希尔伯特黄法建立稻株氮含量的共聚焦显微拉曼测量模型的制作方法

本发明为一种希尔伯特黄法建立稻株氮含量的共聚焦显微拉曼光谱测量方法，属于作物中微量元素测量技术领域。

背景技术：

传统氮素水平的检测方法有土壤指标法、生化测定法、经验法。土壤指标法是根据土壤中氮素含量，向水稻补充肥料，即测土配方。生化测定法是目前水稻氮素检测的主要实验方法，包括甲醛法、凯氏定氮法、杜马斯燃烧定氮法等。经验法检测的技术手段或指标主要分为三类：目测法、光谱遥感法、机器视觉法。目测法以叶片出现的异常颜色为指标，依据生产经验进行病情诊断，是目前广泛采用的检测手段。光谱遥感法是以稻田冠层的反射光谱为分析对象，对比标准光谱实现缺氮检测。机器视觉法主要利用pc机，从图像上区分病稻与健康稻株的微小色差，是目测法的数字化延伸。上述方法中，只有当水稻出现病症时，光谱遥感法和机器视觉法才能有效检测，即难以进行早期测量。经验表明，水稻表现出缺氮症状以后，追加肥料的用量至少增加一倍并显著影响幼苗生长，因此缺氮病害的早期发现是至关重要的。土壤指标法具有预测性，但稻苗中氮素除了与土壤中氮素含量相关，还会受到光照、温湿度、土壤酸碱度等影响，是多因素制约变量，可见土壤指标法是间接测量手段，测量精度不高。生化测定法准确可靠，但操作复杂，效率较低，无法进行规模和快速测量，主要在对照实验中使用。在目前的水稻缺氮检测中，目测法虽然误差大，但是操作简单，是应用最广泛的检测手段。人工目测存在两个缺点：（1）人工目测需要按照经验观察稻株颜色，判断结果受主观因素影响较大。当两种及两种以上营养元素同时缺乏时，病变色彩交叉影响，使目测法不能有效判断。（2）人工目测只能观测到较严重的缺氮病变。在病变早期或程度较轻时，水稻植株表现的变化还不明显，但是对植株光合生理等已经带来严重影响，目测法却难以观察。

技术实现要素：

本发明的目的就是针对上述已有技术存在的问题，研究基于希尔伯特黄法分析水稻植株中氮素含量的共聚焦显微拉曼光谱测量模型，该模型可以准确、快速和早期测量水稻植株中氮素水平。

为实现以上目的，本发明是通过以下步骤来实现的：

（1）首先获取水稻植株共聚焦显微拉曼光谱；

（2）接着对共聚焦显微拉曼光谱数据预处理；

（3）然后对共聚焦显微拉曼光谱信号进行自适应分解，各分解分量与氮素关联识别，得到关联信号；

（4）然后对关联信号进行希尔伯特黄变换，得到氮素特征频率；

（5）建立关联特征频率与氮素含量化学计量学测量模型。

【具体实施方式】

以下提供本发明基于共聚焦显微拉曼光谱频率法测量水稻植株中氮素含量方法的具体实施方式。

实验室内、25℃恒温环境下，压玻片整压水稻叶片1小时，距离叶尖1cm处中部截取0.5×0.5cm²叶样，将叶样置于载玻片和盖玻片之间，放到显微拉曼光谱仪物镜下方载物台上，以1.2μｍ横、纵步长扫描样品，获得样品的空间显微拉曼光谱图像，用多条图像平均值表示水稻叶样标准图像；用小波分解方法对共聚焦显微拉曼光谱去噪和去除基线漂移处理；对共聚焦显微拉曼光谱信号进行总体平均经验模态分解，应用神经网络训练识别得到氮素关联信号；对关联信号进行希尔伯特黄变换，通过边际谱得到氮素特征频率；最后建立特征频率与氮素含量最小二乘测量模型。

本发明的有益效果是通过对总体平均经验模态分解得到的光谱特征模态分量进行神经网络识别，剔除无关或相关性较弱的分量，得到氮素关联特征模态分量，进一步的希尔伯特黄变换，得到光谱中固有特征模态分量，该特征模态分量是氮元素共价键振动单频直接表达，比较希尔伯特变换得到的频率分量具有实际意义，所以频率特征指标不会受到其他微量元素特征峰叠加影响，具有特异性，识别精度高，适合植物中微量元素痕量测量。

附图说明

图1是方法功能框图。

具体实施方式

下面结合附图对本发明实施例进行详细描述：

1.方法功能框图

方法功能采用模块化进行设计，以便于调整、可复用、易修改和易扩充。根据测量目标需求，即稻株叶片共聚焦显微拉曼光谱处理和建模过程，构建5个功能模块：光谱采集模块、光谱预处理模块、光谱分解及训练模块、希尔伯特黄变换模块和模式识别模块，如图1所示。

光谱采集模块实现光谱仪器参数调整、状态设置，样品制备和光谱采集、数据存储；光谱预处理模块提供了光谱的预处理算法，包括去噪、基线校正；光谱分解及训练模块用于分解拉曼光谱，训练识别得到氮素相关分量；希尔伯特黄变换模块将波长特征模态分量转换成频率特征指标；模式识别模块采用最小二乘方法建立氮素含量测量模型。

2.关键技术

2.1小波分解去噪和去基线漂移

共聚焦显微拉曼光谱中噪声有两类，来自仪器的电子热运动噪声和外部通信系统干扰。噪声的存在极大影响了光谱真实信息的解读，所以信号降噪在光谱解析中有着举足轻重的作用。

分别采用sym1、sym2、sym3、sym4、sym5、sym6、sym7、sym8、db1、db2、db3、db4、db5、db6、db7、db8、db9、coif1、coif2、coif3、coif4、coif5小波基函数，使用不同的阈值估计法hcursurc、sqtwolog、rigrsurc、minimaxi，n（1-10）次分解，信号重构，本发明中针对水稻叶片的共聚焦显微拉曼光谱，较佳去噪和去基线参数设置为：基函数sym5、sym6、sym7、db6、db7；阈值估计方法hcursurc、sqtwolog；分解层数为5。

2.2总体平均经验模态分解共聚焦显微拉曼光谱

经验模态分解方法能将信号按照不同频率自适应分解，但是对共聚焦显微拉曼光谱分解时出现了模态混叠问题，为了解决该问题，发明中使用总体平均值经验模态分解方法，该方法利用高斯白噪声零均值以及频率均匀分布特性，使信号特征尺度均匀分布，最终获得优于经验模态分解的效果，处理过程自适应。

总体平均值经验模态分解步骤：

步骤1：待处理共聚焦显微拉曼光谱中加入等长度不等幅高斯白噪声，对复合信号经验模态分解，重复操作k次，得到特征模态分量和余项。

经验模态分解步骤：

步骤a：通过三次样条函数求取共聚焦显微拉曼光谱x(t)极大值包络线u(t)和极小值包络线v(t)，其均值记作m(t)：

（1）

步骤b：令r(t)=x(t)-m(t)，如r(t)不满足特征模态分量条件，则将其赋值给x(t)。返回步骤1，循环计算

（2）

直至标准差可以停止筛分过程。其中

（3）

步骤c：得到第1个特征模态分量及余项。

步骤d：返回步骤1继续筛分，依次得到，，…，。判断余项很小或基本呈单调趋势时筛分过程停止。

步骤2：对特征模态分量整体平均，

（4）

（5）

式中为加噪经验模态分解次数。

通过神经网络训练识别各特征模态分量与氮素关联程度，设置阈值筛选出关联特征频率分量。发明中神经网络采用bp型结构，参数设置如下：输入层神经元的数量由特征模态分量决定，本实例中，输入特征向量为数据；输出层采用1个节点，用0和1分别表示氮素特征模态分量为假和真；隐含层节点数的选择对网络的性能影响很大，节点数过少，容易陷入局部极小值，隐含节点数过多，拟合函数复杂，使得网络泛化能力变差，试验结果显示，本发明中最优隐含层节点数取值范围8-12（根据n、m数值不同）；隐含层神经元的激活函数选用logsig()函数，输出层的激活函数选pureline()函数；设置迭代次数1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用trainlm()函数作为训练网络。

2.3希尔伯特黄变换及模型建立

将关联特征模态分量与信号做卷积积分操作，得到关联特征模态分量的希尔伯特黄瞬时频率，按照式（6）计算各希尔伯特瞬时频率的边际谱。

（6）

式中为共聚焦显微拉曼光谱第k个分量的边际谱。以边际谱中各频率幅值为输入变量，以氮素含量为输出变量，建立偏最小二乘拟合模型，实现水稻中氮素含量测量。

由上可知，本发明实施例用希尔伯特黄方法建立了水稻中氮素含量测量模型，该方法不同于黑盒子建模方法，使用氮元素的边际谱频率直接参与建模，模型测量机理明确，具有测量精度高、测试时间短的特点。本发明适合水稻等作物缺氮病害早期检测以及可以为精准农业提供科学依据。

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