CN108195784A - 一种番茄叶绿素含量多光谱估测方法 - Google Patents

一种番茄叶绿素含量多光谱估测方法 Download PDF

Info

Publication number
CN108195784A
CN108195784A CN201810099828.5A CN201810099828A CN108195784A CN 108195784 A CN108195784 A CN 108195784A CN 201810099828 A CN201810099828 A CN 201810099828A CN 108195784 A CN108195784 A CN 108195784A
Authority
CN
China
Prior art keywords
chlorophyll content
multispectral
multispectral image
tomato
blade
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.)
Granted
Application number
CN201810099828.5A
Other languages
English (en)
Other versions
CN108195784B (zh
Inventor
丁永军
张晶晶
海波
蓝才会
朱小军
岳建斌
姚海龙
孟从从
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou City University
Original Assignee
Lanzhou City University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou City University filed Critical Lanzhou City University
Priority to CN201810099828.5A priority Critical patent/CN108195784B/zh
Publication of CN108195784A publication Critical patent/CN108195784A/zh
Application granted granted Critical
Publication of CN108195784B publication Critical patent/CN108195784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种番茄叶绿素含量多光谱估测方法，包括：根据8个对番茄叶绿素含量敏感的波段，获取8张不同波段下的多光谱图像；其中，8个对番茄叶绿素含量敏感的波段分别为520、560、640、670、700、760，800和870nm；然后经叶绿素含量测定、最大叶面积叶片提取、反射率重建、多光谱图像特征定义及选取、偏最小二乘建模，最终提出了一种高精度的番茄叶绿素估测模型，即使是面对复杂的叶片重叠的番茄群体也能较好应对，得到较高精度的叶绿素估测结果，为利用多光谱图像技术无损、快速、高效的估测番茄冠层叶绿素含量研究提供理论依据。

Description

一种番茄叶绿素含量多光谱估测方法
技术领域
本发明涉及作物叶绿素估测技术领域，尤其涉及一种番茄叶绿素含量多光谱估测方法。
背景技术
作物在生长过程中，位于类囊体膜内的叶绿素直接影响作物代谢活动和产量形成，是参与光合作用的主要色素，也是合成作物叶片氮素的重要组成部分。因此，在对番茄生长状态和营养水平进行监测和分析的过程中，叶绿素含量起到重要作用。在实际应用中，通常利用光谱分析技术检测番茄叶片叶绿素含量，因为叶绿素含量与其生长状态下的光谱反射率间存在相关性。
目前，利用ASD等光谱辐射仪获取作物冠层的反射光谱信息，存在视场角狭小、数据处理复杂的弊端；传统的数字图像仅包含3个通道，数据集有限且不一定能很好地表征作物的营养状态。而多光谱相机拓展了图像研究波段，提供了更为丰富的光谱和图像特征，通过分析多光谱图像，提取作物颜色、形状、纹理、分布等特征，为作物营养诊断提供技术支持。
但是，AOTF声光可调谐及LCTF液晶可调谐多光谱成像系统，存在单级滤光片滤光性能有限，制作工艺复杂、成本高等不足；多相机组合型、光束分离型及面阵CCD加Bayer滤光片型成像系统，则存在带宽粗放等缺陷，只能同步采集R、G、B、NIR等少数波段图像，不能满足番茄营养诊断的实际应用。
此外，国内研究大多局限于结构简单、理想化的初期幼苗的单体，对于复杂的叶片重叠的群体问题不仅研究甚少，即使少数研究略有涉及，估测精度也较低，并且对复杂光照条件的番茄叶绿素诊断研究较少。
发明内容
本发明所要解决的技术问题是提供一种番茄叶绿素含量多光谱估测方法，以克服现有光谱成像系统的缺点，建立高精度的叶绿素估测模型，使其有效应对复杂的叶片重叠的番茄群体。
为解决上述问题，本发明所述的一种番茄叶绿素含量多光谱估测方法，包括：
（1）将标准发射板与叶片置于同一视场，根据8个对作物叶绿素含量敏感的波段，利用相机对同一场景下的作物冠层分别获取8张不同波段下的多光谱图像；
其中，8个对作物叶绿素含量敏感的波段分别为520、560、640、670、700、760，800和870nm；
（2）在作物冠层叶片中选取叶面积最大的叶片，测定叶绿素含量；
（3）提取每张多光谱图像中的最大叶面积叶片，针对所述标准反射板中T2~T4三个色块，对每张多光谱图像对应的最大叶面积叶片进行反射率重建并求取平均值；
（4）将8个平均反射率两两组合构建归一化植被指数，并将得到的28个植被指数连同这8个平均反射率共同定义为36个多光谱图像特征；
（5）对36个多光谱图像特征和所述叶绿素含量进行相关分析，选取相关性超过0.75的多光谱图像特征作为叶绿素含量的多光谱特征；
（6）利用所述叶绿素含量的多光谱特征进行偏最小二乘回归建模，得到叶绿素含量估测模型，并利用所述叶绿素含量估测模型对叶绿素含量进行估测即可。
优选地，在步骤（1）中使用FLI MLx205型相机并搭载CFW-1-8-28自动滤光片轮获取所述多光谱图像。
优选地，在步骤（2）中利用紫外可见分光光度计测定叶绿素含量。
优选地，在步骤（3）中先对每张多光谱图像进行形态学梯度计算，然后利用基于小波变换的分水岭算法，提取每张多光谱图像中的最大叶面积叶片。
本发明与现有技术相比具有以下优点：
1、本发明番茄叶绿素含量多光谱估测方法中，（1）获取对作物叶绿素含量敏感的8通道图像，克服了传统数字图像数据集有限且不一定能很好地表征作物营养状态的弊端；（2）对最大叶片进行提取，解决遥感尺度与实验室测量往往不完全匹配的弊端；（3）通过各通道图像进行的反射率重建，在一定程度上解决了由自然光照造成的图像质量下降问题。综上，本发明建立了一种高精度的叶绿素估测模型，即使是面对复杂的叶片重叠的番茄群体也能较好应对，得到较高精度的叶绿素估测结果，为利用多光谱图像技术无损、快速、高效的估测番茄冠层叶绿素含量研究提供理论依据。
2、本发明中进一步使用FLI MLx205型相机并搭载CFW-1-8-28自动滤光片轮获取多光谱图像，克服了光谱测量存在的视场角狭小、数据处理复杂的弊端。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明实施例提供的步骤流程图。
图2为本发明实施例提供的光谱去包络线与叶绿素相关性分析曲线图。
图3为本发明实施例提供的多光谱图像特征与叶绿素含量相关性分析结果图。
图4为本发明实施例提供的偏最小二乘回归建模结果图。
具体实施方式
参考图1示出的步骤流程图，本发明实施例提供了一种番茄叶绿素含量多光谱估测方法，其以温室栽培番茄为研究对象，经作物冠层多光谱图像获取、最大叶面积叶片提取、反射率重建、多光谱图像特征定义及选取、偏最小二乘建模，最终提出了一套番茄叶绿素含量估测方法，该方法包括以下具体步骤：
（1）将标准发射板与叶片置于同一视场，根据8个对作物叶绿素含量敏感的波段，利用相机对同一场景下的作物冠层分别获取8张不同波段下的多光谱图像。
其中，8个对作物叶绿素含量敏感的波段分别为520、560、640、670、700、760，800和870nm 。原因是：根据发明人前期光谱试验，进行了光谱去包络线与叶绿素含量的相关分析，结果如图2所示，研究发现在蓝边（约520 nm）、黄边（约640 nm）、红边（约700 nm）、绿峰（约560 nm）、红谷（约670 nm）、近红外760，800，870nm存在极值点。因此，选取上述8个波段构造多光谱成像系统，使其能更好地反应叶绿素含量，以克服传统数字图像数据集有限且不一定能很好地表征作物的营养状态的弊端。
具体地，将Labsphere MS100型标准反射板与叶片置于同一视场，使用FLI MLx205型相机并搭载CFW-1-8-28自动滤光片轮获取同一场景下的8张不同波段下的作物冠层图像（即多光谱图像）。
表 1为标准反射板由浅到深4个色块（T1、T2、T3、T4）在R、G、B、NIR通道的平均反射率。
（2）在作物冠层叶片中选取叶面积最大的叶片，测定其叶绿素含量。
具体地，剔除叶脉、剪碎、置由丙酮和无水乙醇按2:1配比的萃取液中，在阴暗处浸泡24 h后，使用752型紫外可见分光光度计测量652nm处的吸光度值，按计算叶绿素含量。其中，通过叶绿素含量可以了解植物硝基需求量，还可以推算出氮肥的含量。另外，根据各步骤之间的关联性可见，叶绿素含量的测定实际上只要在步骤（5）之前完成即可。
（3）提取每张多光谱图像中的最大叶面积叶片，针对标准反射板中T2~T4三个色块，对每张多光谱图像对应的最大叶面积叶片进行反射率重建并求取平均值。
对于最大叶面积叶片的提取，先对每张多光谱图像进行形态学梯度计算，然后利用基于小波变换的分水岭算法，提取每张多光谱图像中的最大叶面积叶片；具体内容见下。
①形态学梯度计算
选取NIR分量进行形态学梯度计算，
其中，为形态学梯度图像，为原始图像，为形态学结构元素，为形态学膨胀运算，为形态学腐蚀运算。其结果去除了大量由叶脉、光照等引起的叶片内纹理。
②小波标记
先对去复杂背景的NIR图像采用db4小波函数进行4层小波分解，取低频系数重构近似图像，再经过H-maxima 变换（H极大值变换），最终选取阈值为18，将大于18的极大值作为标记。
③小波分水岭变换及最大面积叶片提取
因为叶绿素测定针对的是叶面积最大叶片，而拍摄的番茄冠层图像中叶片多且重叠。所以首先需要使用适当的图像处理方法，在图像中尽可能准确的找到叶绿素测定叶片。以小波标记为基础进行标记分水岭叶片分割提取，对提取的叶片通过像素统计，获取叶面积最大叶片。之后，对找到的叶片进行反射率重建，提取特征参数，建模。这样测量尺度和建模尺度匹配，模型可信。
对于反射率重建，考虑到实际拍摄过程中，Labsphere MS100标准反射板的T1色块极易出现过饱和现象，所以针对T2，T3，T4等3个色块进行反射率重建（就是将图像中的像素灰度值变换为相对反射率，这样做的目的是降低光照不均匀对预测的不利影响）。具体地，根据3个色块的反射率及其图像灰度分别建立经验线性公式，将图像各通道灰度值转换为相对反射率并求取平均值。
（4）将8个平均反射率两两组合构建归一化植被指数，并将得到的28个植被指数连同这8个平均反射率共同定义为36个多光谱图像特征。
具体地，将8个波段的平均反射率都作为图像特征的同时，还根据这8个平均反射率两两组合构建28个归一化植被指数，综上共定义多光谱图像特征36个。
（5）对36个多光谱图像特征和叶绿素含量进行相关分析，选取相关性超过0.75的多光谱图像特征作为叶绿素含量的多光谱特征。
其中，相关性超过0.75意味着其所对应的多光谱图像特征能很好地表征叶片叶绿素含量的变化。
（6）利用叶绿素含量的多光谱图像特征进行偏最小二乘回归建模，得到叶绿素含量估测模型，并利用叶绿素含量估测模型对叶绿素含量进行估测即可。
基于上述公开的番茄叶绿素含量多光谱估测方法，对温室栽培结果期番茄进行试验，试验数据如下。
（I）条件：下午14:00-16:00期间，自然光照条件下，使用Labsphere MS100型标准反射板、FLI MLx205型相机并搭载CFW-1-8-28自动滤光片轮。
（II）数据分析及建模
按照上述步骤（1）~步骤（6）进行操作，在步骤（5）多光谱图像特征选取中，将36个多光谱图像特征与步骤（2）中测得的叶绿素含量进行相关性分析，结果如图3所示，选取相关系数超过0.75的4个特征作为叶绿素估测模型输入参量，分别记作NDVI640,760、NDVI700,760、NDVI700,800、NDVI700,870。
参照步骤（6）利用上述选取出来的4个特征进行偏最小二乘回归建模，试验数据见下表2，其中，前40组试验数据用于数据建模，后33组数据用于模型验证；建模结果如图4所示。具体地，由40组试验数据构成的校正数据集出发，构造出番茄叶绿素含量估测模型Spad=-8.23-38.95×NDVI640,670+470.63×NDVI700,760-616.51×NDVI700,800+233.04×NDVI700,870，模型校正决定系数Rc2为0.87；由33组试验数据构成验证数据集，进行模型验证，验证决定系数Rv2为0.84。模型精度较高，满足无损、快速、高效的估测要求。
表2 试验数据
叶绿素含量 NDVI640,670 NDVI700,760 NDVI700,800 NDVI700,870
12.72464 0.168097 0.271418 0.267233 0.280412
22.86957 0.141011 0.349448 0.346966 0.357804
15.04348 0.114338 0.224578 0.211212 0.221281
16.69565 0.192186 0.346344 0.342492 0.35306
17.07246 0.132742 0.349643 0.352599 0.365951
10.78261 0.084288 0.2934 0.322294 0.349463
10.14493 0.142281 0.249525 0.257524 0.280356
22.95652 0.156312 0.345274 0.345997 0.359546
32.23188 0.129243 0.447443 0.450456 0.464248
15.33333 0.116429 0.395641 0.396571 0.410403
44.52174 0.089371 0.630269 0.635335 0.643138
32.92754 0.144495 0.582921 0.591541 0.600297
37.10145 0.069475 0.589315 0.593477 0.600525
55.44928 0.063113 0.655777 0.65681 0.661979
34.11594 0.087212 0.585897 0.594234 0.601304
43.50725 0.065959 0.631998 0.636885 0.644974
41.44928 0.078849 0.61683 0.619877 0.62734
53.97101 0.074769 0.674754 0.671113 0.676949
29.56522 0.10266 0.466445 0.470687 0.486642
42.34783 0.068342 0.631553 0.637998 0.644138
57.24638 0.03892 0.703821 0.697551 0.702648
36.28986 0.107791 0.515631 0.523193 0.535894
50.81159 0.089207 0.63695 0.637654 0.6449
18.37681 0.146504 0.431533 0.440749 0.456393
46.75362 0.057713 0.644446 0.643462 0.650034
44.14493 0.072326 0.611932 0.60774 0.616775
30.63768 0.112873 0.525182 0.535916 0.551807
13.97101 0.126059 0.436979 0.468285 0.49179
12.89855 0.162952 0.433296 0.469208 0.494997
58.11594 0.057906 0.655117 0.657677 0.664969
43.65217 0.058775 0.654653 0.653491 0.660616
27.62319 0.119624 0.393364 0.409284 0.431422
33.50725 0.07108 0.655049 0.657295 0.663054
37.01449 0.058135 0.600082 0.598419 0.607895
40.49275 0.10217 0.550443 0.550368 0.562226
42.57971 0.079227 0.688029 0.694019 0.701981
30.89855 0.125511 0.492939 0.502386 0.515487
49.04348 0.08532 0.561159 0.563135 0.573553
43.24638 0.089282 0.608865 0.607047 0.617761
38.98551 0.134132 0.584183 0.607834 0.619816
5.42029 0.255126 0.242188 0.246272 0.257324
6.782609 0.235528 0.345478 0.34741 0.355082
4.927536 0.239804 0.262087 0.265382 0.271613
8.637681 0.151078 0.264529 0.268638 0.268123
4.57971 0.267602 0.305129 0.307774 0.311601
11.73913 0.241633 0.258617 0.258724 0.263821
20.28986 0.222685 0.402656 0.403572 0.405226
29.3913 0.168877 0.466349 0.471845 0.480273
19.15942 0.194391 0.479082 0.480821 0.484074
14.81159 0.239843 0.402981 0.405409 0.412688
13.42029 0.204187 0.378116 0.383331 0.387628
39.65217 0.089319 0.587926 0.591355 0.593633
50.49275 0.070497 0.63496 0.638069 0.640459
39.36232 0.125287 0.514574 0.5163 0.520564
41.30435 0.092407 0.603085 0.605299 0.608835
39.10145 0.152448 0.530668 0.53302 0.534026
38.69565 0.131227 0.531257 0.533427 0.533383
64.37681 0.078922 0.594285 0.597038 0.600543
64.4058 0.084003 0.628996 0.632902 0.631526
57.88406 0.126134 0.53863 0.541396 0.54417
48.66667 0.089132 0.584556 0.58742 0.589881
54.02899 0.113031 0.552494 0.555751 0.555403
18.72464 0.197721 0.449661 0.451784 0.458167
34.98551 0.149691 0.496091 0.499992 0.500816
19.65217 0.157916 0.475046 0.477637 0.481187
62.34783 0.069534 0.619185 0.621816 0.624411
13.53623 0.198307 0.421833 0.427311 0.432304
17.33333 0.158554 0.464732 0.467731 0.467754
57.73913 0.072469 0.616178 0.619068 0.62154
56.17391 0.098471 0.599031 0.601691 0.604967
26.75362 0.130669 0.48377 0.485404 0.484138
5.884058 0.23751 0.319028 0.325128 0.331647
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (4)

1.一种番茄叶绿素含量多光谱估测方法，其特征在于，包括：
（1）将标准发射板与叶片置于同一视场，根据8个对番茄叶绿素含量敏感的波段，利用相机对同一场景下的作物冠层分别获取8张不同波段下的多光谱图像；
其中，8个对番茄叶绿素含量敏感的波段分别为520、560、640、670、700、760，800和870nm；
（2）在作物冠层叶片中选取叶面积最大的叶片，测定叶绿素含量；
（3）提取每张多光谱图像中的最大叶面积叶片，针对所述标准反射板中T2~T4三个色块，对每张多光谱图像对应的最大叶面积叶片进行反射率重建并求取平均值；
（4）将8个平均反射率两两组合构建归一化植被指数，并将得到的28个植被指数连同这8个平均反射率共同定义为36个多光谱图像特征；
（5）对36个多光谱图像特征和所述叶绿素含量进行相关分析，选取相关性超过0.75的多光谱图像特征作为叶绿素含量的多光谱特征；
（6）利用所述叶绿素含量的多光谱特征进行偏最小二乘回归建模，得到叶绿素含量估测模型，并利用所述叶绿素含量估测模型对叶绿素含量进行估测即可。
2.如权利要求1所述的方法，其特征在于，在步骤（1）中使用FLI MLx205型相机并搭载CFW-1-8-28自动滤光片轮获取所述多光谱图像。
3.如权利要求1所述的方法，其特征在于，在步骤（2）中利用紫外可见分光光度计测定叶绿素含量。
4.如权利要求1所述的方法，其特征在于，在步骤（3）中先对对每张多光谱图像进行形态学梯度计算，然后利用基于小波变换的分水岭算法，提取每张多光谱图像中的最大叶面积叶片。
CN201810099828.5A 2018-02-01 2018-02-01 一种番茄叶绿素含量多光谱估测方法 Active CN108195784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810099828.5A CN108195784B (zh) 2018-02-01 2018-02-01 一种番茄叶绿素含量多光谱估测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810099828.5A CN108195784B (zh) 2018-02-01 2018-02-01 一种番茄叶绿素含量多光谱估测方法

Publications (2)

Publication Number Publication Date
CN108195784A true CN108195784A (zh) 2018-06-22
CN108195784B CN108195784B (zh) 2021-03-12

Family

ID=62592218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810099828.5A Active CN108195784B (zh) 2018-02-01 2018-02-01 一种番茄叶绿素含量多光谱估测方法

Country Status (1)

Country Link
CN (1) CN108195784B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108982386A (zh) * 2018-07-31 2018-12-11 中国林业科学研究院资源信息研究所 一种檀香叶片全铁含量的多光谱图像确定方法及系统
CN108982377A (zh) * 2018-07-27 2018-12-11 内蒙古大学 玉米生育期光谱图像与叶绿素含量相关性及时期划分方法
CN111398178A (zh) * 2020-04-07 2020-07-10 中国科学院空天信息创新研究院 叶片叶绿素含量反演方法、装置、电子设备及存储介质
CN111491089A (zh) * 2020-04-24 2020-08-04 厦门大学 一种利用图像采集装置监测背景物上目标物的方法
CN112834442A (zh) * 2021-01-04 2021-05-25 四川大学 基于多光谱数据的大区域尺度作物生长实时监测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762463A (zh) * 2009-12-16 2010-06-30 中国烟草总公司郑州烟草研究院 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762463A (zh) * 2009-12-16 2010-06-30 中国烟草总公司郑州烟草研究院 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DING YONGJUN ET AL.: "Extraction of REPs from leaves reflectance spectrum for estimation of chlorophyll content", 《IFAC-PAPERSONLINE》 *
丁永军 等: "基于光谱特征参数的温室番茄叶片叶绿素含量预测", 《农业工程学报》 *
丁永军 等: "小波变换与分水岭算法融合的番茄冠层叶片图像分割", 《农业机械学报》 *
丁永军 等: "玻璃温室环境下番茄叶绿素含量敏感光谱波段提取及估测模型", 《光谱学与光谱分析》 *
姜伟杰 等: "基于多光谱成像的番茄叶片叶绿素含量预测建模方法研究", 《光谱学与光谱分析》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108982377A (zh) * 2018-07-27 2018-12-11 内蒙古大学 玉米生育期光谱图像与叶绿素含量相关性及时期划分方法
CN108982386A (zh) * 2018-07-31 2018-12-11 中国林业科学研究院资源信息研究所 一种檀香叶片全铁含量的多光谱图像确定方法及系统
CN111398178A (zh) * 2020-04-07 2020-07-10 中国科学院空天信息创新研究院 叶片叶绿素含量反演方法、装置、电子设备及存储介质
CN111398178B (zh) * 2020-04-07 2023-05-16 中国科学院空天信息创新研究院 叶片叶绿素含量反演方法、装置、电子设备及存储介质
CN111491089A (zh) * 2020-04-24 2020-08-04 厦门大学 一种利用图像采集装置监测背景物上目标物的方法
CN112834442A (zh) * 2021-01-04 2021-05-25 四川大学 基于多光谱数据的大区域尺度作物生长实时监测方法

Also Published As

Publication number Publication date
CN108195784B (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN108195784A (zh) 一种番茄叶绿素含量多光谱估测方法
US11029251B2 (en) Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle
Liu et al. Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms
Qiao et al. UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages
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
CN109916838B (zh) 一种水稻种子发芽能力的检测方法
CN108872140B (zh) 一种户外监测红枣品质的方法及装置
CN111289441B (zh) 多光谱下的大田作物含水量确定方法、系统及设备
CN105931223B (zh) 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
CN110763698A (zh) 一种基于特征波长的高光谱柑橘叶片病害识别方法
CN110736542B (zh) 一种基于rgb值的光谱重建方法
CN101692037A (zh) 高光谱图像和独立分量分析植物叶面叶绿素分布的方法
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN109187417A (zh) 一种无人机载的太赫兹波及高光谱遥感农作物监测系统
CN109827957A (zh) 一种基于计算机视觉的水稻叶片spad值估测方法及系统
CN112085781A (zh) 一种基于光谱重构技术提取冬小麦种植面积的方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN109870419B (zh) 一种采用航空高光谱数据预测黑土氮磷钾含量的方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN115731191A (zh) 一种基于神经网络的窄波段光谱成像方法
CN106568730B (zh) 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
Rincon-Jimenez et al. Ripeness stage characterization of coffee fruits (coffea arabica L. var. Castillo) applying chromaticity maps obtained from digital images
Qian et al. Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings
CN115661641A (zh) 一种基于多源无人机遥感评估不同生长阶段茶园重要表型参数的方法及系统
CN114782843A (zh) 基于无人机多光谱图像融合的作物产量预测方法及系统

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
GR01 Patent grant
GR01 Patent grant