CN104614321B - 一种基于光谱图像的作物长势实时监测方法 - Google Patents

一种基于光谱图像的作物长势实时监测方法 Download PDF

Info

Publication number
CN104614321B
CN104614321B CN201510028295.8A CN201510028295A CN104614321B CN 104614321 B CN104614321 B CN 104614321B CN 201510028295 A CN201510028295 A CN 201510028295A CN 104614321 B CN104614321 B CN 104614321B
Authority
CN
China
Prior art keywords
crop
growth
color factor
wavelength
lambda
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
Application number
CN201510028295.8A
Other languages
English (en)
Other versions
CN104614321A (zh
Inventor
陈国庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN201510028295.8A priority Critical patent/CN104614321B/zh
Publication of CN104614321A publication Critical patent/CN104614321A/zh
Application granted granted Critical
Publication of CN104614321B publication Critical patent/CN104614321B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于光谱图像的作物长势实时监测方法，包括：确定初始监测参数；筛选对作物长势有指导意义的敏感波长；获取被监测作物在所述敏感波长照射下的作物影像F；对所述作物影像F进行图像分析，得到作物生长实时监测模型；基于所述作物生长实时监测模型，对作物长势进行实时监测。优点为：基于光谱和图像融合技术，获得作物敏感波段下的图像，使作物图像在包含作物长势信息的前提下，具有最少量的信息，因此，提高了后续图像分析处理效率，能够快速、精确的得到作物长势信息，提高作物长势监测的实时性。

Description

一种基于光谱图像的作物长势实时监测方法
技术领域
本发明属于作物长势监测技术领域，具体涉及一种基于光谱图像的作物长势实时监测方法。
背景技术
作物长势监测属于农业物联网领域的重要研究内容。如何准确、高效、快速的实现大面积农田作物长势信息的监测，一直是农业物联网领域的研究热点。
现有技术中，主要采用图像分析方法进行作物长势信息监测，具体为：采用普通相机获取作物冠层的全波段图像信息，然后，再对所获得的全波段图像信息进行分析处理，得到作物长势相关信息。
现有监测方法存在的主要问题为：由于全波段图像包含的信息量过大，并且，存在不同波段之间相互影响的情况，导致后续图像分析处理时，具有分析效率低、工作量大等不足，难于快速、精确的得到作物长势信息。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于光谱图像的作物长势实时监测方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种基于光谱图像的作物长势实时监测方法，包括以下步骤：
S1，确定初始监测参数；
所述初始监测参数包括：监测模式、高光谱植被指数VI、作物长势指标Y和作物生育时期S；
其中，所述监测模式包括两种，第一种为单波段监测模式；第二种为双波段监测模式；
S2，筛选对作物长势有指导意义的敏感波长；
其中，如果为单波段监测模式，则：根据作物反射率E和作物长势指标Y之间的相关性，最终筛选得到1个敏感波长值，记为λu1；
如果为双波段监测模式，则：根据高光谱植被指数VI和作物长势指标Y之间的相关性，最终筛选得到1对敏感波长值，分别记为：λu2和λu3；
S3，获取被监测作物在所述敏感波长照射下的作物影像F；
其中，如果为单波段监测模式，则获得与敏感波长值λu1对应的作物影像Fu1；
如果为双波段监测模式，则分别获得与敏感波长值λu2对应的作物影像Fu2、与敏感波长值λu3对应的作物影像Fu3；
S4，对所述作物影像F进行图像分析，得到作物生长实时监测模型；
其中，如果为单波段监测模式，则：提取作物影像Fu1的彩色因子运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；
如果为双波段监测模式，则：分别提取作物影像Fu2的第1彩色因子组合和作物影像Fu3的第2彩色因子组合，对第1彩色因子组合和第2彩色因子组合进行运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；
S5，基于所述作物生长实时监测模型，对作物长势进行实时监测。
优选的，S2具体为：
S2.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
当作物处于S1生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q1，同时，测量作物长势指标Y，将Y的测量值记为y1；
当作物处于S2生育时期时，使用光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q2，同时，测量作物长势指标Y，将Y的测量值记为y2；
以此类推，当作物处于Sn生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Qn，同时，测量作物长势指标Y，将Y的测量值记为yn；
由此共得到n条光谱曲线，分别为：Q1、Q2…Qn；
如果为单波段监测模式，则执行S2.2-S2.3；
如果为双波段监测模式，则执行S2.4-S2.7，
S2.2，设定初始波长λ1，从Q1、Q2…Qn中分别读取与初始波长λ1对应的作物反射率E，分别为：E1、E2…En；
则：
按下式计算初始波长λ1和作物长势指标Y之间的决定系数R2；
(公式一)
其中，
S2.3，按照采样间距m，读取下一个波长值λ2，即：λ2＝λ1+采样间距m；然后，采用公式一，计算初始波长λ2和作物长势指标Y之间的决定系数R2；
依此类推，设共统计分析z个波长值，则：依次计算得到z个决定系数R2，即：
波长λ1和作物长势指标Y之间的决定系数R2
波长λ2和作物长势指标Y之间的决定系数R2…
波长λz和作物长势指标Y之间的决定系数R2；
S2.3，在z个决定系数R2中，最大的决定系数所对应的波长，即为最终筛选得到的敏感波长值，将最终筛选得到的敏感波长值记为λu1；
S2.4，设定第1波长λa和第2波长λb；
从Q1、Q2…Qn中分别读取与λa对应的作物反射率E，分别为：E1 a、E2 a…En a；
从Q1、Q2…Qn中分别读取与λb对应的作物反射率E，分别为：E1 b、E2 b…En b；
S2.5，对E1 a和E1 b进行计算，得到高光谱植被指数VI，值记为：VI1；
对E2 a和E2 b进行计算，得到高光谱植被指数VI，值记为：VI2；
…
对En a和En b进行计算，得到高光谱植被指数VI，值记为：VIn；
则：
按下式计算第1波长λa、第2波长λb和作物长势指标Y之间的决定系数R2；
(公式二)
其中，
S2.6，按一定的调整策略，调整第1波长λa和/或第2波长λb，得到多组第1波长λa和第2波长λb的组合，由此计算得到多个决定系数；
S2.7，在所计算得到的多个决定系数中，最大决定系数所对应的第1波长λa和第2波长λb，即为最终筛选得到的双波长敏感值；其中，最大决定系数所对应的第1波长λa记为λu2；最大决定系数所对应的第2波长λb记为λu3。
优选的，S2.1中，以采样间距m的光谱仪检测作物，具体为：
距离作物冠层上方1m处，使光谱仪垂直向下而测定作物反射率。
优选的，所述采样间距m为1纳米；
S2.2中，所述初始波长λ1为350纳米；波长λz为2500纳米。
优选的，S2.5中，对E1 a和E1 b进行计算，得到高光谱植被指数VI，具体为：
所述高光谱植被指数VI为比值植被指数RVI，通过以下公式获得：
RVI＝E1 a/E1 b；
所述高光谱植被指数VI为归一化植被指数NDVI，通过以下公式获得：
NDVI＝(E1 a-E1 b)/(E1 a+E1 b)；
所述高光谱植被指数VI为差值植被指数DVI，通过以下公式获得：
DVI＝E1 a-E1 b。
优选的，S3，获取被监测作物在所述敏感波长照射下的作物影像F，具体为：
对普通相机进行改装，镜头前面加装转接环和滤光片，得到改装后的相机；其中，所述滤光片的作用为：只允许所述敏感波长的光透过；
在作物冠层上方1m处，使用所述改装后的相机拍照，从而得到敏感波长照射下的作物影像F。
优选的，S4中，单波段监测模式下，通过以下步骤筛选得到最佳的彩色因子运算组合；
S4.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
S4.2，对于任意一个生育时期Si，均得到与敏感波长值λu1对应的作物影像Fu1，由此共得到n个作物影像Fu1，分别记为：Fu1-1、Fu1-1…Fu1-n；
同时，还获得与每个生育时期Si对应的作物长势指标Y，由此共得到n个作物长势指标Y，分别记为：y1、y2…yn；
S4.3，对于任意一个作物影像Fu1-i，均提取一个以上彩色因子，然后，将所提取的彩色因子按照预设的运算公式进行组合，得到彩色因子运算组合，并最终计算得到彩色因子运算组合值，将与作物影像Fu1-i对应的彩色因子运算组合值记为Qi，由此共得到n个彩色因子运算组合值，分别为：Q1、Q2…Qn；
则：
按下式计算彩色因子运算组合Q和作物长势指标Y之间的决定系数R2；
(公式三)
S4.4，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，由此计算得到多个决定系数；
S4.5，在所计算得到的多个决定系数中，最大决定系数所对应的彩色因子运算组合，即为最终筛选得到最佳的彩色因子运算组合。
优选的，S4.4，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，具体为：
从作物影像中提取的彩色因子包括R、G、B、灰度、亮度中的一种或几种；
采用加、减、乘、除运算符号中的一种或几种，将所提取的各个彩色因子进行组合，即得到多组彩色因子运算组合。
优选的，S4中，双波段监测模式下，通过以下步骤筛选得到最佳的彩色因子运算组合；
S4.a，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
S4.b，对于任意一个生育时期Si，均得到与敏感波长值λu2对应的作物影像Fu2，由此共得到n个作物影像Fu2，分别记为：Fu2-1、Fu2-2…Fu2-n；
以及，还得到与敏感波长值λu3对应的作物影像Fu3，由此共得到n个作物影像Fu3，分别记为：Fu3-1、Fu3-2…Fu3-n；
同时，还获得与每个生育时期Si对应的作物长势指标Y，由此共得到n个作物长势指标Y，分别记为：y1、y2…yn；
S4.c，对于任意一对属于同一生育时期Si的作物影像Fu2-i和作物影像Fu3-i，从所述作物影像Fu2-i提取第1彩色因子组合，从所述作物影像Fu3-i提取第2彩色因子组合；再对第1彩色因子组合和第2彩色因子组合进行运算组合，并最终计算得到彩色因子运算组合值，将与作物影像Fu2-i和作物影像Fu3-i对应的彩色因子运算组合值记为Qi，由此共得到n个彩色因子运算组合值，分别为：Q1、Q2…Qn；
则：
按下式计算彩色因子运算组合Q和作物长势指标Y之间的决定系数R2；
(公式四)
S4.d，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，由此计算得到多个决定系数；
S4.e，在所计算得到的多个决定系数中，最大决定系数所对应的彩色因子运算组合，即为最终筛选得到最佳的彩色因子运算组合。
优选的，S4.c中具体为：
从所述作物影像Fu2-i提取R、G、B、灰度、亮度中的一种或几种，得到第1彩色因子组合；
从所述作物影像Fu3-i提取R、G、B、灰度、亮度中的一种或几种，得到第2彩色因子组合；
采用加、减、乘、除运算符号中的一种或几种，将所述第1彩色因子组合和所述第2彩色因子组合进行组合，即得到最终的彩色因子运算组合；
通过改变运算符号、以及彩色因子的种类和数量，即得到不同的多组彩色因子运算组合。
本发明提供的基于光谱图像的作物长势实时监测方法，具有以下优点：
基于光谱和图像融合技术，获得作物敏感波段下的图像，使作物图像在包含作物长势信息的前提下，具有最少量的信息，因此，提高了后续图像分析处理效率，能够快速、精确的得到作物长势信息，提高作物长势监测的实时性。
附图说明
图1为本发明提供的基于光谱图像的作物长势实时监测方法的流程示意图。
具体实施方式
以下结合附图对本发明进行详细说明：
本发明提供一种基于光谱图像的作物长势实时监测方法，可更为方便、快捷、精准的实现大面积农田作物生长监测，核心思想为：首先筛选对作物长势有指导意义的敏感波长；然后，获取被监测作物在所述敏感波长照射下的作物影像F；然后，对所述作物影像F进行图像分析，得到作物生长实时监测模型；其中，作物生长实时监测模型融合图像和光谱信息；最后，基于所述作物生长实时监测模型，对作物长势进行实时监测。本发明实现了农田作物生长信息的准确监测，为大面积农田信息的快速监测提供了重要保障。本发明所形成的新技术和新产品的示范推广，可以为农业生产信息化提供重要的支撑，也为农田信息研究提供重要的技术支持。
以下对本发明进行详细介绍：
如图1所示，具体包括以下步骤：
S1，确定初始监测参数；
所述初始监测参数包括：监测模式、高光谱植被指数VI、作物长势指标Y和作物生育时期S；
其中，所述监测模式包括两种，第一种为单波段监测模式；第二种为双波段监测模式；
实际应用中，根据作物特点以及监测需求，灵活设置作物长势指标Y，例如，可以为叶绿素含量，叶绿素含量计算方法为：
Ca＝(12.71A663-2.59A645)*(V/1000M)
Cb＝(22.88A645-4.67A663)*(V/1000M)
CT＝(8.04A663+20.29A645)*(V/1000M)
式中,Ca为叶绿素a含量，Cb为叶绿素b含量，CT为总叶绿素含量(mg/g),A663、A645分别为663nm、645nm处样品液的吸光值，V为提取液体积I(ml)，M为样品重(g)。
当然，也可以设置其他类型的作物长势指标Y，例如，叶面积指数、地上部生物量、植株氮素含量等等，本发明对此并不限制。
另外，对于作物长势指标Y，也根据实际监测需求灵活设置，例如，可以为比值植被指数RVI、归一化植被指数NDVI或差值植被指数DVI等等。
S2，筛选对作物长势有指导意义的敏感波长；
其中，如果为单波段监测模式，则：根据作物反射率E和作物长势指标Y之间的相关性，最终筛选得到1个敏感波长值，记为λu1；
如果为双波段监测模式，则：根据高光谱植被指数VI和作物长势指标Y之间的相关性，最终筛选得到1对敏感波长值，分别记为：λu2和λu3；
本步骤具体为：
S2.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
(1)当作物处于S1生育时期时，以采样间距m的光谱仪检测作物，其中，光谱仪可采用美国ASD高光谱仪，检测方式为：距离作物冠层上方1m处，使光谱仪垂直向下而测定作物反射率，采样间距m可设置为1纳米；从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q1，波长λ的范围为：350nm-2500nm；同时，测量作物长势指标Y，将Y的测量值记为y1；
使用美国ASD高光谱仪测定作物反射率时，操作端具体操作方法为：
一人固定传感器探头于作物冠层，另一人操作电脑。电脑操作步骤如下：①打开光谱仪电源，启动相应RS3软件；②在软件中选择或填写需要存储数据的路径、名称和其他内容；③镜头对准白板，点击OPT进行优化，优化时白板必须充满镜头视场，工作过程中，特别是最初开始工作的前半个小时内，每隔一定时间做一次优化；④镜头仍然对准白板，点击WR采集参比光谱，此时，软件自动进入反射率测量状态；⑤镜头移向被测目标，按空格键存储采集到的目标反射光谱，导出数据。
检测数据查找方法为：打开“ViewSpec Pro”软件，单击“File”中“open”按钮，根据测量时存储的路径，查找到需要的测量数据，选中需要的测量数据，单击“process”中“ASCⅡ Export”，将测量数据由ASD格式转化为TXT格式，便于以后数据的提取利用。假设最初设置的波长为350nm，以1nm的采样间距不断调整波长，最终调整至2500nm时停止检测，由此可获得350nm-2500nm范围内不同波长的光谱反射率，得到光谱曲线Q1。
(2)当作物处于S2生育时期时，使用光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q2，同时，测量作物长势指标Y，将Y的测量值记为y2；
以此类推，当作物处于Sn生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Qn，同时，测量作物长势指标Y，将Y的测量值记为yn；
由此共得到n条光谱曲线，分别为：Q1、Q2…Qn；
如果为单波段监测模式，则执行S2.2-S2.3；
如果为双波段监测模式，则执行S2.4-S2.7，
(一)单波段监测模式
S2.2，设定初始波长λ1，从Q1、Q2…Qn中分别读取与初始波长λ1对应的作物反射率E，分别为：E1、E2…En；
则：
按下式计算初始波长λ1和作物长势指标Y之间的决定系数R2；
(公式一)
其中，
S2.3，按照采样间距m，读取下一个波长值λ2，即：λ2＝λ1+采样间距m；然后，采用公式一，计算初始波长λ2和作物长势指标Y之间的决定系数R2；
实际应用中，初始波长λ1为350纳米；波长λz为2500纳米。
依此类推，设共统计分析z个波长值，则：依次计算得到z个决定系数R2，即：
波长λ1和作物长势指标Y之间的决定系数R2
波长λ2和作物长势指标Y之间的决定系数R2…
波长λz和作物长势指标Y之间的决定系数R2；
S2.3，在z个决定系数R2中，最大的决定系数所对应的波长，即为最终筛选得到的敏感波长值，将最终筛选得到的敏感波长值记为λu1；
(二)双波段监测模式
S2.4，设定第1波长λa和第2波长λb；
从Q1、Q2…Qn中分别读取与λa对应的作物反射率E，分别为：E1 a、E2 a…En a；
从Q1、Q2…Qn中分别读取与λb对应的作物反射率E，分别为：E1 b、E2 b…En b；
S2.5，对E1 a和E1 b进行计算，得到高光谱植被指数VI，值记为：VI1；
对E2 a和E2 b进行计算，得到高光谱植被指数VI，值记为：VI2；
…
对En a和En b进行计算，得到高光谱植被指数VI，值记为：VIn；
则：
按下式计算第1波长λa、第2波长λb和作物长势指标Y之间的决定系数R2；
(公式二)
其中，
本发明中，对E1 a和E1 b进行计算，得到高光谱植被指数VI，具体为：
所述高光谱植被指数VI为比值植被指数RVI，通过以下公式获得：
RVI＝E1 a/E1 b；
所述高光谱植被指数VI为归一化植被指数NDVI，通过以下公式获得：
NDVI＝(E1 a-E1 b)/(E1 a+E1 b)；
所述高光谱植被指数VI为差值植被指数DVI，通过以下公式获得：
DVI＝E1 a-E1 b。
S2.6，按一定的调整策略，调整第1波长λa和/或第2波长λb，得到多组第1波长λa和第2波长λb的组合，由此计算得到多个决定系数；
S2.7，在所计算得到的多个决定系数中，最大决定系数所对应的第1波长λa和第2波长λb，即为最终筛选得到的双波长敏感值；其中，最大决定系数所对应的第1波长λa记为λu2；最大决定系数所对应的第2波长λb记为λu3。
上述步骤的主要思路为：
通过分析作物不同生育时期不同波段光谱反射率的特征，构建RVI、DVI、NDVI等相关植被指数，进而统计分析相关植被指数与作物长势间的相关性，相关性分析方法可以为：使用SPSS数据处理软件进行相关性分析、回归分析，查找出分析结果中决定系数R2较大的相关植被指数与作物长势间(叶面积指数、叶绿素含量、地上部生物量、植株氮素含量等)的相关性，将相关性最高(决定系数R2最大且达到显著或极显著差异)的植被指数作为波段筛选的依据。
S3，获取被监测作物在所述敏感波长照射下的作物影像F；
例如，对普通相机进行改装，镜头前面加装转接环和滤光片，得到改装后的相机；其中，所述滤光片的作用为：只允许所述敏感波长的光透过；在作物冠层上方1m处，使用所述改装后的相机拍照，从而得到敏感波长照射下的作物影像F。
其中，如果为单波段监测模式，则获得与敏感波长值λu1对应的作物影像Fu1；
如果为双波段监测模式，则分别获得与敏感波长值λu2对应的作物影像Fu2、与敏感波长值λu3对应的作物影像Fu3；
S4，对所述作物影像F进行图像分析，得到作物生长实时监测模型；
其中，如果为单波段监测模式，则：提取作物影像Fu1的彩色因子运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；
如果为双波段监测模式，则：分别提取作物影像Fu2的第1彩色因子组合和作物影像Fu3的第2彩色因子组合，对第1彩色因子组合和第2彩色因子组合进行运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；
以下对单波段监测模式和双波段监测模式下，筛选得到最佳的彩色因子运算组合的步骤详细介绍：
(一)单波段监测模式
S4.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
S4.2，对于任意一个生育时期Si，均得到与敏感波长值λu1对应的作物影像Fu1，由此共得到n个作物影像Fu1，分别记为：Fu1-1、Fu1-1…Fu1-n；
同时，还获得与每个生育时期Si对应的作物长势指标Y，由此共得到n个作物长势指标Y，分别记为：y1、y2…yn；
S4.3，对于任意一个作物影像Fu1-i，均提取一个以上彩色因子，然后，将所提取的彩色因子按照预设的运算公式进行组合，得到彩色因子运算组合，并最终计算得到彩色因子运算组合值，将与作物影像Fu1-i对应的彩色因子运算组合值记为Qi，由此共得到n个彩色因子运算组合值，分别为：Q1、Q2…Qn；
则：
按下式计算彩色因子运算组合Q和作物长势指标Y之间的决定系数R2；
(公式三)
S4.4，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，由此计算得到多个决定系数；
具体的，从作物影像中提取的彩色因子包括R、G、B、灰度、亮度中的一种或几种；当然，也可以提取H、S、I彩色因子。
采用加、减、乘、除运算符号中的一种或几种，将所提取的各个彩色因子进行组合，即得到多组彩色因子运算组合。例如，R350-G350、R350+B350、R350+G350+B350等。
S4.5，在所计算得到的多个决定系数中，最大决定系数所对应的彩色因子运算组合，即为最终筛选得到最佳的彩色因子运算组合。
(二)双波段监测模式
S4.a，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
S4.b，对于任意一个生育时期Si，均得到与敏感波长值λu2对应的作物影像Fu2，由此共得到n个作物影像Fu2，分别记为：Fu2-1、Fu2-2…Fu2-n；
以及，还得到与敏感波长值λu3对应的作物影像Fu3，由此共得到n个作物影像Fu3，分别记为：Fu3-1、Fu3-2…Fu3-n；
同时，还获得与每个生育时期Si对应的作物长势指标Y，由此共得到n个作物长势指标Y，分别记为：y1、y2…yn；
S4.c，对于任意一对属于同一生育时期Si的作物影像Fu2-i和作物影像Fu3-i，从所述作物影像Fu2-i提取第1彩色因子组合，从所述作物影像Fu3-i提取第2彩色因子组合；再对第1彩色因子组合和第2彩色因子组合进行运算组合，并最终计算得到彩色因子运算组合值，将与作物影像Fu2-i和作物影像Fu3-i对应的彩色因子运算组合值记为Qi，由此共得到n个彩色因子运算组合值，分别为：Q1、Q2…Qn；
则：
按下式计算彩色因子运算组合Q和作物长势指标Y之间的决定系数R2；
(公式四)
本步骤中，彩色因子运算组合的获取方式具体为：
从所述作物影像Fu2-i提取R、G、B、灰度、亮度中的一种或几种，得到第1彩色因子组合；
从所述作物影像Fu3-i提取R、G、B、灰度、亮度中的一种或几种，得到第2彩色因子组合；
采用加、减、乘、除运算符号中的一种或几种，将所述第1彩色因子组合和所述第2彩色因子组合进行组合，即得到最终的彩色因子运算组合；
例如，利用敏感波段560nm和810nm，可构建彩色因子组合R810/R560、(R810-R560)/(R810+R560)、(R810+G810)/(R560+G560)、(R810-G810)/(R560-G560)、(R810+G810+B810)/(R560+G560+B560)、(B810+G810)/(B560+G560)、(B810-G810)/(B560-G560)等等。
通过改变运算符号、以及彩色因子的种类和数量，即得到不同的多组彩色因子运算组合。
S4.d，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，由此计算得到多个决定系数；
S4.e，在所计算得到的多个决定系数中，最大决定系数所对应的彩色因子运算组合，即为最终筛选得到最佳的彩色因子运算组合。
上述步骤，对于电脑操作端，操作方法为：
利用photoshop(左键单击“文件”→选定“打开”→找到图像所在文件夹，打开图像→单击“图像”，选定“模式”中“RGB颜色”→单击“基本功能”，选定“直方图”→选取不同通道，获取R、G、B、H、S、I、亮度等图像信息)等图像处理软件，提取敏感波段下所获取图像的彩色因子，包括R、G、B、灰度、亮度等，分析不同波段下图像不同彩色因子间的运算组合(例如，利用敏感波段560nm和810nm，可构建彩色因子组合R810/R560、(R810-R560)/(R810+R560)等)，通过分析研究不同运算组合与作物长势信息间的相关性(利用SPSS数据处理软件)，找出最佳的运算组合，进而构建作物生长实时监测模型。
S5，基于所述作物生长实时监测模型，对作物长势进行实时监测。
此外，本发明中，也提供一种作物长势监测方法和标准，具体为：通过设置不同的监测高度(0.5米、1米、1.5米等)、不同监测时间(10点、12点、14点等)、不同监测角度(60度、90度、120度等)，分析各因素对作物长势信息监测稳定性的影响，进而找出最佳的因素组合，并以此为依据构建监测方法和标准。
本发明提供的基于光谱图像的作物长势实时监测方法，具有以下优点：
基于光谱和图像融合技术，获得作物敏感波段下的图像，使作物图像在包含作物长势信息的前提下，具有最少量的信息，因此，提高了后续图像分析处理效率，能够快速、精确的得到作物长势信息，提高作物长势监测的实时性。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (5)

1.一种基于光谱图像的作物长势实时监测方法，其特征在于，包括以下步骤：
S1，确定初始监测参数；
所述初始监测参数包括：监测模式、高光谱植被指数VI、作物长势指标Y和作物生育时期S；
其中，所述监测模式包括两种，第一种为单波段监测模式；第二种为双波段监测模式；
S2，筛选对作物长势有指导意义的敏感波长；
其中，如果为单波段监测模式，则：根据作物反射率E和作物长势指标Y之间的相关性，最终筛选得到1个敏感波长值，记为λu1；
如果为双波段监测模式，则：根据高光谱植被指数VI和作物长势指标Y之间的相关性，最终筛选得到1对敏感波长值，分别记为：λu2和λu3；
S3，获取被监测作物在所述敏感波长照射下的作物影像F；
其中，如果为单波段监测模式，则获得与敏感波长值λu1对应的作物影像Fu1；
如果为双波段监测模式，则分别获得与敏感波长值λu2对应的作物影像Fu2、与敏感波长值λu3对应的作物影像Fu3；
S4，对所述作物影像F进行图像分析，得到作物生长实时监测模型；
其中，如果为单波段监测模式，则：提取作物影像Fu1的彩色因子运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；
如果为双波段监测模式，则：分别提取作物影像Fu2的第1彩色因子组合和作物影像Fu3的第2彩色因子组合，对第1彩色因子组合和第2彩色因子组合进行运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；
S5，基于所述作物生长实时监测模型，对作物长势进行实时监测；
其中，S2具体为：
S2.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
当作物处于S1生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q1，同时，测量作物长势指标Y，将Y的测量值记为y1；
当作物处于S2生育时期时，使用光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q2，同时，测量作物长势指标Y，将Y的测量值记为y2；
以此类推，当作物处于Sn生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Qn，同时，测量作物长势指标Y，将Y的测量值记为yn；
由此共得到n条光谱曲线，分别为：Q1、Q2…Qn；
如果为单波段监测模式，则执行S2.2-S2.3；
如果为双波段监测模式，则执行S2.4-S2.7，
S2.2，设定初始波长λ1，从Q1、Q2…Qn中分别读取与初始波长λ1对应的作物反射率E，分别为：E1、E2…En；
则：E＝(E1+E2…+En)/n；
按下式计算初始波长λ1和作物长势指标Y之间的决定系数R2；
其中，
S2.3，按照采样间距m，读取下一个波长值λ2，即：λ2＝λ1+采样间距m；然后，采用公式一，计算初始波长λ2和作物长势指标Y之间的决定系数R2；
依此类推，设共统计分析z个波长值，则：依次计算得到z个决定系数R2，即：
波长λ1和作物长势指标Y之间的决定系数R2
波长λ2和作物长势指标Y之间的决定系数R2…
波长λz和作物长势指标Y之间的决定系数R2；
S2.3，在z个决定系数R2中，最大的决定系数所对应的波长，即为最终筛选得到的敏感波长值，将最终筛选得到的敏感波长值记为λu1；
S2.4，设定第1波长λa和第2波长λb；
从Q1、Q2…Qn中分别读取与λa对应的作物反射率E，分别为：E1 a、E2 a…En a；
从Q1、Q2…Qn中分别读取与λb对应的作物反射率E，分别为：E1 b、E2 b…En b；
S2.5，对E1 a和E1 b进行计算，得到高光谱植被指数VI，值记为：VI1；
对E2 a和E2 b进行计算，得到高光谱植被指数VI，值记为：VI2；
…
对En a和En b进行计算，得到高光谱植被指数VI，值记为：VIn；
则：
按下式计算第1波长λa、第2波长λb和作物长势指标Y之间的决定系数R2；
其中，
S2.6，按一定的调整策略，调整第1波长λa和/或第2波长λb，得到多组第1波长λa和第2波长λb的组合，由此计算得到多个决定系数；
S2.7，在所计算得到的多个决定系数中，最大决定系数所对应的第1波长λa和第2波长λb，即为最终筛选得到的双波长敏感值；其中，最大决定系数所对应的第1波长λa记为λu2；最大决定系数所对应的第2波长λb记为λu3；
其中，S4中，单波段监测模式下，通过以下步骤筛选得到最佳的彩色因子运算组合；
S4.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
S4.2，对于任意一个生育时期Si，均得到与敏感波长值λu1对应的作物影像Fu1，由此共得到n个作物影像Fu1，分别记为：Fu1-1、Fu1-1…Fu1-n；
同时，还获得与每个生育时期Si对应的作物长势指标Y，由此共得到n个作物长势指标Y，分别记为：y1、y2…yn；
S4.3，对于任意一个作物影像Fu1-i，均提取一个以上彩色因子，然后，将所提取的彩色因子按照预设的运算公式进行组合，得到彩色因子运算组合，并最终计算得到彩色因子运算组合值，将与作物影像Fu1-i对应的彩色因子运算组合值记为Qi，由此共得到n个彩色因子运算组合值，分别为：Q1、Q2…Qn；
则：
y ‾ = ( y 1 + y 2 ... + y n ) / n ;
按下式计算彩色因子运算组合Q和作物长势指标Y之间的决定系数R2；
S4.4，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，由此计算得到多个决定系数；
S4.5，在所计算得到的多个决定系数中，最大决定系数所对应的彩色因子运算组合，即为最终筛选得到最佳的彩色因子运算组合；
其中，S4.4，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，具体为：
从作物影像中提取的彩色因子包括R、G、B、灰度、亮度中的一种或几种；
采用加、减、乘、除运算符号中的一种或几种，将所提取的各个彩色因子进行组合，即得到多组彩色因子运算组合；
其中，S4中，双波段监测模式下，通过以下步骤筛选得到最佳的彩色因子运算组合；
S4.a，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；
S4.b，对于任意一个生育时期Si，均得到与敏感波长值λu2对应的作物影像Fu2，由此共得到n个作物影像Fu2，分别记为：Fu2-1、Fu2-2…Fu2-n；
以及，还得到与敏感波长值λu3对应的作物影像Fu3，由此共得到n个作物影像Fu3，分别记为：Fu3-1、Fu3-2…Fu3-n；
同时，还获得与每个生育时期Si对应的作物长势指标Y，由此共得到n个作物长势指标Y，分别记为：y1、y2…yn；
S4.c，对于任意一对属于同一生育时期Si的作物影像Fu2-i和作物影像Fu3-i，从所述作物影像Fu2-i提取第1彩色因子组合，从所述作物影像Fu3-i提取第2彩色因子组合；再对第1彩色因子组合和第2彩色因子组合进行运算组合，并最终计算得到彩色因子运算组合值，将与作物影像Fu2-i和作物影像Fu3-i对应的彩色因子运算组合值记为Qi，由此共得到n个彩色因子运算组合值，分别为：Q1、Q2…Qn；
则：
y ‾ = ( y 1 + y 2 ... + y n ) / n ;
按下式计算彩色因子运算组合Q和作物长势指标Y之间的决定系数R2；
S4.d，按一定的调整策略，调整彩色因子运算组合，得到多组彩色因子运算组合，由此计算得到多个决定系数；
S4.e，在所计算得到的多个决定系数中，最大决定系数所对应的彩色因子运算组合，即为最终筛选得到最佳的彩色因子运算组合；
其中，S4.c中具体为：
从所述作物影像Fu2-i提取R、G、B、灰度、亮度中的一种或几种，得到第1彩色因子组合；
从所述作物影像Fu3-i提取R、G、B、灰度、亮度中的一种或几种，得到第2彩色因子组合；
采用加、减、乘、除运算符号中的一种或几种，将所述第1彩色因子组合和所述第2彩色因子组合进行组合，即得到最终的彩色因子运算组合；
通过改变运算符号、以及彩色因子的种类和数量，即得到不同的多组彩色因子运算组合。
2.根据权利要求1所述的基于光谱图像的作物长势实时监测方法，其特征在于，S2.1中，以采样间距m的光谱仪检测作物，具体为：
距离作物冠层上方1m处，使光谱仪垂直向下而测定作物反射率。
3.根据权利要求1所述的基于光谱图像的作物长势实时监测方法，其特征在于，所述采样间距m为1纳米；
S2.2中，所述初始波长λ1为350纳米；波长λz为2500纳米。
4.根据权利要求1所述的基于光谱图像的作物长势实时监测方法，其特征在于，S2.5中，对E1 a和E1 b进行计算，得到高光谱植被指数VI，具体为：
所述高光谱植被指数VI为比值植被指数RVI，通过以下公式获得：
RVI＝E1 a/E1 b；
所述高光谱植被指数VI为归一化植被指数NDVI，通过以下公式获得：
NDVI＝(E1 a-E1 b)/(E1 a+E1 b)；
所述高光谱植被指数VI为差值植被指数DVI，通过以下公式获得：
DVI＝E1 a-E1 b。
5.根据权利要求1所述的基于光谱图像的作物长势实时监测方法，其特征在于，S3，获取被监测作物在所述敏感波长照射下的作物影像F，具体为：
对普通相机进行改装，镜头前面加装转接环和滤光片，得到改装后的相机；其中，所述滤光片的作用为：只允许所述敏感波长的光透过；
在作物冠层上方1m处，使用所述改装后的相机拍照，从而得到敏感波长照射下的作物影像F。
CN201510028295.8A 2015-01-20 2015-01-20 一种基于光谱图像的作物长势实时监测方法 Expired - Fee Related CN104614321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510028295.8A CN104614321B (zh) 2015-01-20 2015-01-20 一种基于光谱图像的作物长势实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510028295.8A CN104614321B (zh) 2015-01-20 2015-01-20 一种基于光谱图像的作物长势实时监测方法

Publications (2)

Publication Number Publication Date
CN104614321A CN104614321A (zh) 2015-05-13
CN104614321B true CN104614321B (zh) 2017-07-25

Family

ID=53148866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510028295.8A Expired - Fee Related CN104614321B (zh) 2015-01-20 2015-01-20 一种基于光谱图像的作物长势实时监测方法

Country Status (1)

Country Link
CN (1) CN104614321B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105675549B (zh) * 2016-01-11 2019-03-19 武汉大学 一种便携式农作物参数测量与长势智能分析装置及方法
CN106596412A (zh) * 2016-12-31 2017-04-26 上海复展智能科技股份有限公司 利用无人机携带多光谱光源进行植物生长监测的方法
CN107219226A (zh) * 2017-07-24 2017-09-29 中国科学院遥感与数字地球研究所 图像采集装置及增强植被指数监测***
CN107609078B (zh) * 2017-09-04 2020-04-10 北京农业信息技术研究中心 长势监测模型更新方法、传感器、服务器及***
CN107807125B (zh) * 2017-10-12 2020-08-11 中国农业大学 基于无人机载多光谱传感器的植物信息计算***及方法
CN108376419B (zh) * 2017-12-11 2020-06-26 江苏大学 一种盆栽生菜的综合长势监测方法及装置
CN107907075A (zh) * 2017-12-28 2018-04-13 山东省农业可持续发展研究所 花生叶面积指数遥感监测方法
CN108319164A (zh) * 2017-12-30 2018-07-24 浙江中睿泽农科技有限公司 作物生长环境预测和调控方法
JP7225600B2 (ja) * 2018-08-10 2023-02-21 ソニーグループ株式会社 情報処理装置、情報処理方法、プログラム
CN109508696A (zh) * 2018-12-14 2019-03-22 红云红河烟草(集团)有限责任公司 一种基于多光谱技术的烟叶产量预测分析方法
EP3897107A4 (en) * 2018-12-19 2022-10-05 Innerplant, Inc. SENSOR SYSTEM AND METHOD OF IDENTIFYING STRESSORS IN CROPS BASED ON PROPERTIES OF SENSOR SYSTEMS
CN113175956A (zh) * 2021-05-13 2021-07-27 杭州电子科技大学 一种作物长势监测的多光谱及光学相机传感器装置
CN115015258B (zh) * 2022-07-21 2023-06-27 中国科学院西北生态环境资源研究院 一种农作物长势与土壤水分关联确定方法及相关装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999019824A1 (en) * 1997-10-10 1999-04-22 Case Corporation Method for monitoring nitrogen status using a multi-sprectral imaging system
US6567537B1 (en) * 2000-01-13 2003-05-20 Virginia Commonwealth University Method to assess plant stress using two narrow red spectral bands
CN102175618A (zh) * 2011-01-31 2011-09-07 南京农业大学 一种稻麦叶片氮含量光谱监测模型建模方法
CN102313699A (zh) * 2011-05-26 2012-01-11 北京农业信息技术研究中心 作物冠层叶片的全氮含量估算方法
CN102374971A (zh) * 2010-08-09 2012-03-14 中国农业大学 一种基于高光谱技术的玉米叶片氮含量估算方法
CN102636438A (zh) * 2012-04-16 2012-08-15 南京农业大学 一种根据小麦植株吸氮量核心波长确定适宜带宽的方法
CN103293113A (zh) * 2013-05-15 2013-09-11 南京农业大学 一种主动光源式作物冠层反射光谱测量装置及其方法
CN103868880A (zh) * 2014-01-24 2014-06-18 河南农业大学 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN103940748A (zh) * 2014-03-10 2014-07-23 浙江大学 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999019824A1 (en) * 1997-10-10 1999-04-22 Case Corporation Method for monitoring nitrogen status using a multi-sprectral imaging system
US6567537B1 (en) * 2000-01-13 2003-05-20 Virginia Commonwealth University Method to assess plant stress using two narrow red spectral bands
CN102374971A (zh) * 2010-08-09 2012-03-14 中国农业大学 一种基于高光谱技术的玉米叶片氮含量估算方法
CN102175618A (zh) * 2011-01-31 2011-09-07 南京农业大学 一种稻麦叶片氮含量光谱监测模型建模方法
CN102313699A (zh) * 2011-05-26 2012-01-11 北京农业信息技术研究中心 作物冠层叶片的全氮含量估算方法
CN102636438A (zh) * 2012-04-16 2012-08-15 南京农业大学 一种根据小麦植株吸氮量核心波长确定适宜带宽的方法
CN103293113A (zh) * 2013-05-15 2013-09-11 南京农业大学 一种主动光源式作物冠层反射光谱测量装置及其方法
CN103868880A (zh) * 2014-01-24 2014-06-18 河南农业大学 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN103940748A (zh) * 2014-03-10 2014-07-23 浙江大学 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
作物生长信息智能监测方法研究进展;高汉峰 等;《农机化研究》;20100430(第4期);第1-5,20页 *
基于光谱分析技术的苹果花钾素含量估测研究;朱西存 等;《Infrared》;20100831;第31卷(第8期);第1-6页 *
基于光谱分析的库尔勒香梨叶片全氮含量估测研究;柴仲平 等;《果树学报》;20131231;第30卷(第3期);第421-426页 *
基于可见光-近红外光谱的冬小麦氮素营养诊断与生长监测;胡昊;《中国博士学位论文全文数据库 农业科技辑》;20091015(第10期);正文第9-17页，第39-56页 *

Also Published As

Publication number Publication date
CN104614321A (zh) 2015-05-13

Similar Documents

Publication Publication Date Title
CN104614321B (zh) 一种基于光谱图像的作物长势实时监测方法
Zhang et al. High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion
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
Li et al. PROCWT: Coupling PROSPECT with continuous wavelet transform to improve the retrieval of foliar chemistry from leaf bidirectional reflectance spectra
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN112634212B (zh) 基于高光谱无人机的病害潜伏树检测方法及***
Cao et al. Best hyperspectral indices for tracing leaf water status as determined from leaf dehydration experiments
CN102721651B (zh) 基于多光谱图像的植物叶片水分含量的检测方法及***
CN102564962B (zh) 果树营养成分检测***及方法
Delalieux et al. Hyperspectral indices to diagnose leaf biotic stress of apple plants, considering leaf phenology
CN101936882A (zh) 一种作物氮素和水分无损检测方法及装置
CN103048266B (zh) 一种设施番茄氮磷钾胁迫自动识别方法和装置
CN106033052B (zh) 一种基于高光谱数据敏感波段的植被信息提取方法
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
Song et al. Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat
CN108375550A (zh) 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用
CN108520127A (zh) 一种树种叶面积指数的高光谱反演方法
CN101059427A (zh) 多光谱成像技术快速无损测量茶树含氮量的方法
Brambilla et al. Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level
CN106323880A (zh) 基于soc高光谱指数的植物叶片花青素含量估算方法及装置
Li et al. Monitoring of leaf nitrogen content of winter wheat using multi-angle hyperspectral data
Merrick et al. Characterization of chlorophyll fluorescence, absorbed photosynthetically active radiation, and reflectance-based vegetation index spectroradiometer measurements
CN112540971B (zh) 一种基于烟叶特征的全信息在线采集***及方法
Karakoc et al. Ratio-based vegetation indices for biomass estimation depending on grassland characteristics
CN105486657A (zh) 一种利用光谱法测定叶菜主要营养成分的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170725

Termination date: 20200120