CN105954206B - 紫玉米叶片花色苷含量的测量方法及系统 - Google Patents
紫玉米叶片花色苷含量的测量方法及系统 Download PDFInfo
- Publication number
- CN105954206B CN105954206B CN201610285470.6A CN201610285470A CN105954206B CN 105954206 B CN105954206 B CN 105954206B CN 201610285470 A CN201610285470 A CN 201610285470A CN 105954206 B CN105954206 B CN 105954206B
- Authority
- CN
- China
- Prior art keywords
- anthocyanin content
- spectral reflectance
- hyper spectral
- maize leaf
- anthocyanin
- 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
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
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
本发明提供一种紫玉米叶片花色苷含量的测量方法及系统，该方法包括：采集样本中紫玉米父本叶片在不同波长时对应的第一高光谱反射率，采集样本中第一代紫玉米叶片在不同波长时对应的第二高光谱反射率；测定第一代紫玉米叶片的花色苷含量；对第一高光谱反射率和第二高光谱反射率进行加成运算；确定运算结果对应的相关性曲线中，相关性最强时所对应的波长为敏感波长；根据花色苷含量、敏感波长和敏感波长所对应的加成高光谱反射率，建立花色苷含量测试模型，由于建模所采用的数据是：敏感波长、敏感波长对应的加成高光谱反射率和第一代紫玉米叶片花色苷含量，因此，该方式建模测得的花色苷的含量更加准确。
Description
技术领域
本发明涉及农业领域，尤其涉及一种紫玉米花叶片花色苷含量的测量方法及系统。
背景技术
紫玉米是一种来源于美洲安第斯山脉的古老玉米品种，与传统玉米不同，紫玉米收获的内容包括紫玉米籽粒和叶片。紫玉米的叶片和籽粒上均呈现紫色，而这种鲜艳的颜色是由一类称为花色苷类的物质所呈现。
目前常用的一种检测花色苷含量的方法是高光谱法，该方法通过对样品高光谱数据的反演，计算花色苷含量，属于快速、无损检测方法，结合遥感技术可以在大尺度范围内对紫玉米采收进行决策。
但是，这种高光谱建模的精度都比较低，测得花色苷含量不准确。
发明内容
本发明提供一种紫玉米叶片花色苷含量的测量方法及系统，用以解决现有模型测量花色苷含量不准确的问题。
本发明一方面是提供了一种紫玉米叶片花色苷含量的测量方法，包括：
采集样本中紫玉米父本叶片在不同波长时对应的第一高光谱反射率，采集样本中第一代紫玉米叶片在不同波长时对应的第二高光谱反射率；
测定所述第一代紫玉米叶片的花色苷含量；
对所述第一高光谱反射率和所述第二高光谱反射率进行加成运算，获得对应的加成高光谱反射率；
对所述加成高光谱反射率进行多种反演运算，获得各反演运算结果；
分别确定所述各反演运算结果与所述花色苷含量的相关性曲线；
从所述各反演运算结果中选择具有最强相关性的目标反演运算结果；
确定所述目标反演运算结果对应的相关性曲线中，相关性最强时所对应的波长为敏感波长；
根据所述花色苷含量、所述敏感波长和所述敏感波长所对应的加成高光谱反射率，建立花色苷含量测试模型，并采用所述花色苷含量测试模型测量待测试紫玉米叶片的花色苷含量。
本发明另一方面提供了一种紫玉米叶片花色苷含量的测量系统，包括：
采集装置、第一测量装置、模型建立装置和第二测量装置；
所述采集装置包括：第一采集模块，所述模型建立装置包括：第一运算模块、第二运算模块、确定模块、建模模块，其中，
所述第一采集模块，用于采集样本中紫玉米父本叶片在不同波长时对应的第一高光谱反射率，采集样本中第一代紫玉米叶片在不同波长时对应的第二高光谱反射率；
所述第一测量装置，用于测定所述第一代紫玉米叶片的花色苷含量；
所述第一运算模块，用于对所述第一高光谱反射率和所述第二高光谱反射率进行加成运算，获得对应的加成高光谱反射率；
所述第二运算模块，用于对所述加成高光谱反射率进行多种反演运算，获得各反演运算结果；分别确定所述各反演运算结果与所述花色苷含量的相关性曲线；从所述各反演运算结果中选择具有最强相关性的目标反演运算结果；
所述确定模块，用于确定所述目标反演运算结果对应的相关性曲线中，相关性最强时所对应的波长为敏感波长；
所述建模模块，用于根据所述花色苷含量、所述敏感波长和所述敏感波长所对应的加成高光谱反射率，建立花色苷含量测试模型；
所述第二测量装置，用于采用所述花色苷含量测试模型测量待测试紫玉米叶片的花色苷含量。
本发明提供的紫玉米叶片花色苷含量的测量方法及系统，通过对第一高光谱反射率和第二高光谱反射率加成运算，将加成运算后的结果进行反演运算，根据反演运算的结果与花色苷含量的波长的相关性确定敏感波长。根据敏感波长、敏感波长对应的加成高光谱反射率和第一代紫玉米叶片花色苷含量进行建模，由于建模所采用的数据是：敏感波长、敏感波长对应的加成高光谱反射率和第一代紫玉米叶片花色苷含量，因此，这种方式建模测得的花色苷的含量更加准确。
附图说明
图1为本发明实施例一提供的紫玉米叶片花色苷含量的测量方法的流程示意图；
图2为本发明实施例一中评价第二曲线与第一曲线相关性的示意图；
图3为本发明实施例一中反演运算后不同波长所对应相关性系数的曲线图；
图4为本发明实施例二提供的紫玉米叶片花色苷含量的测量方法的流程示意图；
图5为本发明实施例三提供的紫玉米叶片花色苷含量的测量方法的流程示意图；
图6为本发明实施例三提供的紫玉米叶片的花色苷含量与紫玉米籽粒的花色苷含量的关系图；
图7为本发明实施例四提供的紫玉米叶片花色苷含量的测量系统的结构示意图；
图8为本发明实施例五提供的紫玉米叶片花色苷含量的测量系统的结构示意图；
图9为本发明实施例六提供的紫玉米叶片花色苷含量的测量系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
实施例一
图1为本发明实施例一提供的紫玉米叶片花色苷含量的测量方法的流程示意图。如图1所示，该紫玉米叶片花色苷含量的测量方法包括如下步骤：
101、采集样本中紫玉米父本叶片在不同波长时对应的第一高光谱反射率，采集样本中第一代紫玉米叶片在不同波长时对应的第二高光谱反射率。
在紫玉米播种若干天后，采集紫玉米父本和第一代紫玉米的叶片各若干份，作为样本。从紫玉米父本叶片中采集每个样本不同波长所对应的高光谱反射率，将不同波长所对应的高光谱反射率称为第一高光谱反射率。从第一代紫玉米叶片中采集每个样本不同波长所对应的高光谱反射率，将不同波长所对应的高光谱反射率的称为第二高光谱反射率。其中，采集的波长范围为：350nm到2500nm，波长间隔1nm。
102、测定第一代紫玉米叶片的花色苷含量；
将采集的样本中第一代紫玉米叶片通过氢离子活度指数(Pouvoir Hydrogène，PH)示差法测定样品花色苷含量，即通过化学方式中的PH示差法来测定第一代紫玉米叶片的花色苷含量。
103、对第一高光谱反射率和第二高光谱反射率进行加成运算，获得对应的加成高光谱反射率。
对第一高光谱反射率和第二高光谱反射率进行的加成运算，该加成运算包括：将相同波长对应的第一高光谱反射率和第二高光谱反射率相加、相减、相乘、相除中的至少两种运算，具体包括：P父本+PF1、P父本-PF1、P父本×PF1、P父本÷PF1，其中，P父本为在不同波长情况的第一高光谱反射率；PF1为在对应的不同波长情况的第二高光谱反射率。
根据每种加成运算后的高光谱反射率与第一代紫玉米叶片的花色苷含量的相关性，确定目标加成运算，目标加成运算后的高光谱反射率与第一代紫玉米叶片的花色苷含量的相关性最高。
具体为，根据第一代紫玉米叶片中每个样本所对应的花色苷含量绘制第一曲线；根据任一种加成运算中相同波长所对应的高光谱反射率绘制多条第二曲线；评价第二曲线与第一曲线的相关性，将相关性评价最高的加成运算确定为目标加成运算。上述的相关性具体指，在第一曲线不变的情况下，第二曲线随着第一曲线增加而增加或随着减少而减少，则说明第二曲线与第一曲线具有相关性；第二曲线增加或减少的幅度与第一曲线增加或减少的幅度越相近，则说明相关性越高。
图2为本发明实施例一中评价第二曲线与第一曲线相关性的示意图。如图2所示，本实施例中，图2中的a图为根据样本中不同的第一代紫玉米叶片测定的花色苷含量，从而绘制的第一曲线示意图；b图、c图、d图和e图均为通过不同加成运算后，在某波长情况下不同样本所对应的高光谱反射率的第二曲线示意图；其中，
b图为相加运算后波长为800nm时，根据不同的样本所测定的高光谱反射率，从而绘制的曲线示意图；c图为相减运算后波长为802nm时，根据不同的样本所测定的高光谱反射率，从而绘制的曲线示意图；d图为相乘运算后波长为1002nm时，根据不同的样本所测定的高光谱反射率，从而绘制的曲线示意图；e图为相除运算后波长为1002nm时，根据不同的样本所测定的高光谱反射率，从而绘制的曲线示意图。
从图2中可以看出d图和e图的曲线不是随着与a图的曲线增加而增加或减少而减少，所以不考虑d图和e图与a图相关性；b图和c图的曲线是随着与a图的曲线增加而增加或减少而减少，所以具有相关性，从b图和c图相比，b图曲线增加或减少的幅度比c图曲线增加或减少的幅度跟接近于a图曲线增加或减少的幅度，所以b图的相关性越高，b图所对应的相加运算为目标加成运算。
104、对加成高光谱反射率进行多种反演运算，获得各反演运算结果。
根据目标加成运算生成的结果，对每一波长中不同样本对应高光谱反射率进行反演运算，从而获得各种反演运算结果。其中，反演运算包括如下运算方式中的至少两种：倒数、对数、对数的倒数、一阶微分、倒数的一阶微分、对数的一阶微分、对数的倒数的一阶微分。
105、分别确定各反演运算结果与花色苷含量的相关性曲线。
根据目标加成运算的结果，将每一波长中不同样本对应高光谱反射率进行反演运算，将某一波长中不同样本的高光谱反射率与花色苷的含量求差，将生成的多个差值求平均值得出反演运算后的高光谱反射率与花色苷的相关性系数，根据不同波长和不同波长相关性系数，生成反演运算后的相关性曲线图。
106、从各反演运算结果中选择具有最强相关性的目标反演运算结果。
从反演运算生成的相关性曲线中选择与花色苷含量曲线有最强相关性的曲线，作为目标反演运算结果。
图3为本发明实施例一中反演运算后不同波长所对应相关性系数的曲线图，如图3所示，a图是对高光谱反射率加成运算后，生成的相关性曲线示意图；b图是对目标加成运算的高光谱反射率求倒数的相关性曲线图示意图；c图是对目标加成运算的高光谱反射率求对数的相关性曲线图示意图；d图是对目标加成运算的高光谱反射率求对数的倒数的相关性曲线图示意图；e图是对目标加成运算的高光谱反射率一阶微分的相关性曲线图示意图；f图是对目标加成运算的高光谱反射率求倒数的一阶微分的相关性曲线图示意图；g图是对目标加成运算的高光谱反射率求对数的一阶微分的相关性曲线图示意图；h图是对目标加成运算的高光谱反射率求对数的倒数的一阶微分的相关性曲线图示意图；
由图3可以看出g图与样本所测得的花色苷含量曲线相关性最强，因此，g图为目标反演运算结果。
107、确定目标反演运算结果对应的相关性曲线中，相关性最强时所对应的波长为敏感波长；
从目标反演运算结果对应的相关性曲线中，查找相关性系数最大值所对应的波长为敏感波长。
108、根据花色苷含量、敏感波长和敏感波长所对应的加成高光谱反射率，建立花色苷含量测试模型，并采用所述花色苷含量测试模型测量待测试紫玉米叶片的花色苷含量。
根据花色苷含量、敏感波长和敏感波长所对应的加成高光谱反射率，通过多元线性回归的方法建立花色苷含量测试模型。
实施例二
图4为本发明实施例二提供的紫玉米叶片花色苷含量的测量方法的流程示意图。如图4所示，该紫玉米叶片花色苷含量的测量方法在实施例一的基础上，还包括：
201、采集待验证紫玉米叶片在敏感波长的高光谱反射率。
采集紫玉米叶片若干份作为待验证样本，从待验证样本中采集紫玉米叶片在敏感波长的高光谱反射率。为了保证验模的准确性，此处采集的待验证样本最好不要与步骤101中的样本相同。
202、测定待验证紫玉米叶片的花色苷含量。
测定样品中紫玉米叶片的花色苷含量的方法包括但不限于，PH示差法。
203、将待验证紫玉米叶片对应的所述高光谱反射率输入花色苷含量测试模型，输出对应的花色苷含量。
高光谱反射率可以通过人工输入，也可以将多个高光谱反射率保存成设定格式的文件导入到花色苷含量测试模型中；相应的花色苷含量测试模型输出花色苷的含量并打印；其中，输出的花色苷含量可以为对应的数值，也可以为由对应数值所生成的曲线图像。
204、根据输出的花色苷含量与测定的所述待验证紫玉米叶片的花色苷含量的差异程度，确定花色苷含量测试模型的正确性。
根据输出的花色苷含量的数值与通过PH示差法测定的花色苷的含量对比，若对比结果不存在差异或差异很小，则说明建模成功；否则，转到步骤101中，重新进行建模。
实施例三
图5为本发明实施例三提供的紫玉米叶片花色苷含量的测量方法的流程示意图。如图5所示，该紫玉米叶片花色苷含量的测量方法在实施例一的基础上，还包括：
301、采集待测试紫玉米叶片在敏感波长的高光谱反射率。
采集紫玉米叶片若干份，作为待测试样本，从待测试样本中采集紫玉米叶片在敏感波长的高光谱反射率。
302、将待测试紫玉米叶片对应的高光谱反射率输入花色苷含量测试模型中，输出得到待测试紫玉米叶片的花色苷含量。
303、根据预先确定的叶片与籽粒的花色苷含量对应关系，确定籽粒中的花色苷含量。
通过花色苷含量模型中输出的紫玉米叶片中的花色苷含量，与通过PH示差法测得紫玉米例子的花色苷的含量，确定紫玉米叶片与籽粒中花色苷含量的关系。
图6为本发明实施例三提供的紫玉米叶片的花色苷含量与紫玉米籽粒的花色苷含量的关系图，如图6所示，当叶片花色苷含量由最高值降低到77％时，籽粒中花色苷的含量达到最大值。当以采收籽粒为目的时，以紫玉米叶片花色苷含量达到最大值后降低至最大值77％时作为采收决策的依据。当以采收叶片为目的时，以紫玉米叶片花色苷含量达到最大值时作为采收决策的依据。
实施例四
图7为本发明实施例四提供的紫玉米叶片花色苷含量的测量系统的结构示意图，如图7所示紫玉米叶片花色苷含量的测量系统包括：采集装置11、第一测量装置12、模型建立装置13和第二测量装置14；
采集装置11包括：第一采集模块111，所述模型建立装置13包括：第一运算模块131、第二运算模块132、确定模块133、建模模块134，其中，
第一采集模块111，用于采集样本中紫玉米父本叶片在不同波长时对应的第一高光谱反射率，采集样本中第一代紫玉米叶片在不同波长时对应的第二高光谱反射率；
第一测量装置12，用于测定第一代紫玉米叶片的花色苷含量；
第一运算模块131，用于对第一高光谱反射率和第二高光谱反射率进行加成运算，获得对应的加成高光谱反射率；
第二运算模块132，用于对加成高光谱反射率进行多种反演运算，获得各反演运算结果；分别确定各反演运算结果与花色苷含量的相关性曲线；从各反演运算结果中选择具有最强相关性的目标反演运算结果；
确定模块133，用于确定目标反演运算结果对应的相关性曲线中，相关性最强时所对应的波长为敏感波长；
建模模块134，用于根据花色苷含量、敏感波长和敏感波长所对应的加成高光谱反射率，建立花色苷含量测试模型；
第二测量装置14，用于采用花色苷含量测试模型进行待测试紫玉米叶片的花色苷含量。
本实施例的紫玉米叶片花色苷含量的测量系统可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
实施例五
图8为本发明实施例五提供的紫玉米叶片花色苷含量的测量系统的结构示意图，如图8所示，本实施例的紫玉米叶片花色苷含量的测量系统在实施例四的基础上还包括：采集装置11包括第三采集模块112，模型建立装置13包括验证模块135，其中，
第三采集模块112，用于采集待验证紫玉米样本在敏感波长的高光谱反射率；
第二测量装置14，用于测定待验证紫玉米样本叶片的花色苷含量；
验证模块135，用于将高光谱反射率输入花色苷含量测试模型，输出对应的花色苷含量；根据输出的花色苷含量与采集的花色苷含量的差异程度，确定花色苷含量测试模型的正确性。
本实施例的紫玉米叶片花色苷含量的测量系统可以用于执行图4所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
实施例六
图9为本发明实施例六提供的紫玉米叶片花色苷含量的测量系统的结构示意图，如图9所示，本实施例的紫玉米叶片花色苷含量的测量系统在实施例四的基础上，采集装置包括：第二采集模块113，其中
第二采集模块113，用于采集待测试紫玉米叶片在敏感波长的高光谱反射率；
第二测量装置14，用于将待测试紫玉米叶片对应的高光谱反射率输入花色苷含量测试模型中，输出得到待测试紫玉米叶片的花色苷含量。
第N测量装置15，用于根据预先确定的叶片与籽粒的花色苷含量对应关系，确定籽粒中的花色苷含量。
本实施例的紫玉米叶片花色苷含量的测量系统可以用于执行图5所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种紫玉米叶片花色苷含量的测量方法，其特征在于，包括：
采集样本中紫玉米父本叶片在不同波长时对应的第一高光谱反射率，采集样本中第一代紫玉米叶片在不同波长时对应的第二高光谱反射率；
测定所述第一代紫玉米叶片的花色苷含量；
对所述第一高光谱反射率和所述第二高光谱反射率进行加成运算，获得对应的加成高光谱反射率；
对所述加成高光谱反射率进行多种反演运算，获得各反演运算结果；
分别确定所述各反演运算结果与所述花色苷含量的相关性曲线；
从所述各反演运算结果中选择具有最强相关性的目标反演运算结果；
确定所述目标反演运算结果对应的相关性曲线中，相关性最强时所对应的波长为敏感波长；
根据所述花色苷含量、所述敏感波长和所述敏感波长所对应的加成高光谱反射率，建立花色苷含量测试模型，并采用所述花色苷含量测试模型测量待测试紫玉米叶片的花色苷含量；
所述对所述第一高光谱反射率和所述第二高光谱反射率进行加成运算，获得对应的加成高光谱反射率，包括：
对所述第一高光谱反射率和所述第二高光谱反射率进行如下几种加成运算中的至少两种运算：相加、相减、相乘、相除；
根据每种加成运算后的高光谱反射率与所述第一代紫玉米叶片的花色苷含量的相关性，确定目标加成运算，所述目标加成运算后的高光谱反射率与所述第一代紫玉米叶片的花色苷含量的相关性最高；
所述对所述加成高光谱反射率进行多种反演运算，获得各反演运算结果，包括：对所述目标加成运算后高光谱反射率进行多种反演运算，获得各反演运算结果。
2.根据权利要求1所述的花色苷含量的测量方法，其特征在于，所述采用所述花色苷含量测试模型测量待测试紫玉米叶片的花色苷含量，包括：
采集待测试紫玉米叶片在所述敏感波长的高光谱反射率；
将所述待测试紫玉米叶片对应的所述高光谱反射率输入所述花色苷含量测试模型中，输出得到所述待测试紫玉米叶片的花色苷含量。
3.根据权利要求1所述的花色苷含量的测量方法，其特征在于，所述反演运算包括如下运算方式中的至少两种：倒数、对数、对数的倒数、一阶微分、倒数的一阶微分、对数的一阶微分、对数的倒数的一阶微分。
4.根据权利要求1至3中任一项所述的花色苷含量的测量方法，其特征在于，建立花色苷含量测试模型之后，还包括：
采集待验证紫玉米叶片在所述敏感波长的高光谱反射率；
测定所述待验证紫玉米叶片的花色苷含量；
将所述待验证紫玉米叶片对应的所述高光谱反射率输入所述花色苷含量测试模型，输出对应的花色苷含量；
根据所述输出的花色苷含量与测定的所述待验证紫玉米叶片的花色苷含量间的差异程度，确定花色苷含量测试模型的正确性。
5.根据权利要求1至3中任一项所述的花色苷含量的测量方法，其特征在于，所述建立花色苷含量测试模型，并采用所述花色苷含量测试模型测量待测试紫玉米叶片的花色苷含量之后，还包括：
根据预先确定的叶片与籽粒的花色苷含量对应关系，确定籽粒中的花色苷含量。
6.一种紫玉米叶片花色苷含量的测量系统，其特征在于，包括：采集装置、第一测量装置、模型建立装置和第二测量装置；
所述采集装置包括：第一采集模块，所述模型建立装置包括：第一运算模块、第二运算模块、确定模块、建模模块，其中，
所述第一采集模块，用于采集样本中紫玉米父本叶片在不同波长时对应的第一高光谱反射率，采集样本中第一代紫玉米叶片在不同波长时对应的第二高光谱反射率；
所述第一测量装置，用于测定所述第一代紫玉米叶片的花色苷含量；
所述第一运算模块，用于对所述第一高光谱反射率和所述第二高光谱反射率进行加成运算，获得对应的加成高光谱反射率；
所述第一运算模块，具体用于：
对所述第一高光谱反射率和所述第二高光谱反射率进行如下几种加成运算中的至少两种运算：相加、相减、相乘、相除；
根据每种加成运算后的高光谱反射率与所述第一代紫玉米叶片的花色苷含量的相关性，确定目标加成运算，所述目标加成运算后的高光谱反射率与所述第一代紫玉米叶片的花色苷含量的相关性最高；
所述第二运算模块，用于对所述加成高光谱反射率进行多种反演运算，获得各反演运算结果；分别确定所述各反演运算结果与所述花色苷含量的相关性曲线；从所述各反演运算结果中选择具有最强相关性的目标反演运算结果；
所述第二运算模块，具体用于：对所述目标加成运算后高光谱反射率进行多种反演运算，获得各反演运算结果；
所述确定模块，用于确定所述目标反演运算结果对应的相关性曲线中，相关性最强时所对应的波长为敏感波长；
所述建模模块，用于根据所述花色苷含量、所述敏感波长和所述敏感波长所对应的加成高光谱反射率，建立花色苷含量测试模型；
所述第二测量装置，用于采用所述花色苷含量测试模型测量待测试紫玉米叶片的花色苷含量。
7.根据权利要求6所述的花色苷含量的测量系统，其特征在于，所述采集装置包括：第二采集模块，
所述第二采集模块，用于采集待测试紫玉米叶片在所述敏感波长的高光谱反射率；
所述第二测量装置，还用于将所述待测试紫玉米叶片对应的所述高光谱反射率输入所述花色苷含量测试模型中，输出得到所述待测试紫玉米叶片的花色苷含量。
8.根据权利要求6或7所述的花色苷含量的测量系统，其特征在于，所述采集装置包括第三采集模块，模型建立装置还包括：验证模块，其中，
所述第三采集模块，用于采集待验证紫玉米叶片在所述敏感波长的高光谱反射率；
所述第二测量装置，还用于测定所述待验证紫玉米叶片的花色苷含量；
所述验证模块，用于将所述高光谱反射率输入所述花色苷含量测试模型，输出对应的花色苷含量；根据所述输出的花色苷含量与采集的花色苷含量的差异程度，确定花色苷含量测试模型的正确性。
9.根据权利要求6或7所述的花色苷含量的测量系统，其特征在于，还包括：
第N测量装置，用于根据预先确定的叶片与籽粒的花色苷含量对应关系，确定籽粒中的花色苷含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610285470.6A CN105954206B (zh) | 2016-04-29 | 2016-04-29 | 紫玉米叶片花色苷含量的测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610285470.6A CN105954206B (zh) | 2016-04-29 | 2016-04-29 | 紫玉米叶片花色苷含量的测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105954206A CN105954206A (zh) | 2016-09-21 |
| CN105954206B true CN105954206B (zh) | 2019-01-08 |
Family
ID=56913594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610285470.6A Active CN105954206B (zh) | 2016-04-29 | 2016-04-29 | 紫玉米叶片花色苷含量的测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105954206B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112113918B (zh) * | 2020-09-18 | 2021-11-02 | 河海大学 | 文物红色系颜料的高光谱识别模型构建方法及系统 |
| CN116306984B (zh) * | 2023-05-16 | 2023-09-12 | 北京市农林科学院信息技术研究中心 | 紫色系作物鲜叶花色苷检测模型训练、检测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007106942A1 (en) * | 2006-03-21 | 2007-09-27 | Commonwealth Scientific And Industrial Research Organisation | Analysis of grape quality using neural network |
| CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
| CN103278473A (zh) * | 2013-05-14 | 2013-09-04 | 中国热带农业科学院分析测试中心 | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 |
| CN103411846A (zh) * | 2013-08-16 | 2013-11-27 | 塔里木大学 | 基于高光谱技术的叶面降尘量测定方法 |
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
| CN105136686A (zh) * | 2015-08-28 | 2015-12-09 | 河南科技大学 | 紫叶李叶片花青素含量的测定方法 |
| CN105241822A (zh) * | 2015-08-28 | 2016-01-13 | 河南科技大学 | 基于高光谱的牡丹叶片花青素含量测定方法 |
-
2016
- 2016-04-29 CN CN201610285470.6A patent/CN105954206B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007106942A1 (en) * | 2006-03-21 | 2007-09-27 | Commonwealth Scientific And Industrial Research Organisation | Analysis of grape quality using neural network |
| CN101776597A (zh) * | 2010-01-19 | 2010-07-14 | 中国农业大学 | 一种畜肉细菌总数无损检测方法 |
| CN103278473A (zh) * | 2013-05-14 | 2013-09-04 | 中国热带农业科学院分析测试中心 | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 |
| CN103411846A (zh) * | 2013-08-16 | 2013-11-27 | 塔里木大学 | 基于高光谱技术的叶面降尘量测定方法 |
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
| CN105136686A (zh) * | 2015-08-28 | 2015-12-09 | 河南科技大学 | 紫叶李叶片花青素含量的测定方法 |
| CN105241822A (zh) * | 2015-08-28 | 2016-01-13 | 河南科技大学 | 基于高光谱的牡丹叶片花青素含量测定方法 |
Non-Patent Citations (2)
| Title |
|---|
| 光谱数据变换对玉米氮素含量反演精度的影响;王磊等;《遥感技术与应用》;20110430;第26卷(第2期);第220-225页 * |
| 基于可见/近红外光谱的牡丹叶片花青素含量预测;刘秀英等;《农业机械学报》;20150930;第46卷(第9期);第319-324、342页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105954206A (zh) | 2016-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Möller et al. | Photometric classification of type Ia supernovae in the SuperNova Legacy Survey with supervised learning | |
| Zhang et al. | Identification of bacterial blight resistant rice seeds using terahertz imaging and hyperspectral imaging combined with convolutional neural network | |
| CN105352895B (zh) | 高光谱遥感数据植被信息提取方法 | |
| CN102175618B (zh) | 一种稻麦叶片氮含量光谱监测模型建模方法 | |
| CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
| Kunz et al. | Updating a synchronous fluorescence spectroscopic virgin olive oil adulteration calibration to a new geographical region | |
| CN104020135B (zh) | 基于近红外光谱的校正模型建模方法 | |
| CN108875913A (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN103837492B (zh) | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 | |
| CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN105181678A (zh) | 基于激光诱导击穿光谱的水稻品种鉴别方法 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN111582387A (zh) | 一种岩石光谱特征融合分类方法及系统 | |
| CN106383088A (zh) | 一种基于多光谱成像技术的种子纯度快速无损检测方法 | |
| CN110333195A (zh) | 植物叶片水分含量检测方法及装置 | |
| CN110363119A (zh) | 基于小波变换-随机森林算法的烟叶霉变快速识别方法 | |
| CN105954206B (zh) | 紫玉米叶片花色苷含量的测量方法及系统 | |
| Zhang et al. | Vis/NIR reflectance spectroscopy for hybrid rice variety identification and chlorophyll content evaluation for different nitrogen fertilizer levels | |
| Chen et al. | Identification of coumarin‐based food additives using terahertz spectroscopy combined with manifold learning and improved support vector machine | |
| CN102128805A (zh) | 果品近红外光谱波长选择和快速定量分析方法及装置 | |
| Kim et al. | Neural network based prediction of soluble solids concentrationin oriental melon using VIS/NIR spectroscopy | |
| CN109521437B (zh) | 面向植被生化参数探测的多光谱激光雷达波长选择方法 | |
| CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
| CN109211814B (zh) | 一种基于三维光谱曲面分区特征的土壤剖面类型识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |