CN116310788A - 基于图谱融合的植株叶片氮含量高光谱建模方法 - Google Patents
基于图谱融合的植株叶片氮含量高光谱建模方法 Download PDFInfo
- Publication number
- CN116310788A CN116310788A CN202310025416.8A CN202310025416A CN116310788A CN 116310788 A CN116310788 A CN 116310788A CN 202310025416 A CN202310025416 A CN 202310025416A CN 116310788 A CN116310788 A CN 116310788A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- nitrogen content
- data
- leaf
- plant
- 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.)
- Pending
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 144
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 241000196324 Embryophyta Species 0.000 claims abstract description 48
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000010238 partial least squares regression Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000000701 chemical imaging Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 229910052736 halogen Inorganic materials 0.000 claims description 6
- 150000002367 halogens Chemical class 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 230000029087 digestion Effects 0.000 claims description 4
- 229910002804 graphite Inorganic materials 0.000 claims description 4
- 239000010439 graphite Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000002133 sample digestion Methods 0.000 claims 1
- 240000008042 Zea mays Species 0.000 description 22
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 22
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 21
- 235000005822 corn Nutrition 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 150000002894 organic compounds Chemical class 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 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
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/44—Sample treatment involving radiation, e.g. heat
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/16—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using titration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于图谱融合的植株叶片氮含量高光谱预测方法,包括:采集若干不同氮水平的植株叶片样本,获取叶片样本的高光谱数据并黑白校正;测量叶片氮含量的真实值作为标签;制作数据集;对采集高光谱数据进行预处理;提取高光谱数据中的图像纹理特征;提取光谱特征波段;将光谱特征和纹理特征进行融合;采用机器学习算法建立叶片氮含量预测模型,并结合训练集数据融合后的结果进行训练和优化模型;利用测试集中的高光谱数据输入优化后的预测反演模型,自动输出预测的当前叶片氮含量;现场采集植株叶片样本的高光谱数据,输入预测反演模型获得当前植株叶片样本的氮含量预测值。本方法能够精准、实时、快速预测,具有很好的应用价值。
Description
技术领域
本发明涉及植株光谱采集与分析技术领域,具体是基于图谱融合的植株叶片氮含量高光谱建模方法。
背景技术
氮含量作为植株重要的生长指标,是氨基酸、叶绿素等重要有机化合物的组分,缺氮会影响其物质的合成,降低光合作用能力,从而影响植株的生长、品质和产量,因此实时监测植株氮含量对其生长发育起着至关重要的作用。然而,基于化学方法检测叶片氮含量存在检测成本高、操作繁琐、时效性差、工作量大等问题。
随着无损检测技术的不断发展,高光谱成像技术已经广泛应用在作物营养元素的无损检测中。高光谱成像技术是光谱技术和图像技术的结合体,能够同时获取目标物的图像和光谱信息,进而实现对目标物外部性状特征的表征以及内部营养特征成分变化的监测。在以往的研究中,大多数都集中对植株内部特征光谱数据的研究,缺少对表征植株外部特征的可见光图像信息的分析,而单一的光谱特征无法描述植株营养元素整体的空间分布特征,降低了预测模型的准确性和鲁棒性。将植株的光谱特征和图像特征进行融合,能够有效缓解近红外光谱技术灵敏度低的缺点,并且改善了以往研究仅针对单一光谱信息存在的“同物异谱,同谱异物”的现象,提高了模型的精度和泛化能力。
发明内容
本发明的目的是针对现有预测技术的不足,而提供一种基于图谱融合的植株叶片氮含量高光谱建模方法。本研究充分考虑作物高光谱数据的光谱特征和图像特征与植株氮含量内在关系,探索一种新的研究思路,将植株叶片的光谱特征和图像特征进行融合构建植株叶片氮含量预测模型,实现精准、高效的无损预测。对作物的多角度立体监测,以提高高光谱成像技术营养诊断的普适性和实用性。这种方法能够精准、高效、实时预测,具有较好的发展前景。
实现本发明所采用的技术方案是:
基于图谱融合的植株叶片氮含量高光谱预测方法,包括:
S1、采集若干不同氮水平的植株叶片样本,获取叶片样本的高光谱数据并黑白校正;
S2、测量叶片氮含量的真实值作为标签;制作带有标签和高光谱数据的配对数据集;所述数据集包括训练集和测试集;
S3、对采集高光谱数据进行预处理;
S4、提取高光谱数据中的图像纹理特征;
S5、提取光谱特征波段;
S6、将光谱特征和纹理特征进行融合;
S7、采用机器学习算法建立叶片氮含量预测模型,并结合训练集数据融合后的结果进行训练和优化模型;
S8、利用测试集中的高光谱数据输入优化后的预测反演模型,自动输出预测的当前叶片氮含量;
S9、现场采集植株叶片样本的高光谱数据,输入建立的图谱融合-叶片氮含量的预测反演模型,获得当前植株叶片样本的氮含量预测值。
所述高光谱数据是采用高光谱相机在密闭环境下拍摄获取的。
所述高光谱数据是高光谱成像***采集的,所述高光谱成像***包括高光谱相机、三轴位移平台、卤素灯、暗箱,所述暗箱内设有1个或多个卤素灯;所述暗箱内底板用于放置植株叶片;所述三轴位移平台设于暗箱内,其上固定高光谱相机,所述相机视角朝向叶片,用于获取植株叶片的高光谱数据。
所述植株叶片为从试验区域采集的叶位相同、叶片无病害、叶面无破损、生长状态良好的植株叶片样本,并对样本进行统一编号。
是采用石墨消解仪进行样本消解,再采用凯氏定氮仪测量叶片样本氮含量的真实值。
所述对采集高光谱数据进行预处理,包括:将光谱反射率数据分别进行一阶导数、Savitzky-Golay平滑、标准正态变量、标准化的预处理,采用留一交叉验证法建模,以交叉预测集相关系数(R)和交叉预测集均方根误差(RMSE)为评价指标,筛选出上述四种方法中最佳的预处理方法。
是采用CARS-SPA算法,并根据均方根误差最小的原则,筛选出光谱数据的特征波段。
图像纹理特征的提取,具体包括:
a.提取R、G、B 3个波段下的灰度图像,进行融合生成一幅新的彩色图像;
b.采用灰度共生矩阵(GLCM)提取彩色图像中的图像纹理特征,包括4个不相关的统计特征量:
其中,Ent为纹理特征的熵变量,Asm为纹理特征的能量变量,Con为纹理特征的对比度变量,Idm为纹理特征的逆差矩比变量i为起始像素点灰度值,j为目标像素点灰度值,α为像素点间的相对距离,θ为像素点间的方向,P(i,j,α,θ)为从灰度值为i的像素点到灰度值为j的像素点的概率。
所述融合为将光谱特征和纹理特征归一化到0~1范围内,使其满足正态分布。
所述机器学习算法为采用偏最小二乘法回归(PLSR)或支持向量机回归(SVR)的机器学习算法;
所述优化模型为根据模型精度参数评价结果筛选采用何种机器学习算法建模;所述精度参数评价指标包括决定系数R2、均方根误差RMSE,对建立的叶片氮含量预测模型进行评价,具体的计算公式如下:
其中,xi为叶片氮素的实测值,yi为叶片氮含量的预测值,y为叶片氮含量实测值平均值,n为样品数;
所述模型验证采用Origin软件进行预测模型拟合。
本发明的有益效果及优点:
1.本技术方案相比于采用单一特征建模,能够充分考虑不同特征对氮含量的影响,在一定程度提升模型的预测性能和泛化能力,具有精度高、成本低、可靠性高等优势。
2.通过植株样本采集与处理、植株叶片氮含量测定、光谱数据预测、光谱特征波长提取、图像纹理特征提取、机器学习算法模型建立、高光谱预测模型建立和评价指标,使得本技术方案相较与基于单一特征预测模型,能够精准、高效预测,具有很好的应用价值。
3.这种方法能够广泛应用于实际科研中,为作物无损生长监测提供理论基础。
附图说明
图1为实施例中的方法流程示意图;
图2为实施例中的不同氮含量玉米叶片光谱曲线示意图;
图3为实施例中图谱融合后玉米叶片氮含量真实值与预测值的对比图;
图4为实施例的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明的目的,但不用来限定本发明的范围。
如图1所示,本发明提供了一种基于图谱融合的玉米氮含量高光谱建模方法,包括以下步骤:
S1:玉米叶片采集与处理:采集若干健康的样本,采用Specim Fx10e高光谱相机获取玉米叶片样本高光谱数据,波谱范围为400-1000nm,并对采集到的数据进行黑白校正以实现反射率校正,在本例中,实地采样时选取生长状态一致,叶位相同、叶片无病害的玉米叶片样本,对所有样本采集时进行统一采样,并在实验室利用高光谱相机获取玉米叶片的高光谱数据,如图2所示;
S2:测定S1中玉米叶片样本的氮含量:将样本进行烘干、称重、粉碎处理,采用石墨消解仪进行样本消解,再采用凯氏定氮仪测量玉米叶片氮含量氮含量值,在本例中,将样本置于烘箱中105℃烘烤30min,然后在80℃烘干24h,以便彻底去除叶片中的水分达到恒重状态。然后将烘干后样本进行称重、粉碎处理,采用石墨消解仪将样本消解为蓝绿色溶液,再采用凯氏定氮仪进行测量,得到玉米叶片氮含量的真实值,如表1所示。
表1
S3:对S1中采集高光谱数据进行预处理:将光谱反射率分别进行一阶导数、Savitzky-Golay平滑、标准正态变量、标准化的预处理,采用留一交叉验证法建模,以交叉预测集相关系数(R)和交叉预测集均方根误差(RMSE)为评价指标,筛选出上述四种方法中最佳的预处理方法;
S4:对S1中采集高光谱数据提取图像纹理特征:采用灰度共生矩阵(GLCM)提取高光谱数据中不相关的纹理特征,分别为熵、能量、对比度和逆差矩;
采用ENVI软件分别提取玉米叶片高光谱数据中R、G、B 3个波段的高光谱图像,并将将R、G、B 3个波段下的灰度图像进行融合,形成一副新的彩色图像。其表达式为:
其中,Ent为纹理特征的熵变量,Asm为纹理特征的能量变量,Con为纹理特征的对比度变量,Idm为纹理特征的逆差矩比变量,i为起始像素点灰度值,j为目标像素点灰度值,α为像素点间的相对距离,θ为像素点间的方向,P(i,j,α,θ)为灰度值为i的像素点到灰度值为j的像素点的概率,如图4所示,(a)为原始图像,(b)为纹理特征。
S5:提取光谱特征波段:采用CARS-SPA算法筛选出光谱数据的特征波段,根据均方根误差最小的原则,选出14个反射波长作为特征波长;
S6:将光谱特征和纹理特征进行数据层面上的融合,采用机器学习算法建立玉米叶片氮含量预测模型,其中,机器学习算法为偏最小二乘法和支持向量机回归,样本数据的4/5作为训练集,1/5为预测集,PLSR和SVR模型均在MATLAB软件中进行数据拟合,建立图谱融合的高光谱数据与玉米叶片氮含量之间的反演模型,在本例中,模型的拟合效果采用决定系数R2的大小检验,稳定性用均方根误差RMSE进行检验,R2越接近1,预测模型的拟合系效果越好,RMSE越小,模型稳定性越好。融合为将光谱特征和纹理特征进行数据层面上的融合处理,采用归一化处理将不同性质的光谱数据和纹理特征数据缩放到0~1范围内得到融合后特征,使其满足正态分布。
S7:分别采用光谱特征(14个反射波长作为特征波长)、纹理特征(熵、能量、对比度和逆差矩)、图谱融合(融合归一化后的融合特征)三种输入变量与PLSR、SVR两种模型建立玉米叶片氮含量预测模型,采用决定系数(R2)、均方根误差(RMSE),对S6中建立的玉米叶片氮含量预测模型进行评价,在MATLAB2018a软件中对玉米叶片氮含量的真实值和预测值进行拟合,不同模型玉米叶片氮含量预测精度如表2所示,从R2和RMSE这两个评价指标来看,PLSR模型的预测效果优于SVR模型,说明PLSR模型的抗干扰能力较强,能够克服变量多重相关性在模型的不良影响,提高预测模型的泛化性和鲁棒性。而基于图谱融合的PLSR模型的预测效果最好,R2为0.987,RMSE为0.047。相比单一光谱特征模型,基于图谱融合的PLSR模型预测集R2提升了0.18;相比单一纹理特征模型,预测集R2提高了0.182。说明图谱融合能够充分考虑影响玉米叶片氮含量的变量特征,改善了以往研究仅针对单一光谱信息特征存在的“同物异谱,同谱异物”的现象,提高了模型的精度以及泛化能力。
其中决定系数R2、均方根误差RMSE具体的计算公式如下:
式中,xi为玉米叶片氮素的实测值,yi为玉米叶片氮含量的预测值,y为全部玉米叶片样本的预测值的平均氮含量,n为样品数。
表2各种特征模型玉米叶片氮含量预测结果
如图4所示,为实施例的硬件结构示意图。硬件结构是高光谱成像***,包括高光谱相机、三轴位移平台、卤素灯、暗箱,所述暗箱内位于三轴平台的前后处设有2个固定架用于固定卤素灯;所述暗箱内校正底板用于放置植株叶片;所述三轴位移平台设于暗箱内,其上固定高光谱相机,所述相机视角朝向叶片,用于获取植株叶片的高光谱数据。三轴位移平台可以是有三个直线模组组成,直线模组上电机转动从而带动设置直线模组上的高光谱相机移动,实现三个维度上的运动。
以上所述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,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰应视为本发明的保护范围。
Claims (10)
1.基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,包括:
S1、采集若干不同氮水平的植株叶片样本,获取叶片样本的高光谱数据并黑白校正;
S2、测量叶片氮含量的真实值作为标签;制作带有标签和高光谱数据的配对数据集;所述数据集包括训练集和测试集;
S3、对采集高光谱数据进行预处理;
S4、提取高光谱数据中的图像纹理特征;
S5、提取光谱特征波段;
S6、将光谱特征和纹理特征进行融合;
S7、采用机器学习算法建立叶片氮含量预测模型,并结合训练集数据融合后的结果进行训练和优化模型;
S8、利用测试集中的高光谱数据输入优化后的预测反演模型,自动输出预测的当前叶片氮含量;
S9、现场采集植株叶片样本的高光谱数据,输入建立的图谱融合-叶片氮含量的预测反演模型,获得当前植株叶片样本的氮含量预测值。
2.根据权利要求1所述的基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,所述高光谱数据是采用高光谱相机在密闭环境下拍摄获取的。
3.根据权利要求2所述的基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,所述高光谱数据是高光谱成像***采集的,所述高光谱成像***包括高光谱相机、三轴位移平台、卤素灯、暗箱,所述暗箱内设有1个或多个卤素灯;所述暗箱内底板用于放置植株叶片;所述三轴位移平台设于暗箱内,其上固定高光谱相机,所述相机视角朝向叶片,用于获取植株叶片的高光谱数据。
4.根据权利要求1所述的基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,所述植株叶片为从试验区域采集的叶位相同、叶片无病害、叶面无破损、生长状态良好的植株叶片样本,并对样本进行统一编号。
5.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,是采用石墨消解仪进行样本消解,再采用凯氏定氮仪测量叶片样本氮含量的真实值。
6.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,所述对采集高光谱数据进行预处理,包括:将光谱反射率数据分别进行一阶导数、Savitzky-Golay平滑、标准正态变量、标准化的预处理,采用留一交叉验证法建模,以交叉预测集相关系数(R)和交叉预测集均方根误差(RMSE)为评价指标,筛选出上述四种方法中最佳的预处理方法。
7.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,是采用CARS-SPA算法,并根据均方根误差最小的原则,筛选出光谱数据的特征波段。
9.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法,其特征在于,所述融合为将光谱特征和纹理特征归一化到0~1范围内,使其满足正态分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025416.8A CN116310788A (zh) | 2023-01-09 | 2023-01-09 | 基于图谱融合的植株叶片氮含量高光谱建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025416.8A CN116310788A (zh) | 2023-01-09 | 2023-01-09 | 基于图谱融合的植株叶片氮含量高光谱建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310788A true CN116310788A (zh) | 2023-06-23 |
Family
ID=86778716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310025416.8A Pending CN116310788A (zh) | 2023-01-09 | 2023-01-09 | 基于图谱融合的植株叶片氮含量高光谱建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577287A (zh) * | 2023-07-12 | 2023-08-11 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集***、检测方法、装置及电子设备 |
-
2023
- 2023-01-09 CN CN202310025416.8A patent/CN116310788A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116577287A (zh) * | 2023-07-12 | 2023-08-11 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集***、检测方法、装置及电子设备 |
CN116577287B (zh) * | 2023-07-12 | 2023-10-20 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集***、检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN104198396B (zh) | 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 | |
Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
Gao et al. | Improvement of chlorophyll content estimation on maize leaf by vein removal in hyperspectral image | |
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 | |
Cheshkova | A review of hyperspectral image analysis techniques for plant disease detection and identif ication | |
CN109324000A (zh) | 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法 | |
CN116310788A (zh) | 基于图谱融合的植株叶片氮含量高光谱建模方法 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
Zhou et al. | Machine learning modeling and prediction of peanut protein content based on spectral images and stoichiometry | |
Liu et al. | Combining spatial and spectral information to estimate chlorophyll contents of crop leaves with a field imaging spectroscopy system | |
CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
Varela et al. | A novel high-throughput hyperspectral scanner and analytical methods for predicting maize kernel composition and physical traits | |
CN104198397B (zh) | 氮磷钾交互作用下温室作物营养含量检测的方法 | |
Fei et al. | The rapid non-destructive detection of the protein and fat contents of sorghum based on hyperspectral imaging | |
Wen et al. | Visualization of chlorophyll content distribution in apple leaves based on hyperspectral imaging technology | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、***、设备及存储介质 | |
Sun et al. | Nondestructive identification of barley seeds varieties using hyperspectral data from two sides of barley seeds | |
Gao et al. | Study on deep learning model for online estimation of chlorophyll content based on near ground multispectral feature bands | |
Yang et al. | Nondestructive detection method of egg quality based on multi-sensor information fusion technology | |
CN110095436A (zh) | 苹果轻微损伤分类方法 | |
CN116087108A (zh) | 基于纹理特征的植株叶片氮含量高光谱建模方法及装置 | |
Shao et al. | Using reflectance and gray-level texture for water content prediction in grape vines |
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 |