CN110082310A - 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 - Google Patents
一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 Download PDFInfo
- Publication number
- CN110082310A CN110082310A CN201910460445.0A CN201910460445A CN110082310A CN 110082310 A CN110082310 A CN 110082310A CN 201910460445 A CN201910460445 A CN 201910460445A CN 110082310 A CN110082310 A CN 110082310A
- Authority
- CN
- China
- Prior art keywords
- rubber tree
- hyperion
- spectral data
- near infrared
- infrared band
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 244000043261 Hevea brasiliensis Species 0.000 title claims abstract description 90
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 18
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 37
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 31
- 238000000513 principal component analysis Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 15
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 241000607479 Yersinia pestis Species 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 3
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 229920002678 cellulose Polymers 0.000 claims 1
- 239000001913 cellulose Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 229920001971 elastomer Polymers 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229920003052 natural elastomer Polymers 0.000 description 2
- 229920001194 natural rubber Polymers 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- MMCIFJWGSIWJLP-XAMPRYAMSA-N Dambonitol Chemical compound CO[C@H]1[C@H](O)C(O)[C@H](O)[C@@H](OC)C1O MMCIFJWGSIWJLP-XAMPRYAMSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000002829 nitrogen Chemical class 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001228 trophic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
本发明提供了一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法，包括：第一步骤：选取橡胶树样本叶片；第二步骤：采集橡胶树叶片样本的近红外波段的高光谱数据；第三步骤：对橡胶树叶片样本进行预处理，随后测定预处理后的橡胶树叶片样本的氮素含量；第四步骤：利用主成分分析法结合K均值聚类法获得橡胶树叶片高光谱数据的不同高光谱数据选点光谱数据的平均光谱；第五步骤：利用偏最小二乘回归算法对不同高光谱数据选点光谱数据的平均光谱进行建模，根据建模采用的训练集的决定系数来选择最优高光谱数据选点法；第六步骤：利用建立的模型进行橡胶树叶片氮素值含量的预测。
Description
技术领域
本发明涉及高光谱近红外波段无损检测技术领域；具体地说，本发明涉及一种基于主成分分析法结合K均值聚类算法的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其利用近红外波段高光谱技术进行橡胶树叶片氮素含量的无损检测。
背景技术
天然橡胶具有优异的机械强度和综合的力学性能，在军事，医疗等领域发挥着重要作用。由于经济效益巨大，橡胶树在海南省得到广泛的种植。天然橡胶的产量，产胶质量以及橡胶树的产胶年限与橡胶树的营养水平息息相关。作为橡胶树最为重要的营养元素之一，氮素是影响橡胶树生长的重要因素。因此橡胶树中氮素浓度的快速无损检测对于估算橡胶树中橡胶产量和精准施肥具有重要意义。
传统的氮素检测办法为实验室分析方法，该方法基于化学分析技术，具有较高的测量精度。但该技术不仅耗时，而且价格昂贵并伴有化学污染。光谱技术应用于氮素水平诊断已得到较深入的研究，基于近红外光谱和高光谱技术的叶片氮含量检测方法使得非破坏性和快速的叶片氮含量检测成为可能。然而目前，利用近红外波段高光谱技术研究的对象多位一年生作物以及果蔬，所得结果不能直接用于经济作物橡胶树。
目前，人们对于高光谱数据的信息提取，多采取随机取点的办法以及人为划分感兴趣区域的办法，上述方法较为缺乏科学性和针对性。基于氮素空间转移性的特点，利用主成分分析法结合K均值聚类算法的高光谱数据无监督选点办法，可便于提出更适用于橡胶树的叶片氮素含量的光谱诊断模型。
发明内容
【发明目的】
本发明提出了一种基于主成分分析法结合K均值聚类算法的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，用于提高橡胶树叶片氮素含量检测的精度，并为高光谱数据的选点提供理论依据。
【技术方案】
根据本发明，提供了一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法，包括：
第一步骤：选取橡胶树样本叶片；
第二步骤：采集橡胶树叶片样本的近红外波段的高光谱数据；
第三步骤：对橡胶树叶片样本进行预处理，随后测定预处理后的橡胶树叶片样本的氮素含量；
第四步骤：利用主成分分析法结合K均值聚类法获得橡胶树叶片高光谱数据的不同高光谱数据选点光谱数据的平均光谱；
第五步骤：利用偏最小二乘回归算法对不同高光谱数据选点光谱数据的平均光谱进行建模，根据建模采用的训练集的决定系数来选择最优高光谱数据选点法；
第六步骤：利用建立的模型进行橡胶树叶片氮素值含量的预测。
优选地，第四步骤包括：
对所有叶片样本的高光谱数据分别进行主成分分析，获取像素的重加权矩阵；
利用K均值聚类方法对所有叶片样本的重加权矩阵进行聚类，聚类的结果作为高光谱数据的选点指针，聚类的类别数K值分别为2、3、4、5、6、7共6种聚类情况，总共27种聚类指针；
根据对应的聚类指针对所有叶片样本的高光谱数据进行选取，并对选取后的高光谱数据进行平均，得到27种选点平均光谱。
优选地，在高光谱数据通过主成分分析法获得重加权矩阵前，将高光谱数据每一波段的二维矩阵按照各列依次首尾相接的方法转换为一维的行向量；对每一波段执行上述操作，从而将高光谱立方转换为二维的矩阵Xm×n，其中m是高光谱数据的波段数，n是高光谱每一个波段像素点的个数。
优选地，建模得到的模型的公式为：
y＝a0+a1λ1+a2λ2+...anλn；
其中，y为橡胶树叶片氮素含量；λ1～λn为平均光谱对应的反射率值，n为一个波段内所有像素点的个数，a1～an为经过偏最小二乘回归所训练得到的系数值。
优选地，从无病虫害的成熟叶片中选取147片橡胶树叶片作为样品。
优选地，橡胶树叶片样本随机地从田间环境下选取。
优选地，高光谱数据的波段是840～1680nm的波段。
优选地，预处理包括将橡胶树叶片样本进行杀青、烘干、粉碎称样、消煮处理。
优选地，橡胶树叶片样本的杀青温度为95～115℃，杀青事件为20～40分钟，烘干温度为70～90℃，将叶片烘干至恒重。
优选地，采用半微量凯氏定氮仪测定预处理后的橡胶树叶片样本的氮素含量。
【有益效果】
本发明随机采集无病虫害、健康的成熟橡胶树叶片作为样本，采集样本的近红外波段的高光谱数据和内部的理化成分数据。经过主成分分析法的特征提取和K均值聚类算法对特征的聚类，通过对于橡胶叶片氮含量和光谱数据的建模分析，排除因氮素的空间分布不均匀带来的非特征像素点光谱数据的影响。最后确定基于主成分分析法结合K均值聚类算法的橡胶树叶片氮素含量近红外波段高光谱诊断模型的最优选点方法。主成分分析结合K均值聚类算法的引入使得高光谱数据的选点过程更具有科学性，同时无监督的聚类方法能更有效地挖掘高光谱数据的信息。实现了橡胶树叶片氮素含量的快速、准确和实时的无损检测。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1示意性地示出了根据本发明优选实施例的单个叶片重加权系数矩阵的可视化图像。
图2示意性地示出了根据本发明优选实施例的最佳建模精度下的选点情况示意图。
图3示意性地示出了根据本发明优选实施例的训练集样本预测结果散点分布图。
图4示意性地示出了根据本发明优选实施例的预测及样本预测结果散点分布图。
图5示意性地示出了根据本发明优选实施例的基于主成分分析法结合K均值聚类算法的橡胶树叶片氮素含量的近红外波段高光谱诊断方法的流程图。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。
本发明考虑将主成分分析法结合K均值聚类算法引入橡胶树氮素含量光谱诊断模型的建立过程中，通过提供一种务监督的有效的高光谱选点办法，建立稳健的橡胶树叶片氮素含量高光谱诊断模型。
具体地，图5示意性地示出了根据本发明优选实施例的基于主成分分析法结合K均值聚类算法的橡胶树叶片氮素含量的近红外波段高光谱诊断方法的流程图。
如图5所示，根据本发明优选实施例的基于主成分分析法结合K均值聚类算法的橡胶树叶片氮素含量的近红外波段高光谱诊断方法包括：
第一步骤S1：选取橡胶树样本叶片；
优选地，从无明显病虫害、健康的成熟叶片中选取完整的橡胶树叶片作为样本。
优选地，橡胶树叶片的选取过程符合随机性，即在橡胶林田间随机选取橡胶树作为实验的对象。
第二步骤S2：采集橡胶树叶片样本的近红外波段的高光谱数据；
具体地，近红外波段可以是840～1680nm的波段。
第三步骤S3：对橡胶树叶片样本进行预处理，随后测定预处理后的橡胶树叶片样本的氮素含量；
优选地，预处理包括将橡胶树叶片样本进行杀青、烘干、粉碎称样、消煮处理。
优选地，橡胶树叶片样本的杀青温度为95～115℃，杀青事件为20～40分钟，烘干温度为70～90℃，将叶片烘干至恒重。
优选地，采用半微量凯氏定氮仪测定预处理后的橡胶树叶片样本的氮素含量。
第四步骤S4：利用主成分分析法结合K均值聚类法获得橡胶树叶片高光谱数据的不同高光谱数据选点光谱数据的平均光谱；
例如，具体地，在高光谱数据通过主成分分析法获得重加权矩阵前，为了计算高光谱数据的协方差矩阵，需要把三维的立方高光谱数据转换为二维的矩阵数据。将高光谱数据每一波段的二维矩阵,按照每一列的数据首尾相接的方法转换为一维的行向量；对每一波段执行上述操作，从而将高光谱立方转换为二维的矩阵Xm×n，其中m是高光谱数据的波段数，n是高光谱每一个波段像素点的个数。随后，对每一个样本分别实施主成分分析操作，对所有的像素点的指针重加权，获得重加权矩阵。
利用K均值聚类方法对所有叶片样本的重加权矩阵进行聚类，聚类的结果作为高光谱数据的选点指针，聚类的类别数K值分别设置为：2、3、4、5、6、7(共6种聚类情况)，获得总共27种聚类指针。
根据对应的聚类指针对所有叶片样本的高光谱数据进行选取，并对选取后的高光谱数据进行平均，得到27种选点情况下的选点平均光谱。
第五步骤S5：利用偏最小二乘回归算法对不同高光谱数据选点光谱数据的平均光谱进行建模，根据建模采用的训练集的决定系数来选择最优高光谱数据选点方式；
其中，优选地，建模得到的模型为如下所示：
y＝a0+a1λ1+a2λ2+...anλn
其中，y为橡胶树叶片氮素含量；λ1～λn为平均光谱对应的反射率值，n为一个波段内所有像素点的个数，a1～an为经过偏最小二乘回归所训练得到的系数值。
可以对比例如27种选点光谱的建模结果，选定最优高光谱选点方式以及模型参数。
第六步骤S6：利用建立的模型进行橡胶树叶片氮素值含量的预测。
优于橡胶树叶片中氮素的分布具有空间转移性，所以氮素在橡胶树叶片上的分布不是均匀的。
通过主成分分析法结合K均值聚类算法对高光谱数据进行选点研究，针对性地选择高光谱数据的敏感像素，提高氮素的检测效率以及提高氮素的检测精度，可为橡胶林的田间管理提供参考。
<具体示例>
为了使本发明的技术手段、创作特征、达成母的与功效更加明了，下面结合具体实施例的示例，进一步阐述本发明。例如，实施软硬主要有高光谱成像仪、化学计量软件和计算机等部分。整个实施过程说明如下：
(1)样本的获取。于中国海南省儋州市的几个村庄采取了共147片无明显病虫害、健康的成熟橡胶树叶片样本。样本的采集过程符合随机性、有助于建立鲁棒性模型。
(2)样本的光谱采集。样本带回实验室后，利用中国卓立汉光公司的GaiaField-F-N17光谱仪测定橡胶树叶片样本840～1680nm波段的光谱的反射值。高光谱测量时，以尽量慢地扫描速度来避免样本扫描过程中晃动导致的图像变形。
(3)样本参考值的测定
(4)样本集的划分。按照浓度梯度法，以4：1的比例，将147个实验样本划分为118个样本组成的建模集和30个样本组成的测试集。
(5)高光谱数据的选点。将原始的三维高光谱数据立方转换为二维数据矩阵后，进行主成分分析提取各叶片样本第一主成分对应的特征向量作为像素指针的重加权系数。
然后经过K均值聚类对重加权系数矩阵进行聚类，获得K自2～7共6种聚类情况下，共27个叶片选点光谱集。即每一片叶片的高光谱数据依据不同聚类指针，获取27种选点光谱数据。
(6)模型的建立。通过偏最小二乘回归算法，建立了27个光谱选点集对应的27个模型，综合考量训练集的决定系数和均方根差后，最种选定了以当K＝4，第三类聚类选点平均光谱的模型。
利用步骤6所建立的模型，进行剩余30个样本氮素值含量的预测，并对结果进行分析。
评价指标中相关系数和决定系数越接近1，均方根误差的绝对值越小说明预测性能越好。预测结果如下表所示：
| 数据集 | 潜在变量数 | 决定系数(R2) | 均方根误差(RMSE) |
| 预测集 | 25 | 0.934 | 0.1738 |
(7)对建模集和预测集进行预测，橡胶素氮素含量的预测值和利用传统的化学分析方法所得的测量值之间的决定系数大于0.9，获得了满意的预测精度。对建模集和预测集样本的预测结果的散点分布图如图3和图4所示。本发明能够快速准确的预测橡胶树氮素的含量。
橡胶树作为海南省的重要经济作物，实时监测橡胶树的营养状况具有重要的意义。本发明随机采集无病虫害、健康的成熟橡胶树叶片作为样本，采集样本的近红外波段的高光谱数据和内部的理化成分数据。经过主成分分析法的特征提取和K均值聚类算法对特征的聚类，通过对于橡胶叶片氮含量和光谱数据的建模分析，排除因氮素的空间分布不均匀带来的非特征像素点光谱数据的影响。最后确定基于主成分分析法结合K均值聚类算法的橡胶树叶片氮素含量近红外波段高光谱诊断模型的最优选点方法。主成分分析结合K均值聚类算法的引入使得高光谱数据的选点过程更具有科学性，同时无监督的聚类方法能更有效地挖掘高光谱数据的信息。实现了橡胶树叶片氮素含量的快速、准确和实时的无损检测。
此外，需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于包括：
第一步骤：选取橡胶树样本叶片；
第二步骤：采集橡胶树叶片样本的近红外波段的高光谱数据；
第三步骤：对橡胶树叶片样本进行预处理，随后测定预处理后的橡胶树叶片样本的氮素含量；
第四步骤：利用主成分分析法结合K均值聚类法获得橡胶树叶片高光谱数据的不同高光谱数据选点光谱数据的平均光谱；
第五步骤：利用偏最小二乘回归算法对不同高光谱数据选点光谱数据的平均光谱进行建模，根据建模采用的训练集的决定系数来选择最优高光谱数据选点法；
第六步骤：利用建立的模型进行橡胶树叶片氮素值含量的预测。
2.根据权利要求1所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，第四步骤包括：
对所有叶片样本的高光谱数据分别进行主成分分析，获取像素的重加权矩阵；
利用K均值聚类方法对所有叶片样本的重加权矩阵进行聚类，聚类的结果作为高光谱数据的选点指针，聚类的类别数K值分别为2、3、4、5、6、7共6种聚类情况，总共27种聚类指针；
根据对应的聚类指针对所有叶片样本的高光谱数据进行选取，并对选取后的高光谱数据进行平均，得到27种选点平均光谱。
3.根据权利要求2所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，在高光谱数据通过主成分分析法获得重加权矩阵前，将高光谱数据每一波段的二维矩阵按照各列依次首尾相接的方法转换为一维的行向量；对每一波段执行上述操作，从而将高光谱立方转换为二维的矩阵Xm×n，其中m是高光谱数据的波段数，n是高光谱每一个波段像素点的个数。
4.根据权利要求1或2所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，建模得到的模型的公式为：
y＝a0+a1λ1+a2λ2+...anλn；
其中，y为橡胶树叶片氮素含量；λ1～λn为平均光谱对应的反射率值，n为一个波段内所有像素点的个数，a1～an为经过偏最小二乘回归所训练得到的系数值。
5.根据权利要求1或2所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，从无病虫害的成熟叶片中选取147片橡胶树叶片作为样品。
6.根据权利要求1或2所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，橡胶树叶片样本随机地从田间环境下选取。
7.根据权利要求1或2所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，高光谱数据的波段是840～1680nm的波段。
8.根据权利要求1或2所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，预处理包括将橡胶树叶片样本进行杀青、烘干、粉碎称样、消煮处理。
9.根据权利要求8所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，橡胶树叶片样本的杀青温度为95～115℃，杀青事件为20～40分钟，烘干温度为70～90℃，将叶片烘干至恒重。
10.根据权利要求1或2所述的橡胶树叶片氮素含量的近红外波段高光谱诊断方法，其特征在于，采用半微量凯氏定氮仪测定预处理后的橡胶树叶片样本的氮素含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910460445.0A CN110082310A (zh) | 2019-05-30 | 2019-05-30 | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910460445.0A CN110082310A (zh) | 2019-05-30 | 2019-05-30 | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110082310A true CN110082310A (zh) | 2019-08-02 |
Family
ID=67422583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910460445.0A Pending CN110082310A (zh) | 2019-05-30 | 2019-05-30 | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110082310A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111257242A (zh) * | 2020-02-27 | 2020-06-09 | 西安交通大学 | 绝缘子污秽成分高光谱识别方法 |
| CN113298859A (zh) * | 2021-05-26 | 2021-08-24 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物氮肥变量管理方法 |
| CN113670913A (zh) * | 2021-08-18 | 2021-11-19 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
| CN114199790A (zh) * | 2021-12-13 | 2022-03-18 | 华南农业大学 | 一种光谱检测果茶树营养状况的检测方法及系统 |
| CN114509404A (zh) * | 2022-02-16 | 2022-05-17 | 安徽农业大学 | 一种高光谱土壤有效硼含量预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778893A (zh) * | 2016-12-28 | 2017-05-31 | 东北大学 | 一种基于降维与聚类的高光谱样本选择方法 |
| CN107796779A (zh) * | 2017-11-13 | 2018-03-13 | 海南大学 | 橡胶树叶片氮素含量的近红外光谱诊断方法 |
-
2019
- 2019-05-30 CN CN201910460445.0A patent/CN110082310A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778893A (zh) * | 2016-12-28 | 2017-05-31 | 东北大学 | 一种基于降维与聚类的高光谱样本选择方法 |
| CN107796779A (zh) * | 2017-11-13 | 2018-03-13 | 海南大学 | 橡胶树叶片氮素含量的近红外光谱诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| KAI CHEN ET AL.: "Estimation of the nitrogen concentration of rubber tree using fractional calculus augmented NIR spectra", 《INDUSTRIAL CROPS & PRODUCTS》 * |
| PENG-TAO GUOA ET AL.: "A robust method to estimate foliar phosphorus of rubber trees with hyperspectral reflectance", 《INDUSTRIAL CROPS & PRODUCTS》 * |
| 陈贻钊: "基于高光谱信息的橡胶树叶片氮素营养快速检测技术研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111257242A (zh) * | 2020-02-27 | 2020-06-09 | 西安交通大学 | 绝缘子污秽成分高光谱识别方法 |
| CN113298859A (zh) * | 2021-05-26 | 2021-08-24 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物氮肥变量管理方法 |
| CN113670913A (zh) * | 2021-08-18 | 2021-11-19 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
| CN113670913B (zh) * | 2021-08-18 | 2023-05-16 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
| CN114199790A (zh) * | 2021-12-13 | 2022-03-18 | 华南农业大学 | 一种光谱检测果茶树营养状况的检测方法及系统 |
| CN114509404A (zh) * | 2022-02-16 | 2022-05-17 | 安徽农业大学 | 一种高光谱土壤有效硼含量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110082310A (zh) | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 | |
| CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
| CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
| CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| CN102279168A (zh) | 基于近红外光谱技术快速无损分析整粒棉籽营养品质的方法 | |
| CN110874617A (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
| CN111044483A (zh) | 一种基于近红外光谱的奶油中色素测定方法、系统和介质 | |
| CN106383088A (zh) | 一种基于多光谱成像技术的种子纯度快速无损检测方法 | |
| Liu et al. | Estimating leaf chlorophyll contents by combining multiple spectral indices with an artificial neural network | |
| CN106841053A (zh) | 一种红枣品种快速鉴定方法 | |
| Cheng et al. | Hyperspectral and imagery integrated analysis for vegetable seed vigor detection | |
| Zhou et al. | Research on hyperspectral regression method of soluble solids in green plum based on one-dimensional deep convolution network | |
| CN117874609A (zh) | 快速鉴别天然产物是否为特定产地的通用快速方法 | |
| CN110070004A (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
| Fu et al. | Prediction and visualisation of S-ovalbumin content in egg whites using hyperspectral images | |
| Ning et al. | Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network | |
| CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
| CN102809635B (zh) | 一种适宜溶解型蛋白质加工的花生品质测定及其评价方法 | |
| Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
| CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
| Gao et al. | Study on deep learning model for online estimation of chlorophyll content based on near ground multispectral feature bands | |
| CN105651727B (zh) | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 | |
| CN115541621A (zh) | 一种基于微波扫频技术和Stacking集成模型的茶叶籽仁含水率检测方法及系统 | |
| CN102636455A (zh) | 一种近红外光谱测定双孢蘑菇硬度的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
| RJ01 | Rejection of invention patent application after publication |