谷物联合收割机收获小麦含杂率高光谱反演研究

陈 满，倪有亮，金诚谦，徐金山，袁文胜

谷物联合收割机收获小麦含杂率高光谱反演研究

陈 满，倪有亮，金诚谦，徐金山，袁文胜

（农业农村部南京农业机械化研究所，南京 210014）

为了实现机械化收获小麦含杂率的快速检测，以金大丰4LS-7型自走式稻麦联合收割机收获的小麦样本为研究对象，利用ASD FieldSpec 4 Wide-Res型地物光谱仪获取小麦样本的原始光谱，经数学变换获得光谱原始反射率（raw spectral reflectance, REF）和光谱反射率倒数的对数（inverse-log reflectance, LR）2种光谱指标。通过主成分分析法（principal component analysis, PCA），利用贡献率高的成分的权值系数，优选出不同指标的小麦样本光谱的特征波长，并采用最小二乘支持向量机（least squares support vector machine, LS-SVM）构建了基于不同指标的小麦样本含杂率的反演模型，在此基础上对反演结果进行精度验证和比较。试验结果表明：建立的含杂率反演模型的建模决定系数均大于0.9，验证决定系数均大于0.85，均方根误差均小于0.29，相对分析误差均大于2，模型具有较强的拟合效果和预测能力；利用REF光谱数据指标建立的反演模型的反演效果优于LR光谱数据指标。该文建立的机械化收获小麦样本含杂率光谱反演模型能够实现含杂率的精准识别，可为后续构建便携式含杂率光谱检测仪提供参考，有助于客观、定量地表征机械化收获的小麦含杂率，为机械化收获的小麦的快速检测提供新途径。

农作物；光谱分析；模型；谷物联合收获机；含杂率；主成分分析法；最小二乘支持向量机；高光谱

0 引 言

含杂率是衡量谷物联合收割机作业质量的重要指标之一[1]，根据《谷物联合收割机质量评价技术规范NY/T 2090-2011》规定，对全喂入式的联合收割机要求收获的小麦含杂率要低于2.0%[2]。但是，目前机械化联合收获作业的小麦含杂率检测仍主要依靠人工完成，效率极其低下[3]，缺乏成熟的在线监测手段，仅德国克拉斯公司[4]、比利时Wallays[5-6]、日本京都大学的Mahirah等[7-8]以及江苏大学李耀明等[9-13]应用机器视觉技术对其进行探索性研究，但前期研究表明：机器视觉监测存在算法复杂、实时性不佳等问题。

近年来，随着光谱探测技术的发展，因其具有快速、准确性高等特点，在现代农业生产中得到广泛应用[14-18]。Broge等[19]利用遥感光谱数据反演叶面积指数，建立植被指数和叶面积指数之间的反演模型，并利用该模型进行叶面积指数反演。Haubrock等[20]构建了一种归一化差异土壤水分指数，可以非常简单有效地进行土壤含水量反演。Piron等[21]在人工光照条件下利用可见－近红外区域的多光谱装置，对胡萝卜幼苗及7种杂草进行了田间试验，系统整体识别率为72%。樊阳阳等[22]基于近红外高光谱成像技术的干制红審品种鉴别，模型鉴别率大于86.25%。谢巧云等[23]探讨利用最小二乘支持向量机方法和高光谱数据对不同条件下冬小麦叶面积指数的估算能力，结果表明该方法具有良好的学习能力和普适性。但利用高光谱数据对机械化收获的小麦含杂率反演识别方面的应用研究还未见报道，缺乏对机械化收获的小麦含杂率的高光谱反演预测模型。

本文应用光谱探测技术，以谷物联合收割机机械化收获小麦为研究对象，筛选对小麦杂率敏感的特征波长，尝试利用特征波长的光谱反射率构建小麦含杂率反演模型，并对模型的检测精度进行验证，以期获得传统含杂率检测的替代手段，为小麦含杂率的快速检测提供参考。

1 试验材料与方法

1.1 试验样本采集

本次试验样本来源于江苏省南京市溧水农业农村部南京农业机械化研究所白马基地，2018年6月5日试验采用金大丰4LS-7型自走式稻麦联合收割机收获品种为杨富麦101号的小麦，收获过程中从出粮口共采集了80个试验样本，样本质量平均值为1 000 g，样本千粒质量平均值为39.71 g，含水率平均值为12.4%，样本采集后置于密封袋中封存、编号后带回实验室。

1.2 样本含杂率的测定

样本含杂率根据《谷物联合收割机质量评价技术规范NY/T 2090-2011》进行测定，含杂率的计算公式为

式中Z表示含杂率，%；W表示出粮口取小样中杂质的质量，g；W表示出粮口取小样的质量，g。

1.3 光谱测定

小麦样品的高光谱数据采用美国ASD公司生产的 FieldSpec 4 Wide-Res型地物光谱仪测得。该光谱仪波谱的范围为350～2 500 nm，采样间隔为1.4 nm（350～1 000 nm）和1.1 nm（1 001～2 500 nm），波长重复性为0.1 nm，波长准确度为0.5 nm，在可见光和红外波段光谱分辨率分别为3和30 nm。

如图1所示，光谱测量在暗室中进行，光源为Illuminator Reflectance Lamp，该照明反射灯是美国ASD公司专门为室内反射光谱测量设计的光源系统。使用25°视场角光纤探头，光源到小麦表面的距离，光源入射角度和光纤探头距小麦高度采用张智韬等[24-25]研究的室内较为理想的几何测试参数组合：=50 cm、=30°、=15 cm。

1.照明反射灯 2.样品台 3.电动旋转台 4.光纤固定支架 5. FieldSpec 4 Wide-Res 型地物光谱仪6.光纤 7.暗室图

在样品含杂率光谱数据采集与识别过程中，小麦测量样品平铺于样品台上，覆盖整个样品台，每个样本在4个方向上（转动3次，每次90°）进行测量，每个方向上保存3条光谱曲线，共12条，利用ViewSpec Pro 软件进行算法平均后得到样品的实际反射光谱数据。

1.4 样本数据处理

由于样本光谱数据在350～400 nm和2 301～2 500 nm波段的信噪比较低，光谱数据波动性大，稳定性较差，因此将这2个波段间的数据去除。在小麦样本原始光谱反射率基础上，计算其倒数之对数，该处理能够增强相似光谱之间的差异，适当减少随机误差。本文采用这2个光谱指标进行数据建模，分析光谱与含杂率之间的对应关系。

剔除信噪比较低的波段后，小麦样本的光谱数据仍有1 900个波段，波段数据之间存在大量的冗余和共线性信息，大量数据会增加计算量和模型的复杂度，因此本文采用主成分分析法提取特征波长，而研究表明在累计贡献率大的前几个主成分相应的权值系数曲线中，权值系数的绝对值与其相对应波长的贡献程度成正比，因此本文选择曲线中波峰和波谷处对应的波长为特征波长。光谱数据经过PCA降维处理后，前4个主成分的累计贡献率如表1所示。其中REF的前4个主成分的累计贡献率达到了99.21%，而LR的前4个主成分的累计贡献率达到了99.59%。

表1 光谱数据各主成分累计贡献率

为了建立稳健的反演模型，将80个小麦样品按测定的含杂率Z从大到小排序，每隔2个样本取出1个作为验证集样本，共取得26个（32.5%），其余54个（67.5%）作为建模集样本，这样划分可保证建模样本与验证样本范围一致且分布均匀。小麦样本含杂率的特征描述见表2。

表2 小麦样本含杂率统计特征

1.5 模型建立与验证

本文采用最小二乘支持向量机建立高光谱数据对小麦样本含杂率的反演模型。LS-SVM是在支持向量机（squares support vector machine, SVM）的基础上，通过最小二乘法利用误差平方和选择超平面，构造平方损失函数，同时将SVM的不等式约束条件转换为线性等式，将二次规划问题转化为线性求解，其求解速度比SVM更快、效率更高[26]，在高光谱反演模型中得到广泛应用。

LS-SVM的优化模型为

式中是松弛向量，ε是拟合误差；是正规化参数，控制对误差的惩罚程度。为能够在对偶空间求解二次规划式（3），设Lagrange 泛函为

经过整理可得

常用的核函数有径向基、多项式、Sigmoid等，引入核函数的目的是代替高维特征空间的内积运算，避免出现维数灾难[27]。径向基函数形式简单、径向对称、光滑性好，在处理非线性数据方面具有良好的性能，因此本文采用径向基函数作为核函数，即

本文通过建模决定系数（R2）、验证决定系数（R2）、均方根误差（R）和相对分析误差（R）来综合评价模型的效果。

研究表明，决定系数（2）是衡量拟合效果的重要指标。当0.66≤2≤0.80时，预测结果较好，当0.80＜2≤0.90时，预测结果很好；当2＞0.90时，预测结果极好[28]。R与R的计算公式为

式中p表示小麦样本含杂率预测值，%；r表示小麦样本含杂率实测值，%；表示小麦样本含杂率预测值的平均值，%；表示样本的个数。

研究表明，当相对分析误差在2.5以上时，表明模型具有极好的预测能力；当相对分析误差在2.0～2.5之间时，表明模型具有很好的定量预测能力；当相对分析误差在1.8～2.0之间时，表明模型具有定量预测能力；当相对分析误差在1.4～1.8之间时，表明模型具有一般的定量预测能力；当相对分析误差在1.0～1.4之间时，表明模型具有区别高值和低值的能力；当相对分析误差小于1.0时，表明模型不具备预测能力[29]。

2 结果与讨论

2.1 不同含杂率小麦样品的光谱特征分析

机械化收获的小麦中，杂质主要包括小麦短茎秆、小麦碎茎秆、小麦叶片、小麦籽粒外壳、小石子、泥块等。其中小麦茎秆、叶片以及籽粒外壳占大多数。杂质的存在会严重影响小麦的品质，降低小麦的实际价值，也不利于小麦存储。因此，通过小麦样本的光谱数据建立稳健的含杂率反演模型，有利于实现机械化收获小麦含杂率的快速识别，有效提高含杂率检测效率，更好地指导机械化收获作业，从而提高机械化收获质量。

图2是无杂质样本、杂质样本和含杂样本的原始及预处理后的光谱反射曲线图，其中图2a为试验样本原始反射光谱曲线，可以发现，3条光谱曲线波形基本相似，曲线以1 150波段为分界，在401～1 150 nm波段，杂质样本的光谱反射率低于无杂质样本和含杂样本光谱反射率，而在1 150～2 300 nm波段，纯杂质样本的光谱反射率高于无杂质样本和含杂样本光谱反射率。图2b是试验样本原始光谱经倒数之对数预处理后的反射曲线图，由图2b可见，针对3种不同的试验样本，在光谱反射率上存在明显的差异性，这为通过光谱反射率建立稳健的含杂率反演模型奠定理论基础。

图3是从80个试验样本中挑选的5条比较典型的小麦试验样本原始及预处理后的光谱反射曲线图，其中图3a为试验样本原始反射光谱曲线，可以发现，5条光谱曲线波形基本相似，同时小麦样本光谱反射率随着含杂率的增加而增加。图3b是试验样本原始光谱经倒数之对数预处理后的反射率图，由图3b可见，挑选的5个试验样本在光谱反射率上存在明显的差异性，但经倒数之对数预处理后小麦样本光谱反射率随着含杂率的增加而降低。

a. 原始光谱反射率

a. Raw spectral reflectance

b. 光谱反射率倒数的对数

a. 原始光谱反射率

a. Raw spectral reflectance

b. 光谱反射率倒数的对数

2.2 基于主成分分析法的特征波长筛选

以建模集光谱数据作为输入，采用PCA选取特征波长，图4为主成分分析法选择的特征波长。从表1和图4得知，REF的前2个主成分PC1和PC2的贡献率分别是79.95%和17.84%，累计贡献率达到了97.79%，因此从得到的这2个主成分的权值系数曲线中提取10个特征波长，分别是500、689、1 007、1 117、1 205、1 211、1 308、1 381、1 670和1 800 nm。LR的前2个主成分PC1和PC2的贡献率分别是85.56%和13.45%，累计贡献率达到了99.01%，因此从得到的这2个主成分的权值系数曲线中提取10个特征波长，分别是498、502、691、700、1 205、1 373、1 665、1 788、1 798和1 854 nm。

a. 原始光谱反射率

a. Raw spectral reflectance

b. 光谱反射率倒数的对数

本文利用主成分分析法筛选得到了不同光谱指标下的特征波长，图5列举了3个典型含杂率试验样本的各个特征波长的反射率。不同特征波段，样本光谱的反射率存在差异性，REF反射率的波峰出现在1 117 nm，波谷出现在500 nm；与之相反，LR反射率的波峰出现在498和502 nm，波谷出现在1 205 nm。图6是试验样本光谱反射率变异系数条形图，比较各个特征波段样本光谱反射率的变异系数，发现REF反射率变异系数的最大值为13.5%，最小值为2.98%，平均值为6.23%；LR反射率变异系数的最大值为9.20%，最小值为2.38%，平均值为5.91%。相对而言，不同特征波段，REF反射率的波动大，LR反射率则相对集中。

a. 原始光谱反射率

a. Raw spectral reflectance

b. 光谱反射率倒数的对数

图6 样本特征波长光谱反射率变异系数（主成分分析法）

2.3 基于最小二乘支持向量机的建模

利用REF和LR 2种光谱数据指标，基于LS-SVM建立的小麦含杂率反演模型的结果的散点图如图7所示。利用REF光谱数据指标建模集的相对误差最大值为10.07%，最小值为0.06%，平均值为2.05%；验证集的误差绝对值最大值为16.98%，最小值为1.59%，平均值为3.38%。利用LR光谱数据指标建模集的相对误差最大值为14.69%，最小值为0.03%，平均值为3.48%；验证集的相对误差最大值为24.85%，最小值为0.89%，平均值为5.69%。由此可见，利用REF光谱数据指标建立的反演模型效果较佳。

a. 原始光谱反射率

a. Raw spectral reflectance

b. 光谱反射率倒数的对数

模型综合评价结果如表3所示，由表3可知，利用REF光谱数据指标建立的反演模型的反演效果优于LR光谱数据指标。REF光谱数据指标建模决定系数达到0.958，而验证决定系数达到了0.902，由此可见利用REF光谱数据指标建立的模型拟合效果极好。同时REF光谱数据指标建模相对分析误差达到2.31，表明模型具有很好的定量预测能力。光谱原始数据经过数学交换预处理后，模型的误差略微增加，但模型依旧具有较好的拟合和预测效果。

表3 LS-SVM反演模型综合评价结果

2.4 讨 论

1）由于小麦茎秆和籽粒有较大的光谱差异，在无杂质小麦样本中，光谱反射率主要由小麦籽粒结构决定，当小麦样本中混入杂质后，光谱反射率会随着混入杂质的不同发生变化，且不同含杂率的小麦样本光谱特征具有较好的光谱响应规律。因此利用光谱数据反演机械化收获小麦含杂率是可行的。

2）采用主成分分析方法处理样本的光谱数据，在实现数据降维的同时，又尽可能保留了样本原有信息。本文通过前2个主成分权值，获得REF的10个特征波长为500、689、1 007、1 117、1 205、1 211、1 308、1 381、1 670和1 800 nm，LR的10个特征波长为498、502、691、700、1 205、1 373、1 665、1 788、1 798和1 854 nm。试验发现2种光谱指标获得的特征波段相近，并且存在重叠的波段。基于REF指标构建的最小二乘支持向量机小麦含杂率反演模型的精度和稳定性最佳，具有较强的拟合效果和预测能力，建模决定系数达到0.958，而验证决定系数达到了0.902，均方根误差0.198，相对分析误差达到2.31。

3）虽然本文在小麦含杂率光谱响应机理解析方面取得了一定的进展，但仍存在不足之处。受限于农业复杂作业环境，在室内开展了小麦含杂率光谱反演识别模型的研究，该方法虽然精度较高，但不利于小麦含杂率田间实时检测，在今后的研究中有必要探索一种高精度且方便田间实时采集的装置，从而实现小麦含杂率机械化收获作业过程在线检测。小麦含杂率光谱响应机理的相关研究未见报道，本文采用了常规稳健的方法来探索基于光谱数据反演小麦含杂率的可能性，后续将会结合更多相关算法，进一步开展相关研究工作，比较各个算法的成效，以期获得最适合的方法。

3 结 论

本文利用FieldSpec 4 Wide-Res型地物光谱仪获取谷物联合收割机收获小麦样本的光谱数据，基于LS-SVM构建了小麦含杂率反演模型，检测小麦样本的含杂率，主要获得以下结论：

1）不同含杂率的小麦样本的光谱反射率存在明显的差异性，并且在特征波段具有较好的光谱响应规律。

2）小麦含杂率光谱反演模型的建模决定系数均大于0.9，验证决定系数均大于0.85，均方根误差均小于0.29，相对分析误差均大于2，模型具有较强的拟合效果和预测能力。REF光谱数据的反演效果优于LR光谱数据。

综上，基于LS-SVM的小麦样本光谱反演模型能够实现含杂率的精准识别，可为后续构建便携式含杂率光谱检测仪提供参考，有助于客观、定量地表征机械化收获的小麦含杂率，为机械化收获的小麦的快速检测提供了新途径。

[1] 李少昆，王克如，谢瑞芝，等. 玉米子粒机械收获破碎率研究[J]. 作物杂志，2017(2)：76－80.

Li Shaokun, Wang Keru, Xie Ruizhi, et al. Grain breakage rate of maize by mechanical harvesting in China[J]. Crops, 2017(2): 76－80. (in Chinese with English abstract)

[2] 农业部农业机械化管理司. 谷物联合收割机质量评价技术规范NY/T 2090-2011[S]. 北京：中国农业出版社，2011.

[3] 王志明. 横置差速轴流脱分选系统工作机理及设计研究[D]. 西安：长安大学，2017.

Wang Zhiming. Study on Work Mechanism and Design of Axial Flow Differential-Speed Threshing-Separating- Cleaning Unit[D]. Xi’an: Chang’an University, 2017. (in Chinese with English Abstract)

[4] 梁学修. 联合收获机自动监测系统研究[D]. 北京：中国农业机械化科学研究院，2013.

Liang Xuexiu. Study on Automatic Monitoring System for Combine Harvester[D]. Beijing: Chinese Academy of Agricultural Mechanization Sciences, 2013. (in Chinese with English Abstract)

[5] Wallays C, Missotten B, Baerdemaeker J D, et al. Hyperspectral waveband selection for on-line measurement of grain cleanness[J]. Biosystems Engineering, 2009, 104(1): 1－7.

[6] Wallays C, Saeys W, Baerdemaeker J D, et al. Material other than grain and broken grain sensor for combine harvesters[J]. Agricultural Engineering, 2007, 14: 373－378.

[7] Mahirah J, Yamamoto K, Miyamoto M, et al. Monitoring harvested paddy during combine harvesting using a machine vision-Double lighting system[J]. Engineering in Agriculture, Environment and Food, 2017, 10(2): 140－149.

[8] Mahirah J, Yamamoto K, Miyamoto M, et al. Double lighting machine vision system to monitor harvested paddy grain quality during head-feeding combine harvester operation[J]. Machines, 2015(3): 352－363.

[9] 李耀明，梁振伟，徐立章. 一种粮箱籽粒含杂率、破碎率监测装置及其监测方法：CN106404679A[P]. 2017-02-15.

[10] 梁振伟，李耀明，徐立章. 一种粮箱籽粒含杂率、破碎率监测装置：CN206223641U[P]. 2017-06-06.

[11] 陈进，陈璇，李耀明，等. 一种联合收割机粮箱中谷物破碎在线监测系统及方法：CN105806751A[P]. 2016-07-27.

[12] 陈进，顾琰，练毅，等. 基于机器视觉的水稻杂质及破碎籽粒在线识别方法[J]. 农业工程学报，2018，34(13)：187－194.

Chen Jin, Gu Yan, Lian Yi, et al. Online recognition method of impurities and broken paddy grains based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 187－194. (in Chinese with English abstract)

[13] 陈璇. 联合收获机谷物破碎率、含杂率监测方法及系统研究[D]. 镇江：江苏大学，2017.

Chen Xuan. Research on the Methods and Systems for Monitoring Grain’S Crushing Rate and Impurity Rate for Combine Harvester[D]. Zhenjiang: Jiangsu University, 2017. (in Chinese with English Abstract)

[14] 俞浩，吕美巧，刘丽敏，等. 高光谱成像与图像结合进行油菜角果蚜虫侵染的定位识别[J]. 光谱学与光谱分析，2017，37(10)：3193－3197.

Yu Hao, Lü Meiqiao, Liu Limin, et al. Identification of aphid infection on rape pods using hyperspectral imaging combined with image processing[J]. Spectroscopy and Spectral Analysis, 2017, 37(10): 3193－3197. (in Chinese with English abstract)

[15] 刁万英，刘刚，胡克林. 基于高光谱特征与人工神经网络模型对土壤含水量估算[J]. 光谱学与光谱分析，2017，37(3)：841－846.

Diao Wanying, Liu Gang, Hu Kelin. Estimation of soil water content based on hyperspectral features and the ANN model[J]. Spectroscopy and Spectral Analysis, 2017, 37(3): 841－846. (in Chinese with English abstract)

[16] 王冰玉，孙威江，黄艳，等. 基于遗传算法的安溪铁观音品质快速评价研究[J]. 光谱学与光谱分析，2017，37(4)：1100－1104.

Wang Bingyu, Sun Weijiang, Huang Yan, et al. Rapid quality evaluation of Anxi Tieguanyin tea based on genetic algorithm[J]. Spectroscopy and Spectral Analysis, 2017, 37(4): 1100－1104. (in Chinese with English abstract)

[17] 王武，王建明，李颖，等. 近红外特征波长筛选在勾兑梨汁中原汁含量的快速检测中的应用[J]. 光谱学与光谱分析，2017，37(10)：3058－3062.

Wang Wu, Wang Jianming, Li Ying, et al. Application of characteristic wavelength variable application of NIR spectroscopy based on swarm intelligence optimization algorithms and SPA in fast detecting of blending pear juice[J]. Spectroscopy and Spectral Analysis, 2017, 37(10): 3058－3062. (in Chinese with English abstract)

[18] 张立国，程佳佳，倪力军，等. 紫外、近红外、多源复合光谱信息的银杏叶质量快速分析[J]. 光谱学与光谱分析，2017，37(10)：3063－3069.

Zhang Liguo, Cheng Jiajia, Ni Lijun, et al. Rapid analysis of the quality of ginkgo biloba leaf based on UV, near infrared and multi-source composite spectral information[J]. Spectroscopy and Spectral Analysis, 2017, 37(10): 3063－3069. (in Chinese with English abstract)

[19] Broge N H, and J.V Mortensen. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing of Environment, 2002, 81(1): 45－57.

[20] Haubrock S N, Chabrillat S, Lemmnitz C, et al. Surface soil moisture quantification models from reflectance data under field conditions[J]. International Journal of Remote Sensing, 2008, 29(1): 3－29.

[21] Piron A, Leemans V, Kleynen O, et al. Selection of the most efficient wavelength bands for discriminating weeds from crop[J]. Computers and Electronics in Agriculture, 2008, 62(2): 141－148.

[22] 樊阳阳，裘正军，陈俭，等. 基于近红外高光谱成像技术的干制红枣品种鉴别[J]. 光谱学与光谱分析，2017，37(3)：836－840.

Fan Yangyang, Qiu Zhengjun, Chen Jian, et al. Identification of varieties of dried red jujubes with near-infrared hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2017, 37(3): 836－840. (in Chinese with English abstract)

[23] 谢巧云，黄文江，梁栋，等. 最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究[J]. 光谱学与光谱分析，2014，34(2)：489－493.

Xie Qiaoyun, Huang Wenjiang, Liang Dong, et al. Research on universality of least squares support vector machine method of estimating leaf area index of winter wheat[J]. Spectroscopy and Spectral Analysis, 2017, 34(2): 489－493. (in Chinese with English abstract)

[24] 张智韬，王海峰，Karnieli Arnon，等. 基于岭回归的土壤含水率高光谱反演研究[J]. 农业机械学报，2018，49(5)：489－493.

Zhang Zhitao, Wang Haifeng, Karnieli Arnon, et al. Inversion of soil moisture content from hyperspectra based on ridge regression[J]. Transactions of Chinese Society for Agricultural Machinery, 2018, 49(5): 489－493.(in Chinese with English abstract)

[25] 洪永胜，于雷，耿雷，等. 应用 DS 算法消除室内几何测试条件对土壤高光谱数据波动性的影响[J]. 华中师范大学学报：自然科学版，2016，50(2)：303－308.

Hong Yongsheng, Yu Lei, Geng Lei, et al. Using direct standardization algorithm to eliminate the effect of laboratory geometric parameters on soil hyperspectral data fluctuate characteristic[J]. Journal of Central China Normal University: Natural Sciences, 2016, 50(2): 303－308. (in Chinese with English abstract)

[26] 彭小婷，高文秀，王俊杰. 基于包络线去除和偏最小二乘的土壤参数光谱反演[J]. 武汉大学学报：信息科学版，2014，39(7)：862－866.

Peng Xiaoting, Gao Wenxiu, Wang Junjie. Inversion of soil parameters from hyperspectral based on continuum removal andpartial least squares regression[J].Geomatics and Information Science of Wuhan University, 2014, 39(7): 862－866. (in Chinese with English abstract)

[27] 刘其琛，穆炜炜. 最小二乘支持向量机的核函数及参数选择算法研究[J]. 电脑知识与技术，2015，11(19)：160－162.

Liu Qichen, Mu Weiwei. Select LS-SVM kernel function and parameters algorithm[J].Computer Knowledge and Technology, 2015, 11(19): 160－162. (in Chinese with English abstract)

[28] 殷哲，雷廷武，陈展鹏，等. 近红外传感器测量不同种类土壤含水率的适应性研究[J]. 农业机械学报，2014，45(3)：148－151.

Yin Zhe, Lei Tingwu, Chen Zhanpeng, et al. Adaptability of near-infrared sensor for moisture measurement of different soils[J].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(3): 148－151. (in Chinese with English abstract)

[29] 张秋霞，张合兵，张会娟，等. 粮食主产区耕地土壤重金属高光谱综合反演模型[J]. 农业机械学报，2017，48(3)：148－155.

Zhang Qiuxia, Zhang Hebing, Zhang Huijuan, et al. Hybrid inversion model of heavy metals with hyperspectral reflectance in cultivated soils of main grain producing areas[J].Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 148－155. (in Chinese with English abstract)

High spectral inversion of wheat impurities rate for grain combine harvester

Chen Man, Ni Youliang, Jin Chengqian, Xu Jinshan, Yuan Wensheng

(,,210014,)

The impurities rate is one of the important parameters to measure the quality of wheat combined harvesting mechanized operation. Obtaining impurities rate quickly and timely can grasp the quality of work of the combine harvester, which is very important for the agricultural production. In order to solve the problem of low efficiency of artificial detection of impurities rate and lack of mature grain impurities rate identification system in wheat harvesting mechanization operation, this paper tried to establish an spectral inversion model of impurities rate of wheat by using spectral technology, so as to achieve the goal of rapid nondestructive detection of impurities rate of wheat. The wheat spectral reflectance provided an alternative method to classical physical and chemical analysis of the impurities rate of wheat in laboratory. Therefore, the impurities rate of wheat was quickly achieved by using hyperspectral technology. First of all, totally 80 wheat samples were collected from the combine harvester model 4LS-7 made by Jindafeng. The impurities rate of these wheat samples was analyzed in the process of physical in laboratory. After that, the raw hyperspectral reflectance of wheat samples was measured by the FieldSpec 4 model Wide-Res instrument Made by ASD equipped with a high intensity contact probe under the darkroom conditions. Then, after preprocessing and mathematical exchange of the original spectral data,2 spectral parameters were obtained, namely, the original spectral reflectivity (REF) and the spectral reflectivity after logarithmic reciprocal treatment (LR). The impurities rate inversion model of grain combine harvester was established by using the 2 spectral parameters. Next, in order to get characteristic wavelengths, the application of principal component analysis (PCA) was explored in the optimization and quantitative analysis of hyperspectral bands. At the same time, the regression models of impurities rate with different parameters were established by least squares support vector machine (LS-SVM). Finally, the inversion results of the model were validated and compared with each other. The results showed that there were significant differences in the impurities rate of wheat samples obtained by mechanized harvesting, with the maximum and minimum impurities rate of 2.99% and 1.52% respectively. The mean impurities rate of the test samples was 2.28%, the standard deviation was 0.458, and the coefficient of variation was 20.09%. The experimental results showed that the sensitive bands of REF were 500, 689, 1 007, 1 117, 1 205, 1 211, 1 308, 1 381, 1 670 and 1 800 nm. Simultaneously, the sensitive bands of LR were 498, 502, 691, 700, 1 205, 1 373, 1 665, 1 788, 1 798 and 1 854 nm. The result indicated that PCA method could not only achieve the efficient selection of hyperspectral bands, but also retained the original sample information. The REF was the optimal spectral index in LS-SVM regression model (the modeling determination coefficient was 0.958, and the verification determination coefficient was 0.902). The REF hyperspectral inversion model based on LS-SVM can realize rapid monitoring of the quality of work of grain combine harvester in the future.

crops; spectrum analysis; models; grain combine harvester; impurities rate; principal component analysis; least squares support vector machine; hyperspectral remote sensing

2018-11-27

2019-06-25

国家重点研发计划“智能农机装备”重点专项（2017YFD0700305，2016YFD0702003）；中央级公益性科研院所基本科研业务费专项（S201818，S201902）

陈 满，博士，助理研究员，主要从事智能农机控制及自动化装备研究。Email：chm_world@163.com

金诚谦，博士，研究员，博士生导师，主要从事智能农机及农业机械化研究。Email：412114402@qq.com

10.11975/j.issn.1002-6819.2019.14.003

S225.31; O657.39

A

1002-6819(2019)-14-0022-08

陈 满，倪有亮，金诚谦，徐金山，袁文胜. 谷物联合收割机收获小麦含杂率高光谱反演研究[J]. 农业工程学报，2019，35(14)：22－29. doi：10.11975/j.issn.1002-6819.2019.14.003 http://www.tcsae.org

Chen Man, Ni Youliang, Jin Chengqian, Xu Jinshan, Yuan Wensheng. High spectral inversion of wheat impurities rate for grain combine harvester[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 22－29. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.14.003 http://www.tcsae.org