CN114062282A - 一种树上果实干物质快速判定方法及装置 - Google Patents
一种树上果实干物质快速判定方法及装置 Download PDFInfo
- Publication number
- CN114062282A CN114062282A CN202210032011.2A CN202210032011A CN114062282A CN 114062282 A CN114062282 A CN 114062282A CN 202210032011 A CN202210032011 A CN 202210032011A CN 114062282 A CN114062282 A CN 114062282A
- Authority
- CN
- China
- Prior art keywords
- tree
- fruit
- trees
- white board
- hyperspectral 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.)
- Granted
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种树上果实干物质快速判定方法及装置，所述方法包括以下步骤：A、对多个树上果实样品分别进行高光谱图像数据采集和树上果实样品干物质含量的测量；B、数据处理模块基于所述多个树上果实样品的高光谱图像数据和干物质含量，进行品质预测模型训练；C、对树上目标果实进行高光谱图像数据的采集，利用所述品质预测模型，预测树上目标果实的干物质含量。本发明的树上果实干物质快速判断方法和装置，能够在现场直接测量树上果实的干物质含量，具有能实现同时、大量、快速、无损检测果实，且能连续作业的优点。
Description
技术领域
本发明涉及现代自动化农业技术，特别是涉及到农业种植中的果实特性测量方法。
背景技术
果实干物质是指有机体在60℃--90℃的恒温下，充分干燥后余下的有机物。干物质与水果中的淀粉、糖分含量直接相关。对于某些水果，如猕猴桃、芒果、香蕉、鳄梨、苹果、樱桃等，干物质含量被认为是判断果实成熟度的重要指标。对于果实干物质含量的测定，目前采用的方法可以分为有损方式与无损方式。
有损方式通常为对树上果实样品进行脱水，测量剩余物质质量，并计算其与脱水前质量的比值，得到树上果实样品干物质含量。此外，也有通过测定其他指标间接判定干物质含量的方法，例如发明专利-快速测定甘薯干物质含量的方法（申请号/专利号：CN201510990669.4）公开了一种通过硬度仪测定甘薯块硬度值，再将硬度值带入回归方程，计算干物质含量，来判定甘薯干物质含量的方法。
无损方式则多为利用近红外光谱仪及高光谱仪获取果实光谱反射率，利用不同干物质含量果实在不同波段表现出的差异，判定果实干物质含量。
现有技术中的有损或者无损方法均存在一些技术问题，例如通过有损方法判定果实干物质含量会对树上果实样品造成损害，产生大量的废料，且需耗费一定的人力物力成本，并且需要经过脱水等程序，耗时长，无法用于树上果实干物质含量的快速判定。
近红外光谱仪及高光谱仪虽然可以实现果实干物质含量的无损判定，但由于其体积庞大，只能应用于实验室场景的干物质含量测定，同样无法实现树上果实干物质含量的快速判定。
发明内容
为了解决现有技术中有损方法判定果实干物质含量会对树上果实样品造成损害，产生大量的废料，且需耗费一定的人力物力成本，并且需要经过脱水程序，耗时长，无法用于树上果实干物质含量的快速判定的技术问题；以及近红外光谱仪及高光谱仪虽然可以实现果实干物质含量的无损判定，但由于其体积庞大，只能应用于实验室场景的干物质含量测定，同样无法实现树上果实干物质含量的快速判定的技术问题，本发明提出了一种树上果实干物质快速判断方法和装置，能够在田间地头直接测量树上果实的干物质含量，具有能实现同时、大量、快速、无损检测果实，且能连续作业的优点。
为了实现这一目标，本发明采取了如下的技术方案。
一种树上果实干物质快速判定方法，所述方法包括以下步骤：
A、对多个树上果实样品分别进行高光谱图像数据采集和树上果实样品干物质含量的测量；
B、数据处理模块基于所述多个树上果实样品的高光谱图像数据和干物质含量，进行品质预测模型训练；
C、对树上目标果实进行高光谱图像数据的采集，利用所述品质预测模型，预测树上目标果实的干物质含量。
另外，所述对多个树上果实样品分别进行高光谱图像数据采集的步骤包括：
对所述多个树上果实样品，调整高光谱相机的拍摄角度和与所述树上果实样品的相对距离，以及调整标准白板的位置，设置高光谱图像数据的采集波段范围及波长间隔，采集所述树上果实样品以及标准白板的高光谱图像数据。
另外，所述数据处理模块基于所述多个树上果实样品的高光谱图像数据和干物质含量，进行品质预测模型训练的步骤包括：
B01、对包含标准白板的多个树上果实样品的高光谱图像数据，识别标准白板的区域，并获取标准白板在各波段下的辐亮度值；利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正，得到高光谱图像数据中其他部分在各波段下的光谱反射率信息；
B02、识别并提取高光谱图像数据中的树上果实样品部分，针对所述树上果实样品部分获取各波段下的平均光谱反射率，利用各波段下的平均光谱反射率获得所述树上果实样品的光谱数据；
B03、对多个树上果实样品中每个树上果实样品的光谱数据进行处理，并与所述树上果实样品的干物质含量相结合，进行品质预测模型训练，得到品质预测模型。
另外，所述利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正的步骤包括：
选取所述高光谱图像数据中标准白板区域中10个以上像素点，将选取的10个以上标准白板区域像素点在各波段下的平均辐亮度值与相应波段下的标准白板反射率相对比，进而对图像中其他像素点在各波段下的光谱反射率进行白板校正，所述白板校正的方法为：
在各个波段下，各像素点的反射率=各像素点的辐亮度值*标准白板反射率/白板区域各像素点平均辐亮度值。
另外，所述根据多个树上果实样品中每个树上果实样品的光谱数据与所述树上果实样品的干物质含量，进行品质预测模型训练的步骤包括：
B031、对所述多个树上果实样品中每个树上果实样品的光谱数据，进行光谱预处理，所述光谱预处理包括对所述光谱数据进行多元散射校正，以消除光谱数据中光散射的影响；所述光谱预处理还包括标准正态变换，以消除所述树上果实样品表面固体颗粒大小散射以及光程变化对光谱数据中光谱信息的影响；
B032、对经过光谱预处理的光谱数据中的光谱信息进行特征波段提取，所述特征波段提取包括将所述光谱信息经过映射或变换方式投影至低维空间，在低维空间中提取特征波段，再将特征波段与经光谱预处理后的光谱数据相结合，获取特征波段反射率；
B033、利用多个树上果实样品中每个树上果实样品的特征波段反射率，分别与该树上果实样品的干物质含量相对应，获取品质预测模型。
另外，所述对树上目标果实进行高光谱图像数据的采集，利用所述品质预测模型，预测树上目标果实的干物质含量的步骤包括：
C01、对所述树上目标果实和标准白板采集高光谱图像数据，对所述高光谱图像数据进行白板校正，获得所述树上目标果实的光谱曲数据；
C02、对所述树上目标果实的光谱数据，进行光谱预处理和特征波段提取，再将特征波段与经光谱预处理后的光谱数据相结合，获得树上目标果实的特征波段反射率；
C03、利用树上目标果实的特征波段反射率与品质预测模型，预测树上目标果实的干物质含量。
另外，所述利用多个树上果实样品中每个树上果实样品的特征波段反射率，分别与该树上果实样品的干物质含量相对应，获取品质预测模型的步骤包括：
采用最小二乘支持向量机方法对多个树上果实样品中每个树上果实样品的特征波段反射率与该树上果实样品的干物质含量的关系进行训练，采用最小二乘线性系统估计预测检测值与测量的干物质含量之间的误差，当所述误差满足预测精度要求后，完成品质预测模型的训练。
本发明还包括一种树上果实干物质快速判定装置，所述装置包括高光谱图像采集模块、数据处理模块、交互显示模块和移动模块，其中所述高光谱图像采集模块用于对多个树上果实样品和标准白板进行高光谱图像数据采集，以及用于对树上目标果实和标准白板进行高光谱图像数据的采集；
所述数据处理模块用于基于所述多个树上果实样品的高光谱图像数据和所测量的干物质含量，进行品质预测模型训练，以及利用所述品质预测模型，预测树上目标果实的干物质含量，以及控制高光谱图像采集模块、移动模块和交互显示模块；
所述移动模块用于对所述多个树上果实样品或者树上目标果实，调整高光谱相机的位置和拍摄角度；调整标准白板的位置、角度；控制所述装置的移动位置、移动速度，保证装置的移动与高光谱图像采集速度、数据处理速度相匹配；
所述交互显示模块用于输出树上目标果实的干物质含量预测结果以及接收用户的操作控制指令输入。
另外，所述数据处理模块包括白板校正单元、图像识别单元、光谱预处理单元和特征波段反射率提取单元，其中，
所述白板校正单元用于对所述树上果实样品或树上目标果实的高光谱图像数据，识别标准白板的区域，并获取标准白板在各波段下的辐亮度值；利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正，得到高光谱图像数据中其他部分在各波段下的光谱反射率信息；
所述图像识别单元光谱数据用于识别并提取高光谱图像数据中的树上果实样品部分或树上目标果实部分，针对所述树上果实样品部分或树上目标果实部分获取各波段下的平均光谱反射率，利用各波段下的平均光谱反射率获得所述树上果实样品或树上目标果实的光谱数据；
所述光谱预处理单元用于对每个树上果实样品或树上目标果实的光谱数据进行光谱预处理，所述光谱预处理包括对光谱数据进行多元散射校正，以消除光谱数据中光散射的影响；所述光谱预处理还包括标准正态变换，以消除树上果实样品或树上目标果实的表面固体颗粒大小散射以及光程变化对光谱数据中光谱信息的影响；
所述特征波段反射率提取单元用于对经过光谱预处理的光谱数据中的光谱信息进行特征波段提取，所述特征波段提取包括将所述光谱信息经过映射或变换方式投影至低维空间，在低维空间中提取特征波段，再将特征波段与经光谱预处理后的光谱数据相结合，获取特征波段反射率。
另外，所述数据处理模块还包括品质预测模型训练单元，所述品质预测模型训练单元用于采用最小二乘支持向量机方法对多个树上果实样品中每个树上果实样品的特征波段反射率与该树上果实样品的干物质含量进行训练，采用最小二乘线性系统估计预测检测值与测量的干物质含量之间的误差，当所述误差满足预测精度要求后，完成品质预测模型的训练。
本发明所具有的技术效果包括如下。
1.本发明中，利用到了不同干物质含量的果实在特定光谱波段反射率上表现出的差异，实现果实干物质含量的无损判定，具有快捷高效、同时大批量的优点。
2.本发明通过操作树上果实干物质快速判定装置在果园中拍摄及移动，实现了果园中树上果实干物质含量的实时快速判定，可以实现对果园中果实成熟度分布的精确把握，解决了传统采样方式测量所带来的损耗及样本代表性不足的问题。
3.本发明中，对于树上果实样品和树上目标果实的高光谱图像数据在各自特征波段下的反射率进行了提取，因此避免了数据量不完整不能充分代表干物质含量的问题，同时对于各种不同的树上果实具有广泛适用性。
4.本发明中，对于每个树上果实样品或树上目标果实的光谱数据，进行多元散射校正和标准正态变换，因此能够消除高光谱信息中光散射的影响，使其包含有更多与果实干物质含量相关的光谱信息，并能消除果实样本或树上目标果实表面固体颗粒大小散射以及光程变化对高光谱信息的影响，因此本发明相对于现有技术的无损检测而言能够连续、快速作业。
5.本发明中，采用了最小二乘支持向量机方法对多个树上果实样品中每个树上果实样品的特征波段反射率与该树上果实样品的干物质含量的关系进行训练，该方法是在支持向量机（Support Vector Machine，SVM）的基础上提出的，采用最小二乘线性系统估计预测检测值与真实值之间的误差，代替了 SVM 中采用的二次规划方法，能解决线性与非线性问题，如分类和预测估计等。训练品质预测模型的精度高，也比较快捷，需要较少的树上果实样品即可实现，因此减少了初期测量树上果实样品干物质含量的工作量，相应地也就缩短了树上果实干物质快速判断方法的工作周期。
附图说明
图1为根据本发明具体实施方式的树上果实干物质快速判断方法及装置的整体结构图。
图2为根据本发明具体实施方式的树上果实干物质快速判断方法的流程示意图。
具体实施方式
下面结合附图，对本发明作详细说明。
以下公开详细的示范实施例。然而，此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。
然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。
参阅附图，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的位置限定用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
同时应该理解，如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解，当部件或单元被称为“连接”或“耦接”到另一部件或单元时，它可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述部件或单元之间关系的其他词语应该按照相同的方式理解（例如，“之间”对“直接之间”、“相邻”对“直接相邻”等）。
图1为根据本发明具体实施方式的树上果实干物质快速判断方法及装置的整体结构图。图2为根据本发明具体实施方式的树上果实干物质快速判断方法的流程示意图。如图所示，本发明具体实施方式中包括一种树上果实干物质快速判定方法，所述方法包括以下步骤：
A、对多个树上果实样品分别进行高光谱图像数据采集和树上果实样品干物质含量的测量；
B、数据处理模块基于所述多个树上果实样品的高光谱图像数据和干物质含量，进行品质预测模型训练；
C、对树上目标果实进行高光谱图像数据的采集，利用所述品质预测模型，预测树上目标果实的干物质含量。
本发明的核心要素之一在于利用果实的高光谱图像数据来进行干物质含量的预测，为了提高本发明方法的适用范围，以及消除环境影响，本发明利用同一果园，或同一区域范围内的树上果实互相对比。首先利用该果园或者该区域范围内的一定数量的树上果实样品的高光谱图像数据进行后续处理之后，与实际测量的这些树上果实样品的干物质含量，来获取高光谱图像数据中的具体特征与干物质含量的对应关系，即品质预测模型。所述一定数量的树上果实样品根据实际需要的精度和预设条件来选取，例如选择100个树上果实样品作为品质预测模型训练的初始输入。由于采用机器训练，只要获取了所述多个树上果实样品的高光谱图像数据和干物质含量数据，训练时间可以很短，随即便可进行树上目标果实的干物质含量预测。
当品质预测模型训练完成后，即可对于该果园或区域范围内的其他树上目标果实的干物质含量的预测，由于地理位置相同、光照环境类似，甚至采集数据可以同步进行，即采集树上果实样品的高光谱图像数据和采集树上目标果实的高光谱图像数据可以连续进行，而不用等到对于树上果实样品的干物质含量测量完成，或者品质预测模型训练全部完成后才进行树上目标果实的高光谱图像数据的采集，因此本发明的树上果实干物质快速判定方法的置信度较高，具有广泛的适用性。
另外，本发明具体实施方式中，所述对多个树上果实样品分别进行高光谱图像数据采集的步骤包括：对所述多个树上果实样品，调整高光谱相机的拍摄角度和与所述树上果实样品的相对距离，以及调整标准白板的位置，设置高光谱图像数据的采集波段范围及波长间隔，采集所述树上果实样品以及标准白板的高光谱图像数据。
本发明中，采用了移动模块对于所述多个树上果实样品或者树上目标果实，调整高光谱相机的拍摄角度和与所述树上果实样品或树上目标果实的相对距离，以及相应地调整标准白板的位置和角度。当所述拍摄角度为正对树上果实样品或树上目标果实，且树上果实样品或树上目标果实受到充足的太阳光照时，能够最充分地获取特征光谱反射率信息，但是当正对树上果实样品或树上目标果实被树枝所遮挡，或光照条件有变化时，所述拍摄角度也可做其他调整，例如正对树上果实样品或树上目标果实的侧方，或其他方位。所述与所述树上果实样品或树上目标果实的相对距离根据光照条件、树上果实样品或树上目标果实的大小、高光谱相机的对焦范围来确定，一般可设置为30cm~35cm左右，可以根据树上果实的生长特性而有所不同。所述移动模块包括水平行走单元、上下移动单元。为了提高本发明的精度和实施速度，本发明还可以附带普通相机和深度相机，通过对于普通相机成像的图像识别，来感知树上果实样品和树上目标果实的存在与方位，通过深度相机获知树上果实样品和树上目标果实的距离，然后通过水平行走、高度调整和高光谱相机的拍摄角度调整来进行树上果实样品和树上目标果实的高光谱图像数据采集，这样的高光谱相机、普通相机、深度相机的三相机联合操作模式，能够大大提高本发明树上果实干物质快速判断方法的速度和精度。使得本发明树上果实干物质快速判断方法能够在没有人工干预的情况下，自动进行。
另外，本发明具体实施方式中所述数据处理模块基于所述多个树上果实样品的高光谱图像数据和干物质含量，进行品质预测模型训练的步骤包括：
B01、对包含标准白板的多个树上果实样品的高光谱图像数据，识别标准白板的区域，并获取标准白板在各波段下的辐亮度值；利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正，得到高光谱图像数据中其他部分在各波段下的光谱反射率信息；
B02、识别并提取高光谱图像数据中的树上果实样品部分，针对所述树上果实样品部分获取各波段下的平均光谱反射率，利用各波段下的平均光谱反射率获得所述树上果实样品的光谱数据；
B03、根据多个树上果实样品中每个树上果实样品的光谱数据与所述树上果实样品的干物质含量，进行品质预测模型训练，得到品质预测模型。
如前所述，本发明的主要原理是利用树上果实样品或者树上目标果实在特征波段下的光谱反射率，来表征其含有的干物质含量。随着果实品种的不同，树上果实样品或树上目标果实的敏感波段也不相同，例如猕猴桃和苹果，由于其果实内部可溶性固形物、淀粉等其他物质成分、含量的差异，表征其干物质含量的特征波段具有很大的差异。例如，对于猕猴桃果实而言，从500nm-900nm这个波段范围里，根据猕猴桃果实特点，确定出几个敏感波段，用这几个敏感波段的光谱反射率来进行分析。
确定树上果实样品或树上目标果实的敏感波段后，对于树上果实样品或树上目标果实在敏感波段内的光谱反射率作为分析的基础。
本发明具体实施方式为了消除天气、光照条件带来的误差，特地采用了标准白板作为比对校正的方式来准确获得树上果实样品或树上目标果实在各个波段内的光谱反射率。其原理是针对同一图像内的不同区域而言，曝光度基本一致，因此根据标准白板在高光谱图像中的辐亮度值，与标准白板在各个波段下的理论光谱反射率之间的比值，来校正高光谱图像中其他区域的相同比值，获得树上果实样品或树上目标果实在各个波段内的校正后光谱反射率。
另外，本发明具体实施方式中，所述利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正的步骤包括：选取所述高光谱图像数据中标准白板区域中10个以上像素点，将选取的10个以上标准白板区域像素点在各波段下的平均辐亮度值与相应波段下的标准白板反射率相对比，进而对图像中其他像素点在各波段下的光谱反射率进行白板校正，所述白板校正的方法为：在各个波段下，各像素点的反射率=各像素点的辐亮度值*标准白板反射率/白板区域各像素点平均辐亮度值。对于标准白板区域中10个以上像素点，可以取出在各波段下的平均辐亮度值，然后与相应波段下的标准白板反射率相对比。
所述标准白板被设置在树上果实样品或树上目标果实旁边，形状和大小可以是接近于果实种类的圆形白板，所述标准白板的特性是在各个波段下的理论光谱反射率都在99%以上。例如，在某波段下，标准白板区域中10个以上像素点的平均辐亮度值为100，而标准白板在该波段下的标准白板反射率为99%，这样所有其他像素的反射率均会根据其辐亮度值，换算为相应的反射率数值，也就得到白板校正。
另外，本发明具体实施方式中所述根据多个树上果实样品中每个树上果实样品的光谱数据与所述树上果实样品的干物质含量，进行品质预测模型训练的步骤包括：
B031、对所述多个树上果实样品中每个树上果实样品的光谱数据，进行光谱预处理，所述光谱预处理包括对光谱数据进行多元散射校正，以消除光谱数据中光散射的影响；所述光谱预处理还包括标准正态变换，以消除所述树上果实样品表面固体颗粒大小散射以及光程变化对光谱数据中光谱信息的影响；
B032、对经过光谱预处理的光谱数据中的光谱信息进行特征波段提取，所述特征波段提取包括将所述光谱信息经过映射或变换方式投影至低维空间，在低维空间中提取特征波段，再将特征波段与经光谱预处理后的光谱数据相结合，获取特征波段反射率；
B033、利用多个树上果实样品中每个树上果实样品的特征波段反射率，分别与该树上果实样品的干物质含量相对应，获取品质预测模型。
具体而言，所述光谱预处理中包括的多元散射校正，可以有效的消除由于散射水平不同带来的光谱差异，从而增强光谱与数据之间的相关性。该方法通过理想光谱修正光谱数据的基线平移和偏移现象，而实际中，我们无法获取真正的理想光谱数据，因此我们常常假设所有光谱数据的平均值作为”理想光谱”。具体实现方法如下：
求得所有光谱数据的平均值作为“理想光谱”；
将每个样本的光谱与平均光谱进行一元线性回归，求解最小二乘问题得到每个样本的基线平移量和偏移量；
对每个样本的光谱进行校正：减去求得的基线平移量后除以偏移量，得到校正后的光谱。这样每个光谱的基线平移和偏移都在标准光谱的参考下被得到了修正，而和样品成分含量所对应的光谱吸收信息在数据处理的全过程中没有受到影响，所以提高了光谱的信噪比。
另外，所述光谱预处理中还包括标准正态变换，其表达式为:
其中，
是第i树上果实样品的光谱的平均值，k=1,2，……m，m为波段数目；
n为样品数目，Xi,SNV是变换后的光谱值。
利用标准正态变换，能够有效地消除树上果实样品或树上目标果实表面固体颗粒大小散射以及光程变化对高光谱信息的影响。
由于经过光谱预处理后的光谱信息数据量仍较大且冗余性强，若直接使用全波段光谱信息对树上目标果实的干物质含量进行预测，会降低预测精度且耗时较长。通过将原始高维光谱信息经过映射或变换等方式投影至低维空间，在低维空间中提取若干特征波段，提取的特征波段仍可有效表达原始高维光谱波段信息，从而实现对原始高维光谱数据的降维处理，提高模型的预测效率。高光谱数据降维用到的方法可以包括：连续投影算法（Successive Projections Algorithm，SPA），是利用向量投影分析从光谱信息中寻找含有最低限度冗余信息的变量组，使变量组内变量之间的共线性达到最小，进而减少检测所用的变量数来提高检测效率；无信息变量消除法（Uninformed Variable Elimination，UVE），主要用于消除对检测模型贡献较少的光谱波段，即消除无信息变量，提高模型检测精度。
另外，本发明具体实施方式中，所述对树上目标果实进行高光谱图像数据的采集，利用所述品质预测模型，预测树上目标果实的干物质含量的步骤包括：
C01、对所述树上目标果实和标准白板采集高光谱图像数据，对所述高光谱图像数据进行白板校正，获得所述树上目标果实的光谱数据；
C02、对所述树上目标果实的光谱数据，进行光谱预处理和特征波段提取，获得树上目标果实的特征波段，再将特征波段与经光谱预处理后的光谱数据相结合，获取特征波段反射率；
C03、利用树上目标果实的特征波段反射率与品质预测模型，预测树上目标果实的干物质含量。
另外，本发明具体实施方式中，所述利用多个树上果实样品中每个树上果实样品的特征波段反射率，分别与该树上果实样品的干物质含量相对应，获取品质预测模型的步骤包括：
采用最小二乘支持向量机方法对多个树上果实样品中每个树上果实样品的特征波段反射率与该树上果实样品的干物质含量的关系进行训练，采用最小二乘线性系统估计预测检测值与测量的干物质含量之间的误差，当所述误差满足预测精度要求后，完成品质预测模型的训练。
获取特征波段后，利用各树上果实样品在特征波段的光谱反射率及果实对应的干物质值进行品质预测模型训练。模型采用最小二乘支持向量机（Least Squares SupportVector Machine，LSSVM）方法，该方法是在支持向量机（Support Vector Machine，SVM）的基础上提出的，采用最小二乘线性系统估计预测检测值与真实值之间的误差，代替了 SVM中采用的二次规划方法，能解决线性与非线性问题，如分类和预测估计等。训练后的品质预测模型在满足预测精度要求后，可用于对输入的特征波段反射率，预测相应的树上目标果实干物质值。
由于传统的SVM模型参数随机性较大，稳定性差，利用最小二乘支持向量机的方法将其参数进行优化，其主要特点是待选参数较少，损失函数采用误差平方和，以及等式约束，从而将二次规划问题转换为线性方程组求解，不仅减少了一些不确定因素，而且还促使算法空间复杂性得到了降低，提升了计算速度。对于本发明的小样本数量的树上果实样品的特征波段反射率，分别与该树上果实样品的干物质含量相对应，获取品质预测模型的应用场景而言，具有明显的优势。
与本发明的树上果实干物质快速判定方法相对应，如图所示，本发明具体实施方式中还包括一种树上果实干物质快速判定装置，所述装置包括高光谱图像采集模块、数据处理模块、交互显示模块和移动模块，其中，
所述高光谱图像采集模块用于对多个树上果实样品和标准白板进行高光谱图像数据采集，以及用于对树上目标果实和标准白板进行高光谱图像数据的采集；
可以利用外部设备来进行树上果实样品干物质含量的测量；例如采用美国Felix公司F-750型手持式干物质&糖度测定仪来完成对于多个树上果实样品分别进行干物质含量测量，以充分保障原始数据的准确性，本发明具体实施方式对于该外部设备的具体选型并不做出限制。
所述数据处理模块用于基于所述多个树上果实样品的高光谱图像数据和测量到的干物质含量，进行品质预测模型训练，以及利用所述品质预测模型，预测树上目标果实的干物质含量，以及控制高光谱图像采集模块、移动模块和交互显示模块；
所述移动模块用于对所述多个树上果实样品或者树上目标果实，调整高光谱相机的位置和拍摄角度；调整标准白板的位置、角度；控制所述装置的移动位置、移动速度，保证装置的移动与高光谱图像采集速度、数据处理速度相匹配；
所述交互显示模块用于输出树上目标果实的干物质含量预测结果，以及接收用户的操作控制指令输入。
另外，在本发明一具体实施方式中，所述数据处理模块包括白板校正单元、图像识别单元、光谱预处理单元和特征波段反射率提取单元，其中，
所述白板校正单元用于对所述树上果实样品或树上目标果实的高光谱图像数据，识别标准白板的区域，并获取标准白板在各波段下的辐亮度值；利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正，得到高光谱图像数据中其他部分在各波段下的光谱反射率信息；
所述图像识别单元用于识别并提取高光谱图像数据中的树上果实样品部分或树上目标果实部分，针对所述树上果实样品部分或树上目标果实部分获取各波段下的平均光谱反射率，利用各波段下的平均光谱反射率获得所述树上果实样品或树上目标果实的光谱数据；
所述光谱预处理单元用于对每个树上果实样品或树上目标果实的光谱数据，进行光谱预处理，所述光谱预处理包括对光谱数据进行多元散射校正，以消除光谱数据中光散射的影响；所述光谱预处理还包括标准正态变换，以消除树上果实样品或树上目标果实的表面固体颗粒大小散射以及光程变化对光谱数据中光谱信息的影响；
所述特征波段反射率提取单元用于对经过光谱预处理的光谱数据中的光谱信息进行特征波段提取，所述特征波段提取包括将所述光谱信息经过映射或变换方式投影至低维空间，在低维空间中提取特征波段，再将特征波段与经光谱预处理后的光谱数据相结合，获取特征波段反射率。
另外，在本发明一具体实施方式中，所述数据处理模块还包括品质预测模型训练单元，所述品质预测模型训练单元用于采用最小二乘支持向量机方法对多个树上果实样品中每个树上果实样品的特征波段反射率与该树上果实样品的干物质含量进行训练，采用最小二乘线性系统估计预测检测值与测量的干物质含量之间的误差，当所述误差满足预测精度要求后，完成品质预测模型的训练。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本说明书所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本说明书所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种树上果实干物质快速判定方法，其特征在于，所述方法包括以下步骤：
A、对多个树上果实样品分别进行高光谱图像数据采集和树上果实样品干物质含量的测量；
B、数据处理模块基于所述多个树上果实样品的高光谱图像数据和干物质含量，进行品质预测模型训练；
C、对树上目标果实进行高光谱图像数据的采集，利用所述品质预测模型，预测树上目标果实的干物质含量。
2.根据权利要求1中所述的树上果实干物质快速判定方法，其特征在于，所述对多个树上果实样品分别进行高光谱图像数据采集的步骤包括：
对所述多个树上果实样品，调整高光谱相机的拍摄角度和与所述树上果实样品的相对距离，以及调整标准白板的位置，设置高光谱图像数据的采集波段范围及波长间隔，采集所述树上果实样品及标准白板的高光谱图像数据。
3.根据权利要求2中所述的树上果实干物质快速判定方法，其特征在于，所述数据处理模块基于所述多个树上果实样品的高光谱图像数据和干物质含量，进行品质预测模型训练的步骤包括：
B01、对包括标准白板的多个树上果实样品的高光谱图像数据，识别标准白板的区域，并获取标准白板在各波段下的辐亮度值；利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正，得到高光谱图像数据中其他部分在各波段下的光谱反射率信息；
B02、识别并提取高光谱图像数据中的树上果实样品部分，针对所述树上果实样品部分获取各波段下的平均光谱反射率，利用各波段下的平均光谱反射率获得所述树上果实样品的光谱数据；
B03、对多个树上果实样品中每个树上果实样品的光谱数据进行处理，并与所述树上果实样品的干物质含量结合，进行品质预测模型训练，得到品质预测模型。
4.根据权利要求3中所述的树上果实干物质快速判定方法，其特征在于，所述利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正的步骤包括：
选取所述高光谱图像数据中标准白板区域中10个以上像素点，将选取的10个以上标准白板区域像素点在各波段下的平均辐亮度值与相应波段下的标准白板反射率相对比，进而对图像中其他像素点在各波段下的光谱反射率进行白板校正，所述白板校正的方法为：
在各个波段下，各像素点的反射率=各像素点的辐亮度值*标准白板反射率/白板区域各像素点平均辐亮度值。
5.根据权利要求3中所述的树上果实干物质快速判定方法，其特征在于，所述对多个树上果实样品中每个树上果实样品的光谱数据进行处理，并与所述树上果实样品的干物质含量结合，进行品质预测模型训练的步骤包括：
B031、对所述多个树上果实样品中每个树上果实样品的光谱数据，进行光谱预处理，所述光谱预处理包括对光谱数据进行多元散射校正，以消除光谱数据中光散射的影响；所述光谱预处理还包括标准正态变换，以消除所述树上果实样品表面固体颗粒大小散射以及光程变化对光谱数据中光谱信息的影响；
B032、对经过光谱预处理的光谱数据中的光谱信息进行特征波段提取，所述特征波段提取包括将所述光谱信息经过映射或变换方式投影至低维空间，在低维空间中提取特征波段，再将特征波段与经光谱预处理后的光谱数据相结合，获取特征波段反射率；
B033、利用多个树上果实样品中每个树上果实样品的特征波段反射率，分别与该树上果实样品的干物质含量相对应，获取品质预测模型。
6.根据权利要求5中所述的树上果实干物质快速判定方法，其特征在于，所述对树上目标果实进行高光谱图像数据的采集，利用所述品质预测模型，预测树上目标果实的干物质含量的步骤包括：
C01、对所述树上目标果实和标准白板采集高光谱图像数据，对所述高光谱图像数据进行白板校正，获得所述树上目标果实的光谱数据；
C02、对所述树上目标果实的光谱数据，进行光谱预处理和特征波段提取，再将特征波段与经光谱预处理后的光谱数据相结合，获得树上目标果实的特征波段反射率；
C03、利用树上目标果实的特征波段反射率与品质预测模型，预测树上目标果实的干物质含量。
7.根据权利要求5中所述的树上果实干物质快速判定方法，其特征在于，所述利用多个树上果实样品中每个树上果实样品的特征波段反射率，分别与该树上果实样品的干物质含量相对应，获取品质预测模型的步骤包括：
采用最小二乘支持向量机方法对多个树上果实样品中每个树上果实样品的特征波段反射率与该树上果实样品的干物质含量的关系进行训练，采用最小二乘线性系统估计预测检测值与测量的干物质含量之间的误差，当所述误差满足预测精度要求后，完成品质预测模型的训练。
8.一种树上果实干物质快速判定装置，其特征在于，所述装置包括高光谱图像采集模块、数据处理模块、交互显示模块和移动模块，其中，
所述高光谱图像采集模块用于对多个树上果实样品和标准白板进行高光谱图像数据采集，以及用于对树上目标果实和标准白板进行高光谱图像数据的采集；
所述数据处理模块用于基于所述多个树上果实样品的高光谱图像数据和通过测量的干物质含量，进行品质预测模型训练，以及利用所述品质预测模型，预测树上目标果实的干物质含量，以及控制高光谱图像采集模块、移动模块和交互显示模块；
所述移动模块用于对所述多个树上果实样品或者树上目标果实，调整高光谱相机的位置和拍摄角度；调整标准白板的位置、角度；控制所述装置的移动位置、移动速度，保证装置的移动与高光谱图像采集速度、数据处理速度相匹配；
所述交互显示模块用于输出树上目标果实的干物质含量预测结果，以及接收用户的操作控制指令输入。
9.根据权利要求8中所述的树上果实干物质快速判定装置，其特征在于，所述数据处理模块包括白板校正单元、图像识别单元、光谱预处理单元和特征波段反射率提取单元，其中，
所述白板校正单元用于对所述树上果实样品或树上目标果实的高光谱图像数据，识别标准白板的区域，并获取标准白板在各波段下的辐亮度值；利用预先确定的标准白板在各波段下的反射率，结合图像中其他部分的辐亮度值，完成对所述高光谱图像数据的白板校正，得到高光谱图像数据中其他部分在各波段下的光谱反射率信息；
所述图像识别单元用于识别并提取高光谱图像数据中的树上果实样品部分或树上目标果实部分，针对所述树上果实样品部分或树上目标果实部分获取各波段下的平均光谱反射率，利用各波段下的平均光谱反射率获得所述树上果实样品或树上目标果实的光谱数据；
所述光谱预处理单元用于对每个树上果实样品或树上目标果实的光谱数据，进行光谱预处理，所述光谱预处理包括对光谱数据进行多元散射校正，以消除光谱数据中光散射的影响；所述光谱预处理还包括标准正态变换，以消除树上果实样品或树上目标果实的表面固体颗粒大小散射以及光程变化对光谱数据中光谱信息的影响；
所述特征波段反射率提取单元用于对经过光谱预处理的光谱数据的光谱信息进行特征波段提取，所述特征波段提取包括将所述光谱信息经过映射或变换方式投影至低维空间，在低维空间中提取特征波段，再将特征波段与经光谱预处理后的光谱数据相结合，获取特征波段反射率。
10.根据权利要求8中所述的树上果实干物质快速判定装置，其特征在于，所述数据处理模块还包括品质预测模型训练单元，所述品质预测模型训练单元用于采用最小二乘支持向量机方法对多个树上果实样品中每个树上果实样品的特征波段反射率与该树上果实样品的干物质含量进行训练，采用最小二乘线性系统估计预测检测值与测量的干物质含量之间的误差，当所述误差满足预测精度要求后，完成品质预测模型的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032011.2A CN114062282B (zh) | 2022-01-12 | 2022-01-12 | 一种树上果实干物质快速判定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032011.2A CN114062282B (zh) | 2022-01-12 | 2022-01-12 | 一种树上果实干物质快速判定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114062282A true CN114062282A (zh) | 2022-02-18 |
| CN114062282B CN114062282B (zh) | 2023-09-22 |
Family
ID=80230807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210032011.2A Active CN114062282B (zh) | 2022-01-12 | 2022-01-12 | 一种树上果实干物质快速判定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114062282B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110455722A (zh) * | 2019-08-20 | 2019-11-15 | 中国热带农业科学院橡胶研究所 | 橡胶树叶片磷含量高光谱反演方法和系统 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
| CN111398198A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种小麦籽粒微量元素快速无损检测方法 |
| CN113418874A (zh) * | 2021-03-15 | 2021-09-21 | 安徽工业技术创新研究院六安院 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
-
2022
- 2022-01-12 CN CN202210032011.2A patent/CN114062282B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110455722A (zh) * | 2019-08-20 | 2019-11-15 | 中国热带农业科学院橡胶研究所 | 橡胶树叶片磷含量高光谱反演方法和系统 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| CN111398199A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
| CN111398198A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种小麦籽粒微量元素快速无损检测方法 |
| CN113418874A (zh) * | 2021-03-15 | 2021-09-21 | 安徽工业技术创新研究院六安院 | 面向果实品质检测的高光谱图像重构方法及检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张静静等: "灌浆期水稻叶片铜含量变化的高光谱遥感定量监测研究", 《江苏农业科学》 * |
| 王宝刚 等: "核果类水果干物质含量近红外无损检测研究", 《光谱实验室》 * |
| 董淼等: "苹果冠层叶绿素含量高光谱估算模型", 《新疆农业科学》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114062282B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mishra et al. | Close range hyperspectral imaging of plants: A review | |
| Jin et al. | Comparison of different satellite bands and vegetation indices for estimation of soil organic matter based on simulated spectral configuration | |
| Yu et al. | Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing | |
| Vigneau et al. | Potential of field hyperspectral imaging as a non destructive method to assess leaf nitrogen content in Wheat | |
| Song et al. | Wavelength selection and spectral discrimination for paddy rice, with laboratory measurements of hyperspectral leaf reflectance | |
| Noviyanto et al. | Segmentation and calibration of hyperspectral imaging for honey analysis | |
| Zheng et al. | Estimation of chlorophyll content in potato leaves based on spectral red edge position | |
| Cheshkova | A review of hyperspectral image analysis techniques for plant disease detection and identif ication | |
| Sun et al. | Vertical distribution of chlorophyll in potato plants based on hyperspectral imaging | |
| CN105181606B (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
| CN104359838A (zh) | 一种无损检测梨的硬度方法 | |
| Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
| CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
| Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
| Cao et al. | Combining multispectral and hyperspectral data to estimate nitrogen status of tea plants (Camellia sinensis (L.) O. Kuntze) under field conditions | |
| Sun et al. | Water content detection of potato leaves based on hyperspectral image | |
| Shao et al. | Determination of damaged wheat kernels with hyperspectral imaging analysis. | |
| Yao et al. | Image-based plant nutrient status analysis: An overview | |
| Wen et al. | Visualization of chlorophyll content distribution in apple leaves based on hyperspectral imaging technology. | |
| Qian et al. | Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings | |
| Zhao et al. | Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations | |
| Noble et al. | The use of spectral properties for weed detection and identification-a review | |
| CN114062282A (zh) | 一种树上果实干物质快速判定方法及装置 | |
| CN116310788A (zh) | 基于图谱融合的植株叶片氮含量高光谱建模方法 | |
| CN113466142B (zh) | 一种多尺度果品散射偏振光谱成像定量检测方法 |
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 |