Hyperspectral Visualization of Citrus Leaf Moisture Content Based on CARS-CNN

Copy Citation Text

show less

Fig. 1. Spectra of leaves with different moisture content

Fig. 2. Spectra after different pretreatments
(a): Raw spectra; (b): Pretreated by SNV; (c): Pretreated by MSC; (d): Pretreated by SG

Fig. 3. CARS feature bands selection

Fig. 4. CNN model structure diagram

Fig. 5. Regression curves of different models
(a): Raw spectra+CARS+CNN; (b): Raw spectra+CARS+PLSR; (c): SNV+PCA+RF; (d): SNV+PCA+SVR

Fig. 6. Distribution maps of different moisture contents

样本量	最小值	最大值	平均值	方差
500	19.59	83.05	62.22	0.93

Table 1. Distribution statistics of water content in citrus leaves(%)

网络层	模型参数
输入层	全波段为256×1, CARS筛选后为29×1, PCA提取后为10×1
卷积层C1	卷积核大小为1×3×16, 步长为1
最大池化层S1	最大池化, 步长为1, 经过特征选择大小设置为1×1, 全波段大小设置为1×2
卷积层C2	卷积核大小为1×3×32, 步长为1
最大池化层S2	最大池化, 步长为1, 经过特征选择大小设置为1×1, 全波段大小设置为1×2
卷积层C3	卷积核大小为1×3×64, 步长为1
最大池化层S3	最大池化, 步长为1, 经过特征选择大小设置为1×1, 全波段大小设置为1×2
全连接层F5	32个神经元
输出层	1个神经元, 输出柑橘叶片含水量预测值

Table 2. CNN model parameter setting

模型	选择特征波段	数据预处理	训练集		测试集
模型	选择特征波段	数据预处理	$R_{c}^{2}$	RMSE	$R_{p}^{2}$	RMSE
CNN	全波段	原始数据	0.934 3	0.024 9	0.915 9	0.028 6
		SNV	0.998 6	0.003 5	0.876 1	0.034 0
		MSC	0.964 8	0.017 5	0.866 2	0.037 7
		SG	0.245 3	0.084 3	0.202 5	0.085 8
	PCA	原始数据	0.997 8	0.004 3	0.699 1	0.055 7
		SNV	0.997 5	0.004 3	0.696 9	0.063 0
		MSC	0.999 4	0.002 3	0.726 3	0.044 3
		SG	0.999 7	0.001 4	0.169 6	0.104 7
	CARS	原始数据	0.967 9	0.016 3	0.947 0	0.021 4
		SNV	0.998 1	0.004 2	0.891 5	0.032 3
		MSC	0.985 5	0.011 3	0.895 4	0.032 5
		SG	0.238 3	0.088 1	0.172 1	0.077 7

Table 3. Forecast results of different models

Table 4. Comparison of prediction results of different models

Download Citation