Non-destructive determination of zinc content in oilseed rape leaves based on hyperspectral depth characteristics
-
摘要:
为了实现油菜叶片锌含量的快速无损检测，该研究采用一种基于高光谱成像技术结合深度迁移学习算法的高精度检测方法，通过无土栽培的方式，设置10个不同胁迫类别(2种不同硅浓度环境结合5个不同锌胁迫梯度)，获取无硅环境和有硅环境中重金属锌胁迫下总计4 000个油菜叶片样本。利用高光谱成像设备采集油菜叶片样本高光谱图像信息，并将整个叶片作为感兴趣区域获取其平均光谱信息。通过对比不同预处理后光谱对硅作用下油菜叶片锌含量预测性能，确立标准正态变量变换(standard normalized variable，SNV)算法作为最佳预处理方法，并对SNV处理的光谱数据进行进一步分析。利用堆叠自编码器(stacked auto-encoder，SAE)对预处理后的最佳光谱数据进行降维，并与传统的降维算法进行比较。最后，对最优SAE深度学习网络进行迁移学习，得到迁移堆叠自编码器(transfer stacked auto-encoder，T-SAE)模型，验证无硅环境和有硅环境中深度学习模型之间的可迁移性。结果表明，基于SAE提取深度特征的支持向量机回归(support vector machine regression，SVR)模型对无硅环境或有硅环境中油菜叶片中锌含量的预测效果较好。无硅环境和有硅环境中所建立的SNV-SAE-SVR模型性能较佳，预测集的决定系数(Rp2)、均方根误差(RMSEP)和相对分析误差(RPD)分别为0.850 7、0.034 66 mg/kg和2.607，0.876 6、0.028 54 mg/kg和2.732。此外，基于T-SAE提取深度特征的SVR模型能有效实现无硅环境和有硅环境中锌含量的预测，最佳SNV-T-SAE-SVR模型预测集的Rp2、RMSEP和RPD分别为0.881 0、0.027 48 mg/kg和2.966。研究结果表明，深度迁移学习方法结合高光谱成像无损检测技术能够有效实现油菜叶片锌含量检测。
Abstract:Non-destructive testing can be expected to rapidly and accurately detect the zinc content in oilseed rape leaves. In this study, a high-precision detection was realized to combine with deep transfer learning using hyperspectral imaging technology. Oilseed rape with similar growth shape was divided into two groups (Group Z and Group ZS) by soilless cultivation, each of which included the five types of stress reagents. Therefore, 400 oilseed rape leaf samples were selected for each type of stress reagent, while 2 000 oilseed rape leaf samples were collected for each group, leading to 4000 oilseed rape leaf samples in total. The hyperspectral image information of oilseed rape leaf samples was obtained by hyperspectral imaging equipment. The whole blade was taken as the region of interest. The average spectral information was obtained in the region of interest after calculation. Firstly, the predictive performance of different pre-treated spectra was compared for the zinc content in oilseed rape leaves under the action of silicon. Standard normalized variable (SNV) was established as the best pre-processing. The spectral data was processed by SNV for further analysis. A stacked auto-encoder (SAE) was used to reduce the dimensionality of the best pre-processed spectral data, compared with the traditional. Finally, transfer stacked auto-encoder (T-SAE) was performed on the optimal SAE deep learning network. The transfer learning model was obtained to verify the portability between the deep learning models in silicon-free and silicon environments. The results showed that the support vector machine regression (SVR) model with SAE extraction depth features shared the best prediction on zinc content in the oilseed rape leaves under silicon-free or silicon environments. The best performance was achieved in the SNV-SAE-SVR model under a silicon-free environment. The coefficient of determination (Rc2) and root mean square error (RMSEC) of the calibration set were 0.939 3 and 0.018 22 mg/kg, respectively, while the coefficient of determination (Rp2), root mean square error (RMSEP), and residual predictive deviation (RPD) of prediction set were 0.850 7, 0.034 66 mg/kg and 2.607, respectively. The Rc2, RMSEC, Rp2, RMSEP, and RPD of the prediction set were 0.963 4, 0.012 97 mg/kg, 0.876 6, 0.028 54 mg/kg and 2.732, respectively. In addition, the SVR model with T-SAE extraction depth features performed the best prediction on zinc content in both silicon-free and silicon environments, where the Rc2, RMSEC, Rp2, RMSEP, and RPD of the optimal SNV-T-SAE-SVR model prediction set were 0.970 5, 0.012 04 mg/kg, 0.881 0, 0.027 48 mg/kg and 2.966, respectively. Deep transfer learning combined with hyperspectral imaging technology can effectively detect the zinc content in oilseed rape leaves under both silicon-free and silicon environments.
-
0. 引 言
随着农业科技水平的提高，设施园艺逐步实现机械化、自动化、信息化生产，并向智能化转型[1-4]。开发适合设施园艺应用的智能作业机械成为当前研究的热点，其中精准定位对于引导移动作业机械自主行驶与作业至关重要。设施园艺具有非结构化和高度可变的复杂环境，且存在大量的人工设施[5]，为获得高度自主移动性，往往需要安装复杂、全面的传感器以获得更精确稳定的定位。目前，完全自动化的解决方案尚未在设施园艺领域实施。
设施园艺环境中无法采用常用的全球导航卫星系统（global navigation satellite system，GNSS）信号[6]，因此需要一种可替代的实时定位系统，以满足设施园艺精确定位的要求。目前，各种室内定位方案都取得了巨大的发展，并在实践中得到了广泛应用，包括声定位、同步定位与地图构建（simultaneous localization and mapping，SLAM）、超宽带（ultra wide band，UWB）等。HUANG等[7]采用载波频率检测的多普勒频移补偿算法提升补偿声信号的能力，实现了温室环境下的厘米级精度定位。声定位虽然可以实现低成本实时定位，但易受环境干扰且覆盖范围存在局限性。SLAM技术是近年来的热门研究方向，然而由于设施园艺环境的特殊性，限制了该方法在设施园艺定位领域的应用。设施园艺与大部分的室内环境不同，多跨大棚通常具有以下特点：（1）面积大且包含很少独特元素的空旷环境（农田、水泥路面、塑料薄膜、玻璃等）；（2）整体结构高度重复且具有大量障碍物（大棚立柱、灌溉系统等）；（3）作物生长导致环境动态变化[8-9]。因此，对于具有动态、大尺度、高重复的设施园艺环境，视觉SLAM和激光SLAM难以提取和匹配显著特征进行定位。超宽带具有低功耗、高精度、高分辨率和覆盖范围大等特点，成为设施园艺环境定位系统的研究热点。姚立健等[10]采用加权最小二乘法提高UWB定位精度，设计基于动态前视距离的纯跟踪模型，并通过试验证明了特定情况下基于UWB定位的可行性。解开婷等[11]提出一种全质心加权最小二乘的高速双边双向算法，通过组合固定解与模糊解，将定位目标求解转换为凸规划优化，解决了UWB因测距误差导致三角形公共区域缺失的问题。陈兆等[12]建立了UWB基站布设优化模型，使用遗传算法和萤火虫算法优化基站布设阵型，降低了定位误差的波动。LI等[13]提出一种基于预校正策略和粒子群优化算法的超宽带精确测距方法，进一步提高了UWB测距精度。然而，设施园艺中的复杂场景仍限制着UWB的使用，多径效应、基站布设等问题都会导致UWB定位精度出现较大的波动。此外，设施园艺中存在的铁架、大棚立柱、塑料薄膜、作物等，会在UWB数据中引入大量的非视距（non line of sight，NLOS）误差[14-15]。综上，单一传感器存在固有限制和缺陷，无法满足复杂场景的定位要求。因此，可尝试多传感器组合定位以增加定位的稳定性和可靠性。其中，IMU传感器具有短时精准位置估算的特点，可对UWB定位误差进行修正。此外，通过运用误差检测、修正策略、多传感器数据融合技术与各种滤波算法，可解决环境中的固定误差和传感器的累积误差，常用的滤波算法包括扩展卡尔曼滤波（extended kalman filtering，EKF）、Sage-Husa卡尔曼滤波（sage-husa kalman filtering，SHKF）、无迹卡尔曼滤波（unscented kalman filtering，UKF）和自适应卡尔曼滤波（adaptive kalman filtering，AKF）等[16-21]。这些组合定位方案及融合滤波算法在处理非线性系统、动态环境下的实时性和鲁棒性方面仍有较大改进空间[22]。
为此，本文提出一种基于自适应抗差组合定位算法（adaptive robust combination positioning algorithm，ARCPA）的UWB-IMU组合定位方法。首先，引入距离差分滑动窗口对UWB数据进行非视距误差鉴别。然后，为充分利用量测信息，提出余弦重启渐消因子，动态调整历史量测的权重。同时，为了减小几何误差的影响，设计基于位置精度因子权值的抗差因子。最后，通过仿真与实车定位试验验证所提组合定位方法的有效性。
1. UWB-IMU组合定位系统设计
1.1 设施园艺电驱移动平台
针对设施园艺特殊作业场景对电驱移动平台灵活作业与高操纵稳定性需求，设计了一种设施园艺电驱移动平台，整体结构设计如图1a所示。动力系统主要由轮毂电机、动力电池、整车控制器等组成，驱动系统结构如图1b所示。采用纯电动四轮独立转向-独立驱动机构，由锂电池（76.8 V、280 Ah）供电。
![]()
图 1 设施园艺移动平台整体结构及其驱动系统Figure 1. Overall structure and drive system of mobile platform for protected horticulture1.2 组合定位方法
在设施园艺场景下，作物种植密集且存在大量人工设施，UWB测距信号易受到周围环境的干扰，极大影响定位精度，而IMU可提供短时的精准定位信息，结合两者的信息可以显著改善系统的定位性能。
1.2.1 UWB定位原理
UWB定位系统如图2所示，在设施园艺场景中部署3个或3个以上的UWB基站，UWB标签固定于电驱移动平台机体。本文导航坐标系用n系表示，载体坐标系用b系表示，On固定于基站S1在设施园艺环境地面的投影，载体坐标系Ob与设施园艺移动平台固连。
![]()
图 2 设施园艺UWB定位系统注：Ob为载体坐标系，固连于移动平台，按“右前上”顺序定义，Xb沿载体横轴指向载体右侧，Yb沿载体横轴指向载体前方，Zb垂直Xb与Yb所在平面向上。On为导航坐标系，固定于基站S1的地面投影区域，Xn沿大棚横向指向大棚右侧，Yn沿大棚纵向指向大棚前方，Zn垂直Xn与Yn所在平面向上；d1，d2，d3，d4为定位标签到基站S1，S2，S3，S4距离，m。Figure 2. Protected horticulture UWB positioning systemNote: Ob is the carrier coordinate system, fixed to the mobile platform, defined in the order of “right front up”, with Xb pointing to the right side of the carrier along the transverse axis of the carrier, Yb pointing to the front of the carrier along the transverse axis of the carrier, and Zb perpendicularly upward in the plane where Xb and Yb are located. On is the navigation coordinate system fixed to the projection area of the base station S1 on the ground, Xn points to the right side of the shed along the transverse axis of the shed, Yn points to the front side of the shed along the longitudinal axis of the shed, and Zn is perpendicular to the plane upward where Xn and Yn are located; d1, d2, d3, and d4 denote the distances of the positioning tags to the base station S1, S2, S3, S4, m.常用的UWB无线定位方法有到达时间法（time of arrival，TOA）、到达时间差法（time difference of arrival，TDOA）、基于信号到达角法（angle of arrival，AOA）和基于信号接收强度法（received signal strength indicator，SRS）[23]。本文使用基于测量信号到达时间法，测量基站与定位标签之间的距离，并采用三球交互定位方法估计UWB标签的位置（见图3）。
基站与定位标签之间的测量距离计算如下：
d=c⋅t+σ (1) 式中d为信号传播距离，m；t为信号传播时间，s；c为信号传播速度，m/s；σ为测量噪声与异常误差之和，m。
1.2.2 IMU定位原理
IMU主要由三轴加速度计和三轴陀螺仪组成[24]，定位流程如图4所示，通过对输出的比力和角速度观测值进行积分运算，从而对载体位置、速度和姿态进行更新。
![]()
图 4 IMU定位解算原理注：λ和L分别表示经度和纬度，(°)；h表示高度，m；φ、θ、γ表示俯仰角、航向角、横滚角，rad；VE、VN、VU表示东、北、天方向速度分量，m·s-1； \boldsymbol{\boldsymbol{f}}^{\mathit{b}} 和 \boldsymbol{\boldsymbol{f}}^{\mathit{n}} 表示b系和n系下的比力投影，m·s-2； \mathit{\omega}_{ie}^n 表示地球自转角速度矢量在导航坐标系中的投影，rad·s-1； {{{\omega}{_{en}^n}{{{ }}}}{ }} 表示导航坐标系下，地球自转和地球表面运动的角速度，rad·s-1； {\omega_{in}^b} 表示载体坐标系下，导航坐标系相对惯性坐标系的角速度，rad·s-1； \omega_{nb}^b 表示载体坐标系下，导航坐标系相对载体的角速度，rad·s-1； \omega_{in}^n 表示导航坐标系下，载体坐标系相对于惯性坐标系的角速度，rad·s-1。Figure 4. IMU (inertial measurement unit) positioning calculation principleNote: λ, L represent longitude, latitude, respectively, (°); h represent altitude, m; φ，θ，and γ denote the pitch angle, yaw angle, and roll angle, respectively, rad; VE, VN, and VU are the velocity components in east, north, and up directions, respectively, m·s-1; {\boldsymbol{f}}^b and \boldsymbol{f}^n refer to specific force projections in b-frame and the n-frame, respectively, m·s-2; \omega_{ie}^n represents projection of the Earth's rotation angular velocity vector in navigation coordinate system, rad·s-1; \omega_{en}^n denotes angular velocity in navigation coordinate system due to both Earth's rotation and movement on Earth's surface, rad·s-1; \omega_{in}^b indicates angular velocity of navigation coordinate system relative to inertial coordinate system in body coordinate system, rad·s-1; \omega_{nb}^b denotes angular velocity of navigation coordinate system relative to body in body coordinate system, rad·s-1; \omega_{in}^n represents angular velocity of body coordinate system relative to inertial coordinate system in the navigation coordinate system, rad·s-1.首先通过四元数对姿态进行更新，姿态更新方程及姿态矩阵求解如下:
{{\boldsymbol{Q}}}_{b(k)}^{n}={{\boldsymbol{Q}}}_{b(k-1)}^{n}{{\boldsymbol{Q}}}_{b(k)}^{b(k-1)} (2) \begin{split} & \qquad\qquad {\boldsymbol{C}}_b^n= \\ & \left[\begin{array}{cccccccccccc}\ q_0^2+q_1^2-q_2^2-q_3^2\ \ \ 2(q_1q_2-q_0q_3)\ \ \ \ 2(q_1q_3+q_0q_2) \\ \ 2(q_1q_2+q_0q_3)\ \ \ \ q_0^2-q_1^2+q_2^2-q_3^2\ \ \ 2(q_2q_3-q_0q_1) \\ \ 2(q_1q_3-q_0q_2)\ \ \ \ 2(q_2q_3-q_0q_1)\ \ \ q_0^2-q_1^2-q_2^2+q_3^2\end{array}\right] \end{split} (3) 式中 \boldsymbol{Q}_{b\text{(}k)}^n=\left[q_0\ q_1\ q_2\ q_3\right]\mathrm{^T} 为k时刻导航坐标系下的姿态四元数， \boldsymbol{\boldsymbol{Q}}_{b\left(k\right)}^{b\left(k-1\right)} 为k-1与k时刻之前的四元数变化量，Q为四元数，C为方向余弦矩阵，上角标表示所处坐标系，下角标表示转换坐标系。
采用惯导比力方程和位置微分方程对速度、位置进行更新：
{\dot{{\boldsymbol{V}}}}^{n}={{\boldsymbol{C}}}_{b}^{n}{{\boldsymbol{f}}}^{b}-(2{\omega }_{ie}^{n}+{\omega }_{en}^{n})\times {{\boldsymbol{V}}}^{n}+{g}^{n} (4) \left\{\begin{aligned} & \dot{L}=\frac{{V}_{\text{N}}^{}}{{R}_{\text{m}}+h}\\ & \dot{\lambda }=\frac{{V}_{\text{E}}^{}}{({R}_{\text{n}}+h)\mathrm{cos}L}\\ & \dot{h}={V}_{\text{U}}^{}\end{aligned}\right. (5) 式中V为载体速度，m/s；gn为重力加速度在n系下的分量，m/s；Rm和Rn为子午圈半径和卯酉圈半径，m。
2. 基于UWB-IMU的组合定位算法
为满足设施园艺移动平台高精度定位要求，本文提出一种基于卡尔曼滤波的自适应抗差组合定位算法，设计一种差分距离非视距误差检测滑动窗口，同时引入余弦重启渐消因子和位置精度因子（position dilution of precision，PDOP）权值抗差因子，对移动平台运动状态进行实时精准估计。
2.1 自适应抗差原理
采用15维状态变量组建导航系统的状态方程，在导航坐标系中表示为
{{\boldsymbol{X}}_k} = {\left[ {\begin{array}{*{20}{c}} {{{\boldsymbol{\phi}} ^{\text{T}}}}&{\delta {{\boldsymbol{V}}^{\text{T}}}}&{\delta {{\boldsymbol{P}}^{\text{T}}}}&{\varepsilon _{\text{g}}^{\text{T}}}&{{\boldsymbol{\nabla}} _{\text{a}}^{\text{T}}} \end{array}} \right]^{\text{T}}} (6) 式中φT为失准角，δVT为车辆速度误差，δPT为位置误差，{\varepsilon _{\text{g}}^{\text{T}}} 为陀螺角零偏，{\boldsymbol{\nabla}}_{\mathrm{a}}^{\mathrm{T}} 为加速度计零偏。
结合惯性导航误差微分方程可得系统状态方程为
{{\boldsymbol{X}}_k} = {\boldsymbol{F}}{{\boldsymbol{X}}_{k - 1}} + {\boldsymbol{G}}{{\boldsymbol{W}}_k} (7) \boldsymbol{F}=\left[\begin{array}{*{20}{c}}\boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & -\boldsymbol{C}_n^b & \boldsymbol{O}_{\text{3}\times\text{3}} \\ (\boldsymbol{f}_{\text{sf}}^n)^* & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{C}_n^b \\ \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{I}_{3\times3} & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} \\ \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & \text{O}_{\text{3}\times\text{3}} & -\boldsymbol{B}_{\text{G}} & \boldsymbol{O}_{\text{3}\times\text{3}} \\ \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & \boldsymbol{O}_{\text{3}\times\text{3}} & -\boldsymbol{B}_{\text{A}}\end{array}\right] (8) 式中Xk-1为k-1时刻下的系统状态；F为运动方程对误差的雅可比矩阵，G为运动方程对噪声的雅可比矩阵。F、G与当前时刻的IMU加速度、角速度及前一时刻的旋转有关，Wk为零均值（方差为Qk的高斯白噪声），BG与BA分别为陀螺仪测量白噪声和加速度计测量白噪声，{\boldsymbol{f}}^n_{\mathrm{sf}} 为加速度计测量的比力在n系上的投影，( \boldsymbol{\boldsymbol{\boldsymbol{\boldsymbol{f}}}}_{\text{sf}}^n )*表示 \boldsymbol{\boldsymbol{f}}_{\text{sf}}^n 的反对称阵；O为零矩阵，I为单位矩阵。
将IMU解算的一步位置预测值与UWB测距值解算的位置测量值之间的差值作为卡尔曼滤波器的观测向量，记作Zk。观测向量和对应的量测方程如（9）～（10）。
\boldsymbol{Z}_k=\left[\boldsymbol{P}_k^{\mathrm{IMU}}-\boldsymbol{P}_k^{\mathrm{UWB}}\right] (9) {{\boldsymbol{Z}}_k} = {{\boldsymbol{H}}_k}{{\boldsymbol{X}}_k} + {{\boldsymbol{V}}_k} (10) 式中Zk为观测向量，\boldsymbol{P}_k^{\mathrm{IMU}} 与 {\boldsymbol{P}}_k^{\mathrm{UWB}} 分别为k时刻下IMU和UWB解算的位置；Hk为k时刻下的量测矩阵；Vk为零均值（方差为Rk的高斯白噪声），Hk可表示为
{{\boldsymbol{H}}_k} = \left[ {\begin{array}{*{20}{c}} {{{\boldsymbol{O}}_{{\text{3}} \times {\text{3}}}}}&{ {{\boldsymbol{I}}_{{\text{3}} \times {\text{6}}}}}&{ {{\boldsymbol{O}}_{{\text{3}} \times {\text{6}}}}} \end{array}} \right] (11) 卡尔曼滤波的离散形式可表示为
\left\{\begin{aligned} & {\widehat{{\boldsymbol{X}}}}_{k\text{，}k-1}={{\boldsymbol{\varPhi}} }_{k\text{，}k-1}{\widehat{{\boldsymbol{X}}}}_{k-1}+{{\boldsymbol{W}}}_{k}\\ & {{\boldsymbol{P}}}_{k\text{，}k-1}={{\boldsymbol{\varPhi}} }_{k\text{，}k-1}{{\boldsymbol{P}}}_{k-1}{{\boldsymbol{\varPhi}} }_{k\text{，}k-1}^{\text{T}}+{{\boldsymbol{Q}}}_{k-1}\\ & {{\boldsymbol{K}}}_{k}={{\boldsymbol{P}}}_{k\text{，}k-1}{{\boldsymbol{H}}}_{k}^{\text{T}}({{\boldsymbol{H}}}_{k}{{\boldsymbol{P}}}_{k\text{，}k-1}{{\boldsymbol{H}}}_{k}^{\text{T}}+{{\boldsymbol{R}}}_{k}{)}^{-1}\\ & {{\boldsymbol{P}}}_{k}=({\boldsymbol{I}}-{{\boldsymbol{K}}}_{k}{{\boldsymbol{H}}}_{k}){{\boldsymbol{P}}}_{k\text{，}k-1}\\ & {\widehat{{\boldsymbol{X}}}}_{k}={\widehat{{\boldsymbol{X}}}}_{k\text{，}k-1}+{{\boldsymbol{K}}}_{k}({{\boldsymbol{Z}}}_{k}-{{\boldsymbol{H}}}_{k}{\widehat{{\boldsymbol{X}}}}_{k\text{，}k-1})\end{aligned} \right. (12) 式中{\hat {\boldsymbol{X}}_{k,k - 1}}为k-1到k时刻的状态一步预测值；Φk,k-1为离散化的系统状态转移矩阵；Kk为k时刻增益矩阵；Pk,k-1为k-1时刻到k时刻的状态一步预测协方差矩阵；Pk为k时刻的状态估计协方差矩阵；
噪声参数不准确会导致系统输出不稳定，因此需要对量测噪声进行辨识估计，假设k时刻下的量测值Zk和量测预测值Ẑk,k-1之间存在误差，记作rk，其协方差为Dk，表示如下：
{{\boldsymbol{r}}_k} = {{\boldsymbol{Z}}_k} - {\hat {\boldsymbol{Z}}_{k,k - 1}} (13) {{\boldsymbol{D}}_k} = {{\boldsymbol{H}}_k}{{\boldsymbol{P}}_k}{\boldsymbol{H}}_k^T + {{\boldsymbol{R}}_k} (14) 式中Rk为量测噪声估计，属于未知量，需要通过Dk对其进行估计，记为{\hat R_k}，计算如下：
{\hat {\boldsymbol{R}}_k} = \left( {1 - \frac{1}{k}} \right){\hat {\boldsymbol{R}}_{k - 1}} + \frac{1}{k}\left( {{{\boldsymbol{r}}_k}{{\boldsymbol{r}}_k}^{\text{T}} - {{\boldsymbol{H}}_k}{{\boldsymbol{P}}_{k,k - 1}}{\boldsymbol{H}}_k^{\text{T}}} \right) (15) 为了避免k无穷大，引入渐消因子βk=1/k，表达如下
{\beta _k} = \frac{{{\beta _{k - 1}}}}{{{\beta _{k - 1}} + b}},0 < b < 1 (16) 式中βk初值为1，b为遗忘因子，取值范围为0.95～0.99[25]。
为了避免噪声干扰，设计一种抗差因子 \mathit{\gamma}_k^i ，计算如下：
\gamma_k^i=\left(\boldsymbol{r}_k^i\times(\boldsymbol{r}_k^i)^{\mathrm{T}}\right)-\boldsymbol{H}_k^i\boldsymbol{P}_{k,k-1}^i(\boldsymbol{H}_k^i)^{\text{T}} (17) 式中i为向量或矩阵对角线上的第i个元素。
最后，利用渐消因子和抗差因子对{\hat R_k}进行修正，计算如下：
{\widehat{{\boldsymbol{R}}}}_{k}^{i}=(1-{\beta }_{k}){\widehat{{\boldsymbol{R}}}}_{k-1}^{i}+{\beta }_{k}{\gamma }_{k}^{i} (18) 2.2 自适应抗差组合定位算法
尽管自适应抗差卡尔曼滤波在处理异常数据和噪声方面具有一定优势，但定位过程中对多种误差源的鲁棒性和实时性仍存在局限性。因此，为提高移动平台在复杂环境中的定位精度和稳定性，本文提出一种自适应抗差组合定位算法。
2.2.1 差分距离非视距误差检测滑动窗口
在UWB信号传输的过程中，由于路径存在障碍物遮挡，获取到的定位数值中会存在较大的离群值。因此，本文设计一个相邻滑动窗口进行NLOS误差检测，表达式如下
uwb_k=[\boldsymbol{P}_k^{\mathrm{UWB}},\boldsymbol{P}_{k-1}^{\mathrm{UWB}},\cdots,\boldsymbol{P}_{k-9}^{\mathrm{UWB}}] (19) gap = {\left\| {uw{b_{k - 1}} - uw{b_k}} \right\|_2} (20) 式中uwbk表示k到k-9时刻之间的UWB定位数据集合；gap为检测NLOS误差的阈值，gap>0.2时，自适应抗差组合定位算法会跳过k时刻的UWB数据。
2.2.2 余弦重启渐消因子
在自适应滤波[26]中，大多采用渐消因子调整量测噪声，但由于其收敛速度较快，导致无法适应量测噪声的变化。因此，为有效利用新的UWB量测信息，本文提出一种余弦重启渐消因子αk，计算如下：
{\alpha }_{k}=\frac{{\alpha }_{k-1}}{{\alpha }_{k-1}+(1-{b}_{k})} (21) {b_k} = \eta + 0.5 \times \left( {{b_{k - 1}} - {\text{η }}} \right) \times \left( {1 + \cos \left( {\frac{{{\text{π }} \times k}}{{{T_{}}}}} \right)} \right) (22) 式中η为0.01，根据多次试验分析得到T与αk的最佳取值分别为350和0.13。
2.2.3 PDOP权值抗差因子
PDOP值是估计卫星系统定位精度的指标[27]，反应了目标节点与定位基站间几何分布情况。当几何分布数值越小（即PDOP值越小）时，表明观测条件越好，UWB观测信息越可信，定位精度越高。反之，说明此时分布结构较差，则需对UWB观测值进行降权处理。
由于UWB在设施园艺场景内的定位精度会受到环境与基站布局的影响，因此，本文引入PDOP权值修正抗差因子，表示如下
\gamma_k^p=\gamma_k\times\mathrm{e}^{\left(-\left(\frac{p_k}{2}-1\right)^2\right)} (23) 式中 \gamma_k^p 为修正后的抗差因子，pk为k时刻的PDOP值。
在量测更新前使用差分距离滑动窗口检测，并结合式（22）和（23），利用αk和 \gamma_k^p 分别替换式（16）和（18）中的渐消因子和抗差因子。
3. 组合定位试验与结果分析
3.1 仿真结果验证与分析
为验证所提组合定位方法的有效性，基于Matlab搭建仿真试验环境。依据移动平台运行参数和传感器特点，主要仿真参数设置如下：移动平台初始坐标为（2.5，2.5，1.5），初始速度为0.2 m/s，速度变化范围为0.1～0.3 m/s，加速度计零偏误差为0.05 m/s2，陀螺仪零偏误差为5 °/h。以设施园艺内常见的四基站布设方式为例，在24 m x 20 m的多跨大棚范围内，布设4个坐标分别为S1（0，0，2）、S2（0，24，2）、S3（20，0，2）、S4（20，24，2）的UWB基站。移动平台作业幅宽为1 m，在大棚1/2区域内，进行往复式全路径规划作业，作业路线如图5所示。
3.1.1 UWB定位数据模拟
通过最小二乘法求解UWB基站距离方程组获得标签坐标，其中测距值包含均值为0、方差为0.1的高斯噪声表示测量过程中的随机误差。为模拟复杂的设施园艺定位环境，随机制造轻度、中度和重度3种非视距误差表示由不同生长阶段的作物、各种结构障碍物等遮挡引起的测距异常值。
3.1.2 PDOP值仿真
设施园艺场景与作业路径的PDOP值如图6所示。
![]()
图 6 PDOP值仿真结果Figure 6. PDOP (position dilution of precision) value simulation results由图6a可看出，PDOP值关于区域中心基本呈对称分布，在区域中心PDOP值达到最小值1.11，并由中心区域向两边递增。图6b为作业路径上PDOP值变化情况，移动平台是全路径覆盖作业，需要确保整个作业区域的定位精度。当移动平台在大棚中间作业时的PDOP值低于1.20，定位效果较好。当移动平台在靠近仿真区域的边界移动时，PDOP值加速增加，UWB定位系统不稳定。
3.1.3 组合定位效果仿真验证
为验证所提UWB-IMU组合定位方法的有效性，对比分析其与单传感器定位的作业轨迹，如图7所示。仿真中IMU采样频率为200 Hz，UWB采样频率为100 Hz。
![]()
图 7 单传感器与UWB-IMU组合定位的仿真轨迹Figure 7. Simulation trajectory of single sensor and combined UWB-IMU localization采用单传感器定位方法的误差为
36.68 cm，最大误差为254.85 cm，波动较大且定位轨迹出现强烈的锯齿效应。而采用UWB-IMU组合定位方法的定位误差为17.53 cm，最大误差为136.68 cm，作业轨迹偏移程度较小，具有良好的定位效果。相比于单传感器定位，采用UWB-IMU组合定位，定位精度提高了52.2%，最大误差降低了46.37%。3.1.4 不同组合定位算法仿真对比
为验证所提组合定位算法的稳健性，分别选用卡尔曼滤波（kalman filtering，KF）、无迹卡尔曼滤波、扩展卡尔曼滤波、粒子滤波（particle filtering，PF）、自适应抗差卡尔曼（adaptive robust kalman filtering，ARKF）等常用滤波定位算法进行比较。图8为6种不同滤波定位算法获得的平面轨迹。
![]()
图 8 不同算法仿真轨迹对比图Figure 8. Comparison of simulated trajectories with different localization algorithms由图8可知，虽然粒子滤波算法具有一定稳定性，但在设施场景下出现明显波动，其主要原因是PF在数据融合过程中过度依赖粒子权重更新，UWB的数据波动使粒子权重变化剧烈，导致定位精度下降。在复杂设施场景中，UKF表现最差，因为UKF对过程噪声和测量噪声的敏感性更高，无法有效滤除NLOS误差和几何误差带来的影响，导致滤波更容易发散。而采用ARCPA算法的定位精度远超其余5种算法，定位结果更稳定，更贴合参考轨迹，在面对NLOS误差时表现出更强的鲁棒性。
图8中局部放大图①为非视距条件下各种算法受NLOS误差影响较大的区域。当出现NLOS误差时，KF、EKF、UKF与PF算法的定位精度均受到较大影响，整体轨迹都出现了严重偏移的现象；ARKF与ARCPA都具有一定的抗差效果，但ARKF随着遮挡时间的增加，定位轨迹逐渐偏离参考路径，且定位误差不断增加，在X轴坐标到达9 m时，Y轴方向误差达到最大为16.09 cm。
图8中的局部放大图②为视距条件下各种算法受几何误差影响较大的区域。该时刻移动平台正处于仿真区域边界，结合图6可知设施园艺场景边界区域PDOP值较高，这表明定位标签与基站之间的锚节点几何分布程度较差，该处UWB定位系统精度较低。从局部放大图②中可以看出KF、EKF和UKF的作业轨迹发生明显偏离，采用ARKF的作业轨迹更接近参考值，但仍无法实现精准定位。而采用所提ARCPA算法的作业轨迹与参考轨迹的重合度最高，这是由于PDOP修正后的抗差因子调节了预测信息和观测信息的占比，提高了设施园艺移动平台在动态和复杂环境中的适应性和鲁棒性。
图9统计了6种滤波算法在X、Y轴和欧式距离上的定位误差。由图9a和图9b可知，在视距条件下ARCPA算法定位误差小于10.0 cm。在轻度非视距误差条件下，如图9a中的124～136 s时段，X轴最大定位误差结果仍能保持10.0 cm左右。中度的非视距误差条件下，如图9b中的344～368 s时段，Y轴定位结果仍能保持在20.0 cm以内的偏差。由图9c可知，在重度非视距误差条件下，最大定位误差保持在20.0 cm左右。这表明采用所提ARCPA算法在X轴和Y轴误差明显低于其他5种算法，能有效抑制几何误差和NLOS误差对组合定位系统的干扰。
为充分验证所提定位方法的有效性，统计分析了不同定位方法的误差，如表1所示。相比于单传感器定位，采用所提UWB-IMU组合定位方法并使用ARCPA算法的定位精度提高了81.92%，最大误差降低了88.89%。相比于传统的卡尔曼滤波算法，采用所提ARCPA算法的位置均值误差降低46.89%，均方误差降低86.97%，最大误差降低
1.0836 m，均方根误差降低62.18%。所提ARCPA算法定位精度和稳定性均优于其他5种组合定位算法。表 1 不同定位方法误差统计表Table 1. Error statistics of different positioning methods定位方法
Positioning method位置偏差Positional deviation /cm 均值误差
Mean
error均方误差
Mean squared
error最大误差
Maximum
error均方根误差
Root mean
square error单传感器
Single SensorUWB 23.77 27.94 254.85 36.683 组合定位
Integrated localizationKF 9.79 3.07 136.68 17.53 UKF 18.69 9.22 204.26 30.36 EKF 10.59 2.32 72.76 15.22 PF 24.15 7.86 161.46 28.03 ARKF 5.94 0.65 34.55 8.07 ARCPA 5.20 0.40 28.32 6.63 3.2 实车定位试验
为验证本文所提定位方法在设施场景下的有效性，开展了设施园艺电驱动移动平台（见图10a）定位试验。试验场景为江苏省康博农业科技有限公司的设施园艺基地，如图10b所示。
![]()
图 10 设施园艺电驱移动平台实车定位试验Figure 10. Protected horticulture electric drive mobile platform real vehicle positioning testUWB数据经STM32单片机计算得到测距值，并通过串口进行传输，IMU传感器将采集到的加速度和角速度等运动数据通过RS485通信协议进行传输和解析，通过上位机实时处理并记录UWB和IMU数据。
3.2.1 UWB测距误差标定试验
大棚内的高温高湿环境会对UWB信号传播产生额外误差，特别是高湿环境对UWB波段信号具有吸收作用。此外，UWB内部模块存在的天线延时和算法延时，也会导致UWB信号测量产生偏差。为提高UWB测距精度，以激光测距仪的测距值作为真实值，通过测距试验获得真实距离和UWB测距值之间的映射关系，对视距通信下的UWB误差进行矫正。
将基站固定于支架上，移动定位标签，每次间隔3 m，分别获取UWB和激光测距仪每个采样位置上的100个测距值，并将原始UWB测距数据和真实值使用最小二乘法进行拟合，结果如图11所示。
经过计算，视距条件下UWB原始测距结果的均方根误差(root mean squared error，RMSE)为1.19 m，修正后的均方根误差为0.49 m。相比于修正前，测距精度提高了58.8%。
3.2.2 动态定位试验
将4个UWB基站安装在大棚区域的四角，其坐标分别为（0，0，1.5）、（0，16，1.5)、（0，24，1.5）和（20，24，1.5）m。将UWB定位标签和IMU分别安装于设施园艺移动平台顶部和底部，移动平台沿着预设的轨迹匀速缓慢行驶，在预设路径上布设若干个检核点用于评价定位精度，利用激光测距仪确定检核点坐标。作业途中由行人、轮胎和金属铁板制造NLOS误差（如图12b所示）。行人身高1.75 m，在检核点27周围移动；轮胎遮挡则通过在检核点18旁1 m处架设直径0.6 m轮胎；金属铁板长1 m、宽0.7 m，固定在检核点23距离0.5 m的梯子上，高度为1.5 m。根据试验结果，行人遮挡引起的误差范围为0.4～0.7 m，轮胎遮挡引起的误差范围为1.0～1.3 m，铁门遮挡引起的误差大于1.7 m，误差统计如表2所示。
表 2 动态定位试验非视距误差统计Table 2. Non line of sight error statistics in dynamic positioning test场景
Scenario遮挡物
Obscuring objects非视距误差
Non line of sight error/m轻度 行人 0.4～0.7 中度 轮胎 1～1.3 重度 金属铁板 ≥1.7 设施园艺移动平台行驶的过程中的PDOP值如图12所示。由图12可知，布设4个基站时PDOP值与仿真结果（图6b）基本相同，这表明中心区域的UWB锚节点分布程度较好。图12中红色区域表示受NLOS误差影响的区域，可以看出PDOP值出现明显波动，此时由于金属铁板对UWB信号的遮挡，造成了严重的NLOS误差，这使得测距数据产生偏差，并直接影响基站几何分布，从而引发PDOP值的波动，表明UWB受到外界干扰导致的定位系统精度下降。
为进一步分析所提ARCPA算法的定位精度，设计不同定位算法对比试验，得到的轨迹和检核点误差分别如图13、图14所示。
由图13、图14可知，UKF和PF在设施场景下表现出较大的波动和偏离，整体误差较高。EKF和KF存在一定的局限性，特别是在复杂环境和干扰较强的区域，误差峰值高于100.0 cm。相比之下，ARKF和ARCPA算法则表现出更为优越的性能。ARKF在严重几何误差和复杂NLOS场景下，其自适应机制无法完全消除估计误差。总体而言，ARCPA在整个试验过程中均表现出较高的精度和稳定性，且误差基本维持在20.0 cm以下，具有更好的自适应抗差效果。
图13中的行人遮挡区域是受几何误差影响较大的区域，对应图14检核点的26、27、28处。结合图13和图14可知，此时UKF与PF定位数据出现明显波动，定位精度下降；KF、EKF与ARKF具有一定的降噪作用但无法滤除UWB几何误差的干扰，轨迹出现偏离；ARCPA整体误差最小、轨迹更平滑，符合实际定位情况。
图13中的金属铁板遮挡区域和轮胎遮挡区域，分别为重度和中度遮挡区域，对应图14检核点的18、19和23、24处。在受到NLOS误差影响的区域内，各算法的作业轨迹均出现了明显的偏移，UKF和PF算法出现较大的误差波动。在重度遮挡区域，KF、EKF、PF与UKF的最大定位误差分别为
133.96 、143.67 、154.31 和168.78 cm，表现出对复杂环境的适应性不足。虽然ARKF整体误差较低，但作业轨迹存在一定波动，在重度遮挡区域内的最大误差接近100.0 cm，这表明ARKF自适应机制在面对高度几何误差和严重NLOS遮挡叠加时仍存在局限性。相比之下，ARCPA整体误差最低、波动最小，在复杂设施园艺场景下具有高精度和强鲁棒性。表3为动态定位试验的定位精度统计结果。其中，ARCPA的RMSE为
17.70 cm，相比于KF、UKF、EKF、PF、ARKF分别减小了50.15%、74.63%、60.01%、60.88%、28.34%。ARCPA的最大定位误差相较于KF、UKF、EKF、PF、ARKF分别下降了66.83%、73.67%、69.07%、71.2%、50.50%。在复杂的设施园艺定位场景下，ARCPA算法仍能保持较高的稳定性和定位精度。表 3 动态定位试验不同算法最大误差和均方根误差统计Table 3. Statistics of maximum error and root mean square error of different algorithms in dynamic positioning test定位算法
Positioning algorithms位置偏差Positional deviation /cm 最大误差
Maximum error均方根误差
Root-mean-square errorKF 133.96 35.51 UKF 168.78 69.78 EKF 143.67 44.26 PF 154.31 45.25 ARKF 89.77 24.70 ARCPA 44.44 17.70 6种定位算法在不同运算平台的性能对比如表4所示。
表 4 不同算法性能对比Table 4. Performance comparison of different algorithms定位算法Positioning algorithms 运算平台A
Operational platform A
(Intel Core i7-13650HX)运算平台B
Operational platform B
(AMD Ryzen 5 7645HX)平均运行
时间
Average
run time
/ms处理器
使用率
Central processing
unit utilization rate/%平均运行
时间
Average
run time
/ms处理器
使用率
Central processing
unit utilization rate/%KF 72.4 25.2 77.7 33.9 UKF 128.4 58.7 144.7 59.8 EKF 109.6 45.9 119.3 55.7 PF 148.1 50.5 188.5 60.2 ARKF 83.8 40.2 92.9 46.5 ARCPA 96.3 35.6 107.2 50.1 结果显示，ARCPA算法在2种处理器上均具有良好的性能，平均运行时间为96.3和107.2 ms，表明ARCPA算法在计算复杂度和性能需求之间取得了良好的平衡。同时，ARCPA算法的处理器使用率分别为35.6%和50.1%，表明其资源利用的高效性以及运行稳定性，适用于移动平台在设施场景下的实时定位部署。
4. 结 论
为解决设施场景下遮挡严重所致的电驱移动平台定位精度低、稳定性差的问题，本文设计了一种适合设施园艺电驱移动平台的多传感器组合定位方法（UWB/IMU），并提出了一种自适应抗差组合定位算法，为验证所提方法的有效性，搭建了仿真与试验平台，并对应开展了设施园艺电驱移动平台的定位方法对比试验。主要结论如下：
1）所提高精度组合定位方法可显著降低NLOS误差和几何误差对设施园艺电驱移动平台定位精度的影响，单传感器定位精度为
36.68 cm，最大定位误差为254.85 cm，而采用所提UWB/IMU组合定位方法的定位精度提高了81.92%，最大误差降低了88.89%。2）实车定位试验表明，所提组合定位方法即使在复杂设施园艺作业场景下，仍能保持较高的稳健性，相较于常规卡尔曼滤波、无迹卡尔曼滤波、扩展卡尔曼滤波、粒子滤波和抗差自适应卡尔曼滤波，所提定位方法精度分别提升了50.15%、74.63%、60.01%、60.88%、28.34%。
本文所设计的设施园艺电驱移动平台组合定位方法和提出的自适应抗差组合定位算法，能够为设施园艺大棚中作业的移动平台提供稳定且精确的定位的信息，对于提高设施园艺电驱移动平台的作业质量和作业效率具有重要实际生产指导意义。
-
![]()
图 1 Vis-NIR高光谱ROI数据采集过程
注：λ为光谱波长数。
Figure 1. Vis-NIR hyperspectral ROI data acquisition processed
Note：λ is the number of spectral wavelengths.
![]()
图 2 T-SAE深度迁移学习模型构建
注：A为无硅环境中油菜叶片的Vis-NIR高光谱数据，B为有硅环境中油菜叶片的Vis-NIR高光谱数据，C为油菜叶片中Zn的含量。
Figure 2. T-SAE deep transfer learning model construction
Note：A is the Vis-NIR hyperspectral data of oilseed rape leaves in the silicon-free environment, B is the Vis-NIR hyperspectral data of oilseed rape leaves in the silicon environment, and C is the content of Zn in oilseed rape leaves.
![]()
图 3 无硅环境和有硅环境中Zn胁迫下油菜叶片的平均Zn含量
Figure 3. Average Zn content in oilseed rape leaves under Zn stress in both silicon-free and silicon environments
![]()
图 4 不同Zn胁迫浓度下无硅环境和有硅环境中油菜叶片的平均光谱曲线
Figure 4. Average spectral curves of oilseed rape leaves in silicon-free and silicon environments under different Zn stress concentrations
![]()
图 5 预处理前后油菜叶片光谱曲线
Figure 5. Spectral curves of rapeseed leaves before and after pretreatment
![]()
图 6 PCA处理后不同主成分数下的累积贡献率
Figure 6. Cumulative contribution rate under different principal component numbers after PCA treatment
![]()
图 7 三种特征提取算法得到不同环境中Zn相关特征数据
Figure 7. Zn correlation feature extracted by three feature extraction algorithms in different environments
表 1 基于不同预处理后Vis-NIR光谱数据的SVR模型结果
Table 1 Results of SVR model based on different pre-processed Vis-NIR spectral datas
数据集
Data set样本数
Sample number预处理
Pretreatment训练集Calibration set 预测集Prediction set 训练集决定系数
Rc2训练集均方根误差
RMSEC/(mg·kg−1)预测集决定系数
Rp2预测集均方根误差
RMSEP/(mg·kg−1)相对分析误差
RPD
Z
2 000Raw 0.792 9 0.039 33 0.638 3 0.051 01 1.132 SG 0.771 7 0.041 11 0.630 1 0.051 54 1.157 SNV 0.886 9 0.029 36 0.765 7 0.041 19 2.309 1st Der 0.817 8 0.037 09 0.732 2 0.044 24 2.088 2nd Der 0.847 3 0.033 90 0.744 7 0.042 99 2.239
ZS
2 000Raw 0.832 3 0.035 16 0.659 3 0.058 26 1.411 SG 0.810 5 0.039 32 0.653 4 0.059 21 1.390 SNV 0.966 2 0.016 79 0.851 8 0.036 41 2.649 1st Der 0.862 6 0.035 08 0.809 6 0.038 13 2.491 2nd Der 0.898 6 0.024 97 0.831 3 0.037 63 2.526 ZZS 4 000 Raw 0.850 8 0.037 80 0.749 5 0.042 49 2.244 SG 0.688 8 0.056 17 0.642 7 0.064 07 1.299 SNV 0.986 4 0.026 52 0.878 1 0.028 86 2.740 1st Der 0.913 8 0.030 88 0.807 8 0.036 43 2.485 2nd Der 0.914 5 0.030 22 0.857 1 0.035 83 2.687 注：Z、ZS和ZZS分别表示无硅环境中油菜叶片VIS-NIR光谱数据、有硅环境中油菜叶片VIS-NIR光谱数据和无硅和有硅环境中油菜叶片VIS-NIR光谱数据，下同。Note：Z, ZS and ZZS represent VIS-NIR spectral data of oilseed rape leaves in the silicon-free environment, VIS-NIR spectral data of oilseed rape leaves in the silicon environment and VIS-NIR spectral data of oilseed rape leaves in the silicon-free and silicon environment, respectively. The same below. 
下载: 导出CSV
表 2 基于特征光谱数据的SVR模型结果
Table 2 SVR model results based on spectral data after dimensionality reduction
数据集
Data set样本数
Sample number处理算法
Pretreatment训练集 Calibration set 预测集 Prediction set 训练集决定系数
Rc2训练集均方根误差
RMSEC/(mg·kg−1)预测集决定系数
Rp2预测集均方根误差
RMSEP/(mg·kg−1)相对分析误差
RPD
Z
2000SNV-PCA 0.823 8 0.035 69 0.755 5 0.042 61 2.263 SNV-SPA 0.907 4 0.026 44 0.781 8 0.040 37 2.417 SNV-IRIV 0.862 0 0.039 07 0.728 4 0.044 82 2.060 SNV-VISSA 0.879 1 0.038 92 0.770 7 0.040 84 2.359
ZS
2000SNV-PCA 0.929 8 0.016 75 0.859 3 0.034 91 2.655 SNV-SPA 0.898 1 0.023 21 0.828 7 0.038 12 2.511 SNV-IRIV 0.924 1 0.016 98 0.812 3 0.038 96 2.494 SNV-VISSA 0.900 1 0.022 75 0.848 5 0.035 04 2.592 ZZS 4000 SNV-PCA 0.887 2 0.033 14 0.853 8 0.043 83 2.650 SNV-SPA 0.960 8 0.013 83 0.838 6 0.049 03 2.535 SNV-IRIV 0.963 8 0.013 57 0.842 6 0.047 92 2.588 SNV-VISSA 0.974 4 0.012 35 0.856 8 0.043 61 2.652
下载: 导出CSV
表 3 基于SAE提取的深度特征的SVR模型结果
Table 3 Results of SVR model based on deep features extracted by SAE
数据集
Data set模型尺度
Model scale训练集Calibration set 预测集Prediction set 训练集决定系数
Rc2训练集均方根误差
RMSEC/(mg·kg−1)预测集决定系数
Rp2预测集均方根误差
RMSEP/(mg·kg−1)相对分析误差
RPD
Z-SNV618-481 0.912 9 0.025 38 0.809 5 0.036 74 2.490 618-481-381 0.939 3 0.018 22 0.850 7 0.034 66 2.607 618-481-381-273 0.928 7 0.023 64 0.820 1 0.036 94 2.509 618-481-381-273-260 0.906 2 0.029 18 0.804 6 0.037 07 2.463
ZS-SNV618-531 0.953 2 0.014 57 0.866 2 0.032 52 2.661 618-531-441 0.963 4 0.012 97 0.876 6 0.028 54 2.732 618-531-441-271 0.938 6 0.017 31 0.840 9 0.036 29 2.583 618-531-441-271-191 0.919 7 0.023 16 0.825 8 0.036 70 2.517 ZZS-SNV 618-511 0.887 8 0.033 26 0.764 3 0.042 97 2.312 618-511-391 0.912 8 0.024 87 0.839 4 0.036 35 2.549 618-511-391-269 0.814 7 0.039 11 0.749 1 0.043 78 2.245 618-511-391-269-229 0.813 3 0.040 15 0.738 6 0.046 86 2.198
下载: 导出CSV
表 4 基于T-SAE提取的深度特征的SVR模型结果
Table 4 Results of SVR model based on deep features extracted by T-SAE
模型尺度
Model scale训练集 Calibration set 预测集 Prediction set 训练集决定系数
Rc2训练集均方根误差
RMSEC/(mg·kg−1)预测集决定系数
Rp2预测集均方根误差
RMSEP/(mg·kg−1)相对分析误差
RPD1236 -1012 0.949 6 0.016 04 0.835 6 0.031 39 2.522 1236 -1012 -8120.956 7 0.015 28 0.857 9 0.030 73 2.634 1236 -1012 -812-5710.970 5 0.012 04 0.881 0 0.027 48 2.966 1236 -1012 -812-571-3080.969 8 0.012 82 0.868 0 0.030 28 2.697 1236 -1012 -812-571-308-2230.943 4 0.016 39 0.774 7 0.040 57 2.378
下载: 导出CSV
-
[1] 王敏捷,盛光遥,王锐. 土壤重金属污染修复植物处置技术进展[J]. 农业资源与环境学报,2021,38(2):151-159. WANG Minjie, SHENG Guangyao, WANG Rui. Progress in disposal technologies for plants polluted with heavy metals after phytoextraction[J]. Journal of Agricultural Resources and Environment, 2021, 38(2): 151-159. (in Chinese with English abstract)
[2] MATHIMANI T, RENE E, DEVANESAN S, et al. Removal of zinc by Selenastrum sp. and simultaneous biodiesel production from metal-resistant biomass for energy and environmental sustainability[J]. Algal Research-Biomass Biofuels and Bioproducts, 2023, 73: 103157.
[3] GERHARDT K, GERWING P, GREENBERG B. Opinion: Taking phytoremediation from proven technology to accepted practice[J]. Plant, 2017, 256: 170-185.
[4] FU L, SUN J, WANG S, et al. Nondestructive evaluation of Zn content in rape leaves using MSSAE and hyperspectral imaging[J]. Spectrochimica Acta Part A-molecular And Biomolecular Spectroscopy, 2023, 281: 121641.
[5] 戴宏博,陈克云,杨京民,等. 富硅稻壳灰施用对土壤镉活性和不同品种水稻镉积累的影响[J]. 农业工程学报,2023,39(4):200-207. doi: 10.11975/j.issn.1002-6819.202209073 DAI Hongbo, CHEN Keyun, YANG Jingmin, et al. Effects of silica-rich rice hull ash on soil Cd activity and Cd accumulation in different varieties of rice[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(4): 200-207. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202209073
[6] CEN G, SUN T, CHEN Y, et al. Characterization of silicon transporter gene family in Saccharum and functional analysis of the ShLsi6 gene in biotic stress[J]. Gene, 2022, 822: 146331. doi: 10.1016/j.gene.2022.146331
[7] RIZWAN M, ALI S, ADREES M, et al. Cadmium stress in rice: Toxic effects, tolerance mechanisms, and management: A critical review[J]. Environmental Science & Pollution Research, 2016, 23(18): 17859-17879.
[8] 刘丽君,黄张婷,孟赐福,等. 中国不同生态系统土壤硅的研究进展[J]. 土壤学报,2021,58(1):31-41. LIU Lijun, HUANG Zhangting, MENG Cifu, et al. Research progress on soil silicon in different ecosystems in China[J]. Acta Pedologica Sinica, 2021, 58(1): 31-41. (in Chinese with English abstract)
[9] ZHOU X, ZHAO C, SUN J, et al. Classification of heavy metal Cd stress in lettuce leaves based on WPCA algorithm and fluorescence hyperspectral technology[J]. Infrared Physics & Technology, 2021, 119: 103936.
[10] VIJENDRA S, ACHLESH D. Effects of sophorolipids augmentation on the plant growth and phytoremediation of heavy metal contaminated soil[J]. Journal of Cleaner Production, 2021, 280: 124406. doi: 10.1016/j.jclepro.2020.124406
[11] 李亚丽,刘蜜,郭伟,等. 利用电感耦合等离子体质谱法测定肥料重金属砷、镉、铅、铬含量[J]. 中国土壤与肥料,2024(2):235-243. doi: 10.11838/sfsc.1673-6257.23088 LI Yali, LIU Mi, GUO Wei, et al. The determination of arsenic, cadmium, lead and chromium in fertilizer by inductively coupled plasma mass spectrometer method[J]. Soils and Fertilizers Sciences in China, 2024(2): 235-243. (in Chinese with English abstract) doi: 10.11838/sfsc.1673-6257.23088
[12] 黄富荣,周泳欣,郑海平,等. 基于高光谱成像技术的菜心铜胁迫快速检测[J]. 现代农业装备,2022,43(1):17-23. doi: 10.3969/j.issn.1673-2154.2022.01.003 HUANG Furong, ZHOU Yongxin, ZHENG Haiping, et al. Rapid detection of copper stress in flowering chinese cabbage based on hyperspectral imaging technology[J]. Modern Agricultural Equipment, 2022, 43(1): 17-23. (in Chinese with English abstract) doi: 10.3969/j.issn.1673-2154.2022.01.003
[13] CAO Y, SUN J, YAO K, et al. Nondestructive detection of lead content in oilseed rape leaves based on MRF-HHO-SVR and hyperspectral technology[J]. Journal of Food Processing Engineering. 2021, 44(9): e13793.
[14] FENG X, CHEN H, CHEN Y, et al. Rapid detection of cadmium and its distribution in Miscanthus sacchariflorus based on visible and near-infrared hyperspectral imaging[J]. Science of the Total Environment, 2019, 659: 1021-1031. doi: 10.1016/j.scitotenv.2018.12.458
[15] YU K, FANG S, ZHAO Y. Heavy metal Hg stress detection in tobacco plant using hyperspectral sensing and data-driven machine learning methods[J]. Spectrochimica Acta Part A Molecular and Biomolecular Spectroscopy, 2020, 245: 118917.
[16] WEI L, WANG K, LU Q, et al. Crops fine classification in airborne hyperspectral imagery based on multi-feature fusion and deep learning[J]. Remote Sensing, 2021, 13(15): 2917. doi: 10.3390/rs13152917
[17] 张凡,王文秀,王春山,等. 高光谱图像结合卷积神经网络的马铃薯干腐病潜育期识别[J]. 光谱学与光谱分析,2024,44(2):480-489. ZHANG Fan, WANG Wenxiu, WANG Chunshan, et al. Study on hyperspectral dectection of potato dry rot in gley stage based on convolutional neural network[J]. Spectroscopy and Spectral Analysis, 2024, 44(2): 480-489. (in Chinese with English abstract)
[18] MISHRA P, SADEH R, BINO E, et al. Complementary chemometrics and deep learning for semantic segmentation of tall and wide visible and near-infrared spectral images of plants[J]. Computers and Electronics in Agriculture, 2021, 186: 106226. doi: 10.1016/j.compag.2021.106226
[19] NALEPA J, MYLLER M, KAWULOK M. Transfer learning for segmenting dimensionally reduced hyperspectral images[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(7): 1228-1232. doi: 10.1109/LGRS.2019.2942832
[20] 孙俊,靳海涛,芦兵,等. 基于高光谱图像及深度特征的大米蛋白质含量预测模型[J]. 农业工程学报,2019,35(15):295-303. SUN Jun, JIN Haitao, LU Bing, et al. Prediction model of rice protein content based on hyperspectral image and deep feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 295-303. (in Chinese with English abstract)
[21] ZHOU X, ZHAO C, SUN J, et al. Detection of lead content in oilseed rape leaves and roots based on deep transfer learning and hyperspectral imaging technology[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2023, 290: 122288. doi: 10.1016/j.saa.2022.122288
[22] 国家卫生和计划生育委员会,国家食品药品监督管理总局. GB 5009.14-2017 食品安全国家标准 食品中锌的测定[S]. 北京:中国标准出版社,2017:1-4. [23] 孙俊,周鑫,毛罕平,等. 基于荧光光谱的生菜农药残留检测[J]. 农业工程学报,2016,32(19):302-307. SUN Jun, ZHOU Xin, MAO Hanping, et al. Detection of pesticide residues in lettuce based on fluorescence spectra[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 302-307. (in Chinese with English abstract)
[24] 毛继华,赵恒谦,金倩,等. 河北铅锌尾矿库区土壤重金属含量高光谱反演方法对比[J]. 农业工程学报,2023,39(22):144-156. MAO Jihua, ZHAO Hengqian, JIN Qian, et al. Comparative study on the hyperspectral inversion methods for soil heavy metal contents in Hebei lead-zinc tailings reservoir areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(22): 144-156. (in Chinese with English abstract)
[25] 孙俊,张林,周鑫,等. 采用高光谱图像深度特征检测水稻种子活力等级[J]. 农业工程学报,2021,37(14):171-178. SUN Jun, ZHANG Lin, ZHOU Xin, et al. Detection of rice seed vigor level by using deep feature of hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(14): 171-178. (in Chinese with English abstract)
[26] 孙俊,周鑫,李青林,等. 乐果农药对生菜叶片微观结构的作用机理研究[J]. 农业机械学报,2017,48(5):355-360. SUN Jun, ZHOU Xin, LI Qinglin, et al. Mechanism of different concentrations of dimethoate residue on microstructure of lettuce leaves[J]. Transactions of the Chinese Society for Agricultural Machinery. 2017, 48(5): 355-360. (in Chinese with English abstract)
[27] 章海亮,谢潮勇,田彭,等. 基于可见/近红外光谱和数据驱动的机器学习方法测量土壤有机质和总氮[J]. 光谱学与光谱分析,2023,43(7):2226-2231. ZHANG Hailiang, XIE Chaoyong, TIAN Peng, et al. Measurement of soil organic matter and total nitrogen based on visible/near infrared spectroscopy and data-driven machine learning method[J]. Spectroscopy and Spectral Analysis. 2023, 43(7): 2226-2231. (in Chinese with English abstract)
[28] YUN Y, WANG W, TAN M, et al. A strategy that iteratively retains informative variables for selecting optimal variable subset in multivariate calibration[J]. Analytica Chimica Acta, 2014, 807: 36-43. doi: 10.1016/j.aca.2013.11.032
[29] DENG B, YUN Y, LIANG Y, et al. A novel variable selection approach that iteratively optimizes variable space using weighted binary matrix sampling[J]. Analyst, 2014, 139(19): 4836-4845. doi: 10.1039/C4AN00730A
[30] ZHOU X, ZHAO C, SUN J, et al. A deep learning method for predicting lead content in oilseed rape leaves using fluorescence hyperspectral imaging[J]. Food Chemistry, 2023, 409: 135251. doi: 10.1016/j.foodchem.2022.135251
[31] 岑海燕,朱月明,孙大伟,等. 深度学习在植物表型研究中的应用现状与展望[J]. 农业工程学报,2020,36(9):1-16. CEN Haiyan, ZHU Yueming, SUN Dawei, et al. Current status and future perspective of the application of deep learning in plant phenotype research[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 1-16. (in Chinese with English abstract)
[32] ZHOU X, ZHAO C, SUN J, et al. Determination of lead content in oilseed rape leaves in silicon-free and silicon environments based on deep transfer learning and fluorescence hyperspectral imaging[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2024, 311: 123991. doi: 10.1016/j.saa.2024.123991
[33] SUN J, TIAN Y, WU X, et al. Nondestructive detection for moisture content in green tea based on dielectric properties and VISSA-GWO-SVR algorithm[J]. Journal of Food Process Engineering, 2020, 43(8): e14421.
[34] SHAO Y, JI S, XUAN G, et al. Soluble solids content monitoring and shelf life analysis of winter jujube at different maturity stages by Vis-NIR hyperspectral imaging[J]. Postharvest Biology and Technology, 2024, 210: 112773. doi: 10.1016/j.postharvbio.2024.112773
[35] 张文祥,潘嘹,卢立新. 包装生鲜牛肉pH值的高光谱无损检测方法[J]. 食品与发酵工业,2023,49(22):273-278. ZHANG Wenxiang, PAN Liao, LU Lixin. Hyperspectral non-destructive testing method for pH value of packaged fresh beef[J]. Food and Fermentation Industries, 2023, 49(22): 273-278. (in Chinese with English abstract)
计量
- 文章访问数: 130
- HTML全文浏览量: 11
- PDF下载量: 52
