CN114199790A - 一种光谱检测果茶树营养状况的检测方法及系统 - Google Patents
一种光谱检测果茶树营养状况的检测方法及系统 Download PDFInfo
- Publication number
- CN114199790A CN114199790A CN202111516558.1A CN202111516558A CN114199790A CN 114199790 A CN114199790 A CN 114199790A CN 202111516558 A CN202111516558 A CN 202111516558A CN 114199790 A CN114199790 A CN 114199790A
- Authority
- CN
- China
- Prior art keywords
- tea
- nitrogen content
- model
- fruit
- 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
Links
- 235000009024 Ceanothus sanguineus Nutrition 0.000 title claims abstract description 73
- 240000003553 Leptospermum scoparium Species 0.000 title claims abstract description 73
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 73
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 26
- 230000035764 nutrition Effects 0.000 title claims abstract description 26
- 238000001228 spectrum Methods 0.000 title claims abstract description 25
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 128
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000003595 spectral effect Effects 0.000 claims abstract description 33
- 238000000611 regression analysis Methods 0.000 claims abstract description 17
- 238000004737 colorimetric analysis Methods 0.000 claims abstract description 13
- 235000015097 nutrients Nutrition 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 244000269722 Thea sinensis Species 0.000 claims description 30
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 235000006468 Thea sinensis Nutrition 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims description 6
- 230000029087 digestion Effects 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000843 powder Substances 0.000 claims description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 241000482268 Zea mays subsp. mays Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000012153 distilled water Substances 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000000227 grinding Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 239000004570 mortar (masonry) Substances 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- HELHAJAZNSDZJO-OLXYHTOASA-L sodium L-tartrate Chemical compound [Na+].[Na+].[O-]C(=O)[C@H](O)[C@@H](O)C([O-])=O HELHAJAZNSDZJO-OLXYHTOASA-L 0.000 claims description 3
- 229960002167 sodium tartrate Drugs 0.000 claims description 3
- 239000001433 sodium tartrate Substances 0.000 claims description 3
- 235000011004 sodium tartrates Nutrition 0.000 claims description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N sulfuric acid Substances OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 244000297179 Syringa vulgaris Species 0.000 description 1
- 235000004338 Syringa vulgaris Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/44—Sample treatment involving radiation, e.g. heat
-
- 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
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
- G01N2001/2866—Grinding or homogeneising
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种光谱检测果茶树营养状况的检测方法及系统，方法包括以下步骤：S1、通过多光谱图像采集设备采集茶树冠层的多光谱数据；获取到每株茶树样本冠层中央区域的多光谱数据；S2、基于H2SO4‑H2O2消煮‑奈氏比色法获取茶树氮含量；S3、分析多光谱数据；S4、通过分析光谱特征变量与氮含量之间的相关性，选取光谱特征变量来建立多个回归分析模型；S5、通过分析二进小波分解后的高频信息与氮含量之间的相关性，选取波段来建立预测模型；S6、验证建立的回归分析模型的准确性，将准确性与稳定性综合较高的作为茶树氮含量的检测模型；S7、将检测模型用于实际果茶树营养状况的检测。本发明方法可以快速、无损的检测果茶树的营养元素含量，并进行预测。
Description
技术领域
本发明属于光谱检测技术领域，具体涉及一种光谱检测果茶树营养状况的检测方法及系统。
背景技术
氮、磷、钾等营养元素是促进植物叶片生长发育的重要化学元素,果茶树的叶片营养元素含量状况的有效检测有利于果茶树精准施肥和培育管理，同时对果茶树质量和产量的提高具有重要意义。
传统的化学方法对过茶树营养元素含量的检测虽然直观准确，但操作复杂繁琐、破坏样品材料，且无法做到实时、快速、无损地对大面积种植的果茶园进行检测。目前多光谱技术应用于农作物或果树等监控和检测较多，但是完整的检测系统，检测结果可视化研究较少；张等研究了水稻分蘖期冠层叶片的氮含量，利用BP神经网络建模，其决定系数可达0.68；肖等研究了开花期的紫丁香叶片的叶绿素含量，基于随机蛙跳方法筛选敏感波段，结合偏最小二乘和投票回归器建立了反演模型，并与全波段光谱法和5种经典变量提取方法进行比较，其决定系数可达0.94。上述研究中构建的模型稳定性较高，但可进一步提高。目前完整的检测系统较少，且采用小波分析分离原始光谱数据的低频信息与高频信息后构建反演模型的研究相对较少。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提出一种光谱检测果茶树营养状况的检测方法及系统，方法可以快速、无损的检测果茶树的营养元素含量，并进行预测；系统可实现实时监测功能。
为了达到上述目的，本发明采用以下技术方案：
一种光谱检测果茶树营养状况的检测方法，包括以下步骤：
S1、通过多光谱图像采集设备采集到作为样本的茶树冠层的多光谱数据；获取到每株茶树样本冠层中央区域的多光谱数据；
S2、针对于每株茶树样本，采用人工破坏性采摘的方法，基于H2SO4-H2O2消煮-奈氏比色法获取茶树氮含量；
S3、分析多光谱数据；
S4、通过分析光谱特征变量与氮含量之间的相关性，选取光谱特征变量来建立多个回归分析模型；
S5、通过分析二进小波分解后的高频信息与氮含量之间的相关性，选取波段来建立预测模型；
S6、验证建立的回归分析模型的准确性，将准确性与稳定性综合较高的作为茶树氮含量的检测模型；
S7、将检测模型用于实际果茶营养状况的检测。
进一步的，步骤S1具体为：
采用光谱仪作为多光谱图像采集设备，将光谱仪放在三脚架上，镜头平面位于茶树冠层上方1m处，并保持水平稳定，并在每次拍摄时均用黑白板进行矫正，公式如下：
进一步的，步骤S2具体为：
S31、采取人工破坏性采摘的方法，每株茶树取东西南北方向，上下层共8片叶片放入封口袋；
S32、将采摘叶片表面用蒸馏水清洗干净，沥干表面水后放入烘干机80℃烘干，置于研钵中研磨至粉末状；
S33、将每株茶树的8片叶片混合均匀作为一个样品，每个样品用天平称取0.2g，采用H2SO4-H2O2消煮-奈氏比色法进行氮含量的测定；
S34、将0.2g的粉末状样品置于消煮炉中，加入5mL的浓硫酸，并在320℃的条件下加热，待样品变成棕色溶液后，取出稍冷；
S35、逐滴加入H2O2并摇匀，待溶液呈无色清亮后，再加热10min除尽过量的H2O2；
S36、取2mL消煮液于比色管中，加入2mL酒石酸钠溶液，并加入2mL质量分数为100g/L的KOH溶液调节pH；
S37、最后，加入奈氏试剂进行显色反应，将显色液定容至50mL刻度线后，取溶液在420nm下进行分光光度计比色。
进一步的，步骤S3具体为：
采用分析软件Specview提取茶树冠层多光谱图像的反射率数据，随机选取茶树冠层多光谱图像中不同叶片上的10个点，获得10条反射率曲线，以10条反射率曲线的平均值作为该茶树冠层多光谱图像的冠层反射率。
进一步的，步骤S4具体为：
采用Excel统计数据，并用SPSS、Origin软件和Matlab软件分析计算光谱特征变量与氮含量之间的相关性，相关性采用相关系数表达；
通过茶叶样本的氮含量与选取的光谱特征变量建立一元线性回归模型；
通过茶叶样本的氮含量与选取的光谱特征变量建立指数回归模型；
通过茶叶样本的氮含量与选取的光谱特征变量建立对数回归模型；
通过茶叶样本的氮含量与光谱特征变量建立抛物线回归模型。
进一步的，步骤S5具体为：
对茶树光谱数据采用二进小波进行分解，获取其中高频信息，并计算高频信息与茶树叶面积指数和氮含量之间的相关系数；
通过茶叶样本的氮含量与选取的相关系数高的波段利用最小二乘算法建立预测模型。
进一步的，相关系数公式为：
其中，Xi为第i个自变量的值，为自变量的平均值，Yi为第i个因变量的值，为因变量的平均值。
进一步的，步骤S6中，验证建立的回归分析模型的准确性具体为：
S61、对建立的回归分析模型用均方根误差RMSE、决定系数R2评价准确性，RMSE计算公式为：
其中，yi为营养元素含量实测值，yi’为反演模型计算的预测值，i为甜玉米样本编号，n为验证样本数；
S62、比较多种回归模型的决定系数R2和RMSE，R2越大，RMSE数值越小，反演模型精度越高，据此来选择最佳的模型。
本发明还提供一种光谱检测果茶树营养状况的检测系统，基于本发明提供的检测方法，包括多光谱数据获取模块、氮含量获取模块、分析处理模块、回归模型建立模块以及验证模块；
多光谱数据获取模块，用于通过多光谱图像采集设备采集到作为样本的茶树的多光谱数据；
氮含量获取模块，用于通过H2SO4-H2O2消煮-奈氏比色法进行氮含量的测定；
分析处理模块，用于分析多光谱数据、分析光谱特征变量与氮含量之间的相关性以及分析二进小波分解后的高频信息与氮含量之间的相关性；
回归模型建立模块，用于建立一元线性回归模型、指数回归模型、对数回归模型、抛物线回归模型以及利用最小二乘算法建立预测模型；
验证模块，用于验证回归分析模型的准确性，将准确性最高的作为茶树氮含量检测模型，用于果树营养状况检测。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明光谱检测果茶树营养状况的检测系统中，通过拍摄时用标准白板进行矫正，保证了在采集的环境、时间变化时的测量精度，基于本发明上述方法可以更加准确的采集高光谱图像。
2、本发明光谱检测果茶树营养状况的检测系统中，通过采用光谱特诊变量建立营养元素含量的估算模型，避免了使用原始数据建模难度大的问题。
3、本发明光谱检测果茶树营养状况的检测系统中，通过比较果茶树获取到的高光谱数据所构建的模型预测精度，从而确定出最佳的果茶树营养元素含量检测模型，能够最大程度获取到最佳的营养元素含量的预测。
4、本发明的检测系统能够使得在不对果茶树造成损害的情况下，即可快速，简单的检测出果茶树营养元素含量。
附图说明
图1是本发明方法的流程图；
图2是实施例中高光谱图像采集设备获取高光谱数据的示意图；
图3是高频信息与茶树氮含量的相关曲线。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1、图2所示，本发明，一种光谱检测果茶树营养状况的检测方法，包括以下步骤：
S1、通过高光谱图像采集设备采集到作为样本的茶树冠层的高光谱数据；获取到每株茶树样本冠层中央区域的高光谱数据；
将光谱仪放在三脚架上，镜头平面位于茶树冠层上方1m处，并保持水平稳定，并在每次拍摄时均用黑白板进行矫正，公式如下：
S2、针对于每株茶树样本，采用人工破坏性采摘的方法，基于H2SO4-H2O2消煮-奈氏比色法获取茶树氮含量的数据；具体为：
S21、采用人工破坏性采摘的方法，选取每株茶树东南西北方向，上下层共8片叶片放入封口袋；
S22、将采摘的叶片表面用蒸馏水清洗干净，沥干表面水后放入烘干机80℃烘干，置于研钵中研磨至粉末状，每株的8片叶子混合均匀作为一个样品，每组样品用天平称取0.2g；
S23、采用H2SO4-H2O2消煮-奈氏比色法进行氮含量测定：
S231、将0.2g的粉末置于消煮炉中，加入5ml的浓硫酸，并在320℃的条件下加热；
S232、待样品变成棕色溶液后，取出稍冷，逐滴加入H2O2并摇匀，待溶液呈无色清亮后，再加热10min除尽过量的H2O2；
S233、取2mL消煮液于比色管中，加入2mL酒石酸钠溶液，并加入2mL质量分数为100g/L的KOH溶液调节pH；
S234、最后加入奈氏试剂进行显色反应。将显色液定容至50mL刻度线后，取溶液在420nm下进行分光光度计比色。
S3、分析多光谱数据，具体为：
采用GaiaField便携式多光谱系统配套的分析软件Specview提取茶树冠层多光谱图像的反射率数据，随机选取茶树冠层多光谱图像中不同叶片上的10个点，获得10条反射率曲线，以10条反射率曲线的平均值作为该茶树冠层多光谱图像的冠层反射率。
S4、通过分析光谱特征变量与氮含量之间的相关性，选取相关系数较高的高光谱特征变量来建立回归分析模型；
本实施例中，具体为：
用Excel统计数据，并用SPSS、Origin软件和Matlab软件分析计算光谱特征变量与氮含量之间的相关性，如下表1和表2所示；表1为多光谱特征变量及说明，表2为光谱特征变量与氮含量相关系数。
表1
表2
S5、通过分析二进小波分解后的高频信息与氮含量之间的相关性，选取相关系数较高的波段，来建立回归分析模型；
在本实施例中，具体为：
对茶树光谱数据采用二进小波进行分解，获取其中高频信息，并计算高频信息与茶树叶面积指数和氮含量之间的相关系数；相关系数如下所示：
其中，Xi为第i个自变量的值，为自变量的平均值，Yi为第i个因变量的值，为因变量的平均值。
在本实施例中，高频信息与茶树氮含量的相关曲线，如图3所示。
在本实施例中，将40组样本经预处理后数据随机分为2组，其中24组用于建模，16组用于模型的精度验证。
据表2和图3所示结果，选取相关系数大于0.75的植被指数VI4作为估算氮含量模型的自变量；选取相关系数较高的波段信号强度作为预处理后数据进行后续建模；
通过茶叶样本的氮含量与选取的光谱特征变量建立一元线性回归模型；
通过茶叶样本的氮含量与选取的光谱特征变量建立指数回归模型；
通过茶叶样本的氮含量与选取的光谱特征变量建立对数回归模型；
通过茶叶样本的氮含量与光谱特征变量建立抛物线回归模型；
通过茶叶样本的氮含量与选取的波段利用最小二乘算法建立预测模型。
S6、验证建立的回归分析模型的准确性，将准确性与稳定性综合较高的作为茶树氮含量的检测模型；其中，验证回归分析模型准确性的具体过程如下：
S61、对所建立的回归模型用均方根误差RMSE、决定系数R2评价精度，RMSE计算公式如下：
其中，yi为营养元素含量实测值，yi’为反演模型计算的预测值，i为甜玉米样本编号，n为验证样本数6。
S62、比较多种回归模型的建模决定系数R2和RMSE；R2越大，RMSE数值越小，反演模型精度越高；据此来选择最佳的拟合模型。
如下表3所示，为各个模型的准确性分析结果。
表3
在另一个实施例中，还提供了基于上述实施例方法的光谱检测果茶树营养状况的检测系统，包括多光谱数据获取模块、氮含量获取模块、分析处理模块、回归模型建立模块以及验证模块；
多光谱数据获取模块，用于通过多光谱图像采集设备采集到作为样本的茶树的多光谱数据；
氮含量获取模块，用于通过H2SO4-H2O2消煮-奈氏比色法进行氮含量的测定；
分析处理模块，用于分析多光谱数据、分析光谱特征变量与氮含量之间的相关性以及分析二进小波分解后的高频信息与氮含量之间的相关性；
回归模型建立模块，用于建立一元线性回归模型、指数回归模型、对数回归模型、抛物线回归模型以及利用最小二乘算法建立预测模型；
验证模块，用于验证回归分析模型的准确性，将准确性最高的作为茶树氮含量检测模型，用于果树营养状况检测。
还需要说明的是，在本说明书中，诸如术语“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、物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、物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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种光谱检测果茶树营养状况的检测方法，其特征在于，包括以下步骤：
S1、通过多光谱图像采集设备采集到作为样本的茶树冠层的多光谱数据；获取到每株茶树样本冠层中央区域的多光谱数据；
S2、针对于每株茶树样本，采用人工破坏性采摘的方法，基于H2SO4-H2O2消煮-奈氏比色法获取茶树氮含量；
S3、分析多光谱数据；
S4、通过分析光谱特征变量与氮含量之间的相关性，选取光谱特征变量来建立多个回归分析模型；
S5、通过分析二进小波分解后的高频信息与氮含量之间的相关性，选取波段来建立预测模型；
S6、验证建立的回归分析模型的准确性，将准确性与稳定性综合较高的作为茶树氮含量的检测模型；
S7、将检测模型用于实际果茶营养状况的检测。
2.根据权利要求1所述的一种光谱检测果茶树营养状况的检测方法，其特征在于，步骤S1具体为：
采用光谱仪作为多光谱图像采集设备，将光谱仪放在三脚架上，镜头平面位于茶树冠层上方1m处，并保持水平稳定，并在每次拍摄时均用黑白板进行矫正，公式如下：
3.根据权利要求1所述的一种光谱检测果茶树营养状况的检测方法，其特征在于，步骤S2具体为：
S31、采取人工破坏性采摘的方法，每株茶树取东西南北方向，上下层共8片叶片放入封口袋；
S32、将采摘叶片表面用蒸馏水清洗干净，沥干表面水后放入烘干机80℃烘干，置于研钵中研磨至粉末状；
S33、将每株茶树的8片叶片混合均匀作为一个样品，每个样品用天平称取0.2g，采用H2SO4-H2O2消煮-奈氏比色法进行氮含量的测定；
S34、将0.2g的粉末状样品置于消煮炉中，加入5mL的浓硫酸，并在320℃的条件下加热，待样品变成棕色溶液后，取出稍冷；
S35、逐滴加入H2O2并摇匀，待溶液呈无色清亮后，再加热10min除尽过量的H2O2；
S36、取2mL消煮液于比色管中，加入2mL酒石酸钠溶液，并加入2mL质量分数为100g/L的KOH溶液调节pH；
S37、最后，加入奈氏试剂进行显色反应，将显色液定容至50mL刻度线后，取溶液在420nm下进行分光光度计比色。
4.根据权利要求1所述的一种光谱检测果茶树营养状况的检测方法，其特征在于，步骤S3具体为：
采用分析软件Specview提取茶树冠层多光谱图像的反射率数据，随机选取茶树冠层多光谱图像中不同叶片上的10个点，获得10条反射率曲线，以10条反射率曲线的平均值作为该茶树冠层多光谱图像的冠层反射率。
5.根据权利要求1所述的一种光谱检测果茶树营养状况的检测方法，其特征在于，步骤S4具体为：
采用Excel统计数据，并用SPSS、Origin软件和Matlab软件分析计算光谱特征变量与氮含量之间的相关性，相关性采用相关系数表达；
通过茶叶样本的氮含量与选取的光谱特征变量建立一元线性回归模型；
通过茶叶样本的氮含量与选取的光谱特征变量建立指数回归模型；
通过茶叶样本的氮含量与选取的光谱特征变量建立对数回归模型；
通过茶叶样本的氮含量与光谱特征变量建立抛物线回归模型。
6.根据权利要求1所述的一种光谱检测果茶树营养状况的检测方法，其特征在于，步骤S5具体为：
对茶树光谱数据采用二进小波进行分解，获取其中高频信息，并计算高频信息与茶树叶面积指数和氮含量之间的相关系数；
通过茶叶样本的氮含量与选取的相关系数高的波段利用最小二乘算法建立预测模型。
7.根据权利要求5或6所述的一种光谱检测果茶树营养状况的检测方法，其特征在于，相关系数公式为：
其中，Xi为第i个自变量的值，为自变量的平均值，Yi为第i个因变量的值，为因变量的平均值。
8.根据权利要求1所述的一种光谱检测果茶树营养状况的检测方法，其特征在于，步骤S6中，验证建立的回归分析模型的准确性具体为：
S61、对建立的回归分析模型用均方根误差RMSE、决定系数R2评价准确性，RMSE计算公式为：
其中，yi为营养元素含量实测值，yi’为反演模型计算的预测值，i为甜玉米样本编号，n为验证样本数；
S62、比较多种回归模型的决定系数R2和RMSE，R2越大，RMSE数值越小，反演模型精度越高，据此来选择最佳的模型。
9.一种光谱检测果茶树营养状况的检测系统，其特征在于，基于权利要求1-8任一项所述的检测方法，包括多光谱数据获取模块、氮含量获取模块、分析处理模块、回归模型建立模块以及验证模块；
多光谱数据获取模块，用于通过多光谱图像采集设备采集到作为样本的茶树的多光谱数据；
氮含量获取模块，用于通过H2SO4-H2O2消煮-奈氏比色法进行氮含量的测定；
分析处理模块，用于分析多光谱数据、分析光谱特征变量与氮含量之间的相关性以及分析二进小波分解后的高频信息与氮含量之间的相关性；
回归模型建立模块，用于建立一元线性回归模型、指数回归模型、对数回归模型、抛物线回归模型以及利用最小二乘算法建立预测模型；
验证模块，用于验证回归分析模型的准确性，将准确性最高的作为茶树氮含量检测模型，用于果树营养状况检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111516558.1A CN114199790A (zh) | 2021-12-13 | 2021-12-13 | 一种光谱检测果茶树营养状况的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111516558.1A CN114199790A (zh) | 2021-12-13 | 2021-12-13 | 一种光谱检测果茶树营养状况的检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114199790A true CN114199790A (zh) | 2022-03-18 |
Family
ID=80653098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111516558.1A Pending CN114199790A (zh) | 2021-12-13 | 2021-12-13 | 一种光谱检测果茶树营养状况的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114199790A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327023A (zh) * | 2022-09-16 | 2022-11-11 | 江西省林业科学院 | 一种植物叶片氮含量检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
| CN110082310A (zh) * | 2019-05-30 | 2019-08-02 | 海南大学 | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 |
| CN110320164A (zh) * | 2019-06-28 | 2019-10-11 | 华南农业大学 | 一种生菜全氮含量高光谱反演模型的建立方法及其应用 |
| CN112129709A (zh) * | 2020-09-16 | 2020-12-25 | 西北农林科技大学 | 一种苹果树冠层尺度氮含量诊断方法 |
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
-
2021
- 2021-12-13 CN CN202111516558.1A patent/CN114199790A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| CN108169141A (zh) * | 2017-11-28 | 2018-06-15 | 华南农业大学 | 一种基于高光谱图像的茶树lai及氮含量估算方法 |
| CN110082310A (zh) * | 2019-05-30 | 2019-08-02 | 海南大学 | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 |
| CN110320164A (zh) * | 2019-06-28 | 2019-10-11 | 华南农业大学 | 一种生菜全氮含量高光谱反演模型的建立方法及其应用 |
| US20210056424A1 (en) * | 2019-08-20 | 2021-02-25 | Rubber Research Institute, Chinese Academy Of Tropical Agricultural Sciences | Method and system for hyperspectral inversion of phosphorus content of rubber tree leaves |
| CN112129709A (zh) * | 2020-09-16 | 2020-12-25 | 西北农林科技大学 | 一种苹果树冠层尺度氮含量诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林少喆: "基于光谱信息的冬小麦水氮含量及产量估测模型研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327023A (zh) * | 2022-09-16 | 2022-11-11 | 江西省林业科学院 | 一种植物叶片氮含量检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11029251B2 (en) | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle | |
| Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
| Banerjee et al. | High-throughput phenotyping using digital and hyperspectral imaging-derived biomarkers for genotypic nitrogen response | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| Liu et al. | Prediction of nitrogen and phosphorus contents in citrus leaves based on hyperspectral imaging | |
| CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
| CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| CN102072885A (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
| CN112903600A (zh) | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| Wenting et al. | Detecting maize leaf water status by using digital RGB images | |
| CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
| Xie et al. | Spectral reflectance response to nitrogen fertilization in field grown corn | |
| Peng et al. | Estimating total leaf chlorophyll content of gannan navel orange leaves using hyperspectral data based on partial least squares regression | |
| CN114199790A (zh) | 一种光谱检测果茶树营养状况的检测方法及系统 | |
| CN113670913B (zh) | 水稻氮素含量反演高光谱植被指数构建方法 | |
| Liu et al. | Estimating the forage neutral detergent fiber content of Alpine grassland in the Tibetan Plateau using hyperspectral data and machine learning algorithms | |
| CN114219795A (zh) | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 | |
| Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| CN114324215A (zh) | 一种柠檬叶片叶绿素含量及其二维分布检测方法 | |
| CN114494689A (zh) | 番茄干旱胁迫的识别方法 | |
| Guo et al. | Simulation of soybean canopy nutrient contents by hyperspectral remote sensing. | |
| Odabas et al. | The Prediction of Saint John’s Wort Leaves’ Chlorophyll Concentration Index using Image Processing with Artificial Neural Network |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220318 |