基于高光譜響應(yīng)的農(nóng)田大棚EVA棚膜拉伸強(qiáng)度估計(jì)

林萍等

摘要：利用高光譜成像技術(shù)實(shí)現(xiàn)快速估計(jì)農(nóng)田大棚EVA棚膜拉伸強(qiáng)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(qiáng)度分析儀獲取樣本拉伸強(qiáng)度保持率，利用化學(xué)計(jì)量學(xué)方法建立反映樣本內(nèi)部有機(jī)分子交聯(lián)特性的特征光譜曲線與拉伸強(qiáng)度保持率之間的耦合模型，根據(jù)建立的化學(xué)計(jì)量學(xué)模型對(duì)未知的EVA棚膜拉伸強(qiáng)度進(jìn)行估計(jì)，其中采用支持向量機(jī)（SVM）回歸方法獲得最優(yōu)預(yù)報(bào)效果，預(yù)報(bào)相關(guān)系數(shù)平方（r2）的百分比達(dá)到86.63%，預(yù)報(bào)均方根誤差（RMSE）為1.049。結(jié)果表明，利用高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法用于快速估計(jì)農(nóng)田大棚棚膜拉伸強(qiáng)度是可行的。

關(guān)鍵詞：EVA棚膜； 拉伸強(qiáng)度； 高光譜； 化學(xué)計(jì)量學(xué)方法

中圖分類(lèi)號(hào)：S24 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(nóng)田大棚棚膜可以改善農(nóng)作物的生長(zhǎng)環(huán)境，給農(nóng)作物提供一個(gè)溫度、濕度相對(duì)適宜的生長(zhǎng)環(huán)境。優(yōu)質(zhì)的大棚棚膜還可以改善土壤的分子結(jié)構(gòu)，激活土壤養(yǎng)分和天然肥料，促進(jìn)農(nóng)作物的生長(zhǎng)發(fā)育，因此農(nóng)田大棚棚膜在我國(guó)得到了廣泛的推廣應(yīng)用[1]。目前，中國(guó)農(nóng)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(jī)材料制成。農(nóng)田廢棄的PVC殘膜往往會(huì)被燃燒掉，但是燃燒的過(guò)程中會(huì)伴有氯氣生成，容易造成環(huán)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(wú)滴劑、保溫劑等）來(lái)提高材料的耐候性及保溫性，但廢棄的PE殘膜燃燒時(shí)也會(huì)造成環(huán)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(duì)大棚蔬菜有較明顯增產(chǎn)效果，并能提高辣椒、番茄等果實(shí)的品質(zhì)。EVA材料制成的薄膜受到了廣大農(nóng)戶的青睞，已在我國(guó)開(kāi)始推廣[2]。

中國(guó)生產(chǎn)EVA棚膜企業(yè)繁多，引進(jìn)的原材料、生產(chǎn)設(shè)備和使用加工工藝都各不相同，因此造成EVA棚膜產(chǎn)品質(zhì)量大不一樣。提高EVA棚膜的使用壽命對(duì)于提高農(nóng)業(yè)生產(chǎn)力、節(jié)約資源、降低環(huán)境污染等具有十分重要的意義。其中，EVA棚膜拉伸強(qiáng)度是決定其使用壽命的關(guān)鍵技術(shù)指標(biāo)之一，傳統(tǒng)的物理破壞拉伸強(qiáng)度試驗(yàn)需要經(jīng)過(guò)漫長(zhǎng)的測(cè)試周期，大多數(shù)農(nóng)戶必須通過(guò)長(zhǎng)期生產(chǎn)實(shí)踐后才能了解不同廠商生產(chǎn)出來(lái)的棚膜的性能，由此會(huì)增加農(nóng)民的生產(chǎn)和投資的成本[3]。本研究利用高光譜成像技術(shù)[4]來(lái)反映EVA材料內(nèi)部有機(jī)分子交聯(lián)特性，并利用化學(xué)計(jì)量學(xué)方法[5]來(lái)建立反映樣本內(nèi)部有機(jī)分子交聯(lián)特性的特征光譜曲線與拉伸強(qiáng)度保持率的關(guān)聯(lián)模型，進(jìn)而實(shí)現(xiàn)對(duì)農(nóng)田大棚EVA薄膜拉伸強(qiáng)度快速、無(wú)損估計(jì)。

1 材料與方法

1.1 材料

試驗(yàn)農(nóng)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(yàn)農(nóng)田中，1年后取回實(shí)驗(yàn)室進(jìn)行相關(guān)測(cè)試分析，其中每類(lèi)測(cè)試樣本各50個(gè)，共150個(gè)樣本，其中每類(lèi)樣本各隨機(jī)選取40個(gè)作為建模集，剩余10個(gè)樣本作為測(cè)試集。樣本先用高光譜儀進(jìn)行掃描來(lái)獲取反映樣本內(nèi)部有機(jī)分子交聯(lián)特性的特征光譜曲線，后再進(jìn)行拉伸強(qiáng)度測(cè)試試驗(yàn)。

1.2 儀器

試驗(yàn)用高光譜成像系統(tǒng)組件主要包括：N17E-QE成像光譜儀（Spectral Imaging Ltd. Oulu，F(xiàn)inland）、C-mount 成像鏡頭OLES22（Specim，Spectral Imaging Ltd.，Oulu，F(xiàn)inland）、Fiber-Lite DC950線光源（Dolan JennerIndustries Inc.，USA），IRCP0076型電控移位平臺(tái)（Isuzu Optics Corp，中國(guó)臺(tái)灣），設(shè)備均放在密閉的暗室中，物鏡垂直高度設(shè)定為293 mm，相機(jī)曝光時(shí)間設(shè)定為2 550 μs，平臺(tái)運(yùn)動(dòng)速度設(shè)定為33 mm/s。近紅外高光譜圖像分辨率大小為320×256像素點(diǎn)，光譜分辨率為5 nm（圖1）。

拉伸強(qiáng)度試驗(yàn)按GB 13022-91《塑料薄膜拉伸性能試驗(yàn)方法》進(jìn)行測(cè)試，將原始棚膜用沖刀制作出拉伸試驗(yàn)用的方形樣本，拉伸強(qiáng)度分析儀采用H25K-S強(qiáng)力機(jī)（SDL Atlas Ltd. South Carolina， USA）。

2 理論與算法

2.1 數(shù)據(jù)預(yù)處理

通常采集到的高光譜數(shù)據(jù)中會(huì)摻雜一定的噪聲信號(hào)，為了減低噪聲信號(hào)對(duì)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(lái)消除光譜特征曲線受到隨機(jī)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(lái)描述獨(dú)立變量Y與預(yù)測(cè)變量組X之間的關(guān)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(gè)隱含因子投影空間，PEip×m和QEiq×m分別為相應(yīng)的投影系數(shù)矩陣，EEin×p和FEin×q分別為相應(yīng)的殘差矩陣。矩陣X和Y之間通過(guò)回歸系數(shù)B和截距矩陣B0進(jìn)行聯(lián)系：

Y=XB+B0 （2）

2.3 支持向量機(jī)回歸

支持向量機(jī)（SVM）回歸是通過(guò)非線性變換將輸入空間變換到一個(gè)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(gè)點(diǎn)集的訓(xùn)練數(shù)據(jù)集∧：

∧={（xi，yi）|xi∈ip}■■

式中，yi對(duì)應(yīng)于自變量xi的預(yù)測(cè)值。SVM回歸法利用核函數(shù)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(guò)解如下的優(yōu)化問(wèn)題來(lái)實(shí)現(xiàn)：

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(fù)雜度相關(guān)的因素，？姿是可調(diào)參數(shù)，？灼ij為松弛變量[8]。

2.4 模型評(píng)價(jià)

用均方根誤差RMSE和相關(guān)系數(shù)的平方r2作為模型評(píng)價(jià)標(biāo)準(zhǔn)[9]：

RMSE=■ （4）

r2=1-■（yi-■i）2/■（yi-■i）2×100% （5）

式中，n表示樣本個(gè)數(shù)，yi表示真實(shí)值，■i表示預(yù)測(cè)值，■i表示樣本真實(shí)值的平均值。建模集和預(yù)報(bào)集均方根誤差分別用RMSEC和RMSEP表示，相關(guān)系數(shù)的平方百分值分別用r2C和r2P表示。

3 試驗(yàn)與分析

3.1 棚膜特征光譜提取

高光譜圖像中的光譜數(shù)據(jù)與圖像數(shù)據(jù)之間有著對(duì)應(yīng)的關(guān)系，據(jù)此在EVA棚膜樣本圖像上選取120×120像素點(diǎn)的感興趣區(qū)域，以感興趣區(qū)域中所有像素點(diǎn)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(duì)采集到的EVA高分子棚膜材料高光譜圖像進(jìn)行處理。對(duì)每幅采集到的高光譜圖像進(jìn)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(qiáng)度值，Id是使用黑板矯正過(guò)的高光譜圖像強(qiáng)度值， Iw是使用白板矯正后的高光譜圖像強(qiáng)度值，？贅是矯正后的高光譜圖像強(qiáng)度值。

獲得的3種不同廠商生產(chǎn)的農(nóng)用棚膜在使用1年后波長(zhǎng)為978.37～1 676.30 nm波段范圍內(nèi)的高光譜特征曲線如圖2所示。

3.2 棚膜拉伸強(qiáng)度

農(nóng)田大棚EVA棚膜在開(kāi)始使用時(shí)，由于分子之間結(jié)構(gòu)緊密，氧分子比較難以滲透到棚膜內(nèi)部，3種不同廠商生產(chǎn)的農(nóng)田大棚EVA棚膜都表現(xiàn)出較好的拉伸強(qiáng)度保持率。但由于棚膜長(zhǎng)期暴露在開(kāi)放式的農(nóng)田環(huán)境中，受到太陽(yáng)強(qiáng)光輻照、雨露、農(nóng)藥液體等的侵蝕，氧分子最終會(huì)滲透入到棚膜分子間，氧分子會(huì)迅速與棚膜分子的自由基結(jié)合生成過(guò)氧化自由基，迫使EVA分子鏈的斷鏈，從而發(fā)生降解反應(yīng)，降低了棚膜的拉伸強(qiáng)度。表1列出3種不同廠商生產(chǎn)的農(nóng)田大棚EVA棚膜在使用1年后的拉伸強(qiáng)度保持率統(tǒng)計(jì)數(shù)據(jù)。

3.3 光譜數(shù)據(jù)預(yù)處理

將獲得的3種不同廠商生產(chǎn)的棚膜高光譜數(shù)據(jù)使用SG、SNV和MSC方法進(jìn)行預(yù)處理，利用PLSR模型來(lái)觀測(cè)預(yù)測(cè)處理前后拉伸強(qiáng)度保持率的預(yù)測(cè)效果，結(jié)果見(jiàn)表2。通過(guò)比較分析可得，采用MSC方法獲得最優(yōu)的預(yù)測(cè)效果，因此在后續(xù)試驗(yàn)中均采用MSC方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。

3.4 偏最小二乘法試驗(yàn)結(jié)果

將由MSC預(yù)處理后的3種不同廠商生產(chǎn)的棚膜高光譜數(shù)據(jù)作為輸入變量，相應(yīng)的拉伸強(qiáng)度保持率屬性作為響應(yīng)變量，通過(guò)偏最小二乘法進(jìn)行建模和預(yù)測(cè)。建模軟件使用The Unscrambler X 10軟件（CAMO Corporation，USA）。數(shù)據(jù)首先被進(jìn)行中心化處理，建模時(shí)采用完全交叉驗(yàn)證法來(lái)驗(yàn)證確定建模隱含因子數(shù)[10，11]，當(dāng)建模最大因子數(shù)取10時(shí)，累計(jì)解釋方差基本達(dá)到95%，說(shuō)明前10個(gè)因子可以表達(dá)原始測(cè)量數(shù)據(jù)。

3.5 支持向量機(jī)試驗(yàn)結(jié)果

本研究多SVM回歸模型采用高斯核函數(shù)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(shù)據(jù)映射到高維核空間中，采用網(wǎng)格搜尋法來(lái)估計(jì)最佳的松弛變量？姿和核參數(shù)？琢，算法先使用大柵格進(jìn)行搜索，并根據(jù)獲得的（？姿，？琢）值來(lái)訓(xùn)練模型，再縮小搜尋范圍，采用K-fold交叉驗(yàn)證參數(shù)[8]。通過(guò)調(diào)整不敏感損失參數(shù)？灼的值對(duì)建模的數(shù)據(jù)進(jìn)行訓(xùn)練，從中選取最優(yōu)的組合參數(shù)值，當(dāng)固定核參數(shù)？姿=43.82，？琢=0.037和不敏感損失參數(shù)？灼=0.236時(shí)，高光譜數(shù)據(jù)與拉伸強(qiáng)度屬性耦合性能最好，試驗(yàn)結(jié)果如表3所示。與PLSR模型相比，校正集和預(yù)報(bào)集r2分別提升了1.57%和1.24%，相應(yīng)的RMSE分別減少了0.087和0.031。結(jié)果表明，建立的非線性SVM回歸模型對(duì)棚膜拉伸強(qiáng)度的預(yù)測(cè)效果優(yōu)于線性PLSR模型，原因是特征光譜數(shù)據(jù)含有一定非線性成分，線性回歸模型在一定程度上無(wú)法充分考慮到非線性變量與預(yù)報(bào)屬性之間的耦合關(guān)系。

4 結(jié)論

利用高光譜成像技術(shù)獲取農(nóng)田大棚EVA棚膜高光譜圖像數(shù)據(jù)，通過(guò)光譜數(shù)據(jù)預(yù)處理方法消除噪聲信號(hào)對(duì)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(duì)農(nóng)田大棚EVA棚膜特征光譜信息和拉伸強(qiáng)度進(jìn)行關(guān)聯(lián)。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(shù)據(jù)具有較強(qiáng)的非線性特性，影響了線性回歸模型的預(yù)報(bào)精度。使用SVM回歸法改善了棚膜拉伸強(qiáng)度預(yù)報(bào)性能，其中，預(yù)報(bào)相關(guān)系數(shù)平方百分比達(dá)到86.63%，預(yù)報(bào)均方根誤差為1.049。因此，本研究提出的基于高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法為快速、無(wú)損估計(jì)農(nóng)田大棚EVA棚膜拉伸強(qiáng)度提供了一種新方法。

參考文獻(xiàn)：

[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(yīng)用對(duì)大棚葡萄光合特性及果實(shí)品質(zhì)的影響[J].江蘇農(nóng)業(yè)學(xué)報(bào)，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(xué)計(jì)量學(xué)方法研究與應(yīng)用進(jìn)展[J].分析化學(xué)，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.