CN101915738B - 基于高光谱成像技术的茶树营养信息快速探测方法及装置 - Google Patents
基于高光谱成像技术的茶树营养信息快速探测方法及装置 Download PDFInfo
- Publication number
- CN101915738B CN101915738B CN 201010208851 CN201010208851A CN101915738B CN 101915738 B CN101915738 B CN 101915738B CN 201010208851 CN201010208851 CN 201010208851 CN 201010208851 A CN201010208851 A CN 201010208851A CN 101915738 B CN101915738 B CN 101915738B
- Authority
- CN
- China
- Prior art keywords
- light
- content
- data
- wheel disc
- visible light
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于高光谱成像技术的茶树生长中主要营养信息快速探测方法及装置。该方法是先实测样本叶片中N、P、K三种主要营养元素的含量,作为参考测量结果组成一个数据库;然后获取茶树叶片样本在不同可见光和近红外波段的高光谱图像数据,数据经图像采集卡传入计算机;对数据进行预处理,完成相应的特征提取,然后将这些特征变量与前述建立的数据库中测定的N、P、K含量相关联,建立叶片中N、P、K含量的预测模型;之后再将待测样本通过相应的数据采集和特征提取,再用已经建立好的模型来预测该叶片中N、P、K的含量。本发明具有检测速度快、操作简便方便、信息更全面的优点,检测结果的精确性和稳定性都有所提高。
Description
技术领域
本发明涉及一种基于高光谱成像技术的茶树生长中主要营养信息快速探测方法及装置。
技术背景
茶树是多年生植物,茶树生长需要大量的营养元素,茶树营养元素是其合成各种有机化合物的重要组成部分,参与茶树生长发育中的多种代谢过程,具有重要的生理作用。茶树营养元素的亏缺,直接影响茶树的生长发育,还会对茶叶的品质和产量产生不利影响。茶树是叶用植物,每年要进行多次鲜叶采摘,每次采摘后茶树都要消耗大量营养元素,如碳、氢、氧、氮、磷、钾、钙、镁、锰、硼、锌等,其中,除碳、氢、氧来自大自然的水分和空气以外,其它营养元素都来自土壤,从而要求土壤肥力具有高消耗、高补充特点。茶树在生长过程中很容易出现氮、磷、钾比例失调,土壤障碍和缺素症状。因此,在茶树生长过程中,有必要对其营养信息进行快速、精确的诊断,以便对茶园实现精准有效地施肥,提高茶园智能化管理水平。
长期以来,植物的营养信息诊断都是以实验室常规测试为主,包括形态诊断法、叶色卡片法、化学诊断法、肥料窗口施用诊断法和酶学诊断法等。这些传统的测试手段不仅会对作物产生破坏,影响作物生长,而且在取样、测定、数据分析等方面需要耗费大量的人力、物力,时效性差,不利于推广应用。近年来,一些新型的光学技术手段开始应用于农作物生长中营养信息的快速探测。这些技术具有检测速度快、可操作性强和结果重现性好等优点。植物营养元素的缺失与否,不仅与叶片的纹理、色泽和形状等外部特征直接相关,而且与叶片内部组织结构密切相关,计算机图像处理能很好地表征叶片的外部特征,近红外光谱能很好地反映叶片内部组织结构,目前在作物营养信息快速探测上,计算机图像处理和近红外光谱技术被认为是两种最有效的手段,但具体到农作物营养信息快速探测的应用上,它们都具有一定的局限性:光谱技术能很好地检测作物叶片内部特征信息,但是不能表达作物叶片的颜色、纹理及形状等外部特征;计算机图像处理虽然能表达作物叶片的外部特征,但没有对局部特征波段进行细化和增强,因此作物光谱信息的提练不明显;当前大都是基于单个的技术手段完成的,单个技术手段不足以准确、全面反映作物营养状况。
高光谱成像技术集光谱分析技术和图像分析于一身,可以对茶树鲜叶的内外特征进行可视化分析,与传统检测手段相比,该技术获得的信息量大,既含有反映茶树叶片外部特征的图像信息,又含有反映茶树叶片内部组织结构的光谱信息,同时考虑到叶片内外特征信息,这样提高了茶树营养信息快速探测的准确性。因此,本发明提供的基于滤波片式高光谱成像技术的茶树生长中营养信息无损探测方法及装置,可以实现茶树生长过程中营养信息快速探测。该发明为茶园科学精确施肥提供参考,对提高茶园智能化管理水平、增加茶叶产量和提高茶叶品质都有着直接意义。
发明内容
鉴于上述现有技术发展情况,本发明的目的就是要提供一种基于高光谱成像技术的茶树生长中氮、磷、钾主要营养信息快速探测方法及装置。通过滤波片式高光谱图像***装置采集茶树叶片的高光谱数据,该数据能同时反应叶片内在特征的光谱信息和茶叶外观特征的图像信息。原始数据经过标定后,提取能表征叶片内外特征的特征图像和光谱信息;再从特征图像中提取能反映鲜叶外部的颜色特征和纹理特征变量,利用主成分分析从光谱信息中提取主成分特征变量,并将这些特征变量相互融合;最后将这些特征向量与叶片中的N、P、K含量参考测量值(由常规方法测定)相关联,通过非线性的方法建立叶片中N、P、K三种营养元素的预测模型。待测样本通过相应的数据采集和特征提取,再用已经建立好的模型来预测该叶片中N、P、K的含量。以便实时、准确地探测茶树生长过程中的主要营养信息,为茶园精准施肥提供理论依据。
本发明的目的是通过以下方法实现的:
(1)建立预测模型:选取茶树叶片样本,利用原子吸收检测方法测量样本叶片中N、P、K三种主要营养元素的含量,组成一个数据库;获取这些样本在不同可见光和近红外波段的高光谱图像数据,数据经图像采集卡传入计算机;计算机对数据进行预处理,完成相应的图像信息和光谱信息特征变量的提取,然后将这些特征变量相互融合,并与前述建立的数据库中测定的N、P、K含量相关联,建立叶片中N、P、K含量的预测模型;
(2)进行样本测试:对于待测鲜叶样本,按照步骤(1)中相同的方式获取待测样本高光谱图像数据、数据预处理、图像信息和光谱信息特征变量的提取,然后将提取的特征变量代入上述建立的叶片中N、P、K含量的预测模型,得出N、P、K含量预测结果,完成对待测鲜叶样本的实时检测。
所述的高光谱图像数据的采集,将茶树叶片样本均匀地平铺在光源箱内的载物台上方,光源箱内两个30W的卤素灯提供稳定的光照条件,卤素灯发出的光均匀地照射在载物台上的茶树叶片上,光在叶片上进行漫反射,然后通过滤光片获取特定波长光进入CCD摄像头(可见光-近红外摄像头),摄像头将采集得到的图像数据通过采集卡传输到计算机。通过RS-232控制轮盘的旋转,分别让漫反射光通过6个不同中心波长滤光片进入CCD摄像头,得到6个不同波长下的图像,然后进行叠加,形成一个三维数据块。
所述的原始数据预处理和特征信息提取,在高光谱的数据预处理上,首先通过标准的白板对原始图像进行黑白校正;对三维数据块进行降维处理,从中提取图像信息和光谱信息;接着从图像信息中提取能描述茶叶叶片的外部特征的纹理、颜色和形状等特征变量;从光谱信息提取能放映茶树叶片内部特征的主成分特征变量。
所述的特征变量融合和预测模型建立,就是将提取得到光谱特征信息和图像特征信息进行融合构建联合特征变量,再将这些特征变量与原子吸收光谱方法测量的N、P、K含量参考测量值相关联,通过非线性方法构建茶树叶片中N、P、K含量预测模型。
实现上述方法的滤波片式高光谱成像***装置,包括可见光-近红外摄像头、卤素灯光源、光源箱、载物台、图像采集卡和计算机,还具有滤光片、自动旋转轮盘和RS-232;在光源箱的正上方安装一个可自动旋转的轮盘,在该轮盘上沿周向开有圆孔,圆孔中设有来自可见光和近红外波段的滤光片,可见光-近红外摄像头安装在自动轮盘上方,自动轮盘通过RS-232控制其旋转,轮盘每旋转一次,刚好使轮盘上的滤光片与摄像头的镜头完全对准;卤素灯光源和载物台设置在光源箱内;图像采集卡与可见光-近红外摄像头及计算机相连接,将可见光-近红外摄像头采集到的数据传入计算机;计算机用于存储数据,对数据进行预处理,完成相应的图像信息和光谱信息特征变量提取,然后将这些特征变量相互融合,并与数据库中测定的N、P、K含量参考测量值相关联,建立叶片中N、P、K含量预测模型;实测时根据提取的待测样本特征变量代入建立的叶片中N、P、K含量的预测模型,得出N、P、K含量预测结果。
附图1为滤波片式高光谱成像***装置示意图。为了避免外界杂散光的干扰,本发明设计了一个密闭的光源箱,在光源箱的正上方设计一个可自动旋转的轮盘,在该轮盘上开有6个直径为25cm的圆孔,有6个来自不同波段的滤光片陷入孔中。在轮盘上方安装一个可见光-近红外摄像头,自动轮盘通过RS-232控制其旋转,轮盘每旋转一次,刚好使轮盘上的滤光片与摄像头的镜头完全对准。
本发明的有益效果是:
基于滤波片式高光谱成像技术的茶树生长中主要营养信息快速探测方法通过采集茶树叶片样本的高光谱数据,提取能表征叶片内外特征的图像和光谱信息;再从特征图像中提取颜色、纹理和形状等特征变量,利用主成分分析从光谱信息中提取主成分特征变量,并将这些特征变量相互融合;最后结合原子吸收光谱测量的叶片中N、P、K含量的标准值,通过非线性多变量校正方法构建茶树叶片N、P、K含量预测模型。待测样本通过相应的数据采集和特征提取,再用已经建立好的模型来预测该样本的N、P、K含量。
本发明与常规原子吸收光谱分析方法相比,检测速度快、操作简便方便;与单一的近红外光谱或计算机视觉技术手段相比,得到的信息更全面,检测结果的精确性和稳定性都有所提高。本发明提供的基于滤波片式高光谱成像技术的茶树生长中营养信息快速探测方法及装置,可以实现茶树生长过程中营养信息快速探测。该发明为茶园科学精确施肥提供参考,对提高茶园智能化管理水平、增加茶叶产量和提高茶叶品质都有着直接意义。
附件说明
图1:本发明装置***示意图。
其中:1、可见光-近红外摄像头;2、滤光片;3、自动旋转轮盘;4、卤素灯光源;5、光源箱;6、茶树叶片;7、载物台;8、RS-232;9、图像采集卡;10、计算机
图2:本发明的方法流程图。
具体实施方法
本发明实例实现步骤参照图2,实例实现装置参阅图1。先选取一批茶树鲜叶样本(一般大于100个样本)用来进行模型校正,利用滤波片式高光谱成像装置(如图1)对鲜叶样本进行高光谱数据采集;数据采集完成以后,通过原子吸收光谱测定其内部N、P、K含量,作为该样本中N、P、K含量的标准值;再对原始高光谱数据降维,提取能反映叶片内外特征的图像信息和光谱信息;接着,从特征图像中提取颜色、纹理和形状等特征变量,从光谱信息中提取主成分特征变量;最后,将这些特征变量相互融合,结合茶树叶片中N、P、K含量的标准值,通过非线性多变量校正方法构建茶树叶片中N、P、K含量预测模型。
接下来就可以对未知叶片样本进行快速预测。将待测叶片样本均匀地平铺在光源箱5内的载物台7上进行原始数据采集;工作时,卤素灯光源4发出的光均匀地照射在叶片样本上,光在叶片上进行漫反射,然后通过滤光片获取特定波长光进入可见光-近红外摄像头1;通过RS-2328控制自动旋转轮盘3的旋转,自动旋转轮盘3每旋转一次,刚好使轮盘3上的滤光片2与摄像头1的镜头完全对准;每采集一个样本,轮盘3旋转6次,分别让光通过6个不同中心波长滤光片2进入摄像头1,得到6个不同波长下的图像,然后进行叠加形成一个三维的数据块;摄像头1将采集得到的图像数据通过采集卡9传输到计算机10。在计算机内完成高光谱图像原始数据的预处理、特征变量的提取和信息融合,将这些特征变量代入预先建立好的预测模型中就可以快速预测待测叶片中N、P、K的含量,并且在计算机界面上显示。至此该未知叶片的N、P、K含量测量结束。
Claims (5)
1.一种基于高光谱成像技术的茶树营养信息快速探测方法,其特征在于:
(1)建立预测模型:选取茶树叶片样本,先测量样本叶片中N、P、K三种主要营养元素的含量,作为参考测量结果组成一个数据库;通过基于滤波片式高光谱成像***获取茶树叶片样本在不同可见光和近红外波段的高光谱图像数据,所述的滤波片式高光谱成像***包括可见光-近红外摄像头、卤素灯光源、光源箱、载物台、图像采集卡和计算机,还具有滤光片、自动旋转轮盘和RS-232;在光源箱的正上方设有一个自动旋转轮盘,在该轮盘上沿周向开有圆孔,圆孔中设有不同可见光和近红外波段的滤光片,可见光-近红外摄像头安装在自动旋转轮盘上方,卤素灯光源和载物台设置在光源箱内;图像采集卡与可见光-近红外摄像头及计算机相连接,将可见光-近红外摄像头采集到的数据传入计算机;计算机对数据进行预处理,完成相应的特征提取之后,并将这些特征变量融合,然后将这些特征变量与前述建立的数据库中测定的N、P、K含量相关联,建立叶片中N、P、K含量的预测模型;
(2)进行样本测试:对于待测鲜叶样本,按照步骤(1)中相同的方式获取待测鲜叶样本高光谱图像数据、数据预处理、特征提取,并将这些特征变量融合,然后将提取的特征变量代入上述建立的N、P、K含量预测模型,得出N、P、K含量预测结果,完成对待测鲜叶样本的实时检测。
2.根据权利要求1所述的方法,其特征在于,所述的高光谱图像数据的采集的具体操作是:将茶树叶片样本均匀地平铺在光源箱内的载物台上方,光源箱内卤素灯提供稳定的光照条件,卤素灯发出的光均匀地照射在载物台上的茶树叶片样本上,光在叶片上进行漫反射,漫反射出来的光通过滤光片获取特定波长光进入可见光-近红外摄像头,摄像头将采集得到的图像数据通过采集卡传输到计算机;然后,通过轮盘的旋转,分别让漫反射光通过不同波长滤光片进入可见光-近红外摄像头,得到不同波长下的图像,然后进行叠加,形成一个三维数据块。
3.根据权利要求2所述的方法,其特征在于,所述的数据预处理、特征提取,是先通过标准的白板对原始图像进行黑白校正;对三维数据块进行降维处理,从中提取图像信息和光谱信息;接着从图像信息中提取能描述叶片的外部特征的纹理、颜色和形状特征变量;从光谱信息提取能反映叶片内部特征的主成分特征变量。
4.根据权利要求3所述的方法,其特征在于,所述的特征变量融合和预测模型建立,就是将提取得到光谱特征信息和图像特征信息进行融合构建联合特征变量,再将这些联合特征变量与测量的N、P、K含量值相关联,通过非线性多变量校正方法构建N、P、K含量预测模型。
5.一种实现茶树营养信息快速探测方法的滤波片式高光谱成像***,包括可见光-近红外摄像头、卤素灯光源、光源箱、载物台、图像采集卡和计算机,其特征在于:
还具有滤光片、自动旋转轮盘和RS-232;在光源箱的正上方设有一个自动旋转轮盘,在该轮盘上沿周向开有圆孔,圆孔中设有不同可见光和近红外波段的滤光片,可见光-近红外摄像头安装在自动旋转轮盘上方,自动旋转轮盘通过RS-232控制其旋转,轮盘每旋转一次,刚好使轮盘上的滤光片与摄像头的镜头完全对准;卤素灯光源和载物台设置在光源箱内;图像采集卡与可见光-近红外摄像头及计算机相连接,将可见光-近红外摄像头采集到的数据传入计算机;计算机用于存储数据,对数据进行预处理,完成相应的图像信息和光谱信息特征变量的提取,然后将这些特征变量相互融合,并与数据库中测定的N、P、K含量相关联,建立叶片中N、P、K含量的预测模型;实测时根据提取的待测样本特征变量代入建立的叶片中N、P、K含量的预测模型,得出N、P、K含量预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010208851 CN101915738B (zh) | 2010-06-23 | 2010-06-23 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010208851 CN101915738B (zh) | 2010-06-23 | 2010-06-23 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101915738A CN101915738A (zh) | 2010-12-15 |
CN101915738B true CN101915738B (zh) | 2013-06-12 |
Family
ID=43323299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010208851 Expired - Fee Related CN101915738B (zh) | 2010-06-23 | 2010-06-23 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101915738B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201700087756A1 (it) * | 2017-07-31 | 2019-01-31 | Univ Degli Studi Di Palermo | Dispositivo per il monitoraggio di superfici vegetali |
IT201900001891A1 (it) * | 2019-02-11 | 2020-08-11 | Univ Degli Studi Di Palermo | Metodo per il monitoraggio di superfici vegetali |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074012B (zh) * | 2011-01-22 | 2012-06-27 | 四川农业大学 | 结合图像和计算模型的茶叶嫩芽形态的三维重建方法 |
CN102183475A (zh) * | 2011-02-21 | 2011-09-14 | 中国农业大学 | 固态农产品实时检测*** |
CN102539359B (zh) * | 2011-12-30 | 2013-09-25 | 南京林业大学 | 基于静态高光谱成像***的肉品品质可视化检测装置 |
CN102788752B (zh) * | 2012-08-08 | 2015-02-04 | 江苏大学 | 基于光谱技术的农作物内部信息无损检测装置及方法 |
CN103411901B (zh) * | 2013-05-27 | 2016-03-30 | 山东大学 | 含氧血红蛋白与脱氧血红蛋白光谱含量分布定量检测装置及方法 |
CN103278460B (zh) * | 2013-05-30 | 2015-07-29 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
CN103389255A (zh) * | 2013-08-05 | 2013-11-13 | 浙江大学 | 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 |
CN105241821B (zh) * | 2015-08-07 | 2019-02-05 | 江苏大学 | 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 |
CN105115942B (zh) * | 2015-08-31 | 2017-12-22 | 浙江大学 | 一种毛竹中纤维素含量的检测***及方法 |
CN105092524B (zh) * | 2015-08-31 | 2018-04-10 | 浙江大学 | 一种水葫芦与稻秸混合连续厌氧发酵过程中发酵液的总固体含量的检测*** |
CN105243384A (zh) * | 2015-09-17 | 2016-01-13 | 上海大学 | 一种基于模式识别的文物与艺术品唯一性标识方法 |
CN105403520A (zh) * | 2016-02-04 | 2016-03-16 | 广东医学院 | 多类型高光谱成像集成装置及*** |
CN105675821B (zh) * | 2016-02-21 | 2018-11-02 | 南京农业大学 | 一种作物氮素营养无损诊断的图像评价指标的建立方法 |
CN109856055A (zh) * | 2016-11-15 | 2019-06-07 | 青岛农业大学 | 基于多光谱成像的肉糜掺杂快速检测设备 |
CN107576600B (zh) * | 2017-08-04 | 2021-01-15 | 江苏大学 | 一种抹茶粒度等级的快速检测方法 |
CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
CN109492701A (zh) * | 2018-11-21 | 2019-03-19 | 中国农业科学院茶叶研究所 | 一种工夫红茶萎凋适度性判别方法及*** |
CN109668857A (zh) * | 2019-01-25 | 2019-04-23 | 江苏大学 | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 |
CN110419437A (zh) * | 2019-08-23 | 2019-11-08 | 仲恺农业工程学院 | 水肥调配装置以及水肥调配方法 |
CN110631995B (zh) * | 2019-08-26 | 2021-09-10 | 江苏大学 | 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法 |
CN111161362B (zh) * | 2020-01-15 | 2024-02-09 | 苏州伙伴实验设备有限公司 | 一种茶树生长状态光谱影像鉴别方法 |
CN113008828A (zh) * | 2021-02-22 | 2021-06-22 | 电子科技大学 | 一种近红外便携式农作物组分含量测试装置及方法 |
CN113203689A (zh) * | 2021-04-13 | 2021-08-03 | 中国农业大学 | 土壤全氮含量检测方法、装置、电子设备和存储介质 |
CN113252584B (zh) * | 2021-04-22 | 2022-09-27 | 华南农业大学 | 基于5g传输的作物生长检测方法及*** |
CN113324928B (zh) * | 2021-05-11 | 2022-07-01 | 中国农业科学院农产品加工研究所 | 一种基于图谱数据智能化无损检测菜肴食品营养含量方法 |
CN113945561B (zh) * | 2021-10-15 | 2024-04-16 | 盐城工学院 | 一种图像检测装置及图像检测方法 |
CN114199790A (zh) * | 2021-12-13 | 2022-03-18 | 华南农业大学 | 一种光谱检测果茶树营养状况的检测方法及*** |
CN117269108B (zh) * | 2023-10-16 | 2024-02-27 | 河南省科学院 | 近红外光谱透射探测的便携式杜仲叶筛选装置及筛选方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001327249A (ja) * | 2000-05-19 | 2001-11-27 | Kagoshima Prefecture | 茶葉の評価方法及びその装置 |
JP5253066B2 (ja) * | 2008-09-24 | 2013-07-31 | キヤノン株式会社 | 位置姿勢計測装置及び方法 |
CN101382488B (zh) * | 2008-10-14 | 2010-09-29 | 江苏吟春碧芽茶叶研究所有限公司 | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 |
CN101419166A (zh) * | 2008-11-18 | 2009-04-29 | 江苏大学 | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 |
-
2010
- 2010-06-23 CN CN 201010208851 patent/CN101915738B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
JP特开2001-327249A 2001.11.27 |
刘木华等.苹果糖度的光谱图像无损检测技术研究.《光学学报》.2007,第27卷(第11期),2042-2046. * |
蔡健荣等.高光谱图像技术检测柑橘果锈.《光电工程》.2009,第36 卷(第6 期),26-30. * |
陈全胜等.利用高光谱图像技术评判茶叶的质量等级.《光学学报》.2008,第28卷(第4期),669-674. * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201700087756A1 (it) * | 2017-07-31 | 2019-01-31 | Univ Degli Studi Di Palermo | Dispositivo per il monitoraggio di superfici vegetali |
IT201900001891A1 (it) * | 2019-02-11 | 2020-08-11 | Univ Degli Studi Di Palermo | Metodo per il monitoraggio di superfici vegetali |
WO2020165671A1 (en) * | 2019-02-11 | 2020-08-20 | Università Degli Studi Di Palermo | Method for monitoring vegetation ground covers |
Also Published As
Publication number | Publication date |
---|---|
CN101915738A (zh) | 2010-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
CN101936882B (zh) | 一种作物氮素和水分无损检测方法及装置 | |
CN104931470B (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
CN103048266B (zh) | 一种设施番茄氮磷钾胁迫自动识别方法和装置 | |
CN103940748B (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
CN102564962B (zh) | 果树营养成分检测***及方法 | |
CN101692052B (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
Zheng et al. | Estimation of chlorophyll content in potato leaves based on spectral red edge position | |
CN102445421B (zh) | 一种用于快速诊断烤烟氮素叶色卡的制备方法 | |
CN101382488A (zh) | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 | |
CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
CN105738302B (zh) | 植株生长周期叶绿素含量高精度自动化测量装置及测定方法 | |
CN105954207A (zh) | 一种枣树冠层叶绿素b含量的检测方法 | |
CN102788796B (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
CN108732137A (zh) | 基于高光谱遥感数据估算植物物种多样性的模型及方法 | |
Qiong et al. | Field monitoring of wheat seedling stage with hyperspectral imaging | |
CN108007917B (zh) | 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 | |
Qian et al. | Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings | |
CN102338738A (zh) | 作物植株及叶片氮素含量现场快速检测方法及装置 | |
CN106404699A (zh) | 一种梨树叶片氮素含量的无损测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130612 Termination date: 20140623 |
|
EXPY | Termination of patent right or utility model |