CN108872140B - 一种户外监测红枣品质的方法及装置 - Google Patents
一种户外监测红枣品质的方法及装置 Download PDFInfo
- Publication number
- CN108872140B CN108872140B CN201810435256.3A CN201810435256A CN108872140B CN 108872140 B CN108872140 B CN 108872140B CN 201810435256 A CN201810435256 A CN 201810435256A CN 108872140 B CN108872140 B CN 108872140B
- Authority
- CN
- China
- Prior art keywords
- spectral image
- red date
- quality
- red
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 252
- 238000001228 spectrum Methods 0.000 claims description 127
- 244000126002 Ziziphus vulgaris Species 0.000 claims description 46
- 235000008529 Ziziphus vulgaris Nutrition 0.000 claims description 46
- 230000010287 polarization Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000002329 infrared spectrum Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 241000238631 Hexapoda Species 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 235000015097 nutrients Nutrition 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 241001247821 Ziziphus Species 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 235000016709 nutrition Nutrition 0.000 description 4
- 230000035764 nutrition Effects 0.000 description 4
- 235000000346 sugar Nutrition 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229930091371 Fructose Natural products 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 208000002720 Malnutrition Diseases 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 244000179970 Monarda didyma Species 0.000 description 1
- 235000010672 Monarda didyma Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Images
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种户外监测红枣品质的方法及装置，以实现对地面上大规模红枣种植区域进行大范围精细化品质监测。包括：获取飞行器拍摄的包括至少两个光谱特征不同的红枣种植区域的第一光谱图像以及所述第一光谱图像对应的地面区域；通过近地面相机获取所述第一光谱图像对应的地面区域的第二光谱图像，所述第二光谱图像的分辨率高于所述第一光谱图像的分辨率；获取用于指示红枣品质的标准光谱图像模型，并将所述第二光谱图像与所述标准光谱图像模型匹配，确定所述第一光谱图像对应的地面区域的红枣品质。
Description
技术领域
本发明涉及农产品品质监测技术领域，尤其涉及一种户外监测红枣品质的方法及装置。
背景技术
南疆独特的光热资源和地理优势造就了南疆红枣的独特品质，即红枣的糖分高，广泛受到人们的喜爱，红枣种植规模也在持续扩大，已超过1500万亩。迫切需要发展大面积快速品质监测技术。高分二号卫星等多光谱遥感卫星，在晴天光照条件较好的情况下，卫星影像的信噪比高，可以粗略分出地面枣树的光谱差异，但是光谱分辨率和空间分辨率仍然较低，无法进行大范围精细化红枣品质监测。
发明内容
鉴于上述问题，本发明实施例的目的是提供一种户外监测红枣品质的方法及装置，旨在通过地面的高光谱分辨率和高空间分辨率的相机以及使用光谱偏振态探测方法建立的红枣品质近地面模型，对大面积红枣种植区域进行大范围精细化红枣品质监测。
为解决上述技术问题，本发明实施例提供以下技术方案：
第一方面，本发明实施例提供了一种户外监测红枣品质的方法，包括：获取飞行器拍摄的包括至少两个光谱特征不同的红枣种植区域的第一光谱图像以及所述第一光谱图像对应的地面区域；通过近地面相机获取所述第一光谱图像对应的地面区域的第二光谱图像，所述第二光谱图像的分辨率高于所述第一光谱图像的分辨率；获取用于指示红枣品质的标准光谱图像模型，并将所述第二光谱图像与所述标准光谱图像模型匹配，确定所述第一光谱图像对应的地面区域的红枣品质。
在本发明其它实施例中，所述标准光谱图像模型包括：第一标准光谱图像模型，所述第一标准光谱图像模型用于指示第一红枣品质；所述将所述第二光谱图像与所述标准光谱图像模型匹配，确定所述第一光谱图像对应的地面区域的红枣品质，包括：当所述第二光谱图像与所述第一标准光谱图像模型对应时，确定所述地面区域的红枣品质为所述第一红枣品质；或者，当所述第二光谱图像与所述第一标准光谱图像模型不对应时，确定所述地面区域的红枣品质为非第一红枣品质。
在本发明其它实施例中，所述获取用于指示红枣品质的标准光谱图像模型，包括：获取红枣样品的近红外光谱；获取所述红枣样品的理化参数，所述红枣样品的理化参数用于指示所述红枣样品的品质；根据所述红枣样品的近红外光谱和所述红枣样品的理化参数确定所述标准光谱图像模型。
在本发明其它实施例中，所述获取用于指示红枣品质的标准光谱图像模型，包括：获取红枣样品的第一可见光光谱；根据所述红枣样品的第一可见光光谱确定所述标准光谱图像模型。
在本发明其它实施例中，所述获取红枣样品的第一可见光光谱，包括：通过标定板获取两个不同位置的所述红枣样品的可见光光谱；根据预设规则从两个可见光光谱中确定所述红枣样品的第一可见光光谱，所述预设规则为确定所述两个可见光光谱中纹理特征最佳的可见光光谱。
第二方面，本发明实施例提供了一种户外监测红枣品质的装置，所述装置包括：第一获取模块、第二获取模块和处理模块；所述第一获取模块，被配置为获取飞行器拍摄的包括至少两个光谱特征不同的红枣种植区域的第一光谱图像以及所述第一光谱图像对应的地面区域；所述第二获取模块，被配置为通过近地面相机获取所述第一光谱图像对应的地面区域的第二光谱图像，所述第二光谱图像的分辨率高于所述第一光谱图像的分辨率；所述处理模块，被配置为获取用于指示红枣品质的标准光谱图像模型，并将所述第二光谱图像与所述标准光谱图像模型匹配，确定所述第一光谱图像对应的地面区域的红枣品质。
在本发明其它实施例中，所述标准光谱图像模型包括：第一标准光谱图像模型，所述第一标准光谱图像模型用于指示第一红枣品质；所述处理模块，被配置为当所述第二光谱图像与所述第一标准光谱图像模型对应时，确定所述地面区域的红枣品质为所述第一红枣品质；或者，当所述第二光谱图像与所述第一标准光谱图像模型不对应时，确定所述地面区域的红枣品质为非第一红枣品质。
在本发明其它实施例中，所述处理模块，被配置为获取红枣样品的近红外光谱；获取所述红枣样品的理化参数，所述红枣样品的理化参数用于指示所述红枣样品的品质；根据所述红枣样品的近红外光谱和所述红枣样品的理化参数确定所述标准光谱图像模型。
在本发明其它实施例中，所述处理模块，被配置为获取红枣样品的第一可见光光谱；根据所述红枣样品的第一可见光光谱确定所述标准光谱图像模型。
在本发明其它实施例中，所述处理模块，被配置为通过标定板获取两个不同位置的所述红枣样品的可见光光谱；根据预设规则从两个可见光光谱中确定所述红枣样品的第一可见光光谱，所述预设规则为确定所述两个可见光光谱中纹理特征最佳的可见光光谱。
本发明实施例所提供的户外监测红枣品质的方法及装置，该方法通过获取飞行器拍摄的第一光谱图像，快速确定地面有明显差异的红枣区域，通过高光谱相机获取红枣模型的多个高光谱图像，对该多个高光谱图像进行标定，获得多个红枣品质模型，再通过高光谱分辨率和空间分辨率的相机获取该区域的图像，将获取的图像与预先标定的红枣品质模型进行对比，得到该区域的高光谱分辨率和高空间分辨率的红枣品质分布图，实现大范围精细化红枣品质监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中的户外监测红枣品质的方法的流程示意图；
图2为本发明实施例中的获取标准光谱模型中近红外光谱模型的流程示意图；
图3为本发明实施例中的红枣样品的结构示意图；
图4为本发明实施例中的获取标准光谱模型中可见光谱模型的流程示意图；
图5为本发明实施例中的获取红枣样品的第一可见光光谱的流程示意图；
图6为本发明实施例中的圆偏振镜旋转90度的特征波段差异的图谱；
图7为本发明实施例中的户外监测红枣品质的设备的结构示意图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些实施例获得其它的实施例。
第一方面，本发明实施例提供一种户外监测红枣品质的方法，参见图1所示，该方法包括：
S100：获取飞行器拍摄的包括至少两个光谱特征不同的红枣种植区域的第一光谱图像以及第一光谱图像对应的地面区域。
具体来说，上述飞行器为具有快速大面积拍摄功能的飞行器，该飞行器可以是高分二号卫星，也可以是无人机航拍相机。上述地面区域可以是一颗枣树，也可以是几颗枣树构成的一片区域，也可以是一个枣园，也可以是多个枣园构成的区域。
在实际应用中，获取高分二号卫星拍摄的第一光谱图像的方式为购买某一时段某一区域的卫星影像，从购买的卫星影像中确定该第一光谱图像，获取高分二号卫星拍摄的第一光谱图像的区域为南疆所有种植红枣的区域，获取高分二号卫星拍摄的第一光谱图像的时间为南疆红枣的白熟期、脆熟期和完熟期，即5-7月和11月。
具体的，由于高分二号卫星具有四个通道，即三个可见光波段和一个近红外波段，并且农作物近红外波段的反射率较高，所以选择该近红外波段做假彩色合成，以便于在卫星影像中找到光谱特征不同的区域，进而确定第一光谱图像，使监测者更容易找出地面上有差异的红枣区域，对地面上有差异的红枣区域的红枣品质做出初步评价，并且对卫星影像中有明显差异的图像区域使用高精度的GPS定位，确定该图像区域在地面上的坐标和范围，这里的坐标可以是经纬度信息。
S200：通过近地面相机获取第一光谱图像对应的地面区域的第二光谱图像，第二光谱图像的分辨率高于第一光谱图像的分辨率。
具体来说，通过第一光谱图像确定有明显差异的地面区域，在地面上使用高光谱相机或者多光谱相机获取该地面区域的第二光谱图像。由于高分二号卫星的空间分辨率为0.8米，只能对地面上有明显差异特征的红枣区域做初步评价，对选择的地面区域上的红枣使用高光谱相机或多光谱相机进行拍摄，再结合普通数码相机拍摄的图像，获取第二光谱图像，高光谱相机具有高光谱分辨率，多光谱相机具有较高的光谱分辨率，普通数码相机具有高空间分辨率，因此第二光谱图像具有高光谱分辨率和高空间分辨率。
具体的，对地面区域上的红枣进行拍摄时，在地面区域上的红枣的某一侧面对地面区域上的红枣进行拍摄，由于多光谱相机或者高光谱相机是无法进行一次拍摄就能得到整个地面区域上的红枣的图像，因此需要拍摄多个光谱图像，在拍摄多个光谱图像时，可以使高光谱相机或者多光谱相机通过相机架固定于某一位置，使高光谱相机或多光谱相机类似于数码相机进行全景拍摄时的样子进行转动拍摄，每转动10°或者20°进行一次拍摄，再将拍摄的多个高光谱图像进行拼接融合，将拍摄的多个多光谱图像进行拼接融合，得到该地面区域的光谱图像。
S300：将第二光谱图像与标准光谱图像模型匹配，确定第一光谱图像对应的地面区域的红枣品质。
具体来说，标准光谱图像模型是通过在室内建立枣树模型，获取枣树模型的光谱信息，对该光谱信息进行标定，建立标准光谱图像模型。
首先，按照地面区域上的红枣枣树的平均树高、树形、枝条分布密度等情况，选用枣树枝条或金属杆搭出枣树模型的轮廓和框架，在枝条部位可以模拟地面区域上的红枣枣树的不同生长状态，例如：干旱缺水、虫害、不同程度营养成分缺失等，再依据地面区域上的红枣枣树的生长状况，在枣树模型上配置不同状况的枣叶和红枣，不同状况包括：干旱缺水、虫害、不同程度营养成分缺失等，到此，枣树模型建立完毕。同时，还可以依据地面区域上的红枣枣树的生长状况，建立正常生长的枣树模型。在这里，选取的枣树模型和红枣样品为不同成熟期、不同地域、不同品种或不同树龄的样品。
其次，通过多光谱相机或者高光谱相机获取枣树模型的光谱信息，在使用多光谱相机获取枣树模型的可见光波段(400-1000nm)的光谱信息时，在多光谱相机镜头前加窄带滤光片和偏振片，拍摄多光谱正交偏振图像，例如：0°与90°、45°与135°、60°与150°，进而获得多角度正交偏振差分图像；然后在使用高光谱相机获取枣树模型的近红外波段(900-1700nm)的光谱信息时，获取高光谱正交偏振差分图像，这里的获取方法参见申请号：201711448667.8，发明名称：一种获取红枣品质的方法和装置。其中，红枣成分中葡萄糖和果糖分属于右旋和左旋结构，为探测红枣生长品质变化和糖分积累转化情况，可由光谱圆偏振态探测差异，具体的，用线偏振片和四分之一玻片组合(光轴夹角45度)获得圆偏振光进行主动照明，在高光谱相机镜头前加偏振片和四分之一波片组合为圆偏振镜，固定四分之一玻片光轴为水平或垂直，分别旋转线偏振片光轴夹角45度和135度，使用四分之一玻片(特征波段1436.3nm、1704.37nm其中之一或组合)拍摄获取特征光谱右旋和左旋圆偏振差分图像，参见图6所示，通过圆偏振镜旋转90度增强差异信息，可以了解不同结构糖的分布情况，实现直观的红枣品质分布。再将多光谱相机的多光谱图像和高光谱相机的高光谱图像的光谱图进行拼接，得到从可见光波段到近红外波段的红枣样品的光谱图像，这里使用的拍摄方法参见申请号：201810220162.4，发明名称：一种户外多尺度地面区域上的红枣高光谱偏振探测方法。
以上通过特征光谱正交偏振态增强差异信息的方法，即通过偏振片与玻片组合的方法，可以提高南疆红枣近地面模型的精度和稳定性。
具体的，通过归一化差分植被指数(Normalized Difference Vegetation Index，NDVI)、最小噪声分离变换(Minimum Noise Fraction Rotation，MNF Rotation)和场景掩膜，进行背景分割，将采集的高光谱图像进行图像处理，再对高光谱信息主成分分析(Principal Component Analysis，PCA)，用高分辨波段替代第一主成分波段，再进行逆变换得到融合图像。
需要强调的是，在红枣的脆熟期和白熟期，由于红枣的水分高，进而折射率小，所以主要采用前向散射和侧向拍摄，以后向散射拍摄为辅；在红枣的完熟期，由于红枣的水分低，进而折射率大。所以主要采用后向散射，以前向散射和侧向拍摄为辅，同时，由偏振二向色性仪做枣树模型的散射光强分布实验和多角度偏振散射实验确定合适的探测角度。
再次，将获取的多光谱正交偏振图像，通过双向反射分布函数(BidirectionalReflectance Distribution Function，BRDF)对不同尺度的纹理特征进行描述，由于红枣和叶片在不同尺度上的粗糙程度不同，进而相应的光谱偏振态变化也不同，利用遥感图像处理平台(The Environment for Visualizing Images，ENVI)统计出均方差、协方差、灰度共生矩阵等开展纹理特征识别；将获取的高光谱偏振图像，通过光谱偏振态变化分类建模，分别建立不同方位正交的高光谱偏振态数据库，例如：0°与90°、45°与135°、60°与150°，建立特征光谱圆偏振差分模型，进而提高光谱检测精度。
最后，测定红枣的理化参数，根据红枣的理化参数和对应红枣的高光谱偏振态数据库，建立对应红枣的标准光谱图像模型来指示该红枣的品质。
其中，上述标准光谱图像模型中包括可见光波段的红枣品质模型和近红外波段的红枣品质模型，将可见光波段的红枣品质模型与近红外波段的红枣品质模型进行拼接，得到红枣的标准光谱图像模型。
具体来说，将第二光谱图像中的高光谱图像与一个或者多个标准光谱模型进行比对，当第二光谱图像中的高光谱图像与其中一个标准光谱模型中的光谱信息对应时，确定第二光谱图像对应的地面区域上的红枣为该标准光谱模型对应的红枣品质。
需要说明的是，上述第二光谱图像中包括至少两个光谱特征不同的区域，将第二光谱图像中每一个光谱特征区域与标准光谱模型进行匹配，得出每一个光谱区域对应的地面区域的红枣品质。
具体的，可以确定第二光谱图像对应的地面区域上的红枣中的红枣是否为正常的生长状态，通过将第二光谱图像与正常生长状态的枣树模型中的光谱信息进行对比，若第二光谱图像与正常生长状态的枣树模型中的光谱信息对应时，则确定第二光谱图像对应的地面区域上的红枣为正常的的红枣。也可以确定第二光谱图像对应的地面区域上的红枣是否为缺水状态，通过将第二光谱图像与缺水状态的枣树模型中的光谱信息进行对比，若第二光谱图像与缺水状态的枣树模型中的光谱信息对应时，则确定第二光谱图像对应的地面区域上的红枣为缺水的红枣。同样，对比于地面区域上的红枣缺水状态的确定，也可以确定地面区域上的红枣的虫害状态和地面区域上的红枣的不同程度营养缺失状态等地面区域上的红枣的不正常生长的状态。
所以，该方法通过获取飞行器拍摄的第一光谱图像，快速确定地面有明显差异的红枣区域，通过高光谱相机获取红枣模型的多个高光谱图像，对该多个高光谱图像进行标定，获得多个红枣品质模型，再通过高光谱分辨率和空间分辨率的相机获取该区域的图像，将获取的图像与预先标定的红枣品质模型进行对比，得到该区域的高光谱分辨率和高空间分辨率的红枣品质分布图，实现大范围精细化红枣品质监测。
进一步地，标准光谱图像模型包括：第一标准光谱图像模型，第一标准光谱图像模型用于指示第一红枣品质；将第二光谱图像与标准光谱图像模型匹配，确定第一光谱图像对应的地面区域的红枣品质，包括：当第二光谱图像与第一标准光谱图像模型对应时，确定地面区域的红枣品质为第一红枣品质；或者，当第二光谱图像与第一标准光谱图像模型不对应时，确定地面区域的红枣品质为非第一红枣品质。
具体来说，第一标准光谱模型可以是红枣干旱缺水光谱模型，也可以是红枣虫害模型，也可以是红枣营养缺失程度模型，也可以是红枣正常生长状况模型，或者红枣的其它非正常生长状况模型。第一红枣品质可以是干旱缺水红枣，也可以是虫害红枣，也可以是营养缺失红枣，也可以是正常生长状况红枣，或者其它非正常生长状况的红枣。
具体的，当第二光谱图像的光谱特征与红枣正常生长状况模型的光谱特征相同时，确定上述地面区域上的红枣为正常生长状况的红枣；当第二光谱图像的光谱特征与红枣正常生长状况模型的光谱特征不相同时，确定上述地面区域上的红枣为非正常生长状况的红枣。
或者，当第二光谱图像的光谱特征与红枣干旱缺水模型的光谱特征相同时，确定上述地面区域上的红枣为干旱缺水红枣；当第二光谱图像的光谱特征与红枣干旱缺水模型的光谱特征不相同时，确定上述地面区域上的红枣不是干旱缺水红枣。
进一步地，标准光谱图像模型还包括：第二标准光谱图像模型，第二标准光谱图像模型用于指示第二红枣品质，将第二光谱图像与标准光谱图像模型匹配，确定第一光谱图像对应的地面区域的红枣品质，包括：当第二光谱图像与第一标准光谱图像模型不对应时，并且，当第二光谱图像与第二标准光谱图像模型对应时，确定地面区域上的红枣品质为第二红枣品质。
具体来说，第二标准光谱模型可以是红枣干旱缺水光谱模型，也可以是红枣虫害模型，也可以是红枣营养缺失程度模型，也可以是红枣正常生长状况模型，或者红枣的其它非正常生长状况模型。第二红枣品质可以是干旱缺水红枣，也可以是虫害红枣，也可以是营养缺失红枣，也可以是正常生长状况红枣，或者其它非正常生长状况的红枣。
具体的，当第二光谱图像的光谱特征与红枣干旱缺水模型的光谱特征不相同时，确定第二光谱图像拍摄的红枣不是干旱缺水的红枣，再将第二光谱图像的光谱特征与红枣虫害模型的光谱特征对比，直到将第二光谱图像的光谱特征与某一个光谱图像模型的光谱特征匹配，确定第二光谱图像对应的地面区域上的红枣为该光谱图像模型对应的红枣品质。
进一步地，参见图2所示，S300包括：
S311：获取红枣样品的近红外光谱；
S312：获取红枣样品的理化参数，红枣样品的理化参数用于指示红枣样品的品质；
S313：根据红枣样品的近红外光谱和红枣样品的理化参数确定标准光谱图像模型。
具体来说，对枣树模型上的红枣样品使用近红外光谱仪或高光谱相机获取红枣样品的高光谱图像，具体参见图3所示，红枣样品的最外层是表皮101，中间层是果肉102，中心是枣核103，由于每个红枣的横向环带方向的品质差异较小，沿红枣样品的横向做环切面，环带104的个数和间隔可以根据不同红枣样品的品质差异选择，一致性好的选3个环带104，一致性差的选6或8个环带104，来获取红枣样品的高光谱图像，并从高光谱图像中导出光谱曲线，根据红枣样品的密度分割和间隔，对特征波段进行标定，从获取的高光谱图像中导出红枣样品的1000-1700nm波段的近红外光谱图，通过现有的红枣综合模型和近红外水分模型，对不同波长的吸收光谱进行定标，做出相应的拟合曲线和定标系数，建立红枣光谱库对应关系，包括红枣的近红外光谱库和红枣的高光谱光谱库的对应关系，提高红枣的光谱分辨率。并且，同时测定对应环带部位的理化参数，理化参数可以是红枣的含水量或者含糖量等，最终根据红枣的近红外高光谱光谱库和对应的理化参数，建立红枣样品的高光谱品质模型，即标准光谱图像模型，实现模型的传递。类似的实现方法也可以参见，申请号：201710651905.9，发明名称：一种多通道光谱检测红枣品质的方法。
进一步地，参见图4所示，S300包括：
S321：获取红枣样品的第一可见光光谱；
S322：根据红枣样品的第一可见光光谱确定标准光谱图像模型。
具体来说，对枣树模型上的红枣样品使用多光谱相机获取红枣样品的多光谱图像，主要获取的是在可见光波段(400-1000nm)的红枣样品的光谱图像，具体是在多光谱相机的镜头前加窄带滤光片和偏振片，对红枣样品进行拍摄，获取红枣样品的多光谱正交偏振图像，例如：0°与90°、45°与135°、60°与150°，进而获得偏振差分图像，通过双向反射分布函数(Bidirectional Reflectance Distribution Function，BRDF)对不同尺度的纹理特征进行描述，由于红枣和叶片在不同尺度上的粗糙程度不同，进而相应的光谱偏振态变化也不同，利用遥感图像处理平台(The Environment for Visualizing Images，ENVI)统计出均方差、协方差、灰度共生矩阵等开展纹理特征识别，建立红枣的标准光谱图像模型，提高红枣图像的空间分辨率。
进一步地，参见图5所示，S321包括：
S3211：通过标定板获取两个不同位置的红枣样品的可见光光谱；
S3212：根据预设规则从两个可见光光谱中确定红枣样品的第一可见光光谱，预设规则为确定两个可见光光谱中纹理特征最佳的可见光光谱。
具体来说，首先，根据南疆的部分矮化密植枣树的树形制作出枣树模型，主要依据树冠形状、枣树外侧的轮廓和树冠侧面与地平线的夹角来制作出两颗枣树模型，并且使上述两颗枣树模型与多光谱相机的距离保持不同；其次，由于标定板放置的位置和角度不同，会改变辐射亮度，依据枣树模型的树形放置标定板；再次，使用多光谱相机获取两颗枣树模型的多光谱图像，进而得到前后两颗枣树模型的可见光光谱；最后将两个可见光光谱进行反射标定，选择光谱反射率高的可见光光谱，进而对红枣样品的纹理特征开展特征识别，提高了光谱反射率和光谱分辨率。类似的标定方法参见申请号：201820346373.8，名称为：一种户外果品检测装置。
具体的，将标定板放置在离枣树模型不同距离的位置上，使用多光谱相机或高光谱相机拍摄不同距离标定板的光谱图像，估测镜头调制传递函数(Modulation TransferFunction，MTF)曲线，确定光谱相机拍摄枣树模型合理的分辨距离和方位，以及确定标定板放置的位置和方位，其中，标定板标定的是空间频率方向等。
接下来，使用标定板对光谱图像进行黑白校正，建立光谱强度值对应关系，实现室内外模型传递，具体实现红枣室内外水分特征光谱库传递，进而确定室内外多角度偏振探测光谱差异，主要对特征吸收峰和反射峰位置的中心波长位置(1420nm)进行配准，实现由室内叶片尺度(4-5cm)到多叶片冠层尺度(100-150cm)的特征差异进行配准和光谱密度分割，得到适度空间分辨率和光谱分辨率的高光谱影像图。
其中，可以选择典型枣园做试点实验，获取户外枣园的标定系数，该方法也可以在其它果品领域应用，例如：香梨领域或者苹果领域等，实现大范围精细化果品品质监测。
第二方面，本发明实施例提供一种户外监测红枣品质的装置，参见图7所示，装置包括：第一获取模块100、第二获取模块200和处理模块300；第一获取模块100，被配置为获取飞行器拍摄的包括至少两个光谱特征不同的红枣种植区域的第一光谱图像以及第一光谱图像对应的地面区域；第二获取模块200，被配置为通过近地面相机获取第一光谱图像对应的地面区域的第二光谱图像，第二光谱图像的分辨率高于第一光谱图像的分辨率；处理模块300，被配置为获取用于指示红枣品质的标准光谱图像模型，并将第二光谱图像与标准光谱图像模型匹配，确定第一光谱图像对应的地面区域的红枣品质。
具体来说，第一获取模块获取高分二号卫星拍摄的光谱图像，选择光谱图像中的近红外波段做假彩色合成，找出两个不同的图像区域，进而识别出两个不同的图像区域对应的地面上的两个不同的区域，通过GPS对上述两个不同的区域进行定位，在地面上找出上述两个不同区域；第二获取模块在上述两个不同的区域上使用高光谱相机或多光谱相机进行拍摄，获取上述两个不同的区域的高光谱或多光谱图像；处理模块获取预先建立的室内枣树模型的光谱图像，对该光谱图像进行标定后，获取红枣的标准光谱图像模型；将上述高光谱或多光谱图像与红枣的标准光谱模型进行对比，确定上述两个不同的区域中红枣的品质。通过高分二号卫星拍摄的图像，可以大面积高效的对红枣品质进行监测，再结合地面上的高光谱相机或多光谱相机对目标地面区域上的红枣进行拍摄而获取的高光谱图像或多光谱图像，提高红枣品质监测的光谱分辨率和空间分辨率，最终实现大面积高效的对红枣品质进行精细化监测。
进一步地，标准光谱图像模型包括第一标准光谱图像模型，第一标准光谱图像模型用于指示第一红枣品质，处理模块被配置为：当第二光谱图像与第一标准光谱图像模型对应时，确定第二光谱图像对应的区域的红枣品质为第一红枣品质；或者，当第二光谱图像与第一标准光谱图像模型不对应时，确定第二光谱图像对应的区域的红枣品质为非第一红枣品质。
具体来说，第一标准光谱图像模型可以是正常的红枣光谱图像模型，也可以是非正常的红枣光谱图像模型，当地面的高光谱或多光谱相机拍摄的红枣区域的光谱图像与正常的红枣光谱图像模型对应时，处理模块确定该红枣区域中的红枣为正常的红枣；当地面的高光谱或多光谱相机拍摄的红枣区域的光谱图像与正常的红枣光谱图像模型不对应时，处理模块确定该红枣区域中的红枣为非正常的红枣；当地面的高光谱或多光谱相机拍摄的红枣区域的光谱图像与非正常的红枣光谱图像模型对应时，处理模块确定该红枣区域中的红枣为非正常的红枣；非正常的红枣模型为红枣干旱缺水光谱模型、红枣虫害模型、红枣营养缺失程度模型等。
进一步地，标准光谱图像模型还包括第二标准光谱图像模型，第二标准光谱图像模型用于指示第二红枣品质，处理模块被配置为：当第二光谱图像与第一标准光谱图像模型不对应时，并且，当第二光谱图像与第二标准光谱图像模型对应时，确定地面区域上的红枣品质为第二红枣品质。
具体来说，第二标准光谱模型可以是红枣干旱缺水光谱模型，也可以是红枣虫害模型，也可以是红枣营养缺失程度模型，也可以是红枣正常生长状况模型，或者红枣的其它非正常生长状况模型。当地面的高光谱或多光谱相机拍摄的红枣区域的光谱图像与正常的红枣光谱图像模型不对应时，处理模块进一步将地面的高光谱或多光谱相机拍摄的红枣区域的光谱图像与其它光谱模型做对比，直到使地面的高光谱或多光谱相机拍摄的红枣区域的光谱图像与某一标准光谱模型对应，处理模块确定该红枣区域中的红枣为该标准光谱模型对应的红枣品质，实现了确定红枣的品质。
进一步地，处理模块，被配置为获取红枣样品的近红外光谱；获取红枣样品的理化参数，红枣样品的理化参数用于指示红枣样品的品质；根据红枣样品的近红外光谱和红枣样品的理化参数确定标准光谱图像模型。
具体来说，处理模块通过高光谱相机获取红枣样品的近红外光谱，通过现有的红枣综合模型和近红外水分模型，对不同波长的吸收光谱进行定标，做出相应的拟合曲线和定标系数，建立红枣光谱库对应关系，再获取红枣样品的理化参数，结合红枣样品的理化参数，建立红枣的高光谱品质模型，建立了高精度的地面模型，供解译卫星影像或者光谱图像。
进一步地，处理模块，被配置为获取红枣样品的第一可见光光谱；根据红枣样品的第一可见光光谱确定标准光谱图像模型。
具体来说，处理模块通过多光谱相机获取红枣样品的可见光光谱，可见光光谱为多光谱正交偏振图像，通过ENVI开展纹理特征识别，建立红枣的标准光谱图像模型，提高红枣图像的空间分辨率。
进一步地，处理模块，被配置为通过标定板获取两个不同位置的红枣样品的可见光光谱；根据预设规则从两个可见光光谱中确定红枣样品的第一可见光光谱，预设规则为确定两个可见光光谱中纹理特征最佳的可见光光谱。
具体来说，多光谱相机通过标定板拍摄不同位置的两颗枣树模型的可见光光谱图像，处理模块获取该可见光光谱图像并进行黑白矫正，通过将标定板摆放在不同的位置获取多个可见光光谱图像，选择其中纹理特征和对比度最佳的可见光光谱图像作为第一可见光光谱图像，提高了第一可见光光谱图像的对比度和空间分辨率。
下面以具体实例来对本发明实施例的户外监测红枣品质的装置的工作过程进行说明。
实施例一：
首先，第一获取模块获取高分二号卫星拍摄的光谱图像，选择光谱图像中的近红外波段做假彩色合成，识别出光谱图像中有明显差异的两个不同图像区域，通过GPS找出地面上不同的两个红枣区域；其次，建立枣树模型，通过高光谱相机获取枣树模型的高光谱图像，使用多光谱相机获取枣树模型的多光谱图像，结合红枣的理化参数、综合红枣模型和近红外水分模型对该高光谱图像进行标定，得到红枣的高光谱对应关系，结合标定板对该多光谱图像进行标定，得到红枣的纹理特征信息，对标定后的高光谱图像和多光谱图像进行拼接融合，获得红枣的标准光谱图像模型；再次，使用高光谱相机或多光谱相机拍摄上述两个不同区域中的一个区域的高光谱图像或多光谱图像，第二获取模块获取该高光谱图像或多光谱图像；最后，处理模块再将地面上该区域的红枣的高光谱图像或多光谱图像与红枣的标准光谱模型进行对比，确定该区域中红枣的品质。使用地面上的高光谱相机或多光谱相机对目标区域上的红枣进行拍摄而获取的高光谱图像或多光谱图像，可以提高红枣品质监测的光谱分辨率和空间分辨率，再结合高分二号卫星拍摄的图像，可以大面积高效的对红枣品质进行精细化监测。
实施例二：
首先，飞行器对地面进行图像采集，获得地面上的卫星影像；其次，使用计算设备获取该卫星影像，并选择该卫星影像中大面积种植红枣区域中的具有明显光谱特征差异的红枣图像，并对该图像区域进行GPS定位；再次，利用GPS定位使用近地面相机对地面上该图像区域的红枣进行拍摄，获取该图像区域红枣的多光谱或高光谱图像；最后，将该多光谱或高光谱图像与计算设备内预先建立的红枣的标准光谱图像模型进行匹配，识别出该区域的红枣品质，其中，红枣的标准光谱图像模型是通过高光谱或多光谱相机对不同生长状况的枣树模型进行拍摄，获取不同生长状况的枣树模型的高光谱或多光谱图像，并对该高光谱或多光谱图像进行标定得到的。通过近地面相机和红枣的标准光谱图像模型可以对大面积红枣种植区域进行精细化的监测。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生被配置为实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供被配置为实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种户外监测红枣品质的方法，其特征在于，包括：
获取飞行器拍摄的包括至少两个光谱特征不同的红枣种植区域的第一光谱图像以及所述第一光谱图像对应的地面区域，所述飞行器包括高分二号卫星；
通过近地面相机获取所述第一光谱图像对应的地面区域的第二光谱图像，所述第二光谱图像的分辨率高于所述第一光谱图像的分辨率；
获取用于指示红枣品质的标准光谱图像模型，并将所述第二光谱图像与所述标准光谱图像模型匹配，确定所述第一光谱图像对应的地面区域的红枣品质，所述红枣品质包括正常、干旱缺水、虫害、营养成分缺失；
其中，所述获取用于指示红枣品质的标准光谱图像模型包括：
根据枣树的树形制作出枣树模型；
将标定板放置于距离枣树模型不同距离的位置上；
由偏振二向色性仪做枣树模型的散射光强分布实验和多角度偏振散射实验确定探测角度；
在探测角度使用多光谱相机拍摄多光谱正交偏振图像，并进行纹理特征识别；
在探测角度使用高光谱相机拍摄高光谱正交偏振差分图像，并通过光谱偏振态变化分别建立不同方位正交的高光谱偏振态数据库；
将多光谱正交偏振图像和高光谱正交偏振差分图像拼接，结合红枣的纹理特征和高光谱偏振态数据库，建立标准光谱图像模型。
2.根据权利要求1所述的方法，其特征在于，所述标准光谱图像模型包括：第一标准光谱图像模型，所述第一标准光谱图像模型用于指示第一红枣品质；所述将所述第二光谱图像与所述标准光谱图像模型匹配，确定所述第一光谱图像对应的地面区域的红枣品质，包括：
当所述第二光谱图像与所述第一标准光谱图像模型对应时，确定所述地面区域的红枣品质为所述第一红枣品质；或者，
当所述第二光谱图像与所述第一标准光谱图像模型不对应时，确定所述地面区域的红枣品质为非第一红枣品质。
3.根据权利要求1所述的方法，其特征在于，所述获取用于指示红枣品质的标准光谱图像模型，包括：
获取红枣样品的近红外光谱；
获取所述红枣样品的理化参数，所述红枣样品的理化参数用于指示所述红枣样品的品质；
根据所述红枣样品的近红外光谱和所述红枣样品的理化参数确定所述标准光谱图像模型。
4.根据权利要求1或3所述的方法，其特征在于，所述获取用于指示红枣品质的标准光谱图像模型，包括：
获取红枣样品的第一可见光光谱；
根据所述红枣样品的第一可见光光谱确定所述标准光谱图像模型。
5.根据权利要求4所述的方法，其特征在于，所述获取红枣样品的第一可见光光谱，包括：
通过标定板获取两个不同位置的所述红枣样品的可见光光谱；
根据预设规则从两个可见光光谱中确定所述红枣样品的第一可见光光谱，所述预设规则为确定所述两个可见光光谱中纹理特征最佳的可见光光谱。
6.一种户外监测红枣品质的装置，其特征在于，所述装置包括：第一获取模块、第二获取模块和处理模块；
所述第一获取模块，被配置为获取飞行器拍摄的包括至少两个光谱特征不同的红枣种植区域的第一光谱图像以及所述第一光谱图像对应的地面区域，所述飞行器包括高分二号卫星；
所述第二获取模块，被配置为通过近地面相机获取所述第一光谱图像对应的地面区域的第二光谱图像，所述第二光谱图像的分辨率高于所述第一光谱图像的分辨率；
所述处理模块，被配置为获取用于指示红枣品质的标准光谱图像模型，并将所述第二光谱图像与所述标准光谱图像模型匹配，确定所述第一光谱图像对应的地面区域的红枣品质，所述红枣品质包括正常、干旱缺水、虫害、营养成分缺失；
其中，所述处理模块，具体被配置为根据枣树的树形制作出枣树模型；将标定板放置于距离枣树模型不同距离的位置上；由偏振二向色性仪做枣树模型的散射光强分布实验和多角度偏振散射实验确定探测角度；在探测角度使用多光谱相机拍摄多光谱正交偏振图像，并进行纹理特征识别；在探测角度使用高光谱相机拍摄高光谱正交偏振差分图像，并通过光谱偏振态变化分别建立不同方位正交的高光谱偏振态数据库；将多光谱正交偏振图像和高光谱正交偏振差分图像拼接，结合红枣的纹理特征和高光谱偏振态数据库，建立标准光谱图像模型。
7.根据权利要求6所述的装置，其特征在于，所述标准光谱图像模型包括：第一标准光谱图像模型，所述第一标准光谱图像模型用于指示第一红枣品质；
所述处理模块，被配置为当所述第二光谱图像与所述第一标准光谱图像模型对应时，确定所述地面区域的红枣品质为所述第一红枣品质；或者，当所述第二光谱图像与所述第一标准光谱图像模型不对应时，确定所述地面区域的红枣品质为非第一红枣品质。
8.根据权利要求6所述的装置，其特征在于，所述处理模块，被配置为获取红枣样品的近红外光谱；获取所述红枣样品的理化参数，所述红枣样品的理化参数用于指示所述红枣样品的品质；根据所述红枣样品的近红外光谱和所述红枣样品的理化参数确定所述标准光谱图像模型。
9.根据权利要求6或8所述的装置，其特征在于，所述处理模块，被配置为获取红枣样品的第一可见光光谱；根据所述红枣样品的第一可见光光谱确定所述标准光谱图像模型。
10.根据权利要求9所述的装置，其特征在于，所述处理模块，被配置为通过标定板获取两个不同位置的所述红枣样品的可见光光谱；根据预设规则从两个可见光光谱中确定所述红枣样品的第一可见光光谱，所述预设规则为确定所述两个可见光光谱中纹理特征最佳的可见光光谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810435256.3A CN108872140B (zh) | 2018-05-09 | 2018-05-09 | 一种户外监测红枣品质的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810435256.3A CN108872140B (zh) | 2018-05-09 | 2018-05-09 | 一种户外监测红枣品质的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108872140A CN108872140A (zh) | 2018-11-23 |
| CN108872140B true CN108872140B (zh) | 2021-01-19 |
Family
ID=64333191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810435256.3A Active CN108872140B (zh) | 2018-05-09 | 2018-05-09 | 一种户外监测红枣品质的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108872140B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109580513B (zh) * | 2018-12-18 | 2021-06-11 | 塔里木大学 | 一种近地面遥感红枣含水率检测方法和装置 |
| CN109596534B (zh) * | 2018-12-19 | 2021-05-28 | 塔里木大学 | 一种校正空间内不同方位的光谱图像的方法及装置 |
| CN109827910B (zh) * | 2019-01-22 | 2021-05-04 | 塔里木大学 | 一种建立果园数据快速监测处理方法 |
| CN109655426B (zh) * | 2019-01-30 | 2021-04-20 | 塔里木大学 | 一种识别红枣光谱图像中目标红枣的方法及装置 |
| CN110763698B (zh) * | 2019-10-12 | 2022-01-14 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
| CN112113930B (zh) * | 2020-09-01 | 2024-02-20 | 塔里木大学 | 一种杏果实品质多尺度表型方法 |
| CN112557325A (zh) * | 2020-12-08 | 2021-03-26 | 塔里木大学 | 一种果树果品品质近地面遥感监测装置和方法 |
| CN113222959B (zh) * | 2021-05-26 | 2022-04-15 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
| JP2023125709A (ja) * | 2022-02-28 | 2023-09-07 | パナソニックＩｐマネジメント株式会社 | 画像検査システム及び画像検査方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865839A (zh) * | 2010-07-13 | 2010-10-20 | 中国人民解放军总后勤部油料研究所 | 一种润滑油生产快速监控方法 |
| CN103743649B (zh) * | 2013-12-31 | 2016-04-27 | 北京大学 | 一种基于多角度偏振成像的地物密度和岩石检测装置 |
| RU2705389C2 (ru) * | 2014-07-21 | 2019-11-07 | 7386819 Манитоба Лтд. | Способ и устройство для сканирования костей в мясе |
| CN104251839B (zh) * | 2014-09-04 | 2017-01-25 | 塔里木大学 | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 |
| US10761014B2 (en) * | 2014-11-04 | 2020-09-01 | Nec Corporation | Method and apparatus for remote sensing using optical orbital angular momentum (OAM)-based spectroscopy for object recognition |
| CN105784635A (zh) * | 2014-12-18 | 2016-07-20 | 乌鲁木齐华新分析测试高科技开发公司 | 罗布麻叶总黄酮近红外超快速检测方法 |
| CN105044021B (zh) * | 2015-07-08 | 2018-07-17 | 湖南环境生物职业技术学院 | 一种中秋酥脆枣糖度无损检测方法 |
| CN105021564A (zh) * | 2015-08-06 | 2015-11-04 | 云南同创检测技术股份有限公司 | 基于近红外光谱分析技术测定烟叶中麦角甾醇含量的方法 |
| CN105628708A (zh) * | 2016-01-27 | 2016-06-01 | 塔里木大学 | 一种南疆红枣多参量品质快速无损检测方法 |
| CN105784672A (zh) * | 2016-04-12 | 2016-07-20 | 河北伊诺光学科技股份有限公司 | 一种基于双树复小波算法的毒品检测仪标准化方法 |
| CN106067171B (zh) * | 2016-05-26 | 2018-10-19 | 南京大学 | 一种高光谱图像本质分解和图像分割方法 |
| CN106338492A (zh) * | 2016-08-17 | 2017-01-18 | 中国电子科技集团公司第四十研究所 | 一种基于小型无人机载成像光谱仪的农作物普查系统 |
| CN107014756A (zh) * | 2017-04-17 | 2017-08-04 | 成都曙光光纤网络有限责任公司 | 一种光谱测试系统光源设计方法 |
| CN107462528B (zh) * | 2017-08-02 | 2020-04-21 | 塔里木大学 | 一种多通道光谱检测红枣品质的方法 |
| CN107860720B (zh) * | 2017-12-27 | 2019-11-19 | 清华大学 | 一种获取红枣品质的方法和装置 |
-
2018
- 2018-05-09 CN CN201810435256.3A patent/CN108872140B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108872140A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108872140B (zh) | 一种户外监测红枣品质的方法及装置 | |
| 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 | |
| CN111461052B (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别方法 | |
| CN111461053B (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别系统 | |
| Qiu et al. | Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
| CN108267175B (zh) | 一种基于无人机的农作物监测方法和装置 | |
| CN109580512A (zh) | 一种基于光谱和纹理特征的小麦氮素营养监测方法 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
| CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
| CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
| Samseemoung et al. | Oil palm pest infestation monitoring and evaluation by helicopter-mounted, low altitude remote sensing platform | |
| CN112699756A (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
| Luo et al. | Using UAV image data to monitor the effects of different nitrogen application rates on tea quality | |
| CN115311559A (zh) | 棉花药害识别方法、装置、电子设备及存储介质 | |
| AU2003211938B2 (en) | Method of biomass estimation for forests and trees by remote sensing high-resolution data | |
| Liu et al. | UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background | |
| CN115631419A (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
| CN115598071A (zh) | 植物生长分布状态检测方法及装置 | |
| CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
| 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 |