专利名称：一种基于光谱技术的小麦叶片糖氮比快速检测方法
技术领域：
本发明涉及一种基于光谱技术的小麦叶片糖氮比快速检测方法，属于作物栽培管 理技术领域。特别涉及作物生长信息中生理参数的获取，用于对小麦叶片糖氮比进行快速 准确检测。
背景技术：
快速获取作物生长信息并进行定量诊断和变量管理是精确农业体系中的关键技 术之一。植物体内糖氮比能直接反映植株生长和发育状况，因此快速检测小麦叶片糖氮 比不仅有助于实现作物氮素营养科学运筹和精确施肥技术，而且有助于实现优质、高产、高 效、生态和安全的农业目标。长期以来，作物糖氮比的检测一直采用人工破坏性取样并测定，其缺陷是耗时、费 力、不经济。近年来，基于光谱方法的植株生化组分检测由于快速、准确且高效等优点而被 广泛应用，但已有的研究均为单一的检测碳、氮和色素等化学组分，鲜有直接利用光谱信息 预测植株糖氮比。目前，用于定量监测小麦和水稻叶片糖氮比的光谱信息，主要为在室外获 取的冠层光谱信息，由于受到冠层结构、土壤背景等因素的影响，导致精确度不够高；且其 预测模型主要基于大量样本的统计回归分析得到，很难外推应用到其他环境条件。因此，迫 切需要一种准确、快速预估小麦叶片糖氮比信息的光谱技术和方法。

发明内容
本发明的目的是为克服上述现有技术耗时、繁琐、精确度不高的缺陷，提出一种基 于光谱技术的小麦叶片糖氮比的快速检测方法，该方法可以快速、准确地检测出小麦叶片 糖氮比。本发明是通过以下技术方案实现的一种基于光谱技术的小麦叶片糖氮比快速检测方法，包括采集样品光谱，其特征 是将利用近红外光谱及光谱采集平台采集的小麦叶片光谱基于TQ Analyst 7. 0平台进行 预处理，应用偏最小二乘法对预处理的光谱数据进行分析，提取特征光谱，将特征光谱输入 小波神经网络模型中，检测得到小麦叶片糖氮比。上述利用近红外光谱及光谱采集平台采集的小麦叶片近红外光谱步骤为先采集 背景光谱，然后采集样品光谱；光谱采集参数为扫描次数为8、16、32、64或128，光谱范围 1100 2500nm，分辨率为0. 25、0. 5、1、2、4或8。优选光谱采集参数为扫描次数为64，光 谱范围1100 2500nm，分辨率为lnm。上述基于TQ Analyst 7. 0平台进行预处理主要包含以下步骤在光谱范围 1655 2378nm内，对光谱进行多元散射校正，Norris平滑处理和一阶导数处理。其中，多 元散射校正是利用I^thlength组件对光谱进行多元散射校正；平滑处理是利用Spectra组 件的Smoothing功能对光谱进行Norris平滑预处理；一阶导数处理是利用Regions组件对 光谱进行一阶导数预处理。
上述提取特征光谱为应用偏最小二乘法模型对预处理过的光谱数据进行分析，压 缩样品的光谱信息，提取6个特征光谱。根据交叉验证RMSECV最小时的主成分数为最佳特 征光谱个数，确定特征光谱为6个，如果采用的PLS主成分数过少，光谱中一些有用的信息 会被忽略，其模型预测准确度就会降低；如果采用过多的PLS主成分建模，就会将一些代表 噪声的主成分加到模型中，模型的预测能力也会下降。上述小波神经网络模型为运用Levevberg-Marquardt优化算法训练的小波神经 网络模型。该模型采用输入层、隐含层和输出层的三层结构模式，输入层节点数-隐含层节 点数-输出层节点数为6-7-1，输入层节点为6个特征光谱，隐含层节点数为训练网络时预 测值和真实值误差最小时的节点数7，输出层节点为小麦叶片糖氮比1。小波神经网络模型 隐含层传递函数采用小波函数Morlet，输入层到隐含层的权值和阈值分别为Morlet函数 的伸缩参数和平移参数。所述的Levevberg-Marquardt网络优化算法，学习速率为0. 01，最 大训练次数为1000，网络模型期望误差为0. 001。与现有技术比较本发明的有益效果本发明是将小麦叶片粉末装入石英杯，利用近红外光谱仪、InGaAs检测器漫反射 附件和OMNIC 7. 2软件采集背景光谱、小麦叶片粉末样品光谱，以吸光度为指标对样品的 光谱数据进行存储；在1655 2378nm的光谱范围内，利用I^thlength组件对光谱进行多 元散射校正，利用Spectra组件的Smoothing功能对光谱进行平滑处理，利用Regions组件 对光谱进行一阶导数处理；利用偏最小二乘法，压缩样品的光谱信息，提取6个特征光谱； 将特征光谱输入到小波神经网络，运用Levevberg-Marquardt优化算法训练网络，预测叶 片糖氮比。与现有技术比较本发明提出了一种快速检测小麦叶片糖氮比的光谱方法，并提 供了光谱仪工作运行的最佳参数，克服了传统方法存在的耗费人力、物力和财力的缺点，有 助于提高小麦作物生产的数字化和精确化管理水平。另外，通过对所采集光谱信息进行最 佳预处理后，提取特征光谱，利用小波神经网络组件预测小麦叶片糖氮比，革新了小麦叶片 糖氮比测定方法，改进了线性校正法不适合非线性关系的弱点，提高了预测的速度和效率， 增强了预测的机理性和准确性。


图1为本发明小麦叶片糖氮比检测流程图。图2为图1中预处理光谱数据结构示意图。图3为图1中的小波神经网络结构示意图。图4为小麦叶片粉末OTR原始光谱曲线图。图5为经过预处理的小麦叶片粉末光谱曲线图。图6为主成分数随RMSECV变化趋势图。其中，图2中，步骤SO =Pathlength组件对光谱进行多元散射校正预处理；步骤 Sl =Spectra组件对光谱进行平滑预处理；步骤S2 =Regions组件对光谱进行一阶导数预处理。
具体实施例方式实施例1
如图1所示流程图，将小麦干叶粉末(过筛30目，含水量10%)装入内径2. 5cm、 高5cm的石英杯并置于样品台，在OMNIC 7. 2软件(热电尼高力公司，麦迪逊，威斯康星州， 美国)中调整Thermo Nicolet 5700FT4R近红外光谱仪，使得仪器的能量达到3以上，设 置工作参数扫描次数64，光谱范围1100 2500nm，分辨率lnm。利用InGaAs检测器漫反 射附件，首先采集背景光谱，通过对近红外光谱仪自带的镀金内壁附件进行1次光谱采集 实现，然后采集样品光谱，每份样品重复采集光谱3次，取平均值代表该样品的光谱，背景 光谱每隔10分钟重新采集一次，最后以吸光度为指标对样品的光谱数据进行存储，见图4。对存储的光谱数据利用TQ Analyst 7. 0平台进行光谱预处理；应用偏最小二乘 模型对预处理过的光谱数据进行分析并提取特征光谱，根据交叉验证RMSECV最小时的主 成分数为最佳特征光谱个数，确定特征光谱为6个，见图6 ；运用三层小波神经网络检测出 小麦叶片糖氮比数值。参照图2所示流程图，基于TQ Analyst 7. 0平台对样品光谱进行最佳预处理，主 要包含以下步骤在光谱范围1655 2378nm内，利用I^thlength组件对光谱进行多元散射校正 (MultiplicativeScatter Correction,MSC)预处理，利用 Spectra 组件的 Smoothing 功能 对光谱进行Norris平滑预处理(Norris Derivative Filter, NDF)，利用Regions组件对 光谱进行一阶导数预处理(FirstDerivative，FD)，完成对样品原始光谱在1655 2378nm 范围内先后进行MSC+NDF+FD的预处理。见图5。参照图3，小波神经网络模型(WNN)是基于美国MATLAB 7. 0. 1中的NNET工具箱编 程实现，采用输入层、隐层和输出层的三层结构形式。主要包含以下步骤将PLS法提取的6个特征光谱作为WNN的输入层输入网络，输入层节点数为6 ； 输出层节点数为1，即为预测的叶片糖氮比数值；输入层到隐层的权值及隐层阀值分别由 Morlet小波函数来确定；隐层传递函数采用Morlet函数，最佳隐层节点数为7。将WNN的 学习速率设为0. 01，优化算法选择Levevberg-Marquardt，最大训练次数设为1000，期望误 差设为0. 001，驱动WNN模型，即可输出小麦叶片糖氮比数值。将小麦叶片糖氮比模型的预 测值和传统方法获得的观测值作对比得到以下结果及模型的表现，详见表1，结果显示本方 法准确性较高。表1小麦叶片糖氮比预测值与传统方法观测值对比表
权利要求
1.一种基于光谱技术的小麦叶片糖氮比快速检测方法，包括采集样品光谱，其特征在 于将利用近红外光谱及光谱采集平台采集的小麦叶片光谱基于TQ Analyst 7. 0平台进行 预处理，应用偏最小二乘法对预处理的光谱数据进行分析，提取特征光谱，将特征光谱输入 小波神经网络模型中，检测得到小麦叶片糖氮比。
2.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在 于所述的利用近红外光谱及光谱采集平台采集的小麦叶片近红外光谱步骤为先采集背 景光谱，然后采集样品光谱；光谱采集参数为扫描次数为8、16、32、64或128，光谱范围 1100 2500nm，分辨率为 0. 25、0. 5、1、2、4 或 8。
3.根据权利要求2所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于 所述的光谱最佳采集参数为扫描次数为64，光谱范围110(T2500nm，分辨率1 nm。
4.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于 所述的基于TQ Analyst 7. 0平台进行预处理主要包含以下步骤在光谱范围1655 2378 nm内，对光谱进行多元散射校正，Norris平滑处理和一阶导数处理。
5.根据权利要求4所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于 所述的多元散射校正是利用I^thlength组件对光谱进行多元散射校正，所述的平滑处理 是利用Spectra组件的Smoothing功能对光谱进行Norris平滑预处理，所述的一阶导数处 理是利用Regions组件对光谱进行一阶导数预处理。
6.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于 所述的提取特征光谱为应用偏最小二乘法模型对预处理过的光谱数据进行分析，压缩样品 的光谱信息，提取6个特征光谱。
7.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于 所述的小波神经网络模型为运用Levevberg-Marquardt优化算法训练的小波神经网络模 型。
8.根据权利要求7所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于 所述的运用Levevberg-Marquardt优化算法训练的小波神经网络模型为采用输入层、隐含 层和输出层的三层结构模式，输入层节点数-隐含层节点数-输出层节点数为6-7-1，输入 层节点为6个特征光谱，隐含层节点数为训练网络时预测值和真实值误差最小时的节点数 7，输出层节点为小麦叶片糖氮比1。
9.根据权利要求8所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于 所述的小波神经网络模型隐含层传递函数采用小波函数Morlet，输入层到隐含层的权值和 阈值分别为Morlet函数的伸缩参数和平移参数。
10.根据权利要求8所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在 于所述的Levevberg-Marquardt网络优化算法，学习速率为0. 01，最大训练次数为1000，网 络模型期望误差为0. 001。
全文摘要
本发明公开了一种基于光谱技术的小麦叶片糖氮比快速检测方法，属于作物栽培技术领域。首先将小麦叶片粉末装入石英杯，利用近红外光谱仪、InGaAs检测器漫反射附件和OMNIC7.2软件采集背景光谱和小麦叶片粉末样品光谱；接着在光谱范围1655~2378nm内，对光谱信息进行预处理；然后利用PLS提取6个特征光谱，将其输入到基于Levevberg-Marquardt优化算法的小波神经网络来快速检测小麦叶片糖氮比。本发明改进了传统的小麦叶片糖氮比测定方法的耗时性和繁琐性，改进了线性校正法不适合非线性关系的弱点，提高了预测的速度和效率，增强了预测的机理性和准确性。
文档编号G01N21/25GK102072884SQ201010543330
公开日2011年5月25日 申请日期2010年11月12日 优先权日2010年11月12日
发明者倪军, 姚霞, 曹卫星, 朱艳, 汤守鹏, 王薇, 田永超 申请人:南京农业大学