快速检测叶片叶绿素含量的装置、建模方法及检测方法
技术领域
本发明涉及农产品无损检测技术领域,尤其涉及一种快速检测叶片叶绿素含量的装置、建模方法及检测方法。
背景技术
小麦是主要的农作物,在大田以及实验区得到广泛种植,是我国的粮食基础之一。随着我国短缺经济的结束和加入WTO,我国农业产业尤其是农作物产量质量的提高日益受到重视。为了收获高产优质的小麦,快速准确地获得作物在生长过程中的营养状态信息是非常重要的。叶片叶绿素含量(chlorophyll content,Chl.C)是直接反应作物营养状态的重要指标,叶绿素含量过低表示植物缺氮。玉米是世界上分布最广泛的粮食作物之一,种植面积仅次于小麦和水稻。种植范围从北纬58°至南纬40°。
中国年产玉米占世界第二位。我国改革开放以来随着人民生活水平的提高,玉米工业的发展,玉米已成为粮食、饲料、工业原料和出口商品的多用途作物。玉米在许多地区被作为主要食物。除食用外,玉米也是工业酒精和烧酒的主要原料。植株的其它部分用途也相当广泛:玉米秆用于造纸和制墙板;***可作填充材料和草艺编织;玉米穗轴可作燃料,也用来制工业溶剂,茎叶除用作牲畜饲料外,还是沼气池很好的原料。玉米是高产作物,必须合理施肥才能满足玉米在整个生育期对养分的需要。为了收获高产优质的玉米,控制成本,快速准确地获得玉米在生长过程中的营养状态信息是非常重要的。叶绿素是植物叶片的主要光合色素,叶绿素含量是植物生理研究中的重要指标
对叶片叶绿素含量的检测,传统的检测方法大多基于分光光度计、化学分析等方法。这些方法虽然有效,但采样准备和检测时间长、效率低、操作繁琐、费时费力、且对试样具有破坏性,不能直接在生长期间进行实时测量,不适于实际生产中的操作,不利于推广应用,而亟待加以进一步改进。
最近的一些方法采用傅立叶变换红外光谱(Fourier TransformInfrared Spectroscopy,FTIR)检测叶片叶绿素含量,研究表明可以通过观察叶片在一些特定近红外波长的光吸收/反射差异辨识叶绿素含量,但是采用这些方法时必须将叶片先剪碎后经相关处理后才能进行,因此也无法实现叶片的非破坏性检测,而且距离田间及温室实时检测还有无法克服的障碍。
发明内容
图像光谱技术集成了传统的图像和光谱技术,可同时获得被测物体的空间和光谱信息。相比传统的多光谱方法不能同时兼顾共线性消除和信息充分获取的缺陷,而高光谱图像成像技术因其很高的光谱分辨率已成为农作物生化指标检测的强有力工具,如今,高光谱图像扫描成像***已广泛应用于遥感检测植物含水量、氮素含量等营养状况指标。
叶片叶绿素含量与植物氮素含量存在很强的相关性,而叶片氮素含量对应着相应的光吸收(反射)率。高光谱图像方法因其具有高的光谱分辨率,以及能同时表征空间光扩散信息的能力,因此采用该技术可以获得因作物叶片氮素变化带来的细微光学特征变化,以实现快速、非破坏性预测叶片叶绿素的目的。
因此,本发明旨在针对现有技术的不足,利用高光谱扫描成像这一新技术,以小麦、玉米这些重要作物为对象,通过获取作物叶片叶绿素含量的可见光和红外线光的反射特征参数,得到非接触式、快速、无非破坏性的叶片叶绿素含量的检测方法及装置。从而为提供实时快速评判作物营养状况的方法打下基础。
为达到上述目的,本发明提供一种快速、非破坏性检测叶片叶绿素含量的装置,包括CCD照相机、高光谱扫描仪、载物台、电控平移台、运动控制器、计算机及带有反馈控制器的光源供给***;所述CCD照相机与所述高光谱扫描仪连接,用于采集高光谱扫描仪扫描到的载物台上所载作物的光谱图像;所述计算机与所述CCD照相机连接,用于对所述光谱图像进行处理,以得到检测叶绿素含量的预测模型;所述运动控制器与所述电控平移台连接,所述载物台位于所述电控平移台上;所述运动控制器用于调整所述电控平移台的位置、平移速度和平移距离;所述光源供给***用于给载物台上所载作物提供光源。
所述光源供给***包括卤钨灯。
本发明还提供了一种利用上述装置对作物叶片叶绿素含量的预测模型进行建模的方法,该方法包括以下步骤:
S1,利用所述装置获取黑、白图像,叶片样本的光谱的线图像;
S2,利用步骤S1中得到的图像数据计算相对反射光谱数据,并将所述线图像转化为面图像;
S3,将同一叶片样本不同位置同样大小的感兴趣区域的所述相对反射光谱数据量化成对应于不同光波长的矩阵模块,然后对该矩阵模块进行校正,得到校正后的数据;所述矩阵模块包含反映叶片样本间的光学特性、组织成分差异的特征参数;
S4,对校正后的数据利用建模方法建立模型进行预测,并利用交叉验证法评价利用所述模型得出叶片样本的叶绿素含量的预测数据,以确定预测模型。
在所述步骤S4中建立预测模型的步骤具体为:将叶片样本分为校正组和验证组,首先基于校正组用建模方法求出各波长特征参数与叶绿素含量间的相关性及预估误差,然后基于验证组用交叉验证法求出用于预测叶绿素含量的最佳波长和波长数,利用最佳波长和波长数确定叶绿素含量的预测模型。
所述在所述步骤S3与步骤S4之间还包括步骤S31:基于所述面图像的数据采用分光光度计法检测叶片样本的叶绿素含量,得到标准参考数据;相应地,在所述步骤S5之后还包括将所述标准参考数据对所述预测数据进行相关性比较的步骤。
步骤S2中将所述线图像转化为面图像时计算相对反射密度的公式为:R=(Rs-Rd)/(Rr-Rd),其中,R为相对反射密度,Rs为所述线图像的反射密度,Rr为所述标准白板的反射密度,Rd为所述黑图像的反射密度;
其中,按照3∶1的比例将叶片样本分为校正组和验证组。
所述校正的方法为使用多元散射校正结合二阶导数来校正或者或使用常态标准离差校正;所述建模方法为多元线性回归法、偏最小二乘法或最小二乘支持向量机。
本发明还提供了一种利用上述建模方法获得的预测模型对作物叶片叶绿素含量进行检测的方法。
与现有技术相比,本发明的技术方案具有如下优点:本发明通过分析被测植物叶片样本的高光谱扫描图像特征,将高光谱扫描图像特征与叶片叶绿素含量有机地结合起来,借助于叶片高光谱图像的光学特征参数(包括光扩散和吸收参数)间接反映叶片的叶绿素含量,可以达到快速、无污染检测目的;通过非接触无损伤方式实现叶片叶绿素含量检测,准确度高;利用计算机快速、准确地测出植物叶片化学特性,能解决传统人工检测方法中测试时间长、人为因素影响精度等问题,且节约成本,且检测装置结构简单,具有良好的经济效益。
附图说明
图1是本发明实施例的装置结构图;
图2是利用本发明实施例的检测方法得到的小麦叶片样本的光谱的线图像;
图3是利用本发明实施例的检测方法得到的小麦叶片样本的光谱的面图像;
图4是利用本发明实施例的检测方法得到的小麦叶片叶绿素面图像的光谱反射率曲线;
图5是利用本发明实施例的检测方法得到的小麦叶片叶绿素含量预测数据与标准参考数据的比较关系曲线;
图6是利用本发明实施例的检测方法检测玉米叶片叶绿素含量得到的各个波长处叶片的原始光谱图像;
图7是利用本发明实施例的检测方法得到的玉米叶片叶绿素的原始光谱图像的光谱反射率曲线;
图8是利用本发明实施例的检测方法得到的玉米叶片样本校正组的标准值与预测值的对比曲线图;
图9是利用本发明实施例的检测方法检测玉米叶片叶绿素含量得到的预测数据与标准参考数据对比的结果。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
如图1所示,依据本发明实施例的装置包括:CCD照相机1、高光谱扫描仪2,带有反馈控制器5的光源供给***6、载物台8、电控平移台7、运动控制器3及计算机4,所述CCD照相机1分别与所述计算机4、高光谱扫描仪2连接,所述计算机4与所述运动控制器3连接,所述运动控制器3与所述电控平移台7连接,所述载物台8位于所述电控平移台7上。所述光源供给***6可以包括卤钨灯9。所述CCD照相机与所述高光谱扫描仪连接,用于采集高光谱扫描仪扫描到的载物台上所载作物的光谱图像;所述计算机与所述CCD照相机连接,用于对所述光谱图像进行处理,以得到检测叶绿素含量的预测模型;所述运动控制器与所述电控平移台连接,所述载物台位于所述电控平移台上;所述运动控制器用于调整所述电控平移台的位置、平移速度和平移距离;所述光源供给***用于给载物台上所载作物提供光源。
实施例2
本发明的实施例还提供了一种利用上述装置对作物叶片叶绿素含量的预测模型进行建模的方法,该方法包括以下步骤:
S1,利用所述装置获取黑、白图像,叶片样本的光谱的线图像;
S2,利用步骤S1中得到的图像数据计算相对反射光谱数据,并将所述线图像转化为面图像;
S3,将同一叶片样本不同位置同样大小的感兴趣区域的所述相对反射光谱数据量化成对应于不同光波长的矩阵模块,然后对该矩阵模块进行校正,得到校正后的数据;所述矩阵模块包含反映叶片样本间的光学特性、组织成分差异的特征参数;
S4,对校正后的数据利用建模方法建立模型进行预测,并利用交叉验证法评价利用所述模型得出叶片样本的叶绿素含量的预测数据,以确定预测模型。
在所述步骤S4中建立预测模型的步骤具体为:将叶片样本分为校正组和验证组,首先基于校正组用建模方法求出各波长特征参数与叶绿素含量间的相关性及预估误差,然后基于验证组用交叉验证法求出用于预测叶绿素含量的最佳波长和波长数,利用最佳波长和波长数确定叶绿素含量的预测模型。
所述在所述步骤S3与步骤S4之间还包括步骤S31:基于所述面图像的数据采用分光光度计法检测叶片样本的叶绿素含量,得到标准参考数据;相应地,在所述步骤S5之后还包括将所述标准参考数据对所述预测数据进行相关性比较的步骤。
步骤S2中将所述线图像转化为面图像时计算相对反射密度的公式为:R=(Rs-Rd)/(Rr-Rd),其中,R为相对反射密度,Rs为所述线图像的反射密度,Rr为所述标准白板的反射密度,Rd为所述黑图像的反射密度;
其中,按照3∶1的比例将叶片样本分为校正组和验证组。所述校正的方法为使用多元散射校正结合二阶导数来校正或者或使用常态标准离差校正;所述建模方法为多元线性回归法、偏最小二乘法或最小二乘支持向量机。
实施例3
本发明的实施例还提供了一种利用上述建模方法获得的预测模型对小麦叶片叶绿素含量进行检测的方法,该方法包括以下步骤:
S1,试验开始前,需要选取合适的小麦叶片样本,从每个小麦植株上取小麦叶片,若为分蘖、拔节期,则取主茎最后一张完全展开叶,若为抽穗期则取植株冠层平整剑叶,无须清洗,将叶片样本平放于背景板上,固定后放置于载物台上;然后将整个的上述装置安置在一个封闭的光屏蔽舱(即暗箱)内,以防外部光干扰,光源入射角大于45度;将待测叶片样本置于暗箱内的CCD照相机和高光谱图像扫描仪下方合适的位置,设定CCD照相机的曝光时间为0.049s;用运动控制器调整电控平移台的位置、平移速度和平移距离,使高光谱图像扫描仪扫描到完整的叶片样本图像;然后调整光源供给***、载物台以及高光谱图像扫描仪,使叶片样本上形成足够的光照强度的区域;分别采用盖住镜头和采集标准白板的图像获取黑、白图像;
S2,同时启动高光谱图像扫描仪和电控平移台,所获取的叶片样本的漫反射光经高光谱图像扫描仪通过CCD照相机形成光谱的线图像(如图2所示);
S3,CCD照相机的相机控制器将步骤S1和S2中获取的图像数据传输给计算机,计算机根据采集的图像数据以及图像处理程序(例如用VC++和ENVI编写的程序),按公式(1)计算相对反射光谱数据,将线图像转化成面图像(图3):
R=(Rs-Rd)/(Rr-Rd) (1)
其中R为相对反射密度,Rs为所述线图像的反射密度,Rr为标准白板的反射密度,Rd为黑图像的反射密度。上述图像数据均以8位二进制格式文件存放。
S31,获取所有样本的面图像的数据后马上送至叶绿素含量检测实验室,依据国标采用的标准的分光光度计法进行叶片叶绿素含量的检测,以此作为标准参考数据。
S4,为减小噪声的影响,取同一叶片不同位置同样大小的感兴趣区域,用图像处理技术将感兴趣区域图像数据量化成对应于不同光波长的矩阵模块,得到叶绿素面图像的光谱反射率曲线(如图4所示),每一个矩阵模块包含反映叶片样本间光学特性、组织成分差异的特征参数。为克服叶片厚度和表面的不平度差异,首先对包括样本相对反射数据的矩阵模块采用MSC(Multiplicative Scatter Correctio,多元散射校正)法结合二阶导数校正。在此基础上,分别获取1-阶和2-阶微分光谱。
S5,针对光谱维和空间维的大数据量问题,在综合比较PLS(Partial Least-squares,偏最小二乘)法、多元线性回归(StepwiseMultiple Linear Regression,SMLR)法两种建模方法的基础上,确定SMLR方法为叶片叶绿素含量预测的最佳建模方法。针对不同光波长的数据矩阵模块,用多元线性回归法求出各波长特征参数与叶片叶绿素含量间的相关性及预估误差。
关于建模过程,首先使用随机选取的3/4的校正组样本建立校正模型,然后再用独立的1/4的验证组样本进行预测,用验证组样本来验证所建立的预测模型,通过相关性和误差分析,确定最佳的预测模型用于描述叶片叶绿素含量与叶片高光谱图像特征的关系。基于校正组用多元线性回归法求出各波长特征参数与叶绿素含量间的相关性及预估误差;基于验证组用交叉验证法求出用于预测叶片叶绿素含量的最佳波长和波长数,利用求出的最佳波长可近一步确定叶片叶绿素含量的预测模型,采用2-阶微分光谱作为原始数据,代入利用多元线性回归方法建立的预测模型,然后得到预测数据。然后可以该预测数据与叶绿素含量的标准参考数据对比来预测植物的营养状况。其中,采用多元线性回归方法获得能够表征小麦叶片叶绿素含量变化的四个最佳波长为:530nm,582nm,660nm,699nm。
在上述方法实施例中,针对以往光谱维和空间维的大数据量问题,在综合比较PLSR法、和SMLR方法两种建模方法的基础上,最终选取SMLR方法建立模型。建立模型即寻找“最优”回归方程,从对因变量有影响的诸多变量中选择一些变量作为自变量,以排除对影响不显著的自变量,应用多元回归分析的方法建立“最优”回归方程以便对因变量进行预报或控制。SMLR法正是根据这种原则提出来的一种回归分析方法。它的主要思路是在考虑的全部自变量中按其对的作用大小,显著程度大小或者贡献大小,由大到小地逐个引入回归方程,而对那些对作用不显著的变量可能始终不被引入回归方程。另外,已被引入回归方程的变量在引入新变量后也可能失去重要性,而需要从回归方程中剔除出去。引入一个变量或者从回归方程中剔除一个变量都称为逐步回归的一步,每一步都要进行F检验,以保证在引入新变量前回归方程中只含有对影响显著的变量,而不显著的变量已被剔除。
利用上述方法实施例对小麦的叶片叶绿素进行建模预测的结果表明,多元线性回归方法同时兼顾了训练精度和泛化能力两方面的性能,使其都能做到最优。获得的能够表征叶片叶绿素含量变化的四个最佳波长为:530nm,582nm,660nm,699nm。如图5所示,利用多元线性回归方法所建立的预测模型预测的结果数据与标准的分光光度计法所检测的叶绿素含量的校正和预测的相关系数分别为0.91和0.89,校正和预测的标准均方根误差分别为0.69和0.71,建模性能优于偏最小二乘回归方法。结果表明,高光谱成像技术结合多元线性回归预测建模方法可作为快速、非破坏性预测小麦叶片叶绿素的有效手段。
实施例4
本发明的实施例还提供了利用上述建模方法获得的预测模型对玉米叶片叶绿素含量进行检测的方法,结合附图6~9可更好地理解以下步骤:
除了样本选取的步骤不同,前期步骤与对小麦叶片进行检测的方法中步骤S1~S31相同。对玉米叶片进行检测时进行样本选取的步骤如下:试验开始前,需要选取合适植物叶片样本,从每个玉米植株上取玉米叶片,取主茎最后一张完全展开叶,无须清洗、叶绿素含提取等准备工作,将玉米叶片主叶脉除去,取一半玉米叶片,将叶片样本平放于背景板上,固定后放置于载物台上。然后执行如下步骤:
为减小噪声的影响,取同一叶片不同位置同样大小的感兴趣区域,用图像处理技术将感兴趣区域图像数据量化成对应于不同光波长的数据矩阵,每一个矩阵模块包含叶片样本间光学特性、组织成分差异的特征参数。为消除样本数据数量级差异,对包括样本相对反射数据的数据矩阵采用SNV(Standard normal variate,常态标准离差)校正。
在综合比较PLS(Partial Least-squares,偏最小二乘)、最小二乘支持向量机两种建模方法的基础上,确定PLS方法为叶片叶绿素含量预测的最佳建模方法。针对不同光波长的数据矩阵模块,用交叉验证方法确定最佳主成分数,用PLS求出主成分对应的系数矩阵,求出各波谱数据与叶片叶绿素含量间的相关性及预估误差。
最后可以采用验证组的数据代入上述模型能够预测数据。将所述标准参考数据对所述预测数据进行相关性比较,评价模型。将预测数据与标准参考数据对比的结果如图9所示,校正相关系数Rc=0.91,预测相关系数Rv=0.86。可见,本发明提出的玉米叶片叶绿素含量的非破坏性快速检测方法可以作为预测玉米叶片叶绿素含量的有效手段。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。