答辩博士：陈彦宇
指导老师：汪小旵教授
论文题目：背景干扰下的水稻叶绿素含量光谱检测方法及装置研究
答辩委员会：
主席：
鲁植雄 教授/博导南京农业大学
委员：
蒋雪松 教授/博导 南京林业大学
沈 跃 教授/博导 江苏大学
郭世荣 教授/博导 南京农业大学
郑恩来 教授/博导 南京农业大学
秘书：
王 磊 南京农业大学
答辩时间：2025年5月27日14:00
答辩地点：滨江校区工学院B442
论文简介：
水稻是全球最重要的粮食作物之一，其产量与质量对全球粮食安全至关重要。叶绿素含量是衡量水稻生长状况的关键指标，直接影响其光合效率、生长发育及产量积累。传统的叶绿素含量检测方法成本高、耗时长且具有破坏性，难以满足农业生产大规模、快速、无损检测的需求。近年来，叶绿素含量光谱检测技术逐渐成为研究热点，但该技术在实际应用中仍面临诸多挑战，其中背景干扰下水稻叶绿素含量检测难度大、检测效果差、检测装置少的问题尤为突出。因此，本研究以‘南粳9108’水稻为研究对象，融合光谱分析、图像识别、传感器技术及机器学习与深度学习方法，围绕水稻背景干扰机理及其影响机制、叶绿素含量光谱检测方法及其检测装置开展了系统性研究。本研究构建了清澈、浑浊及绿藻覆盖背景下的背景干扰数学模型与叶绿素含量检测模型，阐释了水稻背景干扰机理及其影响机制，探究了背景干扰对叶绿素含量检测的影响；提出了光谱颜色特征波段选择方法，提高了背景干扰下水稻叶绿素含量检测的准确性与鲁棒性；优化了光谱数据采集参数，研制了基于背景分类的水稻叶绿素含量检测装置，实现了水稻背景分类与叶绿素含量检测。主要研究内容与结果如下：
（1）根据能量守恒原理，构建了清澈、浑浊及绿藻覆盖背景下的背景干扰数学模型，阐释了水稻背景干扰机理及其影响机制。基于多种预处理与波长选择方法及PLSR、SVR、CNN方法，分别建立了清澈、浑浊、绿藻覆盖及未分类背景下的水稻叶绿素含量检测模型，探究了背景干扰对叶绿素含量检测的影响，明确了背景分类的重要性，确定了最优检测模型。研究表明，清澈背景干扰较小，对水稻叶绿素含量检测的影响较小；而浑浊与绿藻覆盖背景干扰较大，对水稻叶绿素含量检测的影响较大。背景分类能够在一定程度上提高水稻叶绿素含量检测效果，清澈背景下的最优模型为SS+UVE+CNN，R2与RMSE分别为0.741与15.327；浑浊背景下的最优模型为MSC+GA+CNN，R2与RMSE分别为0.660与16.844；绿藻覆盖背景下的最优检测模型为DC+GA+CNN，R2与RMSE分别为0.688与17.694。
（2）结合叶绿素光谱吸收特性与光谱颜色特征，提出了一种光谱颜色特征波段选择方法，并基于CNN方法分别建立了黑色（无背景干扰）、清澈、浑浊及绿藻覆盖下的水稻叶绿素含量检测模型，确定了各背景下的最优光谱颜色特征波段：黑色背景为B+G+O+R+NIR；清澈背景为O+NIR；浑浊背景为V+C+Y+R+NIR；绿藻覆盖背景为B+C+G+NIR。通过与常规波长或波段选择方法比较，评估并验证了该方法在不同背景干扰下检测水稻叶绿素含量的准确性与鲁棒性优势。评估结果表明，基于最优光谱颜色特征波段的模型评估结果均优于常规波长或波段选择方法。验证结果表明，常规波长或波段选择方法表现出明显的不稳定性，评估中表现最优的方法在验证中均失去优势。相比之下，最优光谱颜色特征波段在准确性与鲁棒性方面表现更为稳定。黑色与清澈背景下的最优光谱颜色特征波段仍然表现出最优效果，绿藻覆盖背景下的效果略差于UVE方法，而浑浊背景下的效果优于UVE、MWPLS及CARS方法。
（3）通过单因素试验、正交试验及验证试验，探究了采集角度、镜头高度、积分时间、光照强度及光源角度对光谱数据质量与模型性能的影响，确定了最优光谱数据采集参数：采集角度为0°、镜头高度为15.0 cm、积分时间为12.8 ms、光照强度为30300 lux、光源角度为31.0°。基于PLSR、SVR、KNN、RF、XGBoost及CNN方法，分别建立了水稻叶绿素含量检测模型，验证了最优参数的可靠性与通用性。研究表明，相较于其他光谱数据采集参数，最优光谱数据采集参数在所有六种模型中的水稻叶绿素含量检测效果均有所提升。其中，PLSR模型的R2提高了0.036，RMSE减少了0.310，RPD增加了0.175。SVR模型的R2提高了0.026，RMSE减少了0.121，RPD增加了0.149。KNN模型的R2提高了0.026，RMSE减少了0.049，RPD增加了0.125。RF模型的R2提高了0.042，RMSE减少了0.462，RPD增加了0.156。XGBoost模型的R2提高了0.083，RMSE减少了0.781，RPD增加了0.156。CNN模型的R2提高了0.024，RMSE减少了0.221，RPD增加了0.226。
（4）依据水稻背景干扰机理、光谱颜色特征波段及光谱数据采集参数，研制了一种基于背景分类的水稻叶绿素含量检测装置。该装置基于MobileNetV4-Conv-Small建立了水稻背景分类模型，实现了清澈、浑浊及绿藻覆盖背景的分类。研究表明，绿藻覆盖背景的分类效果最优，各项指标均超过97%；浑浊背景次之，各项指标均超过94%；清澈背景的分类难度较大，但各项指标均超过93%。结合预处理与CNN方法，分别建立了清澈、浑浊及绿藻覆盖背景下的水稻叶绿素含量检测模型。其中，清澈背景下的最优模型为FD+CNN，R2、RMSE及RPD分别为0.975，5.191及6.318；浑浊背景下的最优模型为SS+CNN，R2、RMSE及RPD分别为0.627，18.249及1.638；绿藻覆盖背景下的最优模型为SS+CNN，R2、RMSE及RPD分别为0.719，16.417及1.885。田间试验结果表明，该装置的水稻背景分类正确率为94.67%，叶绿素含量相对误差符合率为84.00%，初步实现了水稻背景分类与叶绿素含量检测。
本文创新点如下：
（1）构建了清澈、浑浊及绿藻覆盖背景下的背景干扰数学模型，阐释了水稻背景干扰机理及其影响机制。基于多种预处理与波长选择方法及PLSR、SVR、CNN方法，分别建立了清澈、浑浊、绿藻覆盖及未分类背景下的水稻叶绿素含量检测模型，探究了背景干扰对叶绿素含量检测的影响，明确了背景分类的重要性，确定了最优检测模型。
（2）提出了一种光谱颜色特征波段选择方法，并基于CNN方法分别建立了清澈、浑浊、绿藻覆盖及无干扰背景下的水稻叶绿素含量检测模型，确定了各背景下的最优光谱颜色特征波段，评估并验证了该方法在背景干扰下检测水稻叶绿素含量的准确性与鲁棒性。
（3）探究了采集角度、镜头高度、积分时间、光照强度及光源角度对水稻光谱数据质量与模型性能的影响，确定了最优光谱数据采集参数。在此基础上，结合MobileNetV4与CNN方法，研制了一种基于背景分类的水稻叶绿素含量检测装置，实现了水稻背景分类与叶绿素含量检测。
