基于介電特性與IRIV-GWO-SVR算法的番茄葉片含水率檢測(cè)

孫 俊，莫云南，戴春霞，陳 勇，楊 寧，唐 游

?

基于介電特性與IRIV-GWO-SVR算法的番茄葉片含水率檢測(cè)

孫 俊，莫云南，戴春霞，陳 勇，楊 寧，唐 游

（江蘇大學(xué)電氣信息工程學(xué)院，鎮(zhèn)江 212013）

為了探究利用介電特性檢測(cè)作物水分狀況的可行性，研究了一種基于介電特性的有效、快速、精確檢測(cè)番茄葉片含水率的方法。以300片不同含水率的番茄葉片為研究對(duì)象，通過LCR測(cè)量儀測(cè)定葉片在0.05～200 kHz下的相對(duì)介電常數(shù)′和介質(zhì)損耗因數(shù)″，并采用干燥法測(cè)量葉片含水率。利用迭代保留信息變量法（iteratively retains informative variables，IRIV）對(duì)介電參數(shù)進(jìn)行特征變量選取，并與連續(xù)投影算法（successive projections algorithm，SPA）進(jìn)行比較，利用支持向量回歸機(jī)（support vector regression，SVR）分別建立葉片全變量、2種特征變量與葉片含水率的關(guān)系模型。結(jié)果表明，基于迭代保留信息變量法選取特征變量的支持向量回歸模型（IRIV-SVR）具有良好的預(yù)測(cè)能力，但預(yù)測(cè)精度仍需提高，故引入灰狼優(yōu)化算法（grey wolf optimizer，GWO）優(yōu)化模型的參數(shù)（懲罰因子）和（核函數(shù)參數(shù)）。最終，經(jīng)GWO優(yōu)化后的模型（IRIV-GWO-SVR）的預(yù)測(cè)集決定系數(shù)2與均方根誤差RMSE分別為0.963 8，0.020 7。因此，利用介電特性結(jié)合IRIV-GWO-SVR算法預(yù)測(cè)番茄葉片含水率是可行的，同時(shí)為其他葉片含水率檢測(cè)提供了一種新的方法和思路。

水分；模型；算法；番茄葉片；含水率；介電特性；迭代保留信息變量法；灰狼優(yōu)化算法

0 引 言

番茄是世界上栽培最多的蔬菜作物，由于富含大量的維生素等對(duì)人體有益物質(zhì)[1]，而受到人們的喜愛。番茄生長過程中，往往會(huì)受到自然因素（地域因素造成的干旱、洪澇）和人為因素（灌溉不合理等）的影響，造成番茄品質(zhì)和產(chǎn)量的下降，歸結(jié)到底都是外界水分對(duì)番茄生長環(huán)境的影響。因此，研究一種快速、準(zhǔn)確的水分狀況預(yù)測(cè)方法，能為番茄水分環(huán)境監(jiān)測(cè)提供重要保障。

近年來，國內(nèi)外不少研究人員在作物水分檢測(cè)方面進(jìn)行了積極的研究與探索。目前，用于檢測(cè)葉片含水率的主要方法有：近紅外光譜技術(shù)[2]、高光譜技術(shù)[3]、圖像處理技術(shù)[4]、介電特性技術(shù)[5-6]等。陳香等[7]采用近紅外光譜儀對(duì)玉米葉片含水率進(jìn)行檢測(cè)，并建立了基于差值植被指數(shù)（different vegetation index，DVI）和透射光譜的多元線性回歸模型。劉燕德等[8]利用高光譜成像技術(shù)結(jié)合偏最小二乘回歸（partial least squares regression，PLSR）模型對(duì)臍橙葉片的水分進(jìn)行定量分析。勞東青等[9]通過計(jì)算機(jī)視覺技術(shù)研究了不同水分狀況的棗葉圖像與含水率的相關(guān)關(guān)系，應(yīng)用多元線性回歸方法建立了棗葉含水率的估算模型。孫俊等[10]分析了玉米葉片介電特性隨測(cè)試頻率和含水率的變化規(guī)律，并建立了葉片含水率的預(yù)測(cè)模型，證明了介電特性技術(shù)檢測(cè)葉片含水率是可行的。實(shí)際應(yīng)用中，光譜技術(shù)測(cè)量的是點(diǎn)源信息，無法有效代表樣本的整體信息，且所用儀器昂貴、操作過程繁雜；圖像處理技術(shù)易受樣本外部特征影響，識(shí)別率低，因此這2種方法無法大規(guī)模推廣使用。介電特性技術(shù)通過直接測(cè)量樣本內(nèi)部的整體信息，建立待測(cè)物的電磁特性與理化性質(zhì)的內(nèi)在聯(lián)系，從而實(shí)現(xiàn)快速無損檢測(cè)，已被廣泛應(yīng)用于農(nóng)產(chǎn)品品質(zhì)檢測(cè)、分級(jí)篩選等領(lǐng)域，國內(nèi)外已取得大量研究成果[11-13]。

灰狼優(yōu)化算法（grey wolf optimizer，GWO）[14]是一種新型群體智能優(yōu)化方法，該算法已被證明在求解精度和穩(wěn)定性上要明顯優(yōu)于粒子群算法（particle swarm optimization，PSO）[15]、差分進(jìn)化算法（differential evolution algorithm，DE）[16]和萬有引力搜索算法（gravitational search algorithm，GSA）[17]等。GWO算法已被廣泛應(yīng)用于經(jīng)濟(jì)調(diào)度指派[18]、直流電機(jī)優(yōu)化控制[19]、流水車間調(diào)度[20]、多層傳感器訓(xùn)練[21]等領(lǐng)域，但在介電特性檢測(cè)領(lǐng)域，灰狼優(yōu)化算法（GWO）還未見報(bào)道。因此，本文采用支持向量回歸機(jī)（support vector regression，SVR）建立番茄葉片介電參數(shù)與水分間的關(guān)系模型，利用迭代保留信息變量法（iteratively retains informative variables，IRIV）選取特征變量，并與連續(xù)投影算法（successive projections algorithm，SPA）相比較，再通過GWO算法對(duì)SVR模型的參數(shù)進(jìn)行智能尋優(yōu)，建立預(yù)測(cè)精度更高的回歸模型。此套方法尚未見報(bào)道，以期為作物水分檢測(cè)提供新的方法和思路。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)品種為“長江一號(hào)”番茄，采用珍珠巖盆栽方式培育于江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)省部共建重點(diǎn)實(shí)驗(yàn)室Venlo型溫室。在保證營養(yǎng)元素均衡的前提下，對(duì)番茄水分進(jìn)行精確控制，以獲取不同水分脅迫水平的樣本。選用5種不同水分脅迫水平的樣本，第一組在生長期通過每天灌溉保持充足的水分，第2、3、4、5組番茄灌溉頻率按梯度依次減少，灌溉頻率分別為第一組的50%、33%、25%和20%，即2天一次、3天一次、4天一次和5天一次，且每次灌水量保持相同。為防止水分蒸發(fā)，從溫室中每組采摘完60枚葉片后立即將其裝入密封袋中，并送往實(shí)驗(yàn)室進(jìn)行試驗(yàn)。試驗(yàn)環(huán)境溫度(25±1)℃，相對(duì)濕度70%～80%。

1.2 儀器與設(shè)備

HPS2816B型LCR測(cè)量儀及配套數(shù)據(jù)采集軟件（常州海爾帕科技公司）；WT1003型微量天平（杭州萬特衡器有限公司）；YH-1型葉片厚度測(cè)定儀（浙江托普儀器有限公司）；101-00S型電熱鼓風(fēng)干燥箱（天津宏諾儀器有限公司）；自制平行極板夾具，由2片直徑20 mm、厚1.5 mm銅質(zhì)圓形極板組成。

1.3 數(shù)據(jù)采集

1.3.1 介電參數(shù)測(cè)定

介電參數(shù)測(cè)量系統(tǒng)主要由LCR測(cè)量儀、屏蔽箱、計(jì)算機(jī)和配套數(shù)據(jù)采集軟件及自制平行極板夾具等組成。測(cè)量前，將LCR測(cè)量儀開機(jī)預(yù)熱30 min并校準(zhǔn)清零，然后將LCR的測(cè)量電極與平行極板夾具的外接線連接，分別將LCR的測(cè)試電壓設(shè)置為：0.1、0.2、0.4、0.6、0.8、1.0、1.2、1.4、1.6、1.8、2.0 V。測(cè)量在不同電壓下0.05、0.06、0.08、0.1、0.12、0.15、0.2、0.25、0.3、0.4、0.5、0.6、0.8、1、1.2、1.5、2、2.5、3、4、5、6、8、10、12、15、20、25、30、40、50、60、80、100、120、150、200 kHz，共37個(gè)頻率點(diǎn)下的介電特性數(shù)據(jù)，并根據(jù)平行板電容器原理計(jì)算番茄葉片的介電參數(shù)[22-23]

式中″為介質(zhì)損耗因數(shù)；tan為介質(zhì)損耗角正切；為介質(zhì)損耗角，（°）；為LCR測(cè)量儀所測(cè)損耗因數(shù)，即tan。

1.3.2 葉片含水率測(cè)定

將樣本置于130 ℃的電熱鼓風(fēng)干燥箱內(nèi)烘干18 h，至前后兩次質(zhì)量一致[24]，根據(jù)烘干前的樣本鮮質(zhì)量與烘干后的樣本干質(zhì)量計(jì)算各樣本的實(shí)際含水率。葉片含水率計(jì)算公式如下

式中WC為葉片含水率；FW為葉片鮮質(zhì)量，g；DW為葉片干質(zhì)量，g。

本次試驗(yàn)每個(gè)樣本測(cè)量3次，取平均值，其中測(cè)得37個(gè)頻率點(diǎn)下的′、″，分別對(duì)應(yīng)37個(gè)變量，聯(lián)合參數(shù)為′和″融合信息，共有74個(gè)變量。共測(cè)得300組番茄葉片的含水率及其對(duì)應(yīng)的′和″樣本數(shù)據(jù)，剔除試驗(yàn)誤差樣本，剩余293組數(shù)據(jù)。將所得的樣本隨機(jī)劃分為校正集218組和預(yù)測(cè)集75組，各個(gè)水脅迫梯度的樣本數(shù)據(jù)在校正集與預(yù)測(cè)集內(nèi)均有分布。

1.4 建模方法

1.4.1 迭代保留信息變量法

迭代保留信息變量法（iteratively retains informative variables，IRIV）[25]是一種新型變量選擇算法。該算法根據(jù)對(duì)模型的有益程度將變量分成強(qiáng)信息變量、弱信息變量、無信息變量和干擾信息變量。在特征變量選擇過程中，移除無信息變量和干擾信息變量，保留有益的強(qiáng)信息變量和弱信息變量。并在此基礎(chǔ)上，利用反向消除策略對(duì)剩余變量進(jìn)行消除，最終的變量即為特征變量，算法的具體流程如下[26]：

1）將個(gè)樣本個(gè)變量的原始數(shù)據(jù)生成只包含相同個(gè)數(shù)0和1的矩陣，1和0分別表示變量是否用于建模?；?折交叉的交互驗(yàn)證均方根誤差（RMSECV）評(píng)估包含變量（=1，2……）和不包含的重要性。

2）通過一個(gè)種群模型計(jì)算每個(gè)變量包含與不包含時(shí)的差異，將變量劃分為強(qiáng)信息變量、弱信息變量、無信息變量和干擾信息變量。

3）每次迭代均保留強(qiáng)信息變量和弱信息變量，剔除無信息變量和干擾信息變量，并生成新的變量子集。

4）返回步驟1繼續(xù)下一輪迭代，直至只剩下個(gè)強(qiáng)信息變量和弱信息變量。

5）對(duì)剩余個(gè)變量建立PLS模型得到RMSECV，通過消除第（=1，2……），對(duì)剩余的-1個(gè)變量建立PLS模型得到RMSECV，若RMSECV小于RMSECV，則消除第個(gè)變量，否則保留，循環(huán)該步驟，剩余的即為最終選取的特征變量。

1.4.2 支持向量機(jī)

支持向量機(jī)SVM算法是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法[27]，其主要思想是通過“核映射”把輸入樣本空間映射到高維的特征空間，在特征空間中實(shí)現(xiàn)非線性處理。支持向量回歸機(jī)（SVR）作為支持向量機(jī)SVM的重要應(yīng)用分支，被廣泛應(yīng)用于回歸分析問題。本文利用支持向量回歸機(jī)（SVR）對(duì)番茄葉片含水率進(jìn)行預(yù)測(cè)分析，并選擇穩(wěn)定性較好、精度較高的徑向基函數(shù)（radial basis function，RBF）作為SVR的核函數(shù)。

1.4.3 灰狼優(yōu)化算法優(yōu)化支持向量回歸機(jī)

灰狼優(yōu)化算法GWO是一種新型群體智能優(yōu)化算法。GWO算法通過模擬灰狼種群的各級(jí)領(lǐng)導(dǎo)機(jī)制以及狼群追蹤、包圍、追捕、攻擊獵物等過程來達(dá)到優(yōu)化搜索的目的。

SVR用于回歸預(yù)測(cè)時(shí)，懲罰因子和核函數(shù)參數(shù)的選取對(duì)模型的預(yù)測(cè)精度有著關(guān)鍵性的影響，然而目前和的選取尚無系統(tǒng)性的指導(dǎo)原則或方法，多是建立在經(jīng)驗(yàn)和試湊的基礎(chǔ)之上[28]。對(duì)此，本文采用GWO算法對(duì)SVR的參數(shù)和進(jìn)行尋優(yōu)，并以優(yōu)化后的和建立回歸模型，GWO-SVR算法的實(shí)施步驟如下[29-30]：

1）初始化參數(shù)。確定SVR模型的校正集與預(yù)測(cè)集樣本，并對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。設(shè)置GWO最大迭代次數(shù)和種群規(guī)模，并設(shè)定和的尋優(yōu)范圍。

2）隨機(jī)產(chǎn)生灰狼群，每一個(gè)灰狼群個(gè)體位置向量由和組成，SVR依照個(gè)體位置中的和，對(duì)校正集進(jìn)行學(xué)習(xí)，并計(jì)算每一頭灰狼的適應(yīng)度值。

3）根據(jù)適應(yīng)度值將灰狼種群進(jìn)行分級(jí)，并對(duì)灰狼種群個(gè)體位置進(jìn)行更新

4）計(jì)算每個(gè)灰狼個(gè)體在新位置上的適應(yīng)度值，并與上一次迭代最優(yōu)適應(yīng)度值比較，如果優(yōu)于該適應(yīng)度值，則該灰狼個(gè)體代替群體最優(yōu)適應(yīng)度值，并用該灰狼個(gè)體位置代替該適應(yīng)度值；否則保留原最優(yōu)適應(yīng)度值。

5）若迭代次數(shù)超過最大迭代次數(shù)，學(xué)習(xí)過程結(jié)束，輸出的全局最優(yōu)位置即為SVR中的和的最優(yōu)值，否則返回步驟3繼續(xù)參數(shù)優(yōu)化。

6）采用優(yōu)化后的和進(jìn)行SVR預(yù)測(cè)。

2 結(jié)果與分析

2.1 測(cè)試頻率與含水率對(duì)介電特性的影響

圖1a、1b分別是不同含水率番茄葉片的′和″隨頻率的變化曲線。在0.05～200 kHz內(nèi)，葉片的′、″隨頻率的增大而減小，當(dāng)頻率小于20 kHz（對(duì)數(shù)坐標(biāo)4.301）時(shí)，′、″減小趨勢(shì)明顯，當(dāng)頻率大于20 kHz時(shí)，減小趨勢(shì)變的平緩。由介質(zhì)極化理論[31]可知：隨著頻率的增大，極化過程滯后電場(chǎng)變化，表現(xiàn)為′隨著頻率的增大而趨于下降，頻率越低，下降的趨勢(shì)就越明顯。低頻下，離子的導(dǎo)電性是引起介質(zhì)損耗變化的主要原因[32]，故″隨頻率的增大而逐漸減小。同一頻率下，含水率越高，對(duì)應(yīng)的′、″也越大，這主要是介電特性受含水率的影響較其他因素更為顯著的原因。

2.2 電壓對(duì)介電特性的影響

圖2a、2b分別是20 kHz下，番茄葉片′和″隨電壓的變化曲線。由圖2可知，當(dāng)電壓小于1.2 V時(shí)，′和″基本保持不變；電壓大于1.2 V時(shí)，′和″呈現(xiàn)出下降趨勢(shì)。這一變化規(guī)律與文獻(xiàn)[33]中對(duì)水果介電特性的研究結(jié)果相一致，并將′和″發(fā)生改變的電壓值1.2 V稱為電壓臨界值。

為了確定介電特性檢測(cè)含水率的最佳電壓值，分別建立不同電壓下的′、″、聯(lián)合參數(shù)與含水率的PLSR模型，以模型預(yù)測(cè)集的均方根誤差RMSEP作為評(píng)判標(biāo)準(zhǔn)，結(jié)果如圖3所示。由圖3可知，′、″、聯(lián)合參數(shù)的RMSEP都在1.0 V取得最小值，表明在該電壓值下介電參數(shù)與含水率的關(guān)系更為緊密。因此，選擇1.0 V作為介電特性檢測(cè)葉片含水率的最佳電壓。

2.3 特征變量選取

由于介電參數(shù)的全頻率變量間存在一定的相關(guān)性，某個(gè)頻率點(diǎn)下的變量能夠由其他頻率點(diǎn)下的變量共同解釋，因此該變量即為冗余信息。這些冗余信息在建模時(shí)會(huì)增加模型的復(fù)雜度，降低模型的精度，所以需要對(duì)介電參數(shù)進(jìn)行特征選取。因此，本文采用IRIV算法對(duì)番茄葉片介電參數(shù)進(jìn)行特征變量的選取，并與連續(xù)投影算法（successive projections algorithm，SPA）[34]進(jìn)行比較。

2.3.1 基于IRIV的特征變量選取

IRIV利用5折交叉驗(yàn)證方法建立PLS模型，將所得的RMSECV作為評(píng)價(jià)指標(biāo)，每次迭代之后生成新的變量，再通過反向消除其中的一些變量，最終得到特征變量。IRIV選取、、聯(lián)合參數(shù)的特征變量過程如圖4所示。從圖4中可以看出，′、″、聯(lián)合參數(shù)都是先經(jīng)過迭代生成新的變量，最后一次進(jìn)行反向消除。其中，′經(jīng)過3次迭代，將37個(gè)變量縮減到12個(gè)，反向消除5個(gè)，最終得到7個(gè)特征變量?！褰?jīng)過4次迭代，將37個(gè)變量縮減為10個(gè)，反向消除1個(gè)，最終得到9個(gè)特征變量。聯(lián)合參數(shù)經(jīng)過4次迭代，將74個(gè)變量縮減到20個(gè)，反向消除3個(gè)，最終得到17個(gè)特征變量。3種參數(shù)所選出的特征變量結(jié)果如表1所示。

圖2 20 kHz下電壓對(duì)不同含水率番茄葉片的相對(duì)介電常數(shù)ε′和介質(zhì)損耗因數(shù)ε″的影響

2.3.2 基于 SPA的特征變量選取

為了保證模型性能，設(shè)置選取變量數(shù)的范圍為3～20，根據(jù)不同變量數(shù)下的均方根誤差RMSE確定最佳的特征變量數(shù)。圖5是3種參數(shù)的RMSE值隨著選取變量數(shù)的不同而變化的趨勢(shì)圖。從圖5可以看出，隨著變量個(gè)數(shù)的增加，RMSE整體呈現(xiàn)減小趨勢(shì)。當(dāng)選取的變量數(shù)分別大于9、10和12時(shí)（黑色實(shí)心圓位置），RMSE變化不再顯著，此時(shí)RMSE分別為0.056 3、0.054 4和0.056 5。由于變量過多會(huì)增加模型的運(yùn)算量和復(fù)雜度，因此本文分別選取3種參數(shù)的9、10和12個(gè)變量作為最終的特征變量，結(jié)果如表1所示。

圖3 預(yù)測(cè)集的均方根誤差RMSEP隨電壓的變化

圖4 IRIV選取特征變量過程

表1 IRIV與SPA選取的特征變量

注：對(duì)應(yīng)頻率中的、表示特征變量的來源。

Note:′ and′′ of corresponding frequency column indicate the source of the characteristic variables.

2.4 SVR回歸模型的建立

分別以IRIV和SPA選取的特征變量作為SVR建模分析的自變量，葉片含水率為因變量，建立SVR回歸模型。為了更好地分析特征變量的選取效果，將全變量數(shù)據(jù)也用于建模對(duì)比。其中，模型的參數(shù)和為默認(rèn)值，建模結(jié)果如表2所示。

圖5 RMSE隨SPA選取特征變量數(shù)的變化

從表2中整體的建模結(jié)果來看，聯(lián)合參數(shù)應(yīng)用IRIV與SVR建立的預(yù)測(cè)模型具有最高P2（0.872 1）和最低的RMSEP（0.039 0），較其他模型能夠更好地預(yù)測(cè)葉片含水率。從研究的參數(shù)來看，聯(lián)合參數(shù)所建模型的預(yù)測(cè)效果優(yōu)于單一參數(shù)（或）。主要是聯(lián)合參數(shù)在一定程度上將和進(jìn)行信息互補(bǔ)，特別是在經(jīng)SPA和IRIV提取特征變量時(shí)，能夠?qū)⒒パa(bǔ)的變量結(jié)合在一起，提高模型的預(yù)測(cè)性能，更加全面地反映介電特性與含水率的內(nèi)在聯(lián)系。從變量選取角度來看，基于SPA所建立的SVR模型（SPA-SVR）和基于IRIV所建立的SVR模型（IRIV-SVR）的預(yù)測(cè)效果較基于全變量的SVR模型均有不同程度的提升，其中以IRIV-SVR模型最為顯著，該模型基于3種參數(shù)的預(yù)測(cè)集2分別提高了0.083 9、0.066 7和0.063 2。從模型的復(fù)雜度來看，SPA和IRIV這2種算法都大大簡化了模型。3種參數(shù)的變量個(gè)數(shù)分別減少了75.68%、72.97%、83.78%和81.18%、75.68%、77.03%。建模結(jié)果表明，提取的特征變量確實(shí)是建模過程中所需的有用信息，雖然減少了模型的運(yùn)算量，但預(yù)測(cè)能力卻沒有降低。通過上述分析，聯(lián)合參數(shù)經(jīng)IRIV提取特征變量建立的SVR模型可以較好地預(yù)測(cè)番茄葉片的含水率。

表2 基于不同特征變量選取方法的SVR建模結(jié)果

雖然IRIV算法比SPA算法具有更好的變量選取效果，但所建立的IRIV-SVR模型的預(yù)測(cè)2為0.872 1，說明預(yù)測(cè)精度仍有很大的提高空間。因此，引入GWO算法對(duì)SVR模型的參數(shù)和進(jìn)行智能尋優(yōu)。通過對(duì)GWO算法中的最大迭代次數(shù)和種群規(guī)模進(jìn)行設(shè)置，觀察不同和對(duì)預(yù)測(cè)結(jié)果的影響。經(jīng)過反復(fù)試驗(yàn)，發(fā)現(xiàn)和增大時(shí)，算法的運(yùn)行時(shí)間會(huì)增大。隨著和逐漸增大，參數(shù)尋優(yōu)過程中的全局搜索能力得到明顯提高，但當(dāng)它們?cè)黾拥揭欢ǔ潭葧r(shí)，和對(duì)預(yù)測(cè)精度的提升已經(jīng)不再明顯。因此，根據(jù)算法運(yùn)行情況，本文將GWO算法最大迭代次數(shù)設(shè)置為100，灰狼種群規(guī)模設(shè)置為20。GWO-SVR模型的建模結(jié)果如表3所示。

表3 GWO-SVR模型結(jié)果

對(duì)比分析表2和表3，可以看出，表2中部分模型的校正集和預(yù)測(cè)集的2相差過大，存在過擬合而導(dǎo)致泛化能力不足的問題，使得模型的魯棒性較差。相比于表2，表3中各個(gè)模型的校正集和預(yù)測(cè)集的2的差距得到不同程度的縮小。其中，基于′的SPA-SVR的校正集和預(yù)測(cè)集2相差10.90%，降低到GWO算法優(yōu)化SPA-SVR模型的5.06%，說明GWO算法對(duì)SVR模型的參數(shù)進(jìn)行尋優(yōu)后，新模型的過擬合情況得到了有效降低。

圖6 IRIV-GWO-SVR模型的含水率預(yù)測(cè)結(jié)果

從表3可知，經(jīng)GWO算法優(yōu)化后，不同模型的預(yù)測(cè)效果得到了一定程度的提升，優(yōu)化后的基于IRIV所建立的GWO-SVR模型（IRIV-GWO-SVR）的預(yù)測(cè)集2提升為0.963 8，RMSE降低為0.020 7，對(duì)應(yīng)的SVR參數(shù)為22.646 1，為0.163 0，沒有因參數(shù)過大或過小造成“過擬合”或“欠擬合”狀態(tài)。證明了GWO算法對(duì)模型參數(shù)優(yōu)選的作用。圖6為IRIV-GWO-SVR的預(yù)測(cè)結(jié)果，可以看出樣本集中于回歸線（）附近，預(yù)測(cè)效果較佳。因此，最終選擇IRIV-GWO-SVR作為番茄葉片含水率的預(yù)測(cè)模型。

3 結(jié) 論

在0.05～200 kHz間，葉片的相對(duì)介電常數(shù)、介質(zhì)損耗因數(shù)都隨著頻率的增大而減小，當(dāng)頻率小于20 kHz時(shí)，減小趨勢(shì)明顯；當(dāng)頻率大于20 kHz時(shí)，減小趨勢(shì)平緩。同一測(cè)試頻率下，番茄葉片的相對(duì)介電常數(shù)、介質(zhì)損耗因數(shù)都隨著葉片含水率的增大而增大。通過建立介電參數(shù)與含水率間的PLSR模型，最終選取1.0 V作為最佳測(cè)試電壓。

利用IRIV和SPA算法對(duì)相對(duì)介電常數(shù)、介質(zhì)損耗因數(shù)及聯(lián)合參數(shù)進(jìn)行特征變量選取，與全變量模型相比，特征變量下的模型不僅復(fù)雜度大幅降低，模型的預(yù)測(cè)性能也得到了提高。其中，基于聯(lián)合參數(shù)的IRIV-SVR模型的性能最佳，其預(yù)測(cè)集2為0.872 1，RMSE為0.039 0。

通過引入GWO算法對(duì)SVR模型的參數(shù)和進(jìn)行智能尋優(yōu)，分析GWO算法的最大迭代次數(shù)和灰狼種群規(guī)模對(duì)預(yù)測(cè)結(jié)果的影響。當(dāng)和增大到一定程度后，效果變化不再顯著。因此，本文將設(shè)置為100，為20，優(yōu)化后的IRIV-GWO-SVR模型相比于IRIV-GWO模型，不僅預(yù)測(cè)精度得到提高，還降低了模型的過擬合情況。其中，基于聯(lián)合參數(shù)的IRIV-GWO-SVR模型的性能最佳，其預(yù)測(cè)集2為0.963 8，RMSE為0.020 7。

番茄不同生長周期的水分情形是不盡相同的，本文只討論了某段時(shí)期下基于介電特性的番茄葉片水分狀況，雖然模型對(duì)葉片含水率預(yù)測(cè)效果較好，但仍存在一定的局限性。因此，對(duì)番茄生長周期的水分檢測(cè)需要更進(jìn)一步的研究。另一方面，GWO算法在尋優(yōu)過程中易陷入局部最優(yōu)解的問題，也需要在后續(xù)工作中進(jìn)行深入研究。

[1] 趙美佳，鄒通，湯澤君，等．番茄營養(yǎng)成分以及國內(nèi)外加工現(xiàn)狀[J]．食品研究與開發(fā)，2016，37(10)：215－218． Zhao Meijia, Zou Tong, Tang Zejun, et al. Nutritional ingredient of tomato and processing status in domestic and overseas[J]. Food Research and Development, 2016, 37(10): 215－218. (in Chinese with English abstract)

[2] 胡永光，陳培培，趙夢(mèng)龍．綠茶殺青葉料含水率可見-近紅外光譜檢測(cè)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(8)：174－179． Hu Yongguang, Chen Peipei, Zhao Menglong. Determination of water content in de-enzyming green tea leaves based on visible-near infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery (Transactions of the CSAM), 2013, 44(8): 174－179. (in Chinese with English abstract)

[3] 孫俊，叢孫麗，毛罕平，等．基于高光譜的油麥菜葉片水分CARS-ABC-SVR預(yù)測(cè)模型[J]．農(nóng)業(yè)工程學(xué)報(bào)，2017，33(5)：178－184． Sun Jun, Cong Sunli, Mao Hanping, et al. CARS-ABC-SVR model for predicting leaf moisture of leaf-used lettuce based on hyperspectral[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 178－184. (in Chinese with English abstract)

[4] 江朝暉，楊春合，周瓊，等．基于圖像特征的越冬期冬小麥冠層含水率檢測(cè)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(12)：260－267． Jiang Zhaohui, Yang Chunhe, Zhou Qiong. Detection of canopy water content of winter wheat during wintering period based on image features[J]. Transactions of the Chinese Society for Agricultural Machinery (Transactions of the CSAM), 2015, 46(12): 260－267. (in Chinese with English abstract)

[5] 馮呈艷，余志，陳玉瓊，等．茶鮮葉介電特性的初步研究[J]．華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014，33(2)：111－115． Feng Chengyan, Yu Zhi, Chen Yuqiong, et al. Researches on the dielectric property of fresh tea leaves[J]. Journal of Huazhong Agricultural University, 2014, 33(2): 111－115. (in Chinese with English abstract)

[6] 魏永勝，李得孝，牟長靈，等．小麥葉片電特性與外加電壓和頻率的關(guān)系研究[J]．農(nóng)業(yè)工程學(xué)報(bào)，2008，24(5)：166－169． Wei Yongsheng, Li Dexiao, Mou Changling, et al. Relationship between wheat seeding leaf electric property and test frequency and voltage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(5): 166－169. (in Chinese with English abstract)

[7] 陳香，李民贊，孫紅，等．基于透射光譜的玉米葉片水分含量快速檢測(cè)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2017，33(增刊1)：137－142． Chen Xiang, Li Minzan, Sun Hong, et al. Rapid determination of moisture content in maize leaf based on transmission spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1): 137－142. (in Chinese with English abstract)

[8] 劉燕德，姜小剛，周衍華，等．基于高光譜成像技術(shù)對(duì)臍橙葉片的葉綠素、水分和氮素定量分析[J]．中國農(nóng)機(jī)化學(xué)報(bào)，2016，37(3)：218－224． Liu Yande, Jiang Xiaogang, Zhou Yanhua, et al. Quantitative analysis of chlorophyll, water and nitrogen for navel orange leaf based on hyper-spectral imaging technology[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(3): 218－224. (in Chinese with English abstract)

[9] 勞東青，陳立平，鄔歡歡，等．基于計(jì)算機(jī)視覺的棗葉含水率估算模型[J]．江蘇農(nóng)業(yè)科學(xué)，2015，43(4)：384－386． Lao Dongqing, Chen Liping, Wu Huanhuan, et al. Study on jujube leaf water content estimation model based on computer vision[J]. Jiangsu Agricultural Sciences, 2015, 43(4): 384－386. (in Chinese with English abstract)

[10] 孫俊，張國坤，毛罕平，等．基于介電特性與回歸算法的玉米葉片含水率無損檢測(cè)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(4)：257－264． Sun Jun, Zhang Guokun, Mao Hanping, et al. Non- destructive moisture content detection of corn leaves based on dielectric properties and regression algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery (Transactions of the CSAM), 2016, 47(4): 257－264. (in Chinese with English abstract)

[11] Auksornsri T, Tang J, Tang Z, et al. Dielectric properties of rice model food systems relevant to microwave sterilization process[J]. Innovative Food Science & Emerging Technologies, 2018, 45: 98－105.

[12] 孫俊，劉彬，毛罕平，等．基于介電特性與蛋黃指數(shù)回歸模型的雞蛋新鮮度無損檢測(cè)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2016，32(21)：290－295． Sun Jun, Liu Bin, Mao Hanping, et al. Non-destructive examination for freshness of eggs based on dielectric properties and yolk index regression model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 290－295. (in Chinese with English abstract)

[13] Gutiérrez J D, Catalá-Civera J M, Bows J, et al. Dynamic measurement of dielectric properties of food snack pellets during microwave expansion[J]. Journal of Food Engineering, 2017, 202: 1－8.

[14] Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimization[J]. Advances in Engineering Software, 2014, 69(7): 46－61.

[15] 劉子龍，周玉文，譚錦欣，等．基于 PSO 原理的異孔徑配水系統(tǒng)優(yōu)化算法[J]．北京工業(yè)大學(xué)學(xué)報(bào)，2014，40(11)：1717－1721． Liu Zilong, Zhou Yuwen, Tan Jinxin, et al. Optimization algorithm for a perforated water distribution system based on PSO[J]. Journal of Beijing University of Technology, 2014, 40(11): 1717－1721. (in Chinese with English abstract)

[16] 劉曉楠，張樸，孔力，等．基于SVD和DE反演算法的滲透率估計(jì)[J]．華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，42(9)：5－9． Liu Xiaonan, Zhang Pu, Kong Li, et al. Permeability estimation based on singular value decomposition and differential evolution inversion method[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2014, 42(9): 5－9. (in Chinese with English abstract)

[17] 李鵬，徐偉娜，周澤遠(yuǎn)，等．基于改進(jìn)萬有引力搜索算法的微網(wǎng)優(yōu)化運(yùn)行[J]．中國電機(jī)工程學(xué)報(bào)，2014，34(19)：3073－3079． Li Peng, Xu Weina, Zhou Zeyuan, et al. Optimal operation of microgrid based on improved gravitational search algorithm [J]. Proceedings of the CSEE, 2014, 34(19): 3073－3079. (in Chinese with English abstract)

[18] Song H M, Sulaiman M, Mohamed M. An application of grey wolf optimizer for solving combined economic emission dispatch problems[J]. International Review on Modeling and Simulations, 2014, 7(5): 838－844.

[19] Madadi A, Motlagh M. Optimal control of DC motor using grey wolf optimizer algorithm[J]. Technical Journal of Engineering and Applied Science, 2014, 4(4): 373－379.

[20] Komaki G M, Kayvanfar V. Grey wolf optimizer algorithm for the twostage assembly flow shop scheduling problem with release time[J]. Journal of Computational Science, 2015, 8(3): 109－120.

[21] Mirjalili S. How effective is the Grey Wolf optimizer in training multilayer perceptrons[J]. Applied Intelligence, 2015, 42(2): 608－619.

[22] 鄒大軍，李錫文，張嘉琪，等．一種粉末相對(duì)介電常數(shù)測(cè)試方法與裝置的研究[J]．儀器儀表學(xué)報(bào)，2014，35(2)：368－373． Zou Dajun, Li Xiwen, Zhang Jiaqi, et al. Study on a testing method and device for powder relative dielectric constant[J]. Chinese Journal of Scientific Instrument, 2014, 35(2): 368－373. (in Chinese with English abstract)

[23] Mahani R, Atia F, A L Neklawy M M, et al. Dielectric spectroscopy study of water hyacinth collected from different media[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2017, 191: 352－356.

[24] ASABE. Standards engineering practices data[S]. Michigan: American Society of Agricultural Engineering, 2005.

[25] Yun Y H, Wang W T, Tan M L, et al. A strategy that iteratively retains informative variables for selecting optimal variable subset in multivariate calibration[J]. Analytica Chimica Acta, 2014, 807(1): 36－43.

[26] 劉國海，韓蔚強(qiáng)，江輝．基于近紅外光譜的橄欖油品質(zhì)鑒別方法研究[J]．光譜學(xué)與光譜分析，2016，36(9)：2798－2801． Liu Guohai, Han Weiqiang, Jiang Hui. Study on quality identification of olive oil based on near infrared spectra[J]. Spectroscopy and Spectral Analysis, 2016, 36(9): 2798－2801. (in Chinese with English abstract)

[27] Chapelle O, Vapnik V, Bousquet O, et al. Choosing multiple parameters for support vector machines[J]. Machine Learning, 2002, 46: 131－159.

[28] 崔東文，金波．基于改進(jìn)的回歸支持向量機(jī)模型及其在年徑流預(yù)測(cè)中的應(yīng)用[J]．水力發(fā)電學(xué)報(bào)，2015，34(2)：7－14． Cui Dongwen, Jin Bo. Improved support vector machine regression model and its application to annual runoff forecasting[J]. Journal of Hydroelectric Engineering, 2015, 34(2): 7－14. (in Chinese with English abstract)

[29] 徐達(dá)宇，丁帥．改進(jìn)GWO優(yōu)化SVM的云計(jì)算資源負(fù)載短期預(yù)測(cè)研究[J]．計(jì)算機(jī)過程與應(yīng)用，2017，53(7)：68－73． Xu Dayu, Ding Shuai. Research on improved GWO- optimized SVM-based short-term load prediction for cloud computing[J]. Computer Engineering and Applications, 2017, 53(7): 68－73. (in Chinese with English abstract)

[30] 崔東文．幾種智能算法與支持向量機(jī)融合模型在中長期月徑流預(yù)測(cè)中的應(yīng)用[J]．華北水利水電大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，37(5)：51－57． Cui Dongwen. Application of several intelligent algorithms and support vector machine fusion model in medium and long term runoff forecasting[J]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 2016, 37(5): 51－57. (in Chinese with English abstract)

[31] 楊薇，尹青劍，張付杰，等．基于介電特性的三七粉含水率檢測(cè)與建模[J]．昆明理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，41(4)：81－87． Yang Wei, Yin Qingjian, Zhang Fujie, et al. Predicating and modeling of moisture content of panax notoginseng powder based on dielectric properties[J]. Journal of Kunming University of Science and Technology (Nature Science Edition), 2016, 41(4): 81－87. (in Chinese with English abstract)

[32] Guo W C, Tiwari G, Tang J, et al. Frequency, moisture and temperature-dependent dielectric properties of chickpea flour[J]. Biosystems Engineering, 2008, 12(101): 217－224.

[33] 郭文川，郭康權(quán)，王乃信．電激勵(lì)信號(hào)的頻率和電壓對(duì)果品電特性的影響[J]．農(nóng)業(yè)工程學(xué)報(bào)，2004，20(2)：62－65．

Guo Wenchuan, Guo Kangquan, Wang Naixin. Influence of frequency and voltage of electric excitation signal on electric property of fruits[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(2): 62－65. (in Chinese with English abstract)

[34] 商亮，谷靜思，郭文川．基于介電特性及ANN的油桃糖度無損檢測(cè)方法[J]．農(nóng)業(yè)工程學(xué)報(bào)，2013，29(17)：257－264． Shang Liang, Gu Jingsi, Guo Wenchuan. Non-destructively detecting sugar content of nectarines based on dielectric properties and ANN[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(17): 257－264. (in Chinese with English abstract)

Detection of moisture content of tomato leaves based on dielectric properties and IRIV-GWO-SVR algorithm

Sun Jun, Mo Yunnan, Dai Chunxia, Chen Yong, Yang Ning, Tang You

(212013,)

Tomato is one of the important crops in the world. Tomato contains a lot of vitamins and a variety of nutritional elements, which is popular among people. Water is indispensable to plants and the shortage of such critical resource leads to a decline in yield and quality of crops. Leaf moisture content is an important factor which can show water scarcity in crop.In order to realize more reasonable irrigation management during the growth of tomato, a new method for accurately, rapidly and effectively detecting tomato leave moisture based on dielectric properties was proposed in this study. Firstly, the dielectric properties (relative dielectric constant and dielectric loss factor) of 300 pieces of tomato leaves with different moisture contents were measured with an LCR measuring instrument at 37 discrete frequencies over the frequency range of 0.05-200 kHz, and the moisture contents of the tomato leaves were measured by dry weight method. Secondly, the iteration retaining informative variables (IRIV) algorithm was used to extract the characteristic variables of dielectric properties of tomato leaf samples, and simultaneously the effect of IRIV was compared with that of the successive projections algorithm (SPA) in order to determine the optimal method for characteristic variable selection. Finally, the support vector regression (SVR) machine was adopted to establish the relationship models between full variables, 2 kinds of characteristic variables and moisture content of tomato leaf samples, respectively. And the performances of all the models were evaluated by the determination coefficient for calibration set (C2), root mean square error for calibration set (RMSEC), determination coefficient for prediction set (P2) and root mean square error for prediction set (RMSEP). The research results showed that the measurement frequency and moisture content had a significant effect on the dielectric properties of tomato leaves. Between 0.05 and 200 kHz, the relative dielectric constant and dielectric loss factor decreased with the increase of the test frequency. When the frequency was less than 20 kHz, the decline was obvious. When the frequency was more than 20 kHz, the decline was not obvious. Between 0.05 and 200 kHz, the relative dielectric constant and dielectric loss factor increased with the increase of the moisture content of tomato leaves. And the results showed that IRIV-SVR model performed better than the other models with full-SVR and SPA-SVR, achieving the highest accuracy withP2=0.8721 and RMSEP=0.0390. Whereas, for the prediction accuracy of IRIV-SVR model, the desired effect was not achieved. For improving the prediction accuracy of SVR model, the grey wolf optimizer (GWO) algorithm was further introduced to intelligently optimize the parameters in the SVR model to find the optimum values. Consequently, the optimized model, IRIV-GWO-SVR, achieved theP2of 0.9638 and RMSEP of 0.0207, which proved that the method of selecting characteristic variables by IRIV algorithm combined with optimizing the parameters in SVR model by GWO algorithm can extremely raise the performance of prediction model for the moisture content of leaves. Hence, the method of dielectric properties technology combined with the IRIV-GWO-SVR model is feasible for detecting the moisture content of tomato leaves, also hopefully providing a new method and thought for water detection of other crops.

moisture; models; algorithms; tomato leaves; moisture content; dielectric properties; iteratively retains informative variables; grey wolf optimizer

10.11975/j.issn.1002-6819.2018.14.024

S641.2

A

1002-6819(2018)-14-0188-08

2017-12-18

2018-05-04

國家自然科學(xué)基金資助項(xiàng)目（31471413）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目PAPD（蘇政辦發(fā)[2011]6號(hào)）；江蘇省六大人才高峰資助項(xiàng)目（ZBZZ-019）

孫 俊，江蘇泰興人，教授，博士，博士生導(dǎo)師。研究方向?yàn)橛?jì)算機(jī)技術(shù)在農(nóng)業(yè)工程中的應(yīng)用。Email：sun2000jun@ujs.edu.cn

孫 俊，莫云南，戴春霞，陳 勇，楊 寧，唐 游. 基于介電特性與IRIV-GWO-SVR算法的番茄葉片含水率檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(14)：188－195. doi：10.11975/j.issn.1002-6819.2018.14.024 http://www.tcsae.org

Sun Jun, Mo Yunnan, Dai Chunxia, Chen Yong, Yang Ning, Tang You. Detection of moisture content of tomato leaves based on dielectric properties and IRIV-GWO-SVR algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 188－195. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.14.024 http://www.tcsae.org