摘要：针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络（CNN）多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型。首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解（SVD）和独立成分分析（ICA）提取特征光谱,再对特征光谱图像提取灰度共生矩阵（GLCM）和CNN纹理特征,最后建立粒子群优化（PSO）支持向量回归（SVR）、深度神经网络（DNNs）分布模型。结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2。对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0。试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据。

关键词：龙眼叶片 叶绿素 深度学习 高光谱图像 支持向量回归 

单位：华南农业大学南方农业机械与装备关键技术省部共建教育部重点实验室; 广州510642; 华南农业大学电子工程学院; 广州510642; 华南农业大学工程学院; 广州510642