衰减全反射—红外光谱和模式识别结合对温室不同种类杂草鉴别技术研究

马伟+王秀+李翠玲+张东彦

【摘要】利用衰减全反射法（ATR）对温室生长的杂草叶片进行活体检测，利用红外光谱（FTIR）的指纹特征属性，构建杂草样本的红外指纹图谱，将其作为模式识别（SCMIA）提取的特征数据，以此建立聚类分析数学模型，运用该模型对温室生长的杂草活体样本进行种类模式识别。结果表明，采用这种方法建立的杂草叶片数学模型具有显著的分类和鉴别能力，同时具备较高的准确性、可靠性以及适用性，为机械系统识别传感杂草的研究提供了一种新方法。

背景

红外光谱法（FTIR）指的是用红外光照射植物叶片后，红外光谱的某波长区域会被此叶片成分内的分子所吸收。被吸收的红外光波长和被吸收的程度（称为吸收度或者透过率）根据成分的不同而有所差异，基于这样的规律，可以定性分析植物叶片内物质的官能团并获取化学结构信息。进一步根据Lambert-Beer定律公式可以得出吸光度A与浓度成一定比例，从而使用红外光谱法进行定量分析。衰减全反射法简称为ATR，利用光波入射时，入射面内偏振的单色平面光波在密-疏媒质的界上全反射时，表面共振激发后光强发生显著衰减的原理，是红外光谱常用的一种采样方式，采样时用到一种高折射率的晶体，该晶体是一种无损非接触的快速红外检测技术。ATR-FTIR方法利用红外光的透入深度与入射光的波长、样品和晶体之间折射率的关系来获得待测叶片内物质含量的光谱特性。模式识别（Soft Independent Modeling of ClassAnalogy，SCMIA）是一种基于类模型带监督的模式识别方法，其利用同一类叶片样本具有相似的特征，在一定的空间内，属于同一类的样本就会聚集在一定的空间区域内，不同的样本就会在空间内显著的分开并具有明显的边界[1]。因此可利用因子分析法针对随机选择的80%样本建立训练集中每一种杂草的样本，从而建立聚类分析模型，然后利用剩余的20%样本计算这些样本到模型的SCMIA距离，判别该样本属于哪一种杂草。

材料和方法

首先采集不同雜草活体叶片的ATR谱图，通过分析不同杂草叶片红外谱图中的脂类特征吸收峰和多糖类成分吸收峰，利用不同叶片里含有多糖成分的不同来区别。作为补充手段可以采用杂草叶片含水量显著差异的区别利用水特征吸收峰来进行甄别。然后处理光谱数据，预先对原始光谱数据进行多元散射校正（MSC）和平滑处理，消除其采样的误差[2]，最后利用前几个主成分建立识别分类图。为了使得识别的光谱数据计算量图能显著减小，通过主成分载荷图曲线筛选几组特征光谱作为变量进行聚类识别，这样提高运算速度后可以使得变量作业机械系统能够利用模型进行在线识别（图1）。

结语

通过光谱手段对杂草进行鉴别具有快速、准确、非接触的优势，其成本低，实时性好，非常适合变量作业机械传感技术采用，是一种有潜力的可行方法。通过试验初步效果看，温室内杂草相对大田而言测量条件比较理想，影响因素较少，因此可以采用几个较窄的特征波长带对杂草种类进行甄别。需要注意的是，当作为变量机械系统的传感器使用时，就面临在线动态识别的问题，光照、水分、土壤、病虫害等因素也需要综合考虑。

另一方面，温室杂草识别的后续应用除了获得温室土壤的草害信息外，还包括喷药除草或物理方法铲除杂草（图2）。温室中杂草的控制如不适合喷洒除草剂，也可以用除草铲去除杂草，通过自动控制除草铲的升降来定点清除杂草。

总体而言，杂草的防控采用光谱手段的优势很明显，但外界因素对光谱识别精度的影响也不能忽视，扬长避短，面向实际问题，这一领域还有很大的发展空间。

参考文献

[1] 吴迪，黄凌霞，何勇，等.作物和杂草叶片的可见-近红外反射 光谱特性[J].光学学报，2008，28（8）：1618-1622.

[2] 朱登胜，潘家志，何勇，等.基于光谱和神经网络模型的作物 和杂草识别方法研究[J].光谱学与光谱分析，2008，28（5）： 1102-1106.