K 0/O : .M 5HRZ ;Z /=$1/./6396I $J S 6^92$6=/61 ,--! <+ ) )-<; " !OY _956*J /6I `B X A /9*b 96I ]Y V 96 李先锋 朱伟兴 纪!滨 ;C 25635019$63$J 1M /N M 96/3/.$09/14J $28I 290K %1K 25%:50M 96/24 农业机械学报 ,-)- E ) )) )+<; + !NB X_95$*%9 P X 8'B $6I *J K O X A 56*L M /6 褚小立 袁洪福 陆婉珍 ;>2$I 2/3396N M /=93124 化学进展 ,--E )+ E ",<; G !N B S 'B K 5*L M $K >8'C 5$ N B S ']9/*=/9 陈华舟 潘!涛 陈洁梅 ;N $=(K 1/235678((%9/7N M /=93124 计算机与应用化学 ,-)) ,< " ")<; < !N B X_95$*%9 褚小立 ;:$%/0K %52.(/012$30$(4865%41905%C /0M 6$%$I 4N $=?96/7H 91MN M /=$=/129035679138((%90519$63 化学计量学方法与分子光谱分析技术 ;V /9F 96I N M /=905%Y 67K 3124>2/33 北京 化学工业出版社 ,-));,);D !OY ]K 56 @8'O K V YP 56*%56 李!娟 范!璐 毕艳兰 ;N M 96/3/]$K 265%$J865%41905%N M /=93124 分析化学 ,-)- !< E E G ";Q $7$.5/18:%,7/5,C ,:.0,8:89H ."".-$.:A O $$A 7W .7$A8:T ,7,"<$.:A G $.5E ':95.5$A#6$/05D C I :.<;7,7`X c 96) ,! `B 8QN M K 6*F 956I)! R S '\A /9)!" A 8'\_9K )!);V /9F 96I Z /3/520MN /61/2J $2Y 6J $2=519$6C /0M 6$%$I 4968I 290K %1K 2/ V /9F 96I!)---D G N M 965,;C M /S %/012905%S 6I 96//296I N $%%/I /$J\K 9L M $KX 69^/23914 \K 9456I !""--," N M 965!;V /9F 96I Z /3/520MN /61/2$J Y 61/%%9I /61S a K 9(=/61J $28I290K %1K 2/ V /9F 96I !)---D G N M 965I "705./0!C M /5K 1$=519097/619J 90519$6$JH //73J $2=31M /?5393J $2(2/0939$63(25496I $J 02$(396J /31;C M /056$(43(/0125%2/*J %/01560/H 91M 961M /!"-","--6=?567$J 1H $3125963$J 05??5I /3567J 9^/W 9673$JH //733K 0M53?5264527I 2533 3/15295 025?I 2533 I $$3/I 2533567(9I H //7H 5350a K 92/7?48.R3(/012$=/1/2;800$2796I 1$1M /3(/0125%0K 2^/0M 52501/2931903 1M /75159679J J /2/61?5673H /2/0$=(2/33/7H 91M 79J J /2/61%/^/%31$9=(2$^/1M /$(/2519$6/J J 909/604;@9231%4 1M /3(/012K =H 537/6$93/796500$27560/H 91M1M /79J J /2/61$27/2$J=K %19(%/30511/296I 0$22/019$6 :.N =/1M $7567.5^91L W 4*\$%54.\ 0$6^$%K 19$63=$$1M 96I =/1M $73/1?479J J /2/61(525=/1/23 1M /61M /=$7/%H 53?K 9%1?40$=?9696I 1M /(29609(5%0$=($6/61565%4393 >N 8 =/1M $71$/b 12501(29609(5%0$=($6/613 J 965%%45%%W 9673$J (%5613H /2/0%5339J 9/7?4K 396I 1M /3$J 1967/(/67/61=$7/%96I $J 0%533565%$I 4 .Y :N 8 15b $6$=45671M /0%5339J 90519$62/3K %13H /2/0$=(52/7;C M /1/3132/3K %139679051/1M 515J 1/21M /(2/12/51=/61$J 1M /3(/0125%7515H 91M 1M /=/1M $7$J 1M /0$=?96519$6$J:.N 567.\3/1H 91M !27$27/2 "1M 7/I 2//($%46$=95% ,)3=$$1M 96I ($9613 5671M /1$()-(29609(5%0$=($6/613/b 125019$6K 396I >N 85350%5339J 90519$6=$7/%96(K 1^5295?%/ )--U0$22/010%5339J 9*0519$6251/H 5350M 9/^/7 56791935?%/1$97/619J 405??5I /5673/^/25%W 9673$J 0$==$6H //73a K 90W %45676$67/312K 019^/%4;R $;=85A 7!A //73793029=96519$6 #939?%/5676/52*96J 252/7 >29609(5%0$=($6/61565%4393 :K %19(%/30511/296I 0$22/019$6 Z /0/9^/7]K %;!- ,-), 500/(1/7Q 01;!- ,-), !!"N $22/3($6796I 5K 1M $2"-,)第"期!!!!!!!!!!!!!!!!!!!!光谱学与光谱分析。