谷物聯(lián)合收割機(jī)收獲小麥含雜率高光譜反演研究

陳 滿，倪有亮，金誠謙，徐金山，袁文勝

谷物聯(lián)合收割機(jī)收獲小麥含雜率高光譜反演研究

陳 滿，倪有亮，金誠謙，徐金山，袁文勝

（農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所，南京 210014）

為了實(shí)現(xiàn)機(jī)械化收獲小麥含雜率的快速檢測，以金大豐4LS-7型自走式稻麥聯(lián)合收割機(jī)收獲的小麥樣本為研究對象，利用ASD FieldSpec 4 Wide-Res型地物光譜儀獲取小麥樣本的原始光譜，經(jīng)數(shù)學(xué)變換獲得光譜原始反射率（raw spectral reflectance, REF）和光譜反射率倒數(shù)的對數(shù)（inverse-log reflectance, LR）2種光譜指標(biāo)。通過主成分分析法（principal component analysis, PCA），利用貢獻(xiàn)率高的成分的權(quán)值系數(shù)，優(yōu)選出不同指標(biāo)的小麥樣本光譜的特征波長，并采用最小二乘支持向量機(jī)（least squares support vector machine, LS-SVM）構(gòu)建了基于不同指標(biāo)的小麥樣本含雜率的反演模型，在此基礎(chǔ)上對反演結(jié)果進(jìn)行精度驗(yàn)證和比較。試驗(yàn)結(jié)果表明：建立的含雜率反演模型的建模決定系數(shù)均大于0.9，驗(yàn)證決定系數(shù)均大于0.85，均方根誤差均小于0.29，相對分析誤差均大于2，模型具有較強(qiáng)的擬合效果和預(yù)測能力；利用REF光譜數(shù)據(jù)指標(biāo)建立的反演模型的反演效果優(yōu)于LR光譜數(shù)據(jù)指標(biāo)。該文建立的機(jī)械化收獲小麥樣本含雜率光譜反演模型能夠?qū)崿F(xiàn)含雜率的精準(zhǔn)識別，可為后續(xù)構(gòu)建便攜式含雜率光譜檢測儀提供參考，有助于客觀、定量地表征機(jī)械化收獲的小麥含雜率，為機(jī)械化收獲的小麥的快速檢測提供新途徑。

農(nóng)作物；光譜分析；模型；谷物聯(lián)合收獲機(jī)；含雜率；主成分分析法；最小二乘支持向量機(jī)；高光譜

0 引 言

含雜率是衡量谷物聯(lián)合收割機(jī)作業(yè)質(zhì)量的重要指標(biāo)之一[1]，根據(jù)《谷物聯(lián)合收割機(jī)質(zhì)量評價(jià)技術(shù)規(guī)范NY/T 2090-2011》規(guī)定，對全喂入式的聯(lián)合收割機(jī)要求收獲的小麥含雜率要低于2.0%[2]。但是，目前機(jī)械化聯(lián)合收獲作業(yè)的小麥含雜率檢測仍主要依靠人工完成，效率極其低下[3]，缺乏成熟的在線監(jiān)測手段，僅德國克拉斯公司[4]、比利時(shí)Wallays[5-6]、日本京都大學(xué)的Mahirah等[7-8]以及江蘇大學(xué)李耀明等[9-13]應(yīng)用機(jī)器視覺技術(shù)對其進(jìn)行探索性研究，但前期研究表明：機(jī)器視覺監(jiān)測存在算法復(fù)雜、實(shí)時(shí)性不佳等問題。

近年來，隨著光譜探測技術(shù)的發(fā)展，因其具有快速、準(zhǔn)確性高等特點(diǎn)，在現(xiàn)代農(nóng)業(yè)生產(chǎn)中得到廣泛應(yīng)用[14-18]。Broge等[19]利用遙感光譜數(shù)據(jù)反演葉面積指數(shù)，建立植被指數(shù)和葉面積指數(shù)之間的反演模型，并利用該模型進(jìn)行葉面積指數(shù)反演。Haubrock等[20]構(gòu)建了一種歸一化差異土壤水分指數(shù)，可以非常簡單有效地進(jìn)行土壤含水量反演。Piron等[21]在人工光照條件下利用可見－近紅外區(qū)域的多光譜裝置，對胡蘿卜幼苗及7種雜草進(jìn)行了田間試驗(yàn)，系統(tǒng)整體識別率為72%。樊陽陽等[22]基于近紅外高光譜成像技術(shù)的干制紅審品種鑒別，模型鑒別率大于86.25%。謝巧云等[23]探討利用最小二乘支持向量機(jī)方法和高光譜數(shù)據(jù)對不同條件下冬小麥葉面積指數(shù)的估算能力，結(jié)果表明該方法具有良好的學(xué)習(xí)能力和普適性。但利用高光譜數(shù)據(jù)對機(jī)械化收獲的小麥含雜率反演識別方面的應(yīng)用研究還未見報(bào)道，缺乏對機(jī)械化收獲的小麥含雜率的高光譜反演預(yù)測模型。

本文應(yīng)用光譜探測技術(shù)，以谷物聯(lián)合收割機(jī)機(jī)械化收獲小麥為研究對象，篩選對小麥雜率敏感的特征波長，嘗試?yán)锰卣鞑ㄩL的光譜反射率構(gòu)建小麥含雜率反演模型，并對模型的檢測精度進(jìn)行驗(yàn)證，以期獲得傳統(tǒng)含雜率檢測的替代手段，為小麥含雜率的快速檢測提供參考。

1 試驗(yàn)材料與方法

1.1 試驗(yàn)樣本采集

本次試驗(yàn)樣本來源于江蘇省南京市溧水農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所白馬基地，2018年6月5日試驗(yàn)采用金大豐4LS-7型自走式稻麥聯(lián)合收割機(jī)收獲品種為楊富麥101號的小麥，收獲過程中從出糧口共采集了80個(gè)試驗(yàn)樣本，樣本質(zhì)量平均值為1 000 g，樣本千粒質(zhì)量平均值為39.71 g，含水率平均值為12.4%，樣本采集后置于密封袋中封存、編號后帶回實(shí)驗(yàn)室。

1.2 樣本含雜率的測定

樣本含雜率根據(jù)《谷物聯(lián)合收割機(jī)質(zhì)量評價(jià)技術(shù)規(guī)范NY/T 2090-2011》進(jìn)行測定，含雜率的計(jì)算公式為

式中Z表示含雜率，%；W表示出糧口取小樣中雜質(zhì)的質(zhì)量，g；W表示出糧口取小樣的質(zhì)量，g。

1.3 光譜測定

小麥樣品的高光譜數(shù)據(jù)采用美國ASD公司生產(chǎn)的 FieldSpec 4 Wide-Res型地物光譜儀測得。該光譜儀波譜的范圍為350～2 500 nm，采樣間隔為1.4 nm（350～1 000 nm）和1.1 nm（1 001～2 500 nm），波長重復(fù)性為0.1 nm，波長準(zhǔn)確度為0.5 nm，在可見光和紅外波段光譜分辨率分別為3和30 nm。

如圖1所示，光譜測量在暗室中進(jìn)行，光源為Illuminator Reflectance Lamp，該照明反射燈是美國ASD公司專門為室內(nèi)反射光譜測量設(shè)計(jì)的光源系統(tǒng)。使用25°視場角光纖探頭，光源到小麥表面的距離，光源入射角度和光纖探頭距小麥高度采用張智韜等[24-25]研究的室內(nèi)較為理想的幾何測試參數(shù)組合：=50 cm、=30°、=15 cm。

1.照明反射燈 2.樣品臺 3.電動旋轉(zhuǎn)臺 4.光纖固定支架 5. FieldSpec 4 Wide-Res 型地物光譜儀6.光纖 7.暗室圖

在樣品含雜率光譜數(shù)據(jù)采集與識別過程中，小麥測量樣品平鋪于樣品臺上，覆蓋整個(gè)樣品臺，每個(gè)樣本在4個(gè)方向上（轉(zhuǎn)動3次，每次90°）進(jìn)行測量，每個(gè)方向上保存3條光譜曲線，共12條，利用ViewSpec Pro 軟件進(jìn)行算法平均后得到樣品的實(shí)際反射光譜數(shù)據(jù)。

1.4 樣本數(shù)據(jù)處理

由于樣本光譜數(shù)據(jù)在350～400 nm和2 301～2 500 nm波段的信噪比較低，光譜數(shù)據(jù)波動性大，穩(wěn)定性較差，因此將這2個(gè)波段間的數(shù)據(jù)去除。在小麥樣本原始光譜反射率基礎(chǔ)上，計(jì)算其倒數(shù)之對數(shù)，該處理能夠增強(qiáng)相似光譜之間的差異，適當(dāng)減少隨機(jī)誤差。本文采用這2個(gè)光譜指標(biāo)進(jìn)行數(shù)據(jù)建模，分析光譜與含雜率之間的對應(yīng)關(guān)系。

剔除信噪比較低的波段后，小麥樣本的光譜數(shù)據(jù)仍有1 900個(gè)波段，波段數(shù)據(jù)之間存在大量的冗余和共線性信息，大量數(shù)據(jù)會增加計(jì)算量和模型的復(fù)雜度，因此本文采用主成分分析法提取特征波長，而研究表明在累計(jì)貢獻(xiàn)率大的前幾個(gè)主成分相應(yīng)的權(quán)值系數(shù)曲線中，權(quán)值系數(shù)的絕對值與其相對應(yīng)波長的貢獻(xiàn)程度成正比，因此本文選擇曲線中波峰和波谷處對應(yīng)的波長為特征波長。光譜數(shù)據(jù)經(jīng)過PCA降維處理后，前4個(gè)主成分的累計(jì)貢獻(xiàn)率如表1所示。其中REF的前4個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到了99.21%，而LR的前4個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到了99.59%。

表1 光譜數(shù)據(jù)各主成分累計(jì)貢獻(xiàn)率

為了建立穩(wěn)健的反演模型，將80個(gè)小麥樣品按測定的含雜率Z從大到小排序，每隔2個(gè)樣本取出1個(gè)作為驗(yàn)證集樣本，共取得26個(gè)（32.5%），其余54個(gè)（67.5%）作為建模集樣本，這樣劃分可保證建模樣本與驗(yàn)證樣本范圍一致且分布均勻。小麥樣本含雜率的特征描述見表2。

表2 小麥樣本含雜率統(tǒng)計(jì)特征

1.5 模型建立與驗(yàn)證

本文采用最小二乘支持向量機(jī)建立高光譜數(shù)據(jù)對小麥樣本含雜率的反演模型。LS-SVM是在支持向量機(jī)（squares support vector machine, SVM）的基礎(chǔ)上，通過最小二乘法利用誤差平方和選擇超平面，構(gòu)造平方損失函數(shù)，同時(shí)將SVM的不等式約束條件轉(zhuǎn)換為線性等式，將二次規(guī)劃問題轉(zhuǎn)化為線性求解，其求解速度比SVM更快、效率更高[26]，在高光譜反演模型中得到廣泛應(yīng)用。

LS-SVM的優(yōu)化模型為

式中是松弛向量，ε是擬合誤差；是正規(guī)化參數(shù)，控制對誤差的懲罰程度。為能夠在對偶空間求解二次規(guī)劃式（3），設(shè)Lagrange 泛函為

經(jīng)過整理可得

常用的核函數(shù)有徑向基、多項(xiàng)式、Sigmoid等，引入核函數(shù)的目的是代替高維特征空間的內(nèi)積運(yùn)算，避免出現(xiàn)維數(shù)災(zāi)難[27]。徑向基函數(shù)形式簡單、徑向?qū)ΨQ、光滑性好，在處理非線性數(shù)據(jù)方面具有良好的性能，因此本文采用徑向基函數(shù)作為核函數(shù)，即

本文通過建模決定系數(shù)（R2）、驗(yàn)證決定系數(shù)（R2）、均方根誤差（R）和相對分析誤差（R）來綜合評價(jià)模型的效果。

研究表明，決定系數(shù)（2）是衡量擬合效果的重要指標(biāo)。當(dāng)0.66≤2≤0.80時(shí)，預(yù)測結(jié)果較好，當(dāng)0.80＜2≤0.90時(shí)，預(yù)測結(jié)果很好；當(dāng)2＞0.90時(shí)，預(yù)測結(jié)果極好[28]。R與R的計(jì)算公式為

式中p表示小麥樣本含雜率預(yù)測值，%；r表示小麥樣本含雜率實(shí)測值，%；表示小麥樣本含雜率預(yù)測值的平均值，%；表示樣本的個(gè)數(shù)。

研究表明，當(dāng)相對分析誤差在2.5以上時(shí)，表明模型具有極好的預(yù)測能力；當(dāng)相對分析誤差在2.0～2.5之間時(shí)，表明模型具有很好的定量預(yù)測能力；當(dāng)相對分析誤差在1.8～2.0之間時(shí)，表明模型具有定量預(yù)測能力；當(dāng)相對分析誤差在1.4～1.8之間時(shí)，表明模型具有一般的定量預(yù)測能力；當(dāng)相對分析誤差在1.0～1.4之間時(shí)，表明模型具有區(qū)別高值和低值的能力；當(dāng)相對分析誤差小于1.0時(shí)，表明模型不具備預(yù)測能力[29]。

2 結(jié)果與討論

2.1 不同含雜率小麥樣品的光譜特征分析

機(jī)械化收獲的小麥中，雜質(zhì)主要包括小麥短莖稈、小麥碎莖稈、小麥葉片、小麥籽粒外殼、小石子、泥塊等。其中小麥莖稈、葉片以及籽粒外殼占大多數(shù)。雜質(zhì)的存在會嚴(yán)重影響小麥的品質(zhì)，降低小麥的實(shí)際價(jià)值，也不利于小麥存儲。因此，通過小麥樣本的光譜數(shù)據(jù)建立穩(wěn)健的含雜率反演模型，有利于實(shí)現(xiàn)機(jī)械化收獲小麥含雜率的快速識別，有效提高含雜率檢測效率，更好地指導(dǎo)機(jī)械化收獲作業(yè)，從而提高機(jī)械化收獲質(zhì)量。

圖2是無雜質(zhì)樣本、雜質(zhì)樣本和含雜樣本的原始及預(yù)處理后的光譜反射曲線圖，其中圖2a為試驗(yàn)樣本原始反射光譜曲線，可以發(fā)現(xiàn)，3條光譜曲線波形基本相似，曲線以1 150波段為分界，在401～1 150 nm波段，雜質(zhì)樣本的光譜反射率低于無雜質(zhì)樣本和含雜樣本光譜反射率，而在1 150～2 300 nm波段，純雜質(zhì)樣本的光譜反射率高于無雜質(zhì)樣本和含雜樣本光譜反射率。圖2b是試驗(yàn)樣本原始光譜經(jīng)倒數(shù)之對數(shù)預(yù)處理后的反射曲線圖，由圖2b可見，針對3種不同的試驗(yàn)樣本，在光譜反射率上存在明顯的差異性，這為通過光譜反射率建立穩(wěn)健的含雜率反演模型奠定理論基礎(chǔ)。

圖3是從80個(gè)試驗(yàn)樣本中挑選的5條比較典型的小麥試驗(yàn)樣本原始及預(yù)處理后的光譜反射曲線圖，其中圖3a為試驗(yàn)樣本原始反射光譜曲線，可以發(fā)現(xiàn)，5條光譜曲線波形基本相似，同時(shí)小麥樣本光譜反射率隨著含雜率的增加而增加。圖3b是試驗(yàn)樣本原始光譜經(jīng)倒數(shù)之對數(shù)預(yù)處理后的反射率圖，由圖3b可見，挑選的5個(gè)試驗(yàn)樣本在光譜反射率上存在明顯的差異性，但經(jīng)倒數(shù)之對數(shù)預(yù)處理后小麥樣本光譜反射率隨著含雜率的增加而降低。

a. 原始光譜反射率

a. Raw spectral reflectance

b. 光譜反射率倒數(shù)的對數(shù)

a. 原始光譜反射率

a. Raw spectral reflectance

b. 光譜反射率倒數(shù)的對數(shù)

2.2 基于主成分分析法的特征波長篩選

以建模集光譜數(shù)據(jù)作為輸入，采用PCA選取特征波長，圖4為主成分分析法選擇的特征波長。從表1和圖4得知，REF的前2個(gè)主成分PC1和PC2的貢獻(xiàn)率分別是79.95%和17.84%，累計(jì)貢獻(xiàn)率達(dá)到了97.79%，因此從得到的這2個(gè)主成分的權(quán)值系數(shù)曲線中提取10個(gè)特征波長，分別是500、689、1 007、1 117、1 205、1 211、1 308、1 381、1 670和1 800 nm。LR的前2個(gè)主成分PC1和PC2的貢獻(xiàn)率分別是85.56%和13.45%，累計(jì)貢獻(xiàn)率達(dá)到了99.01%，因此從得到的這2個(gè)主成分的權(quán)值系數(shù)曲線中提取10個(gè)特征波長，分別是498、502、691、700、1 205、1 373、1 665、1 788、1 798和1 854 nm。

a. 原始光譜反射率

a. Raw spectral reflectance

b. 光譜反射率倒數(shù)的對數(shù)

本文利用主成分分析法篩選得到了不同光譜指標(biāo)下的特征波長，圖5列舉了3個(gè)典型含雜率試驗(yàn)樣本的各個(gè)特征波長的反射率。不同特征波段，樣本光譜的反射率存在差異性，REF反射率的波峰出現(xiàn)在1 117 nm，波谷出現(xiàn)在500 nm；與之相反，LR反射率的波峰出現(xiàn)在498和502 nm，波谷出現(xiàn)在1 205 nm。圖6是試驗(yàn)樣本光譜反射率變異系數(shù)條形圖，比較各個(gè)特征波段樣本光譜反射率的變異系數(shù)，發(fā)現(xiàn)REF反射率變異系數(shù)的最大值為13.5%，最小值為2.98%，平均值為6.23%；LR反射率變異系數(shù)的最大值為9.20%，最小值為2.38%，平均值為5.91%。相對而言，不同特征波段，REF反射率的波動大，LR反射率則相對集中。

a. 原始光譜反射率

a. Raw spectral reflectance

b. 光譜反射率倒數(shù)的對數(shù)

圖6 樣本特征波長光譜反射率變異系數(shù)（主成分分析法）

2.3 基于最小二乘支持向量機(jī)的建模

利用REF和LR 2種光譜數(shù)據(jù)指標(biāo)，基于LS-SVM建立的小麥含雜率反演模型的結(jié)果的散點(diǎn)圖如圖7所示。利用REF光譜數(shù)據(jù)指標(biāo)建模集的相對誤差最大值為10.07%，最小值為0.06%，平均值為2.05%；驗(yàn)證集的誤差絕對值最大值為16.98%，最小值為1.59%，平均值為3.38%。利用LR光譜數(shù)據(jù)指標(biāo)建模集的相對誤差最大值為14.69%，最小值為0.03%，平均值為3.48%；驗(yàn)證集的相對誤差最大值為24.85%，最小值為0.89%，平均值為5.69%。由此可見，利用REF光譜數(shù)據(jù)指標(biāo)建立的反演模型效果較佳。

a. 原始光譜反射率

a. Raw spectral reflectance

b. 光譜反射率倒數(shù)的對數(shù)

模型綜合評價(jià)結(jié)果如表3所示，由表3可知，利用REF光譜數(shù)據(jù)指標(biāo)建立的反演模型的反演效果優(yōu)于LR光譜數(shù)據(jù)指標(biāo)。REF光譜數(shù)據(jù)指標(biāo)建模決定系數(shù)達(dá)到0.958，而驗(yàn)證決定系數(shù)達(dá)到了0.902，由此可見利用REF光譜數(shù)據(jù)指標(biāo)建立的模型擬合效果極好。同時(shí)REF光譜數(shù)據(jù)指標(biāo)建模相對分析誤差達(dá)到2.31，表明模型具有很好的定量預(yù)測能力。光譜原始數(shù)據(jù)經(jīng)過數(shù)學(xué)交換預(yù)處理后，模型的誤差略微增加，但模型依舊具有較好的擬合和預(yù)測效果。

表3 LS-SVM反演模型綜合評價(jià)結(jié)果

2.4 討 論

1）由于小麥莖稈和籽粒有較大的光譜差異，在無雜質(zhì)小麥樣本中，光譜反射率主要由小麥籽粒結(jié)構(gòu)決定，當(dāng)小麥樣本中混入雜質(zhì)后，光譜反射率會隨著混入雜質(zhì)的不同發(fā)生變化，且不同含雜率的小麥樣本光譜特征具有較好的光譜響應(yīng)規(guī)律。因此利用光譜數(shù)據(jù)反演機(jī)械化收獲小麥含雜率是可行的。

2）采用主成分分析方法處理樣本的光譜數(shù)據(jù)，在實(shí)現(xiàn)數(shù)據(jù)降維的同時(shí)，又盡可能保留了樣本原有信息。本文通過前2個(gè)主成分權(quán)值，獲得REF的10個(gè)特征波長為500、689、1 007、1 117、1 205、1 211、1 308、1 381、1 670和1 800 nm，LR的10個(gè)特征波長為498、502、691、700、1 205、1 373、1 665、1 788、1 798和1 854 nm。試驗(yàn)發(fā)現(xiàn)2種光譜指標(biāo)獲得的特征波段相近，并且存在重疊的波段。基于REF指標(biāo)構(gòu)建的最小二乘支持向量機(jī)小麥含雜率反演模型的精度和穩(wěn)定性最佳，具有較強(qiáng)的擬合效果和預(yù)測能力，建模決定系數(shù)達(dá)到0.958，而驗(yàn)證決定系數(shù)達(dá)到了0.902，均方根誤差0.198，相對分析誤差達(dá)到2.31。

3）雖然本文在小麥含雜率光譜響應(yīng)機(jī)理解析方面取得了一定的進(jìn)展，但仍存在不足之處。受限于農(nóng)業(yè)復(fù)雜作業(yè)環(huán)境，在室內(nèi)開展了小麥含雜率光譜反演識別模型的研究，該方法雖然精度較高，但不利于小麥含雜率田間實(shí)時(shí)檢測，在今后的研究中有必要探索一種高精度且方便田間實(shí)時(shí)采集的裝置，從而實(shí)現(xiàn)小麥含雜率機(jī)械化收獲作業(yè)過程在線檢測。小麥含雜率光譜響應(yīng)機(jī)理的相關(guān)研究未見報(bào)道，本文采用了常規(guī)穩(wěn)健的方法來探索基于光譜數(shù)據(jù)反演小麥含雜率的可能性，后續(xù)將會結(jié)合更多相關(guān)算法，進(jìn)一步開展相關(guān)研究工作，比較各個(gè)算法的成效，以期獲得最適合的方法。

3 結(jié) 論

本文利用FieldSpec 4 Wide-Res型地物光譜儀獲取谷物聯(lián)合收割機(jī)收獲小麥樣本的光譜數(shù)據(jù)，基于LS-SVM構(gòu)建了小麥含雜率反演模型，檢測小麥樣本的含雜率，主要獲得以下結(jié)論：

1）不同含雜率的小麥樣本的光譜反射率存在明顯的差異性，并且在特征波段具有較好的光譜響應(yīng)規(guī)律。

2）小麥含雜率光譜反演模型的建模決定系數(shù)均大于0.9，驗(yàn)證決定系數(shù)均大于0.85，均方根誤差均小于0.29，相對分析誤差均大于2，模型具有較強(qiáng)的擬合效果和預(yù)測能力。REF光譜數(shù)據(jù)的反演效果優(yōu)于LR光譜數(shù)據(jù)。

綜上，基于LS-SVM的小麥樣本光譜反演模型能夠?qū)崿F(xiàn)含雜率的精準(zhǔn)識別，可為后續(xù)構(gòu)建便攜式含雜率光譜檢測儀提供參考，有助于客觀、定量地表征機(jī)械化收獲的小麥含雜率，為機(jī)械化收獲的小麥的快速檢測提供了新途徑。

[1] 李少昆，王克如，謝瑞芝，等. 玉米子粒機(jī)械收獲破碎率研究[J]. 作物雜志，2017(2)：76－80.

Li Shaokun, Wang Keru, Xie Ruizhi, et al. Grain breakage rate of maize by mechanical harvesting in China[J]. Crops, 2017(2): 76－80. (in Chinese with English abstract)

[2] 農(nóng)業(yè)部農(nóng)業(yè)機(jī)械化管理司. 谷物聯(lián)合收割機(jī)質(zhì)量評價(jià)技術(shù)規(guī)范NY/T 2090-2011[S]. 北京：中國農(nóng)業(yè)出版社，2011.

[3] 王志明. 橫置差速軸流脫分選系統(tǒng)工作機(jī)理及設(shè)計(jì)研究[D]. 西安：長安大學(xué)，2017.

Wang Zhiming. Study on Work Mechanism and Design of Axial Flow Differential-Speed Threshing-Separating- Cleaning Unit[D]. Xi’an: Chang’an University, 2017. (in Chinese with English Abstract)

[4] 梁學(xué)修. 聯(lián)合收獲機(jī)自動監(jiān)測系統(tǒng)研究[D]. 北京：中國農(nóng)業(yè)機(jī)械化科學(xué)研究院，2013.

Liang Xuexiu. Study on Automatic Monitoring System for Combine Harvester[D]. Beijing: Chinese Academy of Agricultural Mechanization Sciences, 2013. (in Chinese with English Abstract)

[5] Wallays C, Missotten B, Baerdemaeker J D, et al. Hyperspectral waveband selection for on-line measurement of grain cleanness[J]. Biosystems Engineering, 2009, 104(1): 1－7.

[6] Wallays C, Saeys W, Baerdemaeker J D, et al. Material other than grain and broken grain sensor for combine harvesters[J]. Agricultural Engineering, 2007, 14: 373－378.

[7] Mahirah J, Yamamoto K, Miyamoto M, et al. Monitoring harvested paddy during combine harvesting using a machine vision-Double lighting system[J]. Engineering in Agriculture, Environment and Food, 2017, 10(2): 140－149.

[8] Mahirah J, Yamamoto K, Miyamoto M, et al. Double lighting machine vision system to monitor harvested paddy grain quality during head-feeding combine harvester operation[J]. Machines, 2015(3): 352－363.

[9] 李耀明，梁振偉，徐立章. 一種糧箱籽粒含雜率、破碎率監(jiān)測裝置及其監(jiān)測方法：CN106404679A[P]. 2017-02-15.

[10] 梁振偉，李耀明，徐立章. 一種糧箱籽粒含雜率、破碎率監(jiān)測裝置：CN206223641U[P]. 2017-06-06.

[11] 陳進(jìn)，陳璇，李耀明，等. 一種聯(lián)合收割機(jī)糧箱中谷物破碎在線監(jiān)測系統(tǒng)及方法：CN105806751A[P]. 2016-07-27.

[12] 陳進(jìn)，顧琰，練毅，等. 基于機(jī)器視覺的水稻雜質(zhì)及破碎籽粒在線識別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(13)：187－194.

Chen Jin, Gu Yan, Lian Yi, et al. Online recognition method of impurities and broken paddy grains based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 187－194. (in Chinese with English abstract)

[13] 陳璇. 聯(lián)合收獲機(jī)谷物破碎率、含雜率監(jiān)測方法及系統(tǒng)研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2017.

Chen Xuan. Research on the Methods and Systems for Monitoring Grain’S Crushing Rate and Impurity Rate for Combine Harvester[D]. Zhenjiang: Jiangsu University, 2017. (in Chinese with English Abstract)

[14] 俞浩，呂美巧，劉麗敏，等. 高光譜成像與圖像結(jié)合進(jìn)行油菜角果蚜蟲侵染的定位識別[J]. 光譜學(xué)與光譜分析，2017，37(10)：3193－3197.

Yu Hao, Lü Meiqiao, Liu Limin, et al. Identification of aphid infection on rape pods using hyperspectral imaging combined with image processing[J]. Spectroscopy and Spectral Analysis, 2017, 37(10): 3193－3197. (in Chinese with English abstract)

[15] 刁萬英，劉剛，胡克林. 基于高光譜特征與人工神經(jīng)網(wǎng)絡(luò)模型對土壤含水量估算[J]. 光譜學(xué)與光譜分析，2017，37(3)：841－846.

Diao Wanying, Liu Gang, Hu Kelin. Estimation of soil water content based on hyperspectral features and the ANN model[J]. Spectroscopy and Spectral Analysis, 2017, 37(3): 841－846. (in Chinese with English abstract)

[16] 王冰玉，孫威江，黃艷，等. 基于遺傳算法的安溪鐵觀音品質(zhì)快速評價(jià)研究[J]. 光譜學(xué)與光譜分析，2017，37(4)：1100－1104.

Wang Bingyu, Sun Weijiang, Huang Yan, et al. Rapid quality evaluation of Anxi Tieguanyin tea based on genetic algorithm[J]. Spectroscopy and Spectral Analysis, 2017, 37(4): 1100－1104. (in Chinese with English abstract)

[17] 王武，王建明，李穎，等. 近紅外特征波長篩選在勾兌梨汁中原汁含量的快速檢測中的應(yīng)用[J]. 光譜學(xué)與光譜分析，2017，37(10)：3058－3062.

Wang Wu, Wang Jianming, Li Ying, et al. Application of characteristic wavelength variable application of NIR spectroscopy based on swarm intelligence optimization algorithms and SPA in fast detecting of blending pear juice[J]. Spectroscopy and Spectral Analysis, 2017, 37(10): 3058－3062. (in Chinese with English abstract)

[18] 張立國，程佳佳，倪力軍，等. 紫外、近紅外、多源復(fù)合光譜信息的銀杏葉質(zhì)量快速分析[J]. 光譜學(xué)與光譜分析，2017，37(10)：3063－3069.

Zhang Liguo, Cheng Jiajia, Ni Lijun, et al. Rapid analysis of the quality of ginkgo biloba leaf based on UV, near infrared and multi-source composite spectral information[J]. Spectroscopy and Spectral Analysis, 2017, 37(10): 3063－3069. (in Chinese with English abstract)

[19] Broge N H, and J.V Mortensen. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing of Environment, 2002, 81(1): 45－57.

[20] Haubrock S N, Chabrillat S, Lemmnitz C, et al. Surface soil moisture quantification models from reflectance data under field conditions[J]. International Journal of Remote Sensing, 2008, 29(1): 3－29.

[21] Piron A, Leemans V, Kleynen O, et al. Selection of the most efficient wavelength bands for discriminating weeds from crop[J]. Computers and Electronics in Agriculture, 2008, 62(2): 141－148.

[22] 樊陽陽，裘正軍，陳儉，等. 基于近紅外高光譜成像技術(shù)的干制紅棗品種鑒別[J]. 光譜學(xué)與光譜分析，2017，37(3)：836－840.

Fan Yangyang, Qiu Zhengjun, Chen Jian, et al. Identification of varieties of dried red jujubes with near-infrared hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2017, 37(3): 836－840. (in Chinese with English abstract)

[23] 謝巧云，黃文江，梁棟，等. 最小二乘支持向量機(jī)方法對冬小麥葉面積指數(shù)反演的普適性研究[J]. 光譜學(xué)與光譜分析，2014，34(2)：489－493.

Xie Qiaoyun, Huang Wenjiang, Liang Dong, et al. Research on universality of least squares support vector machine method of estimating leaf area index of winter wheat[J]. Spectroscopy and Spectral Analysis, 2017, 34(2): 489－493. (in Chinese with English abstract)

[24] 張智韜，王海峰，Karnieli Arnon，等. 基于嶺回歸的土壤含水率高光譜反演研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(5)：489－493.

Zhang Zhitao, Wang Haifeng, Karnieli Arnon, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of Chinese Society for Agricultural Machinery, 2018, 49(5): 489－493.(in Chinese with English abstract)

[25] 洪永勝，于雷，耿雷，等. 應(yīng)用 DS 算法消除室內(nèi)幾何測試條件對土壤高光譜數(shù)據(jù)波動性的影響[J]. 華中師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，50(2)：303－308.

Hong Yongsheng, Yu Lei, Geng Lei, et al. Using direct standardization algorithm to eliminate the effect of laboratory geometric parameters on soil hyperspectral data fluctuate characteristic[J]. Journal of Central China Normal University: Natural Sciences, 2016, 50(2): 303－308. (in Chinese with English abstract)

[26] 彭小婷，高文秀，王俊杰. 基于包絡(luò)線去除和偏最小二乘的土壤參數(shù)光譜反演[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2014，39(7)：862－866.

Peng Xiaoting, Gao Wenxiu, Wang Junjie. Inversion of soil parameters from hyperspectral based on continuum removal andpartial least squares regression[J].Geomatics and Information Science of Wuhan University, 2014, 39(7): 862－866. (in Chinese with English abstract)

[27] 劉其琛，穆煒煒. 最小二乘支持向量機(jī)的核函數(shù)及參數(shù)選擇算法研究[J]. 電腦知識與技術(shù)，2015，11(19)：160－162.

Liu Qichen, Mu Weiwei. Select LS-SVM kernel function and parameters algorithm[J].Computer Knowledge and Technology, 2015, 11(19): 160－162. (in Chinese with English abstract)

[28] 殷哲，雷廷武，陳展鵬，等. 近紅外傳感器測量不同種類土壤含水率的適應(yīng)性研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(3)：148－151.

Yin Zhe, Lei Tingwu, Chen Zhanpeng, et al. Adaptability of near-infrared sensor for moisture measurement of different soils[J].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(3): 148－151. (in Chinese with English abstract)

[29] 張秋霞，張合兵，張會娟，等. 糧食主產(chǎn)區(qū)耕地土壤重金屬高光譜綜合反演模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(3)：148－155.

Zhang Qiuxia, Zhang Hebing, Zhang Huijuan, et al. Hybrid inversion model of heavy metals with hyperspectral reflectance in cultivated soils of main grain producing areas[J].Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 148－155. (in Chinese with English abstract)

High spectral inversion of wheat impurities rate for grain combine harvester

Chen Man, Ni Youliang, Jin Chengqian, Xu Jinshan, Yuan Wensheng

(,,210014,)

The impurities rate is one of the important parameters to measure the quality of wheat combined harvesting mechanized operation. Obtaining impurities rate quickly and timely can grasp the quality of work of the combine harvester, which is very important for the agricultural production. In order to solve the problem of low efficiency of artificial detection of impurities rate and lack of mature grain impurities rate identification system in wheat harvesting mechanization operation, this paper tried to establish an spectral inversion model of impurities rate of wheat by using spectral technology, so as to achieve the goal of rapid nondestructive detection of impurities rate of wheat. The wheat spectral reflectance provided an alternative method to classical physical and chemical analysis of the impurities rate of wheat in laboratory. Therefore, the impurities rate of wheat was quickly achieved by using hyperspectral technology. First of all, totally 80 wheat samples were collected from the combine harvester model 4LS-7 made by Jindafeng. The impurities rate of these wheat samples was analyzed in the process of physical in laboratory. After that, the raw hyperspectral reflectance of wheat samples was measured by the FieldSpec 4 model Wide-Res instrument Made by ASD equipped with a high intensity contact probe under the darkroom conditions. Then, after preprocessing and mathematical exchange of the original spectral data,2 spectral parameters were obtained, namely, the original spectral reflectivity (REF) and the spectral reflectivity after logarithmic reciprocal treatment (LR). The impurities rate inversion model of grain combine harvester was established by using the 2 spectral parameters. Next, in order to get characteristic wavelengths, the application of principal component analysis (PCA) was explored in the optimization and quantitative analysis of hyperspectral bands. At the same time, the regression models of impurities rate with different parameters were established by least squares support vector machine (LS-SVM). Finally, the inversion results of the model were validated and compared with each other. The results showed that there were significant differences in the impurities rate of wheat samples obtained by mechanized harvesting, with the maximum and minimum impurities rate of 2.99% and 1.52% respectively. The mean impurities rate of the test samples was 2.28%, the standard deviation was 0.458, and the coefficient of variation was 20.09%. The experimental results showed that the sensitive bands of REF were 500, 689, 1 007, 1 117, 1 205, 1 211, 1 308, 1 381, 1 670 and 1 800 nm. Simultaneously, the sensitive bands of LR were 498, 502, 691, 700, 1 205, 1 373, 1 665, 1 788, 1 798 and 1 854 nm. The result indicated that PCA method could not only achieve the efficient selection of hyperspectral bands, but also retained the original sample information. The REF was the optimal spectral index in LS-SVM regression model (the modeling determination coefficient was 0.958, and the verification determination coefficient was 0.902). The REF hyperspectral inversion model based on LS-SVM can realize rapid monitoring of the quality of work of grain combine harvester in the future.

crops; spectrum analysis; models; grain combine harvester; impurities rate; principal component analysis; least squares support vector machine; hyperspectral remote sensing

2018-11-27

2019-06-25

國家重點(diǎn)研發(fā)計(jì)劃“智能農(nóng)機(jī)裝備”重點(diǎn)專項(xiàng)（2017YFD0700305，2016YFD0702003）；中央級公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)（S201818，S201902）

陳 滿，博士，助理研究員，主要從事智能農(nóng)機(jī)控制及自動化裝備研究。Email：chm_world@163.com

金誠謙，博士，研究員，博士生導(dǎo)師，主要從事智能農(nóng)機(jī)及農(nóng)業(yè)機(jī)械化研究。Email：412114402@qq.com

10.11975/j.issn.1002-6819.2019.14.003

S225.31; O657.39

A

1002-6819(2019)-14-0022-08

陳 滿，倪有亮，金誠謙，徐金山，袁文勝. 谷物聯(lián)合收割機(jī)收獲小麥含雜率高光譜反演研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(14)：22－29. doi：10.11975/j.issn.1002-6819.2019.14.003 http://www.tcsae.org

Chen Man, Ni Youliang, Jin Chengqian, Xu Jinshan, Yuan Wensheng. High spectral inversion of wheat impurities rate for grain combine harvester[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 22－29. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.14.003 http://www.tcsae.org