林萍等

摘要：利用高光譜成像技術(shù)實現(xiàn)快速估計農(nóng)田大棚EVA棚膜拉伸強度。采用高光譜儀獲取EVA棚膜波段范圍在978.37～1 676.30 nm之間的特征光譜曲線，利用拉伸強度分析儀獲取樣本拉伸強度保持率，利用化學(xué)計量學(xué)方法建立反映樣本內(nèi)部有機分子交聯(lián)特性的特征光譜曲線與拉伸強度保持率之間的耦合模型，根據(jù)建立的化學(xué)計量學(xué)模型對未知的EVA棚膜拉伸強度進行估計，其中采用支持向量機（SVM）回歸方法獲得最優(yōu)預(yù)報效果，預(yù)報相關(guān)系數(shù)平方（r2）的百分比達到86.63%，預(yù)報均方根誤差（RMSE）為1.049。結(jié)果表明，利用高光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法用于快速估計農(nóng)田大棚棚膜拉伸強度是可行的。

關(guān)鍵詞：EVA棚膜； 拉伸強度； 高光譜； 化學(xué)計量學(xué)方法

中圖分類號：S24 文獻標識碼：A 文章編號：0439-8114（2015）18-4599-04

DOI：10.14088/j.cnki.issn0439-8114.2015.18.054

在寒冷、干燥的冬季，農(nóng)田大棚棚膜可以改善農(nóng)作物的生長環(huán)境，給農(nóng)作物提供一個溫度、濕度相對適宜的生長環(huán)境。優(yōu)質(zhì)的大棚棚膜還可以改善土壤的分子結(jié)構(gòu)，激活土壤養(yǎng)分和天然肥料，促進農(nóng)作物的生長發(fā)育，因此農(nóng)田大棚棚膜在我國得到了廣泛的推廣應(yīng)用[1]。目前，中國農(nóng)田大棚棚膜材料主要使用聚氯乙烯（Poly vinyl chloride，PVC），聚乙烯（Poly ethylene，PE）和乙烯-醋酸乙烯共聚物（Ethylene-Vinyl acetate copolymer，EVA）這3種有機材料制成。農(nóng)田廢棄的PVC殘膜往往會被燃燒掉，但是燃燒的過程中會伴有氯氣生成，容易造成環(huán)境污染；若采用PE材料制作大棚棚膜，必須加入添加劑（如耐老化劑、無滴劑、保溫劑等）來提高材料的耐候性及保溫性，但廢棄的PE殘膜燃燒時也會造成環(huán)境污染；而EVA材料殘膜可以回收再利用，其制成的大棚具良好的透光性、保溫性及耐候性，而且有研究表明EVA大棚棚膜較之PVC、PE大棚棚膜對大棚蔬菜有較明顯增產(chǎn)效果，并能提高辣椒、番茄等果實的品質(zhì)。EVA材料制成的薄膜受到了廣大農(nóng)戶的青睞，已在我國開始推廣[2]。

中國生產(chǎn)EVA棚膜企業(yè)繁多，引進的原材料、生產(chǎn)設(shè)備和使用加工工藝都各不相同，因此造成EVA棚膜產(chǎn)品質(zhì)量大不一樣。提高EVA棚膜的使用壽命對于提高農(nóng)業(yè)生產(chǎn)力、節(jié)約資源、降低環(huán)境污染等具有十分重要的意義。其中，EVA棚膜拉伸強度是決定其使用壽命的關(guān)鍵技術(shù)指標之一，傳統(tǒng)的物理破壞拉伸強度試驗需要經(jīng)過漫長的測試周期，大多數(shù)農(nóng)戶必須通過長期生產(chǎn)實踐后才能了解不同廠商生產(chǎn)出來的棚膜的性能，由此會增加農(nóng)民的生產(chǎn)和投資的成本[3]。本研究利用高光譜成像技術(shù)[4]來反映EVA材料內(nèi)部有機分子交聯(lián)特性，并利用化學(xué)計量學(xué)方法[5]來建立反映樣本內(nèi)部有機分子交聯(lián)特性的特征光譜曲線與拉伸強度保持率的關(guān)聯(lián)模型，進而實現(xiàn)對農(nóng)田大棚EVA薄膜拉伸強度快速、無損估計。

1 材料與方法

1.1 材料

試驗農(nóng)田大棚EVA棚膜分別由山東濰坊、江蘇蘇州和廣州順德某有限公司提供。樣本搭建在鹽城大豐某試驗農(nóng)田中，1年后取回實驗室進行相關(guān)測試分析，其中每類測試樣本各50個，共150個樣本，其中每類樣本各隨機選取40個作為建模集，剩余10個樣本作為測試集。樣本先用高光譜儀進行掃描來獲取反映樣本內(nèi)部有機分子交聯(lián)特性的特征光譜曲線，后再進行拉伸強度測試試驗。

1.2 儀器

試驗用高光譜成像系統(tǒng)組件主要包括：N17E-QE成像光譜儀（Spectral Imaging Ltd. Oulu，F(xiàn)inland）、C-mount 成像鏡頭OLES22（Specim，Spectral Imaging Ltd.，Oulu，F(xiàn)inland）、Fiber-Lite DC950線光源（Dolan JennerIndustries Inc.，USA），IRCP0076型電控移位平臺（Isuzu Optics Corp，中國臺灣），設(shè)備均放在密閉的暗室中，物鏡垂直高度設(shè)定為293 mm，相機曝光時間設(shè)定為2 550 μs，平臺運動速度設(shè)定為33 mm/s。近紅外高光譜圖像分辨率大小為320×256像素點，光譜分辨率為5 nm（圖1）。

拉伸強度試驗按GB 13022-91《塑料薄膜拉伸性能試驗方法》進行測試，將原始棚膜用沖刀制作出拉伸試驗用的方形樣本，拉伸強度分析儀采用H25K-S強力機（SDL Atlas Ltd. South Carolina， USA）。

2 理論與算法

2.1 數(shù)據(jù)預(yù)處理

通常采集到的高光譜數(shù)據(jù)中會摻雜一定的噪聲信號，為了減低噪聲信號對有效特征光譜信息的干擾影響，本研究采用Savitzky-Golay（SG）、Standard Normal Variate（SNV）和Multiplicative Scatter Correction（MSC）算法來消除光譜特征曲線受到隨機噪聲、表面散射光、雜散光等的影響[6]。

2.2 偏最小二乘回歸算法

偏最小二乘回歸（Partial least squares regression，PLSR）[7]是一種多元線性回歸模型，通常被用來描述獨立變量Y與預(yù)測變量組X之間的關(guān)系：

X=TEin×mPEip×m+EEin×pY=UEin×mQEiq×m+FEin×q （1）

式中，TEin×m和UEin×m分別為矩陣X和Y前m個隱含因子投影空間，PEip×m和QEiq×m分別為相應(yīng)的投影系數(shù)矩陣，EEin×p和FEin×q分別為相應(yīng)的殘差矩陣。矩陣X和Y之間通過回歸系數(shù)B和截距矩陣B0進行聯(lián)系：

Y=XB+B0 （2）

2.3 支持向量機回歸

支持向量機（SVM）回歸是通過非線性變換將輸入空間變換到一個高維Hibert空間中，然后在此空間做線性回歸，SVM回歸法假定給定N個點集的訓(xùn)練數(shù)據(jù)集∧：

∧={（xi，yi）|xi∈ip}■■

式中，yi對應(yīng)于自變量xi的預(yù)測值。SVM回歸法利用核函數(shù)將？漬自變量x投影到高維特征空間中法建立線性擬合方程fi（x）=？棕Ti ？漬（x）+bi，方程可以通過解如下的優(yōu)化問題來實現(xiàn)：

minimize：？贅（？棕，？灼ij）=■‖wi‖2+？姿∑？灼ij

subject to：1-？灼ij≤■（？棕Ti？漬（x）+bi），0≤？灼ij （3）

式中，？棕表示與模型復(fù)雜度相關(guān)的因素，？姿是可調(diào)參數(shù)，？灼ij為松弛變量[8]。

2.4 模型評價

用均方根誤差RMSE和相關(guān)系數(shù)的平方r2作為模型評價標準[9]：

RMSE=■ （4）

r2=1-■（yi-■i）2/■（yi-■i）2×100% （5）

式中，n表示樣本個數(shù)，yi表示真實值，■i表示預(yù)測值，■i表示樣本真實值的平均值。建模集和預(yù)報集均方根誤差分別用RMSEC和RMSEP表示，相關(guān)系數(shù)的平方百分值分別用r2C和r2P表示。

3 試驗與分析

3.1 棚膜特征光譜提取

高光譜圖像中的光譜數(shù)據(jù)與圖像數(shù)據(jù)之間有著對應(yīng)的關(guān)系，據(jù)此在EVA棚膜樣本圖像上選取120×120像素點的感興趣區(qū)域，以感興趣區(qū)域中所有像素點上的光譜平均反射率值作為該樣本的特征光譜曲線。采用ENVI4.6軟件（Exelis Visual Information Solutions，USA）對采集到的EVA高分子棚膜材料高光譜圖像進行處理。對每幅采集到的高光譜圖像進行校正，圖像校正公式如下：

？贅=（I0-Id）/（Iw-Id）（6）

式中，I0是使用高光譜儀掃描獲得的原始圖像強度值，Id是使用黑板矯正過的高光譜圖像強度值， Iw是使用白板矯正后的高光譜圖像強度值，？贅是矯正后的高光譜圖像強度值。

獲得的3種不同廠商生產(chǎn)的農(nóng)用棚膜在使用1年后波長為978.37～1 676.30 nm波段范圍內(nèi)的高光譜特征曲線如圖2所示。

3.2 棚膜拉伸強度

農(nóng)田大棚EVA棚膜在開始使用時，由于分子之間結(jié)構(gòu)緊密，氧分子比較難以滲透到棚膜內(nèi)部，3種不同廠商生產(chǎn)的農(nóng)田大棚EVA棚膜都表現(xiàn)出較好的拉伸強度保持率。但由于棚膜長期暴露在開放式的農(nóng)田環(huán)境中，受到太陽強光輻照、雨露、農(nóng)藥液體等的侵蝕，氧分子最終會滲透入到棚膜分子間，氧分子會迅速與棚膜分子的自由基結(jié)合生成過氧化自由基，迫使EVA分子鏈的斷鏈，從而發(fā)生降解反應(yīng)，降低了棚膜的拉伸強度。表1列出3種不同廠商生產(chǎn)的農(nóng)田大棚EVA棚膜在使用1年后的拉伸強度保持率統(tǒng)計數(shù)據(jù)。

3.3 光譜數(shù)據(jù)預(yù)處理

將獲得的3種不同廠商生產(chǎn)的棚膜高光譜數(shù)據(jù)使用SG、SNV和MSC方法進行預(yù)處理，利用PLSR模型來觀測預(yù)測處理前后拉伸強度保持率的預(yù)測效果，結(jié)果見表2。通過比較分析可得，采用MSC方法獲得最優(yōu)的預(yù)測效果，因此在后續(xù)試驗中均采用MSC方法對原始光譜數(shù)據(jù)進行預(yù)處理。

3.4 偏最小二乘法試驗結(jié)果

將由MSC預(yù)處理后的3種不同廠商生產(chǎn)的棚膜高光譜數(shù)據(jù)作為輸入變量，相應(yīng)的拉伸強度保持率屬性作為響應(yīng)變量，通過偏最小二乘法進行建模和預(yù)測。建模軟件使用The Unscrambler X 10軟件（CAMO Corporation，USA）。數(shù)據(jù)首先被進行中心化處理，建模時采用完全交叉驗證法來驗證確定建模隱含因子數(shù)[10，11]，當建模最大因子數(shù)取10時，累計解釋方差基本達到95%，說明前10個因子可以表達原始測量數(shù)據(jù)。

3.5 支持向量機試驗結(jié)果

本研究多SVM回歸模型采用高斯核函數(shù)kernel（x，■）=exp？琢‖x-■‖2將光譜波段范圍在978.37～1 676.30 nm的近紅外高光譜數(shù)據(jù)映射到高維核空間中，采用網(wǎng)格搜尋法來估計最佳的松弛變量？姿和核參數(shù)？琢，算法先使用大柵格進行搜索，并根據(jù)獲得的（？姿，？琢）值來訓(xùn)練模型，再縮小搜尋范圍，采用K-fold交叉驗證參數(shù)[8]。通過調(diào)整不敏感損失參數(shù)？灼的值對建模的數(shù)據(jù)進行訓(xùn)練，從中選取最優(yōu)的組合參數(shù)值，當固定核參數(shù)？姿=43.82，？琢=0.037和不敏感損失參數(shù)？灼=0.236時，高光譜數(shù)據(jù)與拉伸強度屬性耦合性能最好，試驗結(jié)果如表3所示。與PLSR模型相比，校正集和預(yù)報集r2分別提升了1.57%和1.24%，相應(yīng)的RMSE分別減少了0.087和0.031。結(jié)果表明，建立的非線性SVM回歸模型對棚膜拉伸強度的預(yù)測效果優(yōu)于線性PLSR模型，原因是特征光譜數(shù)據(jù)含有一定非線性成分，線性回歸模型在一定程度上無法充分考慮到非線性變量與預(yù)報屬性之間的耦合關(guān)系。

4 結(jié)論

利用高光譜成像技術(shù)獲取農(nóng)田大棚EVA棚膜高光譜圖像數(shù)據(jù)，通過光譜數(shù)據(jù)預(yù)處理方法消除噪聲信號對有效特征光譜信息的干擾影響，利用偏最小二乘回歸法和SVM回歸法對農(nóng)田大棚EVA棚膜特征光譜信息和拉伸強度進行關(guān)聯(lián)。偏最小二乘法雖然可以消除一定程度的變量非線性特性的影響，但本研究中EVA棚膜反射高光譜數(shù)據(jù)具有較強的非線性特性，影響了線性回歸模型的預(yù)報精度。使用SVM回歸法改善了棚膜拉伸強度預(yù)報性能，其中，預(yù)報相關(guān)系數(shù)平方百分比達到86.63%，預(yù)報均方根誤差為1.049。因此，本研究提出的基于高光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法為快速、無損估計農(nóng)田大棚EVA棚膜拉伸強度提供了一種新方法。

參考文獻：

[1] KITTAS C，TCHAMITCHIAN M， KATSOULAS N， et al. Effect of two UV-absorbing greenhouse-covering films on growth and yield of an eggplant soilless crop[J]. Scientia Horticulturae，2006，110（1）：30-37.

[2] 王立如，房聰玲，徐紹清，等.反光膜應(yīng)用對大棚葡萄光合特性及果實品質(zhì)的影響[J].江蘇農(nóng)業(yè)學(xué)報，2014，30（4）：863-869.

[3] CHEN J L，KANG S Z，DU T S， et al. Quantitative response of greenhouse tomato yield and quality to water deficit at different growth stages[J]. Agricultural Water Management， 2013， 129： 152-162.

[4] YU K Q，ZHAO Y Z， LI X L， et al. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing[J]. Computers and Electronics in Agriculture， 2014， 103： 1-10.

[5] SYLVIE R D，S？魪BASTIEN P D， FABIEN C D， et al. Process Analytical Technology for the Food Industry[M]. New York：Springer New York， 2014.7-59.

[6] 褚小立，許育鵬，陸婉珍.用于近紅外光譜分析的化學(xué)計量學(xué)方法研究與應(yīng)用進展[J].分析化學(xué)，2008，36（5）：702-709.

[7] ZHANG Y， FEARN T. A linearization method for partial least squares regression prediction uncertainty[J]. Chemometrics & Intelligent Laboratory Systems， 2015，140（15）：133-140.

[8] FAN R， CHANG K， HSIEH C， et al. LIBLINEAR： A library for large linear classification[J]. Journal of Machine Learning Research， 2008， 9（12）： 1871-1874.

[9] LIN P， CHEN Y M， HE Y， et al. Study on nonlinear multivariate methods combined with the visible near-Infrared spectroscopy （Vis/NIRS） technique for detecting the protein content of cheese[J]. Food and Bioprocess Technology，2014，7（12）： 3359-3369.

[10] LI Y， WANG B F， LEE Y， et al. A comparison of accelerated degradation test by a UV pulse laser and fluorescence tubes for EVA films[A]. IEEE. Photovoltaic Specialist Conference，IEEE 40th[C]. 2014.2188-2190.

[11] SHAO J. Linear model selection by cross-validation[J]. Journal of the American Statistical Association， 2012， 422（88）：486-494.