郭鴻儒 馬燕 蒲克俊

摘要：本文利用多通道光譜模塊AS7263，收集與草坪相關(guān)地物的漫反射光譜數(shù)據(jù)，經(jīng)歸一化處理，通過對訓(xùn)練數(shù)據(jù)進(jìn)行主成分分析和聚類分析，將數(shù)據(jù)分為4類，利用KNN算法對測試數(shù)據(jù)的進(jìn)行識別與分類。其中對植物、土壤、紅地磚和混凝土類的數(shù)據(jù)識別正確率分別為95.12%、87.05%、76.92%和90.67%。結(jié)果表明，多通道漫反射光譜結(jié)合KNN算法， 對于植物和地物的識別區(qū)分是可行的。

關(guān)鍵詞：多通道光譜，漫反射，K值近鄰算法（KNN），識別

作者簡介：郭鴻儒 （1981.3），男，甘肅蘭州，研究生， 高級工程師， 從事理化技術(shù)等方面研究。

資助項目：蘭州市人才創(chuàng)新創(chuàng)業(yè)項目“基于UWB定位系統(tǒng)的草坪智能割草機(jī)器人” （2018-RC-38）、甘肅省高等學(xué)校青年博士基金項目（2021QB-082）資助。

光譜技術(shù)以無損性、實(shí)時性等特點(diǎn)，成為一種廣泛使用的的分析技術(shù)手段。利用地面的反射光譜特征來識別地面物體，已廣泛的應(yīng)用于遙感環(huán)境監(jiān)測等領(lǐng)域[1]。近年來，很多研究對農(nóng)作物，雜草、藥材等植物進(jìn)行識別區(qū)分，其中有些包含對環(huán)境物體的區(qū)分[2-6]。通過光譜數(shù)據(jù)結(jié)合模式識別和其它機(jī)器學(xué)習(xí)方法，可以提高地物的識別和分類的精度與效率[7]。但是，這些研究大多使用的是通用光譜分析儀器，如紅外分析儀器，高光譜儀等，不利于輕量化和微型化，難以進(jìn)行二次開發(fā)，應(yīng)用范圍受到了極大地限制。光譜儀的進(jìn)一步小型化和集成化已成趨勢，出現(xiàn)了芯片級的光譜儀，其結(jié)構(gòu)的簡單性、便攜性、可靠性和低成本，拓展了其應(yīng)用的范圍，使得光譜技術(shù)的廣泛應(yīng)用成為可能[7]。

本文利用便攜式可見光-紅外多通道光譜模塊AS7263，設(shè)計了一款便攜的光譜數(shù)據(jù)采集裝置。通過收集一定波長草坪相關(guān)地物的漫反射光譜數(shù)據(jù)，并分類建立草坪植物和環(huán)境地物的光譜反射模型，利用KNN算法進(jìn)行了識別和區(qū)分。

1 材料與方法

1.1 數(shù)據(jù)采集裝置

數(shù)據(jù)采集裝置由多通道光譜模塊AS7263、Arduino Nano單片機(jī)、藍(lán)牙模塊及鋰電池等，構(gòu)成一個便攜的光譜數(shù)據(jù)采集裝置，其結(jié)構(gòu)如圖1所示。艾邁斯半導(dǎo)體公司（ams）的AS7263多通道光譜傳感器，其將光干涉濾光片直接集成于CMOS硅芯片上，包含6個獨(dú)立的通道，其光譜響應(yīng)范圍約為610-860nm（分別是：610 nm、680nm、730nm、760nm、810 nm和860 nm），其半峰寬 （FWHM）為 20 nm，涵蓋部分可見光和近紅外（NIR）光譜，可用于可見光-近紅外光波長的光譜數(shù)據(jù)獲取。

數(shù)據(jù)采集裝置工作流程如下：AS7263傳感器采集光譜數(shù)據(jù)之后， Arduino Nano單片機(jī)通過 I2C 接口訪問傳感器相應(yīng)的寄存器獲取采集的數(shù)據(jù)，單片機(jī)收到數(shù)據(jù)后，再經(jīng)過 USART（串口）將數(shù)據(jù)發(fā)送給藍(lán)牙模塊，由藍(lán)牙將數(shù)據(jù)發(fā)送給Android 手機(jī)App存貯，并進(jìn)一步進(jìn)行數(shù)據(jù)整理和分析。

1.2數(shù)據(jù)采集

草坪及地物光譜數(shù)據(jù)收集地點(diǎn)位于甘肅中醫(yī)藥大學(xué)和平校區(qū)校園內(nèi)。采集時間為2020年8月7日，中午12至14時，天氣晴天。數(shù)據(jù)采集時，傳感器面向地面，高度距離被采集物體上部5-10cm，并水平隨機(jī)移動收集漫反射數(shù)據(jù)。

采集樣本：草坪草、三葉草、土壤（干和濕）、混凝土地面，石質(zhì)地磚、濕地磚、石塊路面和紅色地磚等9類。每種樣本采集100至150組數(shù)據(jù)。共采集到1400組數(shù)據(jù)。

1.3 KNN算法和數(shù)據(jù)處理

KNN（K-Nearest Neighbors）算法又稱K值近鄰算法，它是模式識別和機(jī)器學(xué)習(xí)中常用的算法之一[8]。就是給定一個訓(xùn)練數(shù)據(jù)集，對新的輸入實(shí)例，從訓(xùn)練集中找到和新數(shù)據(jù)最接近的k條記錄，然后根據(jù)它們的主要分類來決定新數(shù)據(jù)的類別。該算法涉及3個主要因素：訓(xùn)練集、距離計算和k值的大小。

數(shù)據(jù)處理如下：將采集到的數(shù)據(jù)分為訓(xùn)練集和測試集兩部分，從各類別數(shù)據(jù)中，隨機(jī)選出20組數(shù)據(jù)作為訓(xùn)練集，數(shù)據(jù)剔除異常數(shù)據(jù)后，經(jīng)過歸一化處理，作為KNN分類模型，測試集數(shù)據(jù)用來測試和驗(yàn)證方法。數(shù)據(jù)經(jīng)過KNN算法計算與各個訓(xùn)練數(shù)據(jù)點(diǎn)的歐氏距離，將測試數(shù)據(jù)歸入距離最短的訓(xùn)練集類別。

主成分（PCA）和聚類分析使用SPSS軟件（版本v18.0）進(jìn)行分析。

2 結(jié)果與分析

2.1多通道光譜數(shù)據(jù)

從圖2為收集到的植物及地物的多通道漫反射光譜圖，草坪和三葉草的漫反射曲線在610nm，680nm可見光波段反射比較少，在近紅外波段760nm、810 nm和860 nm反射率急劇上升，形成了植物特有的“紅邊”特征譜圖，這與其它地物在可見光和近紅外波段反射有比較明顯的差別。其它地物的漫反射曲線變化較為緩和，且曲線間波動差異較小。通過分析光譜曲線的差異將植物和其它地物的漫反射光譜區(qū)分開。

為了進(jìn)一步研究光譜間的相關(guān)性，用主成分（PCA）方法和聚類方法分析變量之間的關(guān)系，結(jié)果如圖3所示。PCA方法通過對數(shù)據(jù)多通道數(shù)據(jù)進(jìn)行降維，選取主要的兩個主成分（PC1，PC2）得到PCA載荷圖。主成分分析的9組數(shù)據(jù)均為模型數(shù)據(jù)的平均值。從圖3（左）中可以看出：濕土壤和干土壤為一類，分布在第一象限;紅地磚單獨(dú)分布在第三象限，為一類;混凝土地面、濕地磚、石地磚和石塊路面、分布在第二象限，為一類;草地和三葉草為一類，分布在第四象限。聚類分析選用的聚類計算方法為近鄰方法，聚類分析結(jié)果如圖3（右）所示，結(jié)果表明：草地、三葉草聚為一類;紅地磚單獨(dú)為一類;濕土壤、干土壤和石塊路面聚為一類，濕地磚、石地磚和混凝土地面，聚為一類。根據(jù)PCA和聚類分析結(jié)果，將訓(xùn)練數(shù)據(jù)歸為四類，植物類、土壤類、紅地磚類和混凝土類。

2.2 KNN算法的結(jié)果

以上述4類訓(xùn)練數(shù)據(jù)為KNN算法識別模型，對收集到的草地以及其它相關(guān)地物的漫反射測試數(shù)據(jù)進(jìn)行識別與分類，統(tǒng)計各類數(shù)據(jù)的識別正確率。算法中k值對識別率的影響較大，根據(jù)k值的選擇原則，避免過擬合的現(xiàn)象，盡量選擇k值較?。ㄒ话銥槠鏀?shù)）。通過優(yōu)化和綜合考慮，本文選用k值為3。

KNN識別率的結(jié)果如圖4所示，可以看出，對于植物類識別能力較高，識別率達(dá)到95.12%，對于土壤類的識別率為87.05%，對于紅色地磚的識別率只有76.92%，對于混凝土、石塊等和混合類的識別率為90.67%。從結(jié)果可以看出，通過KNN算法識別，對于植物類識別能力較高，可將植物類和其它類別進(jìn)行區(qū)分。對于其它3類，土壤類、紅地磚類和混凝土類的識別和區(qū)分能力相對較弱，存在相互識別錯誤的情況，區(qū)分能力較低。對于混凝土類中尤其是混凝土、石塊、地磚等地物，由于其組成成分多為混合物，還受地面塵土等環(huán)境因素的影響，造成表面漫反射光譜數(shù)據(jù)相互干擾，波動范圍較大，識別率較低。

3 討論

本文采集到的草坪地物數(shù)據(jù)中，植物的漫反射光譜數(shù)據(jù)與其它地物在可見光和近紅外波段有比較明顯的差別，其中包含了植物部分漫反射特征光譜。因此，通過識別該特征數(shù)據(jù)可以將植物和其它地物數(shù)據(jù)區(qū)分開。但是，對于地面其它類型的地物識別率較低，對土壤、混凝土、石塊地磚等識別率較低?？赡芘c環(huán)境物體其組成成分復(fù)雜、多為混合物，且分布不均勻、地面塵土等環(huán)境影響因素有關(guān)。此外，實(shí)驗(yàn)以太陽光作為光源，光譜會受采集地理位置、氣象條件等因素的影響。進(jìn)一步提高其它地物區(qū)分能力，需要更多的特征波長信息和進(jìn)一步的環(huán)境影響因素研究。

參考文獻(xiàn)

[1] 胡盈盈， 王瑞燕， 郭鵬濤，等. 基于近地光譜特征的玉米田間雜草識別研究[J]. 江蘇農(nóng)業(yè)科學(xué)， 2020， 048（008）：242-246.

[2] 許岳飛， 金晶煒， 孫小玲，等. 基于反射光譜技術(shù)評價草坪質(zhì)量模型的研究[J]. 草業(yè)學(xué)報， 2009， 18（004）：256-259.

[3]李穎. 基于SVM的地面成像光譜數(shù)據(jù)田間雜草識別研究[J]. 遙感信息， 2014， 29（001）：40-43，50.

[4]李嬋， 王俊杰， 鄔國鋒，等. 基于葉片光譜特征的農(nóng)業(yè)區(qū)域植物分類[J]. 深圳大學(xué)學(xué)報（理工版）， 2018（3）：307-315.

[5] 徐馳， 陳功， 楊紅麗，等. 不同草坪草冠層反射光譜特征的比較研究[J]. 草原與草坪， 2010（02）：62-65.

[6] 王勝， 常智慧， 韓烈保. 光譜反射在草坪草脅迫研究中的應(yīng)用及前景[J]. 中國農(nóng)學(xué)通報， 2012， 28（16）.

[7] 王偉平， 金里. 芯片級硅基光譜儀研究進(jìn)展[J]. 光譜學(xué)與光譜分析， 2020， v.40（02）：7-16.

[8] 何晨陽，周孟然， 閆鵬程. KNN結(jié)合PCA在激光誘導(dǎo)熒光光譜識別礦井突水中的應(yīng)用[J]. 光譜學(xué)與光譜分析，2016，36（7）：2234-2237.