CN108007917B - 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 - Google Patents

希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 Download PDF

Info

Publication number
CN108007917B
CN108007917B CN201710156626.5A CN201710156626A CN108007917B CN 108007917 B CN108007917 B CN 108007917B CN 201710156626 A CN201710156626 A CN 201710156626A CN 108007917 B CN108007917 B CN 108007917B
Authority
CN
China
Prior art keywords
raman spectrum
spectrum
nitrogen content
rice
raman
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710156626.5A
Other languages
English (en)
Other versions
CN108007917A (zh
Inventor
赵肖宇
蔡立晶
尚廷义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang Bayi Agricultural University
Original Assignee
Heilongjiang Bayi Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Heilongjiang Bayi Agricultural University filed Critical Heilongjiang Bayi Agricultural University
Priority to CN201710156626.5A priority Critical patent/CN108007917B/zh
Publication of CN108007917A publication Critical patent/CN108007917A/zh
Application granted granted Critical
Publication of CN108007917B publication Critical patent/CN108007917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开一种希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法，属于作物中微量元素测量技术领域。根据测量目标需求，构建4个功能模块：光谱采集模块、光谱预处理模块、光谱数据主成分分析模块和模式识别模块。实现主要功能是应用拉曼光谱仪采集水稻植株光谱，应用小波分解方法对拉曼光谱数据去噪和基线校正，抽取光谱数据主成分进行希尔伯特变换，得到频率‑波数谱，通过神经网络训练识别得到氮素特征频率，建立特征频率与氮素含量最小二乘测量模型。使用该方法测量水稻植株中氮素含量，不会受到水稻中其它微量元素含量影响，具有微测量、便捷和准确的特点，适合批量操作。

Description

希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法
技术领域
本发明为一种希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法，属于作物中微量元素测量技术领域。
背景技术
传统氮素水平的检测方法有土壤指标法、生化测定法、经验法。土壤指标法是根据土壤中氮素含量，向水稻补充肥料，即测土配方。生化测定法是目前水稻氮素检测的主要实验方法，包括甲醛法、凯氏定氮法、杜马斯燃烧定氮法等。经验法检测的技术手段或指标主要分为三类：目测法、光谱遥感法、机器视觉法。目测法以叶片出现的异常颜色为指标，依据生产经验进行病情诊断，是目前广泛采用的检测手段。光谱遥感法是以稻田冠层的反射光谱为分析对象，对比标准光谱实现缺氮检测。机器视觉法主要利用PC机，从图像上区分病稻与健康稻株的微小色差，是目测法的数字化延伸。上述方法中，只有当水稻出现病症时，光谱遥感法和机器视觉法才能有效检测，即难以进行早期测量。经验表明，水稻表现出缺氮症状以后，追加肥料的用量至少增加一倍并显著影响幼苗生长，因此缺氮病害的早期发现是至关重要的。土壤指标法具有预测性，但稻苗中氮素除了与土壤中氮素含量相关，还会受到光照、温湿度、土壤酸碱度等影响，是多因素制约变量，可见土壤指标法是间接测量手段，测量精度不高。生化测定法准确可靠，但操作复杂，效率较低，无法进行规模和快速测量，主要在对照实验中使用。在目前的水稻缺氮检测中，目测法虽然误差大，但是操作简单，是应用最广泛的检测手段。人工目测存在两个缺点：（1）人工目测需要按照经验观察稻株颜色，判断结果受主观因素影响较大。当两种及两种以上营养元素同时缺乏时，病变色彩交叉影响，使目测法不能有效判断。（2）人工目测只能观测到较严重的缺氮病变。在病变早期或程度较轻时，水稻植株表现的变化还不明显，但是对植株光合生理等已经带来严重影响，目测法却难以观察。
发明内容
本发明的目的就是针对上述已有技术存在的问题，研究一种水稻植株中氮素水平的拉曼光谱学希尔伯特频率分析方法，该方法可以准确、快速和早期测量水稻植株中氮素水平。
为实现以上目的，本发明是通过以下步骤来实现的：
（1）首先获取水稻植株拉曼光谱；
（2）然后对拉曼光谱数据预处理；
（3）接着对拉曼光谱信号进行数据压缩，得到主成分分量；
（4）最后对主成分分量进行希尔伯特变换，通过识别得到氮素特征频率，建立特征频率与氮素含量化学计量学测量模型。
【具体实施方式】
以下提供本发明基于拉曼光谱希尔伯特频率法测量水稻植株中氮素含量方法的具体实施方式。
暗室，25℃恒温环境下，激光波长785nm，激发功率10mw，压玻片整压水稻叶片1小时，距离叶尖1cm处中部截取0.5×0.5cm2叶样，将叶样置于拉曼光谱仪载物台上，获得样品拉曼光谱图像；用小波分解方法对拉曼光谱去噪和去除基线漂移处理，并归一化；对拉曼光谱信号进行主成分回归分析，通过线性组合得到主成分分量；对各主成分分量进行希尔伯特变换，卷积分处理得到标准频率-波数谱，通过神经网络训练识别得到氮素特征频率，建立特征频率与氮素含量最小二乘测量模型。
本发明的有益效果是可以通过拉曼光谱的单频分量准确识别N-H反对称和酰胺III变形C-N内弯曲振动组合频的散射规律，从而建立氮素的光谱频率特征指标。该频率特征指标与光谱波长特征指标不同，不会受到磷、硅、钾等其它物质特征峰影响，具有特异性，识别精度高，适合植物中微量元素痕量测量。
附图说明
图1是方法功能框图。
具体实施方式
下面结合附图对本发明实施例进行详细描述：
1. 方法功能框图
方法功能采用模块化进行设计，以便于调整、可复用、易修改和易扩充。根据测量目标需求，即稻株叶片拉曼光谱处理和建模过程，构建4个功能模块：光谱采集模块、光谱预处理模块、光谱数据主成分分析模块和模式识别模块，如图1所示。
光谱采集模块实现光谱仪器参数调整、状态设置，样品制备和光谱采集、数据存储；光谱预处理模块提供了光谱的预处理算法，包括去噪、基线校正和归一化；光谱数据主成分分析模块用于压缩光谱数据；模式识别模块基于时频分析方法筛选出氮素特征单频，采用最小二乘方法建立氮素含量测量模型。
2. 关键技术
2.1光谱预处理
2.1小波分解去噪和去基线漂移
共聚焦显微拉曼光谱中噪声有两类，来自仪器的电子热运动噪声和外部通信***干扰。噪声的存在极大影响了光谱真实信息的解读，所以信号降噪在光谱解析中有着举足轻重的作用。
分别采用sym1、sym2、sym3、sym4、sym5、sym6、sym7、sym8、db1、db2、db3、db4、db5、db6、db7、db8、db9、coif1、coif2、coif3、coif4、coif5小波基函数，使用不同的阈值估计法Hcursurc、Sqtwolog、Rigrsurc、Minimaxi，n（1-10）次分解，信号重构发现，针对本发明中水稻叶片拉曼光谱，最佳去噪和去基线参数设置如下：基函数sym8；阈值估计方法Hcursurc；分解层数为5。
2.2光谱数据主成分分析
使用主成分回归方法抽取原始光谱数据中特征值并重新线性组合，以实现光谱大数据降维。使用SPSS11.0提取主成分，默认特征根数量值
Figure 476956DEST_PATH_IMAGE002
，提取的主成分数量9个，累积贡献率达到97.31%。累积贡献率反映了主成分对原始信息的表达能力较强，并且有效消除光谱数据之间共线性，9个主成分可以有效表达原始光谱信息。
2.3 希尔伯特变换主成分数据及特征频率筛选
将拉曼光谱的波长信号虚拟成连续时间信号，对该时间信号与
Figure 456413DEST_PATH_IMAGE004
信号做卷积积分操作，得到各主成分分量希尔伯特变换的频率分量。通过神经网络训练识别各频率分量与氮素关联程度，设置阈值筛选出特征频率分量，建立偏最小二乘模型测量水稻中氮素含量。
发明中神经网络采用BP型结构，参数设置如下：输入层神经元的数量由特征频率分量决定，本实例中，输入特征向量为9*n；输出层采用1个节点，用0、1分别表示氮素特征频率分量为假和真；隐含层节点数的选择对网络的性能影响很大，节点数过少，容易陷入局部极小值，隐含节点数过多，网络拟合函数复杂，使得网络泛化能力变差，根据试验结果确定最优隐含层节点数8；隐含层神经元的激活函数选用logsig()函数，输出层的激活函数选用pureline()函数；设置迭代次数1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用trainlm()函数作为训练网络。
由上可知，本发明实施例通过光谱特征频率建立水稻中氮素含量测量模型，该方法不会受到水稻中其它微量元素含量影响，具有微测量的特点，适合批量操作。本发明适合水稻等作物缺氮病害早期检测以及可以为精准农业提供科学依据。
以上所述仅为本发明的较佳实施案例，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法，其特征在于，通过以下步骤来实现的：
（1）首先获取水稻植株拉曼光谱；
（2）然后用小波函数分解拉曼光谱，小波函数基函数sym8，阈值估计方法Hcursurc，分解层数为5，滤除小波高频系数，实现拉曼光谱去噪处理；滤除小波低频系数，实现拉曼光谱基线漂移去除；用光谱面积对光谱数据归一化处理，实现拉曼光谱数据预处理；
（3）对拉曼光谱信号进行主成分回归分析，通过线性组合得到主成分分量；
（4）对各主成分分量进行希尔伯特变换，卷积分处理得到标准频率-波数谱，通过神经网络训练识别得到氮素特征频率，建立特征频率与氮素含量最小二乘测量模型。
2.根据权利要求1所述的一种希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法，其特征是通过下列方法获取水稻植株拉曼光谱：
暗室，25℃恒温环境下；
激光波长785nm，激发功率10mw；
压玻片整压水稻叶片1小时，距离叶尖1cm处中部截取0.5×0.5cm2叶样；
将叶样置于拉曼光谱仪载物台上，获得样品拉曼光谱图像。
CN201710156626.5A 2017-03-16 2017-03-16 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 Active CN108007917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710156626.5A CN108007917B (zh) 2017-03-16 2017-03-16 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710156626.5A CN108007917B (zh) 2017-03-16 2017-03-16 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法

Publications (2)

Publication Number Publication Date
CN108007917A CN108007917A (zh) 2018-05-08
CN108007917B true CN108007917B (zh) 2020-09-04

Family

ID=62048808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710156626.5A Active CN108007917B (zh) 2017-03-16 2017-03-16 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法

Country Status (1)

Country Link
CN (1) CN108007917B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111650129B (zh) * 2020-03-05 2022-07-01 广东省科学院广州地理研究所 一种荔枝叶片钙含量预测方法及预测装置
CN111413318B (zh) * 2020-04-30 2023-05-26 成都大象分形智能科技有限公司 基于拉曼光谱的血清检测***及方法
CN113049500B (zh) * 2021-03-19 2022-12-06 杭州海康威视数字技术股份有限公司 水质检测模型训练和水质检测方法、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928396A (zh) * 2012-10-29 2013-02-13 浙江大学 基于拉曼光谱的尿素同位素丰度的快速检测方法
KR20140038213A (ko) * 2012-09-20 2014-03-28 주식회사 스마테움 라만 분광법 및 케모메트릭스를 이용한 식물의 바이러스 감염에 대한 분석방법
CN104181151A (zh) * 2014-07-29 2014-12-03 蓝星化工新材料股份有限公司江西星火有机硅厂 一种采用在线拉曼光谱仪建立模型在线分析甲基氯硅烷的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140038213A (ko) * 2012-09-20 2014-03-28 주식회사 스마테움 라만 분광법 및 케모메트릭스를 이용한 식물의 바이러스 감염에 대한 분석방법
CN102928396A (zh) * 2012-10-29 2013-02-13 浙江大学 基于拉曼光谱的尿素同位素丰度的快速检测方法
CN104181151A (zh) * 2014-07-29 2014-12-03 蓝星化工新材料股份有限公司江西星火有机硅厂 一种采用在线拉曼光谱仪建立模型在线分析甲基氯硅烷的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于EMD和EEMD的自适应光谱预处理方法及其应用研究;赵肖宇;《中国博士学位论文全文数据库基础科学辑》;20160115(第1期);第5、16-18、53-60和73页 *
水稻氮素营养水平与光谱特性的关系;周启发等;《浙江农业大学学报》;19931231(第S1期);第40-45页 *

Also Published As

Publication number Publication date
CN108007917A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
CN102879353B (zh) 近红外检测花生中蛋白质组分含量的方法
CN102721651B (zh) 基于多光谱图像的植物叶片水分含量的检测方法及***
CN103940748B (zh) 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法
CN108007917B (zh) 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法
CN101915738A (zh) 基于高光谱成像技术的茶树营养信息快速探测方法及装置
CN103278473B (zh) 白胡椒中胡椒碱及水分含量的测定和品质评价方法
CN108519339B (zh) 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法
CN103278503B (zh) 一种基于多传感器技术的葡萄水分胁迫诊断方法及***
CN102876816A (zh) 基于多传感器信息融合的发酵过程状态监测与控制方法
Ning et al. Rapid evaluation of soil fertility in tea plantation based on near-infrared spectroscopy
CN110363119A (zh) 基于小波变换-随机森林算法的烟叶霉变快速识别方法
CN109142238B (zh) 一种棉花磷素营养快速诊断方法
Wang et al. Intelligent detection of hard seeds of snap bean based on hyperspectral imaging
CN108007916B (zh) 希尔伯特黄法建立稻株氮含量的共聚焦显微拉曼测量模型
Xiao et al. Comparison of leaf chlorophyll content retrieval performance of citrus using FOD and CWT methods with field-based full-spectrum hyperspectral reflectance data
CN117250161B (zh) 一种大豆耐盐碱鉴定池的实时监测***
CN110596048A (zh) 一种光谱速测烟草叶片中钾含量的方法
Yang et al. Classification of sugar beets based on hyperspectral and extreme learning machine methods
Liu et al. Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method
CN113267458A (zh) 甘薯可溶性蛋白质含量定量预测模型的建立方法
CN102788796A (zh) 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法
Zhou et al. Hyperspectral imaging technology for detection of moisture content of tomato leaves
CN112782103B (zh) 棉花苗期叶片棉蚜早期为害的监测方法及***
Lu et al. Prediction performance optimization of different resolution and spectral band ranges for characterizing coco-peat substrate available nitrogen
Li et al. Adulteration detection model of Tea Oil research based on FTIR back-propagation neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant