CN112697725A - 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统 - Google Patents

一种基于无人机高光谱田间烟叶总糖含量预测方法及系统 Download PDF

Info

Publication number
CN112697725A
CN112697725A CN202011432371.9A CN202011432371A CN112697725A CN 112697725 A CN112697725 A CN 112697725A CN 202011432371 A CN202011432371 A CN 202011432371A CN 112697725 A CN112697725 A CN 112697725A
Authority
CN
China
Prior art keywords
sugar content
field
total sugar
tobacco leaves
sample
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
CN202011432371.9A
Other languages
English (en)
Inventor
李军营
马二登
邓小鹏
芦俊佳
童文杰
王�华
张海燕
马云强
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.)
Yunnan Information Technology Co ltd
Yunnan Academy of Tobacco Agricultural Sciences
Original Assignee
Yunnan Information Technology Co ltd
Yunnan Academy of Tobacco Agricultural Sciences
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 Yunnan Information Technology Co ltd, Yunnan Academy of Tobacco Agricultural Sciences filed Critical Yunnan Information Technology Co ltd
Priority to CN202011432371.9A priority Critical patent/CN112697725A/zh
Publication of CN112697725A publication Critical patent/CN112697725A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于烟草生产技术领域，具体涉及一种基于无人机高光谱田间烟叶总糖含量预测方法及系统。本发明通过无人机实时获取田间烟叶高光谱图像数据；对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；生成所述田间烟叶相对应的总糖含量预测数据，针对大面积的田间烟叶，有较于大多数传统的室内烟叶观测研究，只需获得烟叶的高光谱数据，利用构建好的模型便可估测烟叶的总糖含量，构建模型的方法计算简单，实用性强，不仅快速，还减少了对烟株造成大面积破坏。

Description

一种基于无人机高光谱田间烟叶总糖含量预测方法及系统
技术领域
本发明属于烟草生产技术领域，具体涉及一种基于无人机高光谱田间烟叶总糖含量预测方法及系统。
背景技术
烟草作为我国重要的非粮食经济作物之一，在国民生产生活中扮演着非常重要的角色。随着全球经济的迅速发展，国民生活水平不断提高，人们对卷烟的品质要求也越来越高。
总糖是反应烟叶品质的一个重要生化指标，它不仅是形成香气物质的前提，还对烟叶的吃味有平衡作用，含量过低或过高都会影响烟叶的品质。
大量有关烟叶总糖含量的研究还停留在传统的取样测定方法上，传统的取样方法虽然能精确地测定烟株的总糖含量，但工作量大、时间长、效率低，容易对烟株造成较大的破坏，在获取大面积的田间烟叶总糖含量时具有局限性。
因此，针对以上工作量大、时间长、效率低，容易对烟株造成较大的破坏，在获取大面积的田间烟叶总糖含量时具有局限性的缺陷技术问题，急需设计和开发一种基于无人机高光谱田间烟叶总糖含量预测方法及系统。
发明内容
本发明的第一目的在于提供一种基于无人机高光谱田间烟叶总糖含量预测的方法。
本发明的第二目的在于提供一种基于无人机高光谱田间烟叶总糖含量预测的系统。
本发明的第一目的是这样实现的：所述方法包括：
通过无人机实时获取田间烟叶高光谱图像数据；
对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；
获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；
生成所述田间烟叶相对应的总糖含量预测数据。
本发明的第二目的是这样实现的：所述系统具体包括：
获取单元，用于通过无人机实时获取田间烟叶高光谱图像数据；
加载提取单元，用于对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；
模型构建单元，用于获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；
生成单元，用于生成所述田间烟叶相对应的总糖含量预测数据。
本发明通过一种基于无人机高光谱田间烟叶总糖含量预测的方法：通过无人机实时获取田间烟叶高光谱图像数据；对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；生成所述田间烟叶相对应的总糖含量预测数据，以及与所述方法相应的系统，可以利用无人机高光谱成像仪获取大面积烟叶的光谱反射率，通过烟叶光谱反射率与实测总糖之间的关系建立估测模型，进而估测大面积的田间烟叶总糖含量，对精准监测农作物的品质以及估测农作物的生化指标有重要意义。
总的来说，本发明提供了一种基于无人机高光谱分析的田间烟叶总糖含量估测方法，包括利用无人机搭载高光谱成像仪进行田间烟叶数据采集，处理影像并提取烟叶光谱反射率，然后分析烟叶光谱反射率和实测总糖含量的相关性，构建总糖含量估测模型并对模型进行精度评价，最后进行烟叶总糖含量的估测。本发明提供的估测方法针对大面积的田间烟叶，有较于大多数传统的室内烟叶观测研究，只需获得烟叶的高光谱数据，利用构建好的模型便可估测烟叶的总糖含量，构建模型的方法计算简单，实用性强，不仅快速，还减少了对农作物造成大面积破坏。
换言之，本发明所述方法利用无人机采集大面积田间烟叶高光谱影像，直接提取烟叶光谱信息，作业效率高，测定总糖含量只用采集少量烟叶，可以减少对农作物造成大面积破坏，构建的模型具有较高的精度，计算简单，实用性强。
附图说明
图 1为本发明一种基于无人机高光谱田间烟叶总糖含量预测的方法流程架构示意图；
图 2为本发明一种基于无人机高光谱田间烟叶总糖含量预测的方法之烟叶打顶期拼接完成后的高光谱影像示意图；
图 3为本发明一种基于无人机高光谱田间烟叶总糖含量预测的方法之提取的烟叶原始光谱曲线示意图；
图4为本发明一种基于无人机高光谱田间烟叶总糖含量预测的方法之烟叶实测总糖值与原始光谱的相关分析示意图；
图 5为本发明一种基于无人机高光谱田间烟叶总糖含量预测的方法之烟叶实测总糖值与对数一阶导数光谱的相关分析示意图；
图 6为本发明一种基于无人机高光谱田间烟叶总糖含量预测的方法之烟叶打顶期总糖含量的估测值和实测值对比结果示意图；
图 7为本发明一种基于无人机高光谱田间烟叶总糖含量预测的方法之研究区烟叶打顶期总糖含量估测示意图；
图 8为本发明一种基于无人机高光谱田间烟叶总糖含量预测的系统架构示意图；
图9为本发明一种基于无人机高光谱田间烟叶总糖含量预测平台架构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，以便所属领域技术人员详细了解本发明，但不以任何方式对本发明加以限制。依据本发明的技术启示所做的任何变换或改进均属于本发明的保护范围。
如图1~9所示，本发明提供了一种基于无人机高光谱田间烟叶总糖含量预测的方法，所述方法包括如下步骤：
S1、通过无人机实时获取田间烟叶高光谱图像数据；
S2、对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；
S3、获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；
S4、生成所述田间烟叶相对应的总糖含量预测数据。
所述通过无人机实时获取田间烟叶高光谱图像数据之中，还包括：
S11、对所述田间烟叶高光谱图像进行校正；
S12、获取田间像控点数据，并根据所述田间像控点数据实时拼接校正后的高光谱图像。
所述对所述田间烟叶高光谱图像进行校正之中，还包括：
S111、对所述高光谱图像镜头畸变、反射率和大气进行预处理校正；
S112、对预处理校正后的高光谱图像进行几何精校正。
所述对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线之中，还包括：
S21、获取田间样本烟叶坐标数据，根据田间样本烟叶坐标数据绘制样本区域；
S22、提取所述样本区域的原始光谱曲线，并对数一阶导数变换所述原始光谱曲线。
所述获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型之中，还包括：
S31、建立至少一个田间烟叶样本研究区域，获取所述研究区域内的样本烟叶数量；
S32、获取所述样本烟叶中总糖含量数据，根据所述样本烟叶中总糖含量数据生成所述田间样本总糖含量估算值。
S33、分析所述田间样本总糖含量估算值和所述田间样本总糖含量相对应的光谱曲线的相关性；
S34、根据所述相关性的分析，生成反应总糖含量变化的波段数据。
所述生成所述田间烟叶相对应的总糖含量预测数据之中，还包括：
S41、根据田间样本总糖含量估算值，实时评估田间总糖含量预测数据。
所述根据田间样本总糖含量估算值，实时评估田间总糖含量预测数据的涉及到的计算公式为：
Figure DEST_PATH_IMAGE001
（1）
Figure 902157DEST_PATH_IMAGE002
（2）
其中，RMSE为指标均方根误差，MARE为平均相对误差绝对值，
Figure DEST_PATH_IMAGE003
为预测值，
Figure 350456DEST_PATH_IMAGE004
为实测值，n为样本总数。
也就是说，在本发明方案中，提供一种基于无人机高光谱分析的田间烟叶总糖含量估测方法，该方法具体步骤如下：
（1）无人机高光谱数据采集及处理；
（2）烟叶总糖含量测定；
（3）烟叶总糖含量估测模型构建；
（4）总糖含量估测模型精度评价；
（5）估测烟叶总糖含量。
具体地，步骤（1）中，所述包括采集装置和处理软件，无人机采集装置包括无人机本体和高光谱传感器，由无人机搭载高光谱传感器进行数据采集，获得高光谱照片，由处理软件进行处理。
较佳地，步骤（1）中，所述采集数据时期为烟叶旺长期、现蕾期和打顶期，优选为打顶期。
步骤（1）中，所述高光谱照片处理如下进行：将无人机采集的原始高光谱照片导入到计算机内的处理软件上，预处理过程依次包括镜头校正、反射率校正、大气校正和几何精校正；最后对几何精校正之后的图像进行拼接，生成完整的无人机高光谱影像。
具体地，步骤（2）中，采集烟叶并用手持GPS仪器打点定位，获得坐标信息，然后将烟叶带回实验室测定烟叶总糖含量。
于步骤（3）中，所述总糖含量估测模型是利用多元线性逐步回归方法构建的，模型中的波段自变量所对应的值为原始反射率经过对数一阶导数变换后的光谱反射率。
具体地，步骤（3）中，烟叶原始反射率是将烟叶的坐标信息加载到高光谱影像中，直接从影像上提取的。
于步骤（4）中，模型精度评价采用指标均方根误差RMSE和平均相对误差绝对值MARE，计算表达式如下：
Figure DEST_PATH_IMAGE005
（1）
Figure 926931DEST_PATH_IMAGE006
（2）
其中，RMSE为指标均方根误差，MARE为平均相对误差绝对值，
Figure DEST_PATH_IMAGE007
为预测值，
Figure 354763DEST_PATH_IMAGE008
为实测值，n为样本总数。
具体地，步骤（5）中，将本发明所述的经过处理计算之后的烟叶光谱反射率，带入总糖含量估测模型中，计算得到当前时期烟叶的总糖含量。
以下结合附图对本发明作进一步阐述。
具体地，步骤（1）无人机高光谱数据采集及处理：在本发明中，由无人机搭载高光谱传感器进行室外数据采集，获得田间烟叶高光谱照片，由处理软件进行预处理（镜头校正、反射率校正和大气校正）、几何精校正和拼接。
在本发明中，所述烟叶数据采集时期为烟叶旺长期、现蕾期和打顶期，优选为打顶期。通过将各个时期的样本总糖含量估测结果和实际测定结果比较发现，打顶期的估测结果和实际测定结果最为接近。
所述无人机为大疆M600 pro，高光谱传感器为GaiaSky-mini高光谱成像仪，光谱范围为400nm--1000nm，光谱分辨率为3.5nm，光谱通道数为176个。
所述无人机作业时要保证天气晴朗、无云风小，无人机飞行高度为50~300m，优选为100~200m，更优选为200m，拍摄方式为悬停拍摄，内置扫描，单幅拍摄时间间隔9秒。
在进行数据采集前，先对高光谱成像仪进行标准白板校正，然后在采集区域地面铺设标准反射率靶标，优选为国家计量院标定的40%标准反射率灰布。
所述处理软件为高光谱成像仪自带的预处理软件SpecView V2.9和几何精校正软件HiRegistrator V3.3，最后利用Photoscan软件对高光谱照片进行拼接。
步骤（2）样本采集及总糖含量测定：烟叶样本采集单株烟第3或第4片叶子，带回实验室根据标准YC/T 159-2002用“连续流动法”测定叶片总糖含量。
步骤（3）烟叶总糖含量估测模型构建：构建模型的方法是多元线性逐步回归方法，此方法是线性回归分析中最常见、最直观的方法。在自变量与因变量为线性相关的假设基础之上，多元回归可以通过迭代的方式选择多个重要自变量来解释因变量。其中，逐步回归法是多元线性回归分析中筛选自变量的常用方法，该方法是一种非常“谨慎”的方法，遵循“有进有出”的原则，每次向模型中引入新的自变量时，都要考察之前引入的自变量是否依旧有意义，剔除没有显著意义的变量，直到既不能引入新的变量又不能剔除已进入方程的变量为止。根据所选的方法，利用SPSS软件，将测定的烟株样本总糖含量和样本光谱反射率的对数一阶导数值作相关性分析，每个样本的光谱曲线包括176个波段，找到显著相关的波段，然后利用多元线性逐步回归的方法，随机筛选出70%的样本作为建模数据，将显著相关的波段作为自变量，总糖作为因变量构建模型。
步骤（4）总糖含量估测模型精度评价：将建模剩下的30%检验样本带到所述步骤（3）构建的总糖含量估测模型中，就能得到总糖含量预测值，将预测值和实测值带入评价指标计算公式中，计算出评价指标均方根误差RMSE和平均相对误差绝对值MARE，计算表达式如下：
Figure DEST_PATH_IMAGE009
（1）
Figure 700294DEST_PATH_IMAGE010
（2）
其中，RMSE为指标均方根误差，MARE为平均相对误差绝对值，
Figure DEST_PATH_IMAGE011
为预测值，
Figure 53915DEST_PATH_IMAGE012
为实测值，n为样本总数。
步骤（5）估测总糖含量：本发明中总糖含量估测是在软件ArcGIS中完成的，根据所述步骤（3）构建的总糖含量估测模型，将烟叶光谱值带入其中估测出总糖含量，然后根据ArcGIS工具“要素转栅格”将总糖含量转换为栅格形式，加以渲染，便可从图中看出研究区烟株的总糖含量情况。
所述总糖含量计算时用到的是田间烟叶矢量图，在属性表中利用“栅格计算器”完成。
所述烟叶光谱值为原始光谱值的对数一阶导数变换值。
实施例：
以2020年云南省玉溪市澄江市龙街镇澄江世界烟叶品种园为例。研究区位于云南省玉溪市澄江市龙街镇澄江世界烟叶品种园，平均海拔高度为1732m，本次试验烟叶品种为K326。分别在烟叶旺长期、现蕾期和打顶期，使用无人机对研究区烟叶进行数据采集，并采集样本，数据采集完成后，利用软件SpecView V2.9对高光谱原始照片进行预处理，按照镜头校正、反正率校正、大气校正的顺序进行处理，接着利用软件HiRegistrator V3.3再对大气校正后的照片进行几何精校正，最后用软件Photoscan对处理后的高光谱照片进行拼接，打顶期拼接后的影像如图2所示。
在影像拼接完成后，根据样本点的坐标文件，将样本点加载到影像中，按照样本位置在envi软件中提取样本的波谱信息，样本光谱曲线如图3所示。然后在SPSS软件中将样方原始光谱值和对应的总糖含量作相关性分析，发现没有和总糖显著相关的波段，将原始光谱分别做一阶导数变换、对数变换和对数一阶导数变换后再和总糖作相关性分析，根据相关系数的大小优选为对数一阶导数变换。烟叶总糖含量和原始光谱的相关性如图4所示，从图中可以看出，在400~430nm，700~730nm处，总糖含量与原始光谱均呈极显著相关。烟叶总糖含量和对数一阶导数光谱的相关性如图5所示，从图中可以看出，总糖含量与对数一阶导数的相关性趋势线更加具有波动性，在541nm处，达到最大正相关，在863nm处达到最大负相关。通过相关性分析筛选出和总糖相关性显著的波段，再随机选择70%的建模样本，利用多元逐步线性回归方法，构建总糖含量估测模型，模型公式如下所示：
Figure DEST_PATH_IMAGE013
（3）
式中：Y为估测的总糖含量，R863.59、R414.7、R469.29分别表示该波段处对应的原始反射率的对数一阶导数。
30%的样本作为检验样本，将检验样本代入模型公式中，计算出总糖的预测值，接着将预测值和实测值代入模型评价公式中，计算出模型均方根误差RMSE为1.84，平均相对误差绝对值MARE为8.82%，检验样本总糖含量估测值和实测值的对比结果如图6所示。
在envi软件中，利用“基于样本的面向对象信息提取”工具，将研究区分为两类，烟叶和其他，提取烟叶的波谱信息，并计算出光谱的对数一阶导数值，然后在软件ArcGIS中估测出研究区烟叶的总糖含量，估测图如图7所示。
优选地，本发明一种基于无人机高光谱田间烟叶总糖含量预测方法应用在一个或者多个终端或者服务器中。所述终端是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路（ApplicationSpecific Integrated Circuit，ASIC）、可编程门阵列（Field－Programmable GateArray，FPGA）、数字处理器（Digital Signal Processor，DSP）、嵌入式设备等。
所述终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可以与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
本发明为实现一种基于无人机高光谱田间烟叶总糖含量预测方法及系统。
如图1所示，是本发明实施例提供的基于无人机高光谱田间烟叶总糖含量预测方法的流程图。
在本实施例中，所述基于无人机高光谱田间烟叶总糖含量预测方法，可以应用于具备显示功能的终端或者固定终端中，所述终端并不限定于个人电脑、智能手机、平板电脑、安装有摄像头的台式机或一体机等。
所述基于无人机高光谱田间烟叶总糖含量预测方法也可以应用于由终端和通过网络与所述终端进行连接的服务器所构成的硬件环境中。网络包括但不限于：广域网、城域网或局域网。本发明实施例的基于无人机高光谱田间烟叶总糖含量预测方法可以由服务器来执行，也可以由终端来执行，还可以是由服务器和终端共同执行。
例如，对于需要进行基于无人机高光谱田间烟叶总糖含量预测终端，可以直接在终端上集成本发明的方法所提供的基于无人机高光谱田间烟叶总糖含量预测功能，或者安装用于实现本发明的方法的客户端。再如，本发明所提供的方法还可以软件开发工具包（Software Development Kit，SDK）的形式运行在服务器等设备上，以SDK的形式提供基于无人机高光谱田间烟叶总糖含量预测功能的接口，终端或其他设备通过所提供的接口即可实现基于无人机高光谱田间烟叶总糖含量预测功能。
为实现上述目的，本发明还提供一种基于无人机高光谱田间烟叶总糖含量预测系统，如图8所示，所述的系统具体包括：
获取单元，用于通过无人机实时获取田间烟叶高光谱图像数据；
加载提取单元，用于对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；
模型构建单元，用于获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；
生成单元，用于生成所述田间烟叶相对应的总糖含量预测数据。
所述获取单元中，还包括：
第一校正模块，用于对所述田间烟叶高光谱图像进行校正；
图像拼接模块，用于获取田间像控点数据，并根据所述田间像控点数据实时拼接校正后的高光谱图像；
第二校正模块，用于对所述高光谱图像镜头畸变、反射率和大气进行预处理校正；
第三校正模块，用于对预处理校正后的高光谱图像进行几何精校正；
所述加载提取单元中，还包括：
绘制模块，用于获取田间样本烟叶坐标数据，根据田间样本烟叶坐标数据绘制样本区域；
变换模块，用于提取所述样本区域的原始光谱曲线，并对数一阶导数变换所述原始光谱曲线；
所述模型构建单元中，还包括：
建立获取模块，用于建立至少一个田间烟叶样本研究区域，获取所述研究区域内的样本烟叶数量；
含量估算模块，用于获取所述样本烟叶中总糖含量数据，根据所述样本烟叶中总糖含量数据生成所述田间样本总糖含量估算值；
分析模块，用于分析所述田间样本总糖含量估算值和所述田间样本总糖含量相对应的光谱曲线的相关性；
第一生成模块，用于根据所述相关性的分析，生成反应总糖含量变化的波段数据；
所述生成单元中，还包括：
总糖含量评估模块，用于根据田间样本总糖含量估算值，实时评估田间总糖含量预测数据。
在本发明系统方案实施例中，所述的一种基于无人机高光谱田间烟叶总糖含量预测系统中涉及的方法步骤，具体细节已在上文阐述，此处不再赘述。
为实现上述目的，本发明还提供一种基于无人机高光谱田间烟叶总糖含量预测平台，如图9所示，包括：处理器、存储器以及基于无人机高光谱田间烟叶总糖含量预测平台控制程序；
其中在所述的处理器执行所述的基于无人机高光谱田间烟叶总糖含量预测平台控制程序，所述的基于无人机高光谱田间烟叶总糖含量预测平台控制程序被存储在所述存储器中，所述的基于无人机高光谱田间烟叶总糖含量预测平台控制程序，实现所述的基于无人机高光谱田间烟叶总糖含量预测方法步骤，例如：
S1、通过无人机实时获取田间烟叶高光谱图像数据；
S2、对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；
S3、获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；
S4、生成所述田间烟叶相对应的总糖含量预测数据。
步骤具体细节已在上文阐述，此处不再赘述。
本发明实施例中，所述的基于无人机高光谱田间烟叶总糖含量预测平台内置处理器，可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器利用各种接口和线路连接取各个部件，通过运行或执行存储在存储器内的程序或者单元，以及调用存储在存储器内的数据，以执行基于无人机高光谱田间烟叶总糖含量预测各种功能和处理数据；
存储器用于存储程序代码和各种数据，安装在基于无人机高光谱田间烟叶总糖含量预测平台中，并在运行过程中实现高速、自动地完成程序或数据的存取。
所述存储器包括只读存储器（Read-Only Memory，ROM），随机存储器（RandomAccess Memory，RAM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（Compact Disc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在本发明的实施方式的描述中，需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读取介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。
另外，计算机可读取介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
本发明通过一种基于无人机高光谱田间烟叶总糖含量预测的方法：通过无人机实时获取田间烟叶高光谱图像数据；对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；生成所述田间烟叶相对应的总糖含量预测数据，以及与所述方法相应的系统，可以利用无人机高光谱成像仪获取大面积烟叶的光谱反射率，通过烟叶光谱反射率与实测总糖之间的关系建立估测模型，进而估测大面积的田间烟叶总糖含量，对精准监测农作物的品质以及估测农作物的生化指标有重要意义，即本发明提供了一种基于无人机高光谱分析的田间烟叶总糖含量估测方法，此方法通过无人机获取大面积田间烟叶高光谱影像，然后测定少量烟叶的总糖含量，构建总糖估测模型，最终估测出大面积的烟叶总糖含量。
总的来说，本发明提供了一种基于无人机高光谱分析的田间烟叶总糖含量估测方法，包括利用无人机搭载高光谱成像仪进行田间烟叶数据采集，处理影像并提取烟叶光谱反射率，然后分析烟叶光谱反射率和实测总糖含量的相关性，构建总糖含量估测模型并对模型进行精度评价，最后进行烟叶总糖含量的估测。本发明提供的估测方法针对大面积的田间烟叶，有较于大多数传统的室内烟叶观测研究，只需获得烟叶的高光谱数据，利用构建好的模型便可估测烟叶的总糖含量，构建模型的方法计算简单，实用性强，不仅快速，还减少了对农作物造成大面积破坏。
换言之，本发明所述方法利用无人机采集大面积田间烟叶高光谱影像，直接提取烟叶光谱信息，作业效率高，测定总糖含量只用采集少量烟叶，可以减少对农作物造成大面积破坏，构建的模型具有较高的精度，计算简单，实用性强。

Claims (10)

1.一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述方法包括：
通过无人机实时获取田间烟叶高光谱图像数据；
对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；
获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；
生成所述田间烟叶相对应的总糖含量预测数据。
2.根据权利要求1所述的一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述通过无人机实时获取田间烟叶高光谱图像数据之中，还包括：
对所述田间烟叶高光谱图像进行校正；
获取田间像控点数据，并根据所述田间像控点数据实时拼接校正后的高光谱图像。
3.根据权利要求2所述的一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述对所述田间烟叶高光谱图像进行校正之中，还包括：
对所述高光谱图像镜头畸变、反射率和大气进行预处理校正；
对预处理校正后的高光谱图像进行几何精校正。
4.根据权利要求1所述的一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线之中，还包括：
获取田间样本烟叶坐标数据，根据田间样本烟叶坐标数据绘制样本区域；
提取所述样本区域的原始光谱曲线，并对数一阶导数变换所述原始光谱曲线。
5.根据权利要求1所述的一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型之中，还包括：
建立至少一个田间烟叶样本研究区域，获取所述研究区域内的样本烟叶数量；
获取所述样本烟叶中总糖含量数据，根据所述样本烟叶中总糖含量数据生成所述田间样本总糖含量估算值。
6.根据权利要求1或5所述的一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型之中，还包括：
分析所述田间样本总糖含量估算值和所述田间样本总糖含量相对应的光谱曲线的相关性；
根据所述相关性的分析，生成反应总糖含量变化的波段数据。
7.根据权利要求1所述的一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述生成所述田间烟叶相对应的总糖含量预测数据之中，还包括：
根据田间样本总糖含量估算值，实时评估田间总糖含量预测数据。
8.根据权利要求7所述的一种基于无人机高光谱田间烟叶总糖含量预测方法，其特征在于，所述根据田间样本总糖含量估算值，实时评估田间总糖含量预测数据的涉及到的计算公式为：
Figure 433568DEST_PATH_IMAGE001
（1）
Figure 563198DEST_PATH_IMAGE002
（2）
其中，RMSE为指标均方根误差，MARE为平均相对误差绝对值，
Figure 846412DEST_PATH_IMAGE003
为预测值，
Figure 403295DEST_PATH_IMAGE004
为实测值，n为样本总数。
9.一种基于无人机高光谱田间烟叶总糖含量预测系统，其特征在于，所述系统具体包括：
获取单元，用于通过无人机实时获取田间烟叶高光谱图像数据；
加载提取单元，用于对所述高光谱图像数据进行坐标加载，并提取处理相应的原始光谱曲线；
模型构建单元，用于获取田间样本烟叶总糖含量估算值，并根据所述田间样本烟叶总糖含量估算值，结合光谱特征曲线构建田间烟叶总糖含量预测模型；
生成单元，用于生成所述田间烟叶相对应的总糖含量预测数据。
10.根据权利要求9所述的一种基于无人机高光谱田间烟叶总糖含量预测系统，其特征在于，所述获取单元中，还包括：
第一校正模块，用于对所述田间烟叶高光谱图像进行校正；
图像拼接模块，用于获取田间像控点数据，并根据所述田间像控点数据实时拼接校正后的高光谱图像；
第二校正模块，用于对所述高光谱图像镜头畸变、反射率和大气进行预处理校正；
第三校正模块，用于对预处理校正后的高光谱图像进行几何精校正；
所述加载提取单元中，还包括：
绘制模块，用于获取田间样本烟叶坐标数据，根据田间样本烟叶坐标数据绘制样本区域；
变换模块，用于提取所述样本区域的原始光谱曲线，并对数一阶导数变换所述原始光谱曲线；
所述模型构建单元中，还包括：
建立获取模块，用于建立至少一个田间烟叶样本研究区域，获取所述研究区域内的样本烟叶数量；
含量估算模块，用于获取所述样本烟叶中总糖含量数据，根据所述样本烟叶中总糖含量数据生成所述田间样本总糖含量估算值；
分析模块，用于分析所述田间样本总糖含量估算值和所述田间样本总糖含量相对应的光谱曲线的相关性；
第一生成模块，用于根据所述相关性的分析，生成反应总糖含量变化的波段数据；
所述生成单元中，还包括：
总糖含量评估模块，用于根据田间样本总糖含量估算值，实时评估田间总糖含量预测数据。
CN202011432371.9A 2020-12-09 2020-12-09 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统 Pending CN112697725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011432371.9A CN112697725A (zh) 2020-12-09 2020-12-09 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011432371.9A CN112697725A (zh) 2020-12-09 2020-12-09 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统

Publications (1)

Publication Number Publication Date
CN112697725A true CN112697725A (zh) 2021-04-23

Family

ID=75506967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011432371.9A Pending CN112697725A (zh) 2020-12-09 2020-12-09 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统

Country Status (1)

Country Link
CN (1) CN112697725A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014078862A1 (en) * 2012-11-19 2014-05-22 Altria Client Services Inc. Blending of agricultural products via hyperspectral imaging and analysis
CN106323880A (zh) * 2016-07-29 2017-01-11 河南科技大学 基于soc高光谱指数的植物叶片花青素含量估算方法及装置
CN107491784A (zh) * 2017-08-09 2017-12-19 云南瑞升烟草技术（集团）有限公司 基于深度学习算法的烟叶近红外光谱定量建模方法及应用
CN108801934A (zh) * 2018-04-10 2018-11-13 安徽师范大学 一种土壤有机碳含量高光谱预测模型的建模方法
CN110542658A (zh) * 2019-09-10 2019-12-06 中国烟草总公司郑州烟草研究院 一种基于高光谱成像技术的烟草非烟物质分类方法
CN111062251A (zh) * 2020-03-23 2020-04-24 乔红波 基于无人机成像的农田棉蚜为害等级模型的监测方法
CN111912793A (zh) * 2020-08-21 2020-11-10 河南农业大学 利用高光谱测量烟草中镉含量的方法及预测模型的建立

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014078862A1 (en) * 2012-11-19 2014-05-22 Altria Client Services Inc. Blending of agricultural products via hyperspectral imaging and analysis
CN106323880A (zh) * 2016-07-29 2017-01-11 河南科技大学 基于soc高光谱指数的植物叶片花青素含量估算方法及装置
CN107491784A (zh) * 2017-08-09 2017-12-19 云南瑞升烟草技术（集团）有限公司 基于深度学习算法的烟叶近红外光谱定量建模方法及应用
CN108801934A (zh) * 2018-04-10 2018-11-13 安徽师范大学 一种土壤有机碳含量高光谱预测模型的建模方法
CN110542658A (zh) * 2019-09-10 2019-12-06 中国烟草总公司郑州烟草研究院 一种基于高光谱成像技术的烟草非烟物质分类方法
CN111062251A (zh) * 2020-03-23 2020-04-24 乔红波 基于无人机成像的农田棉蚜为害等级模型的监测方法
CN111912793A (zh) * 2020-08-21 2020-11-10 河南农业大学 利用高光谱测量烟草中镉含量的方法及预测模型的建立

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴秋菊;刘延;舒清态;: "云南高原特色农业烟草高光谱参数与多种生理生化指标的关系", 江苏农业科学, no. 07, pages 238 - 242 *
李佛琳: ""基于光谱的烟叶生长于品质监测研究"", 《中国优秀博士论文全文数据库 农业科技辑》, pages 41 - 75 *

Similar Documents

Publication Publication Date Title
CN112766549A (zh) 一种空气污染物浓度预报方法、装置及存储介质
CN108956505B (zh) 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN110414738B (zh) 一种农作物产量预测方法及系统
CN112348812B (zh) 林分年龄信息测量方法及装置
CN102721651A (zh) 基于多光谱图像的植物叶片水分含量的检测方法及系统
CN114219847B (zh) 基于物候特征的作物种植面积确定方法、系统及存储介质
CN114139444A (zh) 一种基于机器学习的近海海表温度反演方法
CN103778630A (zh) 基于android的田间病害程度图像识别方法
CN115015258A (zh) 一种农作物长势与土壤水分关联确定方法及相关装置
CN113256733B (zh) 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法
CN108195770B (zh) 一种基于prosail模型的叶绿素含量半经验估算方法
Henke et al. Reconstructing leaf growth based on non-destructive digitizing and low-parametric shape evolution for plant modelling over a growth cycle
Nair et al. High frequency root dynamics: sampling and interpretation using replicated robotic minirhizotrons
CN112697725A (zh) 一种基于无人机高光谱田间烟叶总糖含量预测方法及系统
CN112699732A (zh) 一种基于无人机高光谱田间烟叶总氮含量预测方法及系统
CN112697724A (zh) 基于无人机高光谱田间烟叶氧化钾含量预测方法及系统
CN112697726A (zh) 一种基于无人机高光谱田间烟叶烟碱含量预测方法及系统
CN114691661B (zh) 一种基于同化的云导风、温湿廓线预处理分析方法及系统
JPH11160454A (ja) １次元量予測装置
CN115266720A (zh) 多尺度光谱成像的玉米生长期养分信息检测方法
CN115980690A (zh) 晴空回波识别模型构建方法、晴空回波滤波方法及装置
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
Hakim et al. Automatic rain detection system based on digital images of CCTV cameras using convolutional neural network method
CN115049902A (zh) 柑橘叶片含水量可视化预测方法、系统、设备及存储介质
CN114283344A (zh) 一种森林生态水文过程自动实时监测方法及系统

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