CN111161362B - 一种茶树生长状态光谱影像鉴别方法 - Google Patents
一种茶树生长状态光谱影像鉴别方法 Download PDFInfo
- Publication number
- CN111161362B CN111161362B CN202010041081.5A CN202010041081A CN111161362B CN 111161362 B CN111161362 B CN 111161362B CN 202010041081 A CN202010041081 A CN 202010041081A CN 111161362 B CN111161362 B CN 111161362B
- Authority
- CN
- China
- Prior art keywords
- image
- spectrum
- value
- gray
- tea
- 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.)
- Active
Links
- 235000009024 Ceanothus sanguineus Nutrition 0.000 title claims abstract description 33
- 240000003553 Leptospermum scoparium Species 0.000 title claims abstract description 33
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 239000002689 soil Substances 0.000 claims abstract description 30
- DATAGRPVKZEWHA-YFKPBYRVSA-N N(5)-ethyl-L-glutamine Chemical compound CCNC(=O)CC[C@H]([NH3+])C([O-])=O DATAGRPVKZEWHA-YFKPBYRVSA-N 0.000 claims abstract description 26
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 13
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 13
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 13
- 229940026510 theanine Drugs 0.000 claims abstract description 13
- 235000015097 nutrients Nutrition 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 4
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 4
- 241001122767 Theaceae Species 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000630 rising effect Effects 0.000 abstract description 3
- 244000269722 Thea sinensis Species 0.000 abstract 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 6
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 239000011591 potassium Substances 0.000 description 6
- 229910052700 potassium Inorganic materials 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- WYWFMUBFNXLFJK-UHFFFAOYSA-N [Mo].[Sb] Chemical compound [Mo].[Sb] WYWFMUBFNXLFJK-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003321 atomic absorption spectrophotometry Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 244000213578 camo Species 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种茶树生长状态光谱影像鉴别方法,包括建立土壤养分含量BP神经网络模型,获取单元获取茶树叶源图像,建立灰度直方图统计图像灰度分布,完成叶片图像边缘特征点的提取,采集特征区域内茶树叶光谱信息,提取纹理参数图,利用多元线性回归对茶氨酸、叶绿素的含量估算,建立土壤养分与茶氨酸、叶绿素的估算含量的偏最小二乘回归监测模型。本发明的茶树生长状态光谱影像鉴别方法通过土壤光谱来估算茶树叶中茶氨酸和叶绿素含量,估算效果好,提取的特征有曲线峰、谷的位置,曲线峰、谷的个数和曲线上每一像元在每一波段的上升或下降的趋势等,在一定程度上消除了随机影响,多次阈值评估有效避免了无效样本带来的误差。
Description
技术领域
本发明属农作物信息提取领域,尤其涉及一种茶树生长状态光谱影像鉴别方法。
背景技术
传统的茶树叶信息获取方法主要为基于人类视觉的经验判断方法以及基于破坏性试验的化学分析方法。但是这些传统方法都具有很大的不足之处,不能对整片区域的茶树生长状态与本区域地理环境信息相结合,不能够实现茶树的区域生长状态的快速鉴别。
发明内容
为解决传统方法不能对整片区域的茶树生长状态与本区域地理环境信息相结合,不能够实现茶树的区域生长状态的快速鉴别的问题,本发明提供了一种茶树生长状态光谱影像鉴别方法。
本发明是这样实现的,本发明的茶树生长状态光谱影像鉴别方法包括:
步骤一、选取土壤航空高光谱的光谱统计量、光谱特征值和光谱信息量作为因变量,计算参量后,建立光谱与土壤养分训练数据集;
步骤二、将土壤光谱参量作为一组互联的节点,元素含量作为输出,进行神经网络训练,生成多层感知器,建立土壤养分含量BP神经网络模型;
步骤三、如果存在某一选定区域的土壤养分的不相似度大于设定阈值,重新选取区域土壤航空高光谱;
步骤四、通过图像获取单元获取茶树叶源图像,建立灰度直方图统计图像灰度分布,通过分段灰度线性变换增强图像对比度后,使用高斯滤波进行平滑处理,完成图像的预处理;
步骤五、在预处理后的茶树叶图像上选取特征区域,使用Canny算子完成图像边缘特征点的提取,确定图像中的前景图像的图像边界;
步骤六、采用野外近地高光谱图像采集***采集特征区域内茶树叶光谱信息,由图像预处理模块对光谱曲线进行预处理;
步骤七、由高光谱图像得到主成分图及特征波段的灰度图,从该特征波段的灰度图中提取纹理参数图,用纹理参数并对茶树叶指定元素含量进行预测,预测值小于设定阈值则将野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,重复步骤四至步骤六;
步骤八、对不同茶树叶取样样本中光谱信息中的同一提取特征进行不相似度评估,如果存在光谱信息中的某一特征的不相似度大于设定阈值,则采用野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,如果任一光谱信息中的某一特征不相似度小于设定阈值,则进入步骤九;
步骤九、利用最佳指数因子OIF选择最佳的波段组合,选出OIF最大的波段组合,利用多元线性回归对茶氨酸、叶绿素的含量估算;
步骤十、建立步骤二的BP神经网络模型所得土壤养分分别与步骤八所得茶氨酸、叶绿素的估算含量的偏最小二乘回归监测模型。
进一步,光谱统计量的参量选用光谱幅度的均值、中值、反差、方差、标准差和离散系数;
光谱特征值选用蓝边、绿边、黄边、红边、近红外灯、红外灯;
光谱信息量选用斜率、吸收指数、吸收深度、吸收宽度、积分和信息熵。
进一步,高光谱图像提取的特征包括极大波峰位置、极小波谷位置、上升趋势点数、下降趋势点数、大于均峰值点数、小于均谷值点数、大于均谷值点数、小于均峰值点数。
进一步,步骤四中,由图像预处理模块在Microsoft Visual Studio2005平台上实现多次平滑预处理,具体方法为:
将滑动窗中的值做平均运算,所得平均值作为平滑窗中点位置的值,采用奇数作为滑动窗口的大小,假设窗口尺寸k=2m+1,则对任意k点平均的方程式为:
进一步,步骤七中,每幅高光谱图像得到五个主成分图及特征波段的灰度图,从每幅灰度图中提取均值灰度图、方差灰度图、协同性灰度图、对比灰度图、相异性灰度图、信息熵灰度图、二阶矩灰度图和相关性灰度图八个纹理参数图,用获得的纹理图像的灰度平均值来代表纹理参数并建立PCA-BPNN模型对茶树叶指定元素含量进行预测,预测值小于设定阈值则将野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,重复步骤四至步骤六。
进一步,步骤七中,特征提取模块从经步骤六预处理后的光谱信息中提取特征,对提取特征采用以下算式,对大于设定的D阈值的异常样本进行剔除:
进一步,步骤八中,采用下列算法,使用基于KL散度的特征选择方法KLD对不同取样样本中光谱信息中的同一提取特征进行不相似度评估:
进一步,信息熵选择最佳指数:
其中,σi为第i波段的标准差,Rij为i,j波段的相关系数。
本发明的茶树生长状态光谱影像鉴别方法通过土壤光谱来估算茶树叶中茶氨酸和叶绿素含量,估算效果好,提取的特征有曲线峰、谷的位置,曲线峰、谷的个数和曲线上每一像元在每一波段的上升或下降的趋势等,在一定程度上消除了随机影响,多次阈值评估有效避免了无效样本带来的误差。
附图说明
图1是本发明实施例提供的茶树生长状态光谱影像鉴别方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
本实施例于2019年5月1日测量了绍兴市越城区鉴湖镇芳泉村茶园和龙井43的茶叶光谱。
本发明的茶树生长状态光谱影像鉴别方法包括:
S101、选取土壤航空高光谱的光谱统计量、光谱特征值和光谱信息量作为因变量,计算参量后,建立光谱与土壤养分训练数据集;
图像获取单元采用高清摄像机获取茶树叶源图像;
S102、将土壤光谱参量作为一组互联的节点,元素含量作为输出,进行神经网络训练,生成多层感知器,建立土壤养分含量BP神经网络模型;
通过BP神经网络法,测出选定区域土壤全氮、全磷和全钾的预测值,构建一个4层神经网络,即18-5-3-1,含有2个隐层,完成土壤养分预测模型的建立。神经元学习率为4,采用最小均方根误差法设置训练误差函数,隐藏层神经元激励函数为传递函数tansig,输出层神经元激励函数为线性函数purelin,训练权值更新的方法为含有动量的自适应梯度下降法ADAPTgdwm。
实验室全氮、全磷和全钾含量分别采用凯氏定氮法、NaOH碱熔钼锑抗比色法和钾火焰原子吸收分光光度法测定含量,与实验室测量值误差分别为1.3%、0.16%、0.81%,实现了航空高光谱土壤养分的选取。
利用AMORE包实现BP神经网路的建立,航空高光谱波段运算由ENVI5.3的bandmatch实现。
S103、如果存在某一选定区域的土壤养分的不相似度大于设定阈值,重新选取区域土壤航空高光谱;
S104、通过图像获取单元获取茶树叶源图像,建立灰度直方图统计图像灰度分布,通过分段灰度线性变换增强图像对比度后,使用高斯滤波进行平滑处理,完成图像的预处理;
S105、在预处理后的茶树叶图像上选取特征区域,使用Canny算子完成图像边缘特征点的提取,确定图像中的前景图像的图像边界;
S106、采用野外近地高光谱图像采集***采集特征区域内茶树叶光谱信息,由图像预处理模块对光谱曲线进行预处理,从该预处理后的光谱中提取特征,对提取的特征中的异常样本进行剔除后用特征向量代替光谱向量;
该步骤中,高光谱图像提取的特征包括极大波峰位置、极小波谷位置、上升趋势点数、下降趋势点数、大于均峰值点数、小于均谷值点数、大于均谷值点数、小于均峰值点数;
该步骤中,特征提取模块从经步骤S103预处理后的光谱信息中提取特征,对提取特征采用以下算式,对大于设定的D阈值的异常样本进行剔除:
式中,D为设定的剔除距离,X为训练样本,为样本平均值,Mcov为样本协方差矩阵;
该高光谱图像采集***包括了成像光谱仪(imspector V10E)、图像采集卡(NI-PCIe6430&NI-6036E)、电子控制单元及笔记本电脑;
该步骤中,由图像预处理模块在Microsoft Visual Studio2005平台上实现多次平滑预处理,具体方法为:
将滑动窗中的值做平均运算,所得平均值作为平滑窗中点位置的值,采用奇数作为滑动窗口的大小,假设窗口尺寸k=2m+1,则对任意k点平均的方程式为:
式中,i为曲线上的点号,j为平滑窗口中的点号,Yi为第i点平滑后的数值,yi为平滑前曲线上点的原数值,n为曲线上的总点数;
为了减少运算中的偏差,通常共不参与下一点的平滑运算。即在编程实现时,应预先定义两个数组分别存放平滑前和平滑后曲线点的数值。在具体的实验中均值滤波窗口的尺度选择非常关键,尺度过小则无法消除噪声,尺度过大则过度的消弱了波峰波谷。本实施例选用的窗口尺度为3,即m取值为1,并对曲线进行连续2次滤波,以提高平滑效果;
S107、由高光谱图像得到主成分图及特征波段的灰度图,从该特征波段的灰度图中提取纹理参数图,用纹理参数并对茶树叶指定元素含量进行预测,预测值小于设定阈值则将野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,重复步骤S104至步骤S106;
该步骤中,茶树叶指定元素为氮、磷、钾,根据经验值设定阈值,如果预测值小于设定阈值,说明该样本中的茶树叶存在病害或者枯死等情况不适用于高光谱提取,需要调整摄像头重新选样;
每幅高光谱图像得到五个主成分图及特征波段的灰度图,从每幅灰度图中提取均值灰度图、方差灰度图、协同性灰度图、对比灰度图、相异性灰度图、信息熵灰度图、二阶矩灰度图和相关性灰度图八个纹理参数图,用获得的纹理图像的灰度平均值来代表纹理参数并建立PCA-BPNN模型对茶树叶指定元素含量进行预测,预测值小于设定阈值则将野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,重复步骤S104至步骤S106;
S108、对不同茶树叶取样样本中光谱信息中的同一提取特征进行不相似度评估,如果存在光谱信息中的某一特征的不相似度大于设定阈值,则采用野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,如果任一光谱信息中的某一特征不相似度小于设定阈值,则进入步骤S109;
该步骤中,采用下列算法,使用基于KL散度的特征选择方法KLD对不同取样样本中光谱信息中的同一提取特征进行不相似度评估:
其中,Xi,Xj是Ω空间的两个随机变量,Pi(x),Pj(x)为其概率密度。加入两个随机变量相等,则其概率密度也相等,KLD值为0,如果随机变量不同,则其差异性越大,KLD值越大。因此,通过计算两个随机变量之间的KLD值能够定量的评估其差异性;
S109、利用最佳指数因子OIF选择最佳的波段组合,选出OIF最大的波段组合,利用多元线性回归对茶氨酸、叶绿素的含量估算;
S110、建立步骤S102的BP神经网络模型所得土壤养分分别与步骤S109所得茶氨酸、叶绿素的估算含量的偏最小二乘回归监测模型。
本实施例的PLSR分析在Unscrambler9.7(CAMO ASA,Trondheim)软件中进行,采用“留一法”得到的内部交互验证均方根误差(RMSE)及决定系数(R2)来优化建模参数,而模型的预测性能通过验证均方根误差(RMSE)、决定系数(R2)及预测残差偏差(RPD)来评价;
本实施例选出OIF最大的波段组合,利用多元线性回归得到茶氨酸、叶绿素的含量估算的线性模型,分别比较了通过土壤高光谱图像估算的氮、磷、钾来估算茶氨酸、叶绿素的含量,模拟的茶氨酸含量、叶绿素含量和实测的茶氨酸含量、叶绿素含量之间的相关性均较好,R2均在0.85~0.91之间。
本发明的茶树生长状态光谱影像鉴别方法通过土壤光谱来估算茶树叶中茶氨酸和叶绿素含量,估算效果好,提取的特征有曲线峰、谷的位置,曲线峰、谷的个数和曲线上每一像元在每一波段的上升或下降的趋势等,在一定程度上消除了随机影响,多次阈值评估有效避免了无效样本带来的误差。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (7)
1.一种茶树生长状态光谱影像鉴别方法,其特征在于,包括:
步骤一、选取土壤航空高光谱的光谱统计量、光谱特征值和光谱信息量作为因变量,光谱统计量的参量选用光谱幅度的均值、中值、反差、方差、标准差和离散系数;
光谱特征值的参量选用蓝边、绿边、黄边、红边;
光谱信息量的参量选用斜率、吸收指数、吸收深度、吸收宽度、积分和信息熵;
计算参量后,建立光谱与土壤养分训练数据集;
步骤二、将土壤光谱参量作为一组互联的节点,元素含量作为输出,进行神经网络训练,生成多层感知器,建立土壤养分含量BP神经网络模型;
步骤三、如果存在某一选定区域的土壤养分的不相似度大于设定阈值,重新选取区域土壤航空高光谱;
步骤四、通过图像获取单元获取茶树叶源图像,建立灰度直方图统计图像灰度分布,通过分段灰度线性变换增强图像对比度后,使用高斯滤波进行平滑处理,完成图像的预处理;
步骤五、在预处理后的茶树叶图像上选取特征区域,完成图像边缘特征点的提取,确定图像中的前景图像的图像边界;
步骤六、采用野外近地高光谱图像采集***采集特征区域内茶树叶光谱信息,由图像预处理模块对光谱曲线进行预处理;
步骤七、由高光谱图像得到主成分图及特征波段的灰度图,从该特征波段的灰度图中提取纹理参数图,用纹理参数对茶树叶指定元素含量进行预测,预测值小于设定阈值则将野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,重复步骤四至步骤六;
步骤八、对不同茶树叶取样样本中光谱信息中的同一提取特征进行不相似度评估,如果存在光谱信息中的某一特征的不相似度大于设定阈值,则野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,如果任一光谱信息中的某一特征不相似度小于设定阈值,则进入步骤九;
步骤九、利用最佳指数因子OIF选择最佳的波段组合,选出OIF最大的波段组合,利用多元线性回归对茶氨酸、叶绿素的含量估算;
步骤十、建立步骤二的BP神经网络模型所得土壤养分分别与步骤九所得茶氨酸、叶绿素的估算含量的偏最小二乘回归监测模型。
2.如权利要求1所述茶树生长状态光谱影像鉴别方法,其特征在于,高光谱图像提取的特征包括极大波峰位置、极小波谷位置、上升趋势点数、下降趋势点数、大于均峰值点数、小于均谷值点数、大于均谷值点数、小于均峰值点数。
3.如权利要求1所述茶树生长状态光谱影像鉴别方法,其特征在于,步骤四中,由图像预处理模块在Microsoft Visual Studio2005平台上实现多次平滑预处理,具体方法为:
将滑动窗中的值做平均运算,所得平均值作为平滑窗中点位置的值,采用奇数作为滑动窗口的大小,假设窗口尺寸k=2m+1,则对任意k点平均的方程式为:
式中,i为曲线上的点号,j为平滑窗口中的点号,为第i点平滑后的数值,/>为平滑前曲线上点的原数值,n为曲线上的总点数。
4.如权利要求1所述茶树生长状态光谱影像鉴别方法,其特征在于,步骤七中,每幅高光谱图像得到五个主成分图及特征波段的灰度图,从每幅灰度图中提取均值灰度图、方差灰度图、协同性灰度图、对比灰度图、相异性灰度图、信息熵灰度图、二阶矩灰度图和相关性灰度图八个纹理参数图,用获得的纹理图像的灰度平均值来代表纹理参数并建立PCA-BPNN模型对茶树叶指定元素含量进行预测,预测值小于设定阈值则将野外近地高光谱图像采集***中的摄像头按照预设角度值旋转,重复步骤四至步骤六。
5.如权利要求1所述茶树生长状态光谱影像鉴别方法,其特征在于,步骤七中,特征提取模块从经步骤六预处理后的光谱信息中提取特征,对提取特征采用以下算式,对大于设定的D阈值的异常样本进行剔除:
式中,D为设定的剔除距离,X为训练样本,/>为样本平均值,/>为样本协方差矩阵。
6.如权利要求1所述茶树生长状态光谱影像鉴别方法,其特征在于,步骤八中,采用下列算法,使用基于KL散度的特征选择方法KLD对不同取样样本中光谱信息中的同一提取特征进行不相似度评估:
其中,/>,/>是/>空间的两个随机变量,/>,/>为其概率密度,加入两个随机变量相等,则其概率密度也相等,KLD值为0,如果随机变量不同,则其差异性越大,KLD值越大。
7.如权利要求3所述茶树生长状态光谱影像鉴别方法,其特征在于,信息熵选择最佳指数:
其中,/>为第i波段的标准差,/>为i,j波段的相关系数,n为曲线上的总点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041081.5A CN111161362B (zh) | 2020-01-15 | 2020-01-15 | 一种茶树生长状态光谱影像鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041081.5A CN111161362B (zh) | 2020-01-15 | 2020-01-15 | 一种茶树生长状态光谱影像鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161362A CN111161362A (zh) | 2020-05-15 |
CN111161362B true CN111161362B (zh) | 2024-02-09 |
Family
ID=70562941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010041081.5A Active CN111161362B (zh) | 2020-01-15 | 2020-01-15 | 一种茶树生长状态光谱影像鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161362B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724796A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 化工装置尾气含氧量计算方法、装置、存储介质及处理器 |
CN112986240A (zh) * | 2021-02-03 | 2021-06-18 | 南京农业大学 | 一种基于叶片表型的茶树品种鉴定方法 |
CN113008890B (zh) * | 2021-03-09 | 2023-11-03 | 塔里木大学 | 基于无人机高光谱的棉花叶片氮含量监测方法及*** |
CN113390797A (zh) * | 2021-07-20 | 2021-09-14 | 中国热带农业科学院湛江实验站 | 基于高光谱数据的菠萝叶片全磷含量估算方法 |
CN114140695B (zh) * | 2021-12-17 | 2024-04-26 | 青岛农业大学 | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和*** |
CN114539586B (zh) * | 2022-04-27 | 2022-07-19 | 河南银金达新材料股份有限公司 | 一种聚合物膜的表面处理生产和检测工艺 |
CN114711010B (zh) * | 2022-06-09 | 2022-09-02 | 苏州农业职业技术学院 | 一种月季栽培中水土肥管理方法、***及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
-
2020
- 2020-01-15 CN CN202010041081.5A patent/CN111161362B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2016000088A1 (zh) * | 2014-07-02 | 2016-01-07 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
Non-Patent Citations (5)
Title |
---|
一种新的光谱参量预测黑土养分含量模型;张东辉;赵英俊;秦凯;;光谱学与光谱分析(第09期);全文 * |
光谱及高光谱成像技术在作物特征信息提取中的应用研究;马淏;中国博士学位论文全文数据库(电子期刊) 信息科技辑;全文 * |
基于高光谱图像技术的番茄叶片和植株抗氧化酶***活性测定研究;邹强;中国硕士学位论文全文数据库(电子期刊) 信息科技辑;全文 * |
茶叶光谱与叶绿素、茶氨酸、茶多酚含量关系分析;余涛;胡波;孙睿;金志凤;王岳飞;张蕾;徐伟燕;刘刚;;遥感技术与应用(05);全文 * |
高光谱图像分割研究;樊静;中国硕士学位论文全文数据库(电子期刊) 信息科技辑;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111161362A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
CN111738138B (zh) | 一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法 | |
CN114648705B (zh) | 一种基于卫星遥感的碳汇监测***及方法 | |
CN111914696A (zh) | 一种基于迁移学习的高光谱遥感影像分类方法 | |
CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN111896495A (zh) | 基于深度学***猴魁产地甄别方法及*** | |
CN109598284A (zh) | 一种基于大间隔分布和空间特征的高光谱图像分类方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及*** | |
Yang et al. | Rapid image detection and recognition of rice false smut based on mobile smart devices with anti-light features from cloud database | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
Kumawat et al. | Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping | |
CN111259914B (zh) | 一种茶树叶特征信息高光谱提取方法 | |
CN115494009A (zh) | 一种烟叶成熟度的智能判别方法及*** | |
CN113469084B (zh) | 基于对比生成对抗网络的高光谱图像分类方法 | |
CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
CN114972879A (zh) | 一种基于机器学习的绿潮面积遥感监测方法 | |
CN109726641B (zh) | 一种基于训练样本自动优化的遥感影像循环分类方法 | |
CN114549494A (zh) | 一种温室生产环境下草莓白粉病快速检测方法 | |
CN112966781A (zh) | 基于三元组损失和卷积神经网络的高光谱图像分类方法 | |
CN112364773A (zh) | 基于l1正则约束深度多示例学习的高光谱目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230926 Address after: Room 709, Building C, Caohu Science Park, West Jiaotong University, No. 1, Guantang Road, Caohu Street, Xiangcheng Economic and Technological Development Zone, Suzhou, Jiangsu 215000 Applicant after: Suzhou partner Experimental Equipment Co.,Ltd. Address before: Room 718, No. 2, Xugongqiao Road, Huaqiao Town, Kunshan City, Suzhou City, Jiangsu Province, 215300 Applicant before: KUNSHAN XIAOCHA INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |