CN113466142B - 一种多尺度果品散射偏振光谱成像定量检测方法 - Google Patents
一种多尺度果品散射偏振光谱成像定量检测方法 Download PDFInfo
- Publication number
- CN113466142B CN113466142B CN202110673041.7A CN202110673041A CN113466142B CN 113466142 B CN113466142 B CN 113466142B CN 202110673041 A CN202110673041 A CN 202110673041A CN 113466142 B CN113466142 B CN 113466142B
- Authority
- CN
- China
- Prior art keywords
- fruit
- different
- scale
- polarization
- spectrum
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 247
- 230000010287 polarization Effects 0.000 title claims abstract description 118
- 238000001228 spectrum Methods 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000003384 imaging method Methods 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 239000002420 orchard Substances 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 70
- 230000008859 change Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002791 soaking Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000003746 surface roughness Effects 0.000 claims description 2
- 238000003306 harvesting Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 244000018633 Prunus armeniaca Species 0.000 description 5
- 235000009827 Prunus armeniaca Nutrition 0.000 description 5
- 241001247821 Ziziphus Species 0.000 description 4
- 244000126002 Ziziphus vulgaris Species 0.000 description 4
- 235000008529 Ziziphus vulgaris Nutrition 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000000693 micelle Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种多尺度果品散射偏振光谱成像定量检测方法,包括:利用多光谱无人机多角度、多高度拍摄不同区域、不同波段下的果品偏振光谱图像;利用近红外光谱仪采集标记样品光谱,提取果品的光谱分形特征;利用SSIM方法和2DCOS软件描述果品偏振光谱图像的相似度,通过对不同方向多光谱偏振图像灰度区域标定和果品品质实验验证。通过多尺度模型传递和多角度定量反演,建立不同特征尺度多尺度品质检测模型;还可以根据果品不同成熟期实验分析,优化多尺度多尺度品质检测模型系数。本发明分析果园不同偏振角度下光谱图像特性与果品孔径之间的对应关系,实现对大面积分布果品的品质分布情况进行准确估计,为果品检测、加工和农机收获提供技术支撑。
Description
技术领域
本发明涉及果品无损检测技术领域,更具体的说是涉及一种多尺度果品散射偏振光谱成像定量检测方法。
背景技术
高品质成为现代水果产业竞争的一个关键因素,仅关注水果的外部品质是远远不够的,人们越来越关注水果的内在品质。而无损检测是指在不破坏样品的情况下,对其内外部品质进行测定,但是,在果品无损定量检测中,由于果品内部组织有各种尺度粒子微团,不同微团折射率分布和空间排列方式各种各样,局部和整体特征有相似的分形特征。进入探测器的光是经果品组织不同部位多次散射、衍射等各种现象叠加在一起,对检测结果有较大影响。
目前,在不同距离遥感检测时,多采用多点取平均的方式获得品质光谱,并未考虑空间结构或角度方位在光谱传输中光谱密度变化。而且果品不同成熟期,成分折射率和孔径分布有较大变化,引起组织微观结构有较大差异,不同特征尺度表征功能差别较大。现有技术中对果品表皮成分进行检测时,并没有考虑由于组织微观结构变化对光谱影响。
由于不同尺度下光场照明方位差异等因素的影响,果品单叶和冠层尺度光谱无损检测结果有较大差异。同时,进行户外检测时,会受到温度,光照等环境因素干扰,尤其检测果树不同生长方位的果品品质,检测难度更大,且其检测精度较低。
因此,如何提供一种在不同尺度下能够对水果表面特征和内在品质进行一致性检测,且检测精度高的果品空间光谱成像定量检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种多尺度果品散射偏振光谱成像定量检测方法,能够开展户外多尺度定量检测,提高不同特征尺度下果品品质的检测效率和检测精度,实现对果园果品的品质分布情况进行准确估计,为果品检测、加工、农机收获和农艺设计综合管理服务提供技术支撑。
为了实现上述目的,本发明采用如下技术方案:
一种多尺度果品散射偏振光谱成像定量检测方法,包括以下步骤:
1、多尺度光谱与成像标定:
利用多光谱无人机多角度、多高度拍摄不同区域、不同波段下的多尺度果品偏振光谱图像,并进行预处理;
在实际操作中,以采集果树冠层果品图像为例,采用不同的分形算法分别提取果品、果树叶和果树枝的光谱分形特征,得到不同区域、不同拍摄角度和不同拍摄高度下的果树枝偏振光谱图像、果树叶偏振光谱图像和果品偏振光谱图像,最终提取果品偏振光谱图像作为待检测图像。
利用近红外光谱仪采集指向性标记样品光谱,(指向性样品采集标记方法具体见已申请发明专利:一种果品空间结构品质光谱分形成像方法)建立不同方向相机拍摄标准板和果品角度模型库,标定相机不同方向图像灰度差异。
由2dcos软件分析判断不同方位果品光谱反射率差异很小区域如0.01-0.03,所在方向为标定相机图像拍摄方向和校准区域,以此为拍摄基准和参考方向。当光谱反射率差值越大,则越趋近于校准边界。并给出拍摄角度变化的指向性判据。当差值大于0.03,则视为超出边界区域需重新改变方向,确定新的拍摄方向和校准区域,将光谱反射率差值作为校准区域和拍摄方向的判据,通过调整差值改变校准精度和方向,为智能精准推送提供数据支持。
利用SSIM方法描述任意两个所述果品偏振光谱图像的相似度,并利用二维相关性软件分析不同拍摄角度和不同拍摄高度下的光谱反射率变化规律;将光谱反射率差值作为校准区域和拍摄方向的判据,通过调整差值改变校准精度和方向,通过多尺度光谱偏振反射率差值确定定量反演区域中心还是边界,形成单个和冠层多尺度果品品质分布判据,通过冠层光谱分布差值约束单个果品光谱差值。
果品属于生物组织,品质分布多样性特征是生长环境适应性的表现。通过有光照指向性单个和冠层样品标记和多角度偏振试验,多尺度光谱偏振反射率差值确定定量反演区域中心还是边界,形成单个和冠层多尺度果品品质分布判据,冠层光谱分布差值约束单个果品光谱差值。
当某个果品光谱与冠层果品平均光谱差值小于中心区域差值,则该区域果品品质较好,当某个果品光谱与冠层果品平均光谱差值大于于中心区域差值。则该区域果品品质一致性较差。由单个到冠层多尺度光谱判据为果品品质分布环境调控提供参考,某个果品值通过不同叶片密度和光照等多环境因子获得果品品质大数据***,为今后机械化修剪果树枝条、叶片密度和增加光照之间智能决策提供支持,实现基于角度大数据智慧农业精准推送,为农机和农艺融合提供技术支持。
2、多尺度模型传递和多角度定量反演:
将不同品质果品放在标记方位,通过相机不同角度拍摄图像,获得不同方位反射率角度数据库。通过不同偏振方向反射率线性组合反演不同入射角度反射率。建立多角度偏振反射率模型预测果品品质分布;通过增加偏振和方向角度分辨率,增强区分特征角度标定相机不同方向果品图像灰度差异,提高多角度偏振反射率模型检测精度和稳定性。
通过多角度偏振反射率定量预测模型与多角度偏振标定相互验证和优化线性组合系数,提高检测模型精度和稳定性。实现某一探测方向多偏振反射率线性组合即可反演不同入射角的反射率。通过镜头前偏振方向改变即可获得入射角的反射率提高角度适应性。
将不同品质果品放在标记距离,通过相机不同距离拍摄图像,预测果品品质分布;建立特征尺度标定相机不同距离果品图像灰度差异。通过光谱与成像定量预测模型与反复实验提高检测模型精度。
预先拟合不同散射角度和不同偏振角度下果品微观组织结构与光谱反射率之间的对应关系,构建多尺度品质检测模型;
基于所述多尺度品质检测模型分析所述果品偏振光谱图像中光谱反射率变化规律与果品孔径之间的对应关系,得到多尺度果品品质的检测结果。以果树冠层为例,即得到得到果树冠层不同方位果品的品质分布情况。
优选的,在上述一种多尺度果品散射偏振光谱成像定量检测方法中,所述S1中的预处理具体包括:
获得同一区域、同一拍摄高度下的果园的16个波段下的果品偏振光谱图像;每个波段对应8个偏振方向,所述8个偏振方向分别为00、300、450、600、900、1200、1350和1500;
将16个波段下的果品偏振光谱图像的中心对准,并进行剪裁,得到128个tif格式图片;
修改头文件,编辑几何方位、波长及偏振角度信息,依次将128个tif格式图片合并,并导入一个tif文件;
利用envi对tif文件进行分析处理,并进行黑白校准预处理,提取特征角度反射率,获得果品多尺度多角度偏振反射率数据库;
利用近红外光谱仪采集标记样品光谱,利用不同的分形算法实现多波段,多角度方向,多偏振方向的果品特征提取。
优选的,在上述一种多尺度果品散射偏振光谱成像定量检测方法中,利用不同的分形算法实现多波段,多角度方向,多偏振方向的果品特征提取,包括:
确定各个波段下所述果品偏振光谱图像的配准控制点,利用所述配准控制点对各波段下的所述果品偏振光谱图像进行图像配准;将不同品质果品放在标记方位,通过相机不同角度拍摄图像,获得不同方位反射率角度数据库;通过不同偏振方向反射率线性组合反演不同入射角度反射率;
利用光谱角匹配算法分类识别不同波段下的反射率差异;
基于所述反射率差异提取不同波段下所述果品偏振光谱图像中的果品特征。
优选的,在上述一种多尺度果品散射偏振光谱成像定量检测方法中,S2中果品偏振光谱图像的成像过程,还包括:
地面定标:原位拍摄标定板的反射率,将标定板作为背景,并对果品偏振光谱图像的不同波段下反射率进行黑白校准。
优选的,在上述一种多尺度果品散射偏振光谱成像定量检测方法中,S3包括:
获取不同方位下的树上果品,作为果品样品,并进行多角度偏振实验,得到果品样品偏振光谱图像;
利用miepiot软件分析不同果品样品的光谱反射率差异;
对果品样品进行浸泡或干燥处理,对果品孔径大小进行调节,并获得果品样品不同方位以及不同偏振方向下的孔径大小;
拟合不同散射角度和不同偏振方向下果品孔径与光谱反射率之间的对应关系,构建所述多尺度品质检测模型。
优选的,在上述一种多尺度果品散射偏振光谱成像定量检测方法中,果品的含水量与果品的孔径大小和果品品质相关。
优选的,在上述一种多尺度果品散射偏振光谱成像定量检测方法中,S3还包括:
采用树上晾晒模式,依据树形特征(圆锥形、纺锤形、Y型)利用高光谱相机对树上不同方位的果品样品在不同时段下进行多角度、多偏振方向拍摄,得到室外果树冠层果品空间方位光谱图像,并建立多尺度果品晾晒参数模型;
采用室内或室外地面晾晒模式,得到果品样品模拟堆,改变果品样品模拟堆的间距、高度和光照角度,得到不同尺度起伏的方位特征,等效于表面粗糙度的方法定量化描述堆放参数,对各方位特征进行多角度、多偏振方向拍摄,得到果品室内空间方位光谱图像,并建立多尺度果品堆放参数模型;
基于室外果树冠层果品空间方位光谱图像和果品室内空间方位光谱图像,利用miepiot软件分析不同晾晒模式下以及不同方位特征下,果品样品的光谱反射率差异;
将树上果品和地面晾晒果品等效为不同形状特征的检测面,利用立体相机拍摄各检测面的纹理信息,得到果品多角度、多偏振方向下的微观组织结构;
基于果品样品多角度偏振下的微观组织结构和光谱反射率差异,得到果品孔径与光谱反射率之间的对应关系;
基于果品孔径与光谱反射率之间的对应关系,构建多尺度品质检测模型。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种多尺度果品散射偏振光谱成像定量检测方法,本发明通过多尺度特征模拟定标场,进行不同尺度下果品光谱空间光谱变化规律研究,通过提取典型环境条件关键参数进行多尺度模型传递和多角度定量遥感;开展地面高精度模型和无人机模型等不同尺度和方位间模型传递,开展地面和空中协同反演果品品质,能够对果园果树冠层果品的品质分布情况进行准确估计,实现对果品品质的大面积、快速、高精度检测。能够开展户外多尺度定量检测,提高不同特征尺度下果品品质的检测精度和检测效率。为开展地面水平小角度和无人机垂直协调反演大面积果品品质检测提供依据,为果品检测、加工、农机收获、农艺设计、大数据智慧农业精准推送综合管理服务提供技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的多尺度果品散射偏振光谱成像定量检测方法的流程图;
图2附图为本发明提供的不同偏振角度下的户外小白杏的图像;
图3附图为本发明提供的白杏叶片和白杏果实的反射率图;
图4附图为本发明提供的不同偏振方向反射率线性组合反演不同入射角度反射率的实验布设图;
图5附图为本发明提供的含水率检测结果示意图;
图6附图为本发明提供的30°和60°下不同偏振方向的红枣反射率曲线图;
图7附图为本发明提供的添加角度后,同一果品同一部位不同距离的光谱差异示意图不同角度、不同偏振条件下红枣的反射率曲线图;
图8附图为本发明提供的不同距离多视场角校准和预测区域示意图;
图9附图为本发明提供的不同角度下红枣光谱反射率差异示意图;
图10附图为本发明提供的无人机近地面遥感图像;
图11附图为本发明提供的红枣数据库在不同波段下的识别精度示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例公开了一种多尺度果品散射偏振光谱成像定量检测方法,包括以下步骤:
S1、利用多光谱无人机多角度、多高度拍摄不同区域、不同波段下的多尺度果品偏振光谱图像,并进行预处理;
比如可以用近红外光谱仪采集标记果品、果树叶子等光谱建立分别室内光谱库;建立室内和户外果品、果叶光谱偏振数据库;提取特征建立户外果树冠层果品特征角度分布库。
S2、利用SSIM方法描述任意两个果品偏振光谱图像的相似度,并利用二维相关性软件分析不同拍摄角度和不同拍摄高度下的光谱反射率变化规律,将不同距离和角度的光谱反射率差异很小的区域定义为特征尺度,提取不同特征尺度下的特征角度,建立不同品质特征角度果品品质反射率模型;
将不同品质果品放在标记方位,通过相机不同角度拍摄图像,获得不同方位反射率角度数据库。如图4所示,通过不同偏振方向反射率线性组合反演不同入射角度反射率。建立多角度偏振反射率模型预测果品品质分布;通过增加偏振和方向角度分辨率,增强区分特征角度标定相机不同方向果品图像灰度差异,提高多角度偏振反射率模型检测精度和稳定性。
通过多角度偏振反射率定量预测模型与多角度偏振标定相互验证和优化线性组合系数,提高检测模型精度和稳定性。实现某一探测方向多偏振反射率线性组合即可反演不同入射角的反射率。通过镜头前偏振方向改变即可获得入射角的反射率提高角度适应性。
将不同品质果品放在标记距离,通过相机不同距离多个拍摄方向拍摄图像,预测单个和冠层多尺度果品品质分布;建立特征尺度标定相机不同距离果品图像灰度差异。如图8所示。三角形实线框表示校准区域,虚线框表示预测区域,A表示校准区域与预测区域。B表示分别在h1和h2不同距离视场角的差异,其中多个环形围绕的实心矩形块表示相机拍摄位置,图中可见随着距离增加拍摄角度范围扩大相应拍摄次数增多。通过光谱与成像定量预测模型与反复实验提高检测模型精度。
S3、预先拟合不同散射角度和不同偏振角度下果品孔径与光谱反射率之间的对应关系,依据不同方向反射率差异,改变相机拍摄角度,使得该方向和区域反射率差异很小。可利用光谱仪对特征方向和区域图像灰度准确定标。
构建多尺度品质检测模型;
S4、基于多尺度品质检测模型分析果品偏振光谱图像中光谱反射率变化规律与果品孔径之间的对应关系,并通过光谱仪和相机冠层图像相互标定和验证优化实验模型系数,进行不同角度和尺度果品模型传递,得到大面积分布果品的品质分布情况。
下面,以果树冠层图像采集为例,对上述各步骤进行详细描述:
S1、多尺度光谱成像图像采集预处理:利用多光谱无人机多角度(前端加不同偏振片)、多高度实时拍摄不同波段的果园光谱图像,将16个波段下的果品偏振光谱图像;每个波段对应8个偏振方向,8个偏振方向分别为00、300、450、600、900、1200、1350和1500;将16个波段下的果品偏振光谱图像的中心对准,并进行剪裁,得到128个tif格式图片;利用envi对tif图片进行分析处理,并进行黑白校准;利用近红外光谱仪采集标记样品光谱,利用不同的分形算法实现多波段,多角度方向,多偏振方向的果品特征提取。建立果品-果树叶-果树枝偏振光谱库。
利用不同的傅里叶叠层算法实现多波段,多角度方向,多偏振方向的特征提取。果品分形特征:通过选择不同感兴趣区域大小和形状等,不同光谱预处理方法确定红枣和枣叶的提取光谱分形特征,建立不同距离、不同角度、不同偏振方向的光谱分形特征和图像分形特征。
先确定各个波段下果园偏振光谱图像的配准控制点,利用配准控制点对各波段下的果园偏振光谱图像进行图像配准;
再通过光谱角匹配多特征匹配打分机制进行分类识别不同偏振方向(即不同波段)的反射率差异;
最后基于反射率差异提取不同波段下果园偏振光谱图像中的果品、果树叶和果树枝特征,分别建立果树枝,果树叶,果品偏振光谱数据库。
地面定标:原位拍摄标定板的反射率,将标定板作为背景,并对果品偏振光谱图像的不同波段下反射率进行黑白校准。得到更为精准的不同角度、不同波段下的反射率差异。通过角度和偏振方位定标,提高户外多尺度果品品质的检测精度。
S2、数据处理方法为:灰度共生矩阵做纹理和灰度的差异表征。利用SSIM方法描述两个图像的相似度,利用2Dcos二维相关性分析方法,确定不同方位的光谱反射率相关系数光谱反射率。
利用2DCOS做不同条件干扰因素的动态分析。选出特征敏感波段外界环境变化对光谱变化影响规律,浸泡和改变角度距离都会引起光谱变化。对比环境因素改变前后光谱反射率变化,通过二维相关软件分析变化规律和特征。进行模型传递和分析.点扩散函数PSF和衍射传播光谱密度,不同距离尺度描述。
S3、预先构建多尺度品质检测模型:
对预先获得的果品进行浸泡或干燥处理,对果品孔径大小进行调节,得到不同干扰因素下的果品样品。
对果品样品进行多角度、多距离偏振实验,得到果品样品多角度偏振下的微观组织结构。
利用miepiot软件分析不同干扰因素下果品样品的光谱反射率差异;通过浸泡和干燥调节孔径大小,通过探测不同角度的散射描述品质,如含水量。
基于果品样品多角度偏振下的微观组织结构和光谱反射率差异,得到果品孔径与不同方位果品光谱反射率之间的对应关系。
基于果品孔径与光谱反射率之间的对应关系,构建多尺度品质检测模型。
利用多尺度品质检测模型预估果树冠层的品质分布。
S4、基于多尺度品质检测模型分析果品偏振光谱图像中光谱反射率变化规律与果品孔径之间的对应关系,得到果树冠层的品质分布情况。
多光谱相机和无人机多角度不同方位和角度定标,相机图像光谱强度变化,描述分布特征,偏振角度对应衬比度。
在其他实施例中,多尺度品质检测模型的具体构建过程还可以为:
引入地面定标场装置,改变定标场装置参数,分别建立单叶和冠层特征尺度库,可以模拟户内外晾晒堆放特征和两种模式。树上晾晒包括角度特征尺度5度,距离特征尺度5厘米,主要通过高光谱相机获取不同方位的果品空间光谱,建立果品室外空间方位光谱库。
引入果品室内方位模拟定标场,通过改变模拟堆的间距和高度获得不同起伏的方位特征。角度特征尺度5度,距离特征尺度5厘米。包括果品室内外晾晒堆放特征,改变光照角度不同特征的高光谱图像,利用2DCOS软件建立果品室内空间方位光谱库。
引入果品室外模拟定标场,利用早中晚不同时段,太阳高度角和方位角的变化等效不同光照角度。利用2DCOS软件建立室外空间光谱方位库。
基于光谱成像处理技术,获取不同角度下枣树等果树的纹理特征尺度,利用BRDF将枣树结构特征等效为特征尺度,即将粗糙度等效为特征尺度,通过多角度偏振获取不同粗糙度下的偏振光谱图像。
将果品不同方位光谱干涉,光谱密度差异,做归一化相关处理。
多尺度模型传递和多角度定量反演:
通过多尺度和多角度区域模型传递标定和实验验证,界定反演区域边界和精度。做水平探测和垂直探测的相关分析、结构反演和品质反演的对应关系、不同入射角和偏振角度的对应关系:将枣树和地面晾晒的红枣等效为粗糙度不同形状特征的检测面,基于BRDF理论确定等效特征尺度。利用立体相机拍摄获得纹理信息,通过计算确定粗糙度-分形之间的对应关系。通过多光谱相机拍摄获取图像信息,提取结构和形状特征,以对不同品质和结构的果品进行特征尺度检测。
不同方位的空间光谱干涉,改变了光谱强度的密度分布特征。通过偏振方法获取不同方位的空间光谱变化规律。将光谱图像的强度变化量和光谱分辨率结合起来,进行空间光谱偏振态的相关分析。
定标:计算成像获取不同偏振方向的定标结果,可采用移动式的定标场:不同堆放形状特征的模具,形状不限于方形,圆形,不同特征尺度的正弦波浪形。
利用立体相机拍摄果品样品的图像,通过处理获取果品样品的激光点云图,分析处理任意两点间的统计距离,作为粗糙度尺度,确定粗糙度和偏振峰值之间的对应关系。
QHY多光谱相机做苹果漫扩散实验,用不同波长940nm,532nm,进行激光散射实验,利用点扩散函数获得不同波长下的光谱图像。
根据光谱图像确定散射分布曲线。
最后基于不同品质果品散射分布曲线,构建多尺度品质检测模型。
本发明进行了如下室内外多光谱实验:
分别采集室外不同偏振下小白杏图片,如图2所示。分别对白杏果实及叶片进行反射率采集,如图3所示,由于此时的果实尚未成熟,叶绿素含量与叶片基本一致,不能区分出叶片及果实。
如图4所示,在室内对不同含水率红枣进行多角度、多偏振试验,分别采集激光器与样品夹角为30°、60°、90°、120°、150°下的0°偏振、45°偏振、90°偏振、135°偏振下多光谱图像。将不同光源角度、不同偏振角度下的图像进行合成,如图5所示,为含水率检测结果示意图。如图6所示,为分别为30°和60°下,将不同偏振方向合成后的反射率变化曲线。如图7所示,可知通过添加角度信息与偏振信息,可以识别不同水分红枣。如图8-9所示,通过室内模拟枣树冠层,利用多光谱相机获取其多尺度光谱信息,可知在角度为60度时,光谱曲线有明显的差距。如图10-11所示,无人机搭载多光谱相机拍摄2020年11月22号农一师十团枣园,通过添加地理信息、配准、合成后得到一个多个波段的图像通过图像分析可明显区分枣树、枣叶、地面。最后建立红枣精确数据库,识别精确度可达0.995,为今后的大面积近地面遥感做铺垫。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种多尺度果品散射偏振光谱成像定量检测方法,其特征在于,包括以下步骤:
S1、多尺度光谱与成像标定:利用多光谱无人机多角度、多高度拍摄不同区域、不同波段下的多尺度果品偏振光谱图像,并进行预处理,建立多尺度多角度光谱模型库;
S2、利用SSIM方法描述多尺度多角度光谱模型库中任意两个所述果品偏振光谱图像的相似度,并利用二维相关性软件分析不同拍摄角度和不同拍摄高度下的光谱反射率变化规律;将光谱反射率差值作为校准区域和拍摄方向的判据,通过调整差值改变校准精度和方向,通过多尺度光谱偏振反射率差值确定定量反演区域中心还是边界,形成单个和冠层多尺度果品品质分布判据,通过冠层光谱分布差值约束单个果品光谱差值,为智能精准推送提供数据支持;
S3、多尺度模型传递和多角度定量反演;预先拟合不同散射角度和不同偏振角度下果品微观组织结构与光谱反射率之间的对应关系,构建多尺度品质检测模型;
S4、基于所述多尺度品质检测模型分析所述果品偏振光谱图像中光谱反射率变化规律与果品孔径之间的对应关系,得到多尺度果品品质的检测结果。
2.根据权利要求1所述的一种多尺度果品散射偏振光谱成像定量检测方法,其特征在于,所述S1中的预处理具体包括:
获得同一区域、同一拍摄高度下的果园的16个波段下的果品偏振光谱图像;每个波段对应8个偏振方向,所述8个偏振方向分别为00、300、450、600、900、1200、1350和1500;
将16个波段下的果品偏振光谱图像的中心对准,并进行剪裁,得到128个tif格式图片;
修改头文件,编辑几何方位、波长及偏振角度信息,依次将128个tif格式图片合并,并导入一个tif文件;
利用envi对tif文件进行分析处理,并进行黑白校准;
利用近红外光谱仪采集标记样品光谱,利用不同的分形算法实现多波段,多角度方向,多偏振方向的果品特征提取。
3.根据权利要求2所述的一种多尺度果品散射偏振光谱成像定量检测方法,其特征在于,利用不同的分形算法实现多波段,多角度方向,多偏振方向的果品特征提取,包括:
确定各个波段下所述果品偏振光谱图像的配准控制点,利用所述配准控制点对各波段下的所述果品偏振光谱图像进行图像配准;将不同品质果品放在标记方位,通过相机不同角度拍摄图像,获得不同方位反射率角度数据库;通过不同偏振方向反射率线性组合反演不同入射角度反射率;
利用光谱角匹配算法分类识别不同波段下的反射率差异;
基于所述反射率差异提取不同波段下所述果品偏振光谱图像中的果品特征。
4.根据权利要求3所述的一种多尺度果品散射偏振光谱成像定量检测方法,其特征在于,所述S2中果品偏振光谱图像的成像过程,还包括:
地面定标:原位拍摄标定板的反射率,将标定板作为背景,并对果品偏振光谱图像的不同波段下反射率进行黑白校准。
5.根据权利要求1所述的一种多尺度果品散射偏振光谱成像定量检测方法,其特征在于,所述S3包括:
获取不同方位下的果品样品,并进行多角度偏振实验,得到果品样品偏振光谱图像;
利用miepiot软件分析不同成熟期果品样品的光谱反射率差异;
对果品样品进行浸泡或干燥处理,对果品孔径大小进行调节,并获得果品样品不同方位以及不同偏振方向下的孔径大小;
拟合不同散射角度和不同偏振方向下果品孔径与光谱反射率之间的对应关系,构建所述多尺度品质检测模型。
6.根据权利要求5所述的一种多尺度果品散射偏振光谱成像定量检测方法,其特征在于,果品的含水量与果品的孔径大小和果品品质相关。
7.根据权利要求1所述的一种多尺度果品散射偏振光谱成像定量检测方法,其特征在于,S3还包括:
采用树上晾晒模式,依据树形特征利用高光谱相机对树上不同方位的果品样品在不同时段下进行多角度、多偏振方向拍摄,得到室外果树冠层果品空间方位光谱图像,并建立多尺度果品晾晒参数模型;
采用室内或室外地面晾晒模式,得到果品样品模拟堆,改变果品样品模拟堆的间距、高度和光照角度,得到不同尺度起伏的方位特征,等效于表面粗糙度的方法定量化描述堆放参数,对各方位特征进行多角度、多偏振方向拍摄,得到果品室内空间方位光谱图像,并建立多尺度果品堆放参数模型;
基于室外果树冠层果品空间方位光谱图像和果品室内空间方位光谱图像,利用miepiot软件分析不同晾晒模式下以及不同方位特征下,果品样品的光谱反射率差异;
将树上果品和地面晾晒果品等效为不同形状特征的检测面,利用立体相机拍摄各检测面的纹理信息,得到果品多角度、多偏振方向下的微观组织结构;
基于果品样品多角度偏振下的微观组织结构和光谱反射率差异,得到果品孔径与光谱反射率之间的对应关系;
基于果品孔径与光谱反射率之间的对应关系,构建多尺度品质检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673041.7A CN113466142B (zh) | 2021-06-17 | 2021-06-17 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673041.7A CN113466142B (zh) | 2021-06-17 | 2021-06-17 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113466142A CN113466142A (zh) | 2021-10-01 |
CN113466142B true CN113466142B (zh) | 2023-04-21 |
Family
ID=77870362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110673041.7A Active CN113466142B (zh) | 2021-06-17 | 2021-06-17 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113466142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783025A (zh) * | 2023-12-26 | 2024-03-29 | 安徽建筑大学 | 细菌微生物的多波长多角度三维光谱检测方法及装置 |
CN117664878B (zh) * | 2024-01-31 | 2024-04-19 | 北京市农林科学院信息技术研究中心 | 作物亩穗数测量***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11287712A (ja) * | 1998-02-09 | 1999-10-19 | Toppan Printing Co Ltd | 照明光分光特性推定方法及び装置、並びに分光特性推定プログラムを記録した情報記録媒体 |
CN102183467A (zh) * | 2011-01-24 | 2011-09-14 | 中国科学院长春光学精密机械与物理研究所 | 一种近红外谱区新疆红枣品质分级建模方法 |
CN107688003A (zh) * | 2017-09-04 | 2018-02-13 | 南京大学 | 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法 |
CN109596534A (zh) * | 2018-12-19 | 2019-04-09 | 塔里木大学 | 一种校正空间内不同方位的光谱图像的方法及装置 |
AU2020101709A4 (en) * | 2020-05-18 | 2020-09-17 | Zhejiang University | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle |
CN211893652U (zh) * | 2020-04-14 | 2020-11-10 | 吴发云 | 一种无人机多角度多光谱的植被光谱信息采集装置 |
CN112113930A (zh) * | 2020-09-01 | 2020-12-22 | 塔里木大学 | 一种杏果实品质多尺度表型方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7019777B2 (en) * | 2000-04-21 | 2006-03-28 | Flight Landata, Inc. | Multispectral imaging system with spatial resolution enhancement |
CN101210876A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于可见/近红外多光谱成像的水稻养分信息测量方法 |
CN101499167B (zh) * | 2009-03-17 | 2010-11-10 | 杨星 | 基于光谱反射特性与三色成像原理的灰度化方法 |
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
CN107860720B (zh) * | 2017-12-27 | 2019-11-19 | 清华大学 | 一种获取红枣品质的方法和装置 |
CN109580513B (zh) * | 2018-12-18 | 2021-06-11 | 塔里木大学 | 一种近地面遥感红枣含水率检测方法和装置 |
CN109459391B (zh) * | 2019-01-07 | 2021-07-23 | 塔里木大学 | 一种红枣品质检测、红枣偏振检测模型生成方法及装置 |
-
2021
- 2021-06-17 CN CN202110673041.7A patent/CN113466142B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11287712A (ja) * | 1998-02-09 | 1999-10-19 | Toppan Printing Co Ltd | 照明光分光特性推定方法及び装置、並びに分光特性推定プログラムを記録した情報記録媒体 |
CN102183467A (zh) * | 2011-01-24 | 2011-09-14 | 中国科学院长春光学精密机械与物理研究所 | 一种近红外谱区新疆红枣品质分级建模方法 |
CN107688003A (zh) * | 2017-09-04 | 2018-02-13 | 南京大学 | 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法 |
CN109596534A (zh) * | 2018-12-19 | 2019-04-09 | 塔里木大学 | 一种校正空间内不同方位的光谱图像的方法及装置 |
CN211893652U (zh) * | 2020-04-14 | 2020-11-10 | 吴发云 | 一种无人机多角度多光谱的植被光谱信息采集装置 |
AU2020101709A4 (en) * | 2020-05-18 | 2020-09-17 | Zhejiang University | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle |
CN112113930A (zh) * | 2020-09-01 | 2020-12-22 | 塔里木大学 | 一种杏果实品质多尺度表型方法 |
Non-Patent Citations (8)
Title |
---|
Bushra Zaman.Retrieval of spectral reflectance of high resolution multispectral imagery acquired with an autonomous unmanned aerial vehicle:Aggieair.《Photogrammetric engineering and remote sensing》.2014,第80卷(第80期),全文. * |
何洪巨 ; 胡丽萍 ; 李武 ; 陈兴海 ; 黄宇 ; 刘业林 ; .基于可见/近红外高光谱成像技术的西甜瓜糖度检测.中国食物与营养.2016,(第10期),全文. * |
刘严严 ; 徐世伟 ; .基于激光回波信号的目标检测技术研究.光电技术应用.2017,(第04期),全文. * |
晏磊 ; 顾行发 ; 褚君浩 ; 尤政 ; 刘世元 ; Hugh Motimor ; V.Chandrasekar ; .高分辨率定量遥感的偏振光效应与偏振遥感新领域.遥感学报.2018,(第06期),全文. * |
李伟 ; 罗华平 ; 索玉婷 ; 王长旭 ; 徐嘉翊 ; .冬枣水分高光谱快速反演模型研究.食品科技.2020,(第02期),全文. * |
沈宇 ; 房胜 ; 郑纪业 ; 王风云 ; 张琛 ; 李哲 ; .基于高光谱成像技术的富士苹果轻微机械损伤检测研究.山东农业科学.2020,(第02期),全文. * |
王力彦 ; 赵冬 ; 陈建平 ; .基于光谱响应函数的ZY-3卫星图像融合算法研究.宇航学报.2014,(第08期),全文. * |
马明国 ; 刘强 ; 阎广建 ; 陈尔学 ; 肖青 ; 苏培玺 ; 胡泽勇 ; 李新 ; 牛铮 ; 王维真 ; 钱金波 ; 宋怡 ; 丁松爽 ; 辛晓洲 ; 任华忠 ; 黄春林 ; 晋锐 ; 车涛 ; 楚荣忠 ; .黑河流域遥感―地面观测同步试验:森林水文和中游干旱区水文试验.地球科学进展.2009,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113466142A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
CN107271375B (zh) | 一种羊肉品质指标的高光谱图像检测方法 | |
Nevalainen et al. | Fast and nondestructive method for leaf level chlorophyll estimation using hyperspectral LiDAR | |
CN113466142B (zh) | 一种多尺度果品散射偏振光谱成像定量检测方法 | |
CN109459392A (zh) | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 | |
Ma et al. | Determining woody-to-total area ratio using terrestrial laser scanning (TLS) | |
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
CN108872140B (zh) | 一种户外监测红枣品质的方法及装置 | |
CN112541921A (zh) | 城市绿地植被信息数据化精准测定方法 | |
WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
Dutta et al. | Characterizing vegetation canopy structure using airborne remote sensing data | |
Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
Nevalainen et al. | Nitrogen concentration estimation with hyperspectral LiDAR | |
Badura et al. | A novel approach for deriving LAI of salt marsh vegetation using structure from motion and multiangular spectra | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
Islam et al. | A ground-based platform for reliable estimates of fruit number, size, and color in stone fruit orchards | |
CN112557325B (zh) | 一种果树果品品质近地面遥感监测装置和方法 | |
CN113326741B (zh) | 一种基于sar和光学影像的优化特征选择分类方法 | |
CN114674759A (zh) | 一种柑橘黄龙病快速检测装置及检测方法 | |
CN112113930A (zh) | 一种杏果实品质多尺度表型方法 | |
CN115994939A (zh) | 一种基于地面激光点云的树木叶面积估算方法 | |
CN115471753A (zh) | 一种结合专家知识和机器学习的树种精细分层分类方法 | |
CN112577954B (zh) | 城市绿地地上生物量估测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |