CN103278460A - 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 - Google Patents
一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 Download PDFInfo
- Publication number
- CN103278460A CN103278460A CN2013102104072A CN201310210407A CN103278460A CN 103278460 A CN103278460 A CN 103278460A CN 2013102104072 A CN2013102104072 A CN 2013102104072A CN 201310210407 A CN201310210407 A CN 201310210407A CN 103278460 A CN103278460 A CN 103278460A
- Authority
- CN
- China
- Prior art keywords
- oranges
- insect pest
- spectrum image
- high spectrum
- tangerines
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,包括以下步骤:1)选取多片柑橘健康叶片样本与柑橘红蜘蛛叶片样本;2)采集柑橘叶片样本的高光谱图像;3)测定柑橘叶片样本的叶绿素和类胡萝卜素含量;4)对采集的高光谱图像进行预处理;5)对预处理后的高光谱图像进一步去噪;6)提取进一步去噪的高光谱图像的特征波段;7)利用提取的特征波段建立检测模型,通过逐步回归分析挑选出最佳波段组合,确定与叶绿素、类胡萝卜素含量之间的定量关系;8)采用所建立模型对柑橘叶片的叶绿素和类胡萝卜素含量进行检测,进而预测柑橘树红蜘蛛虫害胁迫情况。本发明通过建立模型预测柑橘树红蜘蛛虫害胁迫情况,具有非人工、无损害的特点。
Description
技术领域
本发明涉及柑橘红蜘蛛植物虫害的检测方法,尤其是一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,属于植物生化组分光谱无损检测领域。
背景技术
我国是柑橘的重要原产地之一,柑橘资源丰富,广泛种植于北纬20°~33°各省,优良品种繁多。柑橘红蜘蛛是柑橘上危害非常严重的害螨,主要分布在广东、浙江、福建等地区。受到红蜘蛛迫害的叶片,叶片物理特征和生理结构会有一定的变化。现阶段对柑橘红蜘蛛的检测主要依靠人工及简单工具完成,或者采用生物化学等活体破坏性方法进行检测。
但上述技术均具有检测成本高、花费时间长、检测精度低以及无法活体连续检测等缺点。因此,实现柑橘红蜘蛛虫害胁迫的自动检测,对柑橘产业有重要意义。
高光谱图像兼具可见光图像的空间特征,又具对象光谱特征,因此能够借用高光谱图像对红蜘蛛虫害胁迫作预测,为人们尽早发现病虫、及时治理提供新方法。目前,高光谱技术已被广泛应用于农业领域各个方面的研究中,虽然已有高光谱在植物叶绿素含量预测方面的研究,然而所建模型均具有一定的适用范围限制,并没有针对高光谱在柑橘红蜘蛛虫害胁迫预测方面的应用研究。
发明内容
本发明的目的,是为了解决上述现有技术的缺陷,提供了一种非人工、无损害的柑橘树红蜘蛛虫害胁迫情况测试分析方法。
本发明的目的可以通过采取如下技术方案达到:
一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于包括以下步骤:
S1:选取多片柑橘健康叶片样本与柑橘红蜘蛛叶片样本;
S2:采集S1所选取柑橘叶片样本的高光谱图像;
S3:测定S1所选取柑橘叶片样本的叶绿素和类胡萝卜素含量;
S4:对S2采集的高光谱图像进行预处理;
S5:对S4预处理后的高光谱图像进一步去噪;
S6:提取S5进一步去噪的高光谱图像的特征波段;
S7:利用S6提取的特征波段建立检测模型,通过逐步回归分析挑选出最佳波段组合,确定与叶绿素、类胡萝卜素含量之间的定量关系;
S8:采用S7所建立模型对柑橘叶片的叶绿素和类胡萝卜素含量进行检测,进而预测柑橘树红蜘蛛虫害胁迫情况。
作为一种优选方案,步骤S2所述柑橘叶片样本的高光谱图像通过高光谱图像采集***进行采集,所述***包括CCD数字照相机、光路构件、透镜、卤素灯支架、石英卤素钨灯、载物台、移动电机、电源、计算机及采光室;所述透镜设置在光路构件上,所述光路构件设置在CCD数字照相机上,所述卤素灯支架、石英卤素钨灯、载物台和移动电机位于采光室内,所述石英卤素钨灯通过螺钉悬挂在卤素灯支架上,所述CCD数字照相机的输出端与计算机相连,所述移动电机通过反馈控制器与计算机相连,所述电源位于采光室外并为CCD数字照相机、石英卤素钨灯和移动电机提供电源;所述***设置的曝光时间为30ms、采集速度为5.0375mm/s、扫面距离为120mm,在采集高光谱图像时,将柑橘叶片样本固定在载物台上,通过计算机驱动移动电机使柑橘叶片样本前移或后移,并接受石英卤素钨灯的均匀照射,由CCD数字照相机进行拍摄,利用计算机中的软件形成高光谱图像。
作为一种优选方案,步骤S3所述测定柑橘叶片样本的叶绿素和类胡萝卜素含量,如下:
先配置无水乙醇、丙酮和水的色素提取混合溶液,无水乙醇、丙酮、水的比例为4.5∶4.5∶1,通过混合溶液浸取柑橘叶片样本后,采用分光计法获取柑橘叶片样本的叶绿素和类胡萝卜素含量。
作为一种优选方案,步骤S4所述对高光谱图像进行预处理为利用全黑、全白校准图像对高光谱图像作黑白校正,校正公式如下:
R=(I-B)/(W-B)
其中,I为采集所得高光谱图像,B为全黑校准图像,W为全白校准图像,R为校正后的高光谱图像。
作为一种优选方案,步骤S5所述对预处理后的高光谱图像进一步去噪,如下:
利用最小噪声分离变换法对高光谱图像进行平滑增强,进而增强光谱数据信息,同时去除光谱内部冗余信息。
作为一种优选方案,所述利用最小噪声分离变换法进行光谱数据信息增强时,先对高光谱图像作最小噪声分离正变换,再取特征值最大的前10波段进行最小噪声分离反变换。
作为一种优选方案,步骤S6所述提取进一步去噪的高光谱图像的特征波段,如下:
对柑橘健康与柑橘红蜘蛛两种柑橘叶片样本的原始光谱曲线、原始光谱一阶微分曲线进行差异对比,并对原始光谱反射值、原始光谱任意波段比值与叶绿素、类胡萝卜素含量的相关性进行分析,提取相关性较高的若干波段以及若干波段区间的波段比值作为特征波段。
作为一种优选方案,步骤S7所述检测模型在建立时,先将步骤S6中所提取特征波段结合常用光谱植被指数采用单变量回归分析检验,筛选出与叶绿素和类胡萝卜素含量拟合度较高的若干波段和若干植被指数,经过逐步回归分析后,最终确定检测模型的最佳波段组合。
作为一种优选方案,所述检测模型的最佳波段组合为440nm/522nm以及667nm/647nm。
作为一种优选方案,所述检测模型函数具体如下:
叶绿素:y=2.5264*(R440/R522)+11.0243*(R667/R647)-8.2586;
类胡萝卜素:y=0.8746*(R440/R522)+4.8510*(R667/R647)-3.5167;
其中,R440/R522表示440nm波段反射值与522nm波段反射值的比值,R667/R647表示667nm波段反射值与647nm波段反射值的比值,y表示所得的对应色素含量。
本发明相对于现有技术具有如下的有益效果:
本发明通过充分比较原始光谱、原始光谱任意波段比值与叶片的色素含量(叶绿素和类胡萝卜素)相关性这些因素,深层地挖掘光谱数据的丰富信息,同时比较回归分析拟合度,剔除部分影响因子较小的自变量,建立定量分析的检测模型,提供了一种非人工、无损害的柑橘红蜘蛛虫害胁迫情况测试分析方法。
附图说明
图1是本发明测试分析方法的流程示意图。
图2是本发明高光谱图像采集的***结构示意图。
图3是利用本发明实施例的方法得到的柑橘柑橘叶片样本的色素含量。
图4是利用本发明实施例的方法得到的柑橘叶片部分样本经校正以及平滑增强后原始光谱曲线图。
图5是利用本发明实施例的方法得到的柑橘柑橘叶片样本原始光谱一阶微分平均值曲线图。
图6是利用本发明实施例的方法得到的柑橘柑橘叶片样本原始光谱数据与色素含量相关系数曲线图。
图7是利用本发明实施例的方法得到的柑橘健康柑橘叶片样本原始波段任意波段比值与叶绿素、类胡萝卜含量的相关系数分布图。
图8是利用本发明实施例的方法得到的柑橘健康柑橘叶片样本原始波段任意波段比值与的相关系数分布图。
图9是利用本发明实施例的方法得到的柑橘红蜘蛛柑橘叶片样本原始波段任意波段比值与叶绿素含量的相关系数分布图。
图10是利用本发明实施例的方法得到的柑橘红蜘蛛柑橘叶片样本原始波段任意波段比值与类胡萝卜素含量的相关系数分布图。
图11是利用本发明实施例的方法中对逐步回归分析所建叶绿素含量分析模型的残差分析图。
图12是利用本发明实施例的方法中对逐步回归分析所建叶绿素含量分析模型的拟合度分析图。
图13是利用本发明实施例的方法中对逐步回归分析所建胡萝卜含量分析模型的残差分析图。
图14是利用本发明实施例的方法中对逐步回归分析所建胡萝卜含量分析模型的拟合度分析图。
具体实施方式
实施例1:
如图1所示,本实施例的测试分析方法包括如下步骤:
1)柑橘叶片样本的选取
从果园固定的5棵红蜘蛛柑橘树上每棵树摘取染病叶片(柑橘红蜘蛛叶片)样本20片、健康叶片样本20片,每一棵树的叶片样本放在一个透明保鲜袋中密封,并在每个保鲜袋上标记对应实验树编号,实验前先小心对叶片样本表面作清洁处理,并在每一张叶片样本背面标记叶片样本类别和实验号码,以A代表健康叶片样本,B代表染病叶片样本,实验号码编号均从01至20。
2)高光谱图像的采集
如图2所示,高光谱图像采集***包括CCD数字照相机1、光路构件2、透镜3、卤素灯支架4、石英卤素钨灯5、柑橘叶片6、载物台7、移动电机8、电源9、计算机10以及采光室11。所述透镜3设置在光路构件2上,所述光路构件2设置在CCD数字照相机1上,所述CCD数字相机1覆盖波长范围为369~887nm,所述卤素灯支架4、石英卤素钨灯5、载物台7和移动电机8位于采光室11内,所述石英卤素钨灯5通过螺钉悬挂在卤素灯支架4上,所述CCD数字照相机1的输出端与计算机10相连,所述移动电机8通过反馈控制器与计算机10相连,反馈控制器接收到计算机10发出前移或后移控制信号后直接驱动移动电机8,所述电源9位于采光室外并为CCD数字照相机1、石英卤素钨灯4和移动电机9提供电源。
所述高光谱图像采集***的图像数据采集基于spectral SENS软件平台,在进行图像采集前,调整软件各个参数,以保证得到的图像清晰不失真,经过多次试验调整,最终设置的曝光时间为30ms、采集速度为5.0375mm/s、扫面距离为120mm;在进行图像采集时,为减少因反射角度不同而造成的光强度反射值差异,每次试验的叶片数为4片,将柑橘叶片样本6平放于载物台7中间正对透镜3位置,以橡皮筋轻压展平,通过计算机10驱动移动电机8使柑橘叶片样本6前移或后移,并接受石英卤素钨灯5的均匀照射,由CCD数字照相机1进行拍摄,然后在计算机10中形成高光谱图像。
3)柑橘叶片样本色素(叶绿素和类胡萝卜素)含量获取
先配置无水乙醇、丙酮和水的色素提取混合溶液,比例为无水乙醇∶丙酮∶纯净水=4.5∶4.5∶1。提取色素时,将叶片剪成宽为2mm细丝状,以提高色素提取的效率,并根据每lml的混合溶液浸取0.01g叶片质量,以去除叶片重量的影响;浸取时间为24小时,以叶片细丝完全变白作为混合溶液浸取充分标志。
采用分光计法获取叶片样本色素含量:将浸取充分的混合溶液以及作为对照的未经浸取的混合溶液分别倒入两支长方体状石英杯中,测量其波长663nm、645nm和440nm所对应的吸收值,叶片样本色素含量计算公式如下:
叶绿素a的浓度:Ca=12.7D663-2.69D645;
叶绿素b的浓度:Cb=22.9D645-4.68D663;
叶绿素的总浓度:Ct=Ca+Cb=20.2D645+8.02D663;
其中,Ca、Cb、Ct表示叶绿素a和b和总的浓度,单位为mg/L,D645和D663表示浸取溶液在波长为645nm和663nm时的吸光度。
提取液中类胡萝卜素的含量:Ck=4.7D440-0.27Ca+b;
其中,Ck表示类胡萝卜素的浓度,单位为mg/L,D440表示浸取溶液在波长为440nm时的吸光度。
通过上述各式计算得到的叶绿素、类胡萝卜素含量如图3所示。
4)高光谱图像预处理
将步骤2)采集的高光谱图像裁剪为行100像素宽,列200像素高图像以消减部分背景影响。
为了消除由于各波段光源强度分布不均匀、摄像头存在暗电流等而导致的光谱图像在光源分布较弱波段存在的噪声,须对光谱图像作黑白校正,校正公式如下:
R=(I-B)/(W-B)
其中,I为采集所得高光谱图像;B为全黑标定图像;W为全白标定图像;R为标定后的高光谱图像。
5)高光谱图像进一步去噪
步骤4)预处理后的高光谱图像,由于黑白校正只能对光源分布较弱波段存在噪声进行抑制,然而图像仍然存在着大量其他的光源噪声,对特征波段分析提取造成影响。因此需要进一步增强光谱主要信息,主要过程如下:
利用最小噪声分离(MNF)变换法对图像进行平滑增强:使用ENVI软件的MNF变换工具先对步骤4)中预处理后的图像作MNF正变换,提取其特征值较大前10个波段进行MNF反变换,有效增强光谱数据主要信息,同时去除光谱内部冗余信息,经进一步去噪后的原始光谱曲线如图4所示。
6)特征波段分析与提取
对健康与染病两种柑橘叶片样本的原始光谱曲线、原始光谱一阶微分曲线进行差异对比,并对原始光谱反射值、原始光谱任意波段比值与叶绿素、类胡萝卜素含量的相关性进行分析,提取相关性较高的若干波段以及若干区间波段的波段比值作为特征波段。
如图4所示,原始光谱曲线显示:染病叶片样本在波长450nm~522nm反射强度增长速度比健康叶片样本快,在波长522nm染病叶片样本与健康叶片样本反射值差异达到最大值;在波长647nm~667nm:染病叶片样本反射值下降,健康叶片样本反射值上升,可根据647nm/667nm波段反射值比值区别两种叶片样本,647nm/667nm对定量分析的检测模型建立的适用性还需要以下步骤进一步分析。
如图5所示,原始光谱一阶微分曲线显示:在470nm~522nm之间健康叶片样本均低于染病叶片样本光谱一阶微分数值,反映到原始光谱中,健康叶片样本反射值增长速度低于染病叶片样本反射值,原因是在492nm~577nm的黄色光敏感区域,而染病叶片样本叶黄素成分上升使得在该波段区间反射值较高。
由于染病叶片样本受到红蜘蛛的侵害致使叶绿素含量下降,而健康叶片样本的叶绿素含量较高,因此在660nm左右的波峰,健康叶片样本相对染病叶片样本出现了红边右移的现象。其中染病叶片样本在640nm左右出现波峰,而健康叶片样本曲线在波段667nm出现波峰。
如图6所示,为原始光谱数据与色素含量相关性图。在波长440nm处,两种叶片与光谱反射值均达到显著相关水平。而在波长670nm后相关系数维持在一个较大值。由于可见光波长绿光:455nm~492nm、黄光:492nm~577nm,进一步说明了柑橘红蜘蛛对叶片迫害主要体现在对叶绿素和类胡萝卜素的含量变化。
如图7-图10所示,为原始光谱任意波段比值与色素含量(叶绿素和类胡萝卜素)相关性分布图(横坐标为波段值作为分子,纵坐标波段值作为分母,黑色区域表示相关性达到极显著水平)。在波长469nm~569nm与418nm~478nm、638nm~648nm与398~468nm、638nm~648nm与668nm~868nm共三组区间,以上每组区间内任意波段比值,均与色素含量有良好相关性。
基于以上分析,确定与样本色素含量相关性较高的若干波段(440nm、522nm、647nm和667nm)以及三组波段区间(469nm~569nm与418nm~478nm、638nm~648nm与398nm~468nm、638nm~648nm与668nm~868nm)任意波段比值,将这些波段和波段比值作为特征波段。
7)建立检测模型
先将步骤S6中所提取特征波段,结合表1中的常用光谱植被指数,采用单变量回归分析检验,显著性概率α为0.01极显著水平,筛选出与叶绿素和类胡萝卜素含量拟合度较高的若干波段和若干植被指数,引入这些指数、波段以及波段组合,结果如表2所示。
植被指数 | 定义 |
SIPI | (R800-R445)/(R800+R445) |
PSSRa | R800/R680 |
PSSRb | R800/R635 |
PSSRc | R800/R470 |
PSNDa | (R800-R680)/(R800+R680) |
PSNDb | (R800-R635)/(R800+R635) |
PSNDc | (R800-R470)/(R800+R470) |
GNDVI | (R750-R550)/(R750+R550) |
Rgave | 绿峰552~560nm反射率的平均值 |
SDb | 蓝边(492nm~530nm)内一阶微分总和 |
SDg | 绿边(505nm~553nm)内一阶微分总和 |
SDy | 黄边(555nm~571nm)内一阶微分总和 |
SDr | 红边(680nm~760nm)内一阶微分总和 |
INDVI | (R830-R675)/(R830+R675) |
IPRI | (R531-R570)/(R531+R570) |
Dr | 红边范围内一阶微分最大值 |
Rep | 红边内一阶微分最大值的波长 |
表1常用光谱植被指数
表2单变量回归分析结果
对上表2通过逐步回归分析,剔除对模型贡献度较低波段,确定当波段组合为440nm/522nm、667nm/647nm时,叶绿素和类胡萝卜素拟合效果最佳,拟合的检测模型函数为:
叶绿素:y=2.5264*(R440/R522)+11.0243*(R667/R647)-8.2586;
类胡萝卜素:y=0.8746*(R440/R522)+4.8510*(R667/R647)-3.5167;
其中,R440/R522表示440nm波段反射值与522nm波段反射值的比值,R667/R647表示667nm波段反射值与647nm波段反射值的比值,y表示所得的对应色素含量。
8)残差分析、拟合度分析检验模型
叶绿素回归模型残差分析如图11所示,仅有4个数据残差显示异常,其余数据残差离零点均较近。类胡萝卜素残差分析图12所示,仅有3个数据残差显示异常,其余数据残差离零点均较近,由此说明步骤7)建立的模型能较好地计算原样本色素含量。
叶绿素回归模型拟合度如图13所示,预测值与实际叶绿素含量聚集明显,拟合度显示R2=0.9398,通过F检验值为366.979。
类胡萝卜素回归模型拟合度如图14所示,预测值与实际类胡萝卜素含量聚集明显,拟合度显示R2=0.9417,通过F检验值为379.6889。
9)利用上述模型检验实际柑橘叶片的色素含量,判断叶片是否为柑橘红蜘蛛叶片。
通过上述步骤可以快速获取染病叶片与健康叶片的叶绿素和类胡萝卜素含量,进而预测柑橘树的红蜘蛛虫害胁迫情况,为进一步的防治提供了有效、准确的依据。
以上所述,仅为本发明优选的实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明所公开的范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都属于本发明的保护范围。
Claims (10)
1.一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于包括以下步骤:
S1:选取多片柑橘健康叶片样本与柑橘红蜘蛛叶片样本;
S2:采集S1所选取柑橘叶片样本的高光谱图像;
S3:测定S1所选取柑橘叶片样本的叶绿素和类胡萝卜素含量;
S4:对S2采集的高光谱图像进行预处理;
S5:对S4预处理后的高光谱图像进一步去噪;
S6:提取S5进一步去噪的高光谱图像的特征波段;
S7:利用S6提取的特征波段建立检测模型,通过逐步回归分析挑选出最佳波段组合,确定与叶绿素、类胡萝卜素含量之间的定量关系;
S8:采用S7所建立模型对柑橘叶片的叶绿素和类胡萝卜素含量进行检测,进而预测柑橘树红蜘蛛虫害胁迫情况。
2.根据权利要求1所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:步骤S2所述柑橘叶片样本的高光谱图像通过高光谱图像采集***进行采集,所述***包括CCD数字照相机、光路构件、透镜、卤素灯支架、石英卤素钨灯、载物台、移动电机、电源、计算机及采光室;所述透镜设置在光路构件上,所述光路构件设置在CCD数字照相机上,所述卤素灯支架、石英卤素钨灯、载物台和移动电机位于采光室内,所述石英卤素钨灯通过螺钉悬挂在卤素灯支架上,所述CCD数字照相机的输出端与计算机相连,所述移动电机通过反馈控制器与计算机相连,所述电源位于采光室外并为CCD数字照相机、石英卤素钨灯和移动电机提供电源;所述***设置的曝光时间为30ms、采集速度为5.0375mm/s、扫面距离为120mm,在采集高光谱图像时,将柑橘叶片样本固定在载物台上,通过计算机驱动移动电机使柑橘叶片样本前移或后移,并接受石英卤素钨灯的均匀照射,由CCD数字照相机进行拍摄,利用计算机中的软件形成高光谱图像。
3.根据权利要求1所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:步骤S3所述测定柑橘叶片样本的叶绿素和类胡萝卜素含量,如下:
先配置无水乙醇、丙酮和水的色素提取混合溶液,无水乙醇、丙酮、水的比例为4.5∶4.5∶1,通过混合溶液浸取柑橘叶片样本后,采用分光计法获取柑橘叶片样本的叶绿素和类胡萝卜素含量。
4.根据权利要求1所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:步骤S4所述对高光谱图像进行预处理为利用全黑、全白校准图像对高光谱图像作黑白校正,校正公式如下:
R=(I-B)/(W-B)
其中,I为采集所得高光谱图像,B为全黑校准图像,W为全白校准图像,R为校正后的高光谱图像。
5.根据权利要求1所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:步骤S5所述对预处理后的高光谱图像进一步去噪,如下:
利用最小噪声分离变换法对高光谱图像进行平滑增强,进而增强光谱数据信息,同时去除光谱内部冗余信息。
6.根据权利要求5所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:所述利用最小噪声分离变换法进行光谱数据信息增强时,先对高光谱图像作最小噪声分离正变换,再取特征值最大的前10波段进行最小噪声分离反变换。
7.根据权利要求1所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:步骤S6所述提取进一步去噪的高光谱图像的特征波段,如下:
对柑橘健康与柑橘红蜘蛛两种柑橘叶片样本的原始光谱曲线、原始光谱一阶微分曲线进行差异对比,并对原始光谱反射值、原始光谱任意波段比值与叶绿素、类胡萝卜素含量的相关性进行分析,提取相关性较高的若干波段以及若干区间波段的波段比值作为特征波段。
8.根据权利要求1所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:步骤S7所述检测模型在建立时,先将步骤S6中所提取特征波段结合常用光谱植被指数采用单变量回归分析检验,筛选出与叶绿素和类胡萝卜素含量拟合度较高的若干波段和若干植被指数,经过逐步回归分析后,最终确定检测模型的最佳波段组合。
9.根据权利要求8所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:所述检测模型的最佳波段组合为440nm/522nm以及667nm/647nm。
10.根据权利要求9所述的一种柑橘树红蜘蛛虫害胁迫情况测试分析方法,其特征在于:所述检测模型函数具体如下:
叶绿素:y=2.5264*(R440/R522)+11.0243*(R667/R647)-8.2586;
类胡萝卜素:y=0.8746*(R440/R522)+4.8510*(R667/R647)-3.5167;
其中,R440/R522表示440nm波段反射值与522nm波段反射值的比值,R667/R647表示667nm波段反射值与647nm波段反射值的比值,y表示所得的对应色素含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310210407.2A CN103278460B (zh) | 2013-05-30 | 2013-05-30 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310210407.2A CN103278460B (zh) | 2013-05-30 | 2013-05-30 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103278460A true CN103278460A (zh) | 2013-09-04 |
CN103278460B CN103278460B (zh) | 2015-07-29 |
Family
ID=49061043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310210407.2A Active CN103278460B (zh) | 2013-05-30 | 2013-05-30 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103278460B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
CN104089895A (zh) * | 2014-07-24 | 2014-10-08 | 四川农业大学 | 一种大豆叶片的光合色素测定方法及*** |
CN104280349A (zh) * | 2014-10-28 | 2015-01-14 | 南京农业大学 | 一种基于高光谱图像对白萝卜糠心鉴定的方法 |
CN105158186A (zh) * | 2015-09-17 | 2015-12-16 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
CN105445222A (zh) * | 2016-01-19 | 2016-03-30 | 中国矿业大学(北京) | 一种利用近红外高光谱图像识别涂料的方法 |
CN105823736A (zh) * | 2016-05-23 | 2016-08-03 | 塔里木大学 | 一种枣树冠层类胡萝卜素含量的检测方法 |
CN105891123A (zh) * | 2016-04-07 | 2016-08-24 | 浙江大学 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
CN107014756A (zh) * | 2017-04-17 | 2017-08-04 | 成都曙光光纤网络有限责任公司 | 一种光谱测试***光源设计方法 |
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
CN108694391A (zh) * | 2018-05-16 | 2018-10-23 | 黄铁成 | 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 |
CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测***及方法 |
CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
CN112378866A (zh) * | 2021-01-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 水质参数反演模型的训练方法、水质监测方法及装置 |
CN112640708A (zh) * | 2020-09-04 | 2021-04-13 | 中国农业科学院郑州果树研究所 | 一种确定苹果树山楂叶螨防治时期的方法 |
CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN101776584A (zh) * | 2010-01-18 | 2010-07-14 | 浙江林学院 | 松材线虫病的高光谱综合分析早期探测方法 |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 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 |
CN102507504A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种马尾松松材线虫病的高光谱监测方法 |
CN102507453A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种黑松松材线虫病的高光谱监测方法 |
CN102521830A (zh) * | 2011-11-30 | 2012-06-27 | 浙江大学 | 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 |
CN102680416A (zh) * | 2012-04-19 | 2012-09-19 | 江苏大学 | 一种夏秋茶内咖啡因含量的快速检测方法及装置 |
CN102879340A (zh) * | 2012-09-27 | 2013-01-16 | 江苏徐州甘薯研究中心 | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 |
-
2013
- 2013-05-30 CN CN201310210407.2A patent/CN103278460B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN101776584A (zh) * | 2010-01-18 | 2010-07-14 | 浙江林学院 | 松材线虫病的高光谱综合分析早期探测方法 |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 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 |
CN102507504A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种马尾松松材线虫病的高光谱监测方法 |
CN102507453A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种黑松松材线虫病的高光谱监测方法 |
CN102521830A (zh) * | 2011-11-30 | 2012-06-27 | 浙江大学 | 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 |
CN102680416A (zh) * | 2012-04-19 | 2012-09-19 | 江苏大学 | 一种夏秋茶内咖啡因含量的快速检测方法及装置 |
CN102879340A (zh) * | 2012-09-27 | 2013-01-16 | 江苏徐州甘薯研究中心 | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 |
Non-Patent Citations (2)
Title |
---|
伍南等: "利用光谱特征参数估算病害胁迫下杉木叶绿素含量", 《植物保护》 * |
高娜等: "落叶松早落病危害的光谱特征及与叶绿素浓度的关系研究", 《遥感技术与应用》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630498A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN103630498B (zh) * | 2013-11-12 | 2015-09-16 | 浙江大学 | 基于高光谱成像技术的脐橙表面农药残留量的检测方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
CN104089895A (zh) * | 2014-07-24 | 2014-10-08 | 四川农业大学 | 一种大豆叶片的光合色素测定方法及*** |
CN104089895B (zh) * | 2014-07-24 | 2016-08-24 | 四川农业大学 | 一种大豆叶片的光合色素测定方法及*** |
CN104280349A (zh) * | 2014-10-28 | 2015-01-14 | 南京农业大学 | 一种基于高光谱图像对白萝卜糠心鉴定的方法 |
CN105158186A (zh) * | 2015-09-17 | 2015-12-16 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
CN105445222A (zh) * | 2016-01-19 | 2016-03-30 | 中国矿业大学(北京) | 一种利用近红外高光谱图像识别涂料的方法 |
CN105445222B (zh) * | 2016-01-19 | 2017-12-05 | 中国矿业大学(北京) | 一种利用近红外高光谱图像识别涂料的方法 |
CN105891123A (zh) * | 2016-04-07 | 2016-08-24 | 浙江大学 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
CN105954202A (zh) * | 2016-04-22 | 2016-09-21 | 浙江大学 | 一种柑橘溃疡病高光谱模型传递的方法 |
CN105823736A (zh) * | 2016-05-23 | 2016-08-03 | 塔里木大学 | 一种枣树冠层类胡萝卜素含量的检测方法 |
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
CN107014756A (zh) * | 2017-04-17 | 2017-08-04 | 成都曙光光纤网络有限责任公司 | 一种光谱测试***光源设计方法 |
CN108694391A (zh) * | 2018-05-16 | 2018-10-23 | 黄铁成 | 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 |
CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测***及方法 |
CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
CN112640708A (zh) * | 2020-09-04 | 2021-04-13 | 中国农业科学院郑州果树研究所 | 一种确定苹果树山楂叶螨防治时期的方法 |
CN112378866A (zh) * | 2021-01-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 水质参数反演模型的训练方法、水质监测方法及装置 |
CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103278460B (zh) | 2015-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103278460B (zh) | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 | |
US20240167955A1 (en) | Apparatus and method for fluorescence grading of gemstones | |
Chen et al. | Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging | |
CN105548113B (zh) | 一种基于叶绿素荧光和多光谱图像的植物生理监测方法 | |
CN112634212B (zh) | 基于高光谱无人机的病害潜伏树检测方法及*** | |
Banerjee et al. | High-throughput phenotyping using digital and hyperspectral imaging-derived biomarkers for genotypic nitrogen response | |
Winters et al. | Photographic assessment of coral chlorophyll contents: Implications for ecophysiological studies and coral monitoring | |
CN105651713B (zh) | 一种基于计算机图像分析的青菜叶片叶绿素定量检测方法 | |
CN110553999A (zh) | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 | |
AU2020104490A4 (en) | Method and device for analyzing plants | |
CN104034710A (zh) | 基于叶绿素荧光及成像技术的植物病害检测方法及装置 | |
CN102519886A (zh) | 一种检测农作物叶片中叶绿素a和类胡萝卜素含量的方法 | |
CN109187417B (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测*** | |
CN105548124A (zh) | 一种柑橘溃疡病的检测方法和装置 | |
CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
SE542770C2 (en) | Methods, models and systems for predicting yellow rust in wheat crops | |
Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
CN105136686B (zh) | 紫叶李叶片花青素含量的测定方法 | |
CN102313715A (zh) | 基于激光技术的蜂蜜品质检测方法 | |
CN104122242A (zh) | 一种沉香结香率的检测方法 | |
Stamford et al. | Remote sensing techniques: hyperspectral imaging and data analysis | |
Portalés et al. | An image-based system to preliminary assess the quality of grape harvest batches on arrival at the winery | |
CN206848161U (zh) | 一种手机分光光度计 | |
CN113484303A (zh) | 基于拉曼光谱检测小米类胡萝卜素的方法 | |
CN216847431U (zh) | 一种自动实现白菜多项指标的综合快速预测装置 |
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 |