一种基于反射透射光谱的水稻籽粒品质性状无损预测方法技术

本发明专利技术公开了一种基于反射透射光谱的水稻籽粒品质性状无损预测方法。首先使用研发的集成高光谱反射和透射光谱成像系统采集水稻籽粒的反射与透射光谱信息，经图像处理提取光谱数据；其次，使用传统化学方法测定水稻籽粒品质性状参数；接着通过相关性分析、非信息变量筛选法、竞争性自适应重加权采样法和连续投影算法筛选与水稻籽粒品质性状高度关联的特征光谱，并以特征光谱集合为自变量，品质性状人工值为因变量建模，建模回归方法包括逐步线性回归、偏最小二乘回归、支持向量机回归、随机森林和CNN

【技术实现步骤摘要】
一种基于反射透射光谱的水稻籽粒品质性状无损预测方法


[0001]本专利技术属于农业自动化及农业信息
，具体涉及一种基于反射透射光谱的水稻籽粒品质性状无损预测方法。

技术介绍

[0002]对于水稻籽粒品质性状的测量，传统化学方法其过程通常包括脱壳、研磨、仪器分析成分含量等，耗时费力并且结果易受人工操作等方面的影响，属于有损测量。随着光学成像技术、计算机信息技术等发展，光谱技术成为农产品品质无损预测的重要途径。
[0003]肖昕等(2004)通过近红外透射光谱技术建立了精米蛋白质含量的3种回归模型；薛利红等(2004)研究发现水稻籽粒加工品质与成熟期冠层光谱反射光谱指数呈显著负相关，而籽粒蛋白质含量则与大多数生育期的冠层光谱比值指数和归一化指数呈极显著相关；唐延林等(2006)研究发现稻穗和糙米粗蛋白质含量与灌浆期、乳熟期的冠层光谱反射率ρ_λ及其一阶导数光谱D_λ、冠层光谱RVI均具有较好的相关性，某些波段甚至达到了显著和极显著相关水平；张浩等(2012)研究发现盆栽水稻籽粒蛋白质含量在700
‑
1000nm波长下其冠层光谱具有明显的反射率差异；张骁等(2021)以水稻米粉和干穗反射光谱为基础，研究发现相较于归一化光谱指数，敏感小波特征可有效提高直链淀粉含量预测精度。前人的研究分析表明，光谱透射、反射特性均可用于水稻籽粒品质性状的无损预测，但大多研究中仅能预测少量的品质性状指标，且采用的样本量较少，模型的适用性有待商榷。
[0004]高光谱成像技术因其在获得光谱信息上的高分辨率，近年来在无损检测方面已得到广泛应用。通过高光谱成像系统获取到的数据立方不仅有图像上每个点的光谱数据信息，而且在光谱维度上展开还可以获得任一个谱段下的图像信息。此外，由于水稻籽粒的品质性状在不同波段下反射结果有差异，因而可以通过选择特征波段对于品质性状进行预测。
[0005]传统化学方法获得水稻籽粒品质性状参数耗时费力，对样本有损且准确度不高，而当前通过反射与透射光谱同时无损预测的品质性状指标较少，且模型的精度与适用性有待提高。随着计算机与信息科学的发展，机器学习、人工智能技术正促使传统数据分析方法变革。结合信息技术与高光谱成像技术，通过对高光谱图像数据进行数学建模，可实现利用高光谱预测出品质性状参数。

技术实现思路

[0006](一)要解决的技术问题
[0007]传统化学方法获得水稻籽粒品质性状参数耗时费力，对样本有损且准确度不高，而通过反射和透射光谱同时预测的品质性状指标较少，且模型精度与适用性有待提高。为克服这些问题，本专利技术提出了一种基于反射透射光谱的水稻籽粒品质性状无损预测方法。
[0008](二)技术方案
[0009]为了解决其技术问题，本专利技术提供了一种基于反射透射光谱的水稻籽粒品质性状
无损预测方法。该方法包括以下步骤：
[0010]步骤A，搭建集成高光谱反射和透射光谱成像系统，采集多粒健康饱满的水稻籽粒的反射和透射光谱图像，提取得到反射和透射光谱数据；
[0011]步骤B，将水稻籽粒脱壳、研磨，获得稻米粉末，并以传统化学方法获得水稻籽粒品质性状参数；
[0012]步骤C，对步骤A获得的反射和透射光谱数据进行处理，获得特征光谱集合；
[0013]步骤D，以特征光谱集合为自变量，以品质性状人工值为因变量，建立品质性状
‑
水稻籽粒特征光谱回归预测模型；
[0014]步骤E，筛选最优模型，并以最优模型进行水稻籽粒品质性状的无损预测。
[0015]更具体地，步骤A中提取得到反射和透射光谱数据，具体是通过如下方式：光谱图像信息以波段按行交叉存储的二进制数据文件格式保存于系统工作站；采用C++进行图像数据重整，提取各波段下的高光谱图像；将各波段下的高光谱图像两两循环相除，结合OTSU算法进行图像分割，获得二值图，并筛选出分割效果最佳的二值图，将其与各波段下的高光谱图像进行掩膜，得到仅含水稻籽粒的掩膜图像；基于各掩膜图像，提取反射和透射光谱数据。
[0016]更具体地，步骤B中的水稻籽粒品质性状参数包括蛋白质含量、直链淀粉含量、水分含量、糊化温度和胶稠度中的一种或几种。
[0017]更具体地，步骤C中对反射和透射光谱数据进行处理，获得特征光谱集合，具体采用如下方式：基于简单移动平均法、SG卷积平滑法以及快速傅里叶变换法对反射和透射光谱数据进行平滑预处理，再计算平滑后光谱值的衍生光谱数据，包括一阶导数和二阶导数；将平滑后的光谱数据及其衍生光谱数据与品质性状人工值进行皮尔逊相关分析，以确定光谱数据与品质性状的相关性，进而筛选得到与品质性状高度相关的光谱数据集合S1，同时分别采用UVE、CARS和SPA筛选特征波长，获得特征波长对应的光谱数据集合S2、S3和S4；寻找光谱数据集合S1、S2、S3和S4的交集，得到的结果作为特征光谱集合。
[0018]更具体地，步骤D中采用逐步线性回归方法建立品质性状
‑
水稻籽粒高光谱特征光谱回归预测模型，具体方式为，
[0019]步骤D1，在特征光谱集合中，每次选择一个变量与候选集合共同建立光谱
‑
品质性状线性回归模型；候选集合初始为空；
[0020]步骤D2，找到步骤D1中所有模型中赤池信息准则AIC得分最小的模型，选择对应的变量加入候选集合；
[0021]步骤D3，重复步骤D1和D2，直到赤池信息准则AIC得分不再变小时停止，最后在候选集合中的变量称为AIC初选变量；
[0022]步骤D4，以贝叶斯信息准则BIC为评价指标，重复D1
‑
D3步骤得到BIC初选变量；
[0023]步骤D5，求出AIC初选变量与BIC初选变量两者的交集得到最终变量；
[0024]步骤D6，使用最终变量建立线性回归模型，对变量的方差膨胀因子VIF值进行降序排序，依次从高到低删除一个变量；
[0025]步骤D7，重复步骤D6，直到回归模型的所有变量的方差膨胀因子VIF都小于10时停止；
[0026]步骤D8，以步骤D7中筛选的变量作为输入，建立线性回归模型。
[0027]更具体地，步骤D中采用传统非线性回归方法建立品质性状
‑
水稻籽粒高光谱特征光谱回归预测模型，具体方式为，对偏最小二乘回归根据经验设置主成分的范围(0
‑
N)，接着通过贝叶斯优化算法来确定偏最小二乘回归的最佳主成分大小；贝叶斯优化算法在每次迭代时，利用之前得到的信息来对下一次迭代进行优化，具体方式为：首先划分测试集和验证集，接着初始化主成分个数为N/2来拟合一个回归模型，计算在验证集上的损失；然后利用二分查找算法不断迭代来确定主成分个数，计算在验证集上的损失；经过多轮迭代之后选择在验证集上得分最高的回归模型，此时对应的K即为最佳主成分大小。
[0028]更具体地，步骤D中采用机器学习回归方法建立品质性状
‑
水稻籽粒高光谱特征光谱回归预测模型，具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于反射透射光谱的水稻籽粒品质性状无损预测方法，其特征在于，包括以下步骤，步骤A，搭建集成高光谱反射和透射光谱成像系统，采集多粒健康饱满的水稻籽粒的反射和透射光谱图像，提取得到反射和透射光谱数据；步骤B，将水稻籽粒脱壳、研磨，获得稻米粉末，并以传统化学方法获得水稻籽粒品质性状参数；步骤C，对步骤A获得的反射和透射光谱数据进行处理，获得特征光谱集合；步骤D，以特征光谱集合为自变量，以品质性状人工值为因变量，建立品质性状
‑
水稻籽粒特征光谱回归预测模型；步骤E，筛选最优模型，并以最优模型进行水稻籽粒品质性状的无损预测。2.根据权利要求1所述的一种基于反射透射光谱的水稻籽粒品质性状无损预测方法，其特征在于，步骤A中提取得到反射和透射光谱数据，具体是通过如下方式：光谱图像信息以波段按行交叉存储的二进制数据文件格式保存于系统工作站；采用C++进行图像数据重整，提取各波段下的高光谱图像；将各波段下的高光谱图像两两循环相除，结合OTSU算法进行图像分割，获得二值图，并筛选出分割效果最佳的二值图，将其与各波段下的高光谱图像进行掩膜，得到仅含水稻籽粒的掩膜图像；基于各掩膜图像，提取反射和透射光谱数据。3.根据权利要求1所述的一种基于反射透射光谱的水稻籽粒品质性状无损预测方法，其特征在于，步骤B中的水稻籽粒品质性状参数包括蛋白质含量、直链淀粉含量、水分含量、糊化温度和胶稠度中的一种或几种。4.根据权利要求1所述的一种基于反射透射光谱的水稻籽粒品质性状无损预测方法，其特征在于，步骤C中对反射和透射光谱数据进行处理，获得特征光谱集合，具体采用如下方式：基于简单移动平均法、SG卷积平滑法以及快速傅里叶变换法对反射和透射光谱数据进行平滑预处理，再计算平滑后光谱值的衍生光谱数据，包括一阶导数和二阶导数；将平滑后的光谱数据及其衍生光谱数据与品质性状人工值进行皮尔逊相关分析，以确定光谱数据与品质性状的相关性，进而筛选得到与品质性状高度相关的光谱数据集合S1，同时分别采用非信息变量筛选法UVE、竞争性自适应重加权采样法CARS和连续投影算法SPA筛选特征波长，获得特征波长对应的光谱数据集合S2、S3和S4；寻找光谱数据集合S1、S2、S3和S4的交集，得到的结果作为特征光谱集合。5.根据权利要求1所述的一种基于反射透射光谱的水稻籽粒品质性状无损预测方法，其特征在于，步骤D中采用逐步线性回归方法建立品质性状
‑
水稻籽粒高光谱特征光谱回归预测模型，具体方式为，步骤D1，在特征光谱集合中，每次选择一个变量与候选集合共同建立光谱
‑
品质性状线性回归模型；候选集合初始为空；步骤D2，找...

【专利技术属性】
技术研发人员：冯慧，杨万能，宋京燕，高远，赵爽，李为坤，叶军立，熊立仲，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：