基于高光譜響應的農田大棚EVA棚膜拉伸強度估計

林萍等

摘要：利用高光譜成像技術實現快速估計農田大棚EVA棚膜拉伸強度。采用高光譜儀獲取EVA棚膜波段范圍在978.37～1 676.30 nm之間的特征光譜曲線，利用拉伸強度分析儀獲取樣本拉伸強度保持率，利用化學計量學方法建立反映樣本內部有機分子交聯特性的特征光譜曲線與拉伸強度保持率之間的耦合模型，根據建立的化學計量學模型對未知的EVA棚膜拉伸強度進行估計，其中采用支持向量機（SVM）回歸方法獲得最優預報效果，預報相關系數平方（r2）的百分比達到86.63%，預報均方根誤差（RMSE）為1.049。結果表明，利用高光譜技術結合化學計量學方法用于快速估計農田大棚棚膜拉伸強度是可行的。

關鍵詞：EVA棚膜； 拉伸強度； 高光譜； 化學計量學方法

中圖分類號：S24 文獻標識碼：A 文章編號：0439-8114（2015）18-4599-04

DOI：10.14088/j.cnki.issn0439-8114.2015.18.054

在寒冷、干燥的冬季，農田大棚棚膜可以改善農作物的生長環境，給農作物提供一個溫度、濕度相對適宜的生長環境。優質的大棚棚膜還可以改善土壤的分子結構，激活土壤養分和天然肥料，促進農作物的生長發育，因此農田大棚棚膜在我國得到了廣泛的推廣應用[1]。目前，中國農田大棚棚膜材料主要使用聚氯乙烯（Poly vinyl chloride，PVC），聚乙烯（Poly ethylene，PE）和乙烯-醋酸乙烯共聚物（Ethylene-Vinyl acetate copolymer，EVA）這3種有機材料制成。農田廢棄的PVC殘膜往往會被燃燒掉，但是燃燒的過程中會伴有氯氣生成，容易造成環境污染；若采用PE材料制作大棚棚膜，必須加入添加劑（如耐老化劑、無滴劑、保溫劑等）來提高材料的耐候性及保溫性，但廢棄的PE殘膜燃燒時也會造成環境污染；而EVA材料殘膜可以回收再利用，其制成的大棚具良好的透光性、保溫性及耐候性，而且有研究表明EVA大棚棚膜較之PVC、PE大棚棚膜對大棚蔬菜有較明顯增產效果，并能提高辣椒、番茄等果實的品質。EVA材料制成的薄膜受到了廣大農戶的青睞，已在我國開始推廣[2]。

中國生產EVA棚膜企業繁多，引進的原材料、生產設備和使用加工工藝都各不相同，因此造成EVA棚膜產品質量大不一樣。提高EVA棚膜的使用壽命對于提高農業生產力、節約資源、降低環境污染等具有十分重要的意義。其中，EVA棚膜拉伸強度是決定其使用壽命的關鍵技術指標之一，傳統的物理破壞拉伸強度試驗需要經過漫長的測試周期，大多數農戶必須通過長期生產實踐后才能了解不同廠商生產出來的棚膜的性能，由此會增加農民的生產和投資的成本[3]。本研究利用高光譜成像技術[4]來反映EVA材料內部有機分子交聯特性，并利用化學計量學方法[5]來建立反映樣本內部有機分子交聯特性的特征光譜曲線與拉伸強度保持率的關聯模型，進而實現對農田大棚EVA薄膜拉伸強度快速、無損估計。

1 材料與方法

1.1 材料

試驗農田大棚EVA棚膜分別由山東濰坊、江蘇蘇州和廣州順德某有限公司提供。樣本搭建在鹽城大豐某試驗農田中，1年后取回實驗室進行相關測試分析，其中每類測試樣本各50個，共150個樣本，其中每類樣本各隨機選取40個作為建模集，剩余10個樣本作為測試集。樣本先用高光譜儀進行掃描來獲取反映樣本內部有機分子交聯特性的特征光譜曲線，后再進行拉伸強度測試試驗。

1.2 儀器

試驗用高光譜成像系統組件主要包括：N17E-QE成像光譜儀（Spectral Imaging Ltd. Oulu，Finland）、C-mount 成像鏡頭OLES22（Specim，Spectral Imaging Ltd.，Oulu，Finland）、Fiber-Lite DC950線光源（Dolan JennerIndustries Inc.，USA），IRCP0076型電控移位平臺（Isuzu Optics Corp，中國臺灣），設備均放在密閉的暗室中，物鏡垂直高度設定為293 mm，相機曝光時間設定為2 550 μs，平臺運動速度設定為33 mm/s。近紅外高光譜圖像分辨率大小為320×256像素點，光譜分辨率為5 nm（圖1）。

拉伸強度試驗按GB 13022-91《塑料薄膜拉伸性能試驗方法》進行測試，將原始棚膜用沖刀制作出拉伸試驗用的方形樣本，拉伸強度分析儀采用H25K-S強力機（SDL Atlas Ltd. South Carolina， USA）。

2 理論與算法

2.1 數據預處理

通常采集到的高光譜數據中會摻雜一定的噪聲信號，為了減低噪聲信號對有效特征光譜信息的干擾影響，本研究采用Savitzky-Golay（SG）、Standard Normal Variate（SNV）和Multiplicative Scatter Correction（MSC）算法來消除光譜特征曲線受到隨機噪聲、表面散射光、雜散光等的影響[6]。

2.2 偏最小二乘回歸算法

偏最小二乘回歸（Partial least squares regression，PLSR）[7]是一種多元線性回歸模型，通常被用來描述獨立變量Y與預測變量組X之間的關系：

X=TEin×mPEip×m+EEin×pY=UEin×mQEiq×m+FEin×q （1）

式中，TEin×m和UEin×m分別為矩陣X和Y前m個隱含因子投影空間，PEip×m和QEiq×m分別為相應的投影系數矩陣，EEin×p和FEin×q分別為相應的殘差矩陣。矩陣X和Y之間通過回歸系數B和截距矩陣B0進行聯系：

Y=XB+B0 （2）

2.3 支持向量機回歸

支持向量機（SVM）回歸是通過非線性變換將輸入空間變換到一個高維Hibert空間中，然后在此空間做線性回歸，SVM回歸法假定給定N個點集的訓練數據集∧：

∧={（xi，yi）|xi∈ip}■■

式中，yi對應于自變量xi的預測值。SVM回歸法利用核函數將？漬自變量x投影到高維特征空間中法建立線性擬合方程fi（x）=？棕Ti ？漬（x）+bi，方程可以通過解如下的優化問題來實現：

minimize：？贅（？棕，？灼ij）=■‖wi‖2+？姿∑？灼ij

subject to：1-？灼ij≤■（？棕Ti？漬（x）+bi），0≤？灼ij （3）

式中，？棕表示與模型復雜度相關的因素，？姿是可調參數，？灼ij為松弛變量[8]。

2.4 模型評價

用均方根誤差RMSE和相關系數的平方r2作為模型評價標準[9]：

RMSE=■ （4）

r2=1-■（yi-■i）2/■（yi-■i）2×100% （5）

式中，n表示樣本個數，yi表示真實值，■i表示預測值，■i表示樣本真實值的平均值。建模集和預報集均方根誤差分別用RMSEC和RMSEP表示，相關系數的平方百分值分別用r2C和r2P表示。

3 試驗與分析

3.1 棚膜特征光譜提取

高光譜圖像中的光譜數據與圖像數據之間有著對應的關系，據此在EVA棚膜樣本圖像上選取120×120像素點的感興趣區域，以感興趣區域中所有像素點上的光譜平均反射率值作為該樣本的特征光譜曲線。采用ENVI4.6軟件（Exelis Visual Information Solutions，USA）對采集到的EVA高分子棚膜材料高光譜圖像進行處理。對每幅采集到的高光譜圖像進行校正，圖像校正公式如下：

？贅=（I0-Id）/（Iw-Id）（6）

式中，I0是使用高光譜儀掃描獲得的原始圖像強度值，Id是使用黑板矯正過的高光譜圖像強度值， Iw是使用白板矯正后的高光譜圖像強度值，？贅是矯正后的高光譜圖像強度值。

獲得的3種不同廠商生產的農用棚膜在使用1年后波長為978.37～1 676.30 nm波段范圍內的高光譜特征曲線如圖2所示。

3.2 棚膜拉伸強度

農田大棚EVA棚膜在開始使用時，由于分子之間結構緊密，氧分子比較難以滲透到棚膜內部，3種不同廠商生產的農田大棚EVA棚膜都表現出較好的拉伸強度保持率。但由于棚膜長期暴露在開放式的農田環境中，受到太陽強光輻照、雨露、農藥液體等的侵蝕，氧分子最終會滲透入到棚膜分子間，氧分子會迅速與棚膜分子的自由基結合生成過氧化自由基，迫使EVA分子鏈的斷鏈，從而發生降解反應，降低了棚膜的拉伸強度。表1列出3種不同廠商生產的農田大棚EVA棚膜在使用1年后的拉伸強度保持率統計數據。

3.3 光譜數據預處理

將獲得的3種不同廠商生產的棚膜高光譜數據使用SG、SNV和MSC方法進行預處理，利用PLSR模型來觀測預測處理前后拉伸強度保持率的預測效果，結果見表2。通過比較分析可得，采用MSC方法獲得最優的預測效果，因此在后續試驗中均采用MSC方法對原始光譜數據進行預處理。

3.4 偏最小二乘法試驗結果

將由MSC預處理后的3種不同廠商生產的棚膜高光譜數據作為輸入變量，相應的拉伸強度保持率屬性作為響應變量，通過偏最小二乘法進行建模和預測。建模軟件使用The Unscrambler X 10軟件（CAMO Corporation，USA）。數據首先被進行中心化處理，建模時采用完全交叉驗證法來驗證確定建模隱含因子數[10，11]，當建模最大因子數取10時，累計解釋方差基本達到95%，說明前10個因子可以表達原始測量數據。

3.5 支持向量機試驗結果

本研究多SVM回歸模型采用高斯核函數kernel（x，■）=exp？琢‖x-■‖2將光譜波段范圍在978.37～1 676.30 nm的近紅外高光譜數據映射到高維核空間中，采用網格搜尋法來估計最佳的松弛變量？姿和核參數？琢，算法先使用大柵格進行搜索，并根據獲得的（？姿，？琢）值來訓練模型，再縮小搜尋范圍，采用K-fold交叉驗證參數[8]。通過調整不敏感損失參數？灼的值對建模的數據進行訓練，從中選取最優的組合參數值，當固定核參數？姿=43.82，？琢=0.037和不敏感損失參數？灼=0.236時，高光譜數據與拉伸強度屬性耦合性能最好，試驗結果如表3所示。與PLSR模型相比，校正集和預報集r2分別提升了1.57%和1.24%，相應的RMSE分別減少了0.087和0.031。結果表明，建立的非線性SVM回歸模型對棚膜拉伸強度的預測效果優于線性PLSR模型，原因是特征光譜數據含有一定非線性成分，線性回歸模型在一定程度上無法充分考慮到非線性變量與預報屬性之間的耦合關系。

4 結論

利用高光譜成像技術獲取農田大棚EVA棚膜高光譜圖像數據，通過光譜數據預處理方法消除噪聲信號對有效特征光譜信息的干擾影響，利用偏最小二乘回歸法和SVM回歸法對農田大棚EVA棚膜特征光譜信息和拉伸強度進行關聯。偏最小二乘法雖然可以消除一定程度的變量非線性特性的影響，但本研究中EVA棚膜反射高光譜數據具有較強的非線性特性，影響了線性回歸模型的預報精度。使用SVM回歸法改善了棚膜拉伸強度預報性能，其中，預報相關系數平方百分比達到86.63%，預報均方根誤差為1.049。因此，本研究提出的基于高光譜技術結合化學計量學方法為快速、無損估計農田大棚EVA棚膜拉伸強度提供了一種新方法。

參考文獻：

[1] KITTAS C，TCHAMITCHIAN M， KATSOULAS N， et al. Effect of two UV-absorbing greenhouse-covering films on growth and yield of an eggplant soilless crop[J]. Scientia Horticulturae，2006，110（1）：30-37.

[2] 王立如，房聰玲，徐紹清，等.反光膜應用對大棚葡萄光合特性及果實品質的影響[J].江蘇農業學報，2014，30（4）：863-869.

[3] CHEN J L，KANG S Z，DU T S， et al. Quantitative response of greenhouse tomato yield and quality to water deficit at different growth stages[J]. Agricultural Water Management， 2013， 129： 152-162.

[4] YU K Q，ZHAO Y Z， LI X L， et al. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing[J]. Computers and Electronics in Agriculture， 2014， 103： 1-10.

[5] SYLVIE R D，S？魪BASTIEN P D， FABIEN C D， et al. Process Analytical Technology for the Food Industry[M]. New York：Springer New York， 2014.7-59.

[6] 褚小立，許育鵬，陸婉珍.用于近紅外光譜分析的化學計量學方法研究與應用進展[J].分析化學，2008，36（5）：702-709.

[7] ZHANG Y， FEARN T. A linearization method for partial least squares regression prediction uncertainty[J]. Chemometrics & Intelligent Laboratory Systems， 2015，140（15）：133-140.

[8] FAN R， CHANG K， HSIEH C， et al. LIBLINEAR： A library for large linear classification[J]. Journal of Machine Learning Research， 2008， 9（12）： 1871-1874.

[9] LIN P， CHEN Y M， HE Y， et al. Study on nonlinear multivariate methods combined with the visible near-Infrared spectroscopy （Vis/NIRS） technique for detecting the protein content of cheese[J]. Food and Bioprocess Technology，2014，7（12）： 3359-3369.

[10] LI Y， WANG B F， LEE Y， et al. A comparison of accelerated degradation test by a UV pulse laser and fluorescence tubes for EVA films[A]. IEEE. Photovoltaic Specialist Conference，IEEE 40th[C]. 2014.2188-2190.

[11] SHAO J. Linear model selection by cross-validation[J]. Journal of the American Statistical Association， 2012， 422（88）：486-494.