CN108376419B - 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 PDF

Info

Publication number
CN108376419B
CN108376419B CN201711309708.5A CN201711309708A CN108376419B CN 108376419 B CN108376419 B CN 108376419B CN 201711309708 A CN201711309708 A CN 201711309708A CN 108376419 B CN108376419 B CN 108376419B
Authority
CN
China
Prior art keywords
lettuce
polarization
hyperspectral
nitrogen
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.)
Active
Application number
CN201711309708.5A
Other languages
English (en)
Other versions
CN108376419A (zh
Inventor
张晓东
张雪威
毛罕平
高洪燕
左志宇
张红涛
张怡雪
张放
孙宏伟
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN201711309708.5A priority Critical patent/CN108376419B/zh
Priority to PCT/CN2017/117191 priority patent/WO2019113998A1/zh
Priority to US16/771,708 priority patent/US20210056685A1/en
Publication of CN108376419A publication Critical patent/CN108376419A/zh
Application granted granted Critical
Publication of CN108376419B publication Critical patent/CN108376419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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

一种盆栽生菜的综合长势监测方法及装置
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将样本置于偏振-高光谱成像系统的位移台上，设置匀光光源系统的波长范围为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，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)
Figure GDA0001714330280000031
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：
Figure GDA0001714330280000032
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：
Figure GDA0001714330280000041
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
Figure GDA0001714330280000111
表2微量元素配方母液配置表
Figure GDA0001714330280000112
Figure GDA0001714330280000121
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
Figure GDA0001714330280000122
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
Figure GDA0001714330280000123
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)
Figure GDA0001714330280000141
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：
Figure GDA0001714330280000142
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：
Figure GDA0001714330280000151
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
Figure GDA0001714330280000161
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ΔWi及修正系数ΔAGi
Figure GDA0001714330280000162
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，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)
Figure FDA0002419334320000021
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：
Figure FDA0002419334320000022
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，生菜茎粗的计算公式为：
Figure FDA0002419334320000031
式中：La--生菜的茎粗，ximax和ximin--第i层横截面图像上沿X轴方向的最大值和最小值，i＝1,2,3；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随含水率水平的变化率△Wi，其中i＝1,2…6，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：
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)
AG402、AG446、AG556、AG636、AG699、AG706分别为表示402、446、556、636、699、706nm敏感波长下的生菜叶片图像灰度均值；
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)
AG402、AG446、AG556、AG636、AG699、AG706分别为表示402、446、556、636、699、706nm敏感波长下的生菜叶片图像灰度均值；La为生菜茎粗，Ph为株高，Sc为生菜叶面积，Bm为生菜的生物量；
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监测方法，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监测方法，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监测方法，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监测方法，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监测方法的检测装置，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)由第一底座(3-1)、带丝杠的立杆(3-2)和第一滑块(3-3)组成，第一底座(3-1)通过螺钉固定在光箱(12)的底部的左侧，第一底座(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)由第二底座(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，第二底座(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，包括水平丝杠(2-1)、垂直丝杠(2-2)，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，能够带动样本托架实现水平和垂直方向的匀速位移，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。
CN201711309708.5A 2017-12-11 2017-12-11 一种盆栽生菜的综合长势监测方法及装置 Active CN108376419B (zh)

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 CN108376419A (zh) 2018-08-07
CN108376419B true 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)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
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
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
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
CN110089308B (zh) * 2019-05-29 2021-03-23 浙江大学 一种应用智能系统培育植物的方法
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
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
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
CN111325760B (zh) * 2020-01-26 2023-07-04 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
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
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
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
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
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
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
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
CN114295614B (zh) * 2021-12-31 2023-06-27 湖北省农业科学院农业质量标准与检测技术研究所 茶树病虫害检测车、检测装置、检测系统和检测方法
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
CN115201785B (zh) * 2022-09-15 2022-12-13 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
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
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
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
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
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

Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
番茄氮素的多特征融合检测研究;张晓东等;《江苏农业科学》;20160531;第44卷(第10期);参见第1-3节 *

Also Published As

Publication number Publication date
CN108376419A (zh) 2018-08-07
WO2019113998A1 (zh) 2019-06-20
US20210056685A1 (en) 2021-02-25

Similar Documents

Publication Publication Date Title
CN108376419B (zh) 一种盆栽生菜的综合长势监测方法及装置
G. Poley et al. A systematic review of the factors influencing the estimation of vegetation aboveground biomass using unmanned aerial systems
CN102384767B (zh) 一种设施作物生长信息无损检测装置和方法
Andujar et al. Using depth cameras to extract structural parameters to assess the growth state and yield of cauliflower crops
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
CN109115776B (zh) 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
US10455776B2 (en) Dynamic detection device for growth of potted crop and detection method therefor
CN107316116B (zh) 一种叶类蔬菜产量预测方法
CN202382768U (zh) 一种设施作物生长信息无损检测装置
CN102331244B (zh) 利用普通数码相机获取水稻冠层叶面积指数的方法
CN111241912A (zh) 一种基于机器学习算法的多植被指数的水稻产量估测方法
CN102081039A (zh) 一种环境可控的作物营养水分高光谱图像检测装置
EP3555562B1 (en) Crop scanner
CN108169141A (zh) 一种基于高光谱图像的茶树lai及氮含量估算方法
CN105021617A (zh) 基于高光谱成像的整株水稻叶绿素含量测量装置及方法
CN103278503A (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
CN111693551A (zh) 一种水稻植株及根系三维性状无损测量装置及方法
Zhang et al. High-throughput phenotyping of plant leaf morphological, physiological, and biochemical traits on multiple scales using optical sensing
CN101059427A (zh) 多光谱成像技术快速无损测量茶树含氮量的方法
CN108280410A (zh) 一种基于二进制编码的农作物识别方法及系统
Ma et al. A method of calculating phenotypic traits for soybean canopies based on three-dimensional point cloud
CN104236486A (zh) 一种棉花叶面积指数快速无损测定方法
CN102338738A (zh) 作物植株及叶片氮素含量现场快速检测方法及装置

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