CN101074926A - 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 - Google Patents
可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 Download PDFInfo
- Publication number
- CN101074926A CN101074926A CN 200710069097 CN200710069097A CN101074926A CN 101074926 A CN101074926 A CN 101074926A CN 200710069097 CN200710069097 CN 200710069097 CN 200710069097 A CN200710069097 A CN 200710069097A CN 101074926 A CN101074926 A CN 101074926A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- visible
- plant
- spectrometer
- spectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000003595 spectral effect Effects 0.000 title claims description 34
- 241001465180 Botrytis Species 0.000 title claims description 14
- 201000010099 disease Diseases 0.000 claims abstract description 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 20
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 12
- 239000000523 sample Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 208000015181 infectious disease Diseases 0.000 claims description 12
- 229910052736 halogen Inorganic materials 0.000 claims description 6
- 150000002367 halogens Chemical class 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000003905 agrochemical Substances 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 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
- 238000004040 coloring Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 150000007523 nucleic acids Chemical group 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种可见和近红外光谱的植物叶片或冠层灰霉病诊断方法和系统。可见和近红外光谱仪采集被测植物的单一叶片或冠层的光谱信息，通过数据线输入计算机，光谱分析处理软件分析植物的单一叶片或冠层的光谱信息；反射率100％的标定白板用于光谱采集前标定光谱仪；通过计算机中的光谱分析处理软件，应用化学计量学方法建立的病害光谱模型，实时检测病害感染程度。本发明可实现多种植物灰霉病害的快速、稳定、实时的诊断；不使用化学试剂，降低了检测成本，减轻劳动强度，能够很好的应用于环境监测；能够对植物病害进行无损检测，不影响植物的生长；通过对检测出染病的植物进行药物处理，减少由于全面喷洒而造成的用药过量和环境污染。
Description
技术领域
本发明涉及植物叶片与冠层灰霉病害诊断系统，尤其是涉及一种可见和近红外光谱的植物叶片或冠层灰霉病诊断方法和系统。
背景技术
植物灰霉病害对于植物生长的危害十分严重。病害不仅能够导致经济植物的产物产量和质量的下降，同时会引起农药等药物的大量投入以及防治费用的上升，从而增加了农林生产成本并会造成严重的环境污染。现有的病害检测方法在实际农林业生产中都存在取样、测定、数据分析等方面需要耗费大量的人力、物力的缺点，且实时性差，无法满足具体生产实践的需要。肉眼观测存在着疲劳、情绪等主观因素的干扰；基于分子水平的检测方法，如生物测定技术、核酸序列分析技术、分子标记技术，PCR技术等，虽然较为准确，但不能实时操作，且需要专业人员操作，耗时，成本较高；通过以往的病害发生数据进行的统计预测在精度方面不够高，缺少实效性，并且只适用于在一个很大的地域范围内进行粗略估计，很难对小区或单株进行。
可见和近红外光谱技术是指利用可见和近红外谱区(波长约为325nm-2500nm)包含的物质信息，主要用于有机质定性和定量分析的一种分析技术。可见和近红外光谱易于获取，信息量丰富。可见光波段的光谱信息能够反映植物表面的颜色信息，而近红外光谱则反映植物内部的特征信息。植物的光谱特性是植物在生长过程中与环境因子(包括生物因子和非生物因子)相互作用的综合光谱信息。当植物遭受病虫害侵染后，其外部形态和生理效应发生变化，如卷叶、落叶、枯萎等，导致冠层形状变化；叶绿素组织遭受破坏，光合作用减弱，养分水分吸收、运输、转化等机能衰退。受害植物的光谱特性与健康植物的光谱特性相比会发生不同程度的变化。同时测量植物的可见光和近红外光谱信息可以对植物生长健康状况进行快色、准确的检测。
发明内容
本发明的目的在于提供一种基于可见和近红外光谱的植物叶片或冠层灰霉病害诊断方法和系统。应用可见和近红外光谱技术，采集被测植物叶片或冠层的可见和近红外光谱信息，分析得到被测植物灰霉病害的感染程度，实现实时无损的植物灰霉病害检测的诊断。
本发明解决其技术问题采用的技术方案是：
一、一种可见和近红外光谱的植物叶片或冠层灰霉病诊断方法：
1)可见和近红外光谱仪采集被测植物的单一叶片或冠层的光谱信息，通过数据线输入计算机，光谱分析处理软件分析植物的单一叶片或冠层的光谱信息；
2)反射率100％的标定白板用于光谱采集前标定光谱仪；
3)通过计算机中的光谱分析处理软件，应用化学计量学方法建立的病害光谱模型，实时检测病害感染程度。
二、一种可见和近红外光谱的植物叶片或冠层灰霉病诊断系统：
包括可见和近红外光谱仪、标定白板和计算机；被测物体和标定白板的反射光进入可见和近红外光谱仪，可见和近红外光谱仪有两个接口，其中电源线接口，通过电源线和外接电源相连接，数据线接口通过RS232串口数据线和计算机相连，计算机上设有光谱分析处理软件，被测植物叶片或冠层放置在可见和近红外光谱仪和光源之间。
所述的光谱仪探头和植物叶片或冠层夹角45°，光源照射方向和植物叶片或冠层夹角同样为45°，并使得光谱仪探头和光源照射方向成90°。
所述的光源为日光或卤素灯。
与背景技术相比本发明具有的有益效果是：
(1)利用光谱技术进行病害识别，可实现多种植物灰霉病害的快速、稳定、实时的诊断。光谱的测定过程一般可在30秒内完成(多通道仪器可在1秒内完成)；
(2)不使用化学试剂，降低了检测成本，减轻劳动强度，能够很好的应用于环境监测。能够对植物病害进行无损检测，不影响植物的生长；
(3)能够应用到其他的植物病害上，其他植物病害的特征是病害发病区域以叶片为主，且发生在叶片上表面；
(4)整个检测系统只由一个便携式的可见和近红外光谱仪、一台计算机、一块标定白板组成；
(5)当测量系统的各组件都连接完毕后，最后的光谱分析工作通过带有建立好的化学计量学模型的光谱分析处理软件完成；
(6)通过对检测出染病的植物进行药物处理，可以减少由于全面喷洒而造成的药物用量，降低生产成本并减少污染。
附图说明
图1是本发明的结构原理框图。
图2是本发明的安装示意图。
图3是本发明方法的工作流程图。
图4是光谱仪的正面局部视图。
图中：1、光谱仪开关，2、一对镍-氢电池，3、电池使用指示灯，4、光谱仪开启指示灯，5、计算机连接的RS232串口数据线，6、电源线接口，7、可见和近红外光谱仪，8、光源，9、被测物体。
具体实施方式
如图1、图2、图4所示，本系统包括可见和近红外光谱仪7、光源8，标定白板和计算机；可见和近红外光谱仪通过固定部分与固定装置连接，可见和近红外光谱仪上有两个接口，电源线接口6通过电源线和外接电源相连接，计算机连接的RS232串口数据线5通过一根RS232串口数据线和计算机相连(和可见和近红外光谱仪连接的部分为一个串行口，和计算机相连的部分为USB接口)，可见和近红外光谱仪7另配一对镍-氢电池2；卤素灯通过电源线和外接电源相连，可见和近红外光谱仪上分别有电池使用指示灯3和可见和近红外光谱仪开启指示灯4；可见和近红外光谱仪探头视场角为10°和25°两种(其中测量叶片时建议采用视场角为10°的探头，当测量冠层时建议采用视场角为25°的探头)；植物放在可见和近红外光谱仪和光源之间，可见和近红外光谱仪探头和植物冠层或叶片(被测物体9)夹角45°，光源8照射方向和植物冠层或叶片夹角同样为45°，并使得可见和近红外光谱仪探头和光源照射方向成90°。可见和近红外光谱仪探头和光谱采集对象(单一叶片和总体冠层)表面之间的距离根据对象大小和探头视场角确定(如图2所示)。可见和近红外光谱仪能够实时采集被测植物的叶片与冠层的光谱信息。
可见和近红外光谱仪采用Analytical Spectral Devices公司的Fieldspechandheld光谱分析仪；标定白板的反射率为100％。光谱采集范围从325nm到2500nm，包括了整个可见光和近红外区域。卤素灯为日本优秀(USHIO)公司JC14.5V-50W。
光谱数据采集过程。将可见和近红外光谱仪和外接电源相连(也可以使用电池)，此时电池使用指示灯亮起)，如室内无自然光，需将卤素灯和外接电源相连)，按下光谱仪电源开关1，可见和近红外光谱仪开启指示灯亮起(可见和近红外光谱仪需在计算机开机之前打开)，可见和近红外光谱仪预热15-30分钟，并且在可见和近红外光谱仪开始工作的第一个小时里每隔5-15分钟通过计算机里的光谱测量软件进行暗电流校正。预热结束后通过RS232串口数据线连接光谱仪和计算机。启动计算机，进入光谱测量软件。
在测量对象光谱数据之前，需进行标定白板校正。将标定白板放置在测量对象表面的位置上并且确定在探头视场角内只有标定白板，然后点击光谱测量软件标定白板校正按钮。校正完成后将要测量的对象表面位置和之前标定白板放置位置一致，光谱采集参数也一致，继而进行光谱数据采集，光谱数据实时保存。
光谱采集过程。光线通过探头射到一个全息衍射光栅上，然后光线按照不同的波长分开，并分别被阵列接收器接收。接收器将光积分成电信号并保存；然后电信号通过一个16位的A/D转换器转换成数字信号，通过RS-232串口数据线输入计算机。
本发明系统的可见和近红外光谱仪可通过设置如可调节角度、高度、移动底座的三脚架，屋顶可沿设计轨迹移动的悬挂机构或安装有可调节机械伸展臂高度、角度的车辆等固定装置进行固定，亦可手持，分别用于室内及室外使用。同时可见和近红外光谱采集所用的光源为日光，当室内无阳光时采用卤素灯。
在野外田间工作时，可手持可见和近红外光谱仪或者将可见和近红外光谱仪安装在三角支架上方，如植物距离道路较近，为了方便快速测量，亦可安装在从车辆上伸出的机械臂上。
在室内工作时，可手持可见和近红外光谱仪或者将可见和近红外光谱仪安装在房顶可沿设计轨迹移动的悬挂机构上。可见和近红外光谱仪同样可以固定在三角支架上。
如图3所示，病害光谱分析处理软件中的病害光谱模型建立为基础部分，在软件制作阶段就已建立，包括以下步骤：
1)校正样本集光谱信息的采集。光谱测量之前先用标定白板对可见和近红外光谱仪进行标定。然后分别采集不同生长阶段，感染不同程度灰霉病及健康的植物叶片建立校正样本集。然后通过光谱仪采集校正样本集中植物叶片的全波段(325nm-2500nm)的光谱反射率信息。
2)反映病害感染程度的光谱预处理。由于采集到的原始光谱信号存在外界和光谱仪本身精度的干扰，因此将会影响特征波段的选择。采用卷积平滑、标准化、归一化、中心化、多元散射校正、一阶求导、二阶求导、小波处理等方法进行光谱预处理。预处理后的光谱信息性噪比提高，反映病害感染程度的信息更加明显。光谱的预处理可以为单一方法，也可以是多种方法的结合。
3)建立病害感染程度的光谱校正模型。校正样本集中的叶片经过可见和近红外光谱仪采集透射率信息以后，由灰霉病害专家进行每片叶片的病害感染程度的评估。通过化学计量学方法建立预处理后的光谱叶片透射率信息和病害感染程度的模型。线性的化学计量学方法包括：主成分回归、多元线形回归、逐步回归、偏最小二乘回归、线形支持向量机等；非线形的化学计量学方法包括：人工神经网络、非线形支持向量机、遗传算法、模糊算法等。建立好的病害光谱模型具有很好的鲁棒性和适应性，能够进行实际应用。
如图3所示，病害光谱分析处理软件在实际应用中包括以下步骤：
1)光谱测量之前先用标定白板对可见和近红外光谱仪进行标定。通过可见和近红外光谱仪采集被测植物的冠层或单一叶片全波段光谱信息。实际应用时的光谱采集所采用的测量方法和条件必须和校正样本集光谱采集时一致，比如测量装置设置、光谱采样间隔、采样时间、采样次数等。采集到的光谱反射率信息通过数据线输入计算机。
2)病害光谱分析处理软件将采集到的全波段光谱信息作为输入部分，输入病害光谱模型。病害光谱模型先按照校正样本集光谱的预处理方法对光谱信息进行处理，然后通过光谱信息和病害感染程度之间的关系模型，输出病害感染程度。
3)根据病害感染程度分析决策是否对测量植物喷药，并确定剂量、喷头形状及喷药种类。
4)只要实际应用中的植物在建立好的病害光谱模型包含的植物类型中，就可以对植物进行叶片或冠层上的灰霉病害快速、无损的检测。
对于容易感染灰霉病的植物的不同，所建立的病害光谱模型是不同的。因此病害光谱模型的建立要按照不同植物分别进行。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (4)
1、可见和近红外光谱的植物叶片或冠层灰霉病诊断方法，其特征在于该方法的步骤如下：
1)可见和近红外光谱仪采集被测植物的单一叶片或冠层的光谱信息，通过数据线输入计算机，光谱分析处理软件分析植物的单一叶片或冠层的光谱信息；
2)反射率100％的标定白板用于光谱采集前标定光谱仪；
3)通过计算机中的光谱分析处理软件，应用化学计量学方法建立的病害光谱模型，实时检测病害感染程度。
2、可见和近红外光谱的植物叶片或冠层灰霉病诊断系统，其特征在于：包括可见和近红外光谱仪、标定白板和计算机；被测物体和标定白板的反射光进入可见和近红外光谱仪，可见和近红外光谱仪有两个接口，其中电源线接口，通过电源线和外接电源相连接，数据线接口通过RS232串口数据线和计算机相连，计算机上设有光谱分析处理软件，被测植物叶片或冠层放置在可见和近红外光谱仪和光源之间。
3、根据权利要求2所述的可见和近红外光谱的植物叶片或冠层灰霉病诊断系统，其特征在于：所述的光谱仪探头和植物叶片或冠层夹角45°，光源照射方向和植物叶片或冠层夹角同样为45°，并使得光谱仪探头和光源照射方向成90°。
4、根据权利要求2所述的可见和近红外光谱的植物叶片或冠层灰霉病诊断系统，其特征在于：所述的光源为日光或卤素灯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200710069097 CN101074926A (zh) | 2007-06-12 | 2007-06-12 | 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200710069097 CN101074926A (zh) | 2007-06-12 | 2007-06-12 | 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101074926A true CN101074926A (zh) | 2007-11-21 |
Family
ID=38976102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200710069097 Pending CN101074926A (zh) | 2007-06-12 | 2007-06-12 | 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101074926A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010069017A1 (en) * | 2008-12-15 | 2010-06-24 | Embrapa - Empresa Brasileira De Pesquisa Agropecuária | Method, apparatus and system for diagnosis of stresses and diseases in higher plants |
| CN102972376A (zh) * | 2012-11-15 | 2013-03-20 | 北京农业信息技术研究中心 | 生物量自动识别施药控制方法及装置 |
| CN103276057A (zh) * | 2013-04-03 | 2013-09-04 | 南京农业大学 | 一种基于lamp技术快速检测灰葡萄孢的方法 |
| CN104297166A (zh) * | 2014-11-07 | 2015-01-21 | 张勤书 | 植物病害智能诊断系统及其使用方法 |
| CN105352899A (zh) * | 2015-10-26 | 2016-02-24 | 北京农业信息技术研究中心 | 一种基于反射光谱的变量施药窗口期决策方法 |
| CN106680205A (zh) * | 2017-03-07 | 2017-05-17 | 横店集团得邦照明股份有限公司 | 一种可实时监测植物生长状态的led照明系统 |
| CN107690211A (zh) * | 2016-08-04 | 2018-02-13 | 广州达森灯光股份有限公司 | 一种植物生长灯配色方法及系统 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| CN117269108A (zh) * | 2023-10-16 | 2023-12-22 | 河南省科学院 | 近红外光谱透射探测的便携式杜仲叶筛选装置及筛选方法 |
| WO2024155236A1 (en) * | 2023-01-16 | 2024-07-25 | Agency For Science, Technology And Research | Integrated spectrometer for non-invasive collection of plant data for phenotyping |
-
2007
- 2007-06-12 CN CN 200710069097 patent/CN101074926A/zh active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010069017A1 (en) * | 2008-12-15 | 2010-06-24 | Embrapa - Empresa Brasileira De Pesquisa Agropecuária | Method, apparatus and system for diagnosis of stresses and diseases in higher plants |
| US9116125B2 (en) | 2008-12-15 | 2015-08-25 | Empresa Brasileira de Pesquisa Agropecuaria—EMBRAPA | Method, apparatus and system for diagnosis of stress and disease in higher plants |
| CN102972376A (zh) * | 2012-11-15 | 2013-03-20 | 北京农业信息技术研究中心 | 生物量自动识别施药控制方法及装置 |
| CN103276057A (zh) * | 2013-04-03 | 2013-09-04 | 南京农业大学 | 一种基于lamp技术快速检测灰葡萄孢的方法 |
| CN103276057B (zh) * | 2013-04-03 | 2014-10-15 | 南京农业大学 | 一种基于lamp技术快速检测灰葡萄孢的方法 |
| CN104297166A (zh) * | 2014-11-07 | 2015-01-21 | 张勤书 | 植物病害智能诊断系统及其使用方法 |
| CN105352899A (zh) * | 2015-10-26 | 2016-02-24 | 北京农业信息技术研究中心 | 一种基于反射光谱的变量施药窗口期决策方法 |
| CN107690211A (zh) * | 2016-08-04 | 2018-02-13 | 广州达森灯光股份有限公司 | 一种植物生长灯配色方法及系统 |
| CN107690211B (zh) * | 2016-08-04 | 2019-12-27 | 广州达森灯光股份有限公司 | 一种植物生长灯配色方法及系统 |
| CN106680205A (zh) * | 2017-03-07 | 2017-05-17 | 横店集团得邦照明股份有限公司 | 一种可实时监测植物生长状态的led照明系统 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| CN110567891B (zh) * | 2019-09-16 | 2021-09-07 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| WO2024155236A1 (en) * | 2023-01-16 | 2024-07-25 | Agency For Science, Technology And Research | Integrated spectrometer for non-invasive collection of plant data for phenotyping |
| CN117269108A (zh) * | 2023-10-16 | 2023-12-22 | 河南省科学院 | 近红外光谱透射探测的便携式杜仲叶筛选装置及筛选方法 |
| CN117269108B (zh) * | 2023-10-16 | 2024-02-27 | 河南省科学院 | 近红外光谱透射探测的便携式杜仲叶筛选装置及筛选方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101074926A (zh) | 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 | |
| CN101382488B (zh) | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 | |
| Vigneau et al. | Potential of field hyperspectral imaging as a non destructive method to assess leaf nitrogen content in Wheat | |
| CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
| 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 | |
| CN102084794B (zh) | 多传感器信息融合的作物病虫害早期检测方法及装置 | |
| CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
| CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
| CN100520356C (zh) | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN104931470A (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
| CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
| CN101221125A (zh) | 用光谱技术测定富营养化水体特征参量的方法 | |
| CN101074925A (zh) | 可见和近红外光谱特征波段的植物叶片灰霉病害诊断方法 | |
| CN106018332A (zh) | 一种柑桔黄龙病的近红外光谱田间检测方法 | |
| CN102628800B (zh) | 植物叶片叶绿素含量测量方法及系统 | |
| CN106198447A (zh) | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 | |
| CN108982406A (zh) | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 | |
| CN101074927A (zh) | 基于可见和近红外光谱特征波段的水果水心病诊断方法 | |
| CN113049499A (zh) | 水体总氮浓度间接遥感反演方法、存储介质和终端设备 | |
| CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
| CN111855592A (zh) | 水稻单位面积内地上部干物重遥感反演模型和方法 | |
| CN112270131A (zh) | 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 | |
| CN112362812A (zh) | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 | |
| CN102759510A (zh) | 一种油菜冠层信息光谱检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |