一种基于高光谱图像的烤烟叶水分含量估测方法

摘要

本发明提出了一种基于高光谱图像的烤烟叶水分含量估测方法，用以解决现有水分测定方法耗时较长，破坏烟叶自身化学成分和组织结构的问题。本发明的步骤为：采集烤烟烟叶叶片的高光谱图像，通过烘箱法测定水分含量建立烟叶含水率数据集；对高光谱图像进行预处理并提取感兴趣区域；采用CARS算法提取感兴趣区域中水分相关光谱的特征波长；对特征波长对应图像进行Mask掩膜标定得烟叶光谱数据集；采用支持向量回归算法构建烤烟叶片水分估测模型并进行训练，根据烟叶含水率数据集进行验证。本发明通过图像数据处理无需对样本进行处理，可以保证样本的完整性，操作简单，且检测结果快速、准确，有效提高了烤烟烟叶水分检测效率。

说明书

技术领域

本发明涉及烤烟生长监测的技术领域，尤其涉及一种基于高光谱图像的烤烟叶水分含量估测方法。

背景技术

烤烟作为一种需水叶用经济作物，烤烟叶片水分含量直接影响着烟叶内的细胞活性、器官和组织功能以及物理特性，对烟叶的化学成分、香气成分和烤后质量会产生一定影响，烟叶成熟期及采后水分含量的变化是调整烘烤工艺的重要依据。

目前，烤烟烟叶水分测定方法主要是烘箱法，将已知重量的烟叶放入烘箱中，105℃杀青20分钟，70℃烘干至恒重，根据烘干前后烟叶的重量差，来计算烟叶叶片的含水率。使用烘箱法进行水分测定存在以下问题：(1)不能直接测定；(2)测定过程耗时较长；(3)烟叶在杀青、烘干过程中，高温环境会破坏烟叶自身化学成分和组织结构。

高光谱成像技术由上世纪末遥感技术发展衍生而来，因其检测快速、无损，同时显示样品光谱信息和图像信息的特点，逐渐应用于生物参数、化学成分预测等领域。目前，高光谱成像技术在小麦、玉米、水稻、苹果等作物监测中均有不同程度的应用，并取得了较好的效果，烟草领域对高光谱监测模型的研究还处于初级阶段，尚未有适用于烤烟的水分监测模型。

发明内容

针对现有烤烟烟叶水分测定方法耗时较长，高温环境破坏烟叶自身化学成分和组织结构的技术问题，本发明提出一种基于高光谱图像的烤烟叶水分含量估测方法，旨在解决烟叶水分测定中耗时长，烟叶自身损耗的问题。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于高光谱图像的烤烟叶水分含量估测方法，其步骤如下：

S1、样本采集：采集烤烟烟叶叶片的高光谱图像，并通过烘箱法测定烟叶叶片的水分含量，建立烟叶含水率数据集；

S2、数据处理：对步骤S1采集的高光谱图像的光谱数据进行预处理，提取预处理后高光谱图像的感兴趣区域；

S3、特征波段提取：采用竞争性自适应重加权算法提取步骤S2中的感兴趣区域中水分相关光谱的特征波长；

S4、对步骤S3中提取的特征波长对应图像进行Mask掩膜标定，得到特征波长对应的烟叶光谱数据集；

S5、构建水分预测模型：采用支持向量回归算法构建烤烟叶片水分估测模型，利用烟叶含水率数据集和烟叶光谱数据集对烤烟叶片水分估测模型进行训练，根据烟叶含水率数据集进行烤烟叶片水分估测模型的验证。

所述步骤S1中采集的烤烟烟叶叶片来自于不同品种、不同部位、不同成熟度的烟叶植株，成熟度包括欠熟、尚熟、适熟和过熟，部位包括上部叶、中部叶和下部叶。

所述步骤S1中采集高光谱图的高光谱图像采集系统的参数为：物距为1m，波长范围为400～1000nm，光谱间距为2.34nm，光源为卤素灯光源；高光谱图像采集系统每次采集前进行黑白板校正。

所述烟叶含水率数据集的建立方法为：

采集不同品种、不同部位、不同成熟度的烤烟叶片样本，在天平上称重得到叶片鲜重，结果精确到小数点后两位；

通过烘箱法将烤烟叶片样本在烘箱中105℃杀青20分钟，70℃烘干至恒重，称取记录叶片干重，通过叶片鲜重和叶片干重的差值，计算烟叶叶片的含水量

所述步骤S2中预处理的方法为一阶导数算法、二阶导数算法、归一化变换、去趋势算法、标准正态变换或多元散射校正中的任意一种或多种。

所述感兴趣区域的提取方法为：对预处理后的高光谱图像进行灰度处理，得到灰度图像；根据灰度值确定阈值，进行图像分割：通过形态学处理进行腐蚀和膨胀，消除噪声，实现灰度图像二值化，其中背景灰度值为0，烟叶叶片区域灰度值为255；根据像素点的灰度值对叶片区域进行定位，选取灰度值为255的区域作为感兴趣区域。

所述步骤S3中竞争性自适应重加权算法以每个波长的回归系数作为参考指标，获取回归系数绝对值大的波长，淘汰回归系数绝对值小的波长，筛选特征波长。

所述Mask掩膜标定的方法为：通过OpenCV库函数，基于感兴趣区域对提取的每个特征波长的图像进行掩膜标定，去除背景图像影响，获取掩膜图像；计算每个特征波长对应的感兴趣区域的平均光谱反射率，建立烟叶光谱数据集。

所述烤烟叶片水分估测模型的构建方法为：将步骤S1得到的烟叶含水率数据集和步骤S4中得到的烟叶光谱数据集融合为样本数据集，并按照80％和20％的比例，随机分为训练集和测试集，将筛选出的特征波长作为支持向量回归模型的输入变量，烟叶水分含量作为目标变量，建立支持向量回归模型，将训练集输入支持向量回归模型中得到烤烟叶片水分估测模型。

所述烤烟叶片水分估测模型的验证方法为：采用sklearn库中的KFold函数进行五折交叉验证，提升模型验证精度，以五折交叉验证的结果对模型精度进行评估，同时根据模型的含水率预测值和实际含水量分别计算测试集和训练集的决定系数R

与现有技术相比，本发明的有益效果：对烟叶高光谱图像数据进行水分相关光谱特征波段提取，构建水分预测模型，反映烟叶叶片水分含量。本发明检测时通过图像数据处理无需对样本进行处理，可以保证样本的完整性，操作简单，且检测结果快速、准确，有效提高了烤烟烟叶水分检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图。

图2为本发明感兴趣区域提取示意图。

图3为本发明进行Mask掩膜后前五个最优特征波段对应的高光谱图像。

图4为本发明烟叶主成分图像图谱特征的支持向量回归模型检验图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施示例提供了一种基于高光谱图像的烤烟叶片水分含量估测方法，具体包括以下步骤：

S1、样本采集：采集烤烟烟叶叶片的高光谱图像，并通过烘箱法测定烟叶样本的水分含量，建立烟叶含水率数据集。

为保证模型的可靠性和样本数据的差异性，采集的烤烟烟叶叶片来自于不同品种、不同部位、不同成熟度的烟叶植株。成熟度包括欠熟、尚熟、适熟、过熟，部位包括上部叶、中部叶和下部叶。采集高光谱图像的参数为：物距为1m，波长范围为400～1000nm，光谱间距为2.34nm，光源为卤素灯光源。

具体实施中，采集不同品种、不同部位、不同成熟度的烟叶样本共100片，在天平上称重得到叶片鲜重，结果精确到小数点后两位(单位g)。

采集高光谱图像，将烟叶样品放到高光谱图像采集系统下采集光谱数据即高光谱图像，为防止采集过程中采集设备或光强对高光谱图像产生噪声影响，每次测定前先进行黑白板校正，调试得到的最优系统参数为：物距为1m，波长范围为400～1000nm，共256个波段，光谱间距为2.34nm，曝光时间10ms。

通过烘箱法测定烟叶样本的水分含量，将烤烟叶片样本在烘箱中105℃杀青20分钟，70℃烘干至恒重，称取记录叶片干重，通过叶片鲜重和叶片干重的差值，来计算烟叶叶片的含水量。烤烟叶片相对含水量(FMC)计算公式为：

S2、数据处理：对步骤S1采集的高光谱图像的光谱数据进行预处理，提取预处理后高光谱图像的感兴趣区域。

为降低或消除原始光谱信息中采集仪器、采集背景、环境杂散光等因素的影响，提取有效光谱信息，提升模型的预测精度，需要对原始光谱数据进行预处理。对原始光谱数据进行预处理的方法为一阶导数算法、二阶导数算法、归一化变换、去趋势算法、标准正态变换或多元散射校正中的任意一种或多种。

具体实施中，对原始光谱数据进行一阶导数处理，可以去除基线漂移，同时放大、分离重叠信息，加强光谱信息。

由于背景和噪声会对高光谱图像产生影响，需要将烟叶叶片与背景分割，烟叶叶片区域即感兴趣区域。

感兴趣区域的提取方法为：首先对预处理后的烤烟烟叶图像进行灰度处理，得到灰度图像，如图2所示，根据灰度值确定阈值，进行图像分割。通过形态学处理进行腐蚀和膨胀，消除噪声，实现灰度图像二值化，其中背景灰度值为0，烟叶叶片区域灰度值为255。根据像素点的灰度值对叶片区域进行定位，选取灰度值为255的区域作为感兴趣区域。基于感兴趣区域提取对应的光谱信息，可以得到一个包含各个波长的图像信息和图像各个像素点的光谱信息的三维数据块，可以反映样本的外在特征、物理结果和内在化学成分。

S3、特征波段提取：采用竞争性自适应重加权算法(CARS)提取步骤S2中的感兴趣区域中水分相关光谱的特征波长。以每个波长的回归系数作为参考指标，获取回归系数绝对值大的波长，淘汰回归系数绝对值小的波长，筛选特征波长。

通过竞争性自适应重加权算法(CARS)提取特征波段。设定采样次数为50次，随着采样次数增加，波长的保留数逐渐减少，最终CARS算法筛选得到20个变量，20个变量对应的特征波长具体如下：408.32nm、448.45nm、480.37nm、504.48nm、529.46nm、543.95nm、578.63nm、634.72nm、669.32nm、698.75nm、702.67nm、736.41nm、767.96nm、795.48nm、812.82nm、835.99nm、867.77nm、879.01nm、910.23nm、986.14nm。

S4、对步骤S3中CARS算法提取的特征波长对应图像进行Mask掩膜标定，提取特征波长对应的烟叶光谱数据集。

Mask掩膜标定的方法为：通过OpenCV库函数，基于步骤S2中的感兴趣区域对步骤S3中提取的每个特征波长的图像进行掩膜标定，去除背景图像影响，获取掩膜图像，如图3所示。计算每个特征波长对应的感兴趣区域的平均光谱反射率，建立烟叶光谱数据集。

S5、构建水分预测模型：采用支持向量回归算法(SVR)构建烤烟叶片水分估测模型，利用烟叶含水率数据集和烟叶光谱数据集对烤烟叶片水分估测模型进行训练，并进行烤烟叶片水分估测模型的验证。

将步骤S1和步骤S4中分别得到的烟叶含水率数据集和光谱数据集融合为样本数据集，并按照80％和20％的比例，随机分为训练集R

调用matplotlib绘图库，对模型预测结果进行可视化，如图4所示。烤烟叶片水分估测模型的训练集决定系数R

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。