本发明涉及林木光谱采集与生理指标分析,特别是涉及一种基于高光谱的杉木叶绿素含量预测方法及系统。
背景技术:
1、杉木是最重要的针叶速生树种,在木材工业中具有重要的地位。叶绿素是植物进行光合作用的主要色素,其含量是反映植物光合效率和生长状况的重要指标,可作为植物生长、抗逆等重要性状的评价依据。有效评价叶绿素含量对于杉木种质资源生长、抗逆性状的评价,以及杉木种苗质量的监测具有重要意义。
2、高光谱成像技术是基于非常多窄波长的影像数据技术,它将成像技术与光谱技术相结合,已被用于植物生理指标的无损检测。与传统的化学方法检测相比,高光谱计算不仅耗时短、成本低,而且可以无损精确地获取植物的生长生理信息,能够极大地提高林业生产和育种的效率。
3、由于高光谱成像技术的光谱范围很广,选择合适的光谱预处理算法、特征光谱选择算法和模型构建算法对于建立高性能的预测模型具有重要意义。
技术实现思路
1、本发明的目的是提供一种基于高光谱的杉木叶绿素含量预测方法及系统,可以无损准确地测定杉木的叶绿素含量,能够显著提高杉木叶绿素含量测定的效率。
2、为实现上述目的,本发明提供了如下方案:
3、一种基于高光谱的杉木叶绿素含量预测方法,所述基于高光谱的杉木叶绿素含量预测方法包括:
4、构建训练数据;将杉木样品的特征光谱数据作为训练数据的输入;将杉木样品的特征光谱数据对应的杉木样品的叶绿素含量作为训练数据的输出;
5、将所述训练数据分为训练集和测试集;
6、利用pycharm软件的pytorch框架分别搭建偏最小二乘回归模型、支持向量机模型和bp神经网络模型;
7、基于所述训练集分别对所述偏最小二乘回归模型、所述支持向量机模型和所述bp神经网络模型的参数进行训练,得到训练后的偏最小二乘回归模型、训练后的支持向量机模型和训练后的bp神经网络模型;
8、基于所述测试集分别对训练后的偏最小二乘回归模型、训练后的支持向量机模型和训练后的bp神经网络模型进行测试,得到第一测试结果、第二测试结果和第三测试结果;
9、选取所述第一测试结果、所述第二测试结果和所述第三测试结果中最优结果对应的模型作为叶绿素含量预测模型;
10、将待测杉木的特征光谱数据输入至所述叶绿素含量预测模型中,得到待测杉木样品叶绿素含量。
11、可选地,构建训练数据,具体包括:
12、获取杉木样品;
13、利用高光谱成像系统采集杉木样品的高光谱图像;
14、利用envi 5.3软件选取杉木样品的高光谱图像的roi区域;
15、提取roi区域的总光谱数据和杉木样品的总光谱数据;
16、基于杉木样品的高光谱图像的roi区域对杉木样品进行剪取,得到roi区域对应的杉木叶片;
17、基于杉木叶片利用叶绿素含量计算公式,确定杉木样品叶绿素含量;
18、基于roi区域的总光谱数据和杉木样品叶绿素含量采用竞争性自适应权重算法和连续投影算法提取特征波长;
19、基于特征波长对杉木样品的总光谱数据进行选取,得到杉木样品的特征光谱数据;
20、将杉木样品的特征光谱数据作为训练数据的输入;将杉木样品的特征光谱数据对应的杉木样品的叶绿素含量作为训练数据的输出。
21、可选地,提取roi区域的总光谱数据和杉木样品的总光谱数据,之后还包括:
22、采用sg平滑算法对roi区域的总光谱数据和杉木样品的总光谱数据内870-1720nm波长的光谱数据进行平滑处理。
23、可选地,所述叶绿素含量计算公式为:
24、l=(18.16a649+6.63a665)×v)/w;
25、其中,l表示叶绿素含量(mg/g);v表示提取液体积;w表示杉木样品鲜重;18.16a表示分光光度计测定波长为649nm的吸光值;6.63a表示分光光度计测定波长为665nm的吸光值。
26、可选地,基于所述测试集分别对训练后的偏最小二乘回归模型、训练后的支持向量机模型和训练后的bp神经网络模型进行测试,得到第一测试结果、第二测试结果和第三测试结果,具体包括:
27、基于所述测试集分别对训练后的偏最小二乘回归模型、训练后的支持向量机模型和训练后的bp神经网络模型进行预测,得到训练后的偏最小二乘回归模型输出的第一预测结果、训练后的支持向量机模型输出的第二预测结果和训练后的bp神经网络模型输出的第三预测结果;
28、基于测试集中的杉木样品的特征光谱数据对应的杉木样品的叶绿素含量、所述第一预测结果、所述第二预测结果和所述第三预测结果计算得到所述第一测试数据、所述第二测试数据和所述第三测试数据。
29、可选地,所述第一测试数据包括决定系数和均方根误差;
30、所述决定系数的计算公式为:
31、
32、所述均方根误差的计算公式为:
33、
34、其中,r2表示决定系数;rmse表示均方根误差;yi表示测试集第i个杉木样品的特征光谱数据对应的杉木样品的叶绿素含量;表示训练后的偏最小二乘回归模型输出的第i个预测结果;表示测试集中所有杉木样品的特征光谱数据对应的杉木样品的叶绿素含量的平均值;n为测试集的杉木样品总数。
35、一种基于高光谱的杉木叶绿素含量预测系统,所述基于高光谱的杉木叶绿素含量预测系统应用于上述所述的基于高光谱的杉木叶绿素含量预测方法,所述基于高光谱的杉木叶绿素含量预测系统包括:
36、数据构建模块,用于构建训练数据;将杉木样品的特征光谱数据作为训练数据的输入;将杉木样品的特征光谱数据对应的杉木样品的叶绿素含量作为训练数据的输出;
37、分类模块,用于将所述训练数据分为训练集和测试集;
38、模型构建模块,用于利用pycharm软件的pytorch框架分别搭建偏最小二乘回归模型、支持向量机模型和bp神经网络模型;
39、训练模块,用于基于所述训练集分别对所述偏最小二乘回归模型、所述支持向量机模型和所述bp神经网络模型的参数进行训练,得到训练后的偏最小二乘回归模型、训练后的支持向量机模型和训练后的bp神经网络模型;
40、测试模块,用于基于所述测试集分别对训练后的偏最小二乘回归模型、训练后的支持向量机模型和训练后的bp神经网络模型进行测试,得到第一测试结果、第二测试结果和第三测试结果;
41、预测模型确定模块,用于选取所述第一测试结果、所述第二测试结果和所述第三测试结果中最优结果对应的模型作为叶绿素含量预测模型;
42、预测模块,用于将待测杉木的特征光谱数据输入至所述叶绿素含量预测模型中,得到待测杉木样品叶绿素含量。
43、可选地,数据构建模块,具体包括:
44、获取单元,用于获取杉木样品;
45、采集单元,用于利用高光谱成像系统采集杉木样品的高光谱图像;
46、选取单元,用于利用envi 5.3软件选取杉木样品的高光谱图像的roi区域;
47、总光谱数据提取单元,用于提取roi区域的总光谱数据和杉木样品的总光谱数据;
48、剪取单元,用于基于杉木样品的高光谱图像的roi区域对杉木样品进行剪取,得到roi区域对应的杉木叶片;
49、计算单元,用于基于杉木叶片利用叶绿素含量计算公式,确定杉木样品叶绿素含量;
50、特征波长确定单元,用于基于roi区域的总光谱数据和杉木样品叶绿素含量采用竞争性自适应权重算法和连续投影算法提取特征波长;
51、特征光谱数据确定单元,用于基于特征波长对杉木样品的总光谱数据进行选取,得到杉木样品的特征光谱数据;
52、输出单元,用于将杉木样品的特征光谱数据作为训练数据的输入;将杉木样品的特征光谱数据对应的杉木样品的叶绿素含量作为训练数据的输出。
53、一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被执行时实现上述所述的基于高光谱的杉木叶绿素含量预测方法。
54、一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述的基于高光谱的杉木叶绿素含量预测方法。
55、根据本发明提供的具体实施例,本发明公开了以下技术效果:
56、本发明公开一种基于高光谱的杉木叶绿素含量预测方法及系统,训练数据分为训练集和测试集;基于训练集分别对偏最小二乘回归模型、支持向量机模型和bp神经网络模型的参数进行训练,得到训练后的偏最小二乘回归模型、支持向量机模型和bp神经网络模型;基于测试集分别对训练后的偏最小二乘回归模型、支持向量机模型和bp神经网络模型进行测试,确定最优模型为叶绿素含量预测模型;将待测杉木的特征光谱数据输入至所述叶绿素含量预测模型中,得到待测杉木样品叶绿素含量。本发明可以无损准确地测定杉木的叶绿素含量,能够显著提高杉木叶绿素含量测定的效率。