高光谱衰减测量仪

在气候变暖和人类活动双重作用的影响下，藻类水华频发且呈现全球加剧态势，严重威胁经济社会可持续发展和人类健康。由于藻类水华生消过程快，实时精准的监测是藻类水华预测、预警和有效管控的关键。 　　目前藻类水华监测主要包括现场观测、水下自动监测和卫星遥感反演等三种方式。现场观测费时费力，且无法在时间和空间上连续监测；水下自动监测探头易受到水中物质侵蚀，且维护费用高昂；卫星遥感的时间分辨率低且受大气影响较大。 　　对此，中国科学院南京地理与湖泊研究所研究员张运林团队等基于水色遥感原理，研发了一款陆基高光谱遥感监测仪及原位高频在线监测系统，实现了藻类水华连续、精准、实时监测，有效弥补了现有方法的不足。 　　该系统主要由高光谱测量仪器、数据处理平台和远程访问控制、显示和存储平台等三部分组成(图1)。高光谱测量仪测定的水体光谱反射率信号，通过嵌入AI芯片处理器(数据处理平台)的反演算法，转化为叶绿素a信息。光谱反射率和叶绿素a数据通过无线传输设备进行远程访问控制、显示和存储。研究人员通过系统评估近几十年来应用最广泛的三种叶绿素a遥感反演的经验算法、半分析算法以及机器学习算法等，遴选了建模和验证精度最高的反演模型作为陆基遥感系统叶绿素a提取的主要模型(图2)。 　　架设在太湖的陆基高光谱遥感监测系统清晰捕捉到2021年8月发生的两次藻类水华形成过程(图3)。除了藻类水华以外，陆基遥感系统亦可同步监测水体透明度、悬浮物、总氮、总磷、高锰酸盐指数、营养状态指数、藻密度等多个水生态环境参数，可为藻类水华发生机理研究提供精细化观测和科学证据。 　　该观测系统主要有以下优势：低成本、环保的方式实时、连续地提供藻类水华的高频数据；水体信号不受大气影响，不需要进行复杂的大气校正；适用于中小型河流、湖泊的藻类水华动态监测；嵌入的AI芯片支持算法快速替换和升级以及远程控制和数据访问。目前该系统已广泛应用于广东、四川、江苏、浙江、北京等数十个重要水体的水质监测。 　　相关研究成果发表在Journal of Hazardous Materials上。研究工作得到国家自然科学基金优秀青年基金、中科院科学仪器研发项目、南京地理所青年科学家小组等项目的联合资助。图1 陆基遥感系统的原理和结构示意图图2 陆基高光谱遥感监测系统机器学习算法检验与校正精度结果图3 陆基遥感系统捕捉到的两次浮游植物水华和对应的现场照片

国外某机构的最新的研究报告显示，2021年全球高光谱成像系统市场规模为134亿美元，预计到2030年该市场将达558亿美元，2022至2030年间的复合年增长率为17.3%。其中，预测期内亚太地区高光谱成像系统市场的复合年增长率超过18%！此消息发布之后，国内很多业内人士纷纷表示看好该市场的发展，更有多位人士表示中国高光谱成像市场的复合年增长率高于全球平均水平。基于当前市场发展态势，近年来，中国市场中不仅高光谱等相关企业的融资案例频发，相关的仪器采购项目也越来越多，而且高光谱相关的应用领域也从最初的地球卫星成像，覆盖到农业、环境、制药、食品测试、文保等更多领域。仪器信息网根据某招中标网站有关高光谱信息的统计分析（以“高光谱”为关键词搜索，不完全统计，截至发稿日），目前采购单位类型主要涉及科研院所、高校、各地环境监测中心等；从采购名录上来看，大多为仪器采购，也有少部分服务或者项目开发采购；从应用方向上来说，主要聚焦在农业、环境、文保、地质和资源勘察等相关行业；从中标仪器型号和品牌来看，涉及诸多知名仪器公司，国外的比如SPECIM、Headwall 、RESONON、Cubert等，国产如双利合谱、彩谱科技、奥谱天成等。部分中标信息摘录如下：项目名称采购单位采购名录型号北京师范大学珠海校区地表过程与资源生态国家重点实验室珠海基地采购野外高光谱荧光综合自动观测系统采购北京师范大学野外高光谱荧光综合自动观测系统AutoSIF-2-8等中国社会科学院考古研究所考古发掘与出土文化保护采购项目中国社会科学院考古研究所高光谱成像分析系统；SPECIM-IQ国家民用空间基础设施“十三五”陆地观测卫星共性应用支撑平台项目-高光谱相机与高光谱无人机采购项目中国科学院空天信息创新研究院高光谱无人机遥感系统（高光谱相机/高光谱无人机）HySpexMjolnir VS-620局经济林产品质量检验检测中心（杭州）检测设备购置项目中国林业科学研究院亚热带林业研究所可见-近红外-高光谱成像无损检测系统生态质量地面综合监测能力建设项目中国环境监测总站机载高光谱相机GaiaSky mini3-VNDZ改善科研条件专项项目（中药资源保护与可持续利用研究平台设备购置）中国医学科学院药用植物研究所纳米高光谱显微成像系统CytoVivaHS中国科学院2021年度野外观测网络移动观测平台采购项目中国科学院地理科学与资源研究所机载高光谱相机Pika L面向智能产线的协作机器人通用算法试验平台及系统建设(二次)佛山科学技术学院高光谱相机FS13、 FS15智慧农业技术集成与应用创新农业农村部重点实验室建设项目(第一、二批）南京国家现代农业产业科技创新中心管理办公室近红外高光谱分析仪、无人机机载高光谱遥感成像系统Image-λ-N17E-HR；300TC大连民族大学推扫式机载高光谱成像系统采购项目大连民族大学推扫式机载高光谱成像仪Gaiasky-mini2-vn东江流域水生态环境观测平台（一期）生态环境部华南环境科学研究所高光谱水质水生态监测系统X20P昆明勘察设计院森林资源监测及数据处理设备购置项目国家林业和草原局西南调查规划院机载高光谱成像仪X20P石家庄市农科现代农业园区（2022年现代农业园区提升）项目设备采购石家庄市农林科学研究院高光谱成像系统Gaiafield Pro-V10广东省农作物现代种业产业园项目---种子质量检测、种植业种业数据库平台配套设备采购广东省农业科学院农业生物基因研究中心无人机高光谱套装300 TC测绘专用仪器第二批采购项目成都市勘察测绘研究院无人机载高光谱数据采集设备X20H等黑龙江省自然资源调查院专业设备采购黑龙江省自然资源调查院高光谱成像传感器D-HSPC200兴安盟作物分子育种及品质检验检测平台建设-国产设备购置兴安盟农牧科学研究所高光谱植物表型分析仪Pika L中国海洋大学三亚海洋研究院基于标准散射体的后向散射定标装置采购项目中国海洋大学高光谱吸收仪；高光谱衰减仪OSCAR；VIPER；长春理工大学中山研究院机器视觉与无人系统实验室实验设备采购（四）长春理工大学中山研究院高光谱相机、高光谱探测系统Gfield-V10-SH；GaiaFluo-VN-HR农学院PH计等采购及服务（2022分散27）东北农业大学高光谱相机SPECIM IQ吉林省生态环境遥感大数据重点实验室建设项目吉林师范大学无人机高光谱成像系统iSpecHyper-VM100-PRO国家数字农业装备创新中心试点建设项目北京市农林科学院智能装备技术研究中心全波段地物高光谱仪；手持智能型高光谱相机；超微型高光谱成像光谱仪FS4N1500；SPECIM IQ；Nano-Hyperspec中国海洋大学三亚海洋研究院水面高光谱辐射自动测量系统设备采购项目中国海洋大学水面高光谱辐射自动测量系统USRAMS福建师范大学无人机载高光谱成像系统等设备货物类采购福建师范大学无人机载高光谱成像系统仪器、植被反射光谱及叶绿素荧光测量机载系统Gaiasky-mini2-VN、Gaiasky-SP-VN&SIF构建“环境-植物”大数据监测平台与智能控制系统广东省农业科学院环境园艺研究所高光谱成像仪GaiaSky-Mini3-VN环科院2022年环境科研监测设备能力建设（第一部分）重庆市生态环境科学研究院机载高光谱激光雷达一体化成像系统ATHL9010水环境遥感和同位素监测设备深圳职业技术学院 便携式高光谱成像仪Pika L福建省福州环境监测中心站填平补齐项目（实验室能力建设）福建省福州环境监测中心站机载高光谱成像系统Pika L、iS2国家数字农业装备创新中心试点建设项目北京市农林科学院作物便携式高光谱成像仪；全自动、多尺度高光谱成像仪；作物组分荧光高光谱成像仪Image-λ-V10E-HR；SOC710-VP；IMA-VIS-INV-447-DIA/EPI四川农业大学第三批省级共建与发展专项显微镜及成像设备采购项目四川农业大学机载高光谱成像系统PIKA L高光谱目标检测与识别算法库某单位高光谱目标检测与识别算法库基于无人机高光谱遥感的河库富营养化污染监测关键技术研究广东省水利水电技术中心基于无人机高光谱遥感的河库富营养化污染监测关键技术研究南海区重点河涌入河排污口核查及规范化管理佛山市生态环境局南海分局重点河涌无人机高光谱监测分析长三角一体化示范区高光谱数据采集项目上海市测绘院长三角一体化示范区高光谱数据采集项目布达拉宫高光谱扫描及数据处理中国文化遗产研究院布达拉宫高光谱扫描及数据处理

猕猴桃亦称奇异果，含有多种微量元素和丰富的有机物，营养价值高且口感酸甜，拥有“水果之王”的美誉。糖度是猕猴桃主要的内部参数之一，猕猴桃内部品质参数直接影响其口感，也是决定猕猴桃采摘时间及储存时间的重要指标，猕猴桃的糖度中85%左右的成分是可溶性固形物，因此常用的传统糖度检测方法是采用折射仪测量被挤出的果汁中的可溶性固形物含量来反映糖度值，该方法繁琐、耗时且破坏样本，无法实现快速的工业化检测。高光谱成像技术因其信息量大、光谱分辨率高、操作方便等特点，已广泛用于如苹果、樱桃、柿子、芝麻菜、梨、荔枝等]果蔬内部参数的无损检测。1 实验部分1.1 材料实验材料为某猕猴桃基地现采的“红阳”猕猴桃。选取120个大小相近、表面无损伤和疤痕的猕猴桃样本并依次编号，静置于实验室24h,等待采集其高光谱图像并随后测量其糖度，实验期间的环境温度(26±1)℃。1.2仪器与设备本实验应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。1.3高光谱图像信息采集高光谱分选仪预热30 min后开始采集图像，以保证采集时的环境温度和光源强度在采集初期和后期保持一致。将标准白板的高度调整至与猕猴桃样本在同一焦面上，光谱相机曝光时间为13.5ms,样本平台与镜头的距离为170mm,电控移动平台前进距离为11 cm,其前进速度及回退速度分别为0.46和5cms¹ 。1.4猕猴桃糖度测定采集完所有样本的高光谱图像后，当天进行并完成猕猴桃糖度测定。根据行业规定，常以猕猴桃赤道部位的糖度来代表整体糖度，参照NT/T2637—2014《水果、蔬菜制品可溶性固形物含量的测定-折射仪法》,对每个猕猴桃样本依次将其赤道上的果皮削掉，取出适量果肉压汁，随后用一次性滴管将汁液滴到SKY107手持式糖度折射仪的检测槽中，读出该样本的糖度理化值示数。每个样本以两次平行测定结果的算术平均值作为该样本的糖度理化测量值。1.5 高光谱数据的提取采用Spec View软件对猕猴桃样本的原始高光谱图像进行黑白校正，利用ENVI5.1软件从校正后的图像中选择猕猴桃整个赤道区域作为感兴趣区域并提取光谱，以ROI区域的平均光谱作为此猕猴桃的原始光谱信息，如图2(a)所示。由图2(a)可知，原始光谱曲线的首尾两端存在明显噪声，故选取每个样本400～1000 nm波长范围内的高光谱信息作为有效光谱，如图2(b)所示，该范围共计237个波长。1.6模型评价利用5个指标值即校正集的相关系数(Rc)及其均方根误差(RMSEC)、预测集的相关系数(Ro)及其均方根误差(RMSEP)、相对分析误差(RPD)来评价模型的预测性能。其中，Rc和Rp越接近于1,表明模型的稳定性及拟合度越高；RMSEC和RMSEP越接近于0,表明模型的预测能力越强；RPD定义为样本的标准差与其均方根误差之比，若RPD1.4,模型对样本无法实施预测，1.4≤RPD1.8,模型可对样本进行粗略预测，1.8≤RPD2.0,模型可对样本进行较好预测，RPD≥2,模型可对样本进行极好预测]。2 结果与讨论2.1样本划分对120个猕猴桃样本利用拉依达准则方法进行异常值的判别和剔除，结果显示无异常值，随后将其按照3:1比例用KS(Kennard-Stone )算法将其划分为90个校正集样本、30个预测集样本，猕猴桃样本糖度测量值结果见表1。2.2光谱及预处理为了减少提取的光谱数据中掺杂的噪声和光谱倾斜，以便提高光谱分辨的灵敏度，进行合理的光谱预处理是必要的。利用多元散射校正、标准正态变量变换、直接正交信号校正等3种方法对有效光谱进行预处理，并分别建立对应的ELM预测模型，其预测结果见表2。由表2可知，DOSC-ELM模型的Rc和Rr值最大且RMSEC和RMSEP值最小，预测效果好，故后续均基于DOSC预处理方法进行。DOSC方法通过将光谱矩阵与待测浓度矩阵正交，在不损害数据结构特性的前提下滤除原始光谱中与糖度不相关的信息，保留最相关的信息用于构建预测模型。DOSC预处理前的校正集和预测集的光谱反射率分别如图3(a)和图3(c)所示，DOSC预处理后的校正集和预测集的光谱反射率分别如图3(b)和图3(d)所示。从图3可知，相较于未经过预处理的高光谱图像，DOSC预处理后的光谱图像线条更加紧密，图3(b)和图3(d)中所凸起的波峰也反映了预处理后的光谱数据与待测成分即糖度的相关性得到了良好的提升。DOSC预处理前后各高光谱波段与猕猴桃糖度的相关系数如图4所示。通常相关系数0.5≤|r2.3.2 基于CARS的特征光谱变量提取对预处理后的光谱用CARS算法提取特征光谱变量时，设定蒙特卡罗采样50次，采用5折交叉验证法。图7(a)为呈现指数衰减函数的选择过程，特征光谱变量的数量随着采样次数的增加先迅速下降然后平缓减少，具有“粗选”和“精选”2个特征。由图7(b)可知，随着Monte-Carlo采样次数的增加，内部交叉验证均方根误差(RMSECV)呈先缓慢减小后陡然增大的趋势，这是由于选择过度而移除了富含信息的关键变量，导致模型的预测性能下降。图7(c)是特征光谱变量随着采样次数变化的回归系数路径图，当图7(b)中RM-SECV值达到最小值时，各特征光谱变量的回归系数位于图7(c)中的“*”所在的垂直线位置，此时采样运行5次，最终提取出49个特征光谱变量。3结论以“红阳”猕猴桃为研究对象，本文利用高光谱成像技术结合不同特征光谱变量提取方法构建不同模型，对猕猴桃糖度进行无损检测。研究结果如下：(1)对猕猴桃原始有效光谱分别采用MSC,SNV和DOSC预处理后，结合ELM模型的预测结果，分析不同预处理方法对模型预测精度的影响，对比结果显示DOSC预处理效果最好。(2)对DOSC预处理后的光谱分别采用一次降维、一次组合降维和二次组合降维共7种特征提取方法，提取到的特征光谱变量个数分别为49,9,8,58,55,11和19,占全光谱波段的20.7%,3.8%,3.4%,24.5%,23.2%,4.6%和8%。