發(fā)布時(shí)間：2017-04-21 16:06

  本文關(guān)鍵詞：基于光譜和高光譜成像技術(shù)的土壤養(yǎng)分及類型檢測(cè)與儀器開發(fā)，由筆耕文化傳播整理發(fā)布。

【摘要】：土壤養(yǎng)分如總氮、有機(jī)質(zhì)、速效鉀和速效磷等是農(nóng)作物生長的主要養(yǎng)分,這些土壤養(yǎng)分參數(shù)的檢測(cè)一直沿用常規(guī)化學(xué)檢測(cè)方法,對(duì)檢測(cè)人員要求高,且需要昂貴的檢測(cè)設(shè)備,存在檢測(cè)成本高、效率低,不能大規(guī)模同時(shí)檢測(cè)等問題。近紅外光譜和高光譜成像分析技術(shù)具有成本低、快速和環(huán)保等優(yōu)點(diǎn),近年來在土壤養(yǎng)分測(cè)定方面得到了越來越廣泛的應(yīng)用。本文主要?jiǎng)?chuàng)新性成果有： (1)提出了將遺傳算法和連續(xù)投影算法相結(jié)合,用于特征波長選擇,建立了土壤有機(jī)質(zhì)含量快速檢測(cè)模型,預(yù)測(cè)集的決定系數(shù)為0.83,預(yù)測(cè)均方根誤差為0.20,殘余預(yù)測(cè)偏差為2.45,介紹了兩種光譜壓縮方法(LVs和PCs)和有效波長(EWs)提取方法,對(duì)于土壤有機(jī)質(zhì),LVs-LS-SVM模型的預(yù)測(cè)結(jié)果優(yōu)于EWs-LS-SVM、PCs-LS-SVM模型,EWs-LS-SVM優(yōu)于PCs-LS-SVM模型。 (2)應(yīng)用高光譜成像技術(shù),建立了土壤有機(jī)質(zhì)的光譜檢測(cè)模型。系統(tǒng)地比較了多元散射校正,SG平滑算法和小波分析預(yù)處理方法,多元散射校正預(yù)處理效果較好,有效去除了光譜噪聲,采用連續(xù)投影算法和遺傳-偏最小二乘法選擇特征波長,建立了偏最小二乘、BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)模型。最優(yōu)模型為最小二乘支持向量機(jī)模型,其預(yù)測(cè)集的決定系數(shù)為0.78,預(yù)測(cè)均方根誤差為0.29,殘余預(yù)測(cè)偏差RPD為2.24。 (3)提出了基于圖像和光譜信息融合技術(shù)鑒別土壤不同類型。提取土壤樣品感興趣區(qū)域光譜,以第一主成分圖像信息和611nm圖像信息為灰度共生矩陣,結(jié)合圖像信息數(shù)據(jù)與光譜信息數(shù)據(jù),作為LS-SVM分類器的輸入建立分類識(shí)別模型,預(yù)測(cè)集識(shí)別率達(dá)到100%。 (4)提出了采用連續(xù)投影算法和回歸系數(shù)方法提取特征波長,基于特征波長分別采用PLS、MLR和LS-SVM三種建模方法共建立了9個(gè)預(yù)測(cè)模型,預(yù)測(cè)總氮含量,最優(yōu)MLR模型預(yù)測(cè)集的決定系數(shù)為0.81,殘余預(yù)測(cè)偏差RPD為2.26。 (5)應(yīng)用短波近紅外光譜技術(shù),建立了土壤總氮含量快速檢測(cè)模型。將土壤樣本分為三組,一組未經(jīng)過粉碎、過篩等處理,其余兩組分別過2mm篩和0.5mm篩處理,采用基于USB4000開發(fā)的便攜式光譜儀器獲取土壤光譜數(shù)據(jù),結(jié)合平滑算法,波長壓縮算法和小波變換進(jìn)行噪聲處理,采用競爭性自適應(yīng)重加權(quán)算法,Random frog和SPA進(jìn)行特征波長選擇。采用偏最小二乘,極限學(xué)習(xí)機(jī)和LS-SVM建立了檢測(cè)模型。試驗(yàn)結(jié)果表明,過篩處理后的樣本模型結(jié)果優(yōu)于未過篩的樣本模型結(jié)果,過0.5mm篩處理的土壤樣本模型預(yù)測(cè)結(jié)果略優(yōu)于過2mm篩處理的土壤樣本結(jié)果,預(yù)測(cè)集的決定系數(shù)為0.63,RPD為1.58。 (6)應(yīng)用蒙特卡羅無信息變量消除算法(MC-UVE)結(jié)合遺傳算法提取特征波長,建立了土壤速效鉀快速檢測(cè)模型。PLS模型預(yù)測(cè)集的決定系數(shù)為0.68,RMSEP為6.45,殘余預(yù)測(cè)偏差(RPD)為1.70。應(yīng)用競爭性自適應(yīng)重加權(quán)算法選擇的特征波長,建立了土壤速效磷快速檢測(cè)模型。PLS模型預(yù)測(cè)集的決定系數(shù)為0.64,RMSEP為3.80,RPD為1.67。 (7)開發(fā)了一款基于USB4000光譜儀的便攜式土壤養(yǎng)分含量測(cè)定儀器,并應(yīng)用于土壤總氮含量檢測(cè)研究。硬件部分由機(jī)箱外殼、光纖、電壓轉(zhuǎn)換模塊、光源、驅(qū)動(dòng)電路、集成開發(fā)板、獨(dú)立電源和觸摸屏等組成；軟件部分由模型加載模塊、光譜采集模塊、光譜保存模塊、結(jié)果顯示模塊和參數(shù)設(shè)置等模塊組成。 上述研究成果實(shí)現(xiàn)了土壤養(yǎng)分和類型的無損、快速檢測(cè),為開發(fā)基于光譜和高光譜成像技術(shù)的土壤養(yǎng)分檢測(cè)儀器奠定了理論基礎(chǔ),具有廣闊的應(yīng)用前景。
【關(guān)鍵詞】：近紅外光譜 高光譜成像 土壤養(yǎng)分 特征波長 便攜式儀器
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：S237;S158
【目錄】：

• 致謝5-6
• 摘要6-8
• Abstract8-13
• 目錄13-18
• 圖目錄18-21
• 表目錄21-22
• 縮略詞表22-24
• 1 緒論24-37
• 1.1 研究目的和意義24-26
• 1.2 國內(nèi)外研究現(xiàn)狀26-31
• 1.2.1 國外研究現(xiàn)狀26-29
• 1.2.2 國內(nèi)研究現(xiàn)狀29-31
• 1.3 光譜分析基礎(chǔ)31-33
• 1.4 研究目標(biāo)、研究內(nèi)容和技術(shù)路線33-36
• 1.4.1 研究目標(biāo)33
• 1.4.2 研究內(nèi)容33-35
• 1.4.3 技術(shù)路線35-36
• 1.5 本章小結(jié)36-37
• 2 實(shí)驗(yàn)儀器與方法37-46
• 2.1 試驗(yàn)儀器設(shè)備37-42
• 2.1.1 可見近紅外光譜儀器37-40
• 2.1.2 高光譜成像檢測(cè)儀器40-42
• 2.2 試驗(yàn)材料42-44
• 2.3 土壤有機(jī)質(zhì)含量測(cè)定44
• 2.4 土壤氮、磷和鉀測(cè)定44-45
• 2.4.1 土壤總氮的測(cè)量44-45
• 2.4.2 土壤速效鉀的測(cè)量45
• 2.4.3 土壤速效磷的測(cè)量45
• 2.5 本章小結(jié)45-46
• 3 光譜預(yù)處理和多元校正計(jì)量學(xué)方法46-60
• 提要46
• 3.1 光譜預(yù)處理方法概述46-51
• 3.1.1 Savitzky-Golay卷積平滑算法46-47
• 3.1.2 多元散射校正47
• 3.1.3 標(biāo)準(zhǔn)正態(tài)變量變換47-48
• 3.1.4 微分算法48
• 3.1.5 小波變換48-49
• 3.1.6 歸一化49
• 3.1.7 去趨勢(shì)算法49
• 3.1.8 正交信號(hào)校正49-50
• 3.1.9 均值中心化50
• 3.1.10 標(biāo)準(zhǔn)化50-51
• 3.2 多元校正計(jì)量學(xué)方法51-55
• 3.2.1 主成分回歸51-52
• 3.2.2 偏最小二乘回歸52
• 3.2.3 多元線性回歸52-53
• 3.2.4 最小二乘支持向量機(jī)53-54
• 3.2.5 BP神經(jīng)網(wǎng)絡(luò)54-55
• 3.2.6 極限學(xué)習(xí)機(jī)55
• 3.3 特征變量提取方法55-58
• 3.3.1 連續(xù)投影算法56
• 3.3.2 無信息變量消除算法56-57
• 3.3.3 遺傳算法57
• 3.3.4 競爭性自適應(yīng)重加權(quán)算法57
• 3.3.5 隨機(jī)青蛙57-58
• 3.4 模型評(píng)價(jià)標(biāo)準(zhǔn)58-59
• 3.4.1 決定系數(shù)58
• 3.4.2 校正預(yù)測(cè)均方根誤差58
• 3.4.3 預(yù)測(cè)均方根誤差58-59
• 3.4.4 殘余預(yù)測(cè)偏差59
• 3.5 化學(xué)計(jì)量學(xué)算法實(shí)現(xiàn)軟件59
• 3.6 本章小結(jié)59-60
• 4 土壤有機(jī)質(zhì)及土壤類型測(cè)定研究60-94
• 提要60
• 4.1 引言60
• 4.2 統(tǒng)計(jì)化學(xué)方法測(cè)定樣本有機(jī)質(zhì)含量60-61
• 4.3 采集土壤樣本光譜61
• 4.4 遺傳算法結(jié)合連續(xù)投影算法近紅外光譜檢測(cè)土壤有機(jī)質(zhì)61-65
• 4.4.1 遺傳算法選取特征波長62-63
• 4.4.2 遺傳算法結(jié)合連續(xù)投影算法選取特征波長63-65
• 4.4.3 小結(jié)65
• 4.5 基于近紅外光譜的不同波段檢測(cè)土壤有機(jī)質(zhì)研究65-68
• 4.5.1 建模集和預(yù)測(cè)集的劃分65
• 4.5.2 PLS潛在變量和主成分因子的獲取65-66
• 4.5.3 不同波段建模研究66-67
• 4.5.4 小結(jié)67-68
• 4.6 基于高光譜成像技術(shù)檢測(cè)土壤有機(jī)質(zhì)含量研究68-78
• 4.6.1 試驗(yàn)樣本和方法68
• 4.6.2 高光譜成像系統(tǒng)68-71
• 4.6.3 光譜噪聲去除71
• 4.6.4 特征波長選擇71-72
• 4.6.5 建模分析方法72
• 4.6.6 結(jié)果與討論72-77
• 4.6.7 小結(jié)77-78
• 4.7 基于高光譜成像技術(shù)檢測(cè)土壤類型研究78-92
• 4.7.1 材料與方法79-83
• 4.7.2 試驗(yàn)結(jié)果與分析83-90
• 4.7.3 ROC曲線評(píng)價(jià)LS-SVM分類性能90-91
• 4.7.4 小結(jié)91-92
• 4.8 本章小結(jié)92-94
• 5 基于近紅外光譜技術(shù)土壤總氮和磷鉀測(cè)定研究94-119
• 提要94
• 5.1 前言94-95
• 5.2 化學(xué)測(cè)定土壤總氮統(tǒng)計(jì)分析95
• 5.3 采集土壤樣本光譜和光譜預(yù)處理95-96
• 5.4 基于不同變量選擇方法和建模方法檢測(cè)土壤總氮的研究96-101
• 5.4.1 回歸系數(shù)分析提取總氮關(guān)鍵變量97-98
• 5.4.2 連續(xù)投影算法提取總氮特征波長98
• 5.4.3 土壤總氮遺傳算法提取特征波長98-100
• 5.4.4 數(shù)學(xué)模型驗(yàn)證及評(píng)價(jià)100
• 5.4.5 總氮含量檢測(cè)結(jié)果與討論100-101
• 5.4.6 總氮檢測(cè)結(jié)論101
• 5.5 基于便攜式短波近紅外光譜儀器檢測(cè)土壤總氮含量研究101-111
• 5.5.1 試驗(yàn)樣本采集和劃分方法102-103
• 5.5.2 土壤光譜噪聲去除103-104
• 5.5.3 土壤總氮特征波長選擇算法104
• 5.5.4 土壤總氮含量建模分析方法104-105
• 5.5.6 土壤總氮含量檢測(cè)結(jié)果與討論105-110
• 5.5.7 過篩和未過篩土壤樣品檢測(cè)總氮分析110-111
• 5.6 基于近紅外光譜技術(shù)檢測(cè)土壤速效磷111-114
• 5.6.1 無信息變量消除算法提取變量111-112
• 5.6.2 土壤速效磷遺傳算法選取特征波長112
• 5.6.3 競爭性自適應(yīng)重加權(quán)算法112-114
• 5.6.4 小結(jié)114
• 5.7 蒙特卡羅無信息變量消除算法結(jié)合遺傳算法檢測(cè)土壤速效鉀114-117
• 5.7.1 遺傳算法選取特征波長114
• 5.7.2 MC-UVE結(jié)合GA選取建模變量114-117
• 5.7.3 小結(jié)117
• 5.8 本章小結(jié)117-119
• 6 基于光譜技術(shù)檢測(cè)土壤總氮含量便攜式儀器開發(fā)119-134
• 提要119
• 6.1 引言119-120
• 6.2 便攜式檢測(cè)儀器硬件集成120-125
• 6.2.1 便攜式土壤總氮含量檢測(cè)儀器核心部件124
• 6.2.2 便攜式土壤總氮含量檢測(cè)儀器電源供電124-125
• 6.3 便攜式儀器測(cè)量土壤總氮含量系統(tǒng)簡介125-127
• 6.3.1 便攜式土壤總氮含量檢測(cè)儀器設(shè)計(jì)思想125-127
• 6.4 檢測(cè)系統(tǒng)各子模塊簡介127-130
• 6.4.1 便攜式土壤總氮含量檢測(cè)儀器軟件127-129
• 6.4.2 便攜式土壤總氮含量檢測(cè)儀器內(nèi)部組成129
• 6.4.3 便攜式土壤總氮含量檢測(cè)儀器整機(jī)實(shí)物129-130
• 6.5 基于便攜式儀器檢測(cè)土壤總氮含量研究130-133
• 6.5.1 便攜式土壤總氮含量檢測(cè)儀器檢檢測(cè)結(jié)果列表130-132
• 6.5.2 便攜式土壤總氮含量檢測(cè)儀器和其它光譜儀比較132-133
• 6.6 本章小結(jié)133-134
• 7 結(jié)論與展望134-138
• 7.1 研究的具體內(nèi)容和主要結(jié)論134-136
• 7.2 本研究的主要?jiǎng)?chuàng)新點(diǎn)136
• 7.3 展望和建議136-138
• 參考文獻(xiàn)138-146
• 附錄146-166
• 作者簡介166-168

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 單佳佳;彭彥昆;王偉;李永玉;吳建虎;張雷蕾;;基于高光譜成像技術(shù)的蘋果內(nèi)外品質(zhì)同時(shí)檢測(cè)[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2011年03期

2 王斌;薛建新;張淑娟;;基于高光譜成像技術(shù)的腐爛、病害梨棗檢測(cè)[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年S1期

3 蔡健榮;韓智義;;碧螺春茶葉的真?zhèn)舞b別技術(shù)——基于漫反射式高光譜成像技術(shù)[J];農(nóng)機(jī)化研究;2013年04期

4 孫梅;陳興海;張恒;陳海霞;;高光譜成像技術(shù)的蘋果品質(zhì)無損檢測(cè)[J];紅外與激光工程;2014年04期

5 羅陽;何建國;賀曉光;王松磊;劉貴珊;;農(nóng)產(chǎn)品無損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究[J];農(nóng)機(jī)化研究;2013年06期

6 余克強(qiáng);趙艷茹;李曉麗;張淑娟;何勇;;基于高光譜成像技術(shù)的鮮棗裂紋的識(shí)別研究[J];光譜學(xué)與光譜分析;2014年02期

7 田有文;牟鑫;程怡;;高光譜成像技術(shù)無損檢測(cè)水果缺陷的研究進(jìn)展[J];農(nóng)機(jī)化研究;2014年06期

8 丁冬;;高光譜成像技術(shù)及其在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用[J];科技信息;2013年35期

9 章海亮;高俊峰;何勇;;基于高光譜成像技術(shù)的柑橘缺陷無損檢測(cè)[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年09期

10 張?bào)憷?劉飛;聶鵬程;何勇;鮑一丹;;高光譜成像技術(shù)的油菜葉片氮含量及分布快速檢測(cè)[J];光譜學(xué)與光譜分析;2014年09期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前7條

1 盧云龍;劉志剛;;高光譜成像技術(shù)及其在目標(biāo)檢測(cè)中的應(yīng)用進(jìn)展[A];國家安全地球物理叢書（九）——防災(zāi)減災(zāi)與國家安全[C];2013年

2 馬本學(xué);應(yīng)義斌;饒秀勤;;高光譜成像在水果表面缺陷及污染檢測(cè)中的研究進(jìn)展[A];2007年中國農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文摘要集[C];2007年

3 何寶琨;;使用曲面棱鏡的高光譜成像系統(tǒng)設(shè)計(jì)[A];中國空間科學(xué)學(xué)會(huì)空間探測(cè)專業(yè)委員會(huì)第二十六屆全國空間探測(cè)學(xué)術(shù)研討會(huì)會(huì)議論文集[C];2013年

4 孫向軍;劉凱龍;趙志勇;李雪濤;;高光譜成像及仿真技術(shù)途徑探索[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

5 顏昌翔;;星載高光譜成像及數(shù)據(jù)應(yīng)用[A];第十屆全國光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

6 肖功海;舒嶸;薛永祺;;顯微成像光譜技術(shù)及其應(yīng)用[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2004年

7 賴建軍;陳四海;陳坦;易新建;;基于MEMS微鏡陣列的高光譜成像技術(shù)研究[A];中國宇航學(xué)會(huì)深空探測(cè)技術(shù)專業(yè)委員會(huì)第三屆學(xué)術(shù)會(huì)議論文集[C];2006年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 王彩玲;干涉高光譜成像中的信息提取技術(shù)[D];中國科學(xué)院研究生院(西安光學(xué)精密機(jī)械研究所);2011年

2 朱逢樂;基于光譜和高光譜成像技術(shù)的海水魚品質(zhì)快速無損檢測(cè)[D];浙江大學(xué);2014年

3 張若宇;番茄可溶性固形物和硬度的高光譜成像檢測(cè)[D];浙江大學(xué);2014年

4 章海亮;基于光譜和高光譜成像技術(shù)的土壤養(yǎng)分及類型檢測(cè)與儀器開發(fā)[D];浙江大學(xué);2015年

5 張東彥;基于高光譜成像技術(shù)的作物葉綠素信息診斷機(jī)理及方法研究[D];浙江大學(xué);2012年

6 虞佳佳;基于高光譜成像技術(shù)的番茄灰霉病早期快速無損檢測(cè)機(jī)理和方法研究[D];浙江大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李婧;基于數(shù)字濾波的高光譜成像系統(tǒng)研究[D];山東大學(xué);2010年

2 曹鴻濤;高光譜成像實(shí)驗(yàn)及其數(shù)據(jù)處理[D];西北工業(yè)大學(xué);2005年

3 傅楚華;腦缺血和腦膠質(zhì)瘤的高光譜成像研究[D];第三軍醫(yī)大學(xué);2014年

4 石慧;基于高光譜成像技術(shù)的對(duì)蝦品質(zhì)信息快速檢測(cè)方法研究[D];浙江大學(xué);2013年

5 李濤;基于波長可調(diào)諧的主動(dòng)高光譜成像技術(shù)研究[D];中國科學(xué)院研究生院（上海技術(shù)物理研究所）;2014年

6 殷姣姣;基于可見—近紅外光譜和高光譜成像的無損檢測(cè)方法研究[D];太原科技大學(xué);2014年

7 陳加偉;偏振高光譜成像建模與仿真[D];哈爾濱工業(yè)大學(xué);2011年

8 張令標(biāo);基于高光譜成像技術(shù)的紅棗表面農(nóng)藥殘留無損檢測(cè)的研究[D];寧夏大學(xué);2014年

9 管婭娜;分子光譜成像機(jī)理及其在血細(xì)胞分析中的應(yīng)用研究[D];華東師范大學(xué);2012年

10 羅陽;基于NIR高光譜成像技術(shù)的長棗蟲害及可溶性固形物無損檢測(cè)研究[D];寧夏大學(xué);2013年

  本文關(guān)鍵詞：基于光譜和高光譜成像技術(shù)的土壤養(yǎng)分及類型檢測(cè)與儀器開發(fā)，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：320688