CN108376419A - 一种盆栽生菜的综合长势监测方法及装置 - Google Patents
一种盆栽生菜的综合长势监测方法及装置 Download PDFInfo
- Publication number
- CN108376419A CN108376419A CN201711309708.5A CN201711309708A CN108376419A CN 108376419 A CN108376419 A CN 108376419A CN 201711309708 A CN201711309708 A CN 201711309708A CN 108376419 A CN108376419 A CN 108376419A
- Authority
- CN
- China
- Prior art keywords
- romaine lettuce
- polarization
- nitrogen
- image
- characteristic
- 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
Links
- 244000106835 Bindesalat Species 0.000 title claims abstract description 172
- 235000000318 Bindesalat Nutrition 0.000 title claims abstract description 170
- 238000004382 potting Methods 0.000 title claims abstract description 22
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 21
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 27
- 241000196324 Embryophyta Species 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 230000010287 polarization Effects 0.000 claims abstract description 44
- 238000003384 imaging method Methods 0.000 claims abstract description 40
- 239000007788 liquid Substances 0.000 claims abstract description 35
- 210000003608 fece Anatomy 0.000 claims abstract description 21
- 239000010871 livestock manure Substances 0.000 claims abstract description 21
- 239000002028 Biomass Substances 0.000 claims abstract description 17
- 230000012010 growth Effects 0.000 claims abstract description 17
- 241000208822 Lactuca Species 0.000 claims abstract description 4
- 235000003228 Lactuca sativa Nutrition 0.000 claims abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 192
- 229910052757 nitrogen Inorganic materials 0.000 claims description 99
- 238000001228 spectrum Methods 0.000 claims description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 33
- 235000016709 nutrition Nutrition 0.000 claims description 29
- 230000035764 nutrition Effects 0.000 claims description 28
- 239000003795 chemical substances by application Substances 0.000 claims description 25
- 235000015097 nutrients Nutrition 0.000 claims description 25
- 208000005156 Dehydration Diseases 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 19
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000012141 concentrate Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000002262 irrigation Effects 0.000 claims description 11
- 238000003973 irrigation Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 210000003462 vein Anatomy 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- UXVMQQNJUSDDNG-UHFFFAOYSA-L Calcium chloride Chemical compound [Cl-].[Cl-].[Ca+2] UXVMQQNJUSDDNG-UHFFFAOYSA-L 0.000 claims description 6
- 239000007836 KH2PO4 Substances 0.000 claims description 6
- 239000001110 calcium chloride Substances 0.000 claims description 6
- 229910001628 calcium chloride Inorganic materials 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 229910000402 monopotassium phosphate Inorganic materials 0.000 claims description 6
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000011045 prefiltration Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000011514 reflex Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009452 underexpressoin Effects 0.000 claims description 3
- 208000002720 Malnutrition Diseases 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 235000000112 undernutrition Nutrition 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 47
- 238000005516 engineering process Methods 0.000 description 6
- 238000010238 partial least squares regression Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000003337 fertilizer Substances 0.000 description 4
- 230000008635 plant growth Effects 0.000 description 4
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000012452 mother liquor Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010451 perlite Substances 0.000 description 1
- 235000019362 perlite Nutrition 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- 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
- G01N21/21—Polarisation-affecting properties
-
- 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
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/10—Scanning
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Mathematical Optimization (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种盆栽生菜的综合长势检测方法及装置，其中一种盆栽生菜的综合长势检测装置由偏振‑高光谱成像系统和三维激光扫描系统组成，其中偏振‑高光谱成像系统包括控制系统、双坐标样本台、图像采集系统、光源系统，可实现对生菜水肥胁迫的冠层/叶片尺度的偏振‑高光谱多维反射成像特征的探测；其中三维激光扫描系统可实现对生菜生物量、茎粗、株高、叶面积等形貌特征的精确探测。本发明，通过对冠层和叶片不同尺度生菜生长特征的多信息融合，实现了对生菜综合长势信息的精确探测，为温室环境和水肥的优化调控提供了科学依据。
Description
技术领域
本发明属于设施农业生物信息探测技术领域，涉及一种盆栽生菜的综合长势监测方法及 装置。
背景技术
目前我国温室尤其是中小型农户用的日光温室和钢架大棚环控装备水平较差，水肥和环 境调控主要依靠传统经验，或按照设定值进行调控，未考虑作物的生长信息及其动态变化过 程,无法依据作物的真实需求进行动态调控。因此，迫切需要对作物的长势、营养信息及其生 长过程进行精确监测，判断作物的生长状态，实现基于作物生长需求的精确调控。
目前作物信息的无损检测主要有高光谱遥感、视觉图像和三维扫描探测技术等无损探测 方法，因其快速性和时效性，且不会对作物产生伤害，逐渐成为营养无损检测的热点。基于 反射光谱技术的无损诊断方法，通常采用点源采样方式，反映的是采样区域内的综合反射特 性，尽管通过多谱段组合特征能够反演作物的营养信息，但无法体现整个叶片区域的光反射 特性差异及叶面的颜色纹理及其分布等细微差异。视觉传感器具有较高的分辨率和较大的视 场范围，通过图像分割技术能够去除背景等因素的影响，克服了光谱法测试范围较小和对测 试部位要求较严格的缺点，因此可获得较多的作物信息，但传统的视觉传感器通常存在着光 谱分辨率较低的问题，其获取的通常是可见光范围(400-700nm)的单幅彩色图像，无法针对 不同波段的图像特征进行提取和分析。高光谱图像技术能够以3-10nm较高的光谱分辨率获取 检测对象在400-1700nm的可见光和近红外范围内的由几百幅不同波长构成的高光谱图像立 方体数据，可实现作物叶片的反射光谱和叶片在不同谱段的反射强度分布图像信息的同步采 集和分析，具有传统光谱和图像技术所不具有的优势。作物营养和水分的丰缺会直接导致其 生物量、叶面积、茎粗、植株高度、叶倾角等的差异，因而同样可以作为有效特征进行营养 和水分的反演；传统的视觉图像可以获取植株的整体形态特征，但测量精度不高。
发明内容
针对现有技术中存在不足，本发明的目的在于提供一种盆栽生菜的综合长势监测方法及 装置，以实现对生菜水肥胁迫状态的快速无损精确探测，为温室环境和水肥的科学管理提供 依据。
本发明是通过以下技术手段实现上述技术目的的。
一种盆栽生菜的综合长势监测方法，其特征在于，主要包括以下步骤：
步骤1、首先进行样本培育：对生菜进行水分胁迫培养、氮素水分胁迫培养，
步骤2、整株生菜的形态数据的采集：
2.1采用手持式自定位三维激光扫描仪采集三维激光扫描成像数据：
①进行扫描前，首先在所要扫描的作物叶片和花盆上方粘贴直径为6mm的黑色轮廓高反 射目标点，两目标点之间的最短距离控制在15mm；
②运行扫描仪，用三维激光扫描仪测量校准板纠正传感器参数，通过手持扫描的方式， 依次获取所有作物样本的三维数据；
2.2采用偏振-高光谱成像系统采集偏振-高光谱成像数据：
①将样本1置于偏振-高光谱成像系统的位移台2上，设置匀光光源系统7的波长范围为 300-2200nm，设置光强范围为6500lux，调整成像系统的几何中心与位移台水平和垂直轴线 XZ轴几何中心一致；
②利用具有前置偏振滤光片组的两台高光谱成像系统5-1和5-2，偏振片的采样偏振角分 别为：0°、45°、90°、135°、180°；高光谱前置滤光片透过波长为402、446、556、636、699、706、775、960、1420nm，分别在水平方向和垂直方向上，进行推帚式的偏振-高光谱扫描成像，获取主视和俯视方向的偏振-高光谱特征图像；
③通过坐标匹配和主视/俯视特征图像融合，提取营养和水分胁迫样本的主视和俯视视场 下的高光谱特征图像，并提取植株冠幅、株高、叶倾角图像；
④基于前置402、446、556、636、699、706和775、960、1420nm滤光片，提取特征波 长下的冠层高光谱特征图像，提取叶面的402、446、556、636、699、706、775、960、1420nm 高光谱营养水分敏感波长下的叶脉分布，平均灰度、叶缘阴影面积等特征参数；
⑤基于获取的0°、45°、90°、135°、180°特征偏振角的402、446、556、636、699、 706、775、960、1420nm的偏振高光谱图像，提取氮素和水分胁迫植株样本的偏振态、斯托 克向量、穆勒矩阵变量。
步骤3、数据处理和分析：
3.1三维激光扫描成像数据建模：
(1)采用Geomagic qualify逆向工程软件对模型进行修复，以克服扫描缺陷，得到理想的 生菜模型；
①将获取的生菜三维数据导入Geomagic qualify软件中，将由三角形组成的生菜模型转 化为点云，并通过软件剔除多余的噪声点；
②利用封装将三维点云转化为由三角形组成的曲面模型，进而对生菜表面存在漏洞的部 分进行填补；
③最后对生菜模型进行平滑处理；
(2)生菜的生物量、叶面积、株高和茎粗建模：
体积计算：
①将生菜数据沿株高方向，即Z轴方向，以a为步长()进行等距离分割，得到n层生菜分段，其中，步长a远小于生菜叶片厚度，当a趋向于无穷小，n趋向于无穷大，生菜体 积可以认为是由n层底面积为Sk，高为a的不规则图形构成；
②计算每一层分段生菜的横截面积Sk：将每一层生菜的点云数据投影到垂直于株高方向 的X-Y平面上，同时分别沿X、Y轴方向以a为步长进行等距离分割，生成i×j个像素单元 格；根据每一段生菜投影到每个像素单元格内的点云数据对像素格进行逐一判断，当像素格 内包含生菜投影的点云时为有效像素格，记为1，反之，像素格内不包含点云数据时，则记 为0；统计有效像素格的数目M，并计算有效像素格的个数与单位像素格面积的乘积即为这 一层生菜的横截面面积，生菜的体积计算公式为：
Sk＝aaM (1)
式中：V为生菜的体积，Sk为生菜的横截面面积，a为步长，M为有效像素格。
基于获取的生菜体积和所获取的生菜鲜重的实测值，建立基于三维扫描数据的生物量检 测模型：
Bm＝0.13+0.91V (3)
式中：Bm为生菜的生物量；
叶面积计算
对点云数据插值形成不规则的三角网格，计算每个三角形的面积Si，并对其求和，即可 计算出叶面积Sc，生菜叶面积的计算公式为：
株高计算
设点云数据任意点的坐标为f(x,y,z)，只需求出Z轴方向上生菜模型的最大值zmax和 最小值zmin，记最大值zmax的坐标点为f(x1,y1,z1)，最小值zmin的坐标点为f(x2,y2,z2)，利用下式计算两者的距离即可得到株高Ph：
Ph＝zmax-zmin＝z1-z2 (5)
茎粗计算
从定植盆的底部开始，沿着株高方向每隔3.3mm截取生菜茎部截面，截取3段横截面， 计算每个横截面的直径，求其平均值计算生菜的茎粗；
生菜茎部横截面图像由一层近似于圆的点云组成，在X-Y平面内求出沿X轴方向的最大 值xmax、最小值xmin，沿Y轴方向的最大值ymax、ymin，即可计算此横截面的直径，如附图5所示。生菜茎粗的计算公式为：
式中：La--生菜的茎粗，ximax和ximin--第i层(i＝1,2,3)横截面图像上沿X轴方向的最大 值和最小值；yimax和yimin--第i层横截面图像上沿Y轴方向的最大值和最小值。
利用生菜样本建立生菜氮素的检测模型：
N＝13.26-0.24La+0.15Ph+7.1×10-6Sc+0.03Bm (7)
模型的相关系数为0.90，均方根误差为0.87；
3.2偏振-高光谱像数据建模：
(1)偏振高光谱图像背景分割
①首先利用476nm处目标图像和背景的灰度差异最大的特征，以此利用双峰法进行生菜 目标图像的分割；
②将二值化处理以后的目标图像进行灰度反转，并填补残留，去除孤立噪点；
③将原始高光谱图像与处理后的二值化目标图像进行像点相乘运算，最终得到生菜叶片 的高光谱序列目标图像；
(2)偏振-高光谱特征波长提取
①采用敏感区间分段逐步回归法进行氮素特征的筛选，利用自适应波段选择法(ABS) 对逐步回归选择的变量下的图像进行指数获取；
②根据自适应波段选择法得出指数列表，并按照指数大小进行排列，最终选择图像指数 大的波长为氮素特征波长，分别为：402、446、556、636、699、706nm；
③利用自适应波段选择法提取最能表征水分的特征波长，将特征波长775、960、1420nm 下的灰度均值用于生菜的水分特征；
④获取营养和水分敏感波长下的叶脉分布、平均灰度、叶缘阴影面积和0°、45°、90°、 135°、180°特征偏振角下402、446、556、636、699、706、775、960、1420nm特征图像 的偏振态、stock向量、穆勒矩阵变量；
步骤4、水分补偿因子对模型进行修正
利用特征波长775、960、1420nm下的灰度均值表征生菜的水分特征，在对不同特征谱 段的作物氮素图像进行含水率特征分析的基础上，通过建立生菜叶片在不同特征谱段的含水 率响应模型，对生菜氮素特征进行补偿；其具体过程为：
①将样本含水率特征图像的灰度变量与含水率实测值进行偏最小二乘(PLSR)回归建立 生菜含水率预测模型：
W＝65.09+43.82AG775+12.65AG960-117.72AG1420 (8)
式中：AG775、AG960、AG1420表示775、960、1420nm敏感波长下的生菜叶片图像灰度均值；W为叶片含水率实测值；
②根据检测模型预测样本的含水率水平，基于不同含水率水平的反射响应的差异进行氮 素特征的分级补偿。在预估含水率水平的情况下，结合AA3化学检测所获得的样本全氮含量 和氮素光谱特征波长处的反射率值，可求得相同含氮量水平下的样本的氮素高光谱图像特征 变量AGi(i＝1,2…6)随含水率水平的变化率△Wi，据此可求得特征变量AGi在不同含水率水 平下的修正系数△AGi，如附表6所示，并按式(9)对氮素高光谱图像特征变量AGi进行修正。
AG'i＝AGi*(1+ΔAGi) (i＝1,2,…,6) (9)
③基于获取的不同谱段的生菜氮素的高光谱图像特征，通过特征补偿，并采用PLS法建 立氮素检测模型：
N＝23.39+6.14AG402+25.66AG446-31.52AG556+66.85AG636
+45.65AG699-56.76AG706 (10)
步骤5、多特征融合模型建立
基于获取的偏振高光谱图像特征以及茎粗、株高、叶面积和生物量等长势特征，利用偏 最小二乘回归(PLSR)进行信息融合，建立生菜氮素的多特征检测模型；
①首先利用式(11)对两类不同的特征变量分别进行归一化处理：
x'i＝(xi-xmin)/(xmax-xmin) (11)
式中：x--特征向量特征值；i--特征序号(i＝1,2,3…)；xmin,xmax--特征向量中的样本特征值 的最小值和最大值；
②将归一化后的6个图像特征和4个长势特征进行偏最小二乘相关分析(PLS)，建立基 于原变量的PLS氮素回归模型：
N＝-4.72+12.34AG402-8.52AG446+34.71AG556-26.73AG636
+10.94AG699-15.62AG706+7.53La-11.42Ph-15.91Sc+18.95Bm (12)
步骤6、实际温室生产作业的水肥胁迫的信息采集为随机采样，重复步骤2和步骤3，获 取作物水肥胁迫的数据并导入系统进行分析计算，得出氮素、水分胁迫的量化结果；
步骤7、利用水肥胁迫的量化结果，并依据基于原变量的PLS氮素回归模型，得出盆栽 生菜的综合长势信息。
进一步地，所述步骤1中对生菜进行4个水平水分胁迫培养，四个水分水平灌溉量分别 为标准含水率的25％、50％、75％、100％浓缩液，水分胁迫样本分别按以下处理：第1组(W1) 在整个试验期间以标准配方和正常灌溉量对作物进行营养液和水分供应；第2组(W2)在试 验期间按标准灌溉2次，其余时间仅在每天8时灌溉1分钟的浓缩液，浓缩液为按照标准营 养液配方在相应生长期内1天所需的营养液灌溉量，按照1分钟进行灌溉的等比例浓缩营养 液液，以保证植株生长所需的各种营养；第3组(W3)在试验中期按标准灌溉1次，试验期 间同样仅在每天8时浇灌1分钟的浓缩液；第4组(W4)在整个试验期都不灌溉，每天仅施 用浓缩液一分钟。
进一步地，所述步骤1中对生菜进行四个水平氮素胁迫培养，氮素含量分别为标准配方 的25％、50％、100％、200％，通过定时滴灌装置对样本进行营养和水分供给；作物苗期时， 每天上午灌溉1次营养液；作物生长中后期，每天上和下午各灌溉一次营养液，每次灌溉5 分钟；通过控制定时器的定时通断来控制营养液供给；4个氮素水平具体为：第1组(A)在 标准配方的基础上，在不改变其它营养元素的情况下，将氮元素量减少为标准配方的25％， 与氮元素同时减少Ca2+、K+、PO4 -3由CaCl2、KCl、KH2PO4补足；第2组(B)在标准配方的基础上，将氮元素减少为标准配方的50％，与氮元素同时减少Ca2+、K+、PO4 -3由CaCl2、KCl、KH2PO4补足；第3组(C)按照标准配方配置正常营养液；第4组(D)在标准配方的 基础上，将氮元素增加一倍，氮元素由NaNO3、CO(NH2)2补足。
进一步地，所述步骤2中采集三维激光扫描成像数据时，将目标点粘贴在两张半圆形的 白纸上，控制目标点之间的距离为100mm，将两张半圆形白纸拼接成圆形并放置在花盆上沿 的平面上方。
进一步地，三维激光扫描成像数据时，三维激光扫描仪的激光功率为65％，快门时间为 7.2ms，分辨率为0.50mm。
盆栽生菜的综合长势检测装置，其特征在于，包括偏振-高光谱成像系统、三维激光扫描 系统、数据处理模块和检测模块；
所述偏振-高光谱图像检测系统，包括控制系统、双坐标样本台2、图像采集系统、光源 系统，
所述图像采集系统包括两个偏振-高光谱成像系统5、图像采集器8、立臂3和悬臂4；所 述立臂3由底座3-1、带丝杠的立杆3-2和第一滑块3-3组成，底座3-1通过螺钉固定在光箱 12的底部的左侧，底座3-1上部通过铰链与立杆3-2连接，立杆3-2能够以铰链为中心做左 右摆动，完成成像设备的空间位姿调整；立杆3-2上安装有第一滑块3-3；第一偏振-高光谱 成像系统5-1安装在第一滑块3-3上，第一滑块3-3能够由丝杠驱动沿立杆3-2上下移动，带 动第一偏振-高光谱成像系统5-1寻找最佳检测位，实现主视方向的偏振高光谱图像信息的采 集；
所述悬臂4由底座4-1、带丝杠的横杆4-2和第二滑块4-3组成，底座4-1通过螺钉固定 在光箱12的右侧板的上部，底座4-1通过铰链与横杆4-2连接，横杆4-2能够以铰链为中心 做上下摆动，完成成像设备的空间位姿调整；横杆4-2上安装有第二滑块4-3，第二偏振-高 光谱成像系统5-2安装在第二滑块4-3上，第二滑块4-3能够由丝杠驱动沿横杆4-2沿水平方 向左右移动，带动第二偏振-高光谱成像系统5-2寻找最佳检测位，实现俯视方向的偏振高光 谱图像信息的采集；
其中所述光源系统由可见光-近红外光源7、云台6组成，在立杆3-2的底端和顶端、立 杆4-2的右端和左端分别安装一个云台6，每个云台上分别安装可见光-近红外光源7，可见 光-近红外光源7能够通过云台6进行仰俯角设置，实现对植株的清晰匀光成像；
所述双坐标样本台2固定在光箱12的底平面的几何中心位置，其中2-1为水平丝杠，2-2 位垂直丝杠，垂直丝杠2-2顶端安装有样本托架，用于安放待测样本1，通过水平丝杠2-1和 垂直丝杠2-2的运动，可以带动样本托架实现水平和垂直方向的匀速位移，可以配合图像采 集控制系统实现推帚式的偏振-高光谱成像系统5-1和偏振-高光谱成像系统5-2的扫描成像；
其中所述偏振-高光谱成像系统5由前到后分别由前置偏振片、偏振片驱动装置、前置滤 光片、滤光片切换装置、摄谱仪和成像系统组成，偏振片在整个系统的最前端，由偏振驱动 装置驱动360°旋转，可实现对任意偏振角的设定，摄谱仪和成像系统可实现偏振角的设定 和步序偏振信息的采集；偏振片后为402nm、446nm、556nm、636nm、699nm、706nm、775nm、960nm、1420nm窄带滤光片，滤光片采用转轮切换的方式，配合摄谱仪和成像系统 实现对作物样本主视和俯视高光谱营养和水分胁迫特征图像的采集；
所述控制系统包括控制计算机11、光源控制器10、图像采集器9和运动控制器8；
其中光源控制器10连接可见光-近红外光源7，实现不同光强和光质的光源控制；
图像采集器9连接两个偏振-高光谱成像系统5和控制计算机11，由控制计算机11发出 指令，实现对主视和俯视偏振-高光谱成像系统5的成像信息采集；
三维激光扫描系统也与控制计算机11相连，用于采集三维激光扫描成像数据；数据处理 模块和检测模块内置于控制计算机11内，
所述数据处理模块用于根据三维激光扫描成像数据，对生菜模型进行修复，建立生菜的 生物量、叶面积、株高和茎粗模型，计算体积、叶面积、株高、茎粗；根据偏振-高光谱像数 据，进行偏振高光谱图像背景分割、特征波长提取，获取营养和水分敏感波长下的叶脉分布、 平均灰度、叶缘阴影面积和0°、45°、90°、135°、180°特征偏振角下402、446、556、636、699、706、775、960、1420nm特征图像的偏振态、stock向量、穆勒矩阵变量；
所述检测模块根据数据处理模块所得的数据，基于生菜含水率预测模型、氮素检测模型， 并依据基于原变量的PLS氮素回归模型，得出盆栽生菜的综合长势信息，
其中，生菜含水率预测模型为：W＝65.09+43.82AG775+12.65AG960-117.72AG1420，
氮素检测模型为：
N＝23.39+6.14AG402+25.66AG446-31.52AG556+66.85AG636
+45.65AG699-56.76AG706，
基于原变量的PLS氮素回归模型为：
N＝-4.72+12.34AG402-8.52AG446+34.71AG556-26.73AG636
+10.94AG699-15.62AG706+7.53La-11.42Ph-15.91Sc+18.95Bm；
运动控制器8连接双坐标样本台2、立臂3、悬臂4和云台6；同时，运动控制器8与控制计算机11相连，由控制计算机11发出指令，实现对双坐标样本台2的升降和水平位移控制，对立臂3、悬臂4的滑块驱动控制，以及云台6的仰俯角控制。
偏振特征可以实现对水肥胁迫叶片的页面质地和微结构特征的精确表征，本发明通过构 建偏振-高光谱图像技术虽然能够对作物/冠层叶片尺度反射强度、颜色、纹理、表面质地等特 征进行分析，但对于水肥胁迫导致的叶面积、株高、茎粗、叶倾角等长势特征的差异，由于 数据采集方式及多目标视场差异、叶片层叠、目标存在遮挡等问题，难以对植株形态特征进 行同步、有效获取。三维激光扫描能够同步获取植株的整体形态特性，且精度可达到微米级， 因而能够实现对营养胁迫导致的叶面积、株高、茎粗长势差异特征进行提取和分析。
本发明融合三维激光扫描的冠层尺度的作物表观形态特征和冠层/叶片尺度的偏振-高光 谱成像特征进行盆栽生菜的综合长势监测，能够实现不同尺度和不同检测方法的优势互补， 具有创新性。
与现有技术相比，本发明具有以下有益效果：
1、目前针对温室环境调控技术未考虑作水肥胁迫信息的现状，本发明创制了偏振-高光 谱成像和三维激光扫描多尺度信息融合的作物水肥胁迫检测技术，克服了目前只依据环境因 子信息进行环境控制的局限性，由于能够进行按需调控，故而大幅减少了肥料用量，降低了 环控成和人力成本，提高了经济效益。
2、本发明通知将偏振-高光谱成像和三维激光扫描技术相结合，充分利用生菜叶片尺度 不同敏感谱段的偏振-高光谱图像，以及不同氮素胁迫水平导致的作物冠层尺度的生物量、叶 面积、株高、茎粗、叶倾角等三维扫描形态特征差异，通过不同尺度的内外特征的融合互补 进行生菜水肥胁迫的反演和定量分析，提高了生菜水肥胁迫的检测精度，为基于作物生长信 息的设施水肥精确管理提供依据。
附图说明
图1是本发明偏振-高光谱成像系统的结构示意图
图2是本发明采用的三维激光扫描系统结构示意图
图3生菜三维扫描数据修复图
图4生菜三维空间网格模型
图5生菜茎粗坐标
图6生菜含氮量预测值与实测值
图中：
1.样本；2.双坐标样本台；3.立臂----3-1底座1、3-2立杆、3-3第一滑块；4.悬臂；4-1 底座2；4-2悬杆；4-3第二滑块；5.偏振-高光谱成像系统；5-1偏振-高光谱成像仪1、5-2偏振-高光谱成像仪2；6.云台；7.可见光-近红外光源；8.运动控制器；9.图像采集器； 10.光源控制器；11.控制计算机；12.PC机；13.FireWire适配器；14.FireWire电缆；15.手持三维扫描头；16.电源模块。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于 此。
本发明利用图1所示的偏振-高光谱成像系统和图2所示的三维激光扫描系统进叶片尺度 和冠层尺度的盆栽生菜水肥信息的采集。
如图1所示，偏振-高光谱图像检测系统，包括控制系统、双坐标样本台2、图像采集系 统、光源系统。
所述图像采集系统包括两个偏振-高光谱成像系统5、图像采集器8、立臂3和悬臂4；所 述立臂3由底座3-1、带丝杠的立杆3-2和第一滑块3-3组成，底座3-1通过螺钉固定在光箱 12的底部的左侧，底座3-1上部通过铰链与立杆3-2连接，立杆3-2能够以铰链为中心做左 右摆动，完成成像设备的空间位姿调整；立杆3-2上安装有第一滑块3-3；第一偏振-高光谱 成像系统5-1安装在第一滑块3-3上，第一滑块3-3能够由丝杠驱动沿立杆3-2上下移动，带 动第一偏振-高光谱成像系统5-1寻找最佳检测位，实现主视方向的偏振高光谱图像信息的采 集；
所述悬臂4由底座4-1、带丝杠的横杆4-2和第二滑块4-3组成，底座4-1通过螺钉固定 在光箱12的右侧板的上部，底座4-1通过铰链与横杆4-2连接，横杆4-2能够以铰链为中心 做上下摆动，完成成像设备的空间位姿调整；横杆4-2上安装有第二滑块4-3，第二偏振-高 光谱成像系统5-2安装在第二滑块4-3上，第二滑块4-3能够由丝杠驱动沿横杆4-2沿水平方 向左右移动，带动第二偏振-高光谱成像系统5-2寻找最佳检测位，实现俯视方向的偏振高光 谱图像信息的采集；
其中所述光源系统由可见光-近红外光源7、云台6组成，在立杆3-2的底端和顶端、立 杆4-2的右端和左端分别安装一个云台6，每个云台上分别安装可见光-近红外光源7，可见 光-近红外光源7能够通过云台6进行仰俯角设置，实现对植株的清晰匀光成像；
所述双坐标样本台2固定在光箱12的底平面的几何中心位置，其中2-1为水平丝杠，2-2 位垂直丝杠，垂直丝杠2-2顶端安装有样本托架，用于安放待测样本1，通过水平丝杠2-1和 垂直丝杠2-2的运动，可以带动样本托架实现水平和垂直方向的匀速位移，可以配合图像采 集控制系统实现推帚式的偏振-高光谱成像系统5-1和偏振-高光谱成像系统5-2的扫描成像；
其中所述偏振-高光谱成像系统5由前到后分别由前置偏振片、偏振片驱动装置、前置滤 光片、滤光片切换装置、摄谱仪和成像系统组成，偏振片在整个系统的最前端，由偏振驱动 装置驱动360°旋转，可实现对任意偏振角的设定，摄谱仪和成像系统可实现偏振角的设定 和步序偏振信息的采集；偏振片后为402nm、446nm、556nm、636nm、699nm、706nm、775nm、960nm、1420nm窄带滤光片，滤光片采用转轮切换的方式，配合摄谱仪和成像系统 实现对作物样本主视和俯视高光谱营养和水分胁迫特征图像的采集；
所述控制系统包括控制计算机11、光源控制器10、图像采集器9和运动控制器8；
其中光源控制器10连接可见光-近红外光源7，实现不同光强和光质的光源控制。图像采 集器9连接两个偏振-高光谱成像系统5和控制计算机11，由控制计算机11发出指令，实现 对主视和俯视偏振-高光谱成像系统5的成像信息采集。
运动控制器8连接双坐标样本台2、立臂3、悬臂4和云台6；同时，运动控制器8与控制计算机11相连，由控制计算机11发出指令，实现对双坐标样本台的升降和水平位移控制，对立臂3、悬臂4的滑块驱动控制，以及云台6的仰俯角控制。
如图2所示，三维扫描成像系统由PC机13、FireWire适配器14、FireWire电缆15、手持三维扫描头16和电源模块17组成，其中手持三维扫描头16通过FireWire电缆15连接FireWire适配器14，并通过FireWire适配器14与PC机相连，通过PC机软件实现对手持三 维扫描头16的三维扫描控制和信息采集，电源模块17通过与FireWire适配器14相连为PC 机提供电源；电源模块17与手持三维扫描头16相连，为手持三维扫描头16提供电源。
三维激光扫描系统也与控制计算机11相连，用于采集三维激光扫描成像数据；数据处理 模块和检测模块内置于控制计算机11内。所述数据处理模块用于根据三维激光扫描成像数 据，对生菜模型进行修复，建立生菜的生物量、叶面积、株高和茎粗模型，计算体积、叶面 积、株高、茎粗；根据偏振-高光谱像数据，进行偏振高光谱图像背景分割、特征波长提取， 获取营养和水分敏感波长下的叶脉分布、平均灰度、叶缘阴影面积和0°、45°、90°、135°、 180°特征偏振角下402、446、556、636、699、706、775、960、1420nm特征图像的偏振态、stock向量、穆勒矩阵变量；所述检测模块根据数据处理模块所得的数据，基于生菜含水率预 测模型、氮素检测模型，并依据基于原变量的PLS氮素回归模型，得出盆栽生菜的综合长势 信息。
本发明所述的盆栽生菜的综合长势监测方法，主要包括以下步骤：
步骤1、首先进行样本培育：
生菜水分胁迫样本分4个水平处理，每个水平12株，四个水分水平灌溉量分别为标准含 水率的25％、50％、75％、100％浓缩液。氮素分四个水平，分别为标准配方的25％、50％、 100％、200％，每个水平12株。采用珍珠岩盆栽方式培育样本，通过定时滴灌装置对样本进 行营养和水分供给。作物苗期时，每天上午灌溉1次营养液；作物生长中后期，每天上和下 午各灌溉一次营养液，每次灌溉5分钟。通过控制定时器的定时通断来控制营养液供给。
表1生菜营养液配方母液配置表
表2微量元素配方母液配置表
生菜标准营养液配方如表1和表2所示，生菜按4个氮素水平处理，表3是生菜氮素梯 度化合物用量表；第1组(A)在标准配方的基础上，在不改变其它营养元素的情况下，将氮元素量减少为标准配方的25％，与氮元素同时减少Ca2+、K+、PO4 -3由CaCl2、KCl、KH2PO4补足；第2组(B)在标准配方的基础上，将氮元素减少为标准配方的50％，与氮元素同时 减少Ca2+、K+、PO4 -3由CaCl2、KCl、KH2PO4补足；第3组(C)按照标准配方配置正常营 养液；第4组(D)在标准配方的基础上，将氮元素增加一倍，氮元素由NaNO3、CO(NH2)2补足。
表3生菜氮素梯度化合物用量表
分别水分胁迫样本按以下处理：第1组(W1)在整个试验期间以标准配方和正常灌溉量 对作物进行营养液和水分供应；第2组(W2)在试验期间按标准灌溉2次，其余时间仅在每 天8时灌溉1分钟的浓缩液，浓缩液为按照标准营养液配方在相应生长期内1天所需的营养 液灌溉量，按照1分钟进行灌溉的等比例浓缩营养液液，以保证植株生长所需的各种营养； 第3组(W3)在试验中期按标准灌溉1次，试验期间同样仅在每天8时浇灌1分钟的浓缩液； 第4组(W4)在整个试验期都不灌溉，每天仅施用浓缩液一分钟。不同含水率水平样本组处 理方式见表4。
表4生菜不同含水率水平样本组处理方式
步骤2、整株生菜的形态数据的采集
2.1采用手持式自定位三维激光扫描仪采集三维激光扫描成像数据：
①进行扫描时，首先在所要扫描的作物叶片和花盆上方粘贴直径为6mm的黑色轮廓高反 射目标点，两目标点之间的最短距离控制在15mm；花盆上方具有较平整的表面，为了减少 粘贴目标点的时间提高采集效率，将目标点粘贴在两张半圆形的白纸上，控制目标点之间的 距离为100mm，将两张半圆形白纸拼接成圆形并放置在花盆上沿的平面上方。
②运行扫描仪，用三维激光扫描仪测量校准板，以纠正传感器参数，确保数据采集精度。 在三维激光扫描数据采集前，需预先确定扫描仪传感器的激光功率、快门时间和采集软件的 分辨率以保证三维模型的清晰。经过分析比较，最终设定激光功率为65％，快门时间为7.2ms， 分辨率为0.50mm，最后通过手持扫描的方式，依次获取所有作物样本的三维数据。附图3 为设定参数下所采集的生菜植株的三维形态及其后处理图像。
2.2采用偏振-高光谱成像系统采集偏振-高光谱成像数据
①将样本1置于偏振-高光谱成像系统的位移台2上，设置匀光光源系统7的波长范围为 300-2200nm，设置光强范围为6500lux，调整成像系统的几何中心与位移台水平和垂直轴线 XZ轴几何中心一致；
②利用具有前置偏振滤光片组的两台高光谱成像系统5-1和5-2，偏振片的采样偏振角分 别为：0°、45°、90°、135°、180°；高光谱前置滤光片透过波长为402、446、556、636、699、 706、775、960、1420nm，分别在水平方向和垂直方向上，进行推帚式的偏振-高光谱扫描成 像，获取主视和俯视方向的偏振-高光谱特征图像；
③通过坐标匹配和主视/俯视特征图像融合，提取营养和水分胁迫样本的主视和俯视视场 下的高光谱特征图像，并提取植株冠幅、株高、叶倾角图像；
④基于前置402、446、556、636、699、706和775、960、1420nm滤光片，提取特征波 长下的冠层高光谱特征图像，提取叶面的402、446、556、636、699、706、775、960、1420nm 高光谱营养水分敏感波长下的叶脉分布，平均灰度、叶缘阴影面积等特征参数；
⑤基于获取的0°、45°、90°、135°、180°特征偏振角的402、446、556、636、699、706、775、960、1420nm的偏振高光谱图像，提取氮素和水分胁迫植株样本的偏振态、斯托克向量、穆勒矩阵变量。
步骤3、数据处理和分析
3.1三维激光扫描成像数据建模：
(1)采用Geomagic qualify逆向工程软件对模型进行修复，以克服扫描缺陷，得到理想的 生菜模型。
①将获取的生菜三维数据导入Geomagic qualify软件中，将由三角形组成的生菜模型转 化为点云，并通过软件剔除多余的噪声点；
②利用封装将三维点云转化为由三角形组成的曲面模型，进而对生菜表面存在漏洞的部 分进行填补；
③最后对生菜模型进行平滑处理。
(2)生菜的生物量、叶面积、株高和茎粗建模：
体积计算：
如附图4所示，将生菜数据沿株高方向，即Z轴方向，以远小于生菜叶片厚度的a为步 长，进行等距离分割，得到n层生菜分段。当a趋向于无穷小，n趋向于无穷大，生菜体积可以认为是由n层底面积为Sk，高为a的不规则图形构成；
计算每一层分段生菜的横截面积Sk。将每一层生菜的点云数据投影到垂直于株高方向的 X-Y平面上，同时分别沿X、Y轴方向以a为步长进行等距离分割，生成i×j个像素单元格。 根据每一段生菜投影到每个像素单元格内的点云数据对像素格进行逐一判断，当像素格内包 含生菜投影的点云时为有效像素格，记为1，反之，像素格内不包含点云数据时，则记为0。 统计有效像素格的数目M，并计算有效像素格的个数与单位像素格面积的乘积即为这一层生 菜的横截面面积，生菜的体积计算公式为：
Sk＝aaM (1)
式中：V为生菜的体积，Sk为生菜的横截面面积，a为步长，M为有效像素格。
基于获取的生菜体积和所获取的生菜鲜重的实测值，建立基于三维扫描数据的生物量检 测模型：
Bm＝0.13+0.91V (3)
式中：Bm为生菜的生物量。该模型的相关系数为0.98，均方根误差为0.26，利用获取的 生菜植株体积结合生物量模型，可实现生物量特征的精确反演。
叶面积计算
对点云数据插值形成不规则的三角网格，计算每个三角形的面积Si，并对其求和，即可 计算出叶面积Sc。生菜叶面积的计算公式为：
株高计算
设点云数据任意点的坐标为f(x,y,z)，只需求出沿Z轴方向的最大值zmax和最小值zmin， 记此时最大值zmax的坐标点为f(x1,y1,z1)，最小值zmin的坐标点为f(x2,y2,z2)，利用下式计 算两者的距离即可得到株高Ph：
Ph＝zmax-zmin＝z1-z2 (5)
茎粗计算
从定植盆的底部开始，沿着株高方向每隔3.3mm截取生菜茎部截面，截取3段横截面， 计算每个横截面的直径，求其平均值计算生菜的茎粗。
生菜茎部横截面图像由一层近似于圆的点云组成，在X-Y平面内求出沿X轴方向的最大 值xmax、最小值xmin，沿Y轴方向的最大值ymax、ymin，即可计算此横截面的直径，如附图5所示。生菜茎粗的计算公式为：
式中：La--生菜的茎粗，ximax和ximin--第i层(i＝1,2,3)横截面图像上沿X轴方向的最大 值和最小值；yimax和yimin--第i层横截面图像上沿Y轴方向的最大值和最小值。
利用生菜样本建立生菜氮素的检测模型：
N＝13.26-0.24La+0.15Ph+7.1×10-6Sc+0.03Bm (7)
模型的相关系数为0.90，均方根误差为0.87。
3.2偏振-高光谱像数据建模：
(1)偏振高光谱图像背景分割
①首先利用476nm处目标图像和背景的灰度差异最大的特征，以此利用双峰法进行生菜 目标图像的分割；
②将二值化处理以后的目标图像进行灰度反转，并填补残留，去除孤立噪点；
③将原始高光谱图像与处理后的二值化目标图像进行像点相乘运算，最终得到生菜叶片 的高光谱序列目标图像。
(2)偏振-高光谱特征波长提取
①采用敏感区间分段逐步回归法进行氮素特征的筛选，利用自适应波段选择法(ABS) 对逐步回归选择的变量下的图像进行指数获取；
②根据自适应波段选择法得出指数列表，即表5，并按照指数大小进行排列，最终选择 图像指数大的波长为氮素特征波长，分别为：402、446、556、636、699、706nm；
③利用自适应波段选择法提取最能表征水分的特征波长，将特征波长775、960、1420nm 下的灰度均值用于生菜的水分特征。
④获取营养和水分敏感波长下的叶脉分布、平均灰度、叶缘阴影面积和0°、45°、90°、 135°、180°特征偏振角下402、446、556、636、699、706、775、960、1420nm特征图像的偏振态、stock向量、穆勒矩阵变量。
表5自适应波段选择特征波段及指数
步骤4、水分补偿因子对模型进行修正
利用特征波长775、960、1420nm下的灰度均值表征生菜的水分特征，在对不同特征谱 段的作物氮素图像进行含水率特征分析的基础上，通过建立生菜叶片在不同特征谱段的含水 率响应模型，对生菜氮素特征进行补偿。其具体过程为：
①将样本含水率特征图像的灰度或强度变量与含水率实测值进行偏最小二乘(PLSR)回 归建立生菜含水率预测模型：
W＝65.09+43.82AG775+12.65AG960-117.72AG1420 (8)
式中：AG775、AG960、AG1420表示775、960、1420nm敏感波长下的生菜叶片图像灰度均值；W为叶片含水率实测值。
②根据检测模型预测样本的含水率水平，基于不同含水率水平的反射响应的差异进行氮 素特征的分级补偿。在预估含水率水平的情况下，结合AA3化学检测所获得的样本全氮含量 和氮素光谱特征波长处的反射率值，可求得相同含氮量水平下的样本的氮素高光谱图像特征 变量AGi(i＝1,2…6)随含水率水平的变化率ΔWi，据此可求得特征变量AGi在不同含水率水平 下的修正系数ΔAGi，如表6所示，并按式(9)对氮素高光谱图像特征变量AGi进行修正。
表6生菜氮素的高光谱图像特征变量的含水率变化率△Wi及修正系数△AGi
AG'i＝AGi*(1+ΔAGi) (i＝1,2,…,6) (9)
③基于获取的不同谱段的生菜氮素的高光谱图像特征，通过特征补偿，并采用PLS法建 立氮素检测模型：
N＝23.39+6.14AG402+25.66AG446-31.52AG556+66.85AG636
+45.65AG699-56.76AG706 (10)
步骤5、多特征融合模型建立
为了充分利用多特征的互补优势，实现生菜氮素的高精度在线监测，基于获取的偏振高 光谱图像特征以及茎粗、株高、叶面积和生物量等长势特征，利用偏最小二乘回归(PLSR) 进行信息融合，建立生菜氮素的多特征检测模型。
①为了提高模型的平衡性和收敛速度，消除由此带来的模型误差，首先利用式(11)对两类 不同的特征变量分别进行归一化处理：
x'i＝(xi-xmin)/(xmax-xmin) (11)
式中：x--特征向量特征值；i--特征序号(i＝1,2,3…)；xmin,xmax--特征向量中的样本特征值 的最小值和最大值。
②将归一化后的6个图像特征和4个长势特征进行偏最小二乘相关分析(PLS)，建立基 于原变量的PLS氮素回归模型：
N＝-4.72+12.34AG402-8.52AG446+34.71AG556-26.73AG636
+10.94AG699-15.62AG706+7.53La-11.42Ph-15.91Sc+18.95Bm (12)
如图6所示，生菜氮素预测值与实测值的相关系数为0.97，均方根误差为0.39，实现了 高精度的营养检测。
步骤6、实际温室生产作业的水肥胁迫的信息采集为随机采样，重复步骤2和步骤3，获 取作物水肥胁迫的数据并导入系统进行分析计算，得出氮素、水分胁迫的量化结果；
步骤7、利用水肥胁迫的量化结果，并依据基于原变量的PLS氮素回归模型，得出盆栽 生菜的综合长势信息。
根据本发明所述的方法，并依据作物模型、水肥调控和环境调控模型，进行温室水肥和 环境信息的优化调控。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本 发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均 属于本发明的保护范围。
Claims (6)
1.一种盆栽生菜的综合长势监测方法，其特征在于，主要包括以下步骤：
步骤1、首先进行样本培育：对生菜进行水分胁迫培养、氮素水分胁迫培养，
步骤2、整株生菜的形态数据的采集：
2.1采用手持式自定位三维激光扫描仪采集三维激光扫描成像数据：
①进行扫描前，首先在所要扫描的作物叶片和花盆上方粘贴直径为6mm的黑色轮廓高反射目标点，两目标点之间的最短距离控制在15mm；
②运行扫描仪，用三维激光扫描仪测量校准板纠正传感器参数，通过手持扫描的方式，依次获取所有作物样本的三维数据；
2.2采用偏振-高光谱成像系统采集偏振-高光谱成像数据：
①将样本1置于偏振-高光谱成像系统的位移台2上，设置匀光光源系统7的波长范围为300-2200nm，设置光强范围为6500lux，调整成像系统的几何中心与位移台水平和垂直轴线XZ轴几何中心一致；
②利用具有前置偏振滤光片组的两台高光谱成像系统5-1和5-2，偏振片的采样偏振角分别为：0°、45°、90°、135°、180°；高光谱前置滤光片透过波长为402、446、556、636、699、706、775、960、1420nm，分别在水平方向和垂直方向上，进行推帚式的偏振-高光谱扫描成像，获取主视和俯视方向的偏振-高光谱特征图像；
③通过坐标匹配和主视/俯视特征图像融合，提取营养和水分胁迫样本的主视和俯视视场下的高光谱特征图像，并提取植株冠幅、株高、叶倾角图像；
④基于前置402、446、556、636、699、706和775、960、1420nm滤光片，提取特征波长下的冠层高光谱特征图像，提取叶面的402、446、556、636、699、706、775、960、1420nm高光谱营养水分敏感波长下的叶脉分布，平均灰度、叶缘阴影面积等特征参数；
⑤基于获取的0°、45°、90°、135°、180°特征偏振角的402、446、556、636、699、706、775、960、1420nm的偏振高光谱图像，提取氮素和水分胁迫植株样本的偏振态、斯托克向量、穆勒矩阵变量。
步骤3、数据处理和分析：
3.1三维激光扫描成像数据建模：
(1)采用Geomagic qualify逆向工程软件对模型进行修复，以克服扫描缺陷，得到理想的生菜模型；
①将获取的生菜三维数据导入Geomagic qualify软件中，将由三角形组成的生菜模型转化为点云，并通过软件剔除多余的噪声点；
②利用封装将三维点云转化为由三角形组成的曲面模型，进而对生菜表面存在漏洞的部分进行填补；
③最后对生菜模型进行平滑处理；
(2)生菜的生物量、叶面积、株高和茎粗建模：
体积计算：
①将生菜数据沿株高方向，即Z轴方向，以a为步长()进行等距离分割，得到n层生菜分段，其中，步长a远小于生菜叶片厚度，当a趋向于无穷小，n趋向于无穷大，生菜体积可以认为是由n层底面积为Sk，高为a的不规则图形构成；
②计算每一层分段生菜的横截面积Sk：将每一层生菜的点云数据投影到垂直于株高方向的X-Y平面上，同时分别沿X、Y轴方向以a为步长进行等距离分割，生成i×j个像素单元格；根据每一段生菜投影到每个像素单元格内的点云数据对像素格进行逐一判断，当像素格内包含生菜投影的点云时为有效像素格，记为1，反之，像素格内不包含点云数据时，则记为0；统计有效像素格的数目M，并计算有效像素格的个数与单位像素格面积的乘积即为这一层生菜的横截面面积，生菜的体积计算公式为：
Sk＝aaM (1)
式中：V为生菜的体积，Sk为生菜的横截面面积，a为步长，M为有效像素格。
基于获取的生菜体积和所获取的生菜鲜重的实测值，建立基于三维扫描数据的生物量检测模型：
Bm＝0.13+0.91V (3)
式中：Bm为生菜的生物量；
叶面积计算
对点云数据插值形成不规则的三角网格，计算每个三角形的面积Si，并对其求和，即可计算出叶面积Sc，生菜叶面积的计算公式为：
株高计算
设点云数据任意点的坐标为f(x,y,z)，只需求出Z轴方向上生菜模型的最大值zmax和最小值zmin，记最大值zmax的坐标点为f(x1,y1,z1)，最小值zmin的坐标点为f(x2,y2,z2)，利用下式计算两者的距离即可得到株高Ph：
Ph＝zmax-zmin＝z1-z2 (5)
茎粗计算
从定植盆的底部开始，沿着株高方向每隔3.3mm截取生菜茎部截面，截取3段横截面，计算每个横截面的直径，求其平均值计算生菜的茎粗；
生菜茎部横截面图像由一层近似于圆的点云组成，在X-Y平面内求出沿X轴方向的最大值xmax、最小值xmin，沿Y轴方向的最大值ymax、ymin，即可计算此横截面的直径，如附图5所示。生菜茎粗的计算公式为：
式中：La--生菜的茎粗，ximax和ximin--第i层(i＝1,2,3)横截面图像上沿X轴方向的最大值和最小值；yimax和yimin--第i层横截面图像上沿Y轴方向的最大值和最小值。
利用生菜样本建立生菜氮素的检测模型：
N＝13.26-0.24La+0.15Ph+7.1×10-6Sc+0.03Bm (7)
模型的相关系数为0.90，均方根误差为0.87；
3.2偏振-高光谱像数据建模：
(1)偏振高光谱图像背景分割
①首先利用476nm处目标图像和背景的灰度差异最大的特征，以此利用双峰法进行生菜目标图像的分割；
②将二值化处理以后的目标图像进行灰度反转，并填补残留，去除孤立噪点；
③将原始高光谱图像与处理后的二值化目标图像进行像点相乘运算，最终得到生菜叶片的高光谱序列目标图像；
(2)偏振-高光谱特征波长提取
①采用敏感区间分段逐步回归法进行氮素特征的筛选，利用自适应波段选择法(ABS)对逐步回归选择的变量下的图像进行指数获取；
②根据自适应波段选择法得出指数列表，并按照指数大小进行排列，最终选择图像指数大的波长为氮素特征波长，分别为：402、446、556、636、699、706nm；
③利用自适应波段选择法提取最能表征水分的特征波长，将特征波长775、960、1420nm下的灰度均值用于生菜的水分特征；
④获取营养和水分敏感波长下的叶脉分布、平均灰度、叶缘阴影面积和0°、45°、90°、135°、180°特征偏振角下402、446、556、636、699、706、775、960、1420nm特征图像的偏振态、stock向量、穆勒矩阵变量；
步骤4、水分补偿因子对模型进行修正
利用特征波长775、960、1420nm下的灰度均值表征生菜的水分特征，在对不同特征谱段的作物氮素图像进行含水率特征分析的基础上，通过建立生菜叶片在不同特征谱段的含水率响应模型，对生菜氮素特征进行补偿；其具体过程为：
①将样本含水率特征图像的灰度变量与含水率实测值进行偏最小二乘(PLSR)回归建立生菜含水率预测模型：
W＝65.09+43.82AG775+12.65AG960-117.72AG1420 (8)
式中：AG775、AG960、AG1420表示775、960、1420nm敏感波长下的生菜叶片图像灰度均值；W为叶片含水率实测值；
②根据检测模型预测样本的含水率水平，基于不同含水率水平的反射响应的差异进行氮素特征的分级补偿。在预估含水率水平的情况下，结合AA3化学检测所获得的样本全氮含量和氮素光谱特征波长处的反射率值，可求得相同含氮量水平下的样本的氮素高光谱图像特征变量AGi(i＝1,2…6)随含水率水平的变化率△Wi，据此可求得特征变量AGi在不同含水率水平下的修正系数△AGi，并按式(9)对氮素高光谱图像特征变量AGi进行修正。
AGi'＝AGi*(1+ΔAGi)(i＝1,2,…,6) (9)
③基于获取的不同谱段的生菜氮素的高光谱图像特征，通过特征补偿，并采用PLS法建立氮素检测模型：
N＝23.39+6.14AG402+25.66AG446-31.52AG556+66.85AG636+45.65AG699-56.76AG706 (10)
步骤5、多特征融合模型建立
基于获取的偏振高光谱图像特征以及茎粗、株高、叶面积和生物量等长势特征，利用偏最小二乘回归(PLSR)进行信息融合，建立生菜氮素的多特征检测模型；
①首先利用式(11)对两类不同的特征变量分别进行归一化处理：
xi'＝(xi-xmin)/(xmax-xmin) (11)
式中：x--特征向量特征值；i--特征序号(i＝1,2,3…)；xmin,xmax--特征向量中的样本特征值的最小值和最大值；
②将归一化后的6个图像特征和4个长势特征进行偏最小二乘相关分析(PLS)，建立基于原变量的PLS氮素回归模型：
N＝-4.72+12.34AG402-8.52AG446+34.71AG556-26.73AG636+10.94AG699-15.62AG706+7.53La-11.42Ph-15.91Sc+18.95Bm (12)
步骤6、实际温室生产作业的水肥胁迫的信息采集为随机采样，重复步骤2和步骤3，获取作物水肥胁迫的数据并导入系统进行分析计算，得出氮素、水分胁迫的量化结果；
步骤7、利用水肥胁迫的量化结果，并依据基于原变量的PLS氮素回归模型，得出盆栽生菜的综合长势信息。
2.根据权利要求1所述的盆栽生菜的综合长势检测方法，其特征在于，所述步骤1中对生菜进行4个水平水分胁迫培养，四个水分水平灌溉量分别为标准含水率的25％、50％、75％、100％浓缩液，水分胁迫样本分别按以下处理：第1组(W1)在整个试验期间以标准配方和正常灌溉量对作物进行营养液和水分供应；第2组(W2)在试验期间按标准灌溉2次，其余时间仅在每天8时灌溉1分钟的浓缩液，浓缩液为按照标准营养液配方在相应生长期内1天所需的营养液灌溉量，按照1分钟进行灌溉的等比例浓缩营养液液，以保证植株生长所需的各种营养；第3组(W3)在试验中期按标准灌溉1次，试验期间同样仅在每天8时浇灌1分钟的浓缩液；第4组(W4)在整个试验期都不灌溉，每天仅施用浓缩液一分钟。
3.根据权利要求1所述的盆栽生菜的综合长势检测方法，其特征在于，所述步骤1中对生菜进行四个水平氮素胁迫培养，氮素含量分别为标准配方的25％、50％、100％、200％，通过定时滴灌装置对样本进行营养和水分供给；作物苗期时，每天上午灌溉1次营养液；作物生长中后期，每天上和下午各灌溉一次营养液，每次灌溉5分钟；通过控制定时器的定时通断来控制营养液供给；4个氮素水平具体为：第1组(A)在标准配方的基础上，在不改变其它营养元素的情况下，将氮元素量减少为标准配方的25％，与氮元素同时减少Ca2+、K+、PO4 -3由CaCl2、KCl、KH2PO4补足；第2组(B)在标准配方的基础上，将氮元素减少为标准配方的50％，与氮元素同时减少Ca2+、K+、PO4 -3由CaCl2、KCl、KH2PO4补足；第3组(C)按照标准配方配置正常营养液；第4组(D)在标准配方的基础上，将氮元素增加一倍，氮元素由NaNO3、CO(NH2)2补足。
4.根据权利要求1所述的盆栽生菜的综合长势检测方法，其特征在于，所述步骤2中采集三维激光扫描成像数据时，将目标点粘贴在两张半圆形的白纸上，控制目标点之间的距离为100mm，将两张半圆形白纸拼接成圆形并放置在花盆上沿的平面上方。
5.根据权利要求1所述的盆栽生菜的综合长势检测方法，其特征在于，三维激光扫描成像数据时，三维激光扫描仪的激光功率为65％，快门时间为7.2ms，分辨率为0.50mm。
6.根据权利要求1所述的盆栽生菜的综合长势检测的检测装置，其特征在于，包括偏振-高光谱成像系统、三维激光扫描系统、数据处理模块和检测模块；
所述偏振-高光谱图像检测系统，包括控制系统、双坐标样本台2、图像采集系统、光源系统，
所述图像采集系统包括两个偏振-高光谱成像系统5、图像采集器8、立臂3和悬臂4；所述立臂3由底座3-1、带丝杠的立杆3-2和第一滑块3-3组成，底座3-1通过螺钉固定在光箱12的底部的左侧，底座3-1上部通过铰链与立杆3-2连接，立杆3-2能够以铰链为中心做左右摆动，完成成像设备的空间位姿调整；立杆3-2上安装有第一滑块3-3；第一偏振-高光谱成像系统5-1安装在第一滑块3-3上，第一滑块3-3能够由丝杠驱动沿立杆3-2上下移动，带动第一偏振-高光谱成像系统5-1寻找最佳检测位，实现主视方向的偏振高光谱图像信息的采集；
所述悬臂4由底座4-1、带丝杠的横杆4-2和第二滑块4-3组成，底座4-1通过螺钉固定在光箱12的右侧板的上部，底座4-1通过铰链与横杆4-2连接，横杆4-2能够以铰链为中心做上下摆动，完成成像设备的空间位姿调整；横杆4-2上安装有第二滑块4-3，第二偏振-高光谱成像系统5-2安装在第二滑块4-3上，第二滑块4-3能够由丝杠驱动沿横杆4-2沿水平方向左右移动，带动第二偏振-高光谱成像系统5-2寻找最佳检测位，实现俯视方向的偏振高光谱图像信息的采集；
其中所述光源系统由可见光-近红外光源7、云台6组成，在立杆3-2的底端和顶端、立杆4-2的右端和左端分别安装一个云台6，每个云台上分别安装可见光-近红外光源7，可见光-近红外光源7能够通过云台6进行仰俯角设置，实现对植株的清晰匀光成像；
所述双坐标样本台2固定在光箱12的底平面的几何中心位置，其中2-1为水平丝杠，2-2位垂直丝杠，垂直丝杠2-2顶端安装有样本托架，用于安放待测样本1，通过水平丝杠2-1和垂直丝杠2-2的运动，可以带动样本托架实现水平和垂直方向的匀速位移，可以配合图像采集控制系统实现推帚式的偏振-高光谱成像系统5-1和偏振-高光谱成像系统5-2的扫描成像；
其中所述偏振-高光谱成像系统5由前到后分别由前置偏振片、偏振片驱动装置、前置滤光片、滤光片切换装置、摄谱仪和成像系统组成，偏振片在整个系统的最前端，由偏振驱动装置驱动360°旋转，可实现对任意偏振角的设定，摄谱仪和成像系统可实现偏振角的设定和步序偏振信息的采集；偏振片后为402nm、446nm、556nm、636nm、699nm、706nm、775nm、960nm、1420nm窄带滤光片，滤光片采用转轮切换的方式，配合摄谱仪和成像系统实现对作物样本主视和俯视高光谱营养和水分胁迫特征图像的采集；
所述控制系统包括控制计算机11、光源控制器10、图像采集器9和运动控制器8；
其中光源控制器10连接可见光-近红外光源7，实现不同光强和光质的光源控制；
图像采集器9连接两个偏振-高光谱成像系统5和控制计算机11，由控制计算机11发出指令，实现对主视和俯视偏振-高光谱成像系统5的成像信息采集；
运动控制器8连接双坐标样本台2、立臂3、悬臂4和云台6；同时，运动控制器8与控制计算机11相连，由控制计算机11发出指令，实现对双坐标样本台2的升降和水平位移控制，对立臂3、悬臂4的滑块驱动控制，以及云台6的仰俯角控制；
三维激光扫描系统也与控制计算机11相连，用于采集三维激光扫描成像数据；数据处理模块和检测模块内置于控制计算机11内，
所述数据处理模块用于根据三维激光扫描成像数据，对生菜模型进行修复，建立生菜的生物量、叶面积、株高和茎粗模型，计算体积、叶面积、株高、茎粗；根据偏振-高光谱像数据，进行偏振高光谱图像背景分割、特征波长提取，获取营养和水分敏感波长下的叶脉分布、平均灰度、叶缘阴影面积和0°、45°、90°、135°、180°特征偏振角下402、446、556、636、699、706、775、960、1420nm特征图像的偏振态、stock向量、穆勒矩阵变量；
所述检测模块根据数据处理模块所得的数据，基于生菜含水率预测模型、氮素检测模型，并依据基于原变量的PLS氮素回归模型，得出盆栽生菜的综合长势信息，
其中，生菜含水率预测模型为：W＝65.09+43.82AG775+12.65AG960-117.72AG1420，
氮素检测模型为：
N＝23.39+6.14AG402+25.66AG446-31.52AG556+66.85AG636+45.65AG699-56.76AG706，
基于原变量的PLS氮素回归模型为：
N＝-4.72+12.34AG402-8.52AG446+34.71AG556-26.73AG636+10.94AG699-15.62AG706+7.53La-11.42Ph-15.91Sc+18.95Bm。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711309708.5A CN108376419B (zh) | 2017-12-11 | 2017-12-11 | 一种盆栽生菜的综合长势监测方法及装置 |
| PCT/CN2017/117191 WO2019113998A1 (zh) | 2017-12-11 | 2017-12-19 | 一种盆栽生菜的综合长势监测方法及装置 |
| US16/771,708 US20210056685A1 (en) | 2017-12-11 | 2017-12-19 | Method and device for monitoring comprehensive growth of potted lettuce |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711309708.5A CN108376419B (zh) | 2017-12-11 | 2017-12-11 | 一种盆栽生菜的综合长势监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108376419A true CN108376419A (zh) | 2018-08-07 |
| CN108376419B CN108376419B (zh) | 2020-06-26 |
Family
ID=63015788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711309708.5A Active CN108376419B (zh) | 2017-12-11 | 2017-12-11 | 一种盆栽生菜的综合长势监测方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210056685A1 (zh) |
| CN (1) | CN108376419B (zh) |
| WO (1) | WO2019113998A1 (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115469A (zh) * | 2018-09-20 | 2019-01-01 | 深圳市摩西尔电子有限公司 | 光源逐点快速检测装置 |
| CN110089308A (zh) * | 2019-05-29 | 2019-08-06 | 浙江大学 | 一种培育植物的智能系统及方法 |
| CN110181513A (zh) * | 2019-05-30 | 2019-08-30 | 北京农业信息技术研究中心 | 作物冠层表型与同化同步测量机器人 |
| CN110542656A (zh) * | 2019-08-29 | 2019-12-06 | 安徽科技学院 | 一种基于高光谱技术的农作物营养状况诊断的无损检测装置 |
| CN110660126A (zh) * | 2019-09-23 | 2020-01-07 | 宁夏农林科学院枸杞工程技术研究所 | 基于三维点云扫描技术构建枸杞叶片表型组数据库的方法 |
| CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
| CN111325760A (zh) * | 2020-01-26 | 2020-06-23 | 四川大学 | 仿真植被阻水面积的确定方法 |
| CN112099392A (zh) * | 2020-08-11 | 2020-12-18 | 上海有间建筑科技有限公司 | 一种智慧农业大棚灌溉系统 |
| CN112163627A (zh) * | 2020-10-09 | 2021-01-01 | 北京环境特性研究所 | 目标物体的融合图像生成方法、装置及系统 |
| CN114208536A (zh) * | 2021-11-03 | 2022-03-22 | 山东农业大学 | 用于番茄砧木苗期的耐旱性能试验装置和方法 |
| CN115201785A (zh) * | 2022-09-15 | 2022-10-18 | 建设综合勘察研究设计院有限公司 | 一种建筑物数字断面提取方法、系统、终端及存储介质 |
| CN116757332A (zh) * | 2023-08-11 | 2023-09-15 | 北京市农林科学院智能装备技术研究中心 | 叶菜产量预测方法、装置、设备及介质 |
| CN117274359A (zh) * | 2023-10-13 | 2023-12-22 | 扬州大学 | 一种作物群体的株高测算方法和系统 |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3741105A4 (en) * | 2018-02-16 | 2021-11-03 | Board of Supervisors of Louisiana State University And Agricultural and Mechanical College | DENTAL IMAGING WITHOUT IONIZING RADIATION THROUGH NEAR-INFRARED FLUORESCENCE AND RELATED SYSTEMS |
| CN110132240A (zh) * | 2019-05-16 | 2019-08-16 | 上海追月科技有限公司 | 货品信息采集装置 |
| JP7099426B2 (ja) * | 2019-10-09 | 2022-07-12 | 株式会社デンソー | 物体認識装置 |
| US11645756B2 (en) * | 2019-11-14 | 2023-05-09 | Samsung Electronics Co., Ltd. | Image processing apparatus and method |
| US11455813B2 (en) * | 2019-11-14 | 2022-09-27 | Nec Corporation | Parametric top-view representation of complex road scenes |
| CN111627059B (zh) * | 2020-05-28 | 2023-05-30 | 桂林市思奇通信设备有限公司 | 一种棉花叶片中心点位置定位方法 |
| US11532080B2 (en) * | 2020-11-17 | 2022-12-20 | X Development Llc | Normalizing counts of plant-parts-of-interest |
| CN112418073B (zh) * | 2020-11-19 | 2023-10-03 | 安徽农业大学 | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 |
| CN112287886B (zh) * | 2020-11-19 | 2023-09-22 | 安徽农业大学 | 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 |
| CN114764833A (zh) * | 2021-01-12 | 2022-07-19 | 富泰华工业（深圳）有限公司 | 植物生长曲线确定方法、装置、电子设备及介质 |
| CN113030903B (zh) * | 2021-03-05 | 2023-08-29 | 深圳大学 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
| CN113256567B (zh) * | 2021-05-08 | 2023-09-22 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
| CN113516635B (zh) * | 2021-06-15 | 2024-02-27 | 中国农业大学 | 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法 |
| CN113720232B (zh) * | 2021-08-10 | 2023-10-13 | 合肥国轩高科动力能源有限公司 | 一种锂电池正极密封件压缩量的测试方法 |
| CN113724210A (zh) * | 2021-08-13 | 2021-11-30 | 广州华农大智慧农业科技有限公司 | 一种作物长势识别方法和系统 |
| CN114022389B (zh) * | 2021-11-17 | 2022-08-09 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
| CN114120158A (zh) * | 2021-11-29 | 2022-03-01 | 四川省自然资源科学研究院 | 基于超低空遥感的叶面积统计方法、装置及存储介质 |
| US11928830B2 (en) * | 2021-12-22 | 2024-03-12 | Honeywell International Inc. | Systems and methods for generating three-dimensional reconstructions of environments |
| CN116858830A (zh) * | 2021-12-31 | 2023-10-10 | 湖北省农业科学院农业质量标准与检测技术研究所 | 现场采样的茶树病虫害检测车和检测系统 |
| CN114688997B (zh) * | 2022-03-29 | 2023-03-14 | 华南农业大学 | 基于rls自适应滤波算法的叶片面积自动检测装置及方法 |
| JP2024033487A (ja) * | 2022-08-30 | 2024-03-13 | セイコーエプソン株式会社 | 表示方法、表示装置及びプログラム |
| CN115457030B (zh) * | 2022-10-27 | 2023-03-24 | 浙江托普云农科技股份有限公司 | 基于图像技术的作物茎粗测量方法、装置及其应用 |
| CN115797812B (zh) * | 2023-02-09 | 2023-04-14 | 北京和颐林生物科技有限公司 | 用于改善睡眠的高sod含量麦类产程中共生液施控方法 |
| CN116026772B (zh) * | 2023-03-30 | 2023-06-02 | 黑龙江省农业科学院农业遥感与信息研究所 | 基于高光谱遥感的玉米叶片氮含量预测方法 |
| CN116246225A (zh) * | 2023-05-12 | 2023-06-09 | 青岛农业大学 | 一种基于图像处理的作物育种监测方法及系统 |
| CN116596805B (zh) * | 2023-07-14 | 2023-09-29 | 山东大学 | 一种基于场景物体与大气光偏振态差异的偏振去雾方法 |
| CN116760962B (zh) * | 2023-08-17 | 2023-10-27 | 鸥朗创想(北京)科技有限公司 | 一种获取植物4d表型的无人车及方法 |
| CN117288692B (zh) * | 2023-11-23 | 2024-04-02 | 四川轻化工大学 | 一种酿酒粮食中单宁含量的检测方法 |
| CN117710511B (zh) * | 2024-02-05 | 2024-04-30 | 浙江托普云农科技股份有限公司 | 基于光电检测法的叶面积测量仪的叶片成像方法及其应用 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102384767A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 一种设施作物生长信息无损检测装置和方法 |
| CN102506938A (zh) * | 2011-11-17 | 2012-06-20 | 江苏大学 | 基于多传感信息的温室作物生长和环境信息检测方法 |
| CN103776426A (zh) * | 2014-01-03 | 2014-05-07 | 北京农业信息技术研究中心 | 一种旋转平台农田成像几何校正方法 |
| CN104457936A (zh) * | 2014-11-10 | 2015-03-25 | 江苏大学 | 一种盆栽作物长势动态检测装置及其检测方法 |
| CN104457843A (zh) * | 2014-11-10 | 2015-03-25 | 江苏大学 | 导轨式设施番茄长势双位自动巡航成像检测装置及其检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3885046B2 (ja) * | 2003-09-16 | 2007-02-21 | 株式会社日立製作所 | 植物生育解析装置 |
| CN103293111B (zh) * | 2013-06-07 | 2016-01-13 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
| CN103439265B (zh) * | 2013-08-15 | 2015-06-03 | 湖南农业大学 | 一种茶树精细化栽培生育性状实时监测方法 |
| CN104614321B (zh) * | 2015-01-20 | 2017-07-25 | 山东农业大学 | 一种基于光谱图像的作物长势实时监测方法 |
| CN106197317A (zh) * | 2016-07-28 | 2016-12-07 | 北京农业信息技术研究中心 | 田间环境下玉米叶尖生长运动测量方法及装置 |
| CN106406403B (zh) * | 2016-11-28 | 2019-02-01 | 吉林师范大学 | 一种基于增强现实的农业管控系统 |
-
2017
- 2017-12-11 CN CN201711309708.5A patent/CN108376419B/zh active Active
- 2017-12-19 US US16/771,708 patent/US20210056685A1/en active Pending
- 2017-12-19 WO PCT/CN2017/117191 patent/WO2019113998A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102384767A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 一种设施作物生长信息无损检测装置和方法 |
| CN102506938A (zh) * | 2011-11-17 | 2012-06-20 | 江苏大学 | 基于多传感信息的温室作物生长和环境信息检测方法 |
| CN103776426A (zh) * | 2014-01-03 | 2014-05-07 | 北京农业信息技术研究中心 | 一种旋转平台农田成像几何校正方法 |
| CN104457936A (zh) * | 2014-11-10 | 2015-03-25 | 江苏大学 | 一种盆栽作物长势动态检测装置及其检测方法 |
| CN104457843A (zh) * | 2014-11-10 | 2015-03-25 | 江苏大学 | 导轨式设施番茄长势双位自动巡航成像检测装置及其检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张晓东等: "番茄氮素的多特征融合检测研究", 《江苏农业科学》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115469A (zh) * | 2018-09-20 | 2019-01-01 | 深圳市摩西尔电子有限公司 | 光源逐点快速检测装置 |
| CN110089308A (zh) * | 2019-05-29 | 2019-08-06 | 浙江大学 | 一种培育植物的智能系统及方法 |
| CN110181513A (zh) * | 2019-05-30 | 2019-08-30 | 北京农业信息技术研究中心 | 作物冠层表型与同化同步测量机器人 |
| CN110542656B (zh) * | 2019-08-29 | 2021-11-02 | 安徽科技学院 | 一种基于高光谱技术的农作物营养状况诊断的无损检测装置 |
| CN110542656A (zh) * | 2019-08-29 | 2019-12-06 | 安徽科技学院 | 一种基于高光谱技术的农作物营养状况诊断的无损检测装置 |
| CN110660126A (zh) * | 2019-09-23 | 2020-01-07 | 宁夏农林科学院枸杞工程技术研究所 | 基于三维点云扫描技术构建枸杞叶片表型组数据库的方法 |
| CN111325760A (zh) * | 2020-01-26 | 2020-06-23 | 四川大学 | 仿真植被阻水面积的确定方法 |
| CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
| CN112099392A (zh) * | 2020-08-11 | 2020-12-18 | 上海有间建筑科技有限公司 | 一种智慧农业大棚灌溉系统 |
| CN112163627A (zh) * | 2020-10-09 | 2021-01-01 | 北京环境特性研究所 | 目标物体的融合图像生成方法、装置及系统 |
| CN112163627B (zh) * | 2020-10-09 | 2024-01-23 | 北京环境特性研究所 | 目标物体的融合图像生成方法、装置及系统 |
| CN114208536A (zh) * | 2021-11-03 | 2022-03-22 | 山东农业大学 | 用于番茄砧木苗期的耐旱性能试验装置和方法 |
| CN115201785A (zh) * | 2022-09-15 | 2022-10-18 | 建设综合勘察研究设计院有限公司 | 一种建筑物数字断面提取方法、系统、终端及存储介质 |
| CN116757332A (zh) * | 2023-08-11 | 2023-09-15 | 北京市农林科学院智能装备技术研究中心 | 叶菜产量预测方法、装置、设备及介质 |
| CN116757332B (zh) * | 2023-08-11 | 2023-12-05 | 北京市农林科学院智能装备技术研究中心 | 叶菜产量预测方法、装置、设备及介质 |
| CN117274359A (zh) * | 2023-10-13 | 2023-12-22 | 扬州大学 | 一种作物群体的株高测算方法和系统 |
| CN117274359B (zh) * | 2023-10-13 | 2024-04-19 | 扬州大学 | 一种作物群体的株高测算方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019113998A1 (zh) | 2019-06-20 |
| US20210056685A1 (en) | 2021-02-25 |
| CN108376419B (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108376419A (zh) | 一种盆栽生菜的综合长势监测方法及装置 | |
| CN108323295B (zh) | 一种基于多尺度生境信息的苗期作物水肥检测和控制方法及装置 | |
| CN102384767B (zh) | 一种设施作物生长信息无损检测装置和方法 | |
| CN101936882B (zh) | 一种作物氮素和水分无损检测方法及装置 | |
| US11436824B2 (en) | Water stress detection method for tomatoes in seedling stage based on micro-CT and polarization-hyperspectral imaging multi-feature fusion | |
| CN103439265B (zh) | 一种茶树精细化栽培生育性状实时监测方法 | |
| CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
| CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
| CN101881725B (zh) | 基于反射光谱的大棚作物生长状况自动监测系统 | |
| CN104614321B (zh) | 一种基于光谱图像的作物长势实时监测方法 | |
| CN100480681C (zh) | 基于近红外光谱的植物生长信息获取装置 | |
| CN202382768U (zh) | 一种设施作物生长信息无损检测装置 | |
| CN102565061B (zh) | 作物生物量无损检测图像采集处理装置及检测方法 | |
| CN102081039A (zh) | 一种环境可控的作物营养水分高光谱图像检测装置 | |
| CN108169141A (zh) | 一种基于高光谱图像的茶树lai及氮含量估算方法 | |
| CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
| 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 | |
| CN103018196A (zh) | 一种油菜需水信息的快速探测方法 | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN108710766A (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
| CN103439264A (zh) | 一种基于在线定位的茶树活体生育特征数据采集装置 | |
| CN109427091A (zh) | 一种基于高光谱遥感和摄影测量技术的生物量模型研建方法 | |
| CN101059427A (zh) | 多光谱成像技术快速无损测量茶树含氮量的方法 | |
| CN2864669Y (zh) | 基于近红外光谱的植物生长信息获取装置 | |
| CN201780267U (zh) | 一种基于反射光谱的大棚作物生长状况自动监测系统 |
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 |