CN102072884B - 一种基于光谱技术的小麦叶片糖氮比快速检测方法 - Google Patents
一种基于光谱技术的小麦叶片糖氮比快速检测方法 Download PDFInfo
- Publication number
- CN102072884B CN102072884B CN201010543330.7A CN201010543330A CN102072884B CN 102072884 B CN102072884 B CN 102072884B CN 201010543330 A CN201010543330 A CN 201010543330A CN 102072884 B CN102072884 B CN 102072884B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- wheat leaf
- leaf piece
- nitrogen
- piece candy
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱技术的小麦叶片糖氮比快速检测方法，属于作物栽培技术领域。首先将小麦叶片粉末装入石英杯，利用近红外光谱仪、InGaAs检测器漫反射附件和OMNIC7.2软件采集背景光谱和小麦叶片粉末样品光谱；接着在光谱范围1655~2378nm内，对光谱信息进行预处理；然后利用PLS提取6个特征光谱，将其输入到基于Levevberg-Marquardt优化算法的小波神经网络来快速检测小麦叶片糖氮比。本发明改进了传统的小麦叶片糖氮比测定方法的耗时性和繁琐性，改进了线性校正法不适合非线性关系的弱点，提高了预测的速度和效率，增强了预测的机理性和准确性。
Description
技术领域
本发明涉及一种基于光谱技术的小麦叶片糖氮比快速检测方法，属于作物栽培管理技术领域。特别涉及作物生长信息中生理参数的获取，用于对小麦叶片糖氮比进行快速准确检测。
背景技术
快速获取作物生长信息并进行定量诊断和变量管理是精确农业体系中的关键技术之一。植物体内糖氮比能直接反映植株生长和发育状况，因此快速检测小麦叶片糖氮比不仅有助于实现作物氮素营养科学运筹和精确施肥技术，而且有助于实现优质、高产、高效、生态和安全的农业目标。
长期以来，作物糖氮比的检测一直采用人工破坏性取样并测定，其缺陷是耗时、费力、不经济。近年来，基于光谱方法的植株生化组分检测由于快速、准确且高效等优点而被广泛应用，但已有的研究均为单一的检测碳、氮和色素等化学组分，鲜有直接利用光谱信息预测植株糖氮比。目前，用于定量监测小麦和水稻叶片糖氮比的光谱信息，主要为在室外获取的冠层光谱信息，由于受到冠层结构、土壤背景等因素的影响，导致精确度不够高；且其预测模型主要基于大量样本的统计回归分析得到，很难外推应用到其他环境条件。因此，迫切需要一种准确、快速预估小麦叶片糖氮比信息的光谱技术和方法。
发明内容
本发明的目的是为克服上述现有技术耗时、繁琐、精确度不高的缺陷，提出一种基于光谱技术的小麦叶片糖氮比的快速检测方法，该方法可以快速、准确地检测出小麦叶片糖氮比。
本发明是通过以下技术方案实现的：
一种基于光谱技术的小麦叶片糖氮比快速检测方法，包括采集样品光谱，其特征是将利用近红外光谱及光谱采集平台采集的小麦叶片光谱基于TQ Analyst 7.0平台进行预处理，应用偏最小二乘法对预处理的光谱数据进行分析，提取特征光谱，将特征光谱输入小波神经网络模型中，检测得到小麦叶片糖氮比。
上述利用近红外光谱及光谱采集平台采集的小麦叶片近红外光谱步骤为先采集背景光谱，然后采集样品光谱；光谱采集参数为：扫描次数为8、16、32、64或128，光谱范围1100～2500nm，分辨率为0.25、0.5、1、2、4或8。优选光谱采集参数为：扫描次数为64，光谱范围1100～2500nm，分辨率为1nm。
上述基于TQ Analyst 7.0平台进行预处理主要包含以下步骤：在光谱范围1655～2378nm内，对光谱进行多元散射校正，Norris平滑处理和一阶导数处理。其中，多元散射校正是利用Pathlength组件对光谱进行多元散射校正；平滑处理是利用Spectra组件的Smoothing功能对光谱进行Norris平滑预处理；一阶导数处理是利用Regions组件对光谱进行一阶导数预处理。
上述提取特征光谱为应用偏最小二乘法模型对预处理过的光谱数据进行分析，压缩样品的光谱信息，提取6个特征光谱。根据交叉验证RMSECV最小时的主成分数为最佳特征光谱个数，确定特征光谱为6个，如果采用的PLS主成分数过少，光谱中一些有用的信息会被忽略，其模型预测准确度就会降低；如果采用过多的PLS主成分建模，就会将一些代表噪声的主成分加到模型中，模型的预测能力也会下降。
上述小波神经网络模型为运用Levevberg-Marquardt优化算法训练的小波神经网络模型。该模型采用输入层、隐含层和输出层的三层结构模式，输入层节点数-隐含层节点数-输出层节点数为6-7-1，输入层节点为6个特征光谱，隐含层节点数为训练网络时预测值和真实值误差最小时的节点数7，输出层节点为小麦叶片糖氮比1。小波神经网络模型隐含层传递函数采用小波函数Morlet，输入层到隐含层的权值和阈值分别为Morlet函数的伸缩参数和平移参数。所述的Levevberg-Marquardt网络优化算法，学习速率为0.01，最大训练次数为1000，网络模型期望误差为0.001。
与现有技术比较本发明的有益效果：
本发明是将小麦叶片粉末装入石英杯，利用近红外光谱仪、InGaAs检测器漫反射附件和OMNIC 7.2软件采集背景光谱、小麦叶片粉末样品光谱，以吸光度为指标对样品的光谱数据进行存储；在1655～2378nm的光谱范围内，利用Pathlength组件对光谱进行多元散射校正，利用Spectra组件的Smoothing功能对光谱进行平滑处理，利用Regions组件对光谱进行一阶导数处理；利用偏最小二乘法，压缩样品的光谱信息，提取6个特征光谱；将特征光谱输入到小波神经网络，运用Levevberg-Marquardt优化算法训练网络，预测叶片糖氮比。与现有技术比较本发明提出了一种快速检测小麦叶片糖氮比的光谱方法，并提供了光谱仪工作运行的最佳参数，克服了传统方法存在的耗费人力、物力和财力的缺点，有助于提高小麦作物生产的数字化和精确化管理水平。另外，通过对所采集光谱信息进行最佳预处理后，提取特征光谱，利用小波神经网络组件预测小麦叶片糖氮比，革新了小麦叶片糖氮比测定方法，改进了线性校正法不适合非线性关系的弱点，提高了预测的速度和效率，增强了预测的机理性和准确性。
附图说明
图1为本发明小麦叶片糖氮比检测流程图。
图2为图1中预处理光谱数据结构示意图。
图3为图1中的小波神经网络结构示意图。
图4为小麦叶片粉末NIR原始光谱曲线图。
图5为经过预处理的小麦叶片粉末光谱曲线图。
图6为主成分数随RMSECV变化趋势图。
其中，图2中，步骤S0：Pathlength组件对光谱进行多元散射校正预处理；步骤S1：Spectra组件对光谱进行平滑预处理；步骤S2：Regions组件对光谱进行一阶导数预处理。
具体实施方式
实施例1
如图1所示流程图，将小麦干叶粉末(过筛30目，含水量10％)装入内径2.5cm、高5cm的石英杯并置于样品台，在OMNIC 7.2软件(热电尼高力公司，麦迪逊，威斯康星州，美国)中调整Thermo Nicolet 5700FT-IR近红外光谱仪，使得仪器的能量达到3以上，设置工作参数：扫描次数64，光谱范围1100～2500nm，分辨率1nm。利用InGaAs检测器漫反射附件，首先采集背景光谱，通过对近红外光谱仪自带的镀金内壁附件进行1次光谱采集实现，然后采集样品光谱，每份样品重复采集光谱3次，取平均值代表该样品的光谱，背景光谱每隔10分钟重新采集一次，最后以吸光度为指标对样品的光谱数据进行存储，见图4。
对存储的光谱数据利用TQ Analyst 7.0平台进行光谱预处理；应用偏最小二乘模型对预处理过的光谱数据进行分析并提取特征光谱，根据交叉验证RMSECV最小时的主成分数为最佳特征光谱个数，确定特征光谱为6个，见图6；运用三层小波神经网络检测出小麦叶片糖氮比数值。
参照图2所示流程图，基于TQ Analyst 7.0平台对样品光谱进行最佳预处理，主要包含以下步骤：
在光谱范围1655～2378nm内，利用Pathlength组件对光谱进行多元散射校正(MultiplicativeScatter Correction，MSC)预处理，利用Spectra组件的Smoothing功能对光谱进行Norris平滑预处理(Norris Derivative Filter，NDF)，利用Regions组件对光谱进行一阶导数预处理(FirstDerivative，FD)，完成对样品原始光谱在1655～2378nm范围内先后进行MSC+NDF+FD的预处理。见图5。
参照图3，小波神经网络模型(WNN)是基于美国MATLAB 7.0.1中的NNET工具箱编程实现，采用输入层、隐层和输出层的三层结构形式。主要包含以下步骤：
将PLS法提取的6个特征光谱作为WNN的输入层输入网络，输入层节点数为6；输出层节点数为1，即为预测的叶片糖氮比数值；输入层到隐层的权值及隐层阀值分别由Morlet小波函数来确定；隐层传递函数采用Morlet函数，最佳隐层节点数为7。将WNN的学习速率设为0.01，优化算法选择Levevberg-Marquardt，最大训练次数设为1000，期望误差设为0.001，驱动WNN模型，即可输出小麦叶片糖氮比数值。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比得到以下结果及模型的表现，详见表1，结果显示本方法准确性较高。
表1 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例2
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序。设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数128，光谱范围1100～2500nm，分辨率1nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表2，结果显示本方法准确性较高。
表2 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例3
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序。置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数32，光谱范围1100～2500nm，分辨率1nm。小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表3，结果显示本方法准确性较高。
表3 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例4
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序，设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数16，光谱范围1100～2500nm，分辨率1nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表4，结果显示本方法准确性较高。
表4 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例5
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序，设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数8，光谱范围1100～2500nm，分辨率1nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表5，结果显示本方法准确性较高。
表5 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例6
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序，设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数64，光谱范围1100～2500nm，分辨率0.25nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表6，结果显示本方法准确性较高。
表6 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例7
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序，设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数64，光谱范围1100～2500nm，分辨率0.5nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表7，结果显示本方法准确性较高。
表7 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例8
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序，设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数64，光谱范围1100～2500nm，分辨率2nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表8，结果显示本方法准确性较高。
表8 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例9
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序，设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数64，光谱范围1100～2500nm，分辨率4nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表9，结果显示本方法准确性较高。
表9 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例10
采用与实施例1相同的小麦粉末样品，执行同样的操作步骤和程序，设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为：扫描次数64，光谱范围1100～2500nm，分辨率8nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比，见表10，结果显示本方法准确性较高。
表10 小麦叶片糖氮比预测值与传统方法观测值对比表
Claims (9)
1.一种基于光谱技术的小麦叶片糖氮比快速检测方法，包括采集样品光谱，其特征在于将利用近红外光谱及光谱采集平台采集的小麦叶片光谱基于TQ Analyst 7.0平台进行预处理，应用偏最小二乘法对预处理的光谱数据进行分析，提取特征光谱，将特征光谱输入小波神经网络模型中，检测得到小麦叶片糖氮比；所述的小波神经网络模型为运用Levevberg-Marquardt优化算法训练的小波神经网络模型，该运用Levevberg-Marquardt优化算法训练的小波神经网络模型为采用输入层、隐含层和输出层的三层结构模式，输入层节点数-隐含层节点数-输出层节点数为6-7-1。
2.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的利用近红外光谱及光谱采集平台采集的小麦叶片近红外光谱步骤为先采集背景光谱，然后采集样品光谱；光谱采集参数为：扫描次数为8、16、32、64或128，光谱范围1100~2500nm，分辨率为0.25nm、0.5nm、1nm、2nm、4nm或8nm。
3.根据权利要求2所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的光谱最佳采集参数为：扫描次数为64，光谱范围1100~2500nm，分辨率1nm。
4.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的基于TQ Analyst 7.0平台进行预处理主要包含以下步骤：在光谱范围1655~2378 nm内，对光谱进行多元散射校正，Norris平滑处理和一阶导数处理。
5.根据权利要求4所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的多元散射校正是利用Pathlength组件对光谱进行多元散射校正，所述的平滑处理是利用Spectra组件的Smoothing功能对光谱进行Norris平滑预处理，所述的一阶导数处理是利用Regions组件对光谱进行一阶导数预处理。
6.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的提取特征光谱为应用偏最小二乘法模型对预处理过的光谱数据进行分析，压缩样品的光谱信息，提取6个特征光谱。
7.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的输入层节点为6个特征光谱，隐含层节点数为训练网络时预测值和真实值误差最小时的节点数7，输出层节点为小麦叶片糖氮比1。
8.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的小波神经网络模型隐含层传递函数采用小波函数Morlet，输入层到隐含层的权值和阈值分别为Morlet函数的伸缩参数和平移参数。
9.根据权利要求1所述的基于光谱技术的小麦叶片糖氮比快速检测方法，其特征在于所述的Levevberg-Marquardt网络优化算法，学习速率为0.01，最大训练次数为1000，网络模型期望误差为0.001。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010543330.7A CN102072884B (zh) | 2010-11-12 | 2010-11-12 | 一种基于光谱技术的小麦叶片糖氮比快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010543330.7A CN102072884B (zh) | 2010-11-12 | 2010-11-12 | 一种基于光谱技术的小麦叶片糖氮比快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102072884A CN102072884A (zh) | 2011-05-25 |
| CN102072884B true CN102072884B (zh) | 2013-05-29 |
Family
ID=44031509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201010543330.7A Active CN102072884B (zh) | 2010-11-12 | 2010-11-12 | 一种基于光谱技术的小麦叶片糖氮比快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102072884B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048276B (zh) * | 2012-12-14 | 2014-09-03 | 北京农业信息技术研究中心 | 一种用于检测作物冠层叶片碳氮比的光谱指数构造方法 |
| CN104596957A (zh) * | 2015-01-12 | 2015-05-06 | 西安科技大学 | 基于可见光近红外光谱技术的土壤铜含量估算方法 |
| CN106772427B (zh) * | 2016-12-07 | 2019-07-16 | 南京农业大学 | 一种基于连续小波分析建立小麦叶干重定量模型的方法 |
| CN112129709A (zh) * | 2020-09-16 | 2020-12-25 | 西北农林科技大学 | 一种苹果树冠层尺度氮含量诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1223436A1 (en) * | 2001-01-16 | 2002-07-17 | The Soil Company B.V. | Measurement of properties of a field for cultivation and determination of cultivation treatment parameters |
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN101231274A (zh) * | 2008-01-28 | 2008-07-30 | 河南中医学院 | 近红外光谱快速测定山药中尿囊素含量的方法 |
-
2010
- 2010-11-12 CN CN201010543330.7A patent/CN102072884B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1223436A1 (en) * | 2001-01-16 | 2002-07-17 | The Soil Company B.V. | Measurement of properties of a field for cultivation and determination of cultivation treatment parameters |
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| CN101231274A (zh) * | 2008-01-28 | 2008-07-30 | 河南中医学院 | 近红外光谱快速测定山药中尿囊素含量的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 冯伟，等.基于高光谱遥感的小麦叶片糖氮比监测.《中国农业科学》.2008,第41卷 * |
| 冯伟,等.基于高光谱遥感的小麦氮素营养及生长指标监测研究.《基于高光谱遥感的小麦氮素营养及生长指标监测研究》.南京农业大学,2008,79-87. * |
| 田永超，等.用冠层反射光谱预测小麦叶片糖氮比量及糖氮比.《作物学报》.2005,第31卷(第3期),355－360. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102072884A (zh) | 2011-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Classification of blueberry fruit and leaves based on spectral signatures | |
| CN104062263B (zh) | 光物性相近水果品质指标的近红外通用模型检测方法 | |
| Liu et al. | Nondestructive detection of rape leaf chlorophyll level based on Vis-NIR spectroscopy | |
| 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 | |
| CN102072884B (zh) | 一种基于光谱技术的小麦叶片糖氮比快速检测方法 | |
| De Bei et al. | Rapid measurement of total non-structural carbohydrate concentration in grapevine trunk and leaf tissues using near infrared spectroscopy | |
| Azadnia et al. | New approach for rapid estimation of leaf nitrogen, phosphorus, and potassium contents in apple-trees using Vis/NIR spectroscopy based on wavelength selection coupled with machine learning | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| Zhang et al. | Spectral technology and multispectral imaging for estimating the photosynthetic pigments and SPAD of the Chinese cabbage based on machine learning | |
| Jin et al. | Predicting the nutrition deficiency of fresh pear leaves with a miniature near-infrared spectrometer in the laboratory | |
| Wang et al. | NIR based wireless sensing approach for fruit monitoring | |
| CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
| CN102135496A (zh) | 基于多尺度回归的红外光谱定量分析方法和装置 | |
| Ong et al. | Visible and near-infrared spectroscopic determination of sugarcane chlorophyll content using a modified wavelength selection method for multivariate calibration | |
| CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
| CN116578851A (zh) | 一种高光谱土壤有效硼含量预测方法 | |
| Cheng et al. | Chlorophyll content diagnosis model of winter wheat at heading stage applied in miniature spectrometer | |
| Gao et al. | Study on deep learning model for online estimation of chlorophyll content based on near ground multispectral feature bands | |
| CN104914053A (zh) | 构建树木冠层光合性状预测模型及检测光合性状 | |
| Oliveira et al. | An autonomous Internet of Things spectral sensing system for in-situ optical monitoring of grape ripening: design, characterization, and operation | |
| Wang et al. | Nonlinear model prediction of needle chlorophyll content of Picea koraiensis Nakai at different needle ages based on hyperspectral features | |
| Hengkai et al. | Hyperspectral nondestructive detection model of chlorophyll content of Citrus maxima | |
| Mao et al. | Effect of spectra preprocessing method on winter wheat chlorophyll content detection | |
| Zhu et al. | Estimation of chlorophyll and nitrogen in double-cropping rice based on machine learning | |
| CN114199793B (zh) | 一种基于高光谱的苹果叶片含氮量检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C53 | Correction of patent of invention or patent application | ||
| CB02 | Change of applicant information |
Address after: 211225 Lishui County, Nanjing City, white horse town national agricultural science and Technology Park, Nanjing Agricultural University, Applicant after: Nanjing Agricultural University Address before: Weigang Xuanwu District of Nanjing Jiangsu province 210095 No. 1 Applicant before: Nanjing Agricultural University |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220506 Address after: 111 Baima Avenue, Baima Town, Lishui District, Nanjing City, Jiangsu Province, 211200 Patentee after: Shennong Intelligent Agricultural Research Institute Nanjing Co.,Ltd. Address before: 211225 Jiangsu Nanjing Lishui District Baima Town National Agricultural Science and Technology Park Nanjing Agricultural University base Patentee before: NANJING AGRICULTURAL University |