基于高光谱深度特征的油菜叶片锌含量检测

• Published in: 农业工程学报 Vol. 40; no. 19; pp. 262 - 271
• Main Authors: 周鑫, 王坚, 赵春江, 孙俊, 史磊
• Format: Journal Article
• Language: Chinese
• Published: 江苏大学智能农机装备理论与技术重点实验室,镇江 212013 01.10.2024; 北京市农林科学院信息技术研究中心,北京 100097; 国家农业信息化工程技术研究中心,北京 100097; 省部共建现代农业装备与技术协同创新中心,镇江 212013%江苏大学电气信息工程学院,镇江 212013%江苏大学电气信息工程学院,镇江 212013; 江苏大学电气信息工程学院,镇江 212013
• Subjects: deep learning; transfer learning; 高光谱图像; heavy metals; silicon environment; 深度学习; 硅环境; hyperspectral image; 迁移学习; 无损检测; non-destructive testing; 重金属
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202404222

S126; 为了实现油菜叶片锌含量的快速无损检测,该研究采用一种基于高光谱成像技术结合深度迁移学习算法的高精度检测方法,通过无土栽培的方式,设置 10个不同胁迫类别(2种不同硅浓度环境结合 5个不同锌胁迫梯度),获取无硅环境和有硅环境中重金属锌胁迫下总计 4 000个油菜叶片样本.利用高光谱成像设备采集油菜叶片样本高光谱图像信息,并将整个叶片作为感兴趣区域获取其平均光谱信息.通过对比不同预处理后光谱对硅作用下油菜叶片锌含量预测性能,确立标准正态变量变换(standard normalized variable,SNV)算法作为最佳预处理方法,并对SNV处理的光谱数据进行进一步分析.利用堆叠自编码器(stacked auto-encoder,SAE)对预处理后的最佳光谱数据进行降维,并与传统的降维算法进行比较.最后,对最优SAE深度学习网络进行迁移学习,得到迁移堆叠自编码器(transfer stacked auto-encoder,T-SAE)模型,验证无硅环境和有硅环境中深度学习模型之间的可迁移性.结果表明,基于SAE提取深度特征的支持向量机回归(support vector machine regression,SVR)模型对无硅环境或有硅环境中油菜叶片中锌含量的预测效果较好.无硅环境和有硅环境中所建立的SNV-SAE-SVR模型性能较佳,预测集的决定系数(Rp2)、均方根误差(RMSEP)和相对分析误差(RPD)分别为 0.850 7、0.034 66 mg/kg和 2.607,0.876 6、0.028 54 mg/kg和 2.732.此外,基于T-SAE提取深度特征的SVR模型能有效实现无硅环境和有硅环境中锌含量的预测,最佳SNV-T-SAE-SVR模型预测集的Rp2、RMSEP和RPD分别为 0.881 0、0.027 48 mg/kg和 2.966.研究结果表明,深度迁移学习方法结合高光谱成像无损检测技术能够有效实现油菜叶片锌含量检测.