CN113390795B - 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 - Google Patents
基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 Download PDFInfo
- Publication number
- CN113390795B CN113390795B CN202110489424.9A CN202110489424A CN113390795B CN 113390795 B CN113390795 B CN 113390795B CN 202110489424 A CN202110489424 A CN 202110489424A CN 113390795 B CN113390795 B CN 113390795B
- Authority
- CN
- China
- Prior art keywords
- tea
- quality
- index
- fresh
- image
- 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
- 241001122767 Theaceae Species 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000001228 spectrum Methods 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000003384 imaging method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 239000002689 soil Substances 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 9
- 230000001066 destructive effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000007405 data analysis Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 14
- 240000003553 Leptospermum scoparium Species 0.000 description 14
- 235000015459 Lycium barbarum Nutrition 0.000 description 14
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 150000001413 amino acids Chemical class 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 150000008442 polyphenolic compounds Chemical class 0.000 description 4
- 235000013824 polyphenols Nutrition 0.000 description 4
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 3
- 229960001948 caffeine Drugs 0.000 description 3
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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
本发明提供一种基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置，该方法包括：获取目标区域的茶叶冠层多通道多光谱图像；进行预处理后，生成多光谱合成图像；通过特定植被指数去除土壤背景，用大律法提取待采鲜叶图谱；根据待采鲜叶图谱提取特征植被指数，将其输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值；其中，茶叶鲜叶质量检测模型，根据茶叶质量指标值已知的多光谱合成图像提取特征植被指数后，进行拟合得到。该方法基于较易获得的冠层多光谱影像和预设的茶叶质量检测模型进行质量检测，降低数据采集装置成本，减少数据分析系统大量冗余及无效信息占用，简化分析过程，加快分析速率，利于推广应用，同时实现无损检测。
Description
技术领域
本发明涉及计算机图形技术领域，尤其涉及一种基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置。
背景技术
茶叶原料(茶鲜叶)质量的高低对成品茶的质量具有决定性的影响，而对生长期内的茶树嫩芽(待采鲜叶)进行鲜叶质量监测，及时掌握茶叶嫩芽质量状况对于指导茶园精细化种植技术、保障茶叶原料质量具有重要意义。
传统测定茶鲜叶质量指标，如茶多酚、游离氨基酸、水浸出物、咖啡碱、可溶性糖等，多采用化学检测的方法，如分光光度法、高效液相色谱法等。然而这些方法以实验室测试为基础，不仅具有样品破坏性、人员技能要求高等缺点，而且存在耗时费力、时间滞后性特点，无法及时掌握茶叶质量，和进行生产反馈。近年来光谱分析技术日渐成熟，其具有快速、无损、准确、简便等优点，可描述C-H、O-H和N-H基团等在380～2500nm光谱波长范围内的特征频率和组合带，用于分析大多数化合物，茶叶质量也属此类含氢基团。然而，大多数研究都使用了基于实验室的台式光谱仪，这样虽然缩短了获取质量结果的时间，但仍需要对茶叶进行破坏取样，这种以点代面的测定方式容易受样品采样误差的影响，结果不稳定性较强，并且此类设备大多成本昂贵且无法移动。少量研究使用便携式光谱仪进行诊断，如ASD场光谱仪，采用高光谱采集技术，但这类仪器的成本高昂，需要较高的操作技能及强大的数据处理后端，也使它们很难成为种植户的常规测试工具。因此，为种植户寻找成本低、方便、快捷的质量诊断监测工具十分必要。
当前，茶叶质量检测技术主要集中在茶叶加工的成品茶检测上，针对茶鲜叶质量的检测方法十分有限，现阶段茶鲜叶质量的检测手段多集中在单叶检测上，一种方法是破坏取样，再应用化学检测手段得到质量数据，该方法不仅破坏茶叶生长而且耗时耗力，不适用于正在生长的茶树质量检测，不利于反馈农业生长以及茶叶采摘的及时性。另一种方法使用手持单叶检测设备应用光谱的分析技术，该方法虽然便捷但这种基于以点带面的检测方式对于大面积的茶叶质量检测的准确性以及代表性会受到样品量的限制。
发明内容
针对现有技术存在的问题，本发明提供一种基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置。
本发明提供一种基于冠层成像光谱的茶叶鲜叶质量无损监测方法，包括：获取目标区域的茶叶冠层多通道多光谱图像；对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；其中，所述茶叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到。
根据本发明一个实施例的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，所述通过植被指数去除土壤背景，包括：根据预设的植被指数对得到的合成图像进行掩膜提取，获取去除土壤背景后的多光谱合成图像。
根据本发明一个实施例的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，所述根据预设的植被指数对得到的合成图像进行掩膜提取，包括：根据绿波段增强指数减去红波段增强指数，对得到的合成图像进行掩膜提取；其中，所述绿波段增强指数和所述红波段增强指数如下：
ExG＝2G-R-B；
ExR＝1.4R-G；
式中，ExG为绿波段增强植被指数，ExR为红波段增强植被指数；R、G和B分别为红波段、绿波段和蓝波段的亮度值或原始DN值。
根据本发明一个实施例的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，所述通过大律法提取待采鲜叶图谱，包括：
通过大津法对去除土壤背景后的图像进行二值化分割，得到只包含待采鲜叶光谱信息的多光谱合成图像。
根据本发明一个实施例的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，所述对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像，包括：
对所述多光谱图像进行辐射定标，对定标后的图像进行辐射率转换为反射率，对反射率图像进行配准及对齐后，得到所述多光谱合成图像。
根据本发明一个实施例的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，所述特征植被指数包括NDVI、NDRE、MSR、GNDVI、RVI、GRVI、MCARI、NPCI、SIPI、TVI植被指数。
根据本发明一个实施例的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，将所述特征植被指数输入预设的茶叶质量检测模型之前，还包括：
获取茶叶质量指标或者茶叶质量等级，以及特征植被指数已知的多光谱合成图像；
根据预设算法，以特征植被指数为输入，茶叶质量指标值或者茶叶质量等级为输出，拟合得到所述预设的茶叶质量检测模型；
其中，所述预设算法包括偏最小二乘回归、支持向量机和随机森林法中任意一种。
本发明还提供一种基于冠层成像光谱的茶叶鲜叶质量无损监测装置，包括：采集模块，用于获取目标区域的茶叶冠层多通道多光谱图像；处理模块，用于对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；输出模块，用于根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；其中，所述茶叶鲜叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于冠层成像光谱的茶叶鲜叶质量无损监测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于冠层成像光谱的茶叶鲜叶质量无损监测方法的步骤。
本发明提供的基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置，基于较易获得的冠层多光谱影像和预设的茶叶质量检测模型进行质量检测，降低数据采集装置成本，减少数据分析系统大量冗余及无效信息的占用，简化分析过程，加快分析速率，利于推广应用，同时可实现无损检测。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于冠层成像光谱的茶叶鲜叶质量无损监测方法的流程示意图；
图2是本发明提供的基于冠层成像光谱的茶叶鲜叶质量无损监测装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图3描述本发明的基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置。图1是本发明提供的基于冠层成像光谱的茶叶鲜叶质量无损监测方法的流程示意图，如图1所示，本发明提供基于冠层成像光谱的茶叶鲜叶质量无损监测方法，包括：
101、获取目标区域的茶叶冠层多通道多光谱图像。
可利用搭载多光谱传感器的装置，获取目标区域的茶树冠层多光谱图像，目标区域即需要检测的区域。例如，使用的多光谱传感器为5通道，分别为红、绿、蓝、近红外、红边，分辨率为1280*960，图像采集高度为距离冠层0.8米左右，将白板放置在冠层采集区域同时采集，以便进行后续校正流程。
102、对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱。
预处理，具体包括辐射定标、辐射率转换为反射率和图像对齐等，最后使多通道图像合成具有所有通道光谱信息的一张图像。例如，对获取5个通道的多光谱图像原始DN值进行辐射定标，得到其辐亮度，再利用图片中的参考白板进行辐射率到反射率的转换，经过图像配准、融合、裁剪后得到融合5个通道光谱信息的多光谱合成图像。考虑到土壤等背景的影响，通过特定植被指数去除土壤背景，随后用大律法提取待采鲜叶图谱。
103、根据所述待采鲜叶图谱多光谱合成图像提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级。
根据多光谱合成图像的光谱信息计算特征植被指数，特征植被指数是能够反映茶叶鲜叶质量的植被指数，可以有多个。特征植被指数的确定过程包括：建立植被指数数据库，该数据库包含现阶段大多数植被指数及其计算方法；根据提取的待采鲜叶光谱信息计算植被指数，并选取与茶叶鲜叶质量(如水浸出物、茶多酚、咖啡碱、可溶性糖、游离氨基酸)相关性较强的植被指数，作为特征植被指数。
作为可选实施例，本发明选取了与茶多酚和游离氨基酸的相关性较强的以下植被指数：NDVI、NDRE、MSR、GNDVI、RVI、GRVI、MCARI、NPCI、SIPI、TVI。
在103之前，已对选取的特征植被指数与茶叶质量指标或者质量等级之间的量化关系或等级关系建立了茶叶质量检测模型，即预设的茶叶质量检测模型。例如，应用偏最小二乘回归、支持向量机、随机森林或深度神经网络等算法构建茶叶质量检测模型。根据目标区域的茶叶冠层多光谱合成图像可得到对应的特征植被指数，再应用已经拟合的茶叶质量检测模型，可实现对茶叶嫩芽质量的监测与检测。茶叶质量预测的结果，可以是茶叶质量的指标值，例如，茶多酚、游离氨基酸、水浸出物、咖啡碱、可溶性糖等的含量。也可以是预先根据茶叶质量的指标值设置的的等级，如优、良、合格和不合格等。
茶叶鲜叶质量监测结果输出设备与形式不受限制，可通过手机、电脑等移动端，也可嫁接于后期田间管理操作系统，结合反馈指导茶园精细化管理。
本发明的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，基于较易获得的冠层多光谱影像和预设的茶叶质量检测模型进行质量检测，降低数据采集装置成本，减少数据分析系统大量冗余及无效信息的占用，简化分析过程，加快分析速率，利于推广应用，同时可实现无损检测。通过本发明的茶叶质量指标反馈茶叶质量信息，可及时调整对茶叶的种植管理，做到从源头管控茶叶质量，对于提高茶叶生产效率、提高茶叶整体生产水平具有重要意义。
在一个实施例中，通过植被指数去除土壤背景包括：根据预设的植被指数对得到的合成图像进行掩膜提取，获取去除土壤背景后的多光谱合成图像。
考虑到土壤背景噪声和老叶及其它枝干的影响，本发明实施例中进一步剔除茶叶冠层土壤背景噪声和老叶及其它枝干的影响。即应用合适的植被指数对得到的合成图像进行掩膜提取，获取去除背景噪声、只包含茶树信息的去噪图像，如通过阈值分割选取，获得只包含茶叶嫩芽光谱信息的茶叶图像。
在一个实施例中，所述根据预设的植被指数对得到的合成图像进行掩膜提取，包括：根据绿波段增强指数减去红波段增强指数，对得到的合成图像进行掩膜提取；其中，所述绿波段增强指数和所述红波段增强指数如下：
ExG＝2G-R-B；
ExR＝1.4R-G；
式中，ExG为绿波段增强植被指数，ExR为红波段增强植被指数；R、G和B分别为红波段、绿波段和蓝波段的亮度值或原始DN值。
冠层光谱分析技术，可以有效减小以点带面造成的代表性差等问题，但采集的冠层光谱受室外采集光谱背景因素干扰的影响，数据分析过程复杂且不确定高。目前，茶叶冠层光谱反演目标待采叶片化学成分的分析方法，缺乏剔除背景以及老叶等非目标叶片光谱，提取茶叶嫩芽光谱的有效手段，使得生长期内茶叶待采摘部位质量监测受到限制。本发明通过采用特定植被指数(ExG-ExR)剔除背景杂质，提取茶树待采鲜叶光谱及图像信息，可以有效消除土壤、老叶、枝干等的影响，从而提高茶叶鲜叶质量的估测精度。
在一个实施例中，通过大律法提取待采鲜叶图谱包括：通过大津法对去除土壤背景后的图像进行二值化分割，得到只包含待采鲜叶光谱信息的多光谱合成图像。
大津法(Otsu)是一种确定图像二值化分割阈值的算法，按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。
它被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。它按图像的灰度特性，将图像分成背景和前景两部分。通过大津法对图像进行二值化分割，可降低错分概率。
本发明通过采用Otsu算法进行二值化分割，提取茶树待采鲜叶光谱及图像信息，可以减少二值化分割的误差，从而提高茶叶鲜叶质量的估测精度。
在一个实施例中，所述对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像，包括：对所述多光谱图像进行辐射定标，对定标后的图像进行辐射率转换为反射率，对反射率图像进行配准及对齐后，得到所述多光谱合成图像。
具体地，可按以下方法，对获取的多光谱图像进行预处理：
首先，对多光谱图像进行辐射定标；
对定标后的图像进行辐射率转换为反射率：
其中，Rt(λ)为茶树光谱在波长λ处的光谱反射率；Lt(λ)为茶树光谱在波长λ处的辐射率，Lref(λ)为定标白板光谱在波长λ处的辐射率；Rref(λ)为定标白板光谱在波长λ处的反射率。再使用Imregtform函数对图像进行配准及对齐。
在一个实施例中，所述特征植被指数包括NDVI、NDRE、MSR、GNDVI、RVI、GRVI、MCARI、NPCI、SIPI、TVI植被指数，上述实施例已作说明，此处不再赘述。
在一个实施例中，将所述特征植被指数输入预设的茶叶质量检测模型之前，还包括：
获取茶叶质量指标或者对应的茶叶质量等级，以及特征植被指数已知的多光谱合成图像；根据预设算法，以特征植被指数为输入，茶叶质量指标值或者茶叶质量等级为输出，拟合得到所述预设的茶叶质量检测模型；其中，所述预设算法包括偏最小二乘回归、支持向量机和随机森林法中任意一种。
对于茶叶质量指标和特征植被指数已知的多光谱合成图像，茶叶质量指标可按照现有的方法进行提取，例如通过实验室测试的方法。但是，传统方法进行在建立模型时需要通过实验测试各茶叶质量指标值，在模型的应用阶段，本方法无需再次通过实验室测试的方法得到指标值。
综上所述，现阶段对于茶树冠层反演目标待采叶片化学成分的分析方法，缺乏剔除土壤背景以及老叶等非目标叶片光谱的有效手段，使得生长期内茶叶待采摘部位质量监测受到限制。本发明获取生长期内茶树冠层多光谱图像，经过辐射定标、通道影像融合，获得融合多通道信息的光谱图像，通过采用特定植被指数(ExG-ExR)剔除背景杂质，采用Otsu算法进行二值化分割，提取茶树嫩芽光谱及图像信息，在此基础上反演植被指数，通过选取与鲜叶质量相关性强的植被指数采用合适的算法构建茶叶鲜叶质量模型，达到快速、准确预测茶叶鲜叶质量的目的。
本发明使用多光谱传感器获取生长中的茶树冠层多光谱图像，经过对原始图谱进行必要的辐射定标、图像对齐等预处理后，对校正后的多光谱对象通过选取合适的植被指数掩膜的方法，剔除茶树老叶和土壤背景噪声，以此分割提取嫩芽图谱，选取与茶鲜叶质量相关性较强的植被指数进行建模，实现对茶叶嫩芽质量的估算，该方法通过从冠层光谱提取目标待测物光谱反演其化学成分，专一性及针对性较强，减少了其他部位茶树光谱的干扰与噪声，应用该方法构建茶叶质量监测系统，实现茶树生长期间的茶叶质量监测，有助于指导茶园精细化种植，保障茶叶原料质量。
下面对本发明提供的基于冠层成像光谱的茶叶鲜叶质量无损监测装置进行描述，下文描述的基于冠层成像光谱的茶叶鲜叶质量无损监测装置与上文描述的基于冠层成像光谱的茶叶鲜叶质量无损监测方法可相互对应参照。
图2是本发明提供的基于冠层成像光谱的茶叶鲜叶质量无损监测装置的结构示意图，如图2所示，该基于冠层成像光谱的茶叶鲜叶质量无损监测装置包括：采集模块201、处理模块202和输出模块203。其中，采集模块201用于获取目标区域的茶叶冠层多通道多光谱图像；处理模块202用于对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；输出模块203用于根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；其中，所述茶叶鲜叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的基于冠层成像光谱的茶叶鲜叶质量无损监测装置，基于较易获得的冠层多光谱影像和预设的茶叶质量检测模型进行质量检测，降低数据采集装置成本，减少数据分析系统大量冗余及无效信息的占用，简化分析过程，加快分析速率，利于推广应用，同时可实现无损检测。
本发明的装置可安装于室外茶园，农民应用时只需通过简单的鼠标点击或手机点击就可以了解田间茶树待采鲜叶的质量信息，适时进行田间管理及采茶等措施。
图3是本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行基于冠层成像光谱的茶叶鲜叶质量无损监测方法，该方法包括：获取目标区域的茶叶冠层多通道多光谱图像；对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；其中，所述茶叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，该方法包括：获取目标区域的茶叶冠层多通道多光谱图像；对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；其中，所述茶叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，该方法包括：获取目标区域的茶叶冠层多通道多光谱图像；对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；其中，所述茶叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于冠层成像光谱的茶叶鲜叶质量无损监测方法，其特征在于，包括：
获取目标区域的茶叶冠层多通道多光谱图像；
对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；
根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；
其中，所述茶叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到；
所述通过植被指数去除土壤背景，包括：
根据预设的植被指数对得到的合成图像进行掩膜提取，获取去除土壤背景后的多光谱合成图像；
所述根据预设的植被指数对得到的合成图像进行掩膜提取，包括：
根据绿波段增强指数减去红波段增强指数，对得到的合成图像进行掩膜提取；
其中，所述绿波段增强指数和所述红波段增强指数如下：
ExG＝2G-R-B；
ExR＝1.4R-G；
式中，ExG为绿波段增强植被指数，ExR为红波段增强植被指数；R、G和B分别为红波段、绿波段和蓝波段的亮度值或原始DN值。
2.根据权利要求1所述的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，其特征在于，所述通过大律法提取待采鲜叶图谱，包括：
通过大津法对去除土壤背景后的图像进行二值化分割，得到只包含待采鲜叶光谱信息的多光谱合成图像。
3.根据权利要求1所述的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，其特征在于，所述对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像，包括：
对所述多光谱图像进行辐射定标，对定标后的图像进行辐射率转换为反射率，对反射率图像进行配准及对齐后，得到所述多光谱合成图像。
4.根据权利要求1所述的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，其特征在于，所述特征植被指数包括NDVI、NDRE、MSR、GNDVI、RVI、GRVI、MCARI、NPCI、SIPI、TVI植被指数。
5.根据权利要求1所述的基于冠层成像光谱的茶叶鲜叶质量无损监测方法，其特征在于，将所述特征植被指数输入预设的茶叶质量检测模型之前，还包括：
获取茶叶质量指标或者对应的茶叶质量等级，以及特征植被指数已知的多光谱合成图像；
根据预设算法，以特征植被指数为输入，茶叶质量指标值或者茶叶质量等级为输出，拟合得到所述预设的茶叶质量检测模型；
其中，所述预设算法包括偏最小二乘回归、支持向量机和随机森林法中任意一种。
6.一种基于冠层成像光谱的茶叶鲜叶质量无损监测装置，其特征在于，包括：
采集模块，用于获取目标区域的茶叶冠层多通道多光谱图像；
处理模块，用于对所述多通道多光谱图像数据进行预处理后，生成多光谱合成图像；通过植被指数去除土壤背景，并通过大律法提取待采鲜叶图谱；
输出模块，用于根据所述待采鲜叶图谱提取特征植被指数，将所述特征植被指数输入预设的茶叶质量检测模型，得到目标区域的茶叶质量指标预测值或者茶叶质量等级；
其中，所述茶叶质量检测模型，根据茶叶质量指标值或者茶叶质量等级已知的多光谱合成图像，提取特征植被指数后，进行拟合得到；
所述通过植被指数去除土壤背景，包括：
根据预设的植被指数对得到的合成图像进行掩膜提取，获取去除土壤背景后的多光谱合成图像；
所述根据预设的植被指数对得到的合成图像进行掩膜提取，包括：
根据绿波段增强指数减去红波段增强指数，对得到的合成图像进行掩膜提取；
其中，所述绿波段增强指数和所述红波段增强指数如下：
ExG＝2G-R-B；
ExR＝1.4R-G；
式中，ExG为绿波段增强植被指数，ExR为红波段增强植被指数；R、G和B分别为红波段、绿波段和蓝波段的亮度值或原始DN值。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于冠层成像光谱的茶叶鲜叶质量无损监测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于冠层成像光谱的茶叶鲜叶质量无损监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110489424.9A CN113390795B (zh) | 2021-04-29 | 2021-04-29 | 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110489424.9A CN113390795B (zh) | 2021-04-29 | 2021-04-29 | 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113390795A CN113390795A (zh) | 2021-09-14 |
| CN113390795B true CN113390795B (zh) | 2023-05-26 |
Family
ID=77617968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110489424.9A Active CN113390795B (zh) | 2021-04-29 | 2021-04-29 | 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113390795B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059426A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 |
| AU2012323411B2 (en) * | 2011-10-13 | 2017-12-07 | Pioneer Hi-Bred International, Inc. | Automatic detection of object pixels for hyperspectral analysis |
| US10520482B2 (en) * | 2012-06-01 | 2019-12-31 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
| CN106500841B (zh) * | 2016-10-26 | 2018-06-29 | 武汉大学 | 一种遥感监测大面积茶园植株多酚含量的方法及系统 |
| CN108956485A (zh) * | 2018-07-26 | 2018-12-07 | 昆山小茶智能科技有限公司 | 基于冠层反射光谱的茶树营养状况快速诊断方法 |
| CN112613338B (zh) * | 2020-11-19 | 2023-11-24 | 南京农业大学 | 基于rgb图像融合特征的小麦叶层氮含量估测方法 |
-
2021
- 2021-04-29 CN CN202110489424.9A patent/CN113390795B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113390795A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11454594B2 (en) | Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| Liu et al. | A robust automated flower estimation system for grape vines | |
| Xiaobo et al. | Independent component analysis in information extraction from visible/near-infrared hyperspectral imaging data of cucumber leaves | |
| CN110514597A (zh) | 基于星地遥感数据协同的农作物病虫害监测方法 | |
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| CN110763698A (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN108734205A (zh) | 一种针对不同品种小麦种子的单粒定点识别技术 | |
| CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
| CN100357725C (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
| RU2695963C1 (ru) | Способ распознавания образов биохимических наземных объектов с тонкими спектральными различиями на основе гиперспектральных данных | |
| CN112085781A (zh) | 一种基于光谱重构技术提取冬小麦种植面积的方法 | |
| CN108195784A (zh) | 一种番茄叶绿素含量多光谱估测方法 | |
| CN116645603A (zh) | 一种大豆种植区识别和面积测算方法 | |
| CN101059427A (zh) | 多光谱成像技术快速无损测量茶树含氮量的方法 | |
| CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
| CN109187578A (zh) | 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 | |
| CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN108801936B (zh) | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 | |
| Islam et al. | A ground-based platform for reliable estimates of fruit number, size, and color in stone fruit orchards | |
| CN113390795B (zh) | 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 | |
| CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
| CN111650130A (zh) | 一种荔枝叶片镁含量的预测方法及预测系统 | |
| JP6246978B2 (ja) | 線維化を検出及び定量化する方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee after: Information technology research center of Beijing Academy of agricultural and Forestry Sciences Address before: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee before: BEIJING RESEARCH CENTER FOR INFORMATION TECHNOLOGY IN AGRICULTURE |
|
| CP01 | Change in the name or title of a patent holder |