金夏明
- 作品数:8 被引量:125H指数:6
- 供职机构:江苏大学电气信息工程学院更多>>
- 发文基金:国家自然科学基金江苏高校优势学科建设工程资助项目江苏高校优势学科建设工程项目更多>>
- 相关领域:农业科学自动化与计算机技术理学机械工程更多>>
- 高光谱图像技术在掺假大米检测中的应用被引量:32
- 2014年
- 为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest, ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法( leave-one-out cross-validation , LOOCV )确定并提取出 PCA 降维后的最优主成分数( number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。
- 孙俊金夏明毛罕平武小红杨宁
- 关键词:无损检测主成分分析图像采集高光谱图像
- 氮素胁迫对生菜叶片叶绿素荧光图像参数的影响被引量:1
- 2014年
- 为验证合理施氮对蔬菜生长的重要性,探讨了不同氮素胁迫对生菜叶片叶绿素荧光动力学参数的影响。本试验利用无土栽培法培植意大利全年耐抽抗热生菜(Lactuca sativa),在出苗后25 d时,分别对生菜施加4种氮素水平的营养液:①重度氮胁迫(N1)纯氮14 mg/L;②轻度氮胁迫(N2)纯氮42 mg/L;③推荐供氮(N3)纯氮56 mg/L;④过量供氮(N4)纯氮84 mg/L。每5 d测量一次各组生菜叶片的叶绿素荧光图像,绘制相应的荧光参数变化曲线,研究各氮素浓度下生菜的叶绿素动态荧光参数变化规律。结果表明,氮素对最大光量子产量(Fv/Fm)影响较小,随着生育期的推移,各氮素水平下Fv/Fm参数均表现不同程度上升;过高或过低供氮时叶片实际光合效率[Y(Ⅱ)]呈现M形的波动变化,适量供氮时Y(Ⅱ)保持较高的稳定水平;氮素过高或过低时都将影响生菜的光能利用率,适量供氮下,叶片非光化学淬灭系数(qN)在整个生育期都处于稳定的较低水平。
- 孙俊宋彩惠毛罕平金夏明朱燕
- 关键词:氮素胁迫
- 基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究被引量:10
- 2013年
- 为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec^((?))3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。
- 孙俊金夏明毛罕平武小红唐凯张晓东
- 关键词:KNNSVMADABOOST
- 基于高光谱图像光谱与纹理信息的生菜氮素含量检测被引量:52
- 2014年
- 高光谱图像包含丰富的光谱与图像信息,该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外(390-1 050 nm)范围内的生菜叶片高光谱图像,同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像,获取感兴趣区域(ROI,region of interest)。由于高光谱数据量大、且数据间冗余性强,因此如何有效的提取一些特征波长十分重要。该文采用主成分分析(PCA,principal component analysis)对原始高光谱图像进行处理,根据前3个主成分图像(PC1、PC2、PC3)在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征,并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征,最后利用支持向量机回归(SVR,support vector machine regression)分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明,在校正性能指标决定系数R2C上,基于光谱特征+特征波长图像纹理特征的模型较好,R2C=0.996,校正集均方根误差RMSEC为0.034;在预测性能指标决定系数R2P上,基于光谱特征的模型较好,R2P=0.86,预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。
- 孙俊金夏明毛罕平武小红朱文静张晓东高洪燕
- 关键词:氮素主成分分析支持向量机高光谱图像生菜纹理特征
- 基于MSCPSO混合核SVM参数优化的生菜品质检测被引量:7
- 2013年
- 核函数形式的选择与核函数参数值的大小是影响支持向量机的2个关键因素,传统的支持向量机分类精度低、时效性差,为了获得高精度、高时效性的支持向量机,从影响支持向量机的核函数与核函数参数值2个关键因素着手,提出了基于变尺度混沌粒子群优化(MSCPSO)混合核SVM参数的分类器。将此分类模型用于预测生菜叶片的生育期,以及预测3个生育期的生菜叶片氮素水平,预测精度分别达到91.51%、85.38%、82.59%和81.26%。与传统的粒子群优化混合核SVM的分类器和变尺度混沌粒子群优化RBF_SVM分类器相比,提出的分类器模型分类精度高、时效性好。
- 孙俊王艳金夏明毛罕平
- 关键词:生菜支持向量机混合核函数粒子群算法
- 农药胁迫对生菜叶片叶绿素荧光图像参数的影响被引量:3
- 2014年
- 对生菜(Lactuca sativa)分别均匀喷洒浓度为70、140、280μg/L的杀虫剂氰戊菊酯,以清水为对照,以意大利全年耐抽薹生菜为试材,结果表明,随着农药浓度的增加,光系统Ⅱ的最大光化学效率、实际光化学效率、光化学淬灭系数和相对电子传递速率均下降,非光化学淬灭系数、非调节性能量耗散的量子产额和调节性能量耗散的量子产额上升,综合影响造成光系统Ⅱ的中心活性区域缩小、光合速率下降。另外生菜叶片自身的光化合保护机制能在一定程度上减轻农药的胁迫作用。与对照相比,光系统Ⅱ的实际光化学效率受农药影响最大,喷洒浓度为280μg/L的杀虫剂会对生菜光合作用过程产生持续性的、不可逆转的影响。
- 孙俊宋彩惠毛罕平金夏明方敏张梅霞
- 关键词:农药叶绿素荧光参数
- 基于高光谱图像的生菜叶片氮素含量预测模型研究被引量:20
- 2014年
- 为了便于更经济合理地为作物施肥,建立一种无损检测作物氮营养元素的高光谱图像模型。本实验以生菜为研究对象,无土栽培各氮素水平的生菜叶样本,在莲座期,采集生菜叶片样本的高光谱图像(390~1050 nm),同时采用凯氏定氮法测定对应生菜叶片样本的全氮含量。通过ENVI软件提取出生菜叶片中感兴趣区域的平均光谱作为该样本原始光谱信息,分别使用平滑处理( Smoothing)、多元散射矫正( MSC)、标准正态变量变换结合去趋势( SNV detrending)、一阶导数法( First derivative)、二阶导数法( Second deriva-tive)、正交信号矫正( OSC)等预处理方法对样本原始光谱进行处理,然后利用偏最小二乘回归法( Partial least squares regression,PLSR)分别建立样本全波段光谱信息与氮含量的关系模型,研究各预处理方法对氮含量模型的影响,结果表明,使用OSC预处理的模型效果最好。为了简化模型,根据OSC预处理光谱后的模型的PLSR回归系数优选出敏感波长,利用训练集中样本的敏感波长光谱信息与氮含量数据重新构建PLSR回归模型,并利用测试集样本进行测试试验。结果表明,该模型得到校正集和预测集的决定系数( R2p )分别为0.89,0.81;均方根误差RMSEC, RMSEP分别为0.33,0.45。该回归模型大大降低了自变量个数,简化了模型,并且取得了较优的效果,这为生菜氮素含量预测提供了一种新的快速有效方法。
- 孙俊金夏明毛罕平武小红张晓东高洪燕
- 关键词:高光谱图像氮素
- 基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别研究被引量:6
- 2014年
- 为了保证人们对蔬菜的安全食用,研究了蔬菜叶片农药残留的无损检测方法。标准营养液无土栽培生菜样本,在成熟期按4种不同浓度,分别为1.250、0.830、0.600、0.375 mL/L,将氰戊菊酯农药雾状均匀喷洒至生菜叶片上,8 h后采集生菜叶片高光谱数据。采用标准归一化(SNV)算法对原始光谱进行预处理,分别利用基于非监督特征提取方法主成分分析(PCA)、局部保留投影(LPP)与基于监督特征提取方法线性判别分析(LDA)、局部保留投影(SLPP)对降噪后的光谱数据进行特征提取,统一选用支持向量机(SVM)作为分类器。利用相同的训练样本与测试样本进行分类试验,对生菜叶片农药残留浓度分类鉴别的结果为,PCA-SVM分类正确率为82.14%,LPP-SVM分类正确率为85.71%,LDA-SVM分类正确率为89.29%,SLPP-SVM分类正确率达到92.86%。结果表明,与非监督特征提取算法相比,监督特征提取算法由于充分利用了样本的类别特性,使得分类器对降维后的数据更加敏感,分类精度更高,其中SLPP-SVM的分类效果最好。
- 孙俊金夏明毛罕平刘枭武小红方敏宗祥
- 关键词:生菜农药残留