谷物聯合收割機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

谷物聯合收割機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

（農業農村部南京農業機械化研究所，南京 210014）

為了實現機械化收獲小麥含雜率的快速檢測，以金大豐4LS-7型自走式稻麥聯合收割機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，經數學變換獲得光譜原始反射率（raw spectral reflectance, REF）和光譜反射率倒數的對數（inverse-log reflectance, LR）2種光譜指標。通過主成分分析法（principal component analysis, PCA），利用貢獻率高的成分的權值系數，優選出不同指標的小麥樣本光譜的特征波長，并采用最小二乘支持向量機（least squares support vector machine, LS-SVM）構建了基于不同指標的小麥樣本含雜率的反演模型，在此基礎上對反演結果進行精度驗證和比較。試驗結果表明：建立的含雜率反演模型的建模決定系數均大于0.9，驗證決定系數均大于0.85，均方根誤差均小于0.29，相對分析誤差均大于2，模型具有較強的擬合效果和預測能力；利用REF光譜數據指標建立的反演模型的反演效果優于LR光譜數據指標。該文建立的機械化收獲小麥樣本含雜率光譜反演模型能夠實現含雜率的精準識別，可為后續構建便攜式含雜率光譜檢測儀提供參考，有助于客觀、定量地表征機械化收獲的小麥含雜率，為機械化收獲的小麥的快速檢測提供新途徑。

農作物；光譜分析；模型；谷物聯合收獲機；含雜率；主成分分析法；最小二乘支持向量機；高光譜

0 引 言

含雜率是衡量谷物聯合收割機作業質量的重要指標之一[1]，根據《谷物聯合收割機質量評價技術規范NY/T 2090-2011》規定，對全喂入式的聯合收割機要求收獲的小麥含雜率要低于2.0%[2]。但是，目前機械化聯合收獲作業的小麥含雜率檢測仍主要依靠人工完成，效率極其低下[3]，缺乏成熟的在線監測手段，僅德國克拉斯公司[4]、比利時Wallays[5-6]、日本京都大學的Mahirah等[7-8]以及江蘇大學李耀明等[9-13]應用機器視覺技術對其進行探索性研究，但前期研究表明：機器視覺監測存在算法復雜、實時性不佳等問題。

近年來，隨著光譜探測技術的發展，因其具有快速、準確性高等特點，在現代農業生產中得到廣泛應用[14-18]。Broge等[19]利用遙感光譜數據反演葉面積指數，建立植被指數和葉面積指數之間的反演模型，并利用該模型進行葉面積指數反演。Haubrock等[20]構建了一種歸一化差異土壤水分指數，可以非常簡單有效地進行土壤含水量反演。Piron等[21]在人工光照條件下利用可見－近紅外區域的多光譜裝置，對胡蘿卜幼苗及7種雜草進行了田間試驗，系統整體識別率為72%。樊陽陽等[22]基于近紅外高光譜成像技術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方法和高光譜數據對不同條件下冬小麥葉面積指數的估算能力，結果表明該方法具有良好的學習能力和普適性。但利用高光譜數據對機械化收獲的小麥含雜率反演識別方面的應用研究還未見報道，缺乏對機械化收獲的小麥含雜率的高光譜反演預測模型。

本文應用光譜探測技術，以谷物聯合收割機機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，嘗試利用特征波長的光譜反射率構建小麥含雜率反演模型，并對模型的檢測精度進行驗證，以期獲得傳統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 試驗材料與方法

1.1 試驗樣本采集

本次試驗樣本來源于江蘇省南京市溧水農業農村部南京農業機械化研究所白馬基地，2018年6月5日試驗采用金大豐4LS-7型自走式稻麥聯合收割機收獲品種為楊富麥101號的小麥，收獲過程中從出糧口共采集了80個試驗樣本，樣本質量平均值為1 000 g，樣本千粒質量平均值為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、編號后帶回實驗室。

1.2 樣本含雜率的測定

樣本含雜率根據《谷物聯合收割機質量評價技術規范NY/T 2090-2011》進行測定，含雜率的計算公式為

式中Z表示含雜率，%；W表示出糧口取小樣中雜質的質量，g；W表示出糧口取小樣的質量，g。

1.3 光譜測定

小麥樣品的高光譜數據采用美國ASD公司生產的 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），波長重復性為0.1 nm，波長準確度為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行，光源為Illuminator Reflectance Lamp，該照明反射燈是美國ASD公司專門為室內反射光譜測量設計的光源系統。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]研究的室內較為理想的幾何測試參數組合：=50 cm、=30°、=15 cm。

1.照明反射燈 2.樣品臺 3.電動旋轉臺 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據采集與識別過程中，小麥測量樣品平鋪于樣品臺上，覆蓋整個樣品臺，每個樣本在4個方向上（轉動3次，每次90°）進行測量，每個方向上保存3條光譜曲線，共12條，利用ViewSpec Pro 軟件進行算法平均后得到樣品的實際反射光譜數據。

1.4 樣本數據處理

由于樣本光譜數據在350～400 nm和2 301～2 500 nm波段的信噪比較低，光譜數據波動性大，穩定性較差，因此將這2個波段間的數據去除。在小麥樣本原始光譜反射率基礎上，計算其倒數之對數，該處理能夠增強相似光譜之間的差異，適當減少隨機誤差。本文采用這2個光譜指標進行數據建模，分析光譜與含雜率之間的對應關系。

剔除信噪比較低的波段后，小麥樣本的光譜數據仍有1 900個波段，波段數據之間存在大量的冗余和共線性信息，大量數據會增加計算量和模型的復雜度，因此本文采用主成分分析法提取特征波長，而研究表明在累計貢獻率大的前幾個主成分相應的權值系數曲線中，權值系數的絕對值與其相對應波長的貢獻程度成正比，因此本文選擇曲線中波峰和波谷處對應的波長為特征波長。光譜數據經過PCA降維處理后，前4個主成分的累計貢獻率如表1所示。其中REF的前4個主成分的累計貢獻率達到了99.21%，而LR的前4個主成分的累計貢獻率達到了99.59%。

表1 光譜數據各主成分累計貢獻率

為了建立穩健的反演模型，將80個小麥樣品按測定的含雜率Z從大到小排序，每隔2個樣本取出1個作為驗證集樣本，共取得26個（32.5%），其余54個（67.5%）作為建模集樣本，這樣劃分可保證建模樣本與驗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 小麥樣本含雜率統計特征

1.5 模型建立與驗證

本文采用最小二乘支持向量機建立高光譜數據對小麥樣本含雜率的反演模型。LS-SVM是在支持向量機（squares support vector machine, SVM）的基礎上，通過最小二乘法利用誤差平方和選擇超平面，構造平方損失函數，同時將SVM的不等式約束條件轉換為線性等式，將二次規劃問題轉化為線性求解，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用。

LS-SVM的優化模型為

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

經過整理可得

常用的核函數有徑向基、多項式、Sigmoid等，引入核函數的目的是代替高維特征空間的內積運算，避免出現維數災難[27]。徑向基函數形式簡單、徑向對稱、光滑性好，在處理非線性數據方面具有良好的性能，因此本文采用徑向基函數作為核函數，即

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

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

式中p表示小麥樣本含雜率預測值，%；r表示小麥樣本含雜率實測值，%；表示小麥樣本含雜率預測值的平均值，%；表示樣本的個數。

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

2 結果與討論

2.1 不同含雜率小麥樣品的光譜特征分析

機械化收獲的小麥中，雜質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。雜質的存在會嚴重影響小麥的品質，降低小麥的實際價值，也不利于小麥存儲。因此，通過小麥樣本的光譜數據建立穩健的含雜率反演模型，有利于實現機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，更好地指導機械化收獲作業，從而提高機械化收獲質量。

圖2是無雜質樣本、雜質樣本和含雜樣本的原始及預處理后的光譜反射曲線圖，其中圖2a為試驗樣本原始反射光譜曲線，可以發現，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，雜質樣本的光譜反射率低于無雜質樣本和含雜樣本光譜反射率，而在1 150～2 300 nm波段，純雜質樣本的光譜反射率高于無雜質樣本和含雜樣本光譜反射率。圖2b是試驗樣本原始光譜經倒數之對數預處理后的反射曲線圖，由圖2b可見，針對3種不同的試驗樣本，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健的含雜率反演模型奠定理論基礎。

圖3是從80個試驗樣本中挑選的5條比較典型的小麥試驗樣本原始及預處理后的光譜反射曲線圖，其中圖3a為試驗樣本原始反射光譜曲線，可以發現，5條光譜曲線波形基本相似，同時小麥樣本光譜反射率隨著含雜率的增加而增加。圖3b是試驗樣本原始光譜經倒數之對數預處理后的反射率圖，由圖3b可見，挑選的5個試驗樣本在光譜反射率上存在明顯的差異性，但經倒數之對數預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. 光譜反射率倒數的對數

a. 原始光譜反射率

a. Raw spectral reflectance

b. 光譜反射率倒數的對數

2.2 基于主成分分析法的特征波長篩選

以建模集光譜數據作為輸入，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個主成分PC1和PC2的貢獻率分別是79.95%和17.84%，累計貢獻率達到了97.79%，因此從得到的這2個主成分的權值系數曲線中提取10個特征波長，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個主成分PC1和PC2的貢獻率分別是85.56%和13.45%，累計貢獻率達到了99.01%，因此從得到的這2個主成分的權值系數曲線中提取10個特征波長，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. 光譜反射率倒數的對數

本文利用主成分分析法篩選得到了不同光譜指標下的特征波長，圖5列舉了3個典型含雜率試驗樣本的各個特征波長的反射率。不同特征波段，樣本光譜的反射率存在差異性，REF反射率的波峰出現在1 117 nm，波谷出現在500 nm；與之相反，LR反射率的波峰出現在498和502 nm，波谷出現在1 205 nm。圖6是試驗樣本光譜反射率變異系數條形圖，比較各個特征波段樣本光譜反射率的變異系數，發現REF反射率變異系數的最大值為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. 光譜反射率倒數的對數

圖6 樣本特征波長光譜反射率變異系數（主成分分析法）

2.3 基于最小二乘支持向量機的建模

利用REF和LR 2種光譜數據指標，基于LS-SVM建立的小麥含雜率反演模型的結果的散點圖如圖7所示。利用REF光譜數據指標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光譜數據指標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光譜數據指標建立的反演模型效果較佳。

a. 原始光譜反射率

a. Raw spectral reflectance

b. 光譜反射率倒數的對數

模型綜合評價結果如表3所示，由表3可知，利用REF光譜數據指標建立的反演模型的反演效果優于LR光譜數據指標。REF光譜數據指標建模決定系數達到0.958，而驗證決定系數達到了0.902，由此可見利用REF光譜數據指標建立的模型擬合效果極好。同時REF光譜數據指標建模相對分析誤差達到2.31，表明模型具有很好的定量預測能力。光譜原始數據經過數學交換預處理后，模型的誤差略微增加，但模型依舊具有較好的擬合和預測效果。

表3 LS-SVM反演模型綜合評價結果

2.4 討 論

1）由于小麥莖稈和籽粒有較大的光譜差異，在無雜質小麥樣本中，光譜反射率主要由小麥籽粒結構決定，當小麥樣本中混入雜質后，光譜反射率會隨著混入雜質的不同發生變化，且不同含雜率的小麥樣本光譜特征具有較好的光譜響應規律。因此利用光譜數據反演機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據，在實現數據降維的同時，又盡可能保留了樣本原有信息。本文通過前2個主成分權值，獲得REF的10個特征波長為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。試驗發現2種光譜指標獲得的特征波段相近，并且存在重疊的波段。基于REF指標構建的最小二乘支持向量機小麥含雜率反演模型的精度和穩定性最佳，具有較強的擬合效果和預測能力，建模決定系數達到0.958，而驗證決定系數達到了0.902，均方根誤差0.198，相對分析誤差達到2.31。

3）雖然本文在小麥含雜率光譜響應機理解析方面取得了一定的進展，但仍存在不足之處。受限于農業復雜作業環境，在室內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時檢測，在今后的研究中有必要探索一種高精度且方便田間實時采集的裝置，從而實現小麥含雜率機械化收獲作業過程在線檢測。小麥含雜率光譜響應機理的相關研究未見報道，本文采用了常規穩健的方法來探索基于光譜數據反演小麥含雜率的可能性，后續將會結合更多相關算法，進一步開展相關研究工作，比較各個算法的成效，以期獲得最適合的方法。

3 結 論

本文利用FieldSpec 4 Wide-Res型地物光譜儀獲取谷物聯合收割機收獲小麥樣本的光譜數據，基于LS-SVM構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規律。

2）小麥含雜率光譜反演模型的建模決定系數均大于0.9，驗證決定系數均大于0.85，均方根誤差均小于0.29，相對分析誤差均大于2，模型具有較強的擬合效果和預測能力。REF光譜數據的反演效果優于LR光譜數據。

綜上，基于LS-SVM的小麥樣本光譜反演模型能夠實現含雜率的精準識別，可為后續構建便攜式含雜率光譜檢測儀提供參考，有助于客觀、定量地表征機械化收獲的小麥含雜率，為機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] 農業部農業機械化管理司. 谷物聯合收割機質量評價技術規范NY/T 2090-2011[S]. 北京：中國農業出版社，2011.

[3] 王志明. 橫置差速軸流脫分選系統工作機理及設計研究[D]. 西安：長安大學，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] 梁學修. 聯合收獲機自動監測系統研究[D]. 北京：中國農業機械化科學研究院，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、破碎率監測裝置及其監測方法：CN106404679A[P]. 2017-02-15.

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

[11] 陳進，陳璇，李耀明，等. 一種聯合收割機糧箱中谷物破碎在線監測系統及方法：CN105806751A[P]. 2016-07-27.

[12] 陳進，顧琰，練毅，等. 基于機器視覺的水稻雜質及破碎籽粒在線識別方法[J]. 農業工程學報，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. 聯合收獲機谷物破碎率、含雜率監測方法及系統研究[D]. 鎮江：江蘇大學，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合進行油菜角果蚜蟲侵染的定位識別[J]. 光譜學與光譜分析，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網絡模型對土壤含水量估算[J]. 光譜學與光譜分析，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快速評價研究[J]. 光譜學與光譜分析，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用[J]. 光譜學與光譜分析，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、多源復合光譜信息的銀杏葉質量快速分析[J]. 光譜學與光譜分析，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的干制紅棗品種鑒別[J]. 光譜學與光譜分析，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方法對冬小麥葉面積指數反演的普適性研究[J]. 光譜學與光譜分析，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]. 農業機械學報，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. 應用 DS 算法消除室內幾何測試條件對土壤高光譜數據波動性的影響[J]. 華中師范大學學報：自然科學版，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. 基于包絡線去除和偏最小二乘的土壤參數光譜反演[J]. 武漢大學學報：信息科學版，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的核函數及參數選擇算法研究[J]. 電腦知識與技術，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性研究[J]. 農業機械學報，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. 糧食主產區耕地土壤重金屬高光譜綜合反演模型[J]. 農業機械學報，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

國家重點研發計劃“智能農機裝備”重點專項（2017YFD0700305，2016YFD0702003）；中央級公益性科研院所基本科研業務費專項（S201818，S201902）

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

金誠謙，博士，研究員，博士生導師，主要從事智能農機及農業機械化研究。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. 谷物聯合收割機收獲小麥含雜率高光譜反演研究[J]. 農業工程學報，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