CN103278467A - 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 - Google Patents

Abstract

本发明公开了一种基于高光谱的植物叶片氮素丰缺快速无损高准确率的鉴别方法。本发明对叶片样本进行高光谱采集，在对高光谱数据进行降噪预处理后，对光谱数据进行特征提取，建立光谱特征与植物叶片氮素水平标准类别的校正模型；采集未知样本的高光谱数据，对光谱数据进行降噪预处理后，将光谱转换为特征空间，代入校正模型对待测样本进行氮素水平分类鉴别，得出植物叶片是否为缺氮、正常氮还是过量氮水平。本发明技术方案采用便携式高光谱仪器进行采集植物叶片光谱，采用一种Adaboost+SLPP特征提取方法对叶片光谱数据进行特征提取，利用KNN作为分类器，能有效提高鉴别预测准确率。

Description

一种植物叶片氮素丰缺快速无损高准确率的鉴别方法

技术领域

本发明涉及植物叶片氮素水平丰缺指标的无损检测技术领域，尤其涉及一种基于高光谱的植物叶片氮素指标水平类别无损检测的方法。

背景技术

植物叶片氮素指标水平亏缺的无损鉴别主要是智能判断植物当前缺氮、过量氮、正常氮水平，它可以实时监测植物的生长状况，通过检测结果，不仅可以调节氮肥料的供给情况，实现肥料管理，节省资源、减少土壤污染，而且可以科学指导栽培工作，以便促进作物健康良好生长，提高作物产量与质量。

目前植物叶片氮素无损检测的方法有光谱法、图像法、高光谱图像法。计算机视觉成像由于其视角范围适中且分辨率较高，可获取整个叶片不同部位由于反射特性差异引起的分布规律，克服了叶片光谱法的测试范围较小和对测试部位要求较严格的缺点，可获得较多作物信息。部分学者根据视觉图像信息对作物是否缺素进行了判断研究。高光谱图像由三维数据组成，是一系列光波波长处的光学图像，即高光谱图像集光谱信息和图像信息于一身，信息较全面，兼有光谱技术和图像技术的优势，能对植株营养亏缺引起的颜色、纹理、形态变化等特征进行可视化分析，能够精确的对作物氮素水平进行评价。但是无论是图像法还是高光谱图像法，它们均需要很复杂的硬件系统，特别是高光谱图像数据量过大，处理较复杂、很耗时，不能做到方便携带及时检测。

作物氮营养缺乏和过剩会引起作物叶片表面和内部组织生理特性改变，从而引起作物叶片和冠层对光谱的反射特性发生改变。基于这一原理，从20世纪70年代以来有关学者进行了作物氮素营养的叶片光谱诊断和光谱遥感诊断方面的研究，寻找氮素的特征波段及其反射率在不同氮素水平下的表现。目前，由于光谱采集仪便携、使用方便，便于制作便携式装置，所以目前使用较多，但是目前的基于光谱的作物营养元素无损鉴别方法的准确率不高。

发明内容

有鉴于此，本发明的主要目的在于提供一种植物叶片氮素指标无损检测方法，能够解决现有光谱无损检测方法中模型使用性低、抗干扰能力差、检测时间长、检测精度低等技术问题。

为了达到上述目的，本发明的技术方案是这样实现的：

一种植物叶片氮素丰缺快速无损高准确率的鉴别方法，包括以下步骤：

步骤1，采用各氮素浓度营养液无土栽培校正集样本，采用高光谱仪器测量校正样本集中的样本在测量范围内的连续高光谱数据；并将各类氮素水平叶片样本集光谱数据作为标准库；采用标准归一化方法对原始光谱进行降噪预处理；

步骤2，利用具有迭代优势的自适应提升算法与监督模式下线性降维算法SLPP相结合，进行特征波段光谱提取；

步骤3，利用校正样本集的光谱数据与其对应的氮素水平数据，构建KNN分类器；

步骤4，利用便携式高光谱仪器测量未知样本的光谱数据，采用标准归一化方法对光谱进行降噪预处理后，利用所述KNN分类器作为校正模型测定未知样本的待测氮素水平。

所述步骤1采用高光谱仪器测量校正样本集中的样本在可见光近红外范围内的连续光谱。选取植物叶片样本，广泛采集大量的事先无土栽培的各种氮素水平的植物叶片样本，形成校正植物叶片样本集，用于训练和建立校正模型。样本选择要严格选择各种氮素水平（缺氮、适量氮、过量氮）的植物叶片样本，而且植物叶片的样本的生长周期要较全面。对校正样本集中的样本进行一次光谱采集的情况下，同时对作物氮素水平进行分类建模。

国内目前高光谱降维的方法包括相关分析法与逐步回归法及LDA、LPP等降维算法。相关分析法可以直观地得到作物含氮的敏感光谱波段，但由于要对数以千计的光谱数据进行处理，分析过程费时费力。逐步回归法需要结合经验知识，参考美国农业部（USDA）研究人员得出的主要生物化学组分的光谱吸收特征，对红边区域及近红外区域中的一些波段进行逐步回归剔除波长。基本思路是：被选变量所对应的F统计量大于指定的“纳入标准”，则选入；反之，则剔除。这种逐步回归法太多依靠经验知识，而且步骤繁琐，而且受到主观原因的影响。以上特征波段提取方法，步骤复杂，而且特征选取多少合适尚未有明确的指标，所以选取的特征波段具有一定的偶然性与不确定性，所以其影响最终模型建立的性能。

LDA算法在计算过程一直受到小样本问题的困扰。LPP作为近几年提出的一种线性降维算法，相较于传统的线性特征提取算法寻找全局结构，LPP更加关注于样本局部间的联系。LPP提供了一种广义的子空间学习框架，基于监督模式下的LPP算法(SLPP)可以用来解决经典LDA算法的小样本问题，

定义邻接矩阵：

$W_{\mathrm{ij}}=\{\frac{\begin{array}{cccccccc}\frac{1}{n_l},\mathrm{if}& x_i& \mathrm{and}& x_j& \mathrm{belong}& \mathrm{to}& l-\mathrm{th}& \mathrm{class}\end{array}}{0,\mathrm{otherwise}.}---\left(1\right)$

其中n_l为第类的样本数量。在此定义下，可以发现：

D=I        L=D-W=I-W                     （2）

其中I为nxn维的单位对角矩阵，此时，LPP的求解算式可以写成：

XLX^Tα=λXX^Tα                           （3）

在LDA算法中，给出了以下关系：

S_W=XLX^T    S_C=XX^T    S_B=XWX^T                   （4）

此时LDA的特征值求解问题可以转换为以下形式：

S_Bα=λS_Wa

$\begin{array}{cc}\⇒(S_C-S_W)\mathrm{\α}=\mathrm{\λ}{S}_W\mathrm{\α}& \⇒S_W\mathrm{\α}=\frac{1}{1+\mathrm{\λ}}{S}_C\mathrm{\α}\end{array}$

$\begin{array}{cc}\⇒{\mathrm{XLX}}^T\mathrm{\α}=\frac{1}{1+\mathrm{\λ}}{\mathrm{XX}}^T\mathrm{\α}& \⇒{\mathrm{XLX}}^T\mathrm{\α}={\mathrm{\λ}}^{\′}{\mathrm{XX}}^T\mathrm{\α}---\left(5\right)\end{array}$

以上提供了一种图形嵌入的观点来解释LDA算法。LDA的特征值求解问题等价于SLPP方案。同时我们可以看到，在LDA求解过程中，拉普拉斯阵rank(L)≤n-c，即rank(S_W)≤n-c，这就导致了在维数较高的情况下，Sw会因为奇异性问题而无法求解。为了克服此问题，常见的解决方案即PCA-LDA，即首先将样本数据用过PCA降维到n-c维特征子空间后再使用LDA算法。但是此方案在PCA降维过程中仅能前n-c维主成分，从而不可避免的造成了样本信息丢失。而在SLPP框架中，LDA可以图形嵌入的求解思想来解决，在式(5)中，仅需要保证矩阵XX^T是满秩的，因此，在PCA降维过程中，可以利用PCA所有非零主成分来降维，从而克服了信息丢失的问题。

为充分挖掘特征提取算法的学习能力，本文将自适应提升算法与SLPP算法相结合，提出一种自适应特征提取算法Adaboost-SLPP。该算法利用AdaBoost算法的迭代过程，多次调用SLPP学习算法构造特征子空间，每次根据上一次迭代的训练误差提供不同的样本集，最终的特征提取结果依赖于SLPP学习算法返回的多个特征子空间联合映射。

所述步骤4测量未知样本的光谱数据，进行预处理后，将相应波段数据代入校正模型，根据模型输出结果给出作物氮素水平鉴别。本步骤中，未知样本的光谱采集同步骤1一样，光谱数据也要经过预处理，然后将预处理后的光谱数据代入校正模型。

本发明采用便携式高光谱仪器进行采集植物叶片光谱，采用一种Adaboost+SLPP特征提取方法对叶片光谱数据进行特征提取，利用KNN作为分类器，能有效提高植物叶片氮素丰缺鉴别预测准确率。

附图说明

图1为本发明所述方法所需要的硬件系统图；

图2为本发明所述无损检测方法的流程图；

图3三种氮水平（缺氮、适量氮、过量氮）的生菜叶片样本光谱的平均光谱图；

图4为原始光谱数据的光谱图；

图5为原始光谱数据降噪后的波形图；

图6为采用校正模型对未知样本的氮素水平的预测结果图；

具体实施方式

为使得本发明的目的、技术方案和优点更加清楚阐述，以下举例并参照附图，对本发明进一步详细说明。

如图1所示为实现该方法所需要的硬件系统，该系统由工作台1、射灯2、白板3、探头4、探针支架5、光谱探头光钎6、便携式光谱仪7、计算机8、无线网络9组成。

该便携式光谱仪7的光谱测量范围350～2500nm；光谱采样是利用光谱光纤探头4获取光谱信息，通过光纤传至便携式光谱仪7，光谱仪对此信号进行解析，并通过无线网络9传送至计算机8，计算机8利用光谱分析软件读取光谱数据并自动保存为二进制文件。具体操作为将叶片10放置于黑色绒布上，测量时将光谱探头4置于工作台上方5cm处，垂直于被测物，设定视场为25度。

本实施例所用便携式光谱仪7，有效波长范围为400nm-2500nm，光谱探头光钎6与叶片10表面成45度角放置，避免叶片镜面反射效应。

参照图2，该实施例对植物叶片无损检测的实现过程如下：

步骤1，试验样本高光谱采集试验

采集各类氮素水平生菜叶片，并及时送至室内采集叶片光谱数据。光谱测量设备采用美国ASD公司生产的

型便携式光谱分析仪。该仪器光谱测量范围350～2500nm，在350～1000nm光谱区采样间隔为1.4nm，分辨率为3nm；在1000～2500nm光谱区采样间隔为2nm，分辨率为10nm。

将叶片10放置于黑色绒布上，测量时将光谱探头4置于工作台上方5cm处，垂直于被测物，设定视场为25度。测量叶片10之前先测量标准反射板，以消除环境因素(主要是光强)引起的系统误差，每片叶片测量3次，取平均值作为最终测量结果，也起到了光谱噪声去除的效果。

试验生菜叶片样本160个，其中80个为缺氮水平，40个为正常氮素水平，40个为过氮水平，分别对每类样本的光谱取平均值，最终得到生菜在3种不同氮素水平下的光谱反射率曲线，如图3所示。由图3可以看出，三类氮素水平叶片光谱存在明显差异，正常氮素水平样本的光谱始终处于中间。

步骤2，高光谱数据降噪预处理

高光谱采集时，通常存在许多高频随机噪声，会影响后续的光谱特征提取，如图4为原始的光谱图像。本文采用标准归一化(SNV)预处理方法，分别对每一道光谱数据进行预处理，其计算公式可表示为：

$x_{i,\mathrm{SNV}}=\frac{x_i-\stackrel{\‾}{x}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}/n}---\left(6\right)$

其中x_i,SNV为第i道经过SNV预处理后的光谱数据，为光谱均值，所有经过预处理后的样本数据如图5所示。

步骤3，特征提取与构建分类模型

选取三种氮素水平下样本集中各一半共80个样本作为训练样本集。将集成学习AdaBoost算法和监督模式下的局部保局投影（SLPP）相结合，将多个SLPP提取的特征子空间进行加权联合构造新的特征空间，以此提高单一SLPP的特征提取能力。其算法可描述如下：

（1）初始化样本训练集L={(x₁,y₁),...,(x_n,y_n)}，其中y为类别标签y∈{1,2,3,...,C}。定义初始样本权值i=1,2...n，其中n为样本集数量。

（2）利用步骤1获得的初始训练集，结合AdaBoost进行自适应的SLPP特征提取过程。通过样本的权值自举获得一个新的样本数量为n的子训练集S。对于一组子训练集S，计算其SLPP特征子空间。定义弱分类器为SLPP特征子空间与最近邻分类器的结合h_t ^SLPP:x→{1,2,...,C}。对于初始训练集L中的每个样本，将其投影到这个投影到SLPP特征子空间中，然后根据其最近邻训练样本的类别来确定其分类结果。计算加权分类误差：

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_i^{t}I(y_i\≠{h_t}^{\mathrm{SLPP}}\left(x_i\right))---\left(7\right)$

若ε_t=0或

令T=t-1，并终止算法，退出T轮循环。

计算本轮训练基于SLPP特征子空间的弱分类器的权重：

${\mathrm{\α}}_t=\frac{1}{n}\ln [(1-{\mathrm{\ϵ}}_t)/{\mathrm{\ϵ}}_t]---\left(8\right)$

更新初始样本训练集权重

$W_{t+1}\left(i\right)=\frac{W_t\left(i\right)}{Z_t}\×\{\begin{array}{c}{e}^{-{\mathrm{\α}}_t}(y_i={h_t}^{\mathrm{SLPP}}\left(x_i\right))\\ e^{{\mathrm{\α}}_t}(y_i\≠{h_t}^{\mathrm{SLPP}}\left(x_i\right))\end{array},$ 其中 $Z_t=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_{t=1}\left(i\right)---\left(9\right)$

（3）将T个基于SLPP特征提取的弱分类器组合产生最终的决策函数:

$H\left(x\right)=\arg \underset{y\∈Y}{\max }\left[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_{t}I({h_t}^{\mathrm{SLPP}}\left(x\right)=y)\right]---\left(10\right)$

算法迭代T轮后，便得到了T个不同的基于SLPP特征提取的弱分类器。最后，用α_t作为弱分类器的投票权值得到联合强分类器。

步骤4，测试预测分类试验

通过对剩下的80个样本作为测试样本，训练并测试的结果如图6所示。最终结果表明，当Adaboost迭代到第四次的时候，测试分类正确率已经为100%。

Claims (4)

1.一种植物叶片氮素丰缺快速无损高准确率的鉴别方法，其特征在于，包括以下步骤：

步骤1，采用各氮素浓度营养液无土栽培校正集样本，采用高光谱仪器测量校正样本集中的样本在测量范围内的连续高光谱数据；并将各类氮素水平叶片样本集光谱数据作为标准库；采用标准归一化方法对原始光谱进行降噪预处理；

步骤2，利用具有迭代优势的自适应提升算法与监督模式下线性降维算法SLPP相结合，进行特征波段光谱提取；

步骤3，利用校正样本集的光谱数据与其对应的氮素水平数据，构建KNN分类器；

步骤4，利用便携式高光谱仪器测量未知样本的光谱数据，采用标准归一化方法对光谱进行降噪预处理后，利用所述KNN分类器作为校正模型测定未知样本的待测氮素水平。

2.根据权利要求1所述的一种植物叶片氮素丰缺快速无损高准确率的鉴别方法，其特征在于，在所述步骤1中，对校正样本集中的样本进行一次光谱采集的情况下，同时对作物氮素水平进行分类建模。

3.根据权利要求1所述的一种植物叶片氮素丰缺快速无损高准确率的鉴别方法，其特征在于，所述步骤1中，标准归一化方法对原始光谱进行降噪预处理的计算公式为：

$x_{i,\mathrm{SNV}}=\frac{x_i-\stackrel{\‾}{x}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}/n}$

其中x_i,SNV为第i道经过SNV预处理后的光谱数据，

为光谱均值。

4.根据权利要求1所述的一种植物叶片氮素丰缺快速无损高准确率的鉴别方法，其特征在于，所述步骤2中进行特征波段光谱提取的过程具体如下：

（1）初始化样本训练集L={(x₁,y₁),...,(x_n,y_n)}，其中y为类别标签y∈{1,2,3,...,C}；定义初始样本权值i=1,2...n，其中n为样本集数量；

（2）利用步骤1获得的初始化样本训练集，进行特征提取过程：通过样本的权值自举获得一个新的样本数量为n的子训练集S；对于一组子训练集S，计算其SLPP特征子空间；定义弱分类器为SLPP特征子空间与最近邻分类器的结合

对于初始化样本训练集中的每个样本，将其投影到SLPP特征子空间中，然后根据其最近邻训练样本的类别来确定其分类结果，计算加权分类误差：

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W_i}^{t}I(y_i\≠{h_t}^{\mathrm{SLPP}}\left(x_i\right))$

若ε_t=0或

令T=t-1，并终止算法，退出T轮循环；

计算本轮训练基于SLPP特征子空间的弱分类器的权重：

${\mathrm{\α}}_t=\frac{1}{n}\ln [(1-{\mathrm{\ϵ}}_t)/{\mathrm{\ϵ}}_t]$

更新初始样本训练集权重：

$W_{t+1}\left(i\right)=\frac{W_t\left(i\right)}{Z_t}\×\{\begin{array}{c}{e}^{-{\mathrm{\α}}_t}(y_i={h_t}^{\mathrm{SLPP}}\left(x_i\right))\\ e^{{\mathrm{\α}}_t}(y_i\≠{h_t}^{\mathrm{SLPP}}\left(x_i\right))\end{array},$ 其中 $Z_t=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_{t=1}\left(i\right)$

（3）将T个基于SLPP特征提取的弱分类器组合产生最终的决策函数:

$H\left(x\right)\arg \underset{y\∈Y}{\max }\left[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_{t}I({h_t}^{\mathrm{SLPP}}\left(x\right)=y)\right]$

算法迭代T轮后，便得到了T个不同的基于SLPP特征提取的弱分类器；最后，用α_t作为弱分类器的投票权值得到联合强分类器。

Images