CN110555395A - 一种油菜冠层氮素含量等级分类评估方法 - Google Patents
一种油菜冠层氮素含量等级分类评估方法 Download PDFInfo
- Publication number
- CN110555395A CN110555395A CN201910764545.2A CN201910764545A CN110555395A CN 110555395 A CN110555395 A CN 110555395A CN 201910764545 A CN201910764545 A CN 201910764545A CN 110555395 A CN110555395 A CN 110555395A
- Authority
- CN
- China
- Prior art keywords
- canopy
- hyperspectral
- rape
- data
- nitrogen
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 229910052736 halogen Inorganic materials 0.000 claims description 4
- 150000002367 halogens Chemical class 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000000701 chemical imaging Methods 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 9
- 239000000523 sample Substances 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000006008 Brassica napus var napus Nutrition 0.000 description 1
- 240000000385 Brassica napus var. napus Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G01N2021/845—Objects on a conveyor
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Strategic Management (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明公开了一种油菜冠层氮素含量等级分类评估方法,属于智能农业技术领域,包括:获取不同氮素梯度的油菜植株在不同角度下的高光谱图像样本,并对所有高光谱图像进行氮素梯度标记;对获取的高光谱图像样本进行光谱校正,将校正后的高光谱图像样本进行分割,生成作物冠层的高光谱数据并保存为.mat格式;将得到的高光谱数据进行随机选取,对多次进行随机选取的区域光谱求取平均光谱,生成数据集,输入SAE神经网络进行训练;经SAE神经网络训练后得到的最佳特征单元形成基于不同氮素梯度的油菜冠层预测数据集,构建预测模型;根据预测模型完成特征与氮素梯度的类别判定,完成对该特征代表的植株冠层氮素含量的评价。
Description
技术领域
本发明涉及智能农业技术领域,具体地说,涉及一种油菜冠层氮素含量等级分类评估方法。
背景技术
氮是蛋白质、叶绿素及某些维生素及细胞内酶的重要组成,缺氮均影响上述物质的形成,不仅营养生长差,而且构成产量的三个生殖生长因素也差。在没有其他的限制因子时,供氮充足能使油菜植株生长高大,开花繁茂,从而形成更多的角果,由于角果本身也是进行光合作用生成种子干物质的场所,所以氮素供应和产量之间的联系是显而易见的。
随着波谱技术在智能农业中的广泛应用,基于波谱技术支撑的作物含氮量及多项生理分成的表型信息获取已经成为实现智能农业数据采集的有效手段。如何通过油菜冠层高光谱成像技术实现无损、快速的级别判定面临着高光谱数据维度诅咒和常规方法效果欠佳的窘境。
近年来,业界开发了各种传感器和设备用于主粮作物的氮素快速和无损评估,其中,基于高光谱成像技术的氮素监测与评估技术得到广泛应用。高光谱成像为被测样本的每个像素提供了数百个连续的波段反射信号,为作物氮素含量评价及其他生理指标的评价提供了丰富的数据信息,但数据本身的高维度与高分辨率对数据分析与处理意味着维度灾难,数据挖掘算法效率受到了很大制约,如何在数据降维的同时对数据专业特征进行有效提取是农业大数据研究和应用的难题之一。
近年来,深度学习算法已被提出用于大规模数据处理,在诸多不同的分类和回归任务中显著提升了数据分析精度,是面向大数据研究与应用的热点技术。其中,自动编码器(SAEs)通常被用于数据降维或为其他分类/聚类方法生成原始数据,与传统技术如PCA相比,SAEs表现出相对的优势,因此基于该算法思想的数据压缩与特征提取为解决智慧农业大数据处理的新方法。
发明内容
本发明的目的为提供一种油菜冠层氮素含量等级分类评估方法,可实现对作物冠层高光谱图像的降维和有效特征提取,并根据特征对油菜冠层氮含量等级进行快速评估。
为了实现上述目的,本发明提供的油菜冠层氮素含量等级分类评估方法,包括以下步骤:
1)获取不同氮素梯度的油菜植株在不同角度下的高光谱图像样本,并对所有高光谱图像进行氮素梯度标记;
2)对获取的高光谱图像样本进行光谱校正,将校正后的高光谱图像样本进行分割,生成作物冠层的高光谱数据并保存为.mat格式;
3)将步骤2)中得到的高光谱数据进行随机选取,对多次进行随机选取的区域光谱求取平均光谱,生成数据集,输入SAE神经网络进行训练,输出最佳特征单位下的油菜冠层的光谱特征,用于对所成像植株冠层氮素含量的评价依据;
4)将按以上步骤对待评价数据进行处理后,经SAE神经网络训练后得到的最佳特征单元形成基于不同氮素梯度的油菜冠层预测数据集,选用CART分类算法为基于波谱特征的油菜氮素水平构建出预测模型;
5)基于上述预测模型,对待测的油菜冠层高光谱数据进行步骤2)和步骤3)的处理,并根据预测模型完成特征与氮素梯度的类别判定,完成对该特征代表的植株冠层氮素含量的评价。
上述技术方案中,通过采集多个成像角度的油菜冠层高光谱图像,探索角度对油菜冠层氮含量等级进行快速评估的敏感性。同时通过训练深度学习网络得到神经网络模型,利用神经网络模型得到油菜植株在最佳角度下的光谱图像的光谱特征,从而得到氮素含量等级评估结果。大大提高了评估效率。
作为优选,步骤1)中,选择0°,15°,25°的角度下采集油菜植株冠层高光谱图像。在实际应用情境下通常选定25度为高光谱成像角度,有利于自编码神经网络抓取氮素相关的图谱特征。
作为优选,步骤2)中,使用标准白板和暗噪声的对生成的高光谱图像根据以下等式进行光谱校正:
其中,IC是校正的高光谱图像,Io是收集的原始高光谱图像,B是暗电流图像,W是由标准白板拍得的白色图像,W代表卤素灯下稳定的高反射率标准。
作为优选,SAE神经网络包括输入层、隐藏层和输出层,其中输入层中,具有1×N维谱的训练谱,输入S定义为集合S={s(1),s(2),s(3),…,s(n)},其中n=1,2,3,…N,隐藏层包含编码过程和解码过程,第一编码层将输入数据s(n)编码为下一个编码层,结果为e(s),该编码过程计算如下式:
e(s)=Relu(ws+be)
其中,ws是编码权重矩阵的情况下,be是用于所有编码处理的编码偏差矢量,直到最终编码过程产生输入的提取特征,Relu是激活函数;将此函数应用于所有用于激活的编码和解码计算过程,该编码特征被解码为下式:
d(s)=Relu(wde(s)+bd)
其中,wd是解码权重矩阵,bd是解码偏差矢量。
作为优选,步骤3)中,对高光谱数据进行随机选取时,选择以4*4像素随机区域进行选取的平均光谱作为一个样本,为了避免评价模型出现过拟合,可根据步骤1)中得到的高光谱图像总数,分别就每个图像经过步骤2)处理后,依据步骤3)的方法多次进行随机选取并就所选区域光谱求取平均光谱,生成不低于4000个光谱样本作为数据集。
作为优选,步骤3)中,将样本作为1×120的矢量,然后将该矢量输入到SAE神经网络,经过200次的训练,最终编码为1×100,1×80,1×60,1×40,1×20和1×5的不同特征单元。
作为优选,步骤3)中,选定1×100的特征单元数量用于作物冠层氮素水平评价标准。
与现有技术相比,本发明的有益效果为:
本发明的油菜冠层氮素含量等级分类评估方法一方面基于深度学习方法对不同角度下探索油菜冠层氮素含量分级进行的实验及数据分析,另一方面得出了基于三种高光谱成像角度下的最佳成像角度。得到最佳成像角度后直接在该角度下对待测植株的光谱图像进行采集,使得评估效率大大提高。
附图说明
图1为本发明实施例的高光谱成像系统;
图2为本发明实施例的高光谱成像角度调整器;
图3为本发明实施例的高光谱图像预处理流程图;
图4为本发明实施例的SAE神经网络的结构示意图;
图5为本发明实施例中分别从5到100个单位的相同光谱数据中提取的不同数据特征,(a)(b)(c)(d)(e)(f)分别对应于特征单元从波长中提取的不同信号;
图6为本发明实施例中四种分类算法对不同数目特征的分类评价结果示意图;
图7为本发明实施例中3个摄像机角度数据下不同特征单元的四种模型的分类结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合实施例及其附图对本发明作进一步说明。
实施例
本实施例的油菜冠层氮素含量等级分类评估方法,基于可调整成像角度的高光谱成像装置实现,一方面基于深度学习方法对不同角度下探索油菜冠层氮素含量分级进行的实验及数据分析,另一方面得出了基于三种高光谱成像角度下的最佳成像角度。
参见图1,可调整成像角度的高光谱成像装置由sCMOS相机,成像光谱仪,高分辨率镜头,两个150W卤钨灯和一个由步进电机操作的传送带组装而成,采用线扫描成像,还设有成像角度调整器,参见图2,该成像角度调整器支持在0°至90°范围内的作物冠层高光谱成像。
本实施例的油菜冠层氮素含量等级分类评估方法包括以下步骤:
通过上述成像装置采集而来的高光谱图像,首先进行预处理,处理过程如下图所示:
为了消除环境因素和照明因子的干扰,使用白色和暗图像根据等式(1)校正高光谱图像:
其中,IC是校正的高光谱图像,Io是收集的原始高光谱图像,B是暗电流图像,W是由标准白板拍得的白色图像,W代表卤素灯下稳定的高反射率标准。(达到99%的反射率范围)。
校准后,进行ROI(Region of Interest)选择和植物冠层分割,此过程参见图3,在该步骤中,ROI掩模范围是使用ENVI软件手动构建的。每个高光谱图像中的ROI是整个冠层,因此掩模范围选自约3.5-1.0掩盖所有带有总像素的光谱图像,然后生成高光谱图像中的冠层数据立方体并保存为.mat格式文件,然后将来自.mat文件中所有波段的光谱进行随机选取,作为同时为特征提取和数据维度推导而设计的SAE神经网络的输入。将光谱分辨率设置为120,同时我们的平均光谱也被安排为1×120矢量作为SAE网络的训练输入和解码输出。
基于SAE的光谱数据降维和特征提取结构如图4所示,SAE的基本层结构可分为输入层,几个隐藏层和一个输出层。图4中的隐藏层表示由编码层从输入光谱中提取的光谱特征,并且其可靠性通过神经网络右侧的解码层进行反向传播验证。
在输入层中,具有1×N维谱的训练谱,输入S定义为集合S={s(1),s(2),s(3),…,s(n)},其中n=1,2,3,…N,隐藏层包含编码过程和解码过程,第一编码层将输入数据s(n)编码为下一个编码层,结果为e(s),该编码过程计算如下等式(2):
e(s)=Relu(ws+be) (2)
其中,ws是编码权重矩阵的情况下,be是用于所有编码处理的编码偏差矢量,直到最终编码过程产生输入的提取特征,Relu是激活函数;将此函数应用于所有用于激活的编码和解码计算过程,该编码特征被解码为下等式(3):
d(s)=Relu(wde(s)+bd) (3)
其中,wd是解码权重矩阵,bd是解码偏差矢量。由于SAE神经网络的目的是通过多个隐藏层将输入数据s(n)重现为d(s(n)),所以所有编码隐藏层都有望提取输入的最具代表性的特征,因此提取的特征将随着编码层的加深会更抽象。期望所有解码隐藏层通过整个解码过程中的反馈和惩罚功能来再现输入数据。
在光谱提取时,随机对光谱图像进行2*2像素上的随机光谱提取,共选出了48000个光谱数据,通过四种机器学习分类器对5个氮素梯度的油菜样本获得的特征单元分类,结果表明,本发明提出的算法,可以有效提取特征,并可用于高光谱成像数据分析和数控评估,实现对高光谱数据的有效降维的同时实现有效特征提取。
在5个特征单元SAE网络中,我们首先将频谱样本输入为1×120矢量,然后将该矢量编码为1×100,1×80,1×60,1×40,1×20和1×5的网络在200次训练之后,将编码特征保存为CSV文件,用于机器学习支持的分类评估,所构建的神经网络使用了基于Keras API的python程序,所有编码和解码激活函数均采用Relu。
在训练过程中,每个光谱样本将进行200次训练,以保证原始输入的提取特征能够以最小的损耗解码为输入光谱,参见图5,表明SAE可以准确地再现光谱输入,从而确保结果对于油菜冠层氮素等级的评估是可靠的。
从光谱数据中提取特征后,编码的特征数据被存储为通用格式逗号分隔值(CSV)文件,为检验特征提取效果,本发明使用了scikit-learn机器学习工具中提供的分类和回归树(CART),朴素贝叶斯(NB),AdaBoost和随机森林4个分类模型。并且将特征数据集分成训练数据集(80%)和测试数据集(20%)用于油菜冠层氮素含量等级的分类。
由于所有单个特征总是属于以下4个类别之一:真阳性(TP),真阴性(TN),假阳性(FP)和假阴性(FN),因此总测试特征设置为TP+FP+TN+FN。混淆矩阵可用于总结分类模型的性能。
因此,油菜油菜冠层氮素等级评价是通过特征分类结果实现的,总体准确度(ACC):
在大多数情况下,平均高光谱成像数据大小约为每个文件100MB,在图像处理和特征提取之后,编码特征仅需要400kb空间用于100个特征单元,并且数据实现了256倍的降维效果,同时,这些提取出的特征可有效用油菜冠层氮素等级的评价分析。
为了对不同成像角度下的高光谱成像数据进行评估,探索适用于油菜冠层氮素含量分级方法,实验设计了五个氮素梯度的油菜样本,3个成像角度进行了数据采集并形成相应的数据集。
基于特征的油菜冠层氮素等级评价结果如图6所示,其中清楚地显示了油菜冠层氮素的分类结果,当提取的光谱特征单位减少时,分类精度会随之降低。结果表明,高光谱特征提取单元在60~100区间内,均实现了对油菜冠层氮素含量的准确评估,不过,随着特征数目的提升,分类精度相应提升。
为验证不同角度对对油菜冠层氮素含量等级分类的精度,本发明采用了四种分类器来评估了三个高光谱成像(0°,15°,25°)下高光谱成像数据,显示了对油菜冠层氮素含量等级分类的角度差异。如图7所示,在一个特定的分类器中,油菜冠层氮素含量等级分类精度随着特征单位的增加而增加,但是不同的角度相应地显示出差异,如图7所示,25°在三个角度比较中保持了出色的性能。
本实施例通过深度学习方法与高光谱成像角度的调整,实现了基于SAEs的深度学习方法对高光谱图像的维度压缩和特征提取,同时通过所提取的特征实现了对油菜冠层氮素含量等级的评估。在基于三个角度下的数据分析显示,在25°下的高光谱数据提取的特征显示了对油菜冠层氮素含量等级最佳的分类效果。
最后可在25°的最佳角度下采集待测油菜植株的高光谱图像,利用训练好的网络模型得到光谱特征,在根据该光谱特征匹配油菜冠层氮素含量等级,从而快速得到油菜冠层氮素含量等级种类。
Claims (7)
1.一种油菜冠层氮素含量等级分类评估方法,其特征在于,包括以下步骤:
1)获取不同氮素梯度的油菜植株在不同角度下的高光谱图像样本,并对所有高光谱图像进行氮素梯度标记;
2)对获取的高光谱图像样本进行光谱校正,将校正后的高光谱图像样本进行分割,生成作物冠层的高光谱数据并保存为.mat格式;
3)将步骤2)中得到的高光谱数据进行随机选取,对多次进行随机选取的区域光谱求取平均光谱,生成数据集,输入SAE神经网络进行训练,输出最佳特征单位下的油菜冠层的光谱特征,用于对所成像植株冠层氮素含量的评价依据;
4)将按以上步骤对待评价数据进行处理后,经SAE神经网络训练后得到的最佳特征单元形成基于不同氮素梯度的油菜冠层预测数据集,选用CART分类算法为基于波谱特征的油菜氮素水平构建出预测模型;
5)基于上述预测模型,对待测油菜冠层高光谱数据进行步骤2)和步骤3)的处理,并根据预测模型完成特征与氮素梯度的类别判定,完成对该特征代表的植株冠层氮素含量的评价。
2.根据权利要求1所述的油菜冠层氮素含量等级分类评估方法,其特征在于,步骤1)中,选择0°,15°,25°的角度下采集油菜植株冠层高光谱图像。
3.根据权利要求1所述的油菜冠层氮素含量等级分类评估方法,其特征在于,步骤2)中,使用标准白板和暗噪声的对生成的高光谱图像根据以下等式进行光谱校正:
其中,IC是校正的高光谱图像,Io是收集的原始高光谱图像,B是暗电流图像,W是由标准白板拍得的白色图像,W代表卤素灯下稳定的高反射率标准。
4.根据权利要求1所述的油菜冠层氮素含量等级分类评估方法,其特征在于,所述的SAE神经网络包括输入层、隐藏层和输出层,其中输入层中,具有1×N维谱的训练谱,输入S定义为集合S={s(1),s(2),s(3),…,s(n)},其中n=1,2,3,…N,隐藏层包含编码过程和解码过程,第一编码层将输入数据s(n)编码为下一个编码层,结果为e(s),该编码过程计算如下式:
e(s)=Relu(ws+be)
其中,ws是编码权重矩阵的情况下,be是用于所有编码处理的编码偏差矢量,直到最终编码过程产生输入的提取特征,Relu是激活函数;将此函数应用于所有用于激活的编码和解码计算过程,该编码特征被解码为下式:
d(s)=Relu(wde(s)+bd)
其中,wd是解码权重矩阵,bd是解码偏差矢量。
5.根据权利要求1所述的油菜冠层氮素含量等级分类评估方法,其特征在于,步骤3)中,对高光谱数据进行随机选取时,选择以4*4像素随机区域进行选取的平均光谱作为一个样本,并以此生成不低于4000个光谱数据的数据集。
6.根据权利要求5所述的油菜冠层氮素含量等级分类评估方法,其特征在于,步骤3)中,将样本作为1×120的矢量,然后将该矢量输入到SAE神经网络,经过200次的训练,最终编码为1×100,1×80,1×60,1×40,1×20和1×5的不同特征单元。
7.根据权利要求6所述的油菜冠层氮素含量等级分类评估方法,其特征在于,步骤3)中,选定1×100的特征单元数量用于作物冠层氮素水平评价标准。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764545.2A CN110555395A (zh) | 2019-08-19 | 2019-08-19 | 一种油菜冠层氮素含量等级分类评估方法 |
NL2025810A NL2025810B1 (en) | 2019-08-19 | 2020-06-11 | Method for classifying and evaluating nitrogen content level of brassica rapa subsp. oleifera (brsro) canopy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764545.2A CN110555395A (zh) | 2019-08-19 | 2019-08-19 | 一种油菜冠层氮素含量等级分类评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555395A true CN110555395A (zh) | 2019-12-10 |
Family
ID=68737575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764545.2A Pending CN110555395A (zh) | 2019-08-19 | 2019-08-19 | 一种油菜冠层氮素含量等级分类评估方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110555395A (zh) |
NL (1) | NL2025810B1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN112084462A (zh) * | 2020-08-27 | 2020-12-15 | 江苏农林职业技术学院 | 一种基于数字图像的作物氮素营养指标估算模型评价方法 |
CN112149712A (zh) * | 2020-08-19 | 2020-12-29 | 中国地质大学(武汉) | 一种高效的高光谱遥感数据压缩与分类模型的构建方法 |
CN112381756A (zh) * | 2020-09-30 | 2021-02-19 | 广东省科学院智能制造研究所 | 一种基于块平滑神经网络的高光谱数据分析方法和系统 |
CN117197062A (zh) * | 2023-08-30 | 2023-12-08 | 武汉大学 | 一种基于rgb图像的叶片氮含量测量方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424637A (zh) * | 2008-12-04 | 2009-05-06 | 浙江大学 | 一种油菜叶片氮素含量遥感估算模型方法 |
CN103278467A (zh) * | 2013-05-07 | 2013-09-04 | 江苏大学 | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
CN108898156A (zh) * | 2018-05-28 | 2018-11-27 | 江苏大学 | 一种基于高光谱图像的绿色青椒识别方法 |
-
2019
- 2019-08-19 CN CN201910764545.2A patent/CN110555395A/zh active Pending
-
2020
- 2020-06-11 NL NL2025810A patent/NL2025810B1/en not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424637A (zh) * | 2008-12-04 | 2009-05-06 | 浙江大学 | 一种油菜叶片氮素含量遥感估算模型方法 |
CN103278467A (zh) * | 2013-05-07 | 2013-09-04 | 江苏大学 | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
CN108898156A (zh) * | 2018-05-28 | 2018-11-27 | 江苏大学 | 一种基于高光谱图像的绿色青椒识别方法 |
Non-Patent Citations (2)
Title |
---|
XINJIE YU等: "Deep-learning-based regression model and hyperspectral imaging for rapid detection of nitrogen concentration in oilseed rape (Brassica napus L.) leaf", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
孔维楠: "基于高光谱技术的南疆红枣图像的识别与分类方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN112149712A (zh) * | 2020-08-19 | 2020-12-29 | 中国地质大学(武汉) | 一种高效的高光谱遥感数据压缩与分类模型的构建方法 |
CN112149712B (zh) * | 2020-08-19 | 2023-06-06 | 中国地质大学(武汉) | 一种高效的高光谱遥感数据压缩与分类模型的构建方法 |
CN112084462A (zh) * | 2020-08-27 | 2020-12-15 | 江苏农林职业技术学院 | 一种基于数字图像的作物氮素营养指标估算模型评价方法 |
CN112084462B (zh) * | 2020-08-27 | 2023-06-23 | 江苏农林职业技术学院 | 一种基于数字图像的作物氮素营养指标估算模型评价方法 |
CN112381756A (zh) * | 2020-09-30 | 2021-02-19 | 广东省科学院智能制造研究所 | 一种基于块平滑神经网络的高光谱数据分析方法和系统 |
CN112381756B (zh) * | 2020-09-30 | 2022-12-16 | 广东省科学院智能制造研究所 | 一种基于块平滑神经网络的高光谱数据分析方法和系统 |
CN117197062A (zh) * | 2023-08-30 | 2023-12-08 | 武汉大学 | 一种基于rgb图像的叶片氮含量测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
NL2025810A (en) | 2021-02-24 |
NL2025810B1 (en) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555395A (zh) | 一种油菜冠层氮素含量等级分类评估方法 | |
Kim et al. | Classification of grapefruit peel diseases using color texture feature analysis | |
Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
Bontemps et al. | An object-based change detection method accounting for temporal dependences in time series with medium to coarse spatial resolution | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
CN110348357B (zh) | 一种基于深度卷积神经网络的快速目标检测方法 | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
CN112131946B (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
KR20010089132A (ko) | 넌-리터럴 패턴 인식 방법 및 초 스팩트럼 이미지 이용을위한 시스템 | |
Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
CN113657294B (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
CN110163101A (zh) | 中药材种子区别及等级快速判别方法 | |
CN105678342B (zh) | 基于联合偏度的玉米种子高光谱图像波段选择方法 | |
Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
RU2695963C1 (ru) | Способ распознавания образов биохимических наземных объектов с тонкими спектральными различиями на основе гиперспектральных данных | |
CN110135479A (zh) | 基于随机森林测度学习的高光谱图像目标探测方法及系统 | |
CN112974303A (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
CN116245855B (zh) | 作物品种鉴定方法、装置、设备及存储介质 | |
CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
CN115082797B (zh) | 一种大田环境下早期小麦赤霉病监测预警方法及系统 | |
KR102576427B1 (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
Liu et al. | Green plant segmentation in hyperspectral images using SVM and hyper-hue | |
Rahman et al. | Potato Crop Health Assessment Using Multispectral Image Analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |