CN110553982A - 一种偏振高光谱图像采集系统 - Google Patents

一种偏振高光谱图像采集系统 Download PDF

Info

Publication number
CN110553982A
CN110553982A CN201910806806.2A CN201910806806A CN110553982A CN 110553982 A CN110553982 A CN 110553982A CN 201910806806 A CN201910806806 A CN 201910806806A CN 110553982 A CN110553982 A CN 110553982A
Authority
CN
China
Prior art keywords
module
characteristic
polarization
image acquisition
acquisition system
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
Application number
CN201910806806.2A
Other languages
English (en)
Inventor
马万征
肖新
谢越
汪建飞
李孝良
赵建荣
王�泓
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201910806806.2A priority Critical patent/CN110553982A/zh
Publication of CN110553982A publication Critical patent/CN110553982A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/21—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

Landscapes

  • Physics & Mathematics (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)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种偏振高光谱图像采集系统，包括高光谱采集模块、偏振光谱采集模块、信息组合特征模块、组合特征降维模块和无损诊断模型模块，高光谱采集模块包括颜色特征提取单元、形状特征提取单元和纹理特征提取单元，偏振光谱采集模块包括叶片内部采集单元和叶片表面采集单元，高光谱采集模块和偏振光谱采集模块将采集到的信息送入信息组合特征模块，信息组合特征模块对组合特征进行降维处理；本发明通过高光谱采集模块对农作物的颜色、形状和纹理特征进行提取，通过偏振光谱对农作物的表面和内部特征进行提取，既能对农作物的颜色、纹理、形态变化等特征进行可视化分析，又能对农作物叶片光谱特性的各向异性分布进行检测。

Description

一种偏振高光谱图像采集系统
技术领域
本发明涉及图像采集技术领域，具体涉及一种偏振高光谱图像采集系统。
背景技术
现有技术中，一般对于农作物的图像采集都是通过高光谱图像采集，高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据，可实现对农作物的无损检测。
但是在采用高光谱成像技术对农作物进行无损检测时，一般只能对农作物的颜色、纹理、形态变化等特征进行可视化分析，不能对农作物叶片光谱特性的各向异性分布特征进行分析，导致对于农作物的检测不全面，不能很好达到对农作物的检测效果，且采用高光谱成像技术对农作物进行无损检测时，由于高光谱的检测数据容易受到外界环境的干扰，因此单纯的采用高光谱检测，难以保证检测的精确性。
发明内容
本发明的目的在于克服现有技术中存在的上述问题，提供一种偏振高光谱图像采集系统，通过高光谱采集模块对农作物的颜色、形状和纹理特征进行提取，通过偏振光谱对农作物的表面和内部特征进行提取，既能对农作物的颜色、纹理、形态变化等特征进行可视化分析，又能对农作物叶片光谱特性的各向异性分布进行检测。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
一种偏振高光谱图像采集系统，包括高光谱采集模块、偏振光谱采集模块、信息组合特征模块、组合特征降维模块和无损诊断模型模块，所述高光谱采集模块包括颜色特征提取单元、形状特征提取单元和纹理特征提取单元，所述偏振光谱采集模块包括叶片内部采集单元和叶片表面采集单元，所述高光谱采集模块和偏振光谱采集模块将采集到的信息送入信息组合特征模块，所述信息组合特征模块对组合特征进行降维处理。
进一步地，所述颜色特征提取单元对叶片的颜色、色泽等进行描述。
进一步地，所述形状特征提取单元对叶片的形状、大小等进行描述。
进一步地，所述纹理特征提取单元对叶片的细微变化进行描述。
进一步地，所述叶片内部采集单元对叶片内部叶绿素、叶黄素、类胡萝卜素、可溶性蛋白质、氨基酸和海绵体等特征进行偏振特征表达。
进一步地，所述叶片表面采集单元对叶片表面的质地和粗糙度等特征进行偏振特征表达。
本发明的收益效果是：
本发明通过高光谱采集模块对农作物的颜色、形状和纹理特征进行提取，通过偏振光谱对农作物的表面和内部特征进行提取，既能对农作物的颜色、纹理、形态变化等特征进行可视化分析，又能对农作物叶片光谱特性的各向异性分布进行检测，将农作物叶片高光谱图像的图像特征信息和光谱特征信息相结合，考察农作物叶片物理、生化指标的变化规律，通过偏振-高光谱技术对农作物理化参数实现精确反演，保证了农作物相关信息的精确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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他的附图。
图1为本发明系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明为一种偏振高光谱图像采集系统，包括高光谱采集模块、偏振光谱采集模块、信息组合特征模块、组合特征降维模块和无损诊断模型模块，高光谱采集模块包括颜色特征提取单元、形状特征提取单元和纹理特征提取单元，偏振光谱采集模块包括叶片内部采集单元和叶片表面采集单元，高光谱采集模块和偏振光谱采集模块将采集到的信息送入信息组合特征模块，信息组合特征模块对组合特征进行降维处理。
其中，颜色特征提取单元对叶片的颜色、色泽等进行描述；形状特征提取单元对叶片的形状、大小等进行描述；纹理特征提取单元对叶片的细微变化进行描述；叶片内部采集单元对叶片内部叶绿素、叶黄素、类胡萝卜素、可溶性蛋白质、氨基酸和海绵体等特征进行偏振特征表达；叶片表面采集单元对叶片表面的质地和粗糙度等特征进行偏振特征表达。
本实施例的一个具体应用为：获取波长在400纳米到1700纳米范围内的作物鲜活叶片的偏振-高光谱图像，在ENVI 4.5（遥感图像处理软件，美国ITT公）下编程提取高光谱图像数据的特征向量，从数据的图像和光谱两个角度开展研究，一方面研究作物叶片外部指标（叶片密度、大小、形状、纹理等）的变化规律，应用独立分量分析、主成分分析、小波分析以及不均匀二阶差分等多种数据处理方法从多个角度对高光谱图像数据进行特征提取研究；对于偏振光谱采集模块的数据，转换成对光的偏振态的识别，即偏振信息的定量描述，应用Virtual Lab软件获取特征波长处的偏振度强度分布、Stocks参量、Mueller矩阵等偏振度特征；运用Matlab 7.0（数学软件）下编程建立数学模型；提取图像中的大小、颜色、形状、色泽、纹理和明度等特征向量，采用合适的建模方法建立特征向量同叶片物理指标的关系；另一方面研究作物叶片内部指标（叶绿素、叶黄素、类胡萝卜素、可溶性蛋白质、氨基酸等）随作物营养状况的变化规律。
综上，本发明通过高光谱采集模块对农作物的颜色、形状和纹理特征进行提取，通过偏振光谱对农作物的表面和内部特征进行提取，既能对农作物的颜色、纹理、形态变化等特征进行可视化分析，又能对农作物叶片光谱特性的各向异性分布进行检测。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种偏振高光谱图像采集系统，其特征在于：包括高光谱采集模块、偏振光谱采集模块、信息组合特征模块、组合特征降维模块和无损诊断模型模块，所述高光谱采集模块包括颜色特征提取单元、形状特征提取单元和纹理特征提取单元，所述偏振光谱采集模块包括叶片内部采集单元和叶片表面采集单元，所述高光谱采集模块和偏振光谱采集模块将采集到的信息送入信息组合特征模块，所述信息组合特征模块对组合特征进行降维处理。
2.根据权利要求1所述的一种偏振高光谱图像采集系统，其特征在于：所述颜色特征提取单元对叶片的颜色进行描述。
3.根据权利要求1所述的一种偏振高光谱图像采集系统，其特征在于：所述形状特征提取单元对叶片的形状进行描述。
4.根据权利要求1所述的一种偏振高光谱图像采集系统，其特征在于：所述纹理特征提取单元对叶片的细微变化进行描述。
5.根据权利要求1所述的一种偏振高光谱图像采集系统，其特征在于：所述叶片内部采集单元对叶片内部的大分子结构和海绵体等特征进行偏振特征表达。
6.根据权利要求1所述的一种偏振高光谱图像采集系统，其特征在于：所述叶片表面采集单元对叶片表面的质地和粗糙度等特征进行偏振特征表达。
CN201910806806.2A 2019-08-29 2019-08-29 一种偏振高光谱图像采集系统 Pending CN110553982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910806806.2A CN110553982A (zh) 2019-08-29 2019-08-29 一种偏振高光谱图像采集系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910806806.2A CN110553982A (zh) 2019-08-29 2019-08-29 一种偏振高光谱图像采集系统

Publications (1)

Publication Number Publication Date
CN110553982A true CN110553982A (zh) 2019-12-10

Family

ID=68736747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910806806.2A Pending CN110553982A (zh) 2019-08-29 2019-08-29 一种偏振高光谱图像采集系统

Country Status (1)

Country Link
CN (1) CN110553982A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833336A (zh) * 2020-07-17 2020-10-27 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018180A (zh) * 2012-12-11 2013-04-03 江苏大学 一种基于多源光信息技术的棉花病害检测方法和装置
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN108732133A (zh) * 2018-04-12 2018-11-02 杭州电子科技大学 一种基于光学成像技术的植物病害在体无损检测系统
CN108780042A (zh) * 2016-01-13 2018-11-09 尼克根合伙Ip有限责任公司 用于多参数光谱的系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018180A (zh) * 2012-12-11 2013-04-03 江苏大学 一种基于多源光信息技术的棉花病害检测方法和装置
CN104198396A (zh) * 2014-07-30 2014-12-10 江苏大学 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
CN108780042A (zh) * 2016-01-13 2018-11-09 尼克根合伙Ip有限责任公司 用于多参数光谱的系统和方法
CN108732133A (zh) * 2018-04-12 2018-11-02 杭州电子科技大学 一种基于光学成像技术的植物病害在体无损检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱文静: ""基于偏振—高光谱多维光信息的番茄氮磷钾及交互作用检测研究"", 《中国博士学位论文全文数据库农业科技辑》 *
马文静: ""偏振高光谱图像多维度信息提取及目标检测算法研究"", 《中国优秀硕士学位论文全文数据库 》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833336A (zh) * 2020-07-17 2020-10-27 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法
CN111833336B (zh) * 2020-07-17 2023-11-17 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法

Similar Documents

Publication Publication Date Title
Jiang et al. Multi-spectral RGB-NIR image classification using double-channel CNN
Bauriegel et al. Early detection of Fusarium infection in wheat using hyper-spectral imaging
Tziolas et al. An integrated methodology using open soil spectral libraries and Earth Observation data for soil organic carbon estimations in support of soil-related SDGs
Chen et al. Machine vision technology for agricultural applications
Aslahishahri et al. From RGB to NIR: Predicting of near infrared reflectance from visible spectrum aerial images of crops
Iqbal et al. An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control
Bonah et al. Comparison of variable selection algorithms on vis-NIR hyperspectral imaging spectra for quantitative monitoring and visualization of bacterial foodborne pathogens in fresh pork muscles
Gowen et al. Time series hyperspectral chemical imaging data: challenges, solutions and applications
Hosseinpour et al. An intelligent machine vision-based smartphone app for beef quality evaluation
EP3353740B1 (en) Image processing method&apparatus for normalisaton and artefact correction
Chen et al. Hyperspectral imaging and chemometrics for nondestructive quantification of total volatile basic nitrogen in pacific oysters (Crassostrea gigas)
Khan et al. Towards automated hyperspectral document image analysis.
CN110553982A (zh) 一种偏振高光谱图像采集系统
Asmara et al. Chicken meat freshness identification using colors and textures feature
Li et al. A Harris corner detection algorithm for multispectral images based on the correlation
CN104182997B (zh) 高光谱图像压缩方法及应用
Qureshi et al. Current advances in hyperspectral face recognition
Berman et al. ICE: a new method for the multivariate curve resolution of hyperspectral images
CN116242788A (zh) 基于多光谱影像的水体磷酸盐浓度预测方法以及装置
Nalla et al. Applications of Computational Methods in Plant Pathology
Akhtar et al. Unlocking plant secrets: A systematic review of 3D imaging in plant phenotyping techniques
Vargas et al. Spectral unmixing approach in hyperspectral remote sensing: a tool for oil palm mapping
Lorencs et al. Simplified classification of multispectral image fragments
Zhang et al. Reconstructing and segmenting hyperspectral images from compressed measurements
Pölönen Discovering knowledge in various applications with a novel hyperspectral imager

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: 20191210

RJ01 Rejection of invention patent application after publication