CN112557325B - 一种果树果品品质近地面遥感监测装置和方法 - Google Patents
一种果树果品品质近地面遥感监测装置和方法 Download PDFInfo
- Publication number
- CN112557325B CN112557325B CN202011444330.1A CN202011444330A CN112557325B CN 112557325 B CN112557325 B CN 112557325B CN 202011444330 A CN202011444330 A CN 202011444330A CN 112557325 B CN112557325 B CN 112557325B
- Authority
- CN
- China
- Prior art keywords
- polarization
- camera
- different
- hyperspectral
- angle
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012806 monitoring device Methods 0.000 title claims abstract description 16
- 230000010287 polarization Effects 0.000 claims abstract description 102
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- 238000003384 imaging method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 244000126002 Ziziphus vulgaris Species 0.000 claims description 66
- 235000008529 Ziziphus vulgaris Nutrition 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 16
- 241000196324 Embryophyta Species 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000011664 nicotinic acid Substances 0.000 claims description 7
- 239000002420 orchard Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000005316 response function Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000011068 loading method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 241001247821 Ziziphus Species 0.000 claims 4
- 241000238631 Hexapoda Species 0.000 claims 1
- 230000000644 propagated effect Effects 0.000 claims 1
- 238000011895 specific detection Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 210000001507 arthropod compound eye Anatomy 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 241000220225 Malus Species 0.000 description 5
- 244000179970 Monarda didyma Species 0.000 description 5
- 235000010672 Monarda didyma Nutrition 0.000 description 5
- 241000220324 Pyrus Species 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 235000021016 apples Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000021017 pears Nutrition 0.000 description 3
- 238000012628 principal component regression Methods 0.000 description 3
- 244000205754 Colocasia esculenta Species 0.000 description 2
- 235000006481 Colocasia esculenta Nutrition 0.000 description 2
- 235000014443 Pyrus communis Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010061274 Malocclusion Diseases 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920013655 poly(bisphenol-A sulfone) Polymers 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
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
本发明公开了一种果树果品近地面遥感监测装置和方法，属于快速无损检测技术领域。本发明双镜头组合多角度获取图像等效昆虫复眼成像，多光谱相机和高光谱相机在轨道上水平和垂直方向移动获得半球空间的多角度光谱图像，偏振方向相互垂直两相机同步采集，水平方向多光谱相机果树冠层结构成像，垂直方向高光谱相机果品品质功能成像。通过多角度偏振定标和室内外多角度定量检测模型传递方法，获取果树冠层空间结构和果品表面纹理多尺度空间分布特征，本实施例中使用的监测装置由于有距离和角度方位预测功能，可以在远距离获得高精度光谱差异图像。在高精度近地面遥感果树果品品质方面有很重要的作用。
Description
技术领域
本发明涉及快速无损检测技术领域，具体涉及一种果树果品品质近地面遥感监测装置和方法。
背景技术
南疆林果业发展迅速，其中红枣产业发展很快，近些年种植面积超过1500万亩，产量快速提升，但快速无损品质检测技术并没有相应改变。南疆红枣产业区域化、规模化，信息化快速健康发展，迫切需要发展大面积品质区域化快速检测技术，本发明通过高精度近地面多角度定量检测模型传递技术，解决大面积遥感果树果品品质最后一公里的问题。
常规光谱无损检测方法，采取多次采集取平均的方法，提高稳定性却降低了精度。有些技术通过增加光源功率和个数获得较高反射率，容易饱和或者无法分辨细节信息，甚至对新鲜果品造成一定热损伤。
南疆红枣成片规模化机械化种植，行间距和株间距相对固定，具有明显的空间结构特征，通过仿生多角度偏振提取枣园空间冠层光谱结构特征，可开展户外红枣近地面快速品质检测研究。
光学系统的分辨本领与其孔径大小成正比，远距离成像遥感为保证系统分辨率，需要使用大孔径光学系统。由于光波的远场夫琅禾费传播，等价于傅里叶变换。因此可借助于远场传播得到物体的傅里叶谱，而后在频谱面上利用相机扫描，采集目标频谱信息。该傅里叶叠层成像技术通过合成孔径提高分辨率，即小孔径相机合成等效大孔径，通过增大孔径提高成像分辨率。
本发明借鉴傅里叶叠层成像方法，计算成像方法改变相机方位对应频谱，移动相机多角度拍照合成提高空间分辨率和光谱分辨率的方法。由于多尺度遥感平台技术发展，高光谱相机、无人机，机载等光谱遥感平台技术日渐成熟，在工农业领域得到广泛应用。2018年5月9号，高分5号多角度偏振探测卫星成功发射，及后续高分系列遥感卫星成功发射，标志着多角度偏振卫星遥感技术时代到来。本发明提供的实施例方法适用于更远距离1-5m尺度，建立高精度近地面多角度多尺度定量遥感模型，通过高精度近地面多角度定量检测模型传递技术，解决大面积遥感果树果品品质最后一公里的问题。为今后大面积卫星遥感奠定基础。研究成果在南疆其他如香梨、苹果特色果品领域，有广泛的应用前景。
发明内容
本发明提供一种果树果品品质近地面遥感监测装置和方法，可以解决现有技术中的上述问题。
本实施例首先提供了一种果树果品品质近地面遥感监测装置，包括：移动检测平台、无人机、高光谱相机、多光谱相机和控制器；不同反射率的定标板，super1520光谱仪，不同形状和倾角的果树模型组成的室内模拟定标场；
其中，所述高光谱相机和多光谱相机固定设置在所述移动检测平台上，所述移动检测平台、高光谱相机和多光谱相机分别与所述控制器连接，所述高光谱相机和多光谱相机的偏振方向垂直，配合定标板开展光谱与成像定量检测。
优选的，所述移动检测平台的型号可以为中科院安徽光机所遥感室研制的野外高光谱BRDF测量仪检测台或大疆无人机飞行增稳平台空中悬停多角度拍摄，通过多角度偏振图像拼接，提高空间分辨率和光谱分辨率。
室内模拟定标场；不同形状和倾角的果树模型，通过标准板多角度方位辐射定标和偏振定标，开展果树果品多角度随机方位定量检测。主要用于室内外模型传递，为低空遥感提供地面定量模型支持，实现户外果树果品品质近地面高精度定量遥感。
本实施例还提供了一种利用上述果树果品品质近地面遥感监测装置的监测方法，多角度偏振定标和室内外多角度定量检测模型传递方法，以固定的植物为中心，利用移动检测平台调整高光谱相机和多光谱相机的位置，对植物进行多点多角度拍摄，双镜头组合多角度获取图像等效昆虫复眼成像，多光谱相机和高光谱相机可以在轨道上水平和垂直方向移动获得半球空间的多角度光谱图像，偏振方向相互垂直两相机同步采集，水平方向多光谱相机枣树冠层结构成像，垂直方向高光谱相机红枣品质分布功能成像。同时从不同距离和不同角度探测样品不同方位的信息，利用半球空间移动等效昆虫复眼成像过程。实现大视场高分辨成像。然后把拍摄得到的数据发送给控制器进行处理，最终得到监测结果。
优选的，所述高光谱相机和多光谱相机拍摄的范围为距离地面1-5米的高度范围。
优选的，所述植物至少包括果树。
优选的，拍摄时具体以固定果树为中心，通过移动高光谱相机和多光谱相机的位置，拍摄果树的不同方位信息，通过分析空间频率和不同波段间相关性，进行特征提取匹配和不同分辨率图像融合，获得该果树高分辨的果实品质分布图。
优选的，对典型果实目标角度和空间频率特征扩展，典型背景特征扩展，构建海量果实目标和典型背景数据库，提取目标和背景统计特征差异，开展果实快速精细化检测。
优选的，特征提取匹配和不同分辨率图像融合的具体方法为：
基于果实品质检测光谱库及模型，对海量果实特征进行标记、数据清洗和重构建模，特征吸收峰权重，做背景谱分解重构计算，做果实品质多尺度精细化反演。
优选的，所述果树的果品至少包括枣树、香梨或苹果。
与现有技术相比，本发明的有益效果是：本实施例中使用的监测装置由于增加偏振维度信息测量，偏振反演入射方位信息，双目仿生多角度有距离深度信息，可进行不同距离和方位选通成像。通过建立不同距离和角度红枣典型环境背景谱，限定方位背景谱的反演范围。获得不同方位红枣光谱预测模型，通过远距离偏振光谱图像，高精度品质角度分类，对不同时期红枣成熟度做分类。
通过获取枣树冠层品质空间结构和表面纹理多尺度空间分布特征，确定枣树不同方位红枣成熟度和适当的采收时间，对枣园枣树的信息化管理有很重要的作用。
附图说明
图1为本实施例中一种果树果品品质近地面遥感监测装置的结构示意图；
图2为本实施例中高光谱相机等效为圆孔衍射受限系统不同距离菲涅尔衍射成像模型图
图2.1为光照方向固定多角度偏振探测示意图；
图2.2为探测方向固定多角度照明多偏振方向探测示意图；
图3为本实施例中枣园枣树等效为不同截面的几何体模型做结构和方位空间校准模型图；
图4为本实施例中实验获得红枣dolp亮斑和阴影部分半经验模型；
图5为红枣空间频率滤波图；
图6为本实施例中不同红枣偏振度图；
图7为本实施例中0偏振时，1、21、243不同波段的空间谱结构特征图，在21波段有较高的分辨率；
图8为本实施例中90偏振时，1、21、243不同波段的空间谱结构特征图，在21波段有较高的分辨率，正交偏振获得谱空间特征差异；
图9为红枣和叶片偏振特征差异图；
图10为本实施例中多角度偏振光谱差异照片和曲线对照图；
图11为本实施例中把枣树的不同角度冠层等效为不同角度平面波加权组合，计算菲涅尔成像模型的示意图；
图12为本实施例中成像光谱仪对地观测范围与实际差异曲线图；
图13为本实施例中正交偏振差分，强光弱化，暗背景强化对比度细节图；
图14为本实施例中BAND192偏振差分特征与偏振相角、线偏振度特征对比图；
图15为本实施例中BAND22对比图；
图16为本实施例中BAND22偏振特征图：DOLP在对比度上提高了，强光弱化，弱光强化的效果，偏振相角ORIENT增加纹理细节。明显反映表面细节特征非常清楚；
图17为本实施例中不同表面特征红枣偏振相角光谱图；
图18为正交偏振差分，强光弱化，暗背景强化对比度细节图；
图19为本实施例中有光谱特征和表面形状和空间结构特征的图像；
图20为本实施例中脆熟期枣树冠层空间频率特征提取红枣空间轮廓照片。
附图标记说明：
1.移动检测平台，2.高光谱相机，3.多光谱相机。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例首先提供了一种植物近地面遥感监测装置，如图1所示，包括：移动检测平台1、高光谱相机2、多光谱相机3和控制器；
其中，所述高光谱相机2和多光谱相机3固定设置在所述移动检测平台1上，所述移动检测平台、高光谱相机和多光谱相机分别与所述控制器连接，所述高光谱相机和多光谱相机的偏振方向垂直。
实线框为第一时刻高光谱相机2和多光谱相机3所处的位置，高光谱相机2和多光谱相机3可以以原点为中心沿圆弧移动，虚线框表示移动到第二位置时对植物或植物的果实进行探测。高光谱相机2和多光谱相机3为相距一定间隔的仿生复眼多光谱相机和高光谱相机。所述移动检测平台可以具体有刻度，可调节俯仰角和高度。高光谱相机和多光谱相机镜头前实线和虚线分别表示偏振方向水平和垂直的正交偏振偏振片。多光谱相机和高光谱相机镜头焦距不同，获得不同空间分辨率的图像。
可选的，在一个实施例中，所述移动检测平台的型号为野外高光谱BRDF测量仪检测台。
本实施例还提供了一种利用上述植物近地面遥感监测装置的监测方法，以固定的植物为中心，利用移动检测平台调整高光谱相机和多光谱相机的位置，对植物进行多点多角度拍摄，然后把拍摄得到的数据发送给控制器进行处理，最终得到监测结果。
可选的，在一个实施例中，所述高光谱相机和多光谱相机拍摄的范围为距离地面1-5米的高度范围。
可选的，在一个实施例中，所述植物至少包括果树。
可选的，在一个实施例中，拍摄时具体以固定果树为中心，通过移动高光谱相机和多光谱相机的位置，拍摄果树的不同方位信息，通过分析空间频率和不同波段间相关性，进行特征提取匹配和不同分辨率图像融合，获得该果树高分辨的果实品质分布图。
可选的，在一个实施例中，对典型果实目标角度和空间频率特征扩展，典型背景特征扩展，构建海量果实目标和典型背景数据库，提取目标和背景统计特征差异，开展果实快速精细化检测。
可选的，在一个实施例中，特征提取匹配和不同分辨率图像融合的具体方法为：
基于果实品质检测光谱库及模型，对海量果实特征进行标记、数据清洗和重构建模，特征吸收峰权重，做背景谱分解重构计算，做果实品质多尺度精细化反演。
可选的，在一个实施例中，所述植物至少包括枣树、香梨或苹果。
下面结合图1-20对利用所述植物近地面遥感监测装置对枣园的红枣进行监测方法作出详细说明。
本实施例的监测方法是以固定目标为中心，通过一对仿生复眼多光谱相机和高光谱相机正交偏振组合，开展多点多角度探测实验，数据处理提高光谱分辨率和空间分辨目的。能提高模型精度和稳定性。基于仿生复眼式多波段，通过多光谱相机和高光谱相机偏振方向垂直的检测装置对固定枣园枣树，多角度偏振高光谱近地面检测。
1、多角度偏振数据采集方法
具体以固定目标为中心，在果树或待测样品同一方位摆放标准板，通过移动相机选择合适位置，依次拍摄样品在5度，10度，15度等不同方位信息；依据苹果，香梨，红枣等不同果品的大小，在不同方位旋转镜头前的偏振片拍摄。获取0度，45度，90度，135度；0度，60度，120度等多角度偏振数据。具体见附图2.1虚线和实线部分分别表示移动相机不同方位后旋转偏振片拍摄；图2.2表示不同光照条件下，通过偏振片旋转与光照方向对应的方式，获取多角度光照信息，建立偏振角度与光照角度对应的模型库。
2、多角度偏振定标方法
室内模拟定标场:样品标记后利用super1520和高光谱相机暗箱分别采集光谱和理化指标建立定量检测模型M1。
其次，M1通过不同角度和偏振方向的方位辐射定标和偏振定标后，建立偏振角度与光照角度对应的定量检测模型库M2。
主要包括通过标准光源和积分球室内进行室内光源辐射定标，多角度标准板定标，偏振定标，获得不同距离和角度光源和标准板方位定标系数，建立多角度偏振定标模型，与室内果树模型定标场不同光照角度试验结果相互验证，建立多角度定量检测光谱库，通过对不同的距离和角度等方位信息校准，时间换空间的方法，提高横向和纵向空间分辨率。开展不同角度光谱预测和校准，优化模型系数提高预测精度和稳定性。
3、室内外多角度定量检测模型传递方法
利用super1520便携式光谱仪和高光谱相机暗箱，采集果品的光谱和理化指标建立室内定量检测模型，基于上述的多角度偏振定标方法，实现室内便携式光谱定量检测模型和室内多角度定量检测模型传递；室内定量检测模型到外定量检测模型传递。
通过分析空间频率和不同波段间相关性，进行特征提取匹配和不同分辨率图像融合。获得高分辨的枣园红枣品质分布图。模拟复眼镜头成像过程获得大视场高空间分辨率和光谱分辨率的效果。通过多角度多方位特征模型库+环境背景验证＝校正特征模型库，进行不断推广应用中完善模型库的检测精度和稳定性。对典型红枣目标角度和空间频率特征扩展，典型背景特征扩展，构建海量红枣目标和典型背景数据库，提取目标和背景统计特征差异是开展红枣快速精细化检测。
提高红枣近地面多光谱立体遥感监测模型精度和稳定性，在今后的星载大范围遥感领域数据有广泛应用前景。
4、图像特征提取和融合方法
通过分析空间频率和不同波段间相关性，进行特征提取匹配和不同分辨率图像融合。对典型红枣目标角度和空间频率特征扩展，典型背景特征扩展，构建海量红枣目标和典型背景数据库，提取目标和背景统计特征差异是开展红枣快速精细化检测基础。
具体方法：以前期红枣无损检测模型和暗箱高光谱模型为基础，通过采集室内外不同角度，距离及光照环境的偏振数据。比对标记样品不同环境的光谱差异，建立典型环境特征库，实现典型环境红枣品质检测特征扩展，提高环境适应性。持续增加海量室内外红枣及枣树冠层偏振光谱库，构建红枣典型空间特征背景数据库，提取目标和背景统计特征差异。本方法基于持续多年的室内南疆红枣品质检测光谱库及模型，对持续增加的室内外海量红枣特征进行标记、数据清洗和重构建模，特征吸收峰权重，做背景谱分解重构计算，做红枣品质多尺度精细化反演。
本方法基于持续多年的南疆红枣品质检测光谱库及模型，对海量红枣特征进行标记、数据清洗和重构建模，特征吸收峰权重，做背景谱分解重构计算，做红枣品质多尺度精细化反演。研究思路：算法+典型特征数据库＝特征模型库，通过特征模型库+环境背景验证＝校正特征模型库，进行不断推广应用中完善模型库的检测精度和稳定性。
5、双目正交偏振相机模型：
双目相机前端加装正交偏振片，获得不同偏振特征的立体高光谱图像。选择枣树表面正入射方向，水平偏振相机探测偏振平行分量定向镜面反射为主。垂直偏振方向相机探测垂直分量漫反射为主。分别建立水平和垂直偏振背景谱模型，通过不同角度空间融合及正交差分获得红枣的表面纹理和边缘结构信息。由于不同角度、不同距离空间截止频率不同，尤其高光谱图像偏振态差异，增强图像差异细节，提高对比度和精度。
由于不同方位光照，红枣表面反射和经过内部散射后光谱偏振态均有不同程度差异，不同结构特征对红枣辐射定标精度有很大影响，通过枣园结构仿形二向性反射几何体理想模型，多角度偏振探测多方位品质识别建立PBRDF模型,双目偏振相机组合角度光谱数据库对不同方位光谱进行角度校正，与标准板正入射比对的方法，提高模型精度。
辅之以固定光源做结构光照明和投影获得枣树几何形状模型，做枣园虚拟场景重构。近似郎伯体标准白板做空间辐射校正。不同偏振方向，不同特征光谱的空间频率谱结构特征与枣树面型结构特征对应关系，正交偏振相机分别建立红枣目标模型和枣树背景模型，对枣树不同方位红枣特征立体差异化表达。通过双目相机多角度偏振建立空间仿形BRDF模型，与实验结果对比修正。双目相机正交多角度拍摄获得不同角度枣树正入射高光谱图像，通过BRDF模型做角度空间拼接，构建空间仿形结构模型，扩大视场和提高空间分辨率。
6、空间光调制器虚拟枣树冠层结构场景：
高光谱相机等效为圆孔衍射受限系统不同距离菲涅尔衍射成像模型。
枣树冠层不同结构特征等效成不同方向传播的空间频率(平面角谱)加权组合。通过计算获得高光谱相机不同距离和角度的仪器响应函数(点扩散函数PSF)，利用空间光调制器SLM做枣树场景重构显示。
具体建立拍摄枣园高光谱图像，通过傅里叶变换(FFT)处理，获得枣树不同空间频率的角谱特征。通过纹理特征分析的灰度共生矩阵(GLCM)，抽取枣园图像结构特征。通过加载空间光调制器SLM，室内投影，等比例室内枣树结构仿形。像方截止频率和物方截止频率不同。依据高光谱相机的像素大小，计算截止空间频率。通过物象对应关系，获得物方的空间频率或成像区域范围。通过双目SLM做高光谱相机仪器响应函数。获得非相干光照明的仪器响应函数。利用空间光调制器SLM模拟仿真不同空间截止频率，不同角度结构光投影，反演空间结构。类似立体相机，做枣园虚拟场景重构。
枣园枣树等效为不同结构特征截面的几何体模型做结构和方位空间校准。
将利用枣树高光谱实验抽象枣树结构，做枣树频频结构特征提取，合理近似和逼近枣树形状，并于实验结果比对，获得枣树仿形空间谱结构半经验公式模型。对枣树空间特征辐射校正模型估算。
不同角度冠层等效为不同角度平面波加权组合，计算菲涅尔成像模型，预测不同距离的高光谱图像，并于实际成像效果比对。
7、双目偏振探测模型和应用
(1)建立偏振波谱库做特征识别，通过双目偏振相机分别获得不同方向红枣端元波谱，通过大量实验数据分类训练样本，提取偏振高光谱特征。分别建立四个不同偏振方向0,45,90,135偏振标准波普库。分别建立红枣高光谱偏振参量线偏振度dolp和偏振相角orient标准库。基于实验数据库建立纹理、含水量等品质特征检测模型，用于图像分类和目标识别。
(2)反演模型构建：实地调查数据，将红枣调查点与实测含水量和纹理品质特征在空间上一一对应起来。高光谱图像灰度值与红枣品质对应。实地调查数据包括：枣园红枣高光谱图像，红枣不同位置坐标，将该坐标的红枣采集回来测量水分等理化指标。以四列形式保存为.txt和Excel文件，如表1所示：
表1坐标值对应的水分测量值
| 序号 | 横坐标x | 纵坐标y | 含水量实测含量 |
| 1 | 31.516334 | 120.182215 | 0.0531 |
| 2 | 31.457170 | 120.041978 | 0.0535 |
波段运算将不同波段的高光谱数据，建立图像灰度值和水分糖度等品质信息的对应关系。通过图像灰度值与品质对应关系，建立红枣水分、糖度空间分布无损检测模型。
(1)多元回归MLR和主成分多元回归PCR,波段组合，不同品质水分检测组合模型不同。
(2)加入方向和偏振度做波长拟合，建立相关模型。
(3)方向和偏振度参量提高定量检测模型精度。
优选可用多元线性回归MLR,主成分回归PCR等方法，做波长优选和线性组合，通过与红枣水分、糖度实验数据拟合，获得如下18个波长组合指数表达式：
value＝(-0.53497)*b13+1.52718*b27+0.83316*b55+(-0.55147)*b63+(-0.86419)*b72+(-0.45013)*b73+(-0.85889)*b74+0.62592*b85+0.84458*b92+0.31119*b93+0.48603*b96+0.48338*b98+(-0.59993)*b120+(-0.84751)*b128+(-1.06609)*b142+(-0.95267)*b192+0.59807*b201+1.14624*b221+0.64828
利用envi软件中Bandmath工具，得到比值指数(value)。在ROI Tool中，选择ROI_Type->Input Points from ASCII，选择文本格式的实地调查数据反演点，将实测位置以ROI方式显示在比值指数图像中，在ROI TOOL中，选择File->Output ROIs to ASCII，就很容易的将实测数据中的每一组位置对应的比值指数值导出，并在Excel中与实测红枣水分一一对应，Excel中的散点图到回归方程。
在Excel中，在散点图上选中散点，单击右键->添加趋势线，打开设置趋势线格式面板，勾选线性，显示公式，显示R平方值。线性回归方程和R方值在散点图上显示。
模型应用和评价：偏振模型应用立体差异化表达，枣园红枣品质分布。实验获得红枣dolp亮斑和阴影部分半经验模型。
使用Basic Tool->Bandmath，在Enter an expression下面输入表达式(反演模型)：value比值图像。可以用前面的方法，将验证点对应的红枣品质信息反演值导出来，与验证点的实测值在Excel表中一一对应。波段运算的结果为单波段灰度图像，不同浓度梯度对应不同区间value值，可以将结果显示在display窗口中，选择Tools->Color Mapping->ENVI Color Tables，将结果以彩色方式显示，可对枣园红枣品质空间分布立体表达。
偏振多角度模型有距离和方位选通功能，限定方位背景谱的反演范围。可以在远距离获得高精度光谱图像。而且正交偏振差分，有强光弱化，暗背景强化对比度细节作用。提高不用方位红枣光谱预测精度，对不同时期红枣成熟度做分类。确定枣树不同方位红枣成熟度和适当的采收时间，对枣园枣树的信息化管理有很重要的作用。
典型应用场景及有益结果
图17中，室内外高光谱偏振参量图像，DOLP,ORIENT提高了空间对比度和细节纹理信息，增强了组分光谱特征。
在光照不均匀条件下，光谱图中实线表示较亮部分，虚线表示较暗和部分遮挡的阴影部分。由图中可见光谱特征反射和吸收变化趋势一致。
BAND22偏振特征明显，DOLP在对比度上提高了，强光弱化，弱光强化的效果。偏振相角ORIENT增加纹理细节。明显反映表面细节特征非常清楚。
因为镜头尺寸所限，无法获取一些大角度高频角谱信息，因此降低空间分辨率。图像细节信息不足。本方法通过多角度探测，不同方向传播的角谱信息，弥补缺失的空间特征。通过不同角度空间融合及正交差分获得红枣的表面纹理和边缘结构信息。由于不同角度、不同距离空间截止频率不同，尤其高光谱图像偏振态差异，增强图像差异细节，通过多光谱相机结构成像，和高光谱相机功能成像，通过正交偏振融合处理，显著提高目标特征和纹理边缘细节信息。提高枣树冠层整体红枣品质分布的对比度和精度。实现大视场高分辨率成像。
本发明的有益效果是：
双相机同时进行结构成像(纹理轮廓边缘细节信息)和功能成像(水分和糖度等内部成分分布信息)既能得到枣园整体品质分布信息，也能获得枣树冠层单个红枣目标的品质分布信息。增加偏振特征能得到枣树冠层空间结构特征和红枣表面纹理特征。正交偏振图像融合提高检测精度。高光谱数据主成分分析能较好的区分不同偏振态细节特征。偏振对噪声很敏感，通过最小噪声分离MNF高维度，12波段对比。
通过光谱主成分和偏振信息伪彩色融合突出枣树冠层红枣目标信息。户外枣树冠层高光谱主成分分析第5主成分凸显枣树冠层目标红枣品质信息，0度和90两个正交偏振相反如下图灰度信息差异相反。可见反映了偏振能表征细节信息。通过特征波段运算图像处理，合成有光谱特征和表面形状和空间结构特征的图像，显著提高了户外枣树冠层红枣品质差异信息。
本实施例中使用的监测装置由于有距离和方位预测功能，可以在远距离获得高精度光谱图像。限定方位背景谱的反演范围。对不用方位红枣光谱预测，对不同时期红枣成熟度做分类。确定枣树不同方位红枣成熟度和适当的采收时间，对枣园枣树的信息化管理有很重要的作用。
经实际操作，已在户外1m尺度范围达到室内光谱仪检测精度。本方法适用于更远距离，如2-5m尺度，但也不限于此，建立高精度近地面多角度多尺度定量遥感模型，为今后大面积卫星遥感奠定基础。研究成果在南疆其他特色果品领域，如香梨、苹果等，有广泛的应用前景。
本发明中涉及的未说明部分与现有技术相同或采用现有技术加以实施。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (6)
1.一种果树果品品质近地面遥感监测方法，其特征在于，以固定的植物为中心，利用移动检测平台调整高光谱相机和多光谱相机的位置，对植物进行多点多角度拍摄，多光谱相机和高光谱相机在轨道上水平和垂直方向移动获得半球空间的多角度光谱图像，利用半球多角度空间采集图像，建立高精度多角度偏振定量检测模型，仿生模拟昆虫复眼成像过程；
通过不同距离不同角度光谱数据融合，获得不同尺度高分辨图像，通过特征波段图像融合，实现大视场高分辨光谱成像，然后把拍摄得到的数据发送给控制器进行处理，最终得到监测结果；
基于仿生复眼式多波段，通过多光谱相机和高光谱相机偏振方向垂直的检测装置对固定枣园枣树，多角度偏振高光谱近地面检测，具体的检测方法如下：
（1）多角度偏振数据采集方法
具体以固定目标为中心，在果树或待测样品同一方位摆放标准板，通过移动相机选择合适位置，依次拍摄样品在5度、10度和15度不同方位信息；依据红枣的大小，在不同方位旋转镜头前的偏振片拍摄；获取0度、45度、90度、135度；0度、60度和120度的多角度偏振数据；
（2）多角度偏振定标方法
室内模拟定标场:样品标记后利用super1520便携式光谱仪和高光谱相机暗箱分别采集光谱和理化指标建立定量检测模型M1；
M1通过不同角度和偏振方向的方位辐射定标和偏振定标后，建立偏振角度与光照角度对应的定量检测模型库M2；
（3）室内外多角度定量检测模型传递方法
利用super1520便携式光谱仪和高光谱相机暗箱，采集果品的光谱和理化指标建立室内定量检测模型，基于上述的多角度偏振定标方法，实现室内便携式光谱定量检测模型和室内多角度定量检测模型传递；室内定量检测模型到室外定量检测模型传递；
（4）图像特征提取和融合方法
通过分析空间频率和不同波段间相关性，进行特征提取匹配和不同分辨率图像融合；对典型红枣目标角度和空间频率特征扩展，典型背景特征扩展，构建海量红枣目标和典型背景数据库，提取目标和背景统计特征差异，开展红枣快速精细化检测基础；
（5）双目正交偏振相机模型：
双目相机前端加装正交偏振片，获得不同偏振特征的立体高光谱图像；选择枣树表面正入射方向，水平偏振相机探测偏振平行分量定向镜面反射为主，垂直偏振方向相机探测垂直分量漫反射为主；分别建立水平和垂直偏振背景谱模型，通过不同角度空间融合及正交差分获得红枣的表面纹理和边缘结构信息；
（6）空间光调制器虚拟枣树冠层结构场景：
高光谱相机等效为圆孔衍射受限系统不同距离菲涅尔衍射成像模型；
枣树冠层不同结构特征等效成不同方向传播的空间频率加权组合，所述空间频率为平面角谱；
通过计算获得高光谱相机不同距离和角度的仪器响应函数，利用空间光调制器SLM做枣树场景重构显示，所述响应函数为点扩散函数PSF；
具体建立拍摄枣园高光谱图像，通过傅里叶变换处理，获得枣树不同空间频率的角谱特征；通过纹理特征分析的灰度共生矩阵，抽取枣园图像结构特征；通过加载空间光调制器SLM，室内投影，等比例室内枣树结构仿形，像方截止频率和物方截止频率不同；依据高光谱相机的像素大小，计算截止空间频率；通过物象对应关系，获得物方的空间频率或成像区域范围；通过双目SLM做高光谱相机仪器响应函数；获得非相干光照明的仪器响应函数；利用空间光调制器SLM模拟仿真不同空间截止频率，不同角度结构光投影，反演空间结构；类似立体相机，做枣园虚拟场景重构；
枣园枣树等效为不同结构特征截面的几何体模型做结构和方位空间校准；
（7）双目偏振探测模型和应用
①建立偏振波谱库做特征识别，通过双目偏振相机分别获得不同方向红枣端元波谱，通过大量实验数据分类训练样本，提取偏振高光谱特征；分别建立四个不同偏振方向0,45,90,135偏振标准波普库；分别建立红枣高光谱偏振参量线偏振度dolp和偏振相角orient标准库；
②反演模型构建：实地调查数据，将红枣调查点与实测含水量和纹理品质特征在空间上一一对应起来；高光谱图像灰度值与红枣品质对应；
实地调查数据包括：枣园红枣高光谱图像、红枣不同位置坐标和将该坐标的红枣采集回来测量水分；
波段运算，将不同波段的高光谱数据，建立图像灰度值和水分糖度品质信息的对应关系，通过图像灰度值与品质对应关系，建立红枣水分、糖度空间分布无损检测模型。
2.如权利要求1所述的监测方法，其特征在于，所述高光谱相机和多光谱相机拍摄的范围为距离地面1-5米的高度范围。
3.如权利要求1所述的监测方法，其特征在于，拍摄时具体以固定果树为中心，通过移动高光谱相机和多光谱相机的位置，拍摄果树的不同方位信息，通过分析空间频率和不同波段间相关性，进行特征提取匹配和不同分辨率图像融合，提高空间分辨率和光谱分辨率，获得该果树高分辨的果实品质分布图。
4.如权利要求1所述的监测方法，其特征在于，特征提取匹配和不同分辨率图像融合的具体方法为：
基于果实品质检测光谱库及模型，对海量果实特征进行标记、数据清洗和重构建模，特征吸收峰权重，做背景谱分解重构计算，做果实品质多尺度精细化反演。
5.一种用于实现如权利要求1-4任一所述的监测方法的果树果品品质近地面遥感监测装置，其特征在于，包括：移动检测平台、高光谱相机、多光谱相机和控制器；
其中，所述高光谱相机和多光谱相机固定设置在所述移动检测平台上，所述移动检测平台、高光谱相机和多光谱相机分别与所述控制器连接，所述高光谱相机和多光谱相机的偏振方向垂直。
6.如权利要求5所述的果树果品品质近地面遥感监测装置，其特征在于，所述移动检测平台为野外高光谱BRDF测量仪检测台，或有增稳平台可实现多角度悬停拍摄的无人机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011444330.1A CN112557325B (zh) | 2020-12-08 | 2020-12-08 | 一种果树果品品质近地面遥感监测装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011444330.1A CN112557325B (zh) | 2020-12-08 | 2020-12-08 | 一种果树果品品质近地面遥感监测装置和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112557325A CN112557325A (zh) | 2021-03-26 |
| CN112557325B true CN112557325B (zh) | 2024-07-23 |
Family
ID=75060939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011444330.1A Active CN112557325B (zh) | 2020-12-08 | 2020-12-08 | 一种果树果品品质近地面遥感监测装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112557325B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113218898A (zh) * | 2021-05-06 | 2021-08-06 | 塔里木大学 | 一种基于光谱分析的植物病害遥感特征提取方法 |
| CN117194902B (zh) * | 2023-11-08 | 2024-02-06 | 昆山尚瑞智能科技有限公司 | 一种光谱测量过程中噪声数据滤除方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872140A (zh) * | 2018-05-09 | 2018-11-23 | 塔里木大学 | 一种户外监测红枣品质的方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7355182B2 (en) * | 2004-10-06 | 2008-04-08 | Harold Szu | Infrared multi-spectral camera and process of using infrared multi-spectral camera |
| EP3403067A4 (en) * | 2016-01-13 | 2019-08-28 | NxGen Partners IP, LLC | SPECTROSCOPY SYSTEM AND METHOD WITH MULTIPLE PARAMETERS |
| CN105738916B (zh) * | 2016-03-01 | 2018-01-23 | 南昌航空大学 | 高光谱偏振大气探测激光雷达系统及控制方法 |
| US9851287B2 (en) * | 2016-03-03 | 2017-12-26 | International Business Machines Corporation | Size distribution determination of aerosols using hyperspectral image technology and analytics |
| CN108254396B (zh) * | 2017-12-05 | 2019-12-03 | 江苏大学 | 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法 |
| 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 |
| 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 |
-
2020
- 2020-12-08 CN CN202011444330.1A patent/CN112557325B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872140A (zh) * | 2018-05-09 | 2018-11-23 | 塔里木大学 | 一种户外监测红枣品质的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112557325A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | An assessment study of three indirect methods for estimating leaf area density and leaf area index of individual trees | |
| US11461994B2 (en) | Methods for in-scene shadow compensation using sunlit and skylit illumination factors | |
| CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
| CN104897592B (zh) | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 | |
| CN108132220B (zh) | 林区机载推扫式高光谱影像的brdf归一化校正方法 | |
| CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
| CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
| Weyermann et al. | Correction of reflectance anisotropy effects of vegetation on airborne spectroscopy data and derived products | |
| Rautiainen et al. | Coupling forest canopy and understory reflectance in the Arctic latitudes of Finland | |
| CN112557325B (zh) | 一种果树果品品质近地面遥感监测装置和方法 | |
| CN111563962A (zh) | 一种基于几何辐射一体化采样的遥感图像仿真方法 | |
| Canisius et al. | Comparison and evaluation of Medium Resolution Imaging Spectrometer leaf area index products across a range of land use | |
| CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
| CN110109118B (zh) | 一种森林冠层生物量的预测方法 | |
| CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 | |
| CN108195736A (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
| Ma et al. | Characterizing the three-dimensional spatiotemporal variation of forest photosynthetically active radiation using terrestrial laser scanning data | |
| CN108318458B (zh) | 一种适用于不同天气条件下的室外典型地物pBRDF的测量方法 | |
| CN113466142B (zh) | 一种多尺度果品散射偏振光谱成像定量检测方法 | |
| Qu et al. | Simultaneous measurements of corn leaf area index and mean tilt angle from multi-directional sunlit and shaded fractions using downward-looking photography | |
| CN106022354A (zh) | 基于svm的图像mtf测量方法 | |
| CN111257854B (zh) | 一种通用的基于遥感影像分割单元的地形校正优化方法 | |
| Smith et al. | Optical diffraction analysis for estimating foliage angle distribution in grassland canopies | |
| CN112733661A (zh) | 多示例能量约束最小化的高光谱目标描述与检测方法 | |
| Davis et al. | Stand structure in terrestrial ecosystems |
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 |