CN106770047A - 一种水稻叶片组织光学特性参数的反演方法和测量装置 - Google Patents
一种水稻叶片组织光学特性参数的反演方法和测量装置 Download PDFInfo
- Publication number
- CN106770047A CN106770047A CN201710014518.4A CN201710014518A CN106770047A CN 106770047 A CN106770047 A CN 106770047A CN 201710014518 A CN201710014518 A CN 201710014518A CN 106770047 A CN106770047 A CN 106770047A
- Authority
- CN
- China
- Prior art keywords
- rice leaf
- optical property
- leaf tissue
- property parameter
- measurement
- 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
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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
- G01N21/474—Details of optical heads therefor, e.g. using optical fibres
-
- 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
- G01N21/59—Transmissivity
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
- G01N21/474—Details of optical heads therefor, e.g. using optical fibres
- G01N2021/4742—Details of optical heads therefor, e.g. using optical fibres comprising optical fibres
Abstract
本发明公开了一种水稻叶片组织光学特性参数的反演方法和测量装置,其中反演方法包括以下步骤:建立水稻叶片光学各向同性的单层组织模型,采用蒙特卡罗模拟程序建立以光学特性参数作为输入,以测量参数作为输出的训练数据库;利用标准仿体的光学特性参数和测量参数对训练数据库进行校正;建立BP神经网络,利用校正后的训练数据库对所述的BP神经网络进行训练;测量待测水稻叶片组织的测量参数,利用训练后的BP神经网络以待测水稻叶片组织的测量参数反演待测水稻叶片组织的光学特性参数。本发明采用神经网络算法进行组织光学特性参数的反演,适用于水稻叶片的实际情况,同时提高了计算速度。
Description
技术领域
本发明涉及组织光学研究领域,尤其涉及一种水稻叶片组织光学特性参数的反演方法和测量装置。
背景技术
光在生物组织体内传播过程及路径与组织体的生理、病理状态密切相关,成为人们研究关注的重点。
组织光学特性参数,是一系列用来描述光在组织体内传播状况的物理量。光在混浊组织中传播主要涉及三个基本物理过程:反射(折射),吸收和散射。光在组织中的衰减主要是组织体对光的吸收和散射两种过程的综合作用,分别用吸收系数μa和散射系数μs表示。μa和μs分别描述组织体对光的吸收和散射能力,其中μa主要取决于组织的化学组成;而μs受到组织结构/物理特性(如密度、组织粒子大小、细胞结构)的影响。
通过对组织体内各光学特性参数的测定,便可以间接的得到组织体内相应的生理、病理信息。因此组织体的光学特性参数在农作物养分诊断、病害检测、品质分析等领域有着非常重要的应用价值。
目前,光学特性参数在水果的无损检测方面具有广泛的应用。植物叶片组织不同于水果组织,很少有文献涉及到植物叶片的光学特性参数以及其与叶片的养分信息或者病害胁迫之间的关系。水稻是我国主要的粮食作物,通过水稻叶片的光学特性参数对其养分诊断、病害检测、品质分析等具有重要的意义。
公开号为CN103940766A的中国发明专利文献公开了一种基于积分球的农产品组织光学特性自动检测装置,一种农产品组织光学特性检测装置,采用步进电机和控制系统对多个单波段的激光光源进行切换,获得猕猴桃的反射率、透射率后利用IAD算法(反向倍加法Inverse Adding-doubling,IAD)对其进行反演得到光学特性参数。上述装置采用激光光源无法获得连续波段下的光学特性参数,且IAD反演算法假设生物组织为均一物质,测量时光照均匀,但在实际应用中无法满足上述条件,因此不能实现对水稻叶片光学特性参数的准确反演。
发明内容
本发明提供一种水稻叶片组织光学特性参数的反演方法和测量装置,该反演方法采用基于蒙特卡罗仿真的BP神经网络算法,解决了IAD算法(反向倍加法)不适用于水稻叶片反演的问题,且提高了反演速度。
本发明提供了一种水稻叶片组织光学特性参数的测量装置,包括通过光纤连接的光源系统、单积分球光路系统和检测系统,检测系统连接计算机,所述的光源系统包括:波段为250~2500nm的卤钨灯源;
所述的单积分球光路系统包括:
积分球;
光斑调节器,安装在积分球上,包括金属管和/或透镜,用于控制光纤的光斑大小。
现有的组织光学特性检测装置的光源为多个单波段的激光光源,在测量时需要对多个单波段的激光光源进行切换,操作繁琐,本发明的测量装置的光源采用具有连续波段的卤钨灯源,解决了现有的测量装置在测量时需要切换不同波段光源的问题;本发明的测量装置采用了光斑调节器,使测量反射率和透射率时照射在水稻叶片组织样本上的光斑大小保持一致,保证水稻叶片组织的漫反射率和漫透射率的精准测量。
当测量水稻叶片组织的透射率时,所述的光斑调节器为透镜,安装在靠近光纤的积分球一侧的样本口。
当测量水稻叶片组织的反射率时,所述的光斑调节器包括金属管和透镜,所述的金属管通过远离样本口的积分球一侧的入光口伸入到积分球内部,所述的透镜安装在金属管的位于积分球内部的一端。
测量水稻叶片组织的透射率和反射率时,经过光斑调节器的调节,照射在水稻叶片组织样本上的光斑大小保持一致均为1mm。
作为优选,所述的金属管的内径为8mm,外径12mm,金属管的长度为300mm。
金属管的内径为8mm,外径12mm,长度为300mm时,可以使光斑直径保持在1mm左右,使水稻叶片组织的漫反射率和漫透射率的测量精度更高。
作为优选,所述的金属管的外表面涂有高反射涂层。
作为优选,所述的检测系统包括检测光谱仪和罩在检测光谱仪外的透明罩。
在测量时,透明罩可以避免因空气流动而使检测到的信号受到波动,使检测结果更准确。
本发明还提供了一种水稻叶片组织光学特性参数的反演方法,包括以下步骤:
(1)建立水稻叶片光学各向同性的单层组织模型,采用蒙特卡罗模拟程序建立以光学特性参数作为输入,以测量参数作为输出的训练数据库;
所述的光学特性参数为吸收系数和散射系数;所述的测量参数为漫反射率和漫透射率;
(2)测量已知光学特性参数的标准仿体的测量参数,利用标准仿体的光学特性参数和测量参数对训练数据库进行校正;
(3)建立BP神经网络,利用校正后的训练数据库对所述的BP神经网络进行训练;
(4)测量待测水稻叶片组织的测量参数,利用训练后的BP神经网络以待测水稻叶片组织的测量参数反演待测水稻叶片组织的光学特性参数。
本发明将单积分球测量方法与基于神经网络的光学特性参数反演结合起来。利用蒙特卡罗模型仿真模拟光在生物组织中的传输和利用积分球对具有已知组织光学特性参数吸收系数和散射系数的仿体进行测量,可以得到生物组织各个光学特性参数与漫反射率、漫透射率之间的正向模型。
本发明中,采用蒙特卡罗模拟的方法建立光学特性参数与实际测量到的样品的漫反射率、漫透射率之间的映射关系。
蒙特卡罗模拟计算模型的基本框架主要包括光子随机步长的确定、光子吸收和散射过程的描述、以及待测物理量的统计描述。蒙特卡罗方法模拟光在组织中的传输过程,也就是大量记录每个光子在组织中的行迹,而模拟每个光子在生物组织中的行迹,其步骤总体上说分四步:
(1)根据入射条件确定起始跟踪点确定光子运动的步长;
(2)确定光子行进的方向和下一次碰撞的位置;
(3)确定在该位置光子的吸收和散射部分;
(4)返回第三步。
作为一个模拟光子输运实际物理过程的最直接、最有效和最可信的方法,蒙特卡罗模拟在基于其他应用光传输模型的光谱检测与成像技术方案的有效性验证方面起着十分重要的作用。同时实践也证明,用蒙特卡罗方法确定光子在生物组织中的传输最为精确,与实际测量的吻合程度最好。
研究表明,大多数生物组织的吸收系数在0.024~19.5cm-1,散射系数在2.6~167cm-1(Vo-Dinh T.Biomedical Photonics Handbook.CRC press,2003:2-25~2-26)。为确保数据库能包含水稻叶片组织的所有光学特性参数,作为优选,步骤(1)中,设置吸收系数为0.01~20cm-1,散射系数为1~1000cm-1;
建立的水稻叶片单层模型中假设光在叶片组织中平行,因此,设置各向异性因子g为1。
进一步优选的,所述的吸收系数的步长为1cm-1,所述的散射系数的步长为33cm-1。
通过蒙特卡罗模拟程序建立的训练数据库具有一定的误差,需要对该训练数据库进行校正,作为优选,所述的标准仿体为光学特性参数已知的脂肪乳剂和染料的溶液。
根据相关理论,光在组织体内的传播相对复杂,因此进行光学特性参数的反演时,测量值与光学特性参数之间的关系是非解析的,很难通过多项式拟合或其他拟合差值方法得到准确的结果。BP神经网络具有很强的非线性映射能力,对BP神经网络的网络隐层和传递函数进行合理的设计,便可以满足光学建模和数据拟合的需要。
本发明利用BP神经网络的非线性拟合和预测能力,通过采用大量训练数据对网络进行训练,然后将实际样品测量参数输入训练好的BP神经网络即可预测得到相应的组织光学特性参数。
作为优选,所述的BP神经网络包括依次连接的输入层、第一隐层、第二隐层和输出层。
对BP神经网络进行训练时,以训练数据库中的测量参数作为输入,以相应的光学特性参数作为输出。由于测量参数漫反射率和漫透射率的数值范围为(0、1)的区间,且测量参数与光学特性参数均为矩阵形式,设计该BP神经网络内含有两个隐层。理论证实,含两隐层的BP神经网络可以逼近任意函数。
根据BP神经网络的设计要求,为提高BP神经网络精度,在采用较大的建模样本集时需要隐层节点数响应比较大,但同时也要避免由于隐层节点数过多而造成的过拟合现象的发生。
作为优选,所述的输入层和输出层的节点均为600个,第一隐层和第二隐层的节点均为25个。
针对600个训练集,实验证明,当设计25个隐节点时,BP神经网络的映射能力最强,且可避免过拟合现象。
作为优选,第一隐层和第二隐层的传递函数分别为“tansing”函数(双曲正切型传递函数)和“purelin”函数(线性传递函数),学习函数为“learngdm”函数(梯度下降动量学习函数),采用“traingd”函数(梯度下降算法)训练BP神经网络,采用“mse”函数评价BP神经网络的性能。
与现有技术相比,本发明的有益效果为:
(1)本发明搭建了全新的单积分球离体光学特性参数测量装置,所选择的光源、光纤、光谱仪能保证可以获得水稻叶片在350~1000nm波段精准的漫反射率和漫透射率;设置的透镜和光斑调节器保证了测量的精确度;
(2)相比于现有技术的IAD反演方法,本发明采用神经网络算法进行组织光学特性参数的反演,适用于水稻叶片的实际情况,同时提高了计算速度,拓宽了可适用的光学特性参数范围;由于神经网络本身具备一定的容错性,大大减少了由于测量误差对光学特性参数反演带来的影响。
附图说明
图1为本发明水稻叶片组织光学特性参数的测量装置的结构示意图;
图2为测量水稻叶片组织的透射率时积分球内部的结构示意图;
图3为测量水稻叶片组织的反射率时积分球内部的结构示意图;
图4为本发明水稻叶片组织光学特性参数的反演方法的流程示意图。
其中,1、光源系统;2、光纤;3、单积分球光路系统;4、检测系统;5、计算机;6、透镜;7、适配器;8、支撑架;9、金属管;10、水稻叶片组织样品。
具体实施方式
如图1所示,本发明的水稻叶片组织光学特性参数的测量装置主要包括:
为实验系统提供光源的光源系统1、对样品的漫反射率和漫透射率进行检测的单积分球光路系统3、将实验中的光信号转为电信号的检测系统4、数据显示和处理的计算机5;光源系统1、单积分球光路系统3和检测系统4通过直径为400μm、波段范围为380~1000nm的光纤2连接,检测系统4连接计算机5。
光源系统1由波段为250~2500nm的卤钨灯源及额定功率为250W的电源供给箱组成,其光源功率可调,根据需求可选择强度模式、电流模式或者功率模式,且每次实验的参数设定均可储存,下次实验进行参数设定时可直接调用;
单积分球光路系统3包括:
积分球,其内壁涂有高反射涂层,如Spectraflect白色涂层,可以在内壁形成均匀的光强;
光斑调节器,由单个透镜6和/或内径为8mm,外径为12mm,长度为300mm的金属管9组成,金属管9的外表面涂有与积分球内壁相同的高反射涂层,透镜为凸透镜。
如图2所示,当测量水稻叶片组织的透射率时,光斑调节器为透镜6,通过适配器7安装在靠近光纤2的积分球一侧的样本口,适配器7通过支撑架8安装在积分球上。
如图3所示,当测量水稻叶片组织的反射率时,光斑调节器包括金属管9和透镜6,金属管9通过远离样本口的积分球一侧的入光口伸入到积分球内部,金属管9由适配器7固定,适配器7通过支撑架8安装在积分球上,透镜6安装在金属管9的位于积分球内部的一端。
透镜6和金属管9用于调节光纤2的光斑,使照射在样本上的光斑大小为1mm。
样品夹,包括一端固定,另一端可移动的金属架,金属架的两端固定有石英玻片,可根据样品的厚度调节金属架可移动的一端;
支撑架8,用于固定光纤、金属管和样品夹;
检测系统4包括:波段范围为350~1000nm的海洋光学检测器,以及罩设在海洋光学检测器外的透明罩;
计算机5,用于数据采集,并对采集到的数据进行分析处理,实现对水稻叶片组织光学特性参数重构。
如图4所示,基于上述的测量装置对水稻叶片组织光学特性参数的反演方法如下:
(1)设置光学特性参数模拟数据集(μa,μs),其中μa为吸收系数,μa从0.01cm-1开始以1cm-1的步长增加至20cm-1,共20个数据;μs为散射系数,μs从1cm-1开始以33cm-1的步长增加至1000cm-1,共30个数据,形成20×30共600组数据,设置各向异性因子g为1;利用蒙特卡罗模拟程序,得到该模拟数据集对应的样品的漫反射率、漫透射率(Rd,Td),其中,Rd为漫反射率,Td为漫透射率。600组(μa,μs)及对应的(Rd,Td)组成了训练数据库;
(2)配置具有固定光学特性参数(μa’,μs’)和g的一组标准仿体,本发明的标准仿体为脂肪乳剂和染料的溶液。利用本发明的测量装置得到其对应的漫反射率和漫透射率(Rd’,Td’),将其与训练数据库中的模拟量进行比较,对训练数据库进行校正;
(3)构建初始化BP神经网络,包括输入层、第一隐层、第二隐层和输出层,输入层和输出层具有600个节点,第一隐层和第二隐层具有25个节点,第一隐层和第二隐层的传递函数分别采用“tansing”函数和“purelin”函数,学习函数采用“learngdm”函数,网络训练中采用“traingd”函数,性能函数“mse”用均方误差来评价BP神经网络的性能。
输入层的输入信号为(Rd,Td),即样品的漫反射率和漫透射率,输出层的输出信号为(μa,μs),即样品的光学特性参数吸收系数和散射系数;
利用校正后的训练数据库对建立的BP神经网络进行训练,直到拟合误差小于所设置的阈值,该阈值可根据实际需要进行设定;得到训练后的BP神经网络;
对BP神经网络进行训练的具体步骤为:
1)采用蒙特卡罗方法建立的训练数据库为神经网络误差信号的训练信号。确定输入信号、连接权和阀值计算隐层中各单元的输入,然后用各单元的输入通过传递函数计算隐层中各单元的输出;
2)利用隐层的输出、连接权和阀值计算输出层各单元的输入,然后利用传递函数计算输出层各单元的相应输出;
3)利用理论输出,网络的实际输出,计算输出层的各单元的一般化误差;
4)利用连接权、输出层的一般化误差和隐层的输出,计算隐层的一般化误差;
5)利用输出层各单元的一般化误差与隐层的输出来修正连接权和阀值。
(4)利用本发明的测量装置测量待测水稻叶片组织的测量参数(Rd,Td),作为输入量输入训练后的BP神经网络,训练后的BP神经网络输出相对于的待测水稻叶片组织的光学特性参数(μa,μs),从而实现了对水稻叶片组织的光学特性参数的反构。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水稻叶片组织光学特性参数的反演方法,其特征在于,包括以下步骤:
(1)建立水稻叶片光学各向同性的单层组织模型,采用蒙特卡罗模拟程序建立以光学特性参数作为输入,以测量参数作为输出的训练数据库;
所述的光学特性参数为吸收系数和散射系数;所述的测量参数为漫反射率和漫透射率;
(2)测量已知光学特性参数的标准仿体的测量参数,利用标准仿体的光学特性参数和测量参数对训练数据库进行校正;
(3)建立BP神经网络,利用校正后的训练数据库对所述的BP神经网络进行训练;
(4)测量待测水稻叶片组织的测量参数,利用训练后的BP神经网络以待测水稻叶片组织的测量参数反演待测水稻叶片组织的光学特性参数。
2.根据权利要求1所述的水稻叶片组织光学特性参数的反演方法,其特征在于,步骤(1)中,设置吸收系数为0.01~20cm-1,散射系数为1~1000cm-1,各向异性因子g为1。
3.根据权利要求2所述的水稻叶片组织光学特性参数的反演方法,其特征在于,所述的吸收系数的步长为1cm-1,所述的散射系数的步长为33cm-1。
4.根据权利要求1所述的水稻叶片组织光学特性参数的反演方法,其特征在于,所述的BP神经网络包括依次连接的输入层、第一隐层、第二隐层和输出层。
5.根据权利要求4所述的水稻叶片组织光学特性参数的反演方法,其特征在于,所述的输入层和输出层的节点均为600个,第一隐层和第二隐层的节点均为25个。
6.根据权利要求4所述的水稻叶片组织光学特性参数的反演方法,其特征在于,第一隐层和第二隐层的传递函数分别为“tansing”函数和“purelin”函数,学习函数为“learngdm”函数,采用“traingd”函数训练BP神经网络,采用“mse”函数评价BP神经网络的性能。
7.一种水稻叶片组织光学特性参数的测量装置,包括通过光纤连接的光源系统、单积分球光路系统和检测系统,检测系统连接计算机,其特征在于,
所述的光源系统包括:波段为250~2500nm的卤钨灯源;
所述的单积分球光路系统包括:
积分球;
光斑调节器,安装在积分球上,包括金属管和/或透镜,用于控制光纤的光斑大小。
8.根据权利要求7所述的水稻叶片组织光学特性参数的测量装置,其特征在于,当测量水稻叶片组织的透射率时,所述的光斑调节器为透镜,安装在靠近光纤的积分球一侧的样本口。
9.根据权利要求7所述的水稻叶片组织光学特性参数的测量装置,其特征在于,当测量水稻叶片组织的反射率时,所述的光斑调节器包括金属管和透镜,所述的金属管通过远离样本口的积分球一侧的入光口伸入到积分球内部,所述的透镜安装在金属管的位于积分球内部的一端。
10.根据权利要求7所述的水稻叶片组织光学特性参数的测量装置,其特征在于,所述的检测系统包括检测光谱仪和罩在检测光谱仪外的透明罩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014518.4A CN106770047A (zh) | 2017-01-09 | 2017-01-09 | 一种水稻叶片组织光学特性参数的反演方法和测量装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014518.4A CN106770047A (zh) | 2017-01-09 | 2017-01-09 | 一种水稻叶片组织光学特性参数的反演方法和测量装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106770047A true CN106770047A (zh) | 2017-05-31 |
Family
ID=58948409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710014518.4A Pending CN106770047A (zh) | 2017-01-09 | 2017-01-09 | 一种水稻叶片组织光学特性参数的反演方法和测量装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106770047A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243765A (zh) * | 2019-07-02 | 2019-09-17 | 南京农业大学 | 基于水果双层平板模型的光子传输模拟的水果高光谱品质检测方法 |
CN111307729A (zh) * | 2020-03-18 | 2020-06-19 | 浙江大学 | 一种用于单积分球测量系统的植物叶片固定装置 |
CN113191073A (zh) * | 2021-04-06 | 2021-07-30 | 浙江大学 | 一种基于bp神经网络的光学特性参数反演方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102359817A (zh) * | 2011-03-08 | 2012-02-22 | 中国科学院福建物质结构研究所 | 一种上转换发光绝对量子产率测试系统 |
CN105277497A (zh) * | 2015-11-06 | 2016-01-27 | 浙江大学 | 连续光谱下检测农产品的光学特性参数的装置与方法 |
CN205015271U (zh) * | 2015-09-29 | 2016-02-03 | 日芯光伏科技有限公司 | 光学玻璃小球透镜透过率的测试装置 |
CN106124167A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 超高反射镜的积分散射率/积分透射率高精度测量系统 |
CN206431046U (zh) * | 2017-01-09 | 2017-08-22 | 浙江大学 | 一种水稻叶片组织光学特性参数的测量装置 |
-
2017
- 2017-01-09 CN CN201710014518.4A patent/CN106770047A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102359817A (zh) * | 2011-03-08 | 2012-02-22 | 中国科学院福建物质结构研究所 | 一种上转换发光绝对量子产率测试系统 |
CN205015271U (zh) * | 2015-09-29 | 2016-02-03 | 日芯光伏科技有限公司 | 光学玻璃小球透镜透过率的测试装置 |
CN105277497A (zh) * | 2015-11-06 | 2016-01-27 | 浙江大学 | 连续光谱下检测农产品的光学特性参数的装置与方法 |
CN106124167A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 超高反射镜的积分散射率/积分透射率高精度测量系统 |
CN206431046U (zh) * | 2017-01-09 | 2017-08-22 | 浙江大学 | 一种水稻叶片组织光学特性参数的测量装置 |
Non-Patent Citations (1)
Title |
---|
刘奇: "生物组织光学模型的蒙特卡罗模拟研究", pages 4 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243765A (zh) * | 2019-07-02 | 2019-09-17 | 南京农业大学 | 基于水果双层平板模型的光子传输模拟的水果高光谱品质检测方法 |
CN111307729A (zh) * | 2020-03-18 | 2020-06-19 | 浙江大学 | 一种用于单积分球测量系统的植物叶片固定装置 |
CN113191073A (zh) * | 2021-04-06 | 2021-07-30 | 浙江大学 | 一种基于bp神经网络的光学特性参数反演方法 |
CN113191073B (zh) * | 2021-04-06 | 2022-08-09 | 浙江大学 | 一种基于bp神经网络的光学特性参数反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101526465B (zh) | 快速多波长组织光学参数测量装置及反构方法 | |
Vilfan et al. | Fluspect-B: A model for leaf fluorescence, reflectance and transmittance spectra | |
Yao et al. | Direct approach to compute Jacobians for diffuse optical tomography using perturbation Monte Carlo-based photon “replay” | |
Qin et al. | Monte Carlo simulation for quantification of light transport features in apples | |
Watté et al. | Modeling the propagation of light in realistic tissue structures with MMC-fpf: a meshed Monte Carlo method with free phase function | |
Adebayo et al. | Using absorption and reduced scattering coefficients for non-destructive analyses of fruit flesh firmness and soluble solids content in pear (Pyrus communis ‘Conference’)—An update when using diffusion theory | |
CN106770047A (zh) | 一种水稻叶片组织光学特性参数的反演方法和测量装置 | |
CN102034266B (zh) | 激发荧光断层成像的快速稀疏重建方法和设备 | |
JP2013019696A (ja) | 生体計測装置および画像作成方法 | |
US9063054B2 (en) | Vitro measurement of sunscreen protection | |
CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 | |
CN106023082A (zh) | 基于微透镜阵列与脉冲激光的弥散介质光学参数场重建装置及其重建方法 | |
Wu et al. | Research on inversion model of cultivated soil moisture content based on hyperspectral imaging analysis | |
CN206431046U (zh) | 一种水稻叶片组织光学特性参数的测量装置 | |
Si et al. | Quality assessment of fruits and vegetables based on spatially resolved spectroscopy: A review | |
CN105352861A (zh) | 浮游植物粒级结构分析方法 | |
WO2017193699A1 (zh) | 一种利用数学模型计算人皮肤胶原蛋白相关3个参数的方法 | |
Roy et al. | CFD based determination of temperature and humidity at leaf surface | |
Luo et al. | Spatial frequency domain imaging system calibration, correction and application for pear surface damage detection | |
CN111795955B (zh) | 基于多层感知神经网络的荧光药代动力学层析成像的方法 | |
Jimenez et al. | Thermal effects of tissue optics in symbiont‐bearing reef‐building corals | |
Kim et al. | Quantification of photosynthetically active radiation inside sunlit growth chambers | |
US6975401B2 (en) | Method of calculating optical path distribution inside scattering absorber | |
CN205910121U (zh) | 可变形光栅传感器及监测生物液体光学折射系数的装置 | |
Zhang et al. | Hyperspectral estimation of chlorophyll content in apple tree leaf based on feature band selection and the CatBoost model |
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 |