基于光譜分析的溫室黃瓜營(yíng)養(yǎng)狀態(tài)的研究 趙國(guó)富 張喜杰 山東理工大學(xué) 網(wǎng)絡(luò)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(cè)溫室黃瓜營(yíng)養(yǎng)狀態(tài)非常重要 因此 利用光譜分析技術(shù) 對(duì)葉片所含的化學(xué)成分進(jìn)行測(cè)量 主要包括建模與預(yù)測(cè)兩步 采用基于 BP 算法的人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn) 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(yíng)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(luò)和支持向量機(jī)所建立的回歸模型 在一定程度上提高了模型的自預(yù)測(cè)能力和實(shí)際預(yù)測(cè)能力 關(guān)鍵詞 溫室 黃瓜 光譜分析 營(yíng)養(yǎng)狀態(tài) 中圖分類(lèi)號(hào) TP202 7 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1003 188X 2013 08 0018 04 0 引言 黃瓜是我國(guó)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(dāng)營(yíng)養(yǎng)元素缺乏時(shí) 黃瓜產(chǎn)量 和品質(zhì)都會(huì)受到損害 因此監(jiān)測(cè)溫室黃瓜營(yíng)養(yǎng)狀態(tài)非 常重要 傳統(tǒng)的監(jiān)測(cè)方法主要是基于土壤和植物組 織的試驗(yàn)室分析 不具有實(shí)時(shí)性 且需要耗費(fèi)大量的 人力 物力和時(shí)間 光譜技術(shù)的發(fā)展與廣泛應(yīng)用 為快速 簡(jiǎn)單 實(shí)時(shí) 檢測(cè)植物的葉綠素含量提供了可能 1 將數(shù)學(xué)的 統(tǒng) 計(jì)的 信息的分析方法應(yīng)用到分析測(cè)量領(lǐng)域 可以方 便地利用全譜分析技術(shù)快速 準(zhǔn)確 實(shí)時(shí)地檢測(cè)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(yíng)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(luò)和支持向量機(jī)進(jìn)行光譜的定量分析 研究整 株溫室黃瓜營(yíng)養(yǎng)狀態(tài) 1 光譜分析的一般流程 利用光譜分析技術(shù)對(duì)葉片所含的化學(xué)成分進(jìn)行 測(cè)量 主要包括建模與預(yù)測(cè)兩個(gè)步驟 其中 建模過(guò) 程的主要任務(wù)是根據(jù)已知的標(biāo)準(zhǔn)成分含量與葉片的 光譜反射率建立模型 并對(duì)模型進(jìn)行檢驗(yàn) 2 預(yù)測(cè)過(guò) 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(duì)未知的成分含量進(jìn)行預(yù)測(cè) 收稿日期 2012 07 24 基金項(xiàng)目 國(guó)家 863 計(jì)劃 項(xiàng)目 2006AA10A302 作者簡(jiǎn)介 趙國(guó)富 1971 男 山東濰坊人 高級(jí)工程師 碩士 E mail 617652039 qq com 1 1 光譜校正模型的建立與檢驗(yàn) 首先采樣 利用化學(xué)分析方法測(cè)量出實(shí)際所含的 化學(xué)成分值 即標(biāo)準(zhǔn)值 然后 利用光譜儀測(cè)量出樣品 的光譜數(shù)據(jù) 將所測(cè)得樣品數(shù)據(jù)分為兩個(gè)集合 即校 正集和預(yù)測(cè)集 對(duì)所測(cè)得的光譜信號(hào)和化學(xué)成分的標(biāo) 準(zhǔn)值進(jìn)行預(yù)處理 3 通過(guò)校正集的光譜信號(hào)和所測(cè)得 化學(xué)成分標(biāo)準(zhǔn)值的相關(guān)分析 選擇出需要的敏感波 長(zhǎng) 利用各種多元校正方法 如人工神經(jīng)網(wǎng)絡(luò) ANN 支持向量機(jī) Support Vector Machine 和主成分回歸 PCR 等 建立校正模型 通過(guò)預(yù)測(cè)集的光譜信號(hào)和 建立的校正集模型預(yù)測(cè)出對(duì)應(yīng)的化學(xué)成分值 將預(yù)測(cè) 值與標(biāo)準(zhǔn)值進(jìn)行對(duì)比 對(duì)校正模型進(jìn)行檢驗(yàn) 1 2 未知化學(xué)成分值的預(yù)測(cè) 建立光譜校正模型和對(duì)校正模型驗(yàn)證的目的是 利用校正模型 快速準(zhǔn)確地預(yù)測(cè)未知的化學(xué)成分含量 值 2 首先 測(cè)量未知樣品的光譜信號(hào) 然后 進(jìn)行預(yù) 處理 選擇適當(dāng)?shù)男ＵＰ?利用該模型和未知樣品 的光譜信號(hào)預(yù)測(cè)出化學(xué)成分含量 2 光譜的定量分析 利用光譜分析對(duì)樣品組分含量進(jìn)行定量分析是 光譜分析的一個(gè)重要應(yīng)用 在本文中 所得的光譜一 般是由許多波長(zhǎng)處的反射率構(gòu)成的 每個(gè)波長(zhǎng)所對(duì)應(yīng) 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(gòu)成的多變量數(shù)據(jù) 人工神經(jīng) 網(wǎng)絡(luò)分析 4 7 與支持向量機(jī)分析等新的分析方法不 僅適合于線(xiàn)性研究 而且適用于非線(xiàn)性研究 試驗(yàn)作物選擇黃瓜 品種為京研迷你 1 號(hào) 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(duì) 黃瓜實(shí)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(jī) 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(biāo)號(hào)為 A E 并分別賦予了它們一個(gè)營(yíng)養(yǎng)值 用以代 表作物的營(yíng)養(yǎng)狀態(tài) 如表 1 所示 表 1 溫室黃瓜的營(yíng)養(yǎng)狀態(tài) 標(biāo)號(hào) 基質(zhì)配比 草炭 蛭石 營(yíng)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(zhǎng)期內(nèi) 共做了 11 次試驗(yàn) 每次試驗(yàn) 在每個(gè)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(jìn)行平均 作為整個(gè)小區(qū)的光譜 數(shù)據(jù)值 2 1 相關(guān)分析 首先 將 11 次試驗(yàn)的 55 組試驗(yàn)數(shù)據(jù)分為兩個(gè)集 合 即校正集和預(yù)測(cè)集 其中 校正集有 35 組試驗(yàn)數(shù) 據(jù) 預(yù)測(cè)集含有 20 組試驗(yàn)數(shù)據(jù) 圖 1 顯示了黃瓜的 整株光譜數(shù)據(jù)與其營(yíng)養(yǎng)狀態(tài)值在 400 900 nm 波段 范圍內(nèi)的相關(guān)系數(shù)圖 圖 1 整株光譜與其營(yíng)養(yǎng)狀態(tài)值的相關(guān)系數(shù)圖 由圖 1 可知 黃瓜的整株光譜數(shù)據(jù)與其營(yíng)養(yǎng)狀態(tài) 值的相關(guān)系數(shù)比較低 最大不超過(guò) 0 5 但是從圖中 也可以看到 在可見(jiàn)光 500 710 nm 范圍內(nèi) 相關(guān)系 數(shù)是負(fù)值 而 710 nm 以上相關(guān)系數(shù)則為正 這說(shuō)明 在可見(jiàn)光范圍內(nèi)與其營(yíng)養(yǎng)狀態(tài)值是負(fù)相關(guān)的關(guān)系 即 隨著營(yíng)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(guān)的關(guān)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(jìn)一步探索光譜數(shù)據(jù)與營(yíng)養(yǎng)狀態(tài)值的相關(guān) 關(guān)系 對(duì)光譜數(shù)據(jù)做了一階微分處理后重新求在整個(gè) 波段范圍內(nèi)的相關(guān)系數(shù) 所得結(jié)果見(jiàn)圖 2 所示 圖 2 微分光譜與營(yíng)養(yǎng)狀態(tài)值的相關(guān)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(yíng)養(yǎng)狀態(tài)值的相關(guān)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(guān)系數(shù) 2 2 基于 BP 算法的人工神經(jīng)網(wǎng)絡(luò)分析 人工神經(jīng)網(wǎng)絡(luò) Artificial Neural Networks 是對(duì)人 腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬 實(shí)際 應(yīng)用中神經(jīng)網(wǎng)絡(luò)模型大多采用 BP 網(wǎng)絡(luò)及其變化形 式 BP 網(wǎng)絡(luò)主要應(yīng)用于函數(shù)逼近和模式識(shí)別等方 面 在本文中 用 BP 網(wǎng)絡(luò)的函數(shù)逼近來(lái)建立模型 BP 網(wǎng)絡(luò)是基于 BP 誤差傳播算法的多層前饋網(wǎng) 絡(luò) 多層 BP 網(wǎng)絡(luò)不僅有輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn) 而且還 有一層或多層隱含節(jié)點(diǎn) 應(yīng)用 BP 神經(jīng)網(wǎng)絡(luò)分析 首先需要確定網(wǎng)絡(luò)的輸 入函數(shù)與傳遞函數(shù) 其次 確定隱層神經(jīng)元的個(gè)數(shù) 最 后確定學(xué)習(xí)速率 8 根據(jù)上述分析 選取微分后的 3 個(gè)敏感波長(zhǎng) 736 688 506nm 作為 3 層 BP 網(wǎng)絡(luò)的輸入層中的神經(jīng)元 中間層神經(jīng)元個(gè)數(shù)選擇為 20 個(gè) 所得 3 層 BP 網(wǎng)絡(luò)結(jié) 構(gòu)如圖 3 所示 圖 3 3 層 BP 網(wǎng)絡(luò)的結(jié)構(gòu)圖 91 2013 年 8 月 農(nóng) 機(jī) 化 研 究 第 8 期 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)設(shè)置如表 2 所示 表 2 神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置表 結(jié)點(diǎn)數(shù) 輸入層 隱含層 輸出層 學(xué)習(xí)速率 學(xué)習(xí)誤差 3 20 1 0 5 1 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練仍然選用自適應(yīng)修改學(xué)習(xí)率的算 法 網(wǎng)絡(luò)的訓(xùn)練過(guò)程如圖 4 所示 圖 4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖 訓(xùn)練好網(wǎng)絡(luò)后 首先利用訓(xùn)練的數(shù)據(jù)來(lái)校驗(yàn)網(wǎng)絡(luò) 的性能 即利用網(wǎng)絡(luò)的輸出與目標(biāo)輸出進(jìn)行線(xiàn)性回歸 來(lái)分析網(wǎng)絡(luò)輸出和目標(biāo)輸出的關(guān)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(luò)的 實(shí)際輸出與目標(biāo)輸出進(jìn)行線(xiàn)性回歸 所得的 R 值達(dá)到 了 0 937 說(shuō)明網(wǎng)絡(luò)具有比較高的自預(yù)測(cè)能力 完成網(wǎng)絡(luò)的訓(xùn)練和校驗(yàn)后 下一步的工作便是利 用該網(wǎng)絡(luò)進(jìn)行預(yù)測(cè) 為了進(jìn)一步檢驗(yàn)該網(wǎng)絡(luò)的預(yù)測(cè) 效果 用驗(yàn)證數(shù)據(jù)集合中的數(shù)據(jù)對(duì)上面所建網(wǎng)絡(luò)進(jìn)行 了驗(yàn)證 結(jié)果如圖 5 b 所示 由圖 5 b 可以看出 網(wǎng) 絡(luò)的預(yù)測(cè)值與實(shí)際的測(cè)量值具有很高的相關(guān)性 其 R 值達(dá)到了 0 716 說(shuō)明該網(wǎng)絡(luò)具有比較好的性能 可以 用其去預(yù)測(cè)溫室黃瓜營(yíng)養(yǎng)狀態(tài) 2 3 基于支持向量機(jī)的光譜分析 20 世紀(jì) 90 年代中期 支持向量機(jī) 5 9 11 統(tǒng)計(jì)學(xué)習(xí) 理論提出了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則 總是采用具有最低 復(fù)雜度的函數(shù)集 該理論致力于尋找在小樣本情況 下學(xué)習(xí)問(wèn)題的最優(yōu)解 使得統(tǒng)計(jì)學(xué)習(xí)理論在小樣本下 同樣能具有推廣價(jià)值 支持向量機(jī)的回歸原理與分類(lèi)問(wèn)題不同的是 回 歸的樣本點(diǎn)只有一類(lèi) 所尋求的最優(yōu)超平面不是使兩 類(lèi)樣本點(diǎn)分的最開(kāi) 而是使所有樣本點(diǎn)離超平面的 總偏差 最小 這時(shí)樣本點(diǎn)都在兩條邊界之間 求最 優(yōu)回歸超平面同樣等價(jià)于求最大間隔 如圖 6 所示 圖 6 支持向量機(jī)回歸原理圖 根據(jù)相關(guān)分析 選取微分后的 3 個(gè)敏感波長(zhǎng) 736 688 506nm 作為支持向量機(jī)回歸的輸入 用校正集 的 35 個(gè)樣本進(jìn)行 SVM 回歸建模校正 用預(yù)測(cè)集的 20 個(gè)樣本進(jìn)行溫室黃瓜營(yíng)養(yǎng)狀態(tài)值的預(yù)測(cè) 研究結(jié)果證明 取線(xiàn)性 不敏感損失函數(shù) 利用 anova 核函數(shù)進(jìn)行的 SVM 回歸模型 其預(yù)測(cè)能力最好 所采用的校正模型的參數(shù)見(jiàn)表 3 所示 同時(shí) 以所建 立的 SVM 回歸模型對(duì) 15 個(gè)樣本的溫室黃瓜營(yíng)養(yǎng)狀態(tài) 值進(jìn)行預(yù)測(cè) 表 3 支持向量機(jī)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(duì)模型的自預(yù) 測(cè)能力進(jìn)行檢驗(yàn) 結(jié)果如圖 7 a 所示 相關(guān)系數(shù)達(dá) 到了 0 999 說(shuō)明模型的自預(yù)測(cè)能力相當(dāng)高 完全可以 滿(mǎn)足需要 完成模型的自預(yù)測(cè)能力檢驗(yàn)后 便要檢驗(yàn)?zāi)Ｐ偷?實(shí)際預(yù)測(cè)能力 結(jié)果如圖 7 b 所示 利用支持向量 機(jī)模型的預(yù)測(cè)值與實(shí)測(cè)值之間具有較高的相關(guān)性 R 值為 0 778 說(shuō)明此模型具有較好的預(yù)測(cè)能力 02 2013 年 8 月 農(nóng) 機(jī) 化 研 究 第 8 期 圖 7 預(yù)測(cè)結(jié)果 3 結(jié)束語(yǔ) 本文探索了基于溫室黃瓜的整株光譜判斷黃瓜 營(yíng)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(luò)和支持向量機(jī)所建立的回歸模型 在一 定程度上提高了模型的自預(yù)測(cè)能力和實(shí)際預(yù)測(cè)能力 由于整個(gè)研究過(guò)程中反射率的采集均是以自然光照 作為光源 因此會(huì)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(duì)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(xiàn) 1 沈掌泉 王珂 王人潮 基于水稻生長(zhǎng)模擬模型的光譜估 產(chǎn)研究 J 遙感技術(shù)與應(yīng)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(shù) M 北京 中國(guó)石化出版社 2000 3 王惠文 偏最小二乘回歸方法及其應(yīng)用 M 北京 國(guó)防 工業(yè)出版社 1999 4 祝詩(shī)平 近紅外光譜品質(zhì)檢測(cè)方法研究 D 北京 中國(guó)農(nóng) 業(yè)大學(xué) 2003 5 吳靜珠 農(nóng)產(chǎn)品品質(zhì)檢測(cè)中近紅外光譜分析技術(shù)研究 D 北京 中國(guó)農(nóng)業(yè)大學(xué) 2006 6 胡守仁 神經(jīng)網(wǎng)絡(luò)導(dǎo)論 M 長(zhǎng)沙 國(guó)防科技大學(xué)出版社 1992 7 叢爽 面向 Matlab 工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用 M 安 徽 中國(guó)科學(xué)技術(shù)大學(xué)出版社 1999 8 趙朋 基于 GIS 的蘋(píng)果病蟲(chóng)害管理信息系統(tǒng)的研究與開(kāi) 發(fā) D 北京 中國(guó)農(nóng)業(yè)大學(xué) 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(jī) SVM 的研究進(jìn)展 J 測(cè)控技術(shù) 2006 25 5 7 12 11 張錄達(dá) 金澤宸 沈曉南 等 SVM 回歸法在近紅外光譜 定量分析中的應(yīng)用研究 J 光譜學(xué)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(jī) 化 研 究 第 8 期