基于高光谱成像技术识别番茄干旱胁迫
文献类型：期刊论文
| 作者 | 贺露1; 万莉2; 高会议2
|
| 刊名 | 光谱学与光谱分析
 |
| 出版日期 | 2023 |
| 卷号 | 43 |
| ISSN号 | 1000-0593 |
| 关键词 | Hyperspectral imaging Tomato Drought stress Image and spectral features 高光谱成像 番茄 干旱胁迫 图谱特征 |
| 英文摘要 | 番茄果实营养丰富备受人们喜爱。番茄生长周期长,需水量大,水分含量是影响番茄植株生长发育的主要因素;快速发现番茄植株水分亏缺状态,对于科学有效地进行番茄的灌溉管理,保障和提高番茄的产量和品质具有重要意义。利用高光谱成像技术,实时识别番茄叶片干旱胁迫程度,提出了一种基于高光谱成像技术的番茄叶片干旱胁迫的识别方法。首先,选取红樱桃番茄为实验品种,在室内培养12盆番茄幼苗。在保证其他管理措施相同的基础上,通过控制施水量来控制番茄的胁迫状态,干旱胁迫程度设计3个处理(适宜水分、中度和重度胁迫)。分批次采集不同干旱程度番茄幼苗嫩叶在400~1 000nm范围的高光谱图像,并提取了每个样本的光谱和纹理特征。使用标准化(Norm)、多元散射校正(MSC)、一阶导数(1st)和标准正态变量变换(SNV)四种预处理方法对光谱数据进行预处理去除光谱中的噪声。使用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)以及竞争性自适应重加权算法结合连续投影算法(CARS-SPA)选取光谱重要特征波段,用灰度梯度共生矩阵(GLGCM)提取番茄叶片的纹理特征,用SPA选择纹理特征的重要变量。融合重要光谱特征与重要纹理特征结合支持向量机(SVM)构建识别番茄干旱胁迫模型,同时选用自适应增强算法(AdaBoost)与K-近邻(KNN)与SVM模型对比。结果表明,融合重要光谱特征与重要纹理特征后,基于CARS-SPA波长选择的SNV-SVM模型具有最好的分类效果,训练集的分类准确度(ACCT)为94.5%,预测集的分类准确度(ACCP)为95%,AdaBoost模型分类效果次之ACCT为86.5%,ACCP为87%,KNN模型分类效果最差ACCT为81.5%,ACCP为79%。因此,该方法对番茄叶片干旱胁迫程度实时识别有较好的效果,可为构建智能化的干旱胁迫分析技术提供参考。 |
| 语种 | 中文 |
| 源URL | [http://ir.hfcas.ac.cn:8080/handle/334002/132823]  |
| 专题 | 中国科学院合肥物质科学研究院 |
| 作者单位 | 1.安徽大学 2.中国科学院合肥物质科学研究院 |
| 推荐引用方式 GB/T 7714 | 贺露,万莉,高会议. 基于高光谱成像技术识别番茄干旱胁迫[J]. 光谱学与光谱分析,2023,43. |
| APA | 贺露,万莉,&高会议.(2023).基于高光谱成像技术识别番茄干旱胁迫.光谱学与光谱分析,43. |
| MLA | 贺露,et al."基于高光谱成像技术识别番茄干旱胁迫".光谱学与光谱分析 43(2023). |
入库方式： OAI收割
来源：合肥物质科学研究院
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。