引用本文
步正延, 李臻峰, 宋飞虎, 李斌, 李静. 基于太赫兹成像技术的大豆叶片水分含量测定[J]. 浙江农业学报, 2018,30(8): 1420-1426.
BU Zhengyan, LI Zhenfeng, SONG Feihu, LI Bin, LI Jing. Determination of moisture content in soybean leaves based on terahertz imaging[J]. ACTA AGRICULTURAE ZHEJIANGENSIS, 2018,30(8): 1420-1426.  
Doi: 10.3969/j.issn.1004-1524.2018.08.21
Permissions
Copyright©2018, 《浙江农业学报》编辑部
《浙江农业学报》编辑部 所有
基于太赫兹成像技术的大豆叶片水分含量测定
步正延1,2, 李臻峰2,*, 宋飞虎1,2, 李斌3, 李静2
1.江南大学 机械工程学院,江苏 无锡 214000
2.江苏省食品先进制造装备技术重点实验室,江苏 无锡 214122
3.国家农业信息化工程技术研究中心,北京 100097
*通信作者,李臻峰,E-mail: 308291713@qq.com

作者简介:步正延(1992—),男,江苏扬州人,硕士研究生,研究方向为食品无损检测与太赫兹检测技术。E-mail: 1978905164@qq.com

收稿日期: 2017-11-09
基金资助: 国家自然科学基金(51406068); 江苏省政策引导类计划(产学研合作)——前瞻性联合研究(BY2015019-16); 江苏省食品先进制造装备技术重点实验室开放基金(FM-201504)
摘要

为了实现叶片水分含量的快速、精准检测,提出一种基于太赫兹成像技术的大豆叶片水分含量测定方法。利用太赫兹光谱成像系统获取96份大豆叶片太赫兹图像,采用干燥法测量叶片含水率,通过主成分分析(PCA)提取出水分敏感特征波段0.557、1.098、1.163 THz,对这3个特征波段下的叶片图像采用自适应阈值分割法,将其分为叶脉图像与叶肉图像,分别求取各自的图像灰度特征,并分为叶片特征组(G1)、叶脉特征组(G2)和叶肉特征组(G3)。分别采用多元线性回归(MLR)、反向传播神经网络(BP-ANN)和最小二乘支持向量机(LS-SVM)算法,以上述3个特征组作为输入,构建出9种大豆叶片水分预测模型。对比分析各模型性能,发现基于G3的LS-SVM模型预测结果最好,校正集和预测集的决定系数和均方根误差分别为0.967 8、0.963 2,0.057 8、0.046 5。试验结果表明,利用太赫兹成像技术来检测叶片中的水分含量具有非常高的预测精度,为作物叶片水分含量测定提供了一种行之有效的检测手段。

关键词: 太赫兹; 叶片; 含水率; 主成分分析; 图像处理; 数据建模
中图分类号:O433.4 文献标志码:A 文章编号:1004-1524(2018)08-1420-07
Determination of moisture content in soybean leaves based on terahertz imaging
BU Zhengyan1,2, LI Zhenfeng2,*, SONG Feihu1,2, LI Bin3, LI Jing2
1. School of Mechanical Engineering, Jiangnan University, Wuxi 214000, China
2. Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology, Wuxi 214122, China
3. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China
Abstract

In order to obtain water information from plant leaves rapidly and accurately, a new method for determining moisture content in soybean leaves was developed on the basis of the terahertz spectral imaging system. The terahertz images of selected 96 soybean leaves with different moisture contents were captured by the terahertz time-domain spectroscopy system (THz-TDS), and the moisture contents of leaves were measured by the electronic scale. Principal component analysis (PCA) was conducted on the 0.2-1.6 THz terahertz images, and three effective bands 0.557, 1.098, 1.163 THz were determined. Adaptive threshold segmentation was adopted to divide the leaf image into the vein image and the mesophyll image. Then gray features of the gained images of leaf, vein and mesophyll were computed,which were classified into three groups: the group of leaf (G1), the group of vein (G2) and the group of mesophyll (G3). At the same time, algorithms of multiple linear regression (MLR), back propagation (BP) neural network (BP-ANN) and least squares support vector machine (LS-SVM) were used to establish 9 prediction models of moisture content in soybean leaves, and the 3 groups were used as input. It turned out that the LS-SVM model based on G3 had the best prediction results among all models, as the determination coefficient of the calibration set and the prediction set reached 0.967 8 and 0.963 2, respectively, and the root mean square errors were 0.057 8 and 0.046 5, respectively. The experiment results showed that the proposed method was accurate and offered an effective means to measure the moisture content of crop leaves.

Keyword: terahertz; leaves; moisture content; principal component analysis; image processing; data modeling

叶片作为作物自身最重要的生理器官之一, 其内部的水分信息既可以直接反映出整个作物的水分情况, 又可以间接了解到作物生理生化状况和生长发育过程[1, 2]。农学中传统的叶片水分测量方法主要有烘干法、化学法、电容法等, 但这些方法都具有破坏性, 且非连续, 又很浪费时间[3, 4]。如何快速、精准地获取作物叶片的水分信息是一个亟待解决的科研问题。

太赫兹(terahertz, THz)一般是指频率范围为0.1~10 THz(1 THz=1012 Hz)的一段电磁波, 位于微波和远红外之间, 是光子学向电子学的过渡区域, 在电磁波波谱中占有很特殊的位置[5, 6]。水分子在平衡位置附近处平动和转动的弛豫时间处于皮秒、亚皮秒量级, 在与太赫兹波相互作用时, 会进行选择性吸收[7, 8, 9]。因此, 在太赫兹波段研究水的特性谱, 对测量叶片水分含量、研究叶片内部组织特性等问题, 具有重要意义。

目前, 国内外已有许多学者基于太赫兹技术开展了叶片检测的探索研究[10, 11]。左剑等[12]利用太赫兹时域光谱技术分别对全绿和泛黄的叶片进行测量, 发现太赫兹光谱在叶片不同位置处的吸收率和折射率与叶片中的水分分布呈现出某种特殊的规律。Gente等[13]建立了一种基于太赫兹时域光谱技术的叶片含水量预测模型, 用这种方法测量得到的结果与叶片真实水分含量具有很好的一致性。不难看出, 用太赫兹技术来检测叶片含水量是可行的。然而, 已有的研究主要都是围绕着太赫兹光谱技术来展开叶片水分测量分析的, 目前尚缺少从太赫兹成像角度对叶片进行水分检测的研究。

本文基于太赫兹成像技术, 以大豆叶片作为研究对象, 采用主成分分析法挑选出水分敏感波段, 对特征频率下的图像进行特征参数提取和分析, 并结合不同算法建立水分预测模型, 对比分析各模型性能, 挑选出一种基于最优参数的叶片含水率预测模型, 为作物叶片水分含量检测提供新方法和新思路。

1 材料与方法
1.1 试验样本采集与称量

本试验所用大豆叶片样本均采摘于北京农林科学院小汤山试验基地温室, 大豆品种为中黄13。选取32盆长势良好的开花期大豆植株, 每一盆分别剪取上层、中层、下层各一片叶片, 总计96片叶片。在剪取过程中, 尽可能保证叶片大小、厚度相似、形状完好。剪取完后, 立即用密封袋将叶片封装, 装入保湿箱, 带回实验室。测试环境室温为22.5~24.5 ℃, 相对湿度为48%~52%, 测试过程在国家农业信息化工程技术研究中心太赫兹实验室完成。

试验前, 先对叶片进行干燥处理, 以得到不同含水量的叶片样本。叶片在干燥过程中, 若失水速度较快, 会发生蜷缩现象, 使得叶片表面不平整、出现褶皱, 导致叶片图像不易采集。为解决这一问题, 本试验采用自然干燥处理, 将叶片背面朝上置于室温环境下, 通过控制时间变量得到不同含水量的叶片。

将干燥后的叶片置于精度0.1 mg的电子天平(上海菁海仪器有限公司, 型号为FA2004N)上称量, 重复3次, 取平均值, 记为m1。叶片称量完成后, 以高聚乙烯板(high polyethylene sheet, HDPE)作为背景板, 将固定有叶片的背景板夹持在二维扫描平移台上, 等待系统扫描成像。

1.2 试验系统与太赫兹图像获取

试验所用的太赫兹光谱成像系统主要包括透射式太赫兹时域光谱系统(terahertz time-domain spectroscopy system, THz-TDS, 德国门罗系统公司, 型号为TERA K15)、二维扫描平移台(德国门罗系统公司, 型号为TERA Image)和PC机(日本富士通公司, 型号为USD-D3164)。其中, 透射式THz-TDS主要包含以下4部分:太赫兹源、太赫兹发射器、太赫兹探测器, 以及相关的光路系统。数据采集与保存均在LabVIEW软件中完成。

如图1所示, 由钛宝石飞秒激光器发射出飞秒激光, 经分束镜分为2束。一束为抽运光, 经过可变延迟线, 入射到光电导天线装置砷化镓(GaAs)晶体上, 产生THz波脉冲, 然后经过2组离轴抛物面镜, 最终将携带叶片样品信息的THz波聚焦到光电检测转置碲化锌(ZnTe)晶体探测器上。另一束为探测光, 经多次反射后, 由硅片将其反射到探测晶体上, 使THz波与探测光最终共聚于探测晶体之上。通过电光取样探测出太赫兹脉冲的整个时域波形信号, 经锁相放大器传至PC机中。

图1 透射式THz-TDS系统装置图Fig.1 Diagram of transmission-type THz-TDS system

采集一次数据完毕后, 再通过PC机控制二维平移台移动, 采用双程方式扫描整片叶片(100 pixel× 108 pixel), 记录数据。每片叶片的扫描时间约为20 min。试验中为消除高聚乙烯板作为背景板对测试结果的影响, 根据式(1)进行太赫兹光谱图像的校正。

R= RimgRbgb× 255。 (1)

式(1)中:Rimg为原始的太赫兹光谱图像, Rbgb为扫描标准高聚乙烯板得到的标定太赫兹光谱图像, R表示校正后的太赫兹光谱图像。

在测试过程中, 为避免空气中水分等极性分子对太赫兹波的强烈吸收, 将试验系统装置密封, 封, 充满氮气, 保证测试环境相对湿度小于4%、温度在22 ℃左右。

1.3 试验样本含水率的测定

数据采集完成后, 采用烘干法测定叶片含水率。将叶片放于干燥箱(广州格兰仕公司, 型号为KWS1525X-F2R)中, 设置烘干温度为100 ℃, 分别烘干1 h 和1.5 h后, 记录2次烘干后的质量。若2次称量值之差小于0.5 mg, 则认为叶片已烘干至恒重, 记录此时叶片质量(即烘干1.5 h后的干重)为叶片干重, 记为m2。根据式(2)计算叶片含水率(w)。

w= m1-m2m1× 100%。 (2)

1.4 主成分分析

主成分分析(principal component analysis, PCA)是一种数据降维思想, 它用少数的几个综合变量替代原来的大部分变量, 排除众多变量中互相重叠的信息, 以达到数据降维的目的。将叶片太赫兹图像看成是一个拥有多个层面、按一定顺序叠合而成的图像集, 采用PCA对其进行降维处理, 压缩图像信息, 从太赫兹原始波段中寻找出最能表征叶片水分信息的特征波段, 去除其他冗余波段, 简化分析模型。

1.5 回归建模

为了挑选最优建模参数, 本试验尝试对特征波段下的叶片图像进行分离, 将其分为叶脉图像与叶肉图像, 与叶片图像一道求取各图像的灰度均值。将各图像灰度均值参数作为输入、叶片含水率作为输出, 分别代入以下回归模型:多元线性回归(multiple linear regression, MLR), 反向传播神经网络(back propagation-artificial neural network, BP-ANN)和最小二乘支持向量机(least squares-support vector machine, LS-SVM), 对各模型进行对比分析, 最终选取最优模型。

图像处理、数据处理, 以及回归建模与分析均在Matlab 2014a中完成。

2 结果与分析
2.1 大豆叶片太赫兹光谱曲线分析

由于叶片内部不同部位组织结构、表面纹理、厚度等因素的差异, 太赫兹光谱在同一叶片不同部位所测量到的吸收系数与折射率差异较大[12]。试验选择图2所示的叶脉区域、叶肉区域和背景板区域这3个位置处5 pixel × 5 pixel的区域, 计算其平均光谱, 得到叶片的时域谱曲线和频域谱曲线(图3)。其中, 背景板区域的光谱信息代表参考信号, 叶片区域的光谱信息代表样品信号。从图3-A中可以看出, 样品信号的振幅强度要弱于参考信号, 且在相位上也有延迟, 而就样品信号自身而言, 叶脉信号相对于叶肉信号在幅值上表现出一定程度的衰减, 在时间上也略滞后。这说明太赫兹脉冲信号透射叶片样本时, 叶片对其存在吸收和散射现象, 且叶脉区域的吸收强度要明显高于叶肉区域。

图2 大豆叶片图像Fig.2 Image of soybean leaf

图3 太赫兹时域(A)、频域(B)光谱图Fig.3 THz time domain (A) and frequency domain (B) spectrogram

在频域谱中, 随着波段的变化, 样品在不同频率下对太赫兹波的吸收迥异, 即当频率发生变化时, 叶片太赫兹图像的成像对比度也发生变化, 从视觉角度来分析, 选用该种模式更利于后续的成像研究[14]。如图3-B所示, 在0.2~1.6 THz波段, 3条谱线的幅值情况基本与图3-A类似:参考信号> 叶肉> 叶脉。说明在这一波段范围内, 三者间具有非常好的成像对比度, 能较好地区分出叶脉与叶肉部分, 且样品区域与参考区域也具有较好的区分度, 而1.6 THz以后的波段信号强度较弱, 信噪比也较低, 成像对比度较差; 因此, 只截取0.2~1.6 THz, 共149个波段, 作为光谱有效波段作进一步研究。

2.2 太赫兹特征图像的选取

针对每个大豆叶片样本的太赫兹图像, 本试验选取了图2所示的太赫兹图像中的上、下、左、右4个10 pixel × 10 pixel的矩形感兴趣区域的光谱平均值作为样本原始光谱数据(96维× 149维)。采用高光谱图像分析中较为常见的分析方法— — PCA[2], 对太赫兹原始光谱数据进行降维处理, 根据方差贡献率来挑选出叶片样本的太赫兹特征波段, 用于后续试验处理。

经主成分分析, 得到如图4所示的96个样本的前3幅主成分图像PC1、PC2、PC3(累积贡献率大于99%)下各波段的平均权重系数, 可以看出, 虽然PC1包含的信息量最大, 但无明显的特征峰, 因此, 综合PC2和PC3, 挑选主成分载荷绝对值大于0.1的这些点所对应的频率作为水分敏感特征波段[15], 分别为0.557、1.098、1.163、1.411 THz。

图4 主成分载荷曲线Fig.4 Principal component load curve

图5为上述4个特征频率下的大豆叶片太赫兹图像。前3个频率下的太赫兹图像均具有较好的成像效果, 图中脉络分布清晰, 且能够较为直观地看出叶片中水分分布的情况, 而图5-D中的叶片图像与前三者相比, 成像效果较差, 不仅整副图像灰度偏低, 较难区分出叶脉和叶肉区域, 而且图像中还出现了较多噪声点, 严重降低了图像的质量。因此, 本试验剔除了1.411 THz, 最终选用0.557、1.098、1.163 THz这3个频率作为叶片水分的敏感特征波段。

图5 特征频率下的大豆叶片太赫兹图像
A, 0.557 THz; B, 1.098 THz; C, 1.163 THz; D, 1.411 THz.Fig.5 THz images of soybean leaf at characteristic frequencies

2.3 特征图像处理

以0.557 THz频率下的太赫兹图像为例, 进行处理与分析。在图像采集过程中, 由于系统自身等问题, 会产生条纹偏差, 使得图像质量下降, 因此在对图像进行处理前, 须先作预处理。本试验采用非局部均值滤波法对图像进行滤波处理, 图6-A所示为经过滤波后的叶片图像。采用二维最大信息炯算法对其进行二值化加形态学腐蚀和灰度反转处理, 得到如图6-B所示的叶片二值图像。将二者进行逐像点相乘运算处理, 得到如图6-C所示的叶片目标图像。为了将图中的叶脉与叶肉区域分离, 对图6-C作自适应阈值分割及图像灰度反转处理, 得到叶脉二值图像(图6-D)。再将图6-B与图6-D做逐像点相减运算处理, 得到叶肉二值图像(图6-E)。最后, 分别对图6-D和图6-E做与图6-C的逐像点相乘运算处理, 得到叶脉目标图像(图6-F)和叶肉目标图像(图6-G)。

图6 叶片太赫兹图像处理过程
A~G分别为滤波后图像、叶片二值图像、叶片目标图像、叶脉二值图像、叶肉二值图像、叶脉目标图像和叶肉目标图像。Fig.6 Series maps of leaf THz image processing
A-G were filtered image, leaf binary image, leaf target image, vein binary image, mesophyll binary image, vein target image and mesophyll target image, respectively.

2.4 特征参数提取

当太赫兹脉冲信号透射叶脉与叶肉时, 由于叶脉与叶肉自身含水量的差异, 两者在幅值上存在着较为明显的区别(图3)。因此, 本试验考虑对叶片图像中的叶脉区域与叶肉区域进行分离, 分别就0.557、1.098、1.163 THz这3个特征波段下的叶片目标图像、叶脉目标图像, 叶肉目标图像, 求取出各自的图像灰度均值, 分别记为l1、l2、l3, v1、v2、v3, m1、m2、m3(l代表叶片, v代表叶脉, m代表叶肉, 下标中的1、2、3分别指代0.557、1.098、1.163 THz特征频率)。将上述求取的9个灰度均值特征参数分成3组:叶片特征模型组(l1、l2、l3), 记为G1; 叶脉特征模型组(v1、v2、v3), 记为G2; 叶肉特征模型组(m1、m2、m3), 记为G3。对各组分别进行建模分析, 寻找叶片最佳水分预测模型。

2.5 回归模型建立与结果分析

将96份大豆叶片样本, 根据含水率差异, 分成5组:0~20%、20%~40%、40%~60%、60%~80%、80%~100%。校正集由每个梯度类别中随机选取3/4的样本组成, 共计72个, 预测集则由每个类别中剩下的1/4样本组成, 共计24个。将G1、G2和G3中的各特征参数作为回归模型的自变量、叶片含水率预测值作为因变量, 分别建立基于MLR、BP-ANN、LS-SVM的水分预测模型。具体模型处理与分析如下。

采用Matlab软件中的regress函数, 对原始数据进行处理分析, 得到G1、G2和G3的MLR回归方程:

y1=110.2948-0.1332l1-0.0486l2-0.2114l3; (3)

y2=95.9628-0.1138v1-0.0237v2-0.2919v3; (4)

y3=114.3278-0.1575m1-0.0206m2-0.2117m3. (5)

式(3)~(5)中y1、y2、y3分别为G1、G2、G3所对应的叶片含水率预测值。

采用Matlab软件中的BP神经网络分类器, 构建3层BP神经网络, 设置如下:网络输入层结点数为3, 隐含层结点数为4, 输出层节点数为1, 训练步长为0.01, 动量因子为0.90, 目标误差为0.001, 训练次数为5 000, 隐含层的传递函数为sigmoid型函数。BP-ANN模型中3组变量的实际训练次数分别达到3 232、3 765和3 523时, 便已达到指定目标误差, 完成收敛。

采用Matlab软件LS-SVM工具箱中的tunelssvm、trainlssvm和simlssvm等函数, 依次进行参数寻优、正则化定参、学习训练, 以及模型预测, 试验中, LS-SVM模型采用默认的RBF核函数, 当3组输入变量的gamma和sig2参数分别设置为8.236 5、2.013 8, 8.985 6、12.432 1, 35.028 8、6.509 8时, 校正集模型决定系数(R2)最高, 分别为0.955 6、0.857 6和0.967 8。

表1所示为上述9种预测模型性能的比较。从图像特征模型组别来看, G3预测模型效果普遍较好, G1次之, G2效果较差, 即基于叶肉特征模型组的水分预测效果要明显优于叶片组与叶脉脉组。这是因为当叶片处于失水状态下, 叶肉组织相比叶脉组织水分流失较快, 导致在太赫兹图像中叶脉部分的灰度要明显低于叶肉部分, 且随着时间的变化, 这种灰度的差异性也在发生变化。直接采用叶片图像建模的话, 会造成图像中灰度变化的不一致性, 将叶脉与叶肉两者分开建模就避免了这种差异性。此外, 由于叶片中80%~90%的区域均是叶肉部分, 叶脉只占很少的一部分, 因此叶肉图像相比于叶脉图像更能表征整片叶片的信息。综合这两方面, 基于G3的预测模型可以较好地预测叶片含水率。

表1 不同模型的叶片含水率建模结果比较 Table 1 Comparison of modeling results of leaf moisture content based on different models

分析G3模型组下3种算法的预测效果(表1), LS-SVM模型的预测集的R2值最高, 达到了0.963 2, 对应的均方根误差(root mean square error, RMSE)值最低, 为0.046 5, 且该模型校正集的结果与预测集大体一致。由此可知, LS-SVM模型基本符合模型评判中R2高、RMSE低的特点, 预测效果较好。相较于前者, 另外2组模型的预测结果不仅R2值有所下降, 且RMSE值也略有提高, 模型预测效果一般。究其原因, 可能是因为LS-SVM算法通过最小二乘回归方法, 消除了自变量间多重线性关系的影响, 简化了模型结构, 尤其是在小样本回归分析中, LS-SVM不仅具有良好的泛化能力, 同时也避免了ANN中的局部最优问题。因此, 本试验选用基于G3的LS-SVM模型作为最佳模型用于预测叶片中的含水率, 图7为该模型的校正与预测结果。

图7 基于G3的LS-SVM模型的校正与预测结果Fig.7 Calibrated and predicted results of LS-SVM model based on G3

3 结论与讨论

利用大豆叶片的太赫兹图像信息, 通过PCA提取出光谱特征波段, 处理特征波段图像, 求取图像特征并进行分组, 分别通过MLR、BP-ANN和LS-SVM这3种算法进行建模。对比分析各模型性能发现:1)叶肉特征模型组建模效果最好, 叶片特征模型组次之, 叶脉特征模型组效果最差:2)从模型决定系数和均方根误差来看, 基于G3的LS-SVM模型预测精度高且稳定性好, 明显优于其他模型:3)综合各模型的预测结果可以看出, 用太赫兹成像技术这一手段来检测叶片中的含水率是可行的, 且具有较好的预测效果。本研究同样适用于其他作物叶片水分含量的测定, 为作物叶片水分检测提供了一种新的思路。

The authors have declared that no competing interests exist.

参考文献
[1] 赵燕东, 高超, 张新, 等. 植物水分胁迫实时在线检测方法研究进展[J]. 农业机械学报, 2016, 47(7): 290-300.
ZHAO Y D, GAO C, ZHANG X, et al. Review of real-time detecting methods of water stress for plants[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7): 290-300. (in Chinese with English abstract) [本文引用:1]
[2] 陈香, 李民赞, 孙红, 等. 基于透射光谱的玉米叶片水分含量快速检测[J]. 农业工程学报, 2017, 33(增刊1): 137-142.
CHEN X, LI M Z, SUN H, et al. Rapid determination of moisture content in maize leaf based on transmission spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(Supp. 1): 137-142. (in Chinese with English abstract) [本文引用:2]
[3] 曹生奎, 冯起, 司建华, 等. 植物叶片水分利用效率研究综述[J]. 生态学报, 2009, 29(7): 3882-3892.
CAO S K, FENG Q, SI J H, et al. Summary on the plant water use efficiency at leaf level[J]. Acta Ecologica Sinica, 2009, 29(7): 3882-3892. (in Chinese with English abstract) [本文引用:1]
[4] 侯瑞, 吉海彦, 饶震红, 等. 基于近红外光谱的活体植物叶片水分检测仪器[J]. 农业工程学报, 2009, 25(增刊2): 92-96.
HOU R, JI H Y, RAO Z H, et al. Water detection instrument design for living leaves based on near infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(Supp. 2): 92-96. (in Chinese with English abstract) [本文引用:1]
[5] HU B B, NUSS M C. Imaging with terahertz waves[J]. Optics Letters, 1995, 20(16): 1716. [本文引用:1]
[6] CHAN W L, DEIBEL J, MITTLEMAN D M. Imaging with terahertz radiation[J]. Reports on Progress in Physics, 2007, 70(8): 1325-1379. [本文引用:1]
[7] 郭澜涛, 牧凯军, 邓朝, 等. 太赫兹波谱与成像技术[J]. 红外与激光工程, 2013, 42(1): 51-56.
GUO L T, MU K J, DENG C, et al. Terahertz spectroscopy and imaging[J]. Infrared and Laser Engineering, 2013, 42(1): 51-56. (in Chinese with English abstract) [本文引用:1]
[8] XIN X, ALTAN H, SAINT A, et al. Terahertz absorption spectrum of para and ortho water vapors at different humidities at room temperature[J]. Journal of Applied Physics, 2006, 100(9): 317. [本文引用:1]
[9] YANG Y, SHUTLER A, GRISCHKOWSKY D. Measurement of the transmission of the atmosphere from 0. 2 to 2 THz[J]. Optics Express, 2011, 19(9): 8830. [本文引用:1]
[10] HADJILOUCAS S, KARATZAS L S, BOWEN J W. Measurements of leaf water content using terahertz radiation[J]. IEEE Transactions on Microwave Theory & Techniques, 2002, 47(2): 142-149. [本文引用:1]
[11] JÖRDENS C, SCHELLER M, BREITENSTEIN B, et al. Evaluation of leaf water status by means of permittivity at terahertz frequencies[J]. Journal of Biological Physics, 2009, 35(3): 255-264. [本文引用:1]
[12] 左剑, 张振伟, 张亮亮, 等. 叶子中水含量的太赫兹光谱研究[C]. 中国光学学会2011年学术大会, 2011.
ZUO J, ZHANG Z W, ZHANG L L, et al. The terahertz research of the distribution of leaf water content[C]. 2011 Academic Conference of the Chinese Optical Society, 2011. [本文引用:2]
[13] GENTE R, BORN N, VOß N, et al. Determination of leaf water content from terahertz time-domain spectroscopic data[J]. Journal of Infrared Millimeter & Terahertz Waves, 2013, 34(3/4): 316-323. [本文引用:1]
[14] 葛进, 王仍, 张雷, 等. 不同频率的太赫兹时域光谱透射成像对比度研究[J]. 激光与红外, 2010, 40(4): 383-386.
GE J, WANG R, ZHANG L, et al. Study on the contrast of transmittance images in terahertz time domain spectroscopy at different frequencies[J]. Laser & Infrared, 2010, 40(4): 383-386. (in Chinese with English abstract) [本文引用:1]
[15] 邓琥, 尚丽平, 张泽林, 等. 不同行程下水蒸汽太赫兹传输特性[J]. 红外与激光工程, 2015, 44(3): 979-984.
DENG H, SHANG L P, ZHANG Z L, et al. Transmission characteristics of water vapor based on different transmission distance[J]. Infrared and Laser Engineering, 2015, 44(3): 979-984. (in Chinese with English abstract) [本文引用:1]