基于光譜分析的溫室黃瓜營養(yǎng)狀態(tài)的研究_趙國富.pdf

基于光譜分析的溫室黃瓜營養(yǎng)狀態(tài)的研究 趙國富 張喜杰 山東理工大學 網(wǎng)絡信息中心 山東 淄博 255049 摘 要 黃瓜在溫室栽培面積中占有很大的比重 監(jiān)測溫室黃瓜營養(yǎng)狀態(tài)非常重要 因此 利用光譜分析技術 對葉片所含的化學成分進行測量 主要包括建模與預測兩步 采用基于 BP 算法的人工神經(jīng)網(wǎng)絡和支持向量機進 行光譜的定量分析 探索基于光譜分析的整株光譜判斷溫室黃瓜的營養(yǎng)狀態(tài) 研究結(jié)果表明 基于 BP 算法的人 工神經(jīng)網(wǎng)絡和支持向量機所建立的回歸模型 在一定程度上提高了模型的自預測能力和實際預測能力 關鍵詞 溫室 黃瓜 光譜分析 營養(yǎng)狀態(tài) 中圖分類號 TP202 7 文獻標識碼 A 文章編號 1003 188X 2013 08 0018 04 0 引言 黃瓜是我國溫室的主要作物之一 在溫室栽培面 積中占有很大的比重 當營養(yǎng)元素缺乏時 黃瓜產(chǎn)量 和品質(zhì)都會受到損害 因此監(jiān)測溫室黃瓜營養(yǎng)狀態(tài)非 常重要 傳統(tǒng)的監(jiān)測方法主要是基于土壤和植物組 織的試驗室分析 不具有實時性 且需要耗費大量的 人力 物力和時間 光譜技術的發(fā)展與廣泛應用 為快速 簡單 實時 檢測植物的葉綠素含量提供了可能 1 將數(shù)學的 統(tǒng) 計的 信息的分析方法應用到分析測量領域 可以方 便地利用全譜分析技術快速 準確 實時地檢測黃瓜 的葉綠素含量 本文探索基于光譜分析的溫室黃瓜整株光譜判 斷黃瓜營養(yǎng)狀態(tài)的可行性 采用基于 BP 算法的人工 神經(jīng)網(wǎng)絡和支持向量機進行光譜的定量分析 研究整 株溫室黃瓜營養(yǎng)狀態(tài) 1 光譜分析的一般流程 利用光譜分析技術對葉片所含的化學成分進行 測量 主要包括建模與預測兩個步驟 其中 建模過 程的主要任務是根據(jù)已知的標準成分含量與葉片的 光譜反射率建立模型 并對模型進行檢驗 2 預測過 程則是要利用所建立的校正模型與未知的成分含量 樣品的光譜信息對未知的成分含量進行預測 收稿日期 2012 07 24 基金項目 國家 863 計劃 項目 2006AA10A302 作者簡介 趙國富 1971 男 山東濰坊人 高級工程師 碩士 E mail 617652039 qq com 1 1 光譜校正模型的建立與檢驗 首先采樣 利用化學分析方法測量出實際所含的 化學成分值 即標準值 然后 利用光譜儀測量出樣品 的光譜數(shù)據(jù) 將所測得樣品數(shù)據(jù)分為兩個集合 即校 正集和預測集 對所測得的光譜信號和化學成分的標 準值進行預處理 3 通過校正集的光譜信號和所測得 化學成分標準值的相關分析 選擇出需要的敏感波 長 利用各種多元校正方法 如人工神經(jīng)網(wǎng)絡 ANN 支持向量機 Support Vector Machine 和主成分回歸 PCR 等 建立校正模型 通過預測集的光譜信號和 建立的校正集模型預測出對應的化學成分值 將預測 值與標準值進行對比 對校正模型進行檢驗 1 2 未知化學成分值的預測 建立光譜校正模型和對校正模型驗證的目的是 利用校正模型 快速準確地預測未知的化學成分含量 值 2 首先 測量未知樣品的光譜信號 然后 進行預 處理 選擇適當?shù)男ＵＰ?利用該模型和未知樣品 的光譜信號預測出化學成分含量 2 光譜的定量分析 利用光譜分析對樣品組分含量進行定量分析是 光譜分析的一個重要應用 在本文中 所得的光譜一 般是由許多波長處的反射率構成的 每個波長所對應 的光譜反射率隨樣品不同而變化 因此光譜可以看作 是由許多光譜數(shù)據(jù)所構成的多變量數(shù)據(jù) 人工神經(jīng) 網(wǎng)絡分析 4 7 與支持向量機分析等新的分析方法不 僅適合于線性研究 而且適用于非線性研究 試驗作物選擇黃瓜 品種為京研迷你 1 號 采用 基質(zhì)栽培方式 基質(zhì)由蛭石和草炭混合而成 為了對 黃瓜實施養(yǎng)分脅迫 根據(jù)蛭石和草炭的不同配比制備 81 2013 年 8 月 農(nóng) 機 化 研 究 第 8 期 了 5 種基質(zhì) 5 種基質(zhì)的蛭石 草炭比依次為 10 0 8 2 6 4 4 6 和 2 8 每種配比種植了 20 株秧苗 總 共種植了 100 棵秧苗 為了分析的需要 5 種不同的基質(zhì)配比小區(qū)分別 標號為 A E 并分別賦予了它們一個營養(yǎng)值 用以代 表作物的營養(yǎng)狀態(tài) 如表 1 所示 表 1 溫室黃瓜的營養(yǎng)狀態(tài) 標號 基質(zhì)配比 草炭 蛭石 營養(yǎng)值 A 2 8 2 B 4 6 4 C 6 4 6 D 8 2 8 E 0 10 0 在黃瓜的生長期內(nèi) 共做了 11 次試驗 每次試驗 在每個小區(qū)內(nèi)采集 10 株黃瓜的整株光譜數(shù)據(jù) 然后將 10 株黃瓜的整株光譜進行平均 作為整個小區(qū)的光譜 數(shù)據(jù)值 2 1 相關分析 首先 將 11 次試驗的 55 組試驗數(shù)據(jù)分為兩個集 合 即校正集和預測集 其中 校正集有 35 組試驗數(shù) 據(jù) 預測集含有 20 組試驗數(shù)據(jù) 圖 1 顯示了黃瓜的 整株光譜數(shù)據(jù)與其營養(yǎng)狀態(tài)值在 400 900 nm 波段 范圍內(nèi)的相關系數(shù)圖 圖 1 整株光譜與其營養(yǎng)狀態(tài)值的相關系數(shù)圖 由圖 1 可知 黃瓜的整株光譜數(shù)據(jù)與其營養(yǎng)狀態(tài) 值的相關系數(shù)比較低 最大不超過 0 5 但是從圖中 也可以看到 在可見光 500 710 nm 范圍內(nèi) 相關系 數(shù)是負值 而 710 nm 以上相關系數(shù)則為正 這說明 在可見光范圍內(nèi)與其營養(yǎng)狀態(tài)值是負相關的關系 即 隨著營養(yǎng)狀態(tài)值的提高 其光譜反射率下降 而在近 紅外范圍內(nèi)則是正相關的關系 這一結(jié)果與大田內(nèi) 作物的光譜特性是一致的 為了進一步探索光譜數(shù)據(jù)與營養(yǎng)狀態(tài)值的相關 關系 對光譜數(shù)據(jù)做了一階微分處理后重新求在整個 波段范圍內(nèi)的相關系數(shù) 所得結(jié)果見圖 2 所示 圖 2 微分光譜與營養(yǎng)狀態(tài)值的相關系數(shù)圖 由圖 2 可以看出 利用一階微分后的光譜反射率 與營養(yǎng)狀態(tài)值的相關系數(shù)由 0 4 提高到了 0 656 其原 因是 一階微分處理消除了背景噪聲的影響和系統(tǒng)誤 差 提高了相關系數(shù) 2 2 基于 BP 算法的人工神經(jīng)網(wǎng)絡分析 人工神經(jīng)網(wǎng)絡 Artificial Neural Networks 是對人 腦或自然神經(jīng)網(wǎng)絡若干基本特性的抽象和模擬 實際 應用中神經(jīng)網(wǎng)絡模型大多采用 BP 網(wǎng)絡及其變化形 式 BP 網(wǎng)絡主要應用于函數(shù)逼近和模式識別等方 面 在本文中 用 BP 網(wǎng)絡的函數(shù)逼近來建立模型 BP 網(wǎng)絡是基于 BP 誤差傳播算法的多層前饋網(wǎng) 絡 多層 BP 網(wǎng)絡不僅有輸入節(jié)點和輸出節(jié)點 而且還 有一層或多層隱含節(jié)點 應用 BP 神經(jīng)網(wǎng)絡分析 首先需要確定網(wǎng)絡的輸 入函數(shù)與傳遞函數(shù) 其次 確定隱層神經(jīng)元的個數(shù) 最 后確定學習速率 8 根據(jù)上述分析 選取微分后的 3 個敏感波長 736 688 506nm 作為 3 層 BP 網(wǎng)絡的輸入層中的神經(jīng)元 中間層神經(jīng)元個數(shù)選擇為 20 個 所得 3 層 BP 網(wǎng)絡結(jié) 構如圖 3 所示 圖 3 3 層 BP 網(wǎng)絡的結(jié)構圖 91 2013 年 8 月 農(nóng) 機 化 研 究 第 8 期 神經(jīng)網(wǎng)絡的訓練參數(shù)設置如表 2 所示 表 2 神經(jīng)網(wǎng)絡的參數(shù)設置表 結(jié)點數(shù) 輸入層 隱含層 輸出層 學習速率 學習誤差 3 20 1 0 5 1 神經(jīng)網(wǎng)絡的訓練仍然選用自適應修改學習率的算 法 網(wǎng)絡的訓練過程如圖 4 所示 圖 4 神經(jīng)網(wǎng)絡訓練圖 訓練好網(wǎng)絡后 首先利用訓練的數(shù)據(jù)來校驗網(wǎng)絡 的性能 即利用網(wǎng)絡的輸出與目標輸出進行線性回歸 來分析網(wǎng)絡輸出和目標輸出的關系 分析結(jié)果如圖 5 a 所示 圖 5 分析結(jié)果圖 從圖 5 a 可以看出 利用校正集所得到的網(wǎng)絡的 實際輸出與目標輸出進行線性回歸 所得的 R 值達到 了 0 937 說明網(wǎng)絡具有比較高的自預測能力 完成網(wǎng)絡的訓練和校驗后 下一步的工作便是利 用該網(wǎng)絡進行預測 為了進一步檢驗該網(wǎng)絡的預測 效果 用驗證數(shù)據(jù)集合中的數(shù)據(jù)對上面所建網(wǎng)絡進行 了驗證 結(jié)果如圖 5 b 所示 由圖 5 b 可以看出 網(wǎng) 絡的預測值與實際的測量值具有很高的相關性 其 R 值達到了 0 716 說明該網(wǎng)絡具有比較好的性能 可以 用其去預測溫室黃瓜營養(yǎng)狀態(tài) 2 3 基于支持向量機的光譜分析 20 世紀 90 年代中期 支持向量機 5 9 11 統(tǒng)計學習 理論提出了結(jié)構風險最小化原則 總是采用具有最低 復雜度的函數(shù)集 該理論致力于尋找在小樣本情況 下學習問題的最優(yōu)解 使得統(tǒng)計學習理論在小樣本下 同樣能具有推廣價值 支持向量機的回歸原理與分類問題不同的是 回 歸的樣本點只有一類 所尋求的最優(yōu)超平面不是使兩 類樣本點分的最開 而是使所有樣本點離超平面的 總偏差 最小 這時樣本點都在兩條邊界之間 求最 優(yōu)回歸超平面同樣等價于求最大間隔 如圖 6 所示 圖 6 支持向量機回歸原理圖 根據(jù)相關分析 選取微分后的 3 個敏感波長 736 688 506nm 作為支持向量機回歸的輸入 用校正集 的 35 個樣本進行 SVM 回歸建模校正 用預測集的 20 個樣本進行溫室黃瓜營養(yǎng)狀態(tài)值的預測 研究結(jié)果證明 取線性 不敏感損失函數(shù) 利用 anova 核函數(shù)進行的 SVM 回歸模型 其預測能力最好 所采用的校正模型的參數(shù)見表 3 所示 同時 以所建 立的 SVM 回歸模型對 15 個樣本的溫室黃瓜營養(yǎng)狀態(tài) 值進行預測 表 3 支持向量機校正模型參數(shù)表 C 核函數(shù) gamma degree 100 0 1 anova 2 4 用支持向量回歸建模完成后 首先對模型的自預 測能力進行檢驗 結(jié)果如圖 7 a 所示 相關系數(shù)達 到了 0 999 說明模型的自預測能力相當高 完全可以 滿足需要 完成模型的自預測能力檢驗后 便要檢驗模型的 實際預測能力 結(jié)果如圖 7 b 所示 利用支持向量 機模型的預測值與實測值之間具有較高的相關性 R 值為 0 778 說明此模型具有較好的預測能力 02 2013 年 8 月 農(nóng) 機 化 研 究 第 8 期 圖 7 預測結(jié)果 3 結(jié)束語 本文探索了基于溫室黃瓜的整株光譜判斷黃瓜 營養(yǎng)狀態(tài)的可行性 研究結(jié)果表明 基于 BP 算法的 人工神經(jīng)網(wǎng)絡和支持向量機所建立的回歸模型 在一 定程度上提高了模型的自預測能力和實際預測能力 由于整個研究過程中反射率的采集均是以自然光照 作為光源 因此會受到頂棚遮擋的影響 并且溫室內(nèi) 環(huán)境 包括溫度等 也可能對采集的光譜反射率數(shù)據(jù) 產(chǎn)生影響 所以所得某些結(jié)果與大田中的研究結(jié)果并 不完全一致 參考文獻 1 沈掌泉 王珂 王人潮 基于水稻生長模擬模型的光譜估 產(chǎn)研究 J 遙感技術與應用 1997 12 2 17 20 2 陸婉珍 袁洪福 徐廣通 等 現(xiàn)代近紅外光譜分析技術 M 北京 中國石化出版社 2000 3 王惠文 偏最小二乘回歸方法及其應用 M 北京 國防 工業(yè)出版社 1999 4 祝詩平 近紅外光譜品質(zhì)檢測方法研究 D 北京 中國農(nóng) 業(yè)大學 2003 5 吳靜珠 農(nóng)產(chǎn)品品質(zhì)檢測中近紅外光譜分析技術研究 D 北京 中國農(nóng)業(yè)大學 2006 6 胡守仁 神經(jīng)網(wǎng)絡導論 M 長沙 國防科技大學出版社 1992 7 叢爽 面向 Matlab 工具箱的神經(jīng)網(wǎng)絡理論與應用 M 安 徽 中國科學技術大學出版社 1999 8 趙朋 基于 GIS 的蘋果病蟲害管理信息系統(tǒng)的研究與開 發(fā) D 北京 中國農(nóng)業(yè)大學 2005 9 V Vapnik Statistical Learning Theory M New York John Wiley Sons 1998 10 李曉宇 張新鋒 沈蘭蓀 支持向量機 SVM 的研究進展 J 測控技術 2006 25 5 7 12 11 張錄達 金澤宸 沈曉南 等 SVM 回歸法在近紅外光譜 定量分析中的應用研究 J 光譜學與光譜分析 2005 29 9 1400 1403 Study of Monitoring the Greenhouse Cucumber Nutritional Status Based on Spectral Analysis Zhao Guofu Zhang Xijie Network Information Center Shandong University of Technology Zibo 255049 China Abstract The monitoring of greenhouse cucumber nutrition status is very important account for a large proportion in the greenhouse area It is contained modeling and prediction two step by using spectral analysis to measure the chemical composition of leaves quantitative analysis of spectra is exercised by Artificial Neural Networks based on BP and support vector machine The methods is probed in the Study of monitoring the greenhouse cucumber nutritional status based on canopy reflectance The results showed regression model established based on BP algorithm artificial neural networks and support vector machine improved the self predictive ability of the model and actual predictive ability to some extent Key words greenhouse cucumber spectral analysis nutritional status 12 2013 年 8 月 農(nóng) 機 化 研 究 第 8 期