基于高光谱响应的农田大棚EVA棚膜拉伸强度估计

林萍等

摘要：利用高光谱成像技术实现快速估计农田大棚EVA棚膜拉伸强度。采用高光谱仪获取EVA棚膜波段范围在978.37～1 676.30 nm之间的特征光谱曲线，利用拉伸强度分析仪获取样本拉伸强度保持率，利用化学计量学方法建立反映样本内部有机分子交联特性的特征光谱曲线与拉伸强度保持率之间的耦合模型，根据建立的化学计量学模型对未知的EVA棚膜拉伸强度进行估计，其中采用支持向量机（SVM）回归方法获得最优预报效果，预报相关系数平方（r2）的百分比达到86.63%，预报均方根误差（RMSE）为1.049。结果表明，利用高光谱技术结合化学计量学方法用于快速估计农田大棚棚膜拉伸强度是可行的。

关键词：EVA棚膜； 拉伸强度； 高光谱； 化学计量学方法

中图分类号：S24 文献标识码：A 文章编号：0439-8114（2015）18-4599-04

DOI：10.14088/j.cnki.issn0439-8114.2015.18.054

在寒冷、干燥的冬季，农田大棚棚膜可以改善农作物的生长环境，给农作物提供一个温度、湿度相对适宜的生长环境。优质的大棚棚膜还可以改善土壤的分子结构，激活土壤养分和天然肥料，促进农作物的生长发育，因此农田大棚棚膜在我国得到了广泛的推广应用[1]。目前，中国农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）这3种有机材料制成。农田废弃的PVC残膜往往会被燃烧掉，但是燃烧的过程中会伴有氯气生成，容易造成环境污染；若采用PE材料制作大棚棚膜，必须加入添加剂（如耐老化剂、无滴剂、保温剂等）来提高材料的耐候性及保温性，但废弃的PE残膜燃烧时也会造成环境污染；而EVA材料残膜可以回收再利用，其制成的大棚具良好的透光性、保温性及耐候性，而且有研究表明EVA大棚棚膜较之PVC、PE大棚棚膜对大棚蔬菜有较明显增产效果，并能提高辣椒、番茄等果实的品质。EVA材料制成的薄膜受到了广大农户的青睐，已在我国开始推广[2]。

中国生产EVA棚膜企业繁多，引进的原材料、生产设备和使用加工工艺都各不相同，因此造成EVA棚膜产品质量大不一样。提高EVA棚膜的使用寿命对于提高农业生产力、节约资源、降低环境污染等具有十分重要的意义。其中，EVA棚膜拉伸强度是决定其使用寿命的关键技术指标之一，传统的物理破坏拉伸强度试验需要经过漫长的测试周期，大多数农户必须通过长期生产实践后才能了解不同厂商生产出来的棚膜的性能，由此会增加农民的生产和投资的成本[3]。本研究利用高光谱成像技术[4]来反映EVA材料内部有机分子交联特性，并利用化学计量学方法[5]来建立反映样本内部有机分子交联特性的特征光谱曲线与拉伸强度保持率的关联模型，进而实现对农田大棚EVA薄膜拉伸强度快速、无损估计。

1 材料与方法

1.1 材料

试验农田大棚EVA棚膜分别由山东潍坊、江苏苏州和广州顺德某有限公司提供。样本搭建在盐城大丰某试验农田中，1年后取回实验室进行相关测试分析，其中每类测试样本各50个，共150个样本，其中每类样本各随机选取40个作为建模集，剩余10个样本作为测试集。样本先用高光谱仪进行扫描来获取反映样本内部有机分子交联特性的特征光谱曲线，后再进行拉伸强度测试试验。

1.2 仪器

试验用高光谱成像系统组件主要包括：N17E-QE成像光谱仪（Spectral Imaging Ltd. Oulu，Finland）、C-mount 成像镜头OLES22（Specim，Spectral Imaging Ltd.，Oulu，Finland）、Fiber-Lite DC950线光源（Dolan JennerIndustries Inc.，USA），IRCP0076型电控移位平台（Isuzu Optics Corp，中国台湾），设备均放在密闭的暗室中，物镜垂直高度设定为293 mm，相机曝光时间设定为2 550 μs，平台运动速度设定为33 mm/s。近红外高光谱图像分辨率大小为320×256像素点，光谱分辨率为5 nm（图1）。

拉伸强度试验按GB 13022-91《塑料薄膜拉伸性能试验方法》进行测试，将原始棚膜用冲刀制作出拉伸试验用的方形样本，拉伸强度分析仪采用H25K-S强力机（SDL Atlas Ltd. South Carolina， USA）。

2 理论与算法

2.1 数据预处理

通常采集到的高光谱数据中会掺杂一定的噪声信号，为了减低噪声信号对有效特征光谱信息的干扰影响，本研究采用Savitzky-Golay（SG）、Standard Normal Variate（SNV）和Multiplicative Scatter Correction（MSC）算法来消除光谱特征曲线受到随机噪声、表面散射光、杂散光等的影响[6]。

2.2 偏最小二乘回归算法

偏最小二乘回归（Partial least squares regression，PLSR）[7]是一种多元线性回归模型，通常被用来描述独立变量Y与预测变量组X之间的关系：

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

式中，TEin×m和UEin×m分别为矩阵X和Y前m个隐含因子投影空间，PEip×m和QEiq×m分别为相应的投影系数矩阵，EEin×p和FEin×q分别为相应的残差矩阵。矩阵X和Y之间通过回归系数B和截距矩阵B0进行联系：

Y=XB+B0 （2）

2.3 支持向量机回归

支持向量机（SVM）回归是通过非线性变换将输入空间变换到一个高维Hibert空间中，然后在此空间做线性回归，SVM回归法假定给定N个点集的训练数据集∧：

∧={（xi，yi）|xi∈ip}■■

式中，yi对应于自变量xi的预测值。SVM回归法利用核函数将？渍自变量x投影到高维特征空间中法建立线性拟合方程fi（x）=？棕Ti ？渍（x）+bi，方程可以通过解如下的优化问题来实现：

minimize：？赘（？棕，？灼ij）=■‖wi‖2+？姿∑？灼ij

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

式中，？棕表示与模型复杂度相关的因素，？姿是可调参数，？灼ij为松弛变量[8]。

2.4 模型评价

用均方根误差RMSE和相关系数的平方r2作为模型评价标准[9]：

RMSE=■ （4）

r2=1-■（yi-■i）2/■（yi-■i）2×100% （5）

式中，n表示样本个数，yi表示真实值，■i表示预测值，■i表示样本真实值的平均值。建模集和预报集均方根误差分别用RMSEC和RMSEP表示，相关系数的平方百分值分别用r2C和r2P表示。

3 试验与分析

3.1 棚膜特征光谱提取

高光谱图像中的光谱数据与图像数据之间有着对应的关系，据此在EVA棚膜样本图像上选取120×120像素点的感兴趣区域，以感兴趣区域中所有像素点上的光谱平均反射率值作为该样本的特征光谱曲线。采用ENVI4.6软件（Exelis Visual Information Solutions，USA）对采集到的EVA高分子棚膜材料高光谱图像进行处理。对每幅采集到的高光谱图像进行校正，图像校正公式如下：

？赘=（I0-Id）/（Iw-Id）（6）

式中，I0是使用高光谱仪扫描获得的原始图像强度值，Id是使用黑板矫正过的高光谱图像强度值， Iw是使用白板矫正后的高光谱图像强度值，？赘是矫正后的高光谱图像强度值。

获得的3种不同厂商生产的农用棚膜在使用1年后波长为978.37～1 676.30 nm波段范围内的高光谱特征曲线如图2所示。

3.2 棚膜拉伸强度

农田大棚EVA棚膜在开始使用时，由于分子之间结构紧密，氧分子比较难以渗透到棚膜内部，3种不同厂商生产的农田大棚EVA棚膜都表现出较好的拉伸强度保持率。但由于棚膜长期暴露在开放式的农田环境中，受到太阳强光辐照、雨露、农药液体等的侵蚀，氧分子最终会渗透入到棚膜分子间，氧分子会迅速与棚膜分子的自由基结合生成过氧化自由基，迫使EVA分子链的断链，从而发生降解反应，降低了棚膜的拉伸强度。表1列出3种不同厂商生产的农田大棚EVA棚膜在使用1年后的拉伸强度保持率统计数据。

3.3 光谱数据预处理

将获得的3种不同厂商生产的棚膜高光谱数据使用SG、SNV和MSC方法进行预处理，利用PLSR模型来观测预测处理前后拉伸强度保持率的预测效果，结果见表2。通过比较分析可得，采用MSC方法获得最优的预测效果，因此在后续试验中均采用MSC方法对原始光谱数据进行预处理。

3.4 偏最小二乘法试验结果

将由MSC预处理后的3种不同厂商生产的棚膜高光谱数据作为输入变量，相应的拉伸强度保持率属性作为响应变量，通过偏最小二乘法进行建模和预测。建模软件使用The Unscrambler X 10软件（CAMO Corporation，USA）。数据首先被进行中心化处理，建模时采用完全交叉验证法来验证确定建模隐含因子数[10，11]，当建模最大因子数取10时，累计解释方差基本达到95%，说明前10个因子可以表达原始测量数据。

3.5 支持向量机试验结果

本研究多SVM回归模型采用高斯核函数kernel（x，■）=exp？琢‖x-■‖2将光谱波段范围在978.37～1 676.30 nm的近红外高光谱数据映射到高维核空间中，采用网格搜寻法来估计最佳的松弛变量？姿和核参数？琢，算法先使用大栅格进行搜索，并根据获得的（？姿，？琢）值来训练模型，再缩小搜寻范围，采用K-fold交叉验证参数[8]。通过调整不敏感损失参数？灼的值对建模的数据进行训练，从中选取最优的组合参数值，当固定核参数？姿=43.82，？琢=0.037和不敏感损失参数？灼=0.236时，高光谱数据与拉伸强度属性耦合性能最好，试验结果如表3所示。与PLSR模型相比，校正集和预报集r2分别提升了1.57%和1.24%，相应的RMSE分别减少了0.087和0.031。结果表明，建立的非线性SVM回归模型对棚膜拉伸强度的预测效果优于线性PLSR模型，原因是特征光谱数据含有一定非线性成分，线性回归模型在一定程度上无法充分考虑到非线性变量与预报属性之间的耦合关系。

4 结论

利用高光谱成像技术获取农田大棚EVA棚膜高光谱图像数据，通过光谱数据预处理方法消除噪声信号对有效特征光谱信息的干扰影响，利用偏最小二乘回归法和SVM回归法对农田大棚EVA棚膜特征光谱信息和拉伸强度进行关联。偏最小二乘法虽然可以消除一定程度的变量非线性特性的影响，但本研究中EVA棚膜反射高光谱数据具有较强的非线性特性，影响了线性回归模型的预报精度。使用SVM回归法改善了棚膜拉伸强度预报性能，其中，预报相关系数平方百分比达到86.63%，预报均方根误差为1.049。因此，本研究提出的基于高光谱技术结合化学计量学方法为快速、无损估计农田大棚EVA棚膜拉伸强度提供了一种新方法。

参考文献：

[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，房聪玲，徐绍清，等.反光膜应用对大棚葡萄光合特性及果实品质的影响[J].江苏农业学报，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，许育鹏，陆婉珍.用于近红外光谱分析的化学计量学方法研究与应用进展[J].分析化学，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.