1、氮素是作物生理代謝和生長發(fā)育的一種非常重要的營養(yǎng)元素，與作物的長勢、品質和產量息息相關。因此，實現(xiàn)對作物氮素的快速、精確、無損檢測具有非常重要的意義。長期以來，作物的氮素檢測都是以化學檢測方法為主，但化學檢測方法破壞性強、時效性差，影響作物生長而不利于大范圍推廣應用。近年來，基于光譜或計算機視覺的無損檢測方法在作物氮素檢測中得到了廣泛關注。然而光譜技術由于采用點采樣方式無法充分獲取作物的完整信息，導致檢測結果的隨機性強;計算機視覺技術由

2、于利用作物外部的顏色、紋理、形態(tài)等特征進行診斷，很難涉及到內部的組織結構和化學成分，導致檢測精度不高。因此，本文以生菜為研究對象，提出了基于高光譜圖像技術的生菜葉片氮素快速檢測方法，主要研究內容及結論如下:
　　(1)以無土栽培的方法來培育生菜樣本，以日本山崎營養(yǎng)液配方為基礎，配置不同含氮濃度營養(yǎng)液，栽培出呈現(xiàn)一定的氮素梯度水平的生菜葉片，這為后續(xù)研究奠定基礎。
　　(2)根據(jù)生菜葉片高光譜圖像各區(qū)域的光譜反射率特性，采用圖

3、像比值的方法來加大圖像各區(qū)域間的差異性，并結合圖像閾值分割的方法，實現(xiàn)對生菜葉片高光譜圖像感興趣區(qū)域（Region of interest，ROI）的有效選取。
　　(3)建立了生菜葉片氮素含量的OSC_SPA_SVR最優(yōu)預測模型。從Savitzky-Golay平滑(SG_smoothing)、多元散射校正（Mutiplicative ScatterCorrection，MSC）、標準正態(tài)變量結合去趨勢(SNV_detrendin

4、g)、一階導數(shù)(1stderivative)、二階導數(shù)(2nd derivative)、正交信號校正(Orthogonal SignalCorrection，OSC)這些光譜預處理算法中篩選出OSC為最優(yōu)預處理方法。并采用連續(xù)投影算法(Successive Projections Algorithm，SPA)對OSC預處理后的光譜提取特征波長，基于特征波長數(shù)據(jù)建立多元線性回歸(Multivariable LinearRegression

5、，MLR)、偏最小二乘回歸(Partial Least Squares Regression，PLSR)和支持向量回歸（Support Vector Regression，SVR）3個預測模型。發(fā)現(xiàn)得到的OSC_SPA_SVR模型性能最優(yōu)，R2c為0.855，RMSEC為0.385，R2p為0.841，RMSEP為0.414。
　　(4)研究了利用生菜葉片高光譜圖像紋理特征對其氮素含量進行檢測的方法。利用主成分分析法提取了葉片高光

6、譜圖像的前3幅主成分圖像PC1、PC2、PC3，并對3幅主成分圖像提取了基于灰度直方圖統(tǒng)計矩和基于灰度共生矩的紋理數(shù)據(jù)。然后利用SPA對紋理數(shù)據(jù)進行特征優(yōu)選，基于優(yōu)選出的紋理特征建立MLR、PLSR和SVR3個模型，發(fā)現(xiàn)建立的SPA SVR模型性能最優(yōu)，R2c為0.745，RMSEC為0.509，R2為0.499，RMSEP為0.734。
　　(5)利用高光譜圖像技術來可視化顯示生菜葉片中的氮素含量，采用SPA優(yōu)選出特征波長，建立

7、了特征波長數(shù)據(jù)與氮含量間的多元線性關系模型ypre=133.14x494-158.84x580+100.93 x719-61.71x736-16.80x761+24.94x876+9.04,最后將生菜葉片高光譜圖像中每個像素點的特征光譜數(shù)據(jù)代入到建立的模型中，實現(xiàn)了生菜葉片氮素含量的可視化顯示。這種方法可以克服光譜技術重現(xiàn)性差、計算機視覺技術精確度低的缺點，使得信息獲取更加全面，檢測結果更加準確。
　　本文提出的基于高光譜圖像技術