CN115266720A - 多尺度光谱成像的玉米生长期养分信息检测方法 - Google Patents
多尺度光谱成像的玉米生长期养分信息检测方法 Download PDFInfo
- Publication number
- CN115266720A CN115266720A CN202210947083.XA CN202210947083A CN115266720A CN 115266720 A CN115266720 A CN 115266720A CN 202210947083 A CN202210947083 A CN 202210947083A CN 115266720 A CN115266720 A CN 115266720A
- Authority
- CN
- China
- Prior art keywords
- corn
- scale
- canopy
- hyperspectral
- nutrient
- 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
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 112
- 240000008042 Zea mays Species 0.000 title claims abstract description 109
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 106
- 235000005822 corn Nutrition 0.000 title claims abstract description 106
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 44
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title description 25
- 238000000034 method Methods 0.000 claims abstract description 49
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 8
- 238000012880 independent component analysis Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 21
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 20
- 229910052757 nitrogen Inorganic materials 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000004720 fertilization Effects 0.000 description 5
- 238000002203 pretreatment Methods 0.000 description 4
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 3
- 241000482268 Zea mays subsp. mays Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 235000009973 maize Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 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
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000013307 optical fiber Substances 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
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/552—Attenuated total reflection
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (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
本发明公开多尺度光谱成像的玉米生长期养分信息检测方法，包括：采集不同时期的玉米冠层高光谱图像、叶片高光谱图像；去除所述玉米冠层高光谱图像和所述叶片高光谱图像中的背景；基于去除背景的所述叶片高光谱图像，构建叶片尺度下玉米养分含量预测模型；基于去除背景的所述玉米冠层高光谱图像，构建冠层尺度下玉米养分含量预测模型；基于所述叶片尺度下玉米养分含量预测模型和所述冠层尺度下玉米养分含量预测模型，进行玉米生长期养分信息检测。本发明实时诊断与精确管理玉米养分含量，并且为精准农业中作物养分信息的快速准确获取与检测提供技术途径，从而促进我国农业信息化和智能化快速发展。
Description
技术领域
本发明涉及作物信息检测技术领域，特别是涉及多尺度光谱成像的玉米生长期养分信息检测方法。
背景技术
玉米具有生长周期短、产量高的特点，是我国主要粮食作物之一。通常情况下，适度肥料的使用对于提高玉米总产量，促进玉米生长发育的作用是很大的。玉米作物具有生长周期短，在生长发育期内需要获取大量水分和养分的特点，为促进玉米高效生产，应根据其需水需肥规律来指导生产，即精准灌溉施肥。而玉米生长过程中养分状况的精确掌控是精准灌溉施肥的重要前提。
现阶段，对于玉米养分状况检测与诊断较多采用传统的养分检测方法和光谱检测技术。传统的养分检测方法是在田间采集样品之后，通过实验室化学分析方法进行测定，具有检测灵敏度高、结果准确的优点，但其检测周期长、成本高、操作复杂，无法在空间和时间上实现对作物养分状况的连续动态监测，具有明显的滞后性、非动态性和破坏性，不利于对作物大面积的推广和使用，同时也无法满足精准施肥对养分高效检测的需求。光谱检测技术是基于作物光谱反射特征实现作物特征的定量和定性分析，但光谱检测检测技术无法获取包含作物形态、颜色、纹理等特征的图像及空间信息，不能以直观的方式将作物养分的空间分布和时空动态变化呈现出来，无法将反映作物营养状况和长势情况的特征信息充分表征出来，从而限制了光谱技术在作物养分检测中的应用。
发明内容
本发明的目的是提供多尺度光谱成像的玉米生长期养分信息检测方法，以解决上述现有技术存在的问题，通过对作物叶片尺度、冠层尺度以及区域尺度的高光谱图像的综合分析，对玉米养分含量进行实时诊断与精确管理，并且为精准农业中作物养分信息的快速准确获取与检测提供技术途径，从而促进我国农业信息化和智能化快速发展。
为实现上述目的，本发明提供了如下方案：本发明提供多尺度光谱成像的玉米生长期养分信息检测方法，包括以下步骤：
采集不同时期的玉米冠层高光谱图像、叶片高光谱图像；
去除所述玉米冠层高光谱图像和所述叶片高光谱图像中的背景；
基于去除背景的所述叶片高光谱图像，构建叶片尺度下玉米养分含量预测模型；
基于去除背景的所述玉米冠层高光谱图像，构建冠层尺度下玉米养分含量预测模型；
基于所述叶片尺度下玉米养分含量预测模型和所述冠层尺度下玉米养分含量预测模型，进行玉米生长期养分信息检测。
可选地，所述不同时期包括苗期、穗期、花粒期。
可选地，基于去除背景的所述叶片高光谱图像，构建叶片尺度下玉米养分含量预测模型包括：
基于去除背景的所述叶片高光谱图像，提取所述叶片高光谱图像中的光谱反射曲线；
分析所述光谱反射曲线在不同波段下的光谱反射率，提取有效波段内的光谱反射率数据；
对所述光谱反射率数据进行预处理；
对预处理后的所述光谱反射率数据进行筛选，获取特征波长变量；
基于所述特征波长变量，构建叶片尺度下玉米养分含量预测模型。
可选地，对所述光谱反射率数据进行预处理的方法包括：平滑SG、微分Der、多元散射校正MSC、变量标准化SNV、去趋势处理De-trending、正交信号校正DOSC。
可选地，获取特征波长变量的方法包括：自适应加权方法CARS、连续投影方法SPA、遗传方法GA、独立组分分析法ICA和随机蛙跳方法RF。
可选地，基于去除背景的所述玉米冠层高光谱图像，构建冠层尺度下玉米养分含量预测模型包括：
基于去除背景的所述玉米冠层高光谱图像，提取冠层光谱特征，基于所述冠层光谱特征构建冠层尺度下玉米养分含量预测模型。
可选地，构建冠层尺度下玉米养分含量预测模型采用线性方法和非线性方法。
可选地，采集不同时期的所述玉米冠层高光谱图像的过程中采用冠层高光谱成像采集平台，所述冠层高光谱成像采集平台包括步进电机、高光谱相机、电源和计算机，所述步进电机与所述高光谱相机连接，所述电源分别与所述步进电机、所述高光谱相机连接，所述高光谱相机与所述计算机连接。
本发明公开了以下技术效果：
本发明提供的多尺度光谱成像的玉米生长期养分信息检测方法，通过作物叶片尺度、冠层尺度的研究，以高光谱成像技术和人工智能技术为支撑，预期结果将为利用地面及空间多光谱成像技术进行玉米养分含量的实时诊断与精确管理提供理论基础和科学的方法依据，并且为精准农业中作物养分信息的快速准确获取与检测提供技术途径，从而促进我国农业信息化和智能化快速发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中多尺度光谱成像的玉米生长期养分信息检测方法流程示意图；
图2为本发明实施例中玉米冠层高光谱成像采集平台结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供多尺度光谱成像的玉米生长期养分信息检测方法，如图1所示，包括以下步骤：
S1、在玉米生长的苗期、穗期、花粒期，分别采集玉米冠层高光谱图像、叶片高光谱图像和大田玉米高光谱图像。
在本实施例中，搭建冠层高光谱成像采集平台，用于采集玉米冠层高光谱图像。如图2所示，该平台包括步进电机、高光谱相机、电源和计算机，步进电机与高光谱相机连接，控制高光谱相机位置的变化，电源分别与步进电机、高光谱相机连接，为步进电机和高光谱相机提供电源，高光谱相机与计算机连接，将获取的玉米冠层高光谱图像传输到计算机，进行后续处理。
采集叶片高光谱图像时在室内完成。
大田玉米高光谱图像即区域尺度高光谱图像，利用无人机平台搭载多光谱相机及高光谱成像传感器，进行大田玉米的高光谱图像数据采集。
S2、去除叶片高光谱图像中的背景图像，并利用去除背景后的叶片高光谱图像构建叶片尺度下玉米养分含量预测模型。
采集到的原始叶片高光谱图像中，既包含叶片的图像信息，同时还包含图像的背景信息。使用采集的高光谱图像数据进行分析前，需要剔出高光谱图像数据中的背景图像，以消除背景信息对叶片养分含量计算结果的影响。这是因为在进行高光谱图像数据后续处理使用时，会将包含感兴趣区域(叶片信息)和背景区域的数据一并进行处理，由于背景区域和叶片的光谱特性不同，会使叶片区域的光谱特性受到干扰，导致反映玉米叶片化学成分信息的光谱曲线发生改变，进而影响光谱信息建立校正模型的预测结果，因此在使用高光谱成像数据时，有必要首先对其背景进行剔除。
基于背景分离后的玉米叶片高光谱成像数据，计算一个样本中叶片区域所有像素点的平均值，从而得到玉米叶片一个样本中的一条平均光谱反射曲线。采用同样的提取方法，可以提取出所有样本的光谱反射曲线。通过光谱反射曲线可以分析其不同波段下(可见光、绿光、红光、近红外波段)光谱反射率情况，从而选择有效波段范围内的光谱反射率数据用于研究。
尽管室内高光谱成像系统具有较好的稳定性，能够在一定程度上降低外界光源、噪声等信息的干扰，但不能完全消除环境温湿度、仪器噪音、测量条件等因素对采集数据影响，导致获取的原始数据存在各种噪声，影响建模精度。因此，有必要采用合适的光谱预处理方法对光谱数据进行预处理。以消除干扰因素对建模结果的影响，从而提高模型的预测能力和准确度。目前，常用的光谱预处理方法主要有平滑(SG)、变量标准化(SNV)、微分(Der)、多元散射校正(MSC)、正交信号校正(OSC)等方法。本研究首先对提取的玉米叶片原始光谱采用上述预处理方法进行预处理，可以得到不同预处理方法进行处理后的光谱曲线。然后将原始光谱及各种预处理后的光谱数据作为输入变量，玉米叶片氮含量作为目标变量，建立玉米叶片氮含量预测模型，最后利用模型评价指标，对预测模型进行分析评价，以确定叶片氮含量检测的最优光谱预处理方法。
采用全光谱波段变量建立模型时，建模周期长，运算工作量大，会降低模型的运算速度。并且相邻波段光谱反射率具有较强的相关性，会使模型的稳定性较差，从而降低模型的预测准确度。因此，为了简化模型，建立计算速度快，稳定性好的检测模型，有必要从全光谱波段变量中获取与玉米叶片氮含量相关的特征变量，替代全波光谱变量进行模型构建。模型构建能够采用自适应加权算法(CARS)、连续投影算法(SPA)、遗传算法(GA)、独立组分分析法(ICA)和随机蛙跳算法(RF)筛选特征波长变量，并建立基于特征变量的玉米叶片养分含量模型。本实施例中，为了比较6种特征变量选择方法的有效性，首先将提取的特征变量作为输入变量，玉米叶片氮含量作为输出变量，分别建立玉米叶片含量的PLS(偏最小二乘法)模型。建模过程中采用交互验证法确定模型中的最优主成分个数，然后比较6种算法下筛选出的特征变量个数的多少。在本实施例中，利用相同的数据进行筛选，采用UVE(无信息变量消除)算法筛选出的与氮含量相关的特征变量个数较多，筛选出的变量个数在100以上，而采用CARS(竞争性自适应重加权算法)、SPA(连续投影算法)、GA(遗传算法)、ICA(独立组分分析法)、RF(随机蛙跳算法)算法筛选的特征变量个数较少，这四种方法筛选的特征变量个数均在20以下，其中SPA算法筛选的特征变量个数最少。
S3、去除玉米冠层高光谱图像中的背景，利用去除背景的冠层高光谱，构建冠层尺度下玉米养分含量预测模型。
冠层高光谱成像数据是在大田条件下获取的，能够从田间尺度了解作物的养分状况，理解作物养分的吸收、运输及转移机理，实现作物养分信息的检测，同时其反映的作物的养分状况能够有效指导施肥决策和实现精准施肥。与玉米叶片高光谱成像数据中仅有叶片和特定的背景不同，冠层尺度下玉米高光谱成像数据采集时，除了采集到冠层玉米叶片外，还包含土壤、标准白板、黑色三脚架等多种背景信息，首先需要将复杂的背景信息剔除掉，以消除背景信息对冠层光谱数据的影响。
冠层高光谱成像数据是在大田中获取的，容易受到温度变化、光强变化、土壤背景以及成像光谱仪基线偏移等因素的干扰，使得冠层光谱特性数据与玉米养分含量之间的关系更加复杂，因此基于特征变量进行玉米冠层养分含量分析时需采用线性和非线性两类方法建模，并对两类模型进行分析比较以确定玉米养分含量最优的特征变量选择方法及建模方法，获得不同尺度下冠层玉米养分含量的最优检测模型。具体为，采用卷积平滑法(SG)、多元散射校正(MSC)、变量标准化(SNV)、去趋势化(De-trending)、一阶微分(1-Der)、二阶微分(2-Der)预处理方法对获取的玉米冠层原始光谱曲线进行光谱预处理。然后将原始光谱及各预处理后的光谱数据作为输入变量，进行主成分分析，以玉米冠层氮含量数据作为目标变量，建立玉米叶片氮含量PLS(偏最小二乘法)模型，利用十折交叉验证法确定出最佳主成分数量，根据确定的主成分数进行模型构建，最后利用模型评价指标对建立的玉米冠层氮含量PLS模型进行评价，从而选出最优的光谱预处理模型，利用该模型获得光谱预处理后的光谱，结合不同尺度下玉米养分含量的最优检测模型，可以生成不同尺度下玉米养分含量的分布图，实现叶片尺度和冠层尺度玉米养分含量的可视化，从而对冠层尺度下玉米养分含量的预测。
S4、基于叶片尺度下玉米养分含量预测模型、冠层尺度下玉米养分含量预测模型，进行玉米生长期养分信息检测。
本发明提供的多尺度光谱成像的玉米生长期养分信息检测方法，玉米养分(氮、磷、钾)含量快速检测为目标，利用室内、田间及无人机高光谱成像检测平台获取叶片、冠层及区域尺度的高光谱成像数据，综合运用化学分析检测方法、数据挖掘技术及图像处理技术，构建基于高光谱成像数据的玉米养分检测模型，并应用于无人机高光谱影像中，生成玉米养分状况的分布图，从而实现不同尺度下的玉米养分状况的遥感监测。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，包括以下步骤：
采集不同时期的玉米冠层高光谱图像、叶片高光谱图像；
去除所述玉米冠层高光谱图像和所述叶片高光谱图像中的背景；
基于去除背景的所述叶片高光谱图像，构建叶片尺度下玉米养分含量预测模型；
基于去除背景的所述玉米冠层高光谱图像，构建冠层尺度下玉米养分含量预测模型；
基于所述叶片尺度下玉米养分含量预测模型和所述冠层尺度下玉米养分含量预测模型，进行玉米生长期养分信息检测。
2.根据权利要求1所述的多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，所述不同时期包括苗期、穗期、花粒期。
3.根据权利要求1所述的多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，基于去除背景的所述叶片高光谱图像，构建叶片尺度下玉米养分含量预测模型包括：
基于去除背景的所述叶片高光谱图像，提取所述叶片高光谱图像中的光谱反射曲线；
分析所述光谱反射曲线在不同波段下的光谱反射率，提取有效波段内的光谱反射率数据；
对所述光谱反射率数据进行预处理；
对预处理后的所述光谱反射率数据进行筛选，获取特征波长变量；
基于所述特征波长变量，构建叶片尺度下玉米养分含量预测模型。
4.根据权利要求3所述的多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，对所述光谱反射率数据进行预处理的方法包括：平滑SG、微分Der、多元散射校正MSC、变量标准化SNV、去趋势处理De-trending、正交信号校正DOSC。
5.根据权利要求3所述的多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，获取特征波长变量的方法包括：自适应加权方法CARS、连续投影方法SPA、遗传方法GA、独立组分分析法ICA和随机蛙跳方法RF。
6.根据权利要求1所述的多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，基于去除背景的所述玉米冠层高光谱图像，构建冠层尺度下玉米养分含量预测模型包括：
基于去除背景的所述玉米冠层高光谱图像，提取冠层光谱特征，基于所述冠层光谱特征构建冠层尺度下玉米养分含量预测模型。
7.根据权利要求6所述的多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，构建冠层尺度下玉米养分含量预测模型采用线性方法和非线性方法。
8.根据权利要求1所述的多尺度光谱成像的玉米生长期养分信息检测方法，其特征在于，采集不同时期的所述玉米冠层高光谱图像的过程中采用冠层高光谱成像采集平台，所述冠层高光谱成像采集平台包括步进电机、高光谱相机、电源和计算机，所述步进电机与所述高光谱相机连接，所述电源分别与所述步进电机、所述高光谱相机连接，所述高光谱相机与所述计算机连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210947083.XA CN115266720A (zh) | 2022-08-09 | 2022-08-09 | 多尺度光谱成像的玉米生长期养分信息检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210947083.XA CN115266720A (zh) | 2022-08-09 | 2022-08-09 | 多尺度光谱成像的玉米生长期养分信息检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115266720A true CN115266720A (zh) | 2022-11-01 |
Family
ID=83749632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210947083.XA Pending CN115266720A (zh) | 2022-08-09 | 2022-08-09 | 多尺度光谱成像的玉米生长期养分信息检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115266720A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116907576A (zh) * | 2023-07-13 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种自动化种苗检测系统、方法及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010082246A (ja) * | 2008-09-30 | 2010-04-15 | Panasonic Electric Works Co Ltd | 生体スペクトルの測定データ処理方法 |
| CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
-
2022
- 2022-08-09 CN CN202210947083.XA patent/CN115266720A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010082246A (ja) * | 2008-09-30 | 2010-04-15 | Panasonic Electric Works Co Ltd | 生体スペクトルの測定データ処理方法 |
| CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116907576A (zh) * | 2023-07-13 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种自动化种苗检测系统、方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Estimation and mapping of nitrogen content in apple trees at leaf and canopy levels using hyperspectral imaging | |
| Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
| Li et al. | Modern imaging techniques in plant nutrition analysis: A review | |
| Munnaf et al. | Site-specific seeding using multi-sensor and data fusion techniques: A review | |
| CN101936882B (zh) | 一种作物氮素和水分无损检测方法及装置 | |
| CN101915738B (zh) | 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 | |
| Wang et al. | Wavelet-based coupling of leaf and canopy reflectance spectra to improve the estimation accuracy of foliar nitrogen concentration | |
| Stellacci et al. | Selecting optimal hyperspectral bands to discriminate nitrogen status in durum wheat: A comparison of statistical approaches | |
| Zheng et al. | Estimation of chlorophyll content in potato leaves based on spectral red edge position | |
| Wang et al. | Assessing canopy nitrogen and carbon content in maize by canopy spectral reflectance and uninformative variable elimination | |
| 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 | |
| CN103940748A (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
| CN110333195A (zh) | 植物叶片水分含量检测方法及装置 | |
| CN114441457A (zh) | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 | |
| CN115266720A (zh) | 多尺度光谱成像的玉米生长期养分信息检测方法 | |
| Xiao et al. | Comparison of leaf chlorophyll content retrieval performance of citrus using FOD and CWT methods with field-based full-spectrum hyperspectral reflectance data | |
| Liao et al. | A hybrid CNN-LSTM model for diagnosing rice nutrient levels at the rice panicle initiation stage | |
| Guo et al. | Suitability of different multivariate analysis methods for monitoring leaf N accumulation in winter wheat using in situ hyperspectral data | |
| CN102338738A (zh) | 作物植株及叶片氮素含量现场快速检测方法及装置 | |
| Páscoa | In situ visible and near-infrared spectroscopy applied to vineyards as a tool for precision viticulture | |
| Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
| Chen et al. | Preliminary research on total nitrogen content prediction of sandalwood using the error-in-variable models based on digital image processing | |
| CN114252406A (zh) | 一种小麦生长期养分信息检测方法 | |
| CN115049902A (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| CN114529838A (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221101 |