Hyperspectral detection system for nitrogen and phosphorus contents of citrus leaves based on cloud edge-to-end architecture
-
摘要:目的
设计一款柑橘叶片氮磷含量高光谱检测系统。
方法基于SR-GRU网络训练构建氮磷含量反演模型，获取柑橘叶片光谱数据和叶片氮磷含量。设计基于云边端架构的柑橘叶片氮磷含量检测系统，对易受户外光线干扰的光谱信号提出改进iForest-SAM算法进行异常光谱检验剔除，对波段多、体积大、传输慢的光谱数据提出基于过完备学习字典的稀疏LoRa报文进行快速传输。系统边缘端在柑橘园内作为LoRa网关，移动终端使用稀疏LoRa报文经边缘端发送至云端加载反演模型进行预测。
结果SR-GRU反演模型对柑橘叶片氮磷元素含量的反演效果最佳，模型的决定系数分别为0.929和0.865，归一化均方根误差分别为0.083和0.079。系统单次柑橘叶片氮磷含量检测耗时均在1 s以内，LoRa节点连接稳定，基于互联网的Web程序运行稳定，页面平均加载时间在0.5 s以内。
结论该系统满足对柑橘叶片氮磷含量及时检测的实际应用需求。
Abstract:ObjectiveTo design a hyperspectral detection system for nitrogen and phosphorus contents in citrus leaves.
MethodBased on SR-GRU network training, an inversion model of nitrogen and phosphorus contents was constructed to obtain the spectral data of citrus leaves and corresponding nitrogen and phosphorus contents. A detection system of nitrogen and phosphorus contents in citrus leaves based on cloud edge-to-end architecture was designed. An improved iForest-SAM algorithm was proposed for outlier spectra test and rejection of spectral signals which were easily disturbed by outdoor light. The sparse LoRa message based on over-complete learning dictionary was proposed for fast transmission of spectral data with multiple bands, large size and slow transmission. The edge end of the system was acted as a LoRa gateway in the citrus orchard, and at the mobile terminal end, the sparse LoRa messages were sent to the cloud end via the edge end to load the inversion model for prediction.
ResultThe SR-GRU inversion model had the best inversion effect on the contents of nitrogen and phosphorus in citrus leaves, with the determination coefficients of 0.929 and 0.865 respectively, and the normalized root mean square error of 0.083 and 0.079 respectively. The system took less than 1 s to detect nitrogen and phosphorus contents of citrus leaves once, and the LoRa node was connected stably. The web program based on the internet ran stably, and the average page loading time was less than 0.5 s.
ConclusionThe system meets the practical application requirements for timely detection of nitrogen and phosphorus contents in citrus leaves.
-
氮和磷是柑橘生长发育的必需元素，其含量影响柑橘的生长，决定柑橘果实的产量和品质[1]。氮是柑橘体内氨基酸、蛋白质、叶绿素和核酸等的重要组成成分，磷参与柑橘体内核酸、核苷酸、磷脂等的合成[2-3]。实时、准确地获取柑橘叶片的氮磷含量，既有利于柑橘的合理施肥，又能有效缓解因过量施肥引起的地表水和地下水污染问题[4]。传统植物叶片营养元素含量的测定多为化学方法，费钱费时费力且检测周期较长，难以满足实际大面积果园的测定要求[5]。高光谱技术能获取作物众多的高分辨率波段信息，快速、无损反映样品内部结构和外部特征。近几年，高光谱技术发展迅猛，已在工业、农业、食品、环境等领域得到广泛应用[6-7]。基于光谱技术的在线无损检测系统的研究较少。Ariea等[8]设计了一款8波段多光谱成像系统检测食物黄曲霉素含量，并使用多元线性回归模型进行预测。Thien等[9]基于高光谱相机开发了一套枣表面缺陷在线检测系统，使用人工神经网络和支持向量机对枣表面缺陷进行检测。Guo等[10]开发了一套基于高光谱数据的对虾新鲜度检测软件系统，使用MSC-PLSR模型预测对虾新鲜度。刘翠玲等[11]开发了一款由便携式光谱仪、电脑终端和云服务器构成的光谱实时在线检测系统，系统将便携式光谱仪采集到的数据经互联网发送至云服务层，并使用PLSR模型预测，平均耗时7.09 s。王楠等[12]设计了一款以树莓派作为主控模块的多光谱田间玉米叶片叶绿素检测系统，多光谱相机阈值分割提取多光谱数据后使用SPA+GPR模型进行预测，测试集决定系数(Coefficient of determination，R2)为0.61。蔡健荣等[13]基于微型光谱仪开发手持式柑橘可溶性固形物含量无损检测系统，通过4G模块上传云端进行预测，模型预测相关系数和均方根误差(Root mean square error，RMSE)分别为0.812和0.488。Costa等[14]使用基于多光谱数据的梯度增强回归树建立柑橘叶片养分估测模型，预测氮、磷元素含量的平均绝对百分比误差分别为11.27%和8.44%。Osco等[15]利用随机森林、K近邻等机器学习方法结合一阶导来预测柑橘叶片的营养元素含量，氮、磷最佳反演模型的R2分别为0.912和0.771。岳学军等[16]基于一阶微分光谱特征的堆栈稀疏编码机构建柑橘叶片钾含量预测模型，测试集的R2和RMSE分别为
0.8771 和0.5528 。代秋芳等[17]使用CARS-CNN算法预测柑橘叶片含水率，测试集的R2和RMSE分别为0.9470 和0.0214 。综上所述，在光谱检测系统的研究中，学者们专注于系统的软件或硬件设计，搭载的模型一般未经过充分试验验证，精度有待提高。大部分检测系统应用于室内，一般未考虑异常光谱数据、无移动信号场景下大体积光谱数据传输等问题。针对这些问题，本研究首先构建SR-GRU柑橘叶片氮磷含量深度特征反演模型；其次对易受户外光线干扰的光谱信号提出改进iForest-SAM算法进行异常光谱检验剔除；再次对波段多、体积大、传输慢的光谱数据提出基于过完备学习字典的稀疏LoRa报文进行快速传输；然后分别对系统的终端、边缘端、云端进行软硬件设计并实现；最后在实际柑橘园内进行测试与验证。以解决无移动信号柑橘园难以及时获取柑橘叶片氮磷元素含量问题，从而及时了解柑橘生长状况。
1. 柑橘叶片氮磷元素含量反演模型
1.1 数据获取与制备
于柑橘稳果期及壮果促梢期分2批采集柑橘叶片，共计130组，采用iSpecField 256通道便携式地物高光谱仪拍摄柑橘叶片高光谱图像并提取反射率。采用奈氏比色法测定柑橘叶片全氮含量(w)，采用钼锑抗比色法测定柑橘叶片全磷含量(w)，其中，柑橘叶片氮元素含量的最小值、最大值、均值和方差分别为1.431%、3.501%、2.435%和0.531%，磷元素含量的最小值、最大值、均值和方差分别为0.065%、0.283%、0.177%和0.056%。
1.2 稀疏表示法光谱预处理
稀疏表示法(Sparse representation，SR)是一种将信号表示为一组基向量的线性组合的方法，其中只有很少的基向量参与到这个线性组合中来，因此它可以对信号进行压缩和去噪处理[18]。基于过完备字典的稀疏冗余表示模型认为任何信号x都可以在由原子组成的字典D下被尽可能稀疏的向量α所表示，即：
$$ x=D {\boldsymbol{\alpha}} 。 $$ (1) K-SVD是一种字典学习算法，在稀疏约束条件的限制下，通过SVD奇异值分解来逐列更新字典和稀疏表示的稀疏[19]。正交追踪匹配算法是一种贪婪算法，用于求解稀疏线性方程组[20]。本研究首先基于已采集的
1300 条无异常的柑橘叶片标准光谱数据集选择K-SVD算法训练学习字典D，训练完毕后固定字典D。随后使用正交追踪匹配算法将待预处理光谱数据基于字典D求解稀疏向量α，最后根据公式(1)重构得到预处理的光谱数据。SR算法对部分柑橘光谱数据预处理前后效果对比如图1所示，可以发现经SR预处理后的光谱数据的毛刺基本被平滑，同时波形特征更加突出。![]()
图 1 SR算法预处理前后光谱对比Figure 1. Spectra comparison before and after preprocessing via SR algorithm1.3 GRU深度特征反演模型构建与训练
门控循环单元(Gate recurrent unit，GRU)是一种循环神经网络(Recurrent neural network，RNN)架构，能有效解决处理序列数据时遇到的有限短期记忆的问题[21]。相比于传统的RNN，GRU通过引入门控机制来更好地捕捉长期依赖关系，它包含更新门和重置门，结构如图2所示。更新门决定了前一时刻的记忆信息有多少需要保留到当前时刻，有助于捕获序列中的长期依赖关系；而重置门则决定了前一时刻的信息有多少需要被遗忘，有助于捕获序列中的短期依赖关系，这2个门控机制共同决定了哪些信息最终作为GRU的输出。
![]()
图 2 GRU结构图Ht-1：上一时刻隐藏状态；Ht：更新后的隐藏状态；$ \widetilde{H}_t $：候选隐藏状态；tanh：双曲正切函数；Xt：当前时刻输入信息；Rt：重置门；Zt：更新门。Figure 2. GRU structure diagramHt-1: Hidden state at last moment; Ht: Hidden state after update; $\widetilde{H}_t $: Hidden state of candidate; tanh: Hyperbolic tangent function; Xt: Input information at current moment; Rt: Reset gate; Zt: Upgate gate.本研究设计的GRU反演模型在输入层输入经SR预处理后的光谱数据，经过GRU模块提取深度特征后展平，依次经过3个全连接网络，最后输出长度为1的预测值。模型学习率设置为
0.0001 ，采用Adam优化器自适应学习率的优化算法。在GRU层和最后一层全连接层后加上随机失活防止神经网络过拟合，强度设置为0.3。训练集被分为多批次，每次送入的批次(BatchSize)为16，训练轮数(Epochs)为1000 。为了客观反映建模精度，将数据集随机按照4∶1的数量比例划分为训练集和测试集。反演模型在训练集训练完毕后，在测试集使用评价指标进行验证。同时，采用基于贝叶斯优化方法的Optuna框架[22]进行参数寻优，避免模型过拟合或欠拟合。1.4 模型评估
为了客观反映建模精度，本研究在测试集上采用R2和归一化均方根误差(Normalized root mean square error，NRMSE)来综合评价模型的稳定性与精度[23]。R2越大说明模型的拟合程度越高，NRMSE越小说明模型的预测效果越好。
为了更全面地反映SR-GRU模型反演效果，选用SR、一阶导数(First derivative，FD)[24]、标准正态变换(Standard normal variate，SNV)[25]作为柑橘叶片光谱数据预处理方法，选用机器学习模型中的线性模型偏最小二乘回归(Partial least squares regression，PLSR)[26]、机器学习模型中的非线性模型支持向量机回归(Support vector regression，SVR)[27]、深度学习模型中的一维卷积神经网络(Convolutional neural network，CNN)[28]和极限学习机(Extreme learning machine，ELM)[29]神经网络模型进行综合对比。考虑到机器学习模型PLSR与SVR可能需要特征工程，在对上述2个机器学习模型建模之前，另外选择性加入主成分分析(Principal component analysis，PCA)[30]和非信息变量剔除(Uninformative variables elimination，UVE)[31]特征提取步骤以保证模型达到最高精度。
1.5 结果与分析
表1给出了经SR、FD、SNV预处理后，GRU深度特征反演模型的评价指标，以及PLSR、SVR、CNN、ELM 4大建模算法搭配SR、FD、SNV预处理算法(其中PLSR、SVR可选择PCA、UVE特征提取算法)共计24个模型组合中每类模型的最佳反演组合和指标。由表1可知，GRU模型经SR预处理后，对柑橘叶片氮含量的反演效果最佳，R2和NRMSE分别为0.929和0.083。对氮含量的拟合程度较高，同时误差较小。SR-GRU模型同样在柑橘叶片磷含量的反演中表现最佳，R2和NRMSE分别为0.865和0.079。这表明SR预处理算法和GRU模块的组合特征提取效果较好，SR算法将光谱数据表示为稀疏向量时，能提取光谱数据中的关键信息，同时去除部分冗余与噪声，重构后的光谱数据具有更高的信噪比。GRU模型作为序列模型，对序列数据较为敏感，其更新门与重置门的结构能捕获光谱数据中的长短序列信息。在使用PLSR、SVR、CNN、ELM构建的反演模型中，可以发现对氮含量反演效果最佳的是SR-CNN，R2和NRMSE分别为0.841和0.125，对磷含量反演效果最佳的是FD-UVE-PLSR，R2和NRMSE分别为0.843和0.127，不及SR-GRU模型。结果表明SR-GRU模型在同类机器学习和深度学习反演模型中具有较高精度和较小误差。
表 1 不同预处理条件下GRU及其他模型反演效果Table 1. Inversion effect of GRU and other models under different preprocessing conditions营养元素
Nutrient
element建模方法
Modelling
method预处理方法
Preprocessing
method决定系数
R2归一化均
方根误差
NRMSEN GRU SR 0.929 0.083 FD 0.862 0.080 SNV 0.676 0.131 PLSR SR-PCA 0.754 0.155 SVR FD-PCA 0.812 0.136 CNN SR 0.841 0.125 ELM SNV 0.568 0.206 P GRU SR 0.865 0.079 FD 0.801 0.103 SNV 0.697 0.127 PLSR FD-UVE 0.843 0.127 SVR SR 0.775 0.149 CNN SR 0.811 0.136 ELM FD 0.689 0.175 2. 系统设计
2.1 整体设计
针对无移动信号果园实时获取柑橘叶片氮磷元素含量的诸多难点，基于云边端架构对柑橘叶片高光谱氮磷元素检测系统进行概要设计，其总体架构如图3所示。终端负责在偏远柑橘园实地获取柑橘叶片高光谱数据，异常检测初步处理后发送至边缘端。边缘端部署于果园可连接互联网区域(一般为果园管理者居住处)，是终端与边缘端连接的桥梁，负责交互与数据解析，并充当覆盖果园的LoRa网关。云端为大算力平台，搭载反演模型进行反演预测，同时负责数据汇聚和存储。
2.2 光谱数据获取
采用基于GDAL库二次封装的Python模块Rasterio对高光谱图像进行读取，Rasterio支持包括遥感图像在内的多种栅格数据格式，本研究在果园拍摄的光谱图像均采用Rastio模块进行读取，并对指定感兴趣区域(Region of interest，ROI)提取光谱数据。
2.3 光谱异常检测
在户外拍摄柑橘叶片高光谱图像的过程中，受光线反射、折射的干扰，柑橘叶片高光谱图像中部分区域的光谱曲线易出现异常或者偏离现象。如果选取的ROI存在较多异常光谱数据，将极大影响氮磷元素含量的反演精度。本研究采用改进孤立森林(Isolation forest，iForest)联合光谱角匹配(Spectral angle mapper，SAM)异常检测算法对选取的柑橘叶片ROI进行光谱异常检测，舍弃改进iForest与SAM筛选出的离群光谱曲线，对剩余光谱数据求均值以保证反演精度。iForest的核心思想是利用孤立异常值的特性，即异常值在数据集中通常容易被孤立，而正常值则需要更多的划分步骤才能被孤立[32]。iForest算法具有线性时间复杂度和低内存消耗的优点，同时能有效地处理高维数据，在大规模数据集上表现出色，适宜低算力终端设备。本研究采用PCA法将ROI中全部光谱数据降维至二维，随后使用iForest对其进行异常检测。图4a为柑橘叶片上所选择ROI示意图，其由17×17的像元组成，每一个像元都包含256个波段的光谱数据，即1条光谱曲线。使用PCA将上述ROI中17×17条256波段的光谱数据映射至2个维度，具体方式为计算原始数据中不同波段之间的协方差得到协方差矩阵，对协方差矩阵进行特征分解得到特征值和特征向量，取前2个最大的特征值对应的特征向量作为主成分，即特征1与特征2。ROI中原始光谱数据降至二维散点图(图4b)，经iForest筛选后，异常点为红色，正常点为蓝色，去除异常点代表的光谱数据。
![]()
图 4 改进iForest对所选ROI光谱异常检测示意图Figure 4. Schematic diagram of improved iForest detection of spectral outliers for selected ROISAM算法[33]的核心思想是将光谱信息视为光谱空间的高维矢量，通过计算目标样本与已知光谱标准数据样本的夹角，来评估它们之间的相似度，其公式如下：
$$ \theta ={\mathrm{arccos}}\dfrac{{\displaystyle\sum} _{{i}=1}^{{n}}{Y}_{i}{X}_{i}}{\sqrt{{\displaystyle\sum} _{{i}=1}^{{n}}{Y}_{i}^{2}}\sqrt{{\displaystyle\sum} _{{i}=1}^{{n}}{X}_{i}^{2}}} , $$ (2) 式中，Yi和Xi代表待检测光谱和标准光谱中第i波段对应的反射率值，n为光谱曲线波段数，θ为光谱向量之间的广义夹角即光谱角。计算ROI中待测光谱曲线与柑橘叶片标准光谱曲线之间夹角，将夹角大于0.10的部分认定为异常光谱曲线，舍弃。
2.4 稀疏LoRa报文
柑橘园一般地处偏僻区域，在树木密集遮挡环境下，园内移动信号往往较弱或不存在，难以快速将终端采集到的光谱数据传输至边缘端。因此，本研究利用LoRa技术穿透力强、通信距离远的特性，将边缘端设备作为LoRa网关在柑橘园进行LoRa组网传输数据。针对其网络容量有限、数据传输速率较低的缺点，构造稀疏LoRa报文以实现柑橘叶片光谱数据的快速传输。
系统将“1.2”中稀疏表示法光谱预处理于终端与边缘端分步完成，首先将预训练完毕的字典D同时部署于终端和边缘端设备上，终端对采集到的光谱数据使用正交追踪匹配算法分解为稀疏向量α。根据α的稀疏性质，其大部分元素的数值为0，如果仅记录其非0元素的信息，将极大节省空间。随后，构造压缩柑橘叶片高光谱数据的稀疏LoRa报文。报文采用16进制编码方式，记录稀疏向量长度、向量名、以及向量中每一个非0元素的位置与值。终端使用LoRa模块将其发送至边缘端，边缘端基于字典D根据公式(1)进行重构，得到SR预处理后的柑橘叶片光谱数据。
2.5 硬件选择
本研究的终端选用AS15-USB转接板、LoRa433无线串口模块和便携式光谱仪，边缘端选用树莓派4b和LoRa433无线串口模块。
3. 系统实现
3.1 系统硬件
终端由便携式高光谱仪及其自带平板、AS15-USB转接板、LoRa433无线串口模块组成。在终端部署系统客户端软件，实现对光谱数据的提取、处理和通信。边缘端为1块搭载LoRa模块的树莓派4b，搭配LoRa天线和有线传输网络以保证传输稳定。云端服务器采用阿里云服务器，系统为Windows Server，采用IIS10.0服务器搭载系统。
3.2 业务流程
对本研究的主要业务流程进行分析，携带终端设备在柑橘园中检测柑橘叶片氮磷含量的业务流程图如图5所示。
![]()
图 5 柑橘叶片氮磷含量果园检测业务流程图Figure 5. Testing business flowchart of nitrogen and phosphorus contents in citrus leaves3.3 软件设计
3.3.1 数据库设计
根据任务的需求、硬件结构和业务流程，对系统平台数据库进行设计，对数据库中部分重要表格进行说明。首先是任务表，每次采集柑橘叶片光谱数据进行反演预测时，需新建任务批量保存采集光谱样本。任务表记录任务相关信息，包括任务编号、名称、开始时间和结束时间。任务编号唯一，同时作为样本表的外键，以确认样本归属任务。其次为样本表，样本表存储每次任务开始采集的样本，包括样本编号、样本名称、对应任务编号、生成时间、光谱数据、氮磷含量预测值。其中，样本编号唯一，每一个样本都为采集的1条柑橘叶片高光谱反射率，同时配有采集时间及系统预测对应的氮磷含量。
3.3.2 系统实现
在依次对系统需求、结构、业务以及数据库结构进行充分分析后，进行详细设计与编码实现。选用Pycharm开发平台，基于PostgreSQL数据库、Django框架、Bootstrap Web框架和QT5框架，采用Python、HTML5、CSS3、JavaScript语言进行开发。云端与边缘端采用TCP协议通信，边缘端与终端采用LoRa点对点方式通信。系统主体部署于云平台，客户端部署于终端，边缘端为无用户界面脚本。
系统终端软件使用时需先登录客户端新建任务，输入任务名和监听路径(高光谱仪拍摄柑橘叶片保存图像路径)开始检测任务，点击连接按钮连通边缘端。采集样本中的每一个样本为监听路径中的新增高光谱图像，客户端使用Rastio模块读取新增图像供用户操作，同时用户可编辑样本名以便任务完成后查阅。此时，用户需在柑橘叶片图像中框选ROI，点击确认后，客户端将对ROI中的光谱进行异常剔除后求均值，得到1条光谱曲线。用户点击上传按钮后，样本数据将被打包为稀疏LoRa报文发送至边缘端，边缘端解析还原样本数据后经TCP协议发送至云端。云端提取样本中光谱数据后加载反演模型给出预测结果，预测结果原路返回至终端。
云端基于Django框架部署系统主体。首先，进行系统安全控制与用户登录实现。系统使用Django框架中的中间件模块进行访问控制和安全保护，采用Session技术认证用户身份，JWT(JSON web token)技术和md5算法进行安全认证。其次，为柑橘叶片氮磷元素检测模块的实现。本研究将训练得到的反演模型保存为HDF5格式，部署于云服务器。云端接收边缘端发送的样本数据后，提取其中的光谱数据加载反演模型即可完成预测任务，并立刻返回预测结果。用户登录系统后，可以看见设备列表，如有终端设备连接系统，将显示在线设备，可查看进行中和已完成任务。点击进入进行中任务可查看实时采样信息，其中，有实时采集样本列表，每一条样本有其对应预测值，可导出该样本光谱数据，亦可导出该任务下全部光谱数据以及预测值。而后，为了满足用户根据柑橘叶片高光谱图像快速预测其氮磷元素含量的需求，开发高光谱图像预测模块。该模块支持图像内多样本自动预测，即上传一张高光谱图像可预测多个柑橘叶片样本。用户通过浏览器Ip访问本系统，上传本地高光谱图像即可完成预测。最后，为了满足用户不同设备需求，本系统Web端具有自适应屏幕功能，拥有浏览器的小、中、大屏幕设备都可通过Ip地址访问系统。
4. 系统测试
柑橘园内果树密植，叶片密集遮挡且具有较高湿度，在一定程度上加速了电磁波信号传播的衰减。LoRa模块发出的电磁波信号虽穿透力较强，但在柑橘园内的传播效果必然劣于空旷地带。本研究规定柑橘叶片氮磷含量的检测时间从终端设备已获取完整柑橘叶片光谱数据开始，经边缘端传输至云端，预测完毕回传预测结果至终端后结束。对系统的检测流程进行测试，测试结果如表2所示。由表2可知，传输距离在1.5 km之内时，2种方法的耗时以及丢包率相差不大。传输距离增加到2 km后，LoRa报文传输耗时明显增加，且大量丢包，无法完成光谱数据传输任务。稀疏Lora报文传输方式在不同传输距离下的传输耗时和平均检测时间都表现较好，随着距离的增大传输耗时较为稳定，平均检测时间控制在1 s以内，领先于LoRa报文传输方式，且较为稳定。
表 2 系统检测流程测试Table 2. System detection process testing传输方式
Transmission method传输距离/km
Transmission distancet传输/ms
Transmission time丢包率/%
Packet loss ratet检测/s
Detection timeLoRa报文
LoRa message0.5 2091 0 2.52 1.0 2174 0 2.65 1.5 2198 0.21 2.61 2.0 4731 20.34 稀疏LoRa报文
Sparse LoRa message0.5 437 0 0.83 1.0 439 0 0.83 1.5 449 0 0.86 2.0 472 0 0.90 为了测试系统在多种情况下的兼容性以及响应性能，分别在搭载Windows、Ubuntu、MacOS系统的PC端和搭载Android、IOS系统的移动端设备上，使用Edge、Firefox、Chrrome 3款主流浏览器访问本系统进行测试。测试结果表明，系统页面与功能在上述条件下均能正常显示与使用，页面平均加载时间为194.6 ms。其中，加载时间最长的为移动端安卓系统Chrome浏览器，用时278 ms，也在用户可接受等待范围之内。结果表明本系统能够在PC端和移动端的主流浏览器中平稳运行、功能完好、响应时间较短。
5. 结论
本研究针对地处偏远的大面积柑橘园难以及时检测柑橘叶片氮磷元素含量问题，构建基于云边端架构的柑橘叶片氮磷元素含量检测系统。充分训练SR-GRU深度特征反演模型，该模型对柑橘叶片氮磷含量的评价指标分别为R2=0.929、NRMSE=0.083和R2=0.865、NRMSE=0.079，优于所选取对比的机器学习模型与深度学习模型，为检测系统提供高精度、低误差反演模型。对易受户外光线干扰失真的光谱信号提出改进iForest-SAM算法进行异常光谱检验剔除，对波段多、体积大、传输慢的光谱数据提出基于过完备学习字典的稀疏LoRa报文进行快速传输。检测系统运行稳定，单次柑橘叶片氮磷元素检测耗时在1 s以内，满足在偏远地区大面积柑橘园场景下及时获取柑橘叶片氮磷元素含量的需求。
-
![]()
图 1 SR算法预处理前后光谱对比
Figure 1. Spectra comparison before and after preprocessing via SR algorithm
![]()
图 2 GRU结构图
Ht-1：上一时刻隐藏状态；Ht：更新后的隐藏状态；$ \widetilde{H}_t $：候选隐藏状态；tanh：双曲正切函数；Xt：当前时刻输入信息；Rt：重置门；Zt：更新门。
Figure 2. GRU structure diagram
Ht-1: Hidden state at last moment; Ht: Hidden state after update; $\widetilde{H}_t $: Hidden state of candidate; tanh: Hyperbolic tangent function; Xt: Input information at current moment; Rt: Reset gate; Zt: Upgate gate.
![]()
图 4 改进iForest对所选ROI光谱异常检测示意图
Figure 4. Schematic diagram of improved iForest detection of spectral outliers for selected ROI
![]()
图 5 柑橘叶片氮磷含量果园检测业务流程图
Figure 5. Testing business flowchart of nitrogen and phosphorus contents in citrus leaves
表 1 不同预处理条件下GRU及其他模型反演效果
Table 1 Inversion effect of GRU and other models under different preprocessing conditions
营养元素
Nutrient
element建模方法
Modelling
method预处理方法
Preprocessing
method决定系数
R2归一化均
方根误差
NRMSEN GRU SR 0.929 0.083 FD 0.862 0.080 SNV 0.676 0.131 PLSR SR-PCA 0.754 0.155 SVR FD-PCA 0.812 0.136 CNN SR 0.841 0.125 ELM SNV 0.568 0.206 P GRU SR 0.865 0.079 FD 0.801 0.103 SNV 0.697 0.127 PLSR FD-UVE 0.843 0.127 SVR SR 0.775 0.149 CNN SR 0.811 0.136 ELM FD 0.689 0.175 
下载: 导出CSV
表 2 系统检测流程测试
Table 2 System detection process testing
传输方式
Transmission method传输距离/km
Transmission distancet传输/ms
Transmission time丢包率/%
Packet loss ratet检测/s
Detection timeLoRa报文
LoRa message0.5 2091 0 2.52 1.0 2174 0 2.65 1.5 2198 0.21 2.61 2.0 4731 20.34 稀疏LoRa报文
Sparse LoRa message0.5 437 0 0.83 1.0 439 0 0.83 1.5 449 0 0.86 2.0 472 0 0.90
下载: 导出CSV
-
[1] 李苹, 付弘婷, 逄玉万, 等. 有机肥配施化肥对柑橘养分吸收及土壤酶活力的影响[J]. 中国土壤与肥料, 2022(3): 39-45. [2] LIAO L, FU J L, DONG T T, et al. Effects of nitrogen supply on the photosynthetic capacity of the hybrid citrus cultivar ‘Huangguogan’[J]. Photosynthetica, 2019, 57(2): 581-589.
[3] WU S W, LI M, ZHANG C M, et al. Effects of phosphorus on fruit soluble sugar and citric acid accumulations in citrus[J]. Plant Physiology and Biochemistry, 2021, 160: 73-81.
[4] 刘钦普. 国内农田氮磷面源污染风险控制研究进展[J]. 江苏农业科学, 2018, 46(1): 1-5. [5] KADYAMPAKENI D M, MORGAN K T, NKEDI-KIZZA P, et al. Nutrient management options for Florida citrus: A review of NPK application and analytical methods[J]. Journal of Plant Nutrition, 2015, 38(4): 568-583. doi: 10.1080/01904167.2014.934470
[6] YANG X C, LEI S G, ZHAO Y B, et al. Use of hyperspectral imagery to detect affected vegetation and heavy metal polluted areas: A coal mining area, China[J]. Geocarto International, 2022, 37(10): 2893-2912.
[7] 罗锡文, 廖娟, 臧英, 等. 我国农业生产的发展方向: 从机械化到智慧化[J]. 中国工程科学, 2022, 24(6): 46-54. [8] ARIEA RAMIREZ W, MISHRA G, PANDA B K, et al. Multispectral camera system design for replacement of hyperspectral cameras for detection of aflatoxin B1[J]. Computers and Electronics in Agriculture, 2022, 198: 107078. doi: 10.1016/j.compag.2022.107078.
[9] THIEN PHAM Q, LIOU N S. The development of on-line surface defect detection system for jujubes based on hyperspectral images[J]. Computers and Electronics in Agriculture, 2022, 194: 106743. doi: 10.1016/j.compag.2022.106743.
[10] GUO W, LI X X, XIE T H. Method and system for nondestructive detection of freshness in Penaeus vannamei based on hyperspectral technology[J]. Aquaculture, 2021, 538: 736512. doi: 10.1016/j.aguaculture.2021.736512.
[11] 刘翠玲, 闻世震, 孙晓荣, 等. 基于云计算的食品品质实时在线光谱检测系统实现[J]. 食品科学技术学报, 2023, 41(2): 161-170. [12] 王楠, 李震, 李佳盟, 等. 融合多光谱成像与深度学习的作物植株叶绿素检测系统研究[J]. 农业机械学报, 2023, 54(3): 260-269. [13] 蔡健荣, 黄楚钧, 马立鑫, 等. 一维卷积神经网络的手持式可见/近红外柑橘可溶性固形物含量无损检测系统[J]. 光谱学与光谱分析, 2023, 43(4): 2792-2798. [14] COSTA L, KUNWAR S, AMPATZIDIS Y, et al. Determining leaf nutrient concentrations in citrus trees using UAV imagery and machine learning[J]. Precision Agriculture, 2022, 23(3): 854-875.
[15] OSCO L P, RAMOS A P M, FAITA PINHEIRO M M, et al. A machine learning framework to predict nutrient content in Valencia-orange leaf hyperspectral measurements[J]. Remote Sensing, 2020, 12(6): 906. doi: 10.3390/rs12060906.
[16] 岳学军, 凌康杰, 王林惠, 等. 基于高光谱和深度迁移学习的柑橘叶片钾含量反演[J]. 农业机械学报, 2019, 50(6): 186-195. doi: 10.6041/j.issn.1000-1298.2019.03.020 [17] 代秋芳, 廖臣龙, 李震, 等. 基于CARS-CNN的高光谱柑橘叶片含水率可视化研究[J]. 光谱学与光谱分析, 2022, 42(9): 2848-2854. doi: 10.3964/j.issn.1000-0593(2022)09-2848-07 [18] SU H J, JIA C L, ZHENG P, et al. Superpixel-based weighted collaborative sparse regression and reweighted low-rank representation for hyperspectral image unmixing[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 393-408.
[19] PENG G. Learning the sparse prior: Modern approaches[J]. Wiley Interdisciplinary Reviews-Computational Statistics, 2024, 16(1): 1646. doi: 10.1002/wics.1646.
[20] ZHANG X W, XIE L J, WANG J P. Some results on OMP algorithm for MMV problem[J]. Mathematical Methods in the Applied Sciences, 2022, 45(9): 5402-5411.
[21] ZOU H B, WU S S, TIAN M X. Radar quantitative precipitation estimation based on the gated recurrent unit neural network and echo-top data[J]. Advances in Atmospheric Sciences, 2023, 40(6): 1043-1057.
[22] 李亚茹, 张宇来, 王佳晨. 面向超参数估计的贝叶斯优化方法综述[J]. 计算机科学, 2022, 49(3): 86-92. [23] LIU W W, LI M J, ZHANG M Y, et al. Hyperspectral inversion of mercury in reed leaves under different levels of soil mercury contamination[J]. Environmental Science and Pollution Research, 2020, 27(18): 22935-22945.
[24] PENG Y, ZHANG M, XU Z Y, et al. Estimation of leaf nutrition status in degraded vegetation based on field survey and hyperspectral data[J]. Scientific Reports, 2020, 10: 4361. doi: 10.1038/s41598-020-61294-7.
[25] 黄承伟, 戴连奎, 董学锋. 结合SNV的分段直接标准化方法在拉曼光谱模型传递中的应用[J]. 光谱学与光谱分析, 2011, 31(9): 1279-1282. doi: 10.3964/j.issn.1000-0593(2011)05-1279-04 [26] YOON H I, LEE H, YANG J, et al. Predicting models for plant metabolites based on PLSR, AdaBoost, XGBoost, and LightGBM algorithms using hyperspectral imaging of Brassica juncea[J]. Agriculture-Basel, 2023, 13(8): 1477. doi: 10.3990/agriculture13081477.
[27] SHENG H, CHI H X, XU M M, et al. Inland water chemical oxygen demand estimation based on improved SVR for hyperspectral data[J]. Spectroscopy and Spectral Analysis, 2021, 41(10): 3565-3571.
[28] XUE Y C, ZHU C Y, JIANG H. Comparison of the performance of different one-dimensional convolutional neural network models-based near-infrared spectra for determination of chlorpyrifos residues in corn oil[J]. Infrared Physics & Technology, 2023, 132: 104734. doi: 10.1016/j.infrared.2024.104734.
[29] WANG Y, HE Y H, WANG Z G, et al. Information fusion technology for terahertz spectra and hyperspectral imaging in wood species identification[J]. European Journal of Wood and Wood Products, 2024, 82(3): 579-589.
[30] SÁDECKÁ J, JAKUBÍKOVÁ M. Varietal classification of white wines by fluorescence spectroscopy[J]. Journal of Food Science and Technology-Mysore, 2020, 57(7): 2545-2553.
[31] YANG C B, XU J, FENG M C, et al. Evaluation of hyperspectral monitoring model for aboveground dry biomass of winter wheat by using multiple factors[J]. Agronomy-Basel, 2023, 13(4): 983. doi: 10.3390/agronomy13040983.
[32] 张哲宇, 李耀翔, 王志远, 等. 基于IFSR异常样本剔除的落叶松木材密度近红外优化模型的研究[J]. 光谱学与光谱分析, 2022, 42(11): 3395-3402. [33] 刘煊, 渠慎明. 低秩稀疏和改进SAM的高光谱图像误标签检测[J]. 激光技术, 2022, 46(6): 808-816.
计量
- 文章访问数: 44
- HTML全文浏览量: 11
- PDF下载量: 27
