CN113310909A - 一种基于高光谱的水质测定方法及设备 - Google Patents
一种基于高光谱的水质测定方法及设备 Download PDFInfo
- Publication number
- CN113310909A CN113310909A CN202110526050.3A CN202110526050A CN113310909A CN 113310909 A CN113310909 A CN 113310909A CN 202110526050 A CN202110526050 A CN 202110526050A CN 113310909 A CN113310909 A CN 113310909A
- Authority
- CN
- China
- Prior art keywords
- water body
- hyperspectral
- paddy field
- water quality
- water
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 96
- 238000001228 spectrum Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 31
- 241000196324 Embryophyta Species 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 10
- 235000006506 Brasenia schreberi Nutrition 0.000 claims description 8
- 238000000691 measurement method Methods 0.000 claims description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 241000192700 Cyanobacteria Species 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 3
- 235000019804 chlorophyll Nutrition 0.000 claims description 3
- 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 claims description 3
- 229910001385 heavy metal Inorganic materials 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 239000002957 persistent organic pollutant Substances 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012372 quality testing Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000010813 municipal solid waste Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001113556 Elodea Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种基于高光谱的水质测定方法及设备，包括：通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像；将多个布局高光谱图像进行拼合，得到整体高光谱图像；通过识别模型对所述高光谱图像进行识别，得到非水体目标；根据非水体目标对所述高光谱图像进行处理，并确定处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段；根据特殊波段确定对应的待检测水田位置；调用光谱检测仪对待检测水田位置进行水质检测，获取待检测水田位置处的第一水体检测结果。通过本申请提出的方法及设备能够带来如下有益效果：提高了检测频率，降低了检测成本，针对水田这一特殊的水体模型，实现了更加精确的水质检测。
Description
技术领域
本申请涉及高光谱检测领域，具体涉及一种基于高光谱的水质测定方法及设备。
背景技术
水田因水量供应充足而闻名，生长于水田中的农作物长期浸泡于水中，为了防止农产品土壤和地下水的污染，保障人体健康，维护生态平衡，水田中的水需要符合农业生产的相应标准。针对水田中的水质检测，传统方式需要将检测水样本带回实验室，检测过程繁琐，特别是当水田面积较大时，需要消耗大量的人力在不同位置采集样本，操作过程费时费力，且检测时间周期长，难以满足对水田进行实时检测的需求。
此外，通过卫星遥感的方式对水田进行水质检测，不仅成本较高，且由于水田中农作物、水草以及各种生物的影响，只能获得较粗略的水质监测结果，难以测量某些需要精确测量的水质参数，而且遥感检测对天气状况和光照度都有较高的要求，在某些特殊天气情况下无法进行水质检测。然而，若直接采用光谱检测仪对水质进行检测，则只能获取小范围内的水质参数，难以掌握水田的整体水质情况。
发明内容
为了解决上述问题，本申请提出了一种基于高光谱的水质测定方法及设备，包括：
第一方面，本申请提出了一种基于高光谱的水质测定方法，包括：通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像；将所述多个布局高光谱图像进行拼合，得到所述水田对应的整体高光谱图像；通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标，所述非水体目标至少包括以下一种：农作物、水草、生物；根据所述非水体目标对所述整体高光谱图像进行处理，并确定所述处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段；根据所述特殊波段确定对应的待检测水田位置；调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果。
在一个示例中，通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标之后，所述方法还包括：根据所述非水体目标对应的非水体参数反演水质参数，并根据所述水质参数构建水体检测模型，并根据所述水体检测模型得到第二水体检测结果。
在一个示例中，根据所述非水体目标对应的非水体参数反演水质参数，并根据所述水质参数构建水体检测模型，并根据所述水体检测模型得到第二水体检测结果，具体包括：确定所述非水体目标对应的非水体参数，其中，所述农作物对应的非水体参数至少包括：农作物类型、当前季节的农作物理论生长状况、农作物的实际生长状况；所述水草对应的非水体参数至少包括：水草类型、水草密度、水草实际生长状况；所述生物对应的非水体参数至少包括：生物类型、生物大小、生物体温；根据所述非水体参数反演得到所述水田的水质参数，所述水质参数至少包括：需氧量、总磷量、总氮量、溶解氧含量、氨氮量、悬浮物浓度、浊度、总有机碳量、重金属量、挥发性有机污染物量、叶绿素含量、蓝绿藻含量；根据所述水质参数构建水体检测模型，并将所述整体高光谱图像输入至所述水体检测模型，得到第二水体检测结果，所述第二水体检测结果至少包括：所述水田中低于所述水质参数的项目、所述水田中高于所述水质参数的项目、所述水田中的正常水质参数。
在一个示例中，通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像之前，所述方法还包括：判断水田当前光照度是否小于指定亮度值；若小于所述指定亮度值，则开启设置于所述水田不同位置处的宽谱光源。
在一个示例中，根据所述非水体目标对所述整体高光谱图像进行处理，具体包括：对所述整体高光谱图像中包含的所述非水体目标进行剔除处理，得到剔除处理后的整体高光谱图像。
在一个示例中，对所述整体高光谱图像中包含的所述非水体目标进行剔除处理，得到剔除处理后的高光谱图像，具体包括：确定所述非水体目标位于所述整体高光谱图像中的位置，并将所述非水体目标进行第一次描边选取，作为待剔除目标；将环绕所述待剔除目标第一预设范围内的目标进行第二次描边选取，并将所述第二次描边选取后的待剔除目标进行剔除，生成包含无色空腔的图像；将所述包含无色空腔的图像中，环绕无色空腔部分的有色光谱填充至所述无色空腔中；生成剔除处理后的高光谱图像。
在一个示例中，调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果，具体包括：确定所述待检测水田位置第二预设范围内是否存在光谱检测仪；若存在所述光谱检测仪，则启动所述光谱检测仪的光源，并根据该光谱检测仪中的光电二极管获取反射光信号，生成检测结果，作为所述待检测水田位置处的第一水体检测结果；若不存在所述光谱检测仪，则根据所述处理后的整体高光谱图像以及预存的参考水质参数，构建参考水体检测模型；选取距离所述待检测水田位置处最近的光谱检测仪，并根据该光谱检测仪生成参考检测结果；通过所述参考水体检测模型对所述参考检测结果进行修正，并将修正后的参考检测结果作为所述待检测水田位置处的第一水体检测结果。
在一个示例中，所述识别模型的训练过程包括：获取包含非水体目标的训练样本，所述训练样本至少包括：真实农作物图像、真实水草图像、真实生物图像；获取所述训练样本的光谱特征，并根据所述光谱特征对所述训练样本进行处理，得到高光谱形式的训练样本；将所述高光谱形式的训练样本输入至卷积神经网络模型进行监督训练，得到识别模型。
在一个示例中，根据所述特殊波段确定对应的待检测水田位置之后，所述方法还包括：将所述特殊波段与所述整体高光谱图像进行比对，确定所述特殊波段在所述整体高光谱图像中的位置集合；生成所述整体高光谱图像与所述位置集合的二值图像，并通过所述二值图像计算所述位置集合在所述高光谱图像中的占比。
另一方面，本申请提出了一种基于高光谱的水质测定设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下指令：通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像；将所述多个布局高光谱图像进行拼合，得到所述水田对应的整体高光谱图像；通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标，所述非水体目标至少包括以下一种：农作物、水草、生物；根据所述非水体目标对所述整体高光谱图像进行处理，并确定所述处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段；根据所述特殊波段确定对应的待检测水田位置；调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果。
通过本申请提出的一种基于高光谱的水质测定方法及设备能够带来如下有益效果：通过利用了设置在水田各位置处的高光谱仪，在保证检测完整性的基础上，提高了检测频率，降低了检测成本。此外，针对水田这一特殊的水体模型，由于水田中非水体目标的存在，检测精度难以保证，本申请中记载的技术方案不仅可以直接通过高光谱图像，反演得到水质参数，进而得到水质结果，还可以通过对非水体目标进行处理，进而获取到需要精确测量的水体位置，实现了对水田这一场景中，更加精确的水质检测。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种基于高光谱的水质测定方法的流程示意图；
图2为本申请实施例中一种基于高光谱的水质测定设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先需要说明的是，本申请实施例中记载的一种基于高光谱的水质测定方法存储在相应的系统或服务器中，用户可以通过相应终端来登录该系统或服务器，终端可以是手机、平板电脑、个人计算机等具有相应功能的硬件设备，上述终端中可以预装有该系统，也可以通过APP、WEB网站等方式，来登录该系统或服务器，以实现水质检测。
以下结合附图，详细说明本申请各实施例提供的技术方案。
如图1所示，本申请实施例提供的一种基于高光谱的水质测定方法，包括：
S101、通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像。
高光谱仪属于一种特殊的光谱仪，可以测量辐射能量(辐射亮度和辐射照度)，高光谱仪可用于需要测量反射率、透射率、辐射亮度或辐射照度的许多领域，高光谱仪是为地物环境遥感专门设计而成，能够捕获可见光、红外光谱、短波红外光谱等。
光谱分析是判别物质属性的重要方式，由于不同的元素及其化合物都有自己独特的光谱特征，因此高光谱仪能够利用物质的光谱吸收特性，在可见光到短波红外的光谱区间连续获取信号，实现对待检测物质的检测。
本申请中的高光谱仪可以通过镜头直接对水面进行扫描的方式获取高光谱图像，高光谱仪内部可以包括面阵探测器，用于对垂直于当前的方向进行扫描，以获取一维空间信息以及二维空间信息。在本申请中，可以根据现场实际情况以及预算范围选取光
谱范围、光谱通道数、光谱分辨率不同的高光谱仪，高光谱仪的具体型号在此不做具体限定。
具体地，可以预先在水田的不同位置设置多个高光谱仪，多个高光谱仪的扫描范围可以覆盖整个水田，避免出现扫描死角。系统可以每间隔预设时间向多个高光谱仪发送指令，高光谱仪即可根据指令对其面向的水面进行扫描，得到该水面处的高光谱图像。
进一步地，系统可以向预先设置在水田不同位置的高光谱仪发送指令，以通过多个光谱仪，得到多个局部高光谱图像。
通过将高光谱仪设置在水田不同的位置，可以在实现覆盖水田扫描的基础上，避免了通过高成本的卫星遥感扫描。此外，避免了飞行器悬挂光谱仪对水田进行扫描的情况下，因飞行器飞行不稳或空气中影响因素较大而导致采集的高光谱图像不准确的情况。
S102、将所述多个局部高光谱图像进行拼合，得到所述水田对应的整体高光谱图像。
具体地，系统获取多个局部高光谱图像后，将多个局部高光谱图像进行拼合，并裁剪掉重合的部分，得到水田对应的整体高光谱图像。
S103、通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标，所述非水体目标至少包括以下一种：农作物、水草、生物。
具体地，生成的整体高光谱图像中不仅包含水体的光谱特征，也包括了农作物、水草、生物等的其他光谱特征。由于其他光谱特征会对水体的光谱特征产生影响，因此容易造成水体检测结果不准确。为避免此种情况的发生，系统可以通过预先训练的识别模型对整体高光谱图像进行识别，得到整体高光谱图像中的非水体目标，非水体目标包括但不限于：农作物、水草、生物、生产工具、垃圾等。
由于整体高光谱图像中显示的是各种物质的光谱特征，以各种颜色的线条、色块等形式出现，因此需要对识别模型进行针对性训练，使其能够识别非水体目标的光谱特征。
其中，识别模型的训练过程具体包括：
系统首先需要获取包含非水体目标的训练样本，该训练样本中包括但不限于：真实农作物图像、真实水草图像、真实生物图像、真实生产工具图像、真实垃圾图像。需要说明的是，上述各种图像并非是高光谱形式的图像。此外，为保证样本的丰富性，需要提供各种情况下的训练样本，以真实农作物图像为例，需要提供：不同类型的真实农作物图像、不同季节的真实农作物图像、不同密度的真实农作物图像等。
进一步地，系统需要获取所有训练样本的光谱特征，例如：未成熟的水稻的光谱特征等、铁的光谱特征、不同种类木头的光谱特征等。由于本申请中的训练样本巨大，因此需要尽可能多的获取光谱特征。系统可以尝试获取与训练样本完全匹配的光谱特征，此处的完全匹配指的是训练样本的类型、状态等各种情况的完全匹配。若无法获取与训练样本完全匹配的光谱特征，则可以获取与当前训练样本的类型相同的光谱特征，并将该光谱特征作为该训练样本的光谱特征。此后，系统即可以根据光谱特诊对训练样本进行处理，得到高光谱形式的训练样本。
更进一步地，系统将高光谱形式的训练样本输入至预存的卷积神经网络模型中，通过利用卷积神经网络对高光谱形式的训练样本进行深度学习并持续进行监督训练，以得到识别模型。
S104、根据所述非水体目标对所述整体高光谱图像进行处理，并确定所述处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段。
需要说明的是，在识别得到非水体目标之后，为得到水田中需要进行进一步精确检测的水体数据，需要对整体高光谱图像中包含的非水体目标进行剔除处理，避免非水体目标对整体高光谱图像产生影响，导致无法找到需要精确检测水体数据对应的水田位置。
具体地，首先需要确定非水体目标位于高光谱图像中的位置，并将非水体目标进行第一次描边选取，作为待剔除目标。
进一步地，由于非水体目标的外围轮廓的光谱特征与其内部的光谱特征有所区别，因此，需要将环绕待剔除目标第一预设范围内的目标进行第二次描边选取，以扩大待剔除目标的选取范围，之后，将第二次描边选取后的待剔除目标进行剔除，生成包含无色空腔的图像。此处的包含无色空腔的图像即为，剔除了非水体目标的整体高光谱图像。还需要说明的是，上述第一预设范围可以根据不同的精度需求进行不同的设定，其具体数值在此不做具体限定。
进一步地，将包含无色空腔的图像中，环绕该无色空腔部分的有色光谱填充至该无色空腔中，此时空腔即被周围的有色光谱填满，以生成剔除处理后的高光谱图像。
更进一步地，确定经过上述剔除处理后的高光谱图像中，亮度不符合预设要求的特殊波段。需要说明的是，此处的特殊波段即为，水田中某项水体参数对应的光谱波段不在预设范围之内。基于水体中的水体参数都有其对应的光谱波段，而不同浓度的水体参数也同样对应了不同的光谱波段，通过为不同的水体参数提前配置好的正常浓度对应的光谱波段，当经过剔除处理后的高光谱图像中，出现有亮度过高或过低，不再预设范围之内的特殊波段时，说明该位置处的该水体参数不在正常的浓度范围内，需要针对该位置处的水体参数进行进一步的精确测量。
S105、根据所述特殊波段确定对应的待检测水田位置。
具体地，根据特殊波段在剔除处理后的高光谱图像中的范围，并进一步确定对应的待检测水田位置。即说明该位置处的水体特征出现异常，需要进行进一步的精确检测。
S106、调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果。
首先需要说明的是，本申请中的光谱检测仪至少包括光源模块、光谱仪模块，可以通过光源模块发出宽谱光，将宽普光射入待检测水田位置的水体中，并用光谱仪模块接收反射光信号，以生成待检测水田位置处水体的光谱图像，其中，还可以采用光纤光栅传感器以生成更准确的反射光信号。
具体地，首先确定待检测水田位置第二预设范围内是否存在光谱检测仪，若存在光谱检测仪，则启动该光谱检测仪的光源，并根据该光谱检测仪中的光电二极管获取反射光信号，并生成检测结果，作为待检测水田位置处的第一水体检测结果。
进一步地，若第二预设范围内不存在光谱检测仪，则根据上述处理后的整体光谱图像以及预存的参考水质参数，构建参考水体检测模型。其中，该处理后的整体光谱图像即为上文中剔除处理后的整体高光谱图像，这里的图像中不含有非水体目标，只包含水体的光谱特征。此外，系统预存有参考水质参数，该参考水质参数对应水体中各项水质参数的光谱特征，可以通过将处理后的整体高光谱图像输入至参考水体检测模型，得到水体的各项水质参数。
进一步地，选取距离该待检测水田位置处最近的光谱检测仪，并根据该光谱检测仪生成参考检测结果，该参考检测结果并不能反映代检测水田位置处的检测结果。因此，系统可以通过参考水体检测模型对参考检测结果进行修正，具体包括，系统首先通过将处理后的整体高光谱图像输入至参考水体检测模型，并获取光谱检测仪处的第一检测结果，以及待检测水田位置处的第二检测结果，通过将第一检测结果与参考检测结果进行比对，得到差值系数，通过差值系数对第二检测结果进行修正，作为修正后的参考检测结果，并将修正后的参考检测结果作为待检测水田位置处的第一水体检测结果
在一个实施例中，通过识别模型对整体高光谱图像进行识别，得到整体高光谱图像中的非水体目标之后，还可以根据非水体目标对应的非水体参数反演水质参数，此处的非水体参数即为非水体目标的光谱特征，通过反演水质参数，可以在不剔除非水体目标的基础上，得到与上述参考水质参数不同的水质参数，此处的水质参数能够消除非水体目标对水体的影响。
具体地，首先确定非水体目标对应的非水体参数，其中，农作物对应的非水体参数包括但不限于：农作物类型、当前季节的农作物理论生长状况、农作物的实际生长状况；水草对应的非水体参数包括但不限于：水草类型、水草密度、水草实际生长状况；生物对应的非水体参数包括但不限于：生物类型、生物大小、生物体温。
进一步地，根据非水体参数反演得到水田的水质参数，水质参数包括但不限于：需氧量、总磷量、总氮量、溶解氧含量、氨氮量、悬浮物浓度、浊度、总有机碳量、重金属量、挥发性有机污染物量、叶绿素含量、蓝绿藻含量。
更进一步地，可以根据水质参数构建水体检测模型，并根据水体检测模型得到第二水体检测结果。具体包括：将整体高光谱图像输入至水体检测模型，得到第二水体检测结果，第二水体检测结果包括但不限于：水田中低于水质参数的项目、水田中高于水质参数的项目、水田中的正常水质参数。该第二水体检测结果只通过整体高光谱图像即可以生成，虽然参数可能不绝对准确，但具有很强的参考价值。
在一个实施例中，通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像之前，还可以判断水田当前光照度是否小于指定亮度值，若小于指定亮度值，则开启设置在水田不同位置处的宽谱光源。由于高光谱仪通过镜头直接对水田进行扫描，因此其十分依赖阳光，在光照不充足或者阴雨天气时，高光谱仪难以发挥其有效作用，因此，本申请实施例中可以采用为高光谱仪补光的方式来保证高光谱仪的测量精度。
在一个实施例中，根据特殊波段确定对应的待检测水田位置之后，还可以将特殊波段与整体高光谱图像进行比对，以确定该特殊波段在整体高光谱图像中的位置集合，并根据该位置结合，生成整体高光谱图像与位置集合的二值图像，该二值图像能够更加清晰的显示位置集合在整体高光谱图像中的占比，系统即可以通过二值图像计算位置集合在高光谱图像中的占比。通过计算位置集合在整体高光谱图像中的占比，可以更加清晰的显示出需要做出进一步精确测量的水体占据整体水田的占比，由于该位置集合处的水质情况大概率出现问题，因此可以通过占比来评判水田的综合水质情况。
在一个实施例中，如图2所示，本申请提供了一种基于高光谱的水质测定设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下指令：
通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像；
将所述多个布局高光谱图像进行拼合，得到所述水田对应的整体高光谱图像；
通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标，所述非水体目标至少包括以下一种：农作物、水草、生物；
根据所述非水体目标对所述整体高光谱图像进行处理，并确定所述处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段；
根据所述特殊波段确定对应的待检测水田位置；
调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果。
在一个实施例中，本申请还提供了一种基于高光谱的水质测定的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像；
将所述多个布局高光谱图像进行拼合，得到所述水田对应的整体高光谱图像；
通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标，所述非水体目标至少包括以下一种：农作物、水草、生物；
根据所述非水体目标对所述整体高光谱图像进行处理，并确定所述处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段；
根据所述特殊波段确定对应的待检测水田位置；
调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于高光谱的水质测定方法，其特征在于，包括：
通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像；
将所述多个布局高光谱图像进行拼合，得到所述水田对应的整体高光谱图像；
通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标，所述非水体目标至少包括以下一种：农作物、水草、生物；
根据所述非水体目标对所述整体高光谱图像进行处理，并确定所述处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段；
根据所述特殊波段确定对应的待检测水田位置；
调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果。
2.根据权利要求1所述的一种基于高光谱的水质测定方法，其特征在于，通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标之后，所述方法还包括：
根据所述非水体目标对应的非水体参数反演水质参数，并根据所述水质参数构建水体检测模型，并根据所述水体检测模型得到第二水体检测结果。
3.根据权利要求2所述的一种基于高光谱的水质测定方法，其特征在于，根据所述非水体目标对应的非水体参数反演水质参数，并根据所述水质参数构建水体检测模型，并根据所述水体检测模型得到第二水体检测结果，具体包括：
确定所述非水体目标对应的非水体参数，其中，所述农作物对应的非水体参数至少包括：农作物类型、当前季节的农作物理论生长状况、农作物的实际生长状况；所述水草对应的非水体参数至少包括：水草类型、水草密度、水草实际生长状况；所述生物对应的非水体参数至少包括：生物类型、生物大小、生物体温；
根据所述非水体参数反演得到所述水田的水质参数，所述水质参数至少包括：需氧量、总磷量、总氮量、溶解氧含量、氨氮量、悬浮物浓度、浊度、总有机碳量、重金属量、挥发性有机污染物量、叶绿素含量、蓝绿藻含量；
根据所述水质参数构建水体检测模型，并将所述整体高光谱图像输入至所述水体检测模型，得到第二水体检测结果，所述第二水体检测结果至少包括：所述水田中低于所述水质参数的项目、所述水田中高于所述水质参数的项目、所述水田中的正常水质参数。
4.根据权利要求1所述的一种基于高光谱的水质测定方法，其特征在于，通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像之前，所述方法还包括：
判断水田当前光照度是否小于指定亮度值；
若小于所述指定亮度值，则开启设置于所述水田不同位置处的宽谱光源。
5.根据权利要求1所述的一种基于高光谱的水质测定方法，其特征在于，根据所述非水体目标对所述整体高光谱图像进行处理，具体包括：
对所述整体高光谱图像中包含的所述非水体目标进行剔除处理，得到剔除处理后的整体高光谱图像。
6.根据权利要求5所述的一种基于高光谱的水质测定方法，其特征在于，对所述整体高光谱图像中包含的所述非水体目标进行剔除处理，得到剔除处理后的高光谱图像，具体包括：
确定所述非水体目标位于所述整体高光谱图像中的位置，并将所述非水体目标进行第一次描边选取，作为待剔除目标；
将环绕所述待剔除目标第一预设范围内的目标进行第二次描边选取，并将所述第二次描边选取后的待剔除目标进行剔除，生成包含无色空腔的图像；
将所述包含无色空腔的图像中，环绕无色空腔部分的有色光谱填充至所述无色空腔中；
生成剔除处理后的高光谱图像。
7.根据权利要求1所述的一种基于高光谱的水质测定方法，其特征在于，调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果，具体包括：
确定所述待检测水田位置第二预设范围内是否存在光谱检测仪；
若存在所述光谱检测仪，则启动所述光谱检测仪的光源，并根据该光谱检测仪中的光电二极管获取反射光信号，生成检测结果，作为所述待检测水田位置处的第一水体检测结果；
若不存在所述光谱检测仪，则根据所述处理后的整体高光谱图像以及预存的参考水质参数，构建参考水体检测模型；
选取距离所述待检测水田位置处最近的光谱检测仪，并根据该光谱检测仪生成参考检测结果；
通过所述参考水体检测模型对所述参考检测结果进行修正，并将修正后的参考检测结果作为所述待检测水田位置处的第一水体检测结果。
8.根据权利要求1所述的一种基于高光谱的水质测定方法，其特征在于，所述识别模型的训练过程包括：
获取包含非水体目标的训练样本，所述训练样本至少包括：真实农作物图像、真实水草图像、真实生物图像；
获取所述训练样本的光谱特征，并根据所述光谱特征对所述训练样本进行处理，得到高光谱形式的训练样本；
将所述高光谱形式的训练样本输入至卷积神经网络模型进行监督训练，得到识别模型。
9.根据权利要求1所述的一种基于高光谱的水质测定方法，其特征在于，根据所述特殊波段确定对应的待检测水田位置之后，所述方法还包括：
将所述特殊波段与所述整体高光谱图像进行比对，确定所述特殊波段在所述整体高光谱图像中的位置集合；
生成所述整体高光谱图像与所述位置集合的二值图像，并通过所述二值图像计算所述位置集合在所述整体高光谱图像中的占比。
10.一种基于高光谱的水质测定设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下指令：
通过预先设置在水田不同位置的高光谱仪，得到多个局部高光谱图像；
将所述多个布局高光谱图像进行拼合，得到所述水田对应的整体高光谱图像；
通过识别模型对所述整体高光谱图像进行识别，得到所述整体高光谱图像中的非水体目标，所述非水体目标至少包括以下一种：农作物、水草、生物；
根据所述非水体目标对所述整体高光谱图像进行处理，并确定所述处理后的整体高光谱图像中，亮度不符合预设要求的特殊波段；
根据所述特殊波段确定对应的待检测水田位置；
调用光谱检测仪对所述待检测水田位置进行水质检测，获取所述待检测水田位置处的第一水体检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110526050.3A CN113310909B (zh) | 2021-05-14 | 2021-05-14 | 一种基于高光谱的水质测定方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110526050.3A CN113310909B (zh) | 2021-05-14 | 2021-05-14 | 一种基于高光谱的水质测定方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113310909A true CN113310909A (zh) | 2021-08-27 |
| CN113310909B CN113310909B (zh) | 2022-04-26 |
Family
ID=77373104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110526050.3A Active CN113310909B (zh) | 2021-05-14 | 2021-05-14 | 一种基于高光谱的水质测定方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113310909B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115211391A (zh) * | 2022-09-21 | 2022-10-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱遥感技术的鱼虾混养方法 |
| CN115963066A (zh) * | 2022-12-30 | 2023-04-14 | 江苏海洋大学 | 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备 |
| CN117557917A (zh) * | 2024-01-11 | 2024-02-13 | 杭州海康威视数字技术股份有限公司 | 水质检测方法和装置 |
| CN117705729A (zh) * | 2023-11-30 | 2024-03-15 | 广东技术师范大学 | 基于高光谱识别技术的盐湖资源富集度检测方法和装置 |
| CN117808173A (zh) * | 2024-02-29 | 2024-04-02 | 四川省水利科学研究院 | 水田肥度检测方法、相关产品及基于其的种植方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719246A (zh) * | 2016-01-13 | 2016-06-29 | 华南理工大学 | 一种检测开敞水体的光谱成像可视化前处理方法 |
| US9453795B1 (en) * | 2012-02-21 | 2016-09-27 | Bowling Green State University | Method and related systems for mapping high ranges of total phosphate content in water using measurements of reflected light of off surface water |
| CN106442422A (zh) * | 2016-11-18 | 2017-02-22 | 中国水利水电科学研究院 | 水草型湖泊水草区水质遥感间接监测方法 |
| JP2019168248A (ja) * | 2018-03-22 | 2019-10-03 | 住友重機械エンバイロメント株式会社 | 水質状態判別装置 |
| CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
| CN111982831A (zh) * | 2020-07-01 | 2020-11-24 | 深圳市迈珂斯环保科技有限公司 | 一种基于高光谱技术的水质在线监测方法、装置和系统 |
| CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
-
2021
- 2021-05-14 CN CN202110526050.3A patent/CN113310909B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9453795B1 (en) * | 2012-02-21 | 2016-09-27 | Bowling Green State University | Method and related systems for mapping high ranges of total phosphate content in water using measurements of reflected light of off surface water |
| CN105719246A (zh) * | 2016-01-13 | 2016-06-29 | 华南理工大学 | 一种检测开敞水体的光谱成像可视化前处理方法 |
| CN106442422A (zh) * | 2016-11-18 | 2017-02-22 | 中国水利水电科学研究院 | 水草型湖泊水草区水质遥感间接监测方法 |
| JP2019168248A (ja) * | 2018-03-22 | 2019-10-03 | 住友重機械エンバイロメント株式会社 | 水質状態判別装置 |
| CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
| CN111982831A (zh) * | 2020-07-01 | 2020-11-24 | 深圳市迈珂斯环保科技有限公司 | 一种基于高光谱技术的水质在线监测方法、装置和系统 |
| CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
Non-Patent Citations (2)
| Title |
|---|
| 周伟奇: "内陆水体水质多光谱遥感监测方法和技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 谭向农 等: "高光谱遥感在农业生产中的应用及展望", 《北京测绘》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115211391A (zh) * | 2022-09-21 | 2022-10-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱遥感技术的鱼虾混养方法 |
| CN115211391B (zh) * | 2022-09-21 | 2022-12-09 | 广东省农业科学院动物科学研究所 | 一种基于高光谱遥感技术的鱼虾混养方法 |
| CN115963066A (zh) * | 2022-12-30 | 2023-04-14 | 江苏海洋大学 | 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备 |
| CN117705729A (zh) * | 2023-11-30 | 2024-03-15 | 广东技术师范大学 | 基于高光谱识别技术的盐湖资源富集度检测方法和装置 |
| CN117557917A (zh) * | 2024-01-11 | 2024-02-13 | 杭州海康威视数字技术股份有限公司 | 水质检测方法和装置 |
| CN117557917B (zh) * | 2024-01-11 | 2024-05-03 | 杭州海康威视数字技术股份有限公司 | 水质检测方法和装置 |
| CN117808173A (zh) * | 2024-02-29 | 2024-04-02 | 四川省水利科学研究院 | 水田肥度检测方法、相关产品及基于其的种植方法 |
| CN117808173B (zh) * | 2024-02-29 | 2024-04-30 | 四川省水利科学研究院 | 水田肥度检测方法、相关产品及基于其的种植方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113310909B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113310909B (zh) | 一种基于高光谱的水质测定方法及设备 | |
| Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
| Confalonieri et al. | Development of an app for estimating leaf area index using a smartphone. Trueness and precision determination and comparison with other indirect methods | |
| Gutiérrez et al. | On‐the‐go hyperspectral imaging for the in‐field estimation of grape berry soluble solids and anthocyanin concentration | |
| Glatthorn et al. | Standardizing the protocol for hemispherical photographs: accuracy assessment of binarization algorithms | |
| Grotti et al. | An intensity, image-based method to estimate gap fraction, canopy openness and effective leaf area index from phase-shift terrestrial laser scanning | |
| CN111982831A (zh) | 一种基于高光谱技术的水质在线监测方法、装置和系统 | |
| Barreto et al. | Radiometric assessment of a UAV-based push-broom hyperspectral camera | |
| CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| Solvin et al. | Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.) | |
| Lin et al. | Fluorescence Scheimpflug LiDAR developed for the three-dimension profiling of plants | |
| CN106769944B (zh) | 基于图像的双波长植物叶片叶绿素含量检测方法和装置 | |
| Koma et al. | Quantifying 3D vegetation structure in wetlands using differently measured airborne laser scanning data | |
| CN112577955A (zh) | 一种水华水体检测方法和系统 | |
| CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| Taylor et al. | Constraints and opportunities for detecting land surface phenology in drylands | |
| Sookchalearn et al. | A low-cost sensor for measuring and mapping chlorophyll content in cassava leaves | |
| CN113125358B (zh) | 一种基于高光谱的食品农药残留检测方法、设备及介质 | |
| US20240099179A1 (en) | Machine learning-based hyperspectral detection and visualization method of nitrogen content in soil profile | |
| Pasichnyk et al. | Remote field monitoring results feasibility assessment for energy crops yield management. | |
| CN109459391B (zh) | 一种红枣品质检测、红枣偏振检测模型生成方法及装置 | |
| CN116990248A (zh) | 基于光谱分析的气味检测方法、装置、终端及存储介质 | |
| Murray et al. | Using fractal analysis of crown images to measure the structural condition of trees | |
| CN116754555A (zh) | 一种食品质量的快速检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A hyperspectral based water quality measurement method and equipment Effective date of registration: 20230519 Granted publication date: 20220426 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2023980041054 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220426 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2023980041054 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A hyperspectral based water quality measurement method and equipment Granted publication date: 20220426 Pledgee: Huaxia Bank Co.,Ltd. Jinan Branch Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd. Registration number: Y2024980008356 |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Yining Inventor after: Song Xueshu Inventor after: Song Zhihua Inventor after: Chen Fajie Inventor before: Chen Xue Inventor before: Song Xueshu Inventor before: Song Zhihua Inventor before: Chen Fajie |