一种确定茶树茎秆剪切力的方法与流程

本发明涉及农作物信息光谱分析技术领域，涉及一种确定茶树茎秆剪切力的方法。

背景技术

在实际生产中，名优茶的采摘方式为手采，制约了茶产业的发展。研究出一种快速、无损、准确地确定茶树茎秆剪切力的方法，为切割器的设计和茶叶机械化采摘提供参数依据。

茶树为木本植物，茎秆内含有大量的酸性洗涤纤维和中性洗涤纤维，影响茎秆的抗弯曲能力、抗剪切能力和抗拉伸能力。但传统方法对茶树茎秆中酸性洗涤纤维和中性洗涤纤维的分析，测定速度慢、成本高。高光谱图像技术在茎秆组成成分的检测上得到了广泛应用。如申请号为201710438483.7的发明专利，公开了一种利用近红外光谱检测油菜茎秆纤维素含量的方法，根据油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系，计算待检测的油菜茎秆中的纤维素含量。申请号为201510030101.8的发明专利，公开了一种旋转扫描式的高光谱作物茎秆信息获取系统，能够一次性准确的获取被测物表面的高光谱信息。陈玉香等研究表明，玉米的剪断力随着酸性洗涤木质素、半纤维素和纤维素含量的增加而增大，呈正相关。iwaasa等人认为，随着植物成熟度增加，其物理特性和细胞壁化学成分的变化将影响其剪断力的大小。然而，目前的方法不能无损监测到茎秆剪切力，且检测速度不理想。

因此，需要一种更简单、更精确、更快的方法来测定茎秆剪切力。

技术实现要素：

本发明的目的在于提供一种基于高光谱信息的确定茎秆剪切力的方法，旨在实现无损、准确的测定茎秆剪切力，为切割器的参数设计提供理论依据和指导。

为了实现上述目的，本发明采用了如下技术方案:一种确定茶树茎秆剪切力的方法，按照下述步骤进行：

步骤一，利用高光谱成像系统采集茶树茎秆中酸性洗涤纤维和中性洗涤纤维的光谱信息x；

步骤二，对所述茶树茎秆进行剪切，测定茎秆剪切力z，得剪切后的茶树茎秆；

步骤三，测定所述剪切后的茶树茎秆中酸性洗涤纤维含量y1和中性洗涤纤维含量y2；

步骤四，建立所述茎秆剪切力与酸性洗涤纤维含量和中性洗涤纤维含量的关系模型：z＝c1y1+c2y2+d；c1、c2和d为待定系数；

步骤五，对上述光谱数据进行预处理，分别建立所述酸性洗涤纤维含量和中性洗涤纤维含量与所述光谱信息的关系模型：y1＝f(x)、y2＝g(x)；

步骤六，结合所述关系模型，得茎秆剪切力与光谱信息之间的关系模型如下：z＝c1f(x)+c2g(x)+d。

所述茶树茎秆不包含芽尖和叶片，仅包括茎秆上主要被切割的第1～8茎节。对所述酸性洗涤纤维和中性洗涤纤维光谱信息进行预处理，进行一阶求导、二阶求导、多元散射校正和多项式平滑。

所述的建立酸性洗涤纤维含量和中性洗涤纤维含量与所述光谱信息的关系模型具体采用了化学计量学方法，包括：偏最小二乘法、多元线性回归法和主成分回归法。

所述的预处理优选方案为：预处理多元散射校正法和多项式平滑法的结合。

所述建立关系模型的优选方法为：偏最小二乘法。

本发明具有的有益效果。本发明通过测定茶树茎秆中酸性洗涤纤维和中性洗涤纤维的含量、酸性洗涤纤维和中性洗涤纤维的光谱信息和茎秆剪切力，建立茎秆剪切力与光谱信息之间的关系模型。本发明可以快速、无损、准确地确定茶树茎秆剪切力，为切割器的设计和茶叶机械化采摘提供参数依据。

附图说明

图1为确定茶树茎秆剪切力的方法的原理步骤图。

具体实施方式

下面结合附图，对本发明的技术方案做进一步详细说明。

实验设备条件：80份供试样品均采自江苏省丹阳迈春茶场不同种植时期、不同部位的茶树茎秆，茶树品种为中茶108，含水率约为75％，采摘时间为2017年8月。采摘后的茎秆用密封袋贮存，至实验室进行高光谱信息采集、剪切力测试和化学组分检测。试验使用的主要设备和仪器有高光谱图像采集系统，光谱分辨率为2.8nm，光谱范围为850～1766nm；ta-xt2i型质构仪，移动距离范围为0.1～295mm，力传感器的解析精度0.025％，可设置的移动速度范围为0.1～10mm/s。

以下为茶树茎秆的光谱信息与酸性洗涤纤维和中性洗涤纤维含量之间的关系模型的方法和过程。

采用的预处理方法有：多项式平滑(sg)、多元散射校正(msc)、一阶导数(1^stderiv.)和二阶导数(2^ndderiv.)，采用的化学计量学算法为偏最小二乘回归(plsr)。表1给出了不同预处理的偏最小二乘回归(plsr)建模预测结果。

表1不同预处理的plsr建模预测结果

注：none为原始光谱；sg为多项式平滑处理；msc为多元散射校正；1^stderiv.为一阶导数；2^ndderiv.为二阶导数。

由表1可知，三种预处理的模型均优于原始光谱。基于多项式平滑与多元散射校正预处理，酸性洗涤纤维(adf)和中性洗涤纤维(ndf)校正模型的校正决定系数分别为0.9168和0.9052，预测模型的决定系数分别为0.8859和0.9053，校正误差(rmsec)分别为3.194％和2.676％，交叉验证误差(rmsep)分别为4.161％和3.353％，其预处理效果均优于经过一阶导数与多项式平滑和二阶导数与多项式平滑的预处理效果。因此，本文采用多项式平滑和多元散射校正预处理方法。

表2不同算法建模结果

注：plsr为偏最小二乘回归；pcr为主成分回归；mlr为多元线性回归。

表2为经过多项式平滑与多元散射校正结合的预处理后，不同算法的建模结果。综合比较校正模型和预测模型的相关系数、校正误差等指标，不同建模算法的建模效果有一定差别。由表2可知，中性洗涤纤维(ndf)的偏最小二乘回归(plsr)模型的校正决定系数为0.9168，大于多元线性回归(mlr)、主成分回归(pcr)模型的校正决定系数酸性洗涤纤维(adf)的主成分回归(pcr)模型的校正决定系数为0.9056，略大于偏最小二乘回归(plsr)模型的校正决定系数的0.9052。但主成分回归(pcr)的预测模型效果(rmsep)不如偏最小二乘回归(plsr)模型，多元线性回归(mlr)模型(rmsec、rmsep)。因此，本发明认为酸性洗涤纤维(adf)和中性洗涤纤维(ndf)的偏最小二乘回归(plsr)模型的结果最佳。

以下为茶树茎秆剪切力与酸性洗涤纤维和中性洗涤纤维含量之间的关系模型的方法和过程。

对茶树茎秆每个节间进行5次剪切试验，3次本领域纤维常规化学组分检测试验，取平均值，如表3所示。随着节数的增加，茎秆剪切力、酸性洗涤纤维(adf)和中性洗涤纤维(ndf)的数值均逐渐增加。对其进行相关性分析可知，酸性洗涤纤维(adf)和中性洗涤纤维(ndf)与剪切力的相关系数分别为0.916、0.929。

表3茶树茎秆剪切力、ndf和adf测量值

表4茶树茎秆化学组分与剪切力之间的回归模型系数

注：已剔除ndf变量

由表4可得逐步回归方程为y＝-18.43+1.097x和决定系数(r²＝0.8110)，说明adf变量可以解释81.1％的剪切力变异，可以粗略表达剪切力(y)的大小。其中，酸性洗涤纤维adf(x)为正效应，酸性洗涤纤维(adf)和中性洗涤纤维(ndf)之间存在共线性，故剔除ndf变量。