当前位置: 首页 > 专利查询>江苏大学专利>正文

基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法技术

技术编号:21888069 阅读:14 留言:0更新日期:2019-08-17 13:07
本发明专利技术公开了基于SAE‑LSSVR农作物镉含量Vis‑NIR光谱深度特征模型建立方法,初始化堆叠自动编码器的权值矩阵W和偏移量b,将光谱数据集合S作为i层的输入;从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合,利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R

Establishment of Vis-NIR Spectral Depth Characteristic Model for Cadmium Content in Crops Based on SAE-LSSVR

【技术实现步骤摘要】
基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法
本专利技术属于植物检测
,尤其涉及基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法。
技术介绍
在土壤-农作物生长发育体系中,重金属镉(Cd)对农作物胁迫效应日益加剧,造成农作物毒害效应、代谢紊乱和发育受损。问题的严重性还在于低浓度重金属在农作物体内积累的初期,不易为人们所注意或察觉,而一旦毒害作用比较明显表现出来后就难以消除。且重金属易在生菜茎叶部富集累积,可通过食物链危害人类健康和生命安全。已有研究表明食用含镉(Cd)生菜,轻则恶心呕吐、全身乏力,重则引起骨质酥松、骨骼病变,诱发骨癌以及心血管疾病等。因此,在不同镉胁迫下菜叶片中重金属含量的检测是十分必要的。高光谱成像技术是一种新兴的无损检测技术,有效的融合了光谱技术和成像技术,能同时获得待测样品的光谱和空间信息。不同镉浓度胁迫下,将对菜叶片的生长呈现不同作用(包括促进、抑制和毒害作用),叶绿素含量将呈现不同程度的变化。可见光-近红外高光谱图像技术能有效的反映了作物叶片内部色素和细胞结构的变化。为此,可见光-近红外高光谱成像技术可用于生菜叶片中镉的检测。采集得到的高光谱图像信息中往往包含噪声,在处理高光谱图像数据前需要适当的去噪算法。此外,为了更方便地找到光谱值与预测值之间的关系,需要找到一种合适的特征选择和定量建模方法。目前,对高光谱图像光谱数据的降维方法从数据相关性角度分为线性方法和非线性方法。主成分分析法、线性判别方法等作为传统的线性方法,都是采用线性映射的手段处理高光谱图像数据的,但是高光谱波段间较强的相关性导致了这些方法在最终处理效果上的不足,而深度学习作为非线性方法通过引入神经网络先天的非线性,弥补了这些不足。其中,深度学习分支之一的堆叠自动编码器是一种无监督深度学习算法,分别对每层深度网络进行训练,提取数据的深度特征,已广泛应用于模式识别、图像分类等领域,在高光谱数据分析中,通过提取高光谱数据深度特征,能够更加高效地进行降维处理。目前,堆叠自动编码器在光谱信息处理研究主要集中在光谱数据降维方面。现有技术中基于加权自动编码器的马尾松苗木根部水分快速检测方法,利用SG结合一阶微分对光谱进行预处理后,采用堆叠自动编码器进行高阶特征提取,而后构架LSSVR模型。也有研究利用自动编码器实现光谱数据压缩。但是采用上述两个专利技术专利算法存在未进行深层次算法嵌合,所建立模型仍存在编码器和解码器,并且所建立的模型结构复杂、随机性较大等问题。
技术实现思路
本专利技术根据现有技术中存在的问题,提出了基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法,目的在于提供一种检测速度快、精度高、对农作物叶片不会造成破坏的镉含量Vis-NIR光谱深度模型建立方法。本专利技术所采用的技术方案如下:基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法,包括以下部分:数据准备:采集不同浓度镉胁迫的样本的高光谱图像,对所高光谱图像进行预处理获得光谱数据集合S;同时测量样本中镉含量信息,形成镉含量标签集合V;构建模型:输入光谱数据集合S和镉含量标签集合V;初始化堆叠自动编码器的权值矩阵W和偏移量b,设置堆叠自动编码器网络结构,将光谱数据集合S作为i层的输入;从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合,利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R2和均方根误差RMSE,并将m-1赋值给m,当m=0时,预测集合SPi最大决定系数Rp2对应的节点数mc为i+1层最优节点数;并将mc、Rp2和Rp2对应的RMSEP进行存放;若第i层和第i+1层堆叠自动编码器最优节点数所对应的预测集决定系数RBi和RBi+1满足条件:||RBi+1-RBi||<ε,ε为误差,且i大于等于2,寻找最优堆叠自动编码器层数,完成模型。进一步,所述预测集决定系数RBi的计算方法为:yk和分别为预测集中第k个样本中镉实际测量值和模型预测值。是预测中镉实际测量的平均值,k取值为k取值为1、2、3、…、n,n为样本数。进一步,所述训练集合是分别从光谱数据集合S和镉含量标签集合V中抽取75%的数据;所述预测集合是从光谱数据集合S和镉含量标签集合V中抽取25%的数据;所述交叉验证集合是采用五折交叉验证法从训练集合SCi中获取交叉验证集合SVi。进一步,所述预处理的过程为:在所采集的高光谱图像信息中获取叶片ROI可见光-近红外光谱信息;采用一阶导数法结合标准归一化变换对叶片ROI可见光-近红外光谱信息进行处理获得光谱数据集合S。进一步,所述镉含量标签集合V获取的方法为:采用原子吸收光谱法测定叶片中重金属镉含量。本专利技术的有益效果:本专利技术是在提取不同镉胁迫农作物叶片Vis-NIR高光谱图像信息基础上,通过淹模图像获取整个叶片感兴趣区域光谱,利用SAE-LSSVR算法完成叶片镉含量Vis-NIR光谱特征建模,具有检测速度快,精度高,定量检测效果好,对待检测物不造成破坏的优点,可自主学习得到作物叶片深度语义信息,从而实现重金属镉胁迫定量检测。为重金属镉胁迫梯度诊断提供可靠的技术保障。附图说明图1是基于SAE-LSSVR的生菜叶片镉含量Vis-NIR光谱特征建模方法的流程图;图2是生菜叶片感兴趣区域Vis-NIR光谱图;图3是生菜叶片感兴趣区域Vis-NIR光谱数据一阶导数法(1stDer)结合标准归一化变换法(SNV)预处理后光谱图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本专利技术进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本专利技术,并不用于限定本专利技术。本专利技术所设计的基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法适用于农作物叶片重金属镉含量光谱检测,例如油菜、水稻、生菜等作物。不同重金属镉浓度胁迫下这些作物叶片中将形成一些富含N-H和O-H有机物(碳水化合物、氨基酸、蛋白质、多酚等)、以及叶细胞膜过氧化程度加深以增强叶片对镉的抗逆性,为此Vis-NIR光谱能有效表征作物叶片中重金属镉含量,本实施例仅以生菜叶片作为例子阐述,适用于生菜叶片中重金属镉含量定量检测。具体过程如下:步骤1,样本的制备:培育试验在Venlo型温室大棚内进行生菜的无土栽培,以便获取较纯正的实验样本。生菜样本拟选用意大利耐抽薹生菜。生菜种子首先在营养基质槽中进行育苗,在幼苗5-6叶期前采用营养液培养。营养液按照日本山崎配方进行配置,待长出新叶后选取长势较好且一致的生菜幼苗移植于珍珠岩固体基质中,1周之后进行镉胁迫处理。营养液中的Cd以CdCl2形式加入,镉浓度梯度设置为0mg/L(CK)、0.2mg/L、0.5mg/L、1mg/L、2mg/L、5mg/L、10mg/L,每个处理8次重复。培养期间每天用HCl或NaOH调节营养体系以稳定pH值,每天更换一次营养液并保持连续通气。于莲座期,采集相同位置的叶片用于Vis-NIR高光谱图像采集试验。步骤2,数据的准备:A,采用可见光-近红外高光谱图像采集系统,获取采集不同浓度重金属镉胁迫下的生菜叶片Vis-NIR高光谱图本文档来自技高网
...

【技术保护点】
1.基于SAE‑LSSVR农作物镉含量Vis‑NIR光谱深度特征模型建立方法,其特征在于,采集不同浓度镉胁迫的样本的高光谱图像,对所高光谱图像进行预处理获得光谱数据集合S;同时测量样本中镉含量信息,形成镉含量标签集合V;输入光谱数据集合S和镉含量标签集合V;初始化堆叠自动编码器的权值矩阵W和偏移量b,设置堆叠自动编码器网络结构,将光谱数据集合S作为i层的输入;从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合,利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R

【技术特征摘要】
1.基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法,其特征在于,采集不同浓度镉胁迫的样本的高光谱图像,对所高光谱图像进行预处理获得光谱数据集合S;同时测量样本中镉含量信息,形成镉含量标签集合V;输入光谱数据集合S和镉含量标签集合V;初始化堆叠自动编码器的权值矩阵W和偏移量b,设置堆叠自动编码器网络结构,将光谱数据集合S作为i层的输入;从光谱数据集合S和镉含量标签集合V中分别提取训练集合、预测集合和交叉验证集合,利用偏最小二乘支持向量机回归算法分别计算训练集合、预测集合和交叉验证集合对应的决定系数R2和均方根误差RMSE,并将m-1赋值给m,当m=0时,预测集合SPi最大决定系数Rp2对应的节点数mc为i+1层最优节点数;并将mc、Rp2和Rp2对应的RMSEP进行存放;若第i层和第i+1层堆叠自动编码器最优节点数所对应的预测集决定系数RBi和RBi+1满足条件:||RBi+1-RBi||<ε,ε为误差,且i大于等于2,寻找最优堆叠自动编码器层数,完成模型。2.根据权利要求1所述的基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立...

【专利技术属性】
技术研发人员:周鑫孙俊陈全胜芦兵武小红倪纪恒沈继锋
申请(专利权)人:江苏大学
类型:发明
国别省市:江苏,32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1