为实现田间环境下水稻叶部病害的快速诊断，设计了一种基于多光谱成像技术的水稻叶部病害便携式检测装置.该装置主要由多光谱图像采集软件、高功率LED驱动电路、图像采集触发电路和USB接口通讯电路4个部分组成.以感染水稻稻瘟病、胡麻叶斑病、细条病水稻以及健康水稻的叶片为研究对象，采集了460、520、590、630、660、710、730、760、800、850、900和940 nm共12个波段下的光谱图像信息.主成分分析结果表明：第一主成分(PC1)和第二主成分(PC2)的累计方差贡献率为91.19%;稻瘟病、胡麻叶斑病和细条病在PC1和PC2得分图上具有各自聚成一类的趋势.基于12个波段反射率构建的支持向量机模型对稻瘟病、胡麻叶斑病和细条病的总体识别正确率为97.44%,Kappa系数为0.965 1,识别效果较好.表明利用自主研发的便携式多光谱成像装置结合化学计量法可实现水稻叶部病害的快速诊断.

苹果果实易发生病害，传统的苹果病害的检测不适应苹果分级在线检测的要求。为了实现病害苹果快速、有效的在线检测，采用高光谱成像技术对寒富苹果的炭疽病、苦痘病、黑腐病和褐斑病的病害果进行无损检测研究。根据正常区域与病害区域光谱相对反射率差异，提出改进流形距离方法。综合计算病害与正常区域，病害与果梗／花萼区域，正常与果梗／花萼区域的光谱相对反射率的总改进流行距离Ｌ值，从而从全波段中选择了３个特征波段，分别为７００，７６５，９０４ｎｍ。对７００ｎｍ特征波段下的图像进行阈值分割，以此获得掩膜图像，并对掩膜后的图像二次阈值分割提取感兴趣区域。将３个特征波段下对应的光谱相对反射率分别组合，作为ＢＰ神经网络的输．．．

[目的] 为快速检测叶片含水量，探索及时监测番茄植株生长状况的在线监测模型。[方法] 本试验利用高光谱成像技术，提取出195个叶片样本的平均光谱反射率。通过异常值剔除、样本集划分、5种预处理方法对原始光谱进行预处理和优化，采用连续投影算法（Successive Projections Algorithm， SPA）、无信息变量消除变换法（Uninformation variable elimination， UVE）、迭代保留信息变量法（Iterative retained InformationVariable， IRIV）和遗传偏最小二乘算法（Genetic partial-least-squares algorithm， GAPLS）提取特征波长，并建立偏最小二乘回归（Partial-least-squares regression，PLSR）模型。基于优选的特征波长建立PLSR、多元线性回归（Multiple linear regression ， MLR）以及主成分回归（Principal component regression ， PCR）模型和卷积神经网络模型（convolutional neural network， CNN）。[结果] 结果表明：优选基线校准-正交信号校正法（Baseline-Orthogonal signal correction， Baseline-OSC）对叶片含水量进行预处理；IRIV法提取的特征波长建立的叶片含水量定量预测模型效果最优R_(c)~(2)为0.489，R_(p)~(2)为0.466；基于IRIV-CNN建立的叶片含水量模型效果好（R_(c)~(2)=0.668，RMSEC=0.019；R_(p)~(2)=0.424，RMSEP=0.033）。[结论] 本研究对设施蔬菜产业发展水分利用效率以及番茄作物水分的科学管理具有重要的现实意义和作用，为番茄植株长势在线监测提供技术支撑。

为实现玉米叶片表面未见明显病症的病害早期检测,提出一种基于高光谱成像技术的玉米弯孢叶斑病早期检测方法。以玉米叶片为研究对象,采用人工接种病菌使玉米感染弯孢叶斑病,在接种后1,2,3,4,5d,每天采集接种病菌叶片30片,正常未接种叶片10片,利用高光谱成像系统获取接种病菌叶片和正常未接种叶片在400～1000nm高光谱图像数据,经过分析接种病菌叶片和正常未接种叶片的原始光谱、原始光谱的一阶导数光谱、平均光谱绝对差值,确定玉米弯孢叶斑病早期检测的特征波段选取区。然后通过显著性检验和相关性分析,将置信区间设为95%,在特征波段选取区确定458.9,481.1,500.8,515.7,525.7, 531.9,534.4,550.7,578.3,604.9,625.2,646.8,677.5,735.3,754.7nm,为玉米弯孢叶斑病早期检测的特征波段。最后,基于选定的特征波段构建玉米弯孢叶斑病支持向量机检测模型。结果表明:利用选取的特征波段作为支持向量机的输入矢量,建立的玉米弯孢叶斑病早期检测模型,通过支持向量机选择的线性核函数、多项式核函数、径向基核函数3种不同的核函数,在接种后的第1d,3种核函数测试集准确率达79%以上,线性核函数在接种第3d,测试集准确率达到88.75%。该研究可以对玉米弯孢叶斑病在未见明显叶斑的早期进行快速、无损检测,为玉米病害的早期检测提供新的思路。

该文建立了基于高光谱成像技术的复合绝缘子表面污秽状态检测实验平台。基于实验平台的实验内容包括污秽绝缘子制备、高光谱数据采集与处理、建立分类模型等，并通过分析不同污秽状态绝缘子光谱曲线的差异，对绝缘子污秽状态进行了准确分类。该实验平台涉及光学、高压、计算机等多个学科，是学生综合利用多学科专业知识处理绝缘子污秽状态分类问题的专业实验平台，既可培养学生知识拓展能力和实践应用能力，也能帮助他们很好地理解绝缘子特性和污闪现象。

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。

南果梨是一种重要的水果品种，其酸度是评估果品质量的重要指标之一。然而，传统的南果梨酸度检测方法通常需要破坏性采样和化学分析，不仅耗时费力，而且容易导致样品污染和浪费。因此，旨在探索一种基于高光谱成像技术的无损检测方法，以实现对南果梨酸度的快速、准确、无损检测。首先，采集室温20℃下不同贮藏天数南果梨的高光谱数据，其光谱波长范围为400～1 000 nm，并且通过理化实验测量南果梨样本的可滴定酸；其次，采用多元散射校正（multipli-cative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理，建立偏最小二乘回归模型（partial least squares regression,PLSR），选择出建模效果最佳的预处理方法，结果显示MSC方法效果最优；然后结合连续投影算法（successie projection algorithm,SPA）提取特征波段，在700～900 nm范围内确定9个特征光谱变量；最后，以提取出的9个特征光谱变量作为输入矢量，分别建立PLSR模型、极限学习机（extreme learning machine,ELM）模型以及遗传算法（genetic algorithm,GA）和粒子群算法（particle swarm optimization,PSO）优化的BP神经网络模型。研究结果表明，基于MSC预处理和SPA算法特征提取的PSO-BP模型预测精度最高，效果最好，预测集决定系数Rp2=0.911,RMSEP=0.032。可见，基于高光谱成像技术的SPA-PSO-BP模型可用于南果梨酸度的检测，为南果梨的品质评价提供参考。

为了解决水稻小病斑检测不准确的问题，提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice–YOLOv3。首先，采用K–means++聚类算法，计算新的锚框尺寸，使锚框尺寸与数据集相匹配；其次，采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数，利用该激活函数的平滑特性，提升网络的检测准确率，同时将CSPNet与DarkNet53中的残差模块相结合，在避免出现梯度信息重复的同时，增加神经网络的学习能力，提升检测精度和速率；最后，在FPN层分别引入注意力机制ECA和CBAM模块，解决特征层堆叠处的特征提取问题，提高对小病斑的检测能力。在训练过程中，采用COCO数据集预训练网络模型，得到预训练权重，改善训练效果。结果表明：在测试集下，Rice–YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%，其中，稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%，相较于YOLOv3,Rice–YOLOv3检测的m AP提高了6.05个百分点，速率提升了2.8帧/s，对稻瘟病和褐斑病的小病斑的检测能力明显增强，可以检测出原始网络模型漏检的小病斑；与Faster–RCNN、YOLOv5等模型对比，Rice–YOLOv3提高了对相似病害和微小病害的识别能力，并在原始的基础上提高了检测速率。

为了解决水稻小病斑检测不准确的问题，提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice–YOLOv3。首先，采用K–means++聚类算法，计算新的锚框尺寸，使锚框尺寸与数据集相匹配；其次，采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数，利用该激活函数的平滑特性，提升网络的检测准确率，同时将CSPNet与DarkNet53中的残差模块相结合，在避免出现梯度信息重复的同时，增加神经网络的学习能力，提升检测精度和速率；最后，在FPN层分别引入注意力机制ECA和CBAM模块，解决特征层堆叠处的特征提取问题，提高对小病斑的检测能力。在训练过程中，采用COCO数据集预训练网络模型，得到预训练权重，改善训练效果。结果表明：在测试集下，Rice–YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%，其中，稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%，相较于YOLOv3,Rice–YOLOv3检测的m AP提高了6.05个百分点，速率提升了2.8帧/s，对稻瘟病和褐斑病的小病斑的检测能力明显增强，可以检测出原始网络模型漏检的小病斑；与Faster–RCNN、YOLOv5等模型对比，Rice–YOLOv3提高了对相似病害和微小病害的识别能力，并在原始的基础上提高了检测速率。

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的＂富士＂苹果为对象，基于采集到的波长９００～１ ７００ｎｍ高光谱数据，建立预测苹果糖度的偏最小二乘（ＰＬＳ）、支持向量机（ＳＶｍ）和极限学习机（ＥＬｍ）模型，并比较主成分分析（ＰＣＡ）和连续投影算法（ＳＰＡ）２种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用ＰＣＡ方法可将全光谱压缩至９个主成分，采用ＳＰＡ从全光谱的２３０个波长中提取出了１３个特征波长，两者相比，ＳＰＡ能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于ＳＰＡ的ＰＬＳ模型，其预测集相关系数为０．９４５，均方根误．．．

[目的]本文旨在建立基于高光谱成像技术检测猕猴桃冷害的方法，实现猕猴桃冷害的无损甄别。[方法]以‘红阳’猕猴桃为材料，通过分析其400～1 000 nm和1 000～2 000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型，选出正确率较高的模型，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析(PCA)结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化(Autoscale)为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。在400～1 000 nm波长范围，连续投影算法(SPA)选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%,在1 000～2 000 nm波长范围，竞争性自适应重加权算法(CARS)选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了理论依据。

[目的]为实现猕猴桃冷害的无损甄别，本文提出了基于高光谱成像技术检测‘红阳’猕猴桃冷害的方法。[方法]通过分析400～1000 nm和1000～2000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）模型，选出正确率较高的模型后，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析（PCA）结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化（Autoscale）为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。400～1000 nm波长范围下，连续投影算法（SPA）选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%，在1000～2000 nm波长范围，竞争性自适应重加权算法（CARS）选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了一定的理论依据。

为探究软枣猕猴桃采后后熟过程中可溶性固形物含量（soluble solids content, SSC）变化和分布规律，利用高光谱成像结合化学计量学方法实现其SSC无损检测与可视化。首先，采集25℃下不同贮藏天数软枣猕猴桃的高光谱数据，并测定其SSC。其次，采用不同预处理方法对光谱数据进行处理，确定最佳预处理方法；然后，基于3种特征波段提取方法优选特征波段，构建偏最小二乘回归（partial least squares regression, PLSR）、极限学习机（extreme learning machine, ELM）和粒子群优化的极限学习机（particle swarm optimization-extreme learning machine, PSO-ELM）可溶性固形物含量预测模型。结果表明：基于竞争性自适应重加权采样算法（competitive adaptive reweighted sampling, CARS）提取特征波长的PSO-ELM模型的预测效果最佳，测试集Rp2为0.934,RMSEP为0.952,RPD为2.277。最后，基于CARS-PSO-ELM模型计算软枣猕猴桃每个像素点的SSC，生成可视化分布图，直观地呈现出不同贮藏天数软枣猕猴桃SSC变化的空间分布特征，为软枣猕猴桃的品质评价和贮运销售提供重要参考。

【目的】实现对结球甘蓝叶片含水量的无损检测，为结球甘蓝田间水分管理提供参考依据。【方法】设置结球甘蓝的整个生长季设置23.33 L/株（CK）、11.33 L/株（W1）、15.33 L/株（W2）、19.33 L/株（W3）、27.33 L/株（W4）、28.33 L/株（W5）共6个灌水量处理，收集结球甘蓝莲座期和结球期各99个结球甘蓝叶片样本光谱数据，采用卷积平滑法（Savitzky-Golay）、移动平均法（Moving Average）、归一化法（Normalization）和多元散射矫正（Multiple Scattering Correction）进行预处理，连续投影算法（Successive project - ion algorithm）进行特征提取，多元线性回归模型（Multiple Linear Regression）进行建模。【结果】在波段400～1000 nm，不同灌水量的结球甘蓝叶片含水量模型的预测精度差异明显。经过预处理的原始光谱建立的预测模型精度均有一定程度提高，其中Savitzky-Golay预处理效果最好。特征提取方法提高了光谱数据质量和准确性；在结球甘蓝莲座期和结球期优选出连续投影算法进行特征波段提取最佳，分别筛选出5和6个特征波长，2个时期筛选出的特征波长基本都在一定的水分敏感波段范围。在结球甘蓝莲座期和结球期，通过多元线性回归建模方法建立的结球甘蓝叶片含水量预测模型都取得了比主成分回归和偏最小二乘回归更高的预测精度；多元线性回归模型的校正集相关系数和均方根误差在莲座期为0.8927和0.8757，在结球期为0.9167和0.9014。【结论】高光谱技术可成功监测结球甘蓝叶片在不同生育期的含水量，为农田水分管理提供依据，为精准灌溉提供技术支撑。