骏枣叶片光谱预处理方法与水分检测模型研究
Study on the Spectral Preprocessing Method and Water Detection Model of Steed Jujube Leaves
利用近红外光谱技术检测叶片水分含量已经成为近年来的研究热点,叶片水分含量是反映果树生长状况的重要指标,果树叶片长势、品质、颜色及其形态结构会随着水分含量的多少发生一系列的变化,因此,可以利用近红外光谱分析技术的快捷、准确、无损等优点,采集骏枣叶片的光谱数据对叶片的水分含量进行实时检测和诊断.本研究以新疆第一师拉尔市10团6连骏枣树叶片为试验对象,使用便携式近红外光谱仪(SupNIR-1520,1000-1800nm)采集121片骏枣叶片光谱,对原始光谱图像采用MC(光谱均值中心化)、autoscaling(标准化)、normalization(归一化)、MSC(多元散射校正)、SNV(标准正态变量变换)、WT(小波变换)六种预处理方法在Window7环境下,通过Matlab R2014a软件进行光谱图像处理,通过偏最小二乘法建立骏枣叶片水分含量的检测模型,并针对模型的评价参数进行比较,为实现骏枣叶片水分含量的快速、无损检测提供依据.主要研究结果如下:(1)以R、RMSEPCV、Precision、RMSEP作为评价模型好坏的依据,考察了不同预处理方法对模型的影响.通过比较得出,经过预处理后的建模效果优于未预处理的光谱模型,MSC和SNV两种预处理建立的数学模型较好.(2)在波长选择上,骏枣叶片水分采用SPA方法进行特征波长的筛选,MSC由SPA算法选出5个最优波长,分别为1719nm、1773nm、1011nm、1427nm、1582nm,考虑到1011nm在边缘需要剔除;SNV由SPA算法选出5个最优波长,分别为1719nm、1429nm、1799nm、1126nm、1660nm,其中1799nm在边缘要剔除.(3)在划分校正集样本之前对异常样本进行剔除,根据主成分累计贡献率,骏枣叶片样本选择4个主成分,对骏枣叶片采用马氏距离剔除了4个样品,剔除样本编号是40、49、68、78,剔除异常样本后用SPXY方法对骏枣叶片进行划分校正集.(4)将SPA提取的光谱特征波段采用偏最小二乘法进行建模,MSC处理后的R(预测的相关系数)从0.6204增加到0.7504,RMSEP(预测均方根误差)从0.0407减少到0.0343,Precision(精度)从0.9438提高到0.9510;SNV处理后的R(预测的相关系数)从0.6204增加到0.7089,RMSEP(预测均方根误差)从0.0407减少到0.0327,Precision(精度)从0.9438提高到0.9577.
- 作者:
- 胡艳培
- 学位授予单位:
- 塔里木大学
- 专业名称:
- 农业信息化(专业学位)
- 授予学位:
- 硕士
- 学位年度:
- 2018年
- 导师姓名:
- 姚江河
- 中图分类号:
- S665.1
- 关键词:
- 骏枣叶片水分;近红外光谱技术;PLS;SPA;马氏距离;特征波长
- Water of jun jujube leaves; Near infrared spectroscopy; Partial Least Squares; SPA; Mahalanohis Distance; Characteristics of the wavelength;