CN115375949A - 一种植物识别方法及系统 - Google Patents
一种植物识别方法及系统 Download PDFInfo
- Publication number
- CN115375949A CN115375949A CN202211127160.3A CN202211127160A CN115375949A CN 115375949 A CN115375949 A CN 115375949A CN 202211127160 A CN202211127160 A CN 202211127160A CN 115375949 A CN115375949 A CN 115375949A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- spectrogram
- sample
- value
- matching
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种植物识别方法及系统,所述识别方法包括以下步骤:选择样品,保证样品的均匀度,并通过光谱扫描仪扫描样品;检测有无异常光谱,将异常光谱删除后,继续扫描;将采集得到的光谱图数据同步识别软件中,选择相应的光谱对其进行分类命名;基于归一化法和光谱匹配对光谱图进行预处理。本发明通过扫描模块对植物样品进行光谱扫描后将异常光谱删除,再由处理模块对光谱图进行预处理,光谱匹配可用于材料识别或材料验证,是指将每个光谱的形状与库中的每个光谱进行比较,并使用专有算法分配从完全不匹配到完全匹配的“匹配度”值,然后使用未知样本匹配值最高的库条目来识别未知样本,有利于提高样品识别精度。
Description
技术领域
本发明涉及植物识别技术领域,具体涉及一种植物识别方法及植物识别系统。
背景技术
据估计,地球上大约有22万到42万种不同类别的植物,对于植物的分类识别是一项庞大复杂的工作,传统的植物识别方法主要依靠相应的植物学家,利用他们自身的专业知识,对植物外形、表皮、叶子等进行研究分析,确认植物类别,但是,这种人工分类方式效率低下,需要耗费大量的人力、物力和财力,而且极度依赖植物学家的专业知识,但对于一般用户来说却很难区分。
申请号201610366104.3的中国专利公开了一种植物识别方法及系统,其中,系统包括客户端、服务端,其中,所述客户端,用于向所述服务端发送查询请求,获取所述服务器反馈的查询结果,其中,所述查询请求包括叶序查询指令、叶形查询指令、叶尖查询指令、及叶缘查询指令中至少一项;所述服务端,用于根据接收到所述查询请求获取相应的查询指令,根据所述查询指令查询预设的植物数据库,向所述客户端反馈查询结果。本发明本通过查询所述植物数据库的筛选,以待识别的植物形态为基础,利用通俗易懂的文字和图片相结合,让用户的可操作性大大提高,从而使其容易得知植物名称。
现有技术存在以下不足:现有的植物识别方法仅通过对植物叶片扫描生成光谱图后,再根据光谱图比对识别植物,然而,植物叶片扫描生成光谱图时,会产生大量的异常光谱(重复光谱),这不仅影响光谱图的处理效率,而且还降低光谱图的识别精度,并且光谱图识别前无预处理,简单识别光谱图导致识别准确性低。
发明内容
本发明的目的是提供一种植物识别方法及系统,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种植物识别方法,所述识别方法包括以下步骤:
S1:选择样品,保证样品的均匀度,并通过光谱扫描仪扫描样品;
S2:检测有无异常光谱,将异常光谱删除后,继续扫描;
S3:将采集得到的光谱图数据同步识别软件中,选择相应的光谱对其进行分类命名;
S4:基于归一化法和光谱匹配对光谱图进行预处理。
优选的,所述归一化法对光谱图像的最大最小值归一化计算公式为:
优选的,所述样品均匀度为:
从树木的四个方向采集无孔洞、无发黄的树叶样品,每个方向采集得到的样品占总数1/4;
将叶片上的灰尘擦拭干净。
本发明还提供一种植物识别系统,包括扫描模块以及处理模块,
扫描模块对植物样品进行光谱扫描,删除异常光谱后生成光谱图,处理模块接收光谱图数据后对光谱图进行预处理,并同步至识别软件中,选择相应的光谱对其进行分类命名。
优选的,所述处理模块对光谱图的预处理方法包括归一化法以及光谱匹配。
优选的,所述所述处理模块对光谱图预处理前,还包括对光谱图像矫正,光谱图矫正公式为:
式中,Rr为辐射校正过的图像反射率值,Dr为原始图像的像元亮度值,Dw为参考板的像元亮度值,Nd为成像光谱仪内部系统噪声。
优选的,所述光谱匹配包括二值编码以及光谱匹配,二值编码通过编码的方式将图像中每个像元的光谱信息特征进行表述,光谱角匹配将具有n个波段的高光谱数据中每个像元的光谱曲线作为N维空间矢量,计算空间矢量与已知标准参考光谱之间的广义夹角。
优选的,所述二值编码的编码公式为:
式中x(n)为像元第n波段的光谱值,h(n)为像元第n波段的编码值,N为总波段数;T为选定的门限值,门限值为光谱的平均光谱值。
优选的,所述光谱角匹配中,设矢量分别为X=[x1,x2,x3,...,xn]和Y=[y1,y2,y3,...,yn],则其之间的广义夹角θ表示为:
式中n为光谱图像波段数,θ值越小,夹角越小。
优选的,所述扫描模块删除异常光谱包括以下步骤:
计算光谱图的二维平面散点图;
将二维平面下散点图上方离集群中心较远的离散点标记为总离散点,将二维平面散点图中下方除去了离散点之外的集群点标记为总集群点;
二维平面散点图输入支持向量机模型,在高维空间得到最优分类超平面函数表达式,最优分类超平面函数表达式为异常光谱阈值线。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过扫描模块对植物样品进行光谱扫描后将异常光谱删除,再由处理模块对光谱图进行预处理,光谱匹配可用于材料识别或材料验证,是指将每个光谱的形状与库中的每个光谱进行比较,并使用专有算法分配从完全不匹配到完全匹配的“匹配度”值,然后使用未知样本匹配值最高的库条目来识别未知样本,有利于提高样品识别精度。
2、本发明的植物识别方法通过对样品预处理,减少影响样品识别准确性的因素,并在样品识别后,将重复光谱与异常光谱删除后对识别光谱进行光谱匹配预处理,进一步提高识别结果的准确性,最后根据识别数据建立模型,便于后续植物的快速识别。
3、本发明根据真实地物图像,选取各类地物的参考样本,并计算平均光谱作为样本中心,通过上式分别求出图像中每一个像素与不同类别样本中心的夹角,得到相似度排名,然后将该像素归入与其夹角最小的类别中,即可完成光谱匹配,处理模块通过先对光谱图像矫正,消除数据获取和传输过程中产生的系统、随机辐射失真或者畸变,然后再对光谱图像进行光谱匹配,进而提光谱图像的质量。
附图说明
为了更清楚地说明本申请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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
图2为本发明的识别流程图。
图3为本发明中样本的原始光谱图。
图4为本发明样本光谱预处理示意图。
图5为本发明中的光谱匹配图。
图6为本发明中的异常光谱阈值线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例1
请参阅图1所示,本实施例所述一种植物识别系统,包括扫描模块以及处理模块,
其中,
扫描模块:用于对植物样品进行光谱扫描,将异常光谱删除后,生成光谱图;
光谱扫描时注意所采集得到光谱的重复性,检测有无异常光谱(因操作失误或其他原因导致的其中一个图谱与其他图谱偏离较大),有可将其删除,继续扫描。
处理模块:用于将采集得到的光谱图数据同步至识别软件中,选择相应的光谱对其进行分类命名,再次检测是否有异常光谱并将其删除;
之后对光谱图进行预处理,处理模块对光谱图的预处理方法包括归一化法以及光谱匹配。
光谱匹配可用于材料识别或材料验证,是指将每个光谱的形状与库中的每个光谱进行比较,并使用专有算法分配从-1(完全不匹配)到+1(完全匹配)的“匹配度”值,然后使用未知样本匹配值最高的库条目来识别未知样本,该识别系统通过扫描模块对植物样品进行光谱扫描后将异常光谱删除,再由处理模块对光谱图进行预处理,光谱匹配可用于材料识别或材料验证,是指将每个光谱的形状与库中的每个光谱进行比较,并使用专有算法分配从-1(完全不匹配)到+1(完全匹配)的“匹配度”值,然后使用未知样本匹配值最高的库条目来识别未知样本,有利于提高样品识别精度。
实施例2
所述扫描模块去除光谱图中的异常光谱包括以下步骤:
计算经预处理的实测光谱数据与标准光谱集平均光谱之间的局部度量,包括欧氏距离ED和余弦角CA,并归一化到0-1之间;计算经预处理的实测光谱数据与标准光谱集平均光谱之间的整体度量,包括光谱信息散度SID,并归一化到0-1之间;计算方法如下:
实测光谱曲线X和Y都包含n个波段,即X=(x1,x2,x3,...xn),Y=(y1,y2,y3,...yn);
由于距离、角度度量分别是利用谱段间的距离、角度差异的加权值,导致谱段间差异易相互抵消,所以难以区分整体波形结构差异,从信息论的角度加入光谱信息散度SID定量表征波形整体相似性,以光谱编号为横轴,以归一化后的欧氏距离ED、余弦角CA、光谱信息散度SID和表达式(ED×SID)/CA的值为纵轴建立二维平面的ED散点图、CA散点图、SID散点图和(ED×SID)/CA散点图。
二维平面散点图包括ED散点图和/或CA散点图和/或SID散点图和/或(ED×SID)/CA散点图。
将二维平面下的ED散点图、CA散点图、SID散点图、(ED×SID)/CA散点图这四个二维平面散点图中上方离集群中心较远的离散点标记为总离散点,将二维平面散点图中下方除去了离散点之外的集群点标记为总集群点,总离散点和总集群点共同构成训练光谱;这样即由四个二维平面下的散点图获取得到了二维平面下的训练光谱。
选取核函数和惩罚系数C,结合训练光谱建立SVM二分类算法模型;
K(mu,mv)即代表核函数,mu,mv表示光谱编号为u与v的光谱在归一化(ED×SID)/CA散点图上光谱度量值。
间隔参数γ系数为不敏感损失函数参数,γ越大,支持向量越少,γ值越小,支持向量越多,惩罚系数C值用以约束光谱错分情况,C过大或过小,泛化能力变差,实践中惩罚系数C和RBF核函数中的间隔参数γ多为人为指定的经验参数,作为一种改进,本实施例还包括对训练光谱进行交叉验证,寻得惩罚系数C和核函数RBF中的间隔参数γ的最优取值的步骤。
通过对训练光谱进行交叉验证,自动寻优最佳支持向量机模型所需参数,具体方法为:将训练光谱随机分为N个集合,对其中的N-1个集合进行训练,建立SVM二分类算法模型,得到一个决策函数,并用该决策函数对剩下的一个集合进行样本测试;将上述的过程重复N次,取N次过程中的测试错误的平均值作为误差,误差最小的模型中惩罚系数C和RBF核函数中间隔参数γ的取值即为最优取值。
实践中还可以选取的核函数类型有线性核函数、多项式核函数、sigmoid核函数,本实施例选取的RBF核函数具有泛化能力强、收敛速度快的特点,将自动寻优出的参数间隔参数γ代入RBF核函数、结合自动寻优的惩罚系数C和训练光谱建立支持向量机模型,训练输入的光谱即为支持向量。
请参阅图6所示,将二维平面散点图输入支持向量机模型,在高维空间得到最优分类超平面函数表达式,最优分类超平面函数表达式即为异常光谱阈值线。
实施例3
请参阅图2所示,本实施例所述一种植物识别方法,所述识别方法包括以下步骤:
选择有代表性的样品,需要保证样品的均匀度;
样品的均匀度通过通过以下方法体现:
(1)采集外形完好、避免有虫孔发黄的树叶样品,鉴于对同一棵树而言,不同方位树叶所受到太阳光的照射程度是不一样的,为了使采集到的树叶能够更好的表征该树的情况,提高模型的容变性和鲁棒性,每棵树分别从东西南北四个方向采集样品,每个方向采集得到的样品约占总数的1/4;
(2)灰尘对叶片可见光波段影响较小,对近红外波段影响较大,所以在进行近红外光谱采集之前,需先将叶片上的灰尘擦拭干净。
通过光谱扫描仪扫描样品;
光谱扫描时注意所采集得到光谱的重复性,检测有无异常光谱(因操作失误或其他原因导致的其中一个图谱与其他图谱偏离较大),异常光谱可删除,继续扫描。
将采集得到的光谱图数据同步识别软件中,选择相应的光谱对其进行分类命名,之后对光谱图进行预处理。
图谱预处理方法包括归一化法和光谱匹配,光谱匹配将用于图谱模型计算。
归一化法对光谱图像的最大最小值归一化计算公式如下:
光谱图像通常包含有数百个波段的样本图像信息,每个波段分别对应不同的波长范围,不同波段之间的最大值与最小值差异较大,为了均衡化每个波段的信息权重,最大、最小值的选取往往以所属波段为边界。
受限于图像采集过程的复杂性,往往很难得到图像中某些点的先验光谱信息,处理模块通过对光谱图像进行归一化,可在一定程度上排除外界环境干扰,同时避免光谱图像中各波段之间差异太大影响图像分类识别精度。
光谱匹配可用于材料识别或材料验证,具体包括以下步骤:
(1)将每个光谱的形状与库中的每个光谱进行比较,并使用专有算法分配从-1(完全不匹配)到+1(完全匹配)的“匹配度”值;
(2)使用未知样本匹配值最高的库条目来识别未知样本。
定性分析模型分为鉴定模式和验证模式两种模式,前者用于鉴定,可鉴定某样品是模型中的何种物质;后者用于验证,验证某样品是否为所需的样品,根据模型要求,本试验设计建立ID鉴定模型,最后需要给所建模型设置阈值,该值的意义是被扫描样品图谱与该模型中图谱匹配达到该数据时判定为相应样品,一般典型定义为0.95,也可根据实际情况或试验自行设置。
将创建好的方法模型配置至便携式近红外光谱仪microPHAZIR上,用所建模型对未知样品进行鉴定,验证模型的准确性和实用性,该植物识别方法通过对样品预处理,减少影响样品识别准确性的因素,并在样品识别后,将重复光谱与异常光谱删除后对识别光谱进行光谱匹配预处理,进一步提高识别结果的准确性,最后根据识别数据建立模型,便于后续植物的快速识别。
实施例4
所述处理模块对光谱图预处理前,还包括对光谱图像矫正,利用SpecView软件平台针对光谱图像进行辐射校正,用来消除数据获取和传输过程中产生的系统、随机辐射失真或者畸变,计算公式为:
式中,Rr为辐射校正过的图像反射率值,Dr为原始图像的像元亮度值,Dw为参考板(铝箔)的像元亮度值,Nd为成像光谱仪内部系统噪声,处理模块对光谱图预处理前,先对光谱图像进行矫正,从而消除数据获取和传输过程中产生的系统、随机辐射失真或者畸变,进而提光谱图像的质量。
光谱匹配可用于材料识别或材料验证,是指将每个光谱的形状与库中的每个光谱进行比较,并使用专有算法分配从-1(完全不匹配)到+1(完全匹配)的“匹配度”值,然后使用未知样本匹配值最高的库条目来识别未知样本,具体为:
所述光谱匹配包括二值编码算法以及光谱匹配算法;
其中,
(1)二值编码匹配算法是以编码的方式将图像中每个像元的光谱信息特征进行表述,极大地提高了光谱匹配计算的效率,具体的编码公式为:
式中x(n)为像元第n波段的光谱值,h(n)为像元第n波段的编码值,N为总波段数;T为选定的门限值,一般选为光谱的平均光谱值。
光谱图像经过二值编码处理之后,图像中每个像元光谱变为一个与波段数长度相同的编码序列,每个序列中的值由0或者1组成,虽然二进制编码算法在一定程度上有助于提高图像光谱数据的分析处理效率,但有时不能提供合理的光谱可分性,并且会失去很多细节光谱信息。
(2)光谱角匹配算法是将具有n个波段的高光谱数据中每个像元的光谱曲线作为N维空间矢量,计算其与已知标准参考光谱之间的广义夹角,进而判断匹配的好坏程度,属于监督分类方法的一种。
假设矢量分别为X=[x1,x2,x3,...,xn]和Y=[y1,y2,y3,...,yn],则其之间的广义夹角θ可表示为:
式中n为光谱图像波段数,θ值越小,X和Y的相似性越大,即夹角越小,说明越相似,在实际的分类应用中,根据真实地物图像,选取各类地物的参考样本,并计算平均光谱作为样本中心,通过上式分别求出图像中每一个像素与不同类别样本中心的夹角,得到相似度排名,然后将该像素归入与其夹角最小的类别中,即可完成光谱匹配,处理模块通过先对光谱图像矫正,消除数据获取和传输过程中产生的系统、随机辐射失真或者畸变,然后再对光谱图像进行光谱匹配,进而提光谱图像的质量。
实施例5
本实施例基于植物识别系统以及植物识别方法进行植物识别实验,具体为:
于江西省林业科学院资源保存基地分别采集闽楠、白楠、紫楠、浙江楠、帧楠5种楠属植物叶片,采集外形完好、避免有虫孔发黄的树叶样品,鉴于对同一棵树而言,不同方位树叶所受到太阳光的照射程度是不一样的,为了使采集到的树叶能够更好的表征该树的情况,提高模型的容变性和鲁棒性,每棵树分别从东西南北四个方向采集样品,每个方向采集得到的样品约占总数的1/4。
采集得到的样品数据如下表:
所用仪器为美国赛默飞世尔手持式近红外光谱仪(microPHAZIRTMRx),是一款便携式的近红外光谱仪器,具有操作简单、分析快速、体积小、重量轻,可用于现场快速材料鉴别等特点。
其工作原理为近红外光谱无损化学分析,采样模式是漫反射,光源为卤钨灯,对样品和人体无害,采集光谱范围为1600-2400nm,测量时间一般只需3秒甚至更短,可在5-40℃的环境温度内均可工作。
由于灰尘对叶片可见光波段影响较小,对近红外波段影响较大,所以在进行近红外光谱采集之前,需先将叶片上的灰尘擦拭干净。
光谱采集时以铝箔纸为背景,将叶片平铺于铝箔纸上,仪器光源对准采集部位进行光谱采集,采集叶片正面光谱,以叶脉主脉中点为分界线,采集叶片上、中(叶脉主脉中点)、下三个部位的光谱,每片树叶采集得到3条光谱,确保每片树叶采集光谱的部位一致。
将红外光谱仪所采集得到的光谱数据导入配套的识别软件—MethodGenerator,使用该软件建立数据分析模型,样本的近红外数据如图3所示。
打开图谱文件,观察是否有因操作失误或其他原因导致的与其他图谱偏差很大的异常图谱并将其删除。
应用定性聚类分析方法,选择合适的光谱预处理方法,消除可能妨碍分析的变化如高频随机噪音、样本不均匀、基线漂移、光散射等,以便构建精确度更高的模型。
本实验所选用的预处理方法为归一化调整和光谱匹配,预处理后的光谱如图4所示。
计算每个光谱与其他光谱的匹配值,数据集中的每个光谱都有自己的列,由光谱匹配评价可知,一套好的预处理步骤会在给定的列中的顶部和底部之间产生很大的间隙,反映在数值上即为当Totalmismatches(总不匹配)为0时,表明所有的样品均能被很好的区分开,而当Totalmism atches为1时,则表明样品中存在误匹配。
对预处理后的光谱进行光谱匹配,观察匹配结果,如果Totalmismat ches不为0,则说明存在样品被误匹配,可通过软件对光谱进行异常分析,以帮助识别是否存在不良或错误标记的光谱,并将其剔除,剔除异常光谱后,再次对光谱进行预处理,匹配结果如图5所示。
据其结果进行分析,可得不同树种之间的匹配结果为零,即该模型能够区闽楠、白楠、紫楠、浙江楠、桢楠5个不同树种。
本实验建立的模型采用识别模式,域值设置为0.99,采用外部验证的方法,以相同的取样方式随机选取一定量不同树种的样品进行验证,经试验验证,所建立的模型能准确识别所参与建模的树种。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,本申请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)执行本申请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(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种植物识别方法,其特征在于:所述识别方法包括以下步骤:
S1:选择样品,保证样品的均匀度,并通过光谱扫描仪扫描样品;
S2:检测有无异常光谱,将异常光谱删除后,继续扫描;
S3:将采集得到的光谱图数据同步识别软件中,选择相应的光谱对其进行分类命名;
S4:基于归一化法和光谱匹配对光谱图进行预处理。
3.根据权利要求1所述的一种植物识别方法,其特征在于:所述样品均匀度为:
从树木的四个方向采集无孔洞、无发黄的树叶样品,每个方向采集得到的样品占总数1/4;
将叶片上的灰尘擦拭干净。
4.一种植物识别系统,所述识别系统用于实现权利要求1-3任一项所述的一种植物识别方法,其特征在于:包括扫描模块以及处理模块,
扫描模块对植物样品进行光谱扫描,删除异常光谱后生成光谱图,处理模块接收光谱图数据后对光谱图进行预处理,并同步至识别软件中,选择相应的光谱对其进行分类命名。
5.根据权利要求4所述的一种植物识别系统,其特征在于:所述处理模块对光谱图的预处理方法包括归一化法以及光谱匹配。
7.根据权利要求5所述的一种植物识别系统,其特征在于:所述光谱匹配包括二值编码以及光谱匹配,二值编码通过编码的方式将图像中每个像元的光谱信息特征进行表述,光谱角匹配将具有n个波段的高光谱数据中每个像元的光谱曲线作为N维空间矢量,计算空间矢量与已知标准参考光谱之间的广义夹角。
10.根据权利要求5-9任一项所述的一种植物识别系统,其特征在于:所述扫描模块删除异常光谱包括以下步骤:
计算光谱图的二维平面散点图;
将二维平面下散点图上方离集群中心较远的离散点标记为总离散点,将二维平面散点图中下方除去了离散点之外的集群点标记为总集群点;
二维平面散点图输入支持向量机模型,在高维空间得到最优分类超平面函数表达式,最优分类超平面函数表达式为异常光谱阈值线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211127160.3A CN115375949A (zh) | 2022-09-16 | 2022-09-16 | 一种植物识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211127160.3A CN115375949A (zh) | 2022-09-16 | 2022-09-16 | 一种植物识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375949A true CN115375949A (zh) | 2022-11-22 |
Family
ID=84071618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211127160.3A Pending CN115375949A (zh) | 2022-09-16 | 2022-09-16 | 一种植物识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375949A (zh) |
-
2022
- 2022-09-16 CN CN202211127160.3A patent/CN115375949A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108362662B (zh) | 近红外光谱相似度计算方法、装置和物质定性分析系统 | |
Zhao et al. | Application of hyperspectral imaging and chemometrics for variety classification of maize seeds | |
CN105928901B (zh) | 一种定性定量相结合的近红外定量模型构建方法 | |
AU2014346520B2 (en) | Texture analysis of a coated surface using pivot-normalization | |
EP1902356A2 (en) | Forensic integrated search technology | |
CN104062262A (zh) | 一种基于近红外光谱的作物种子品种真实性鉴别方法 | |
CN110674835A (zh) | 一种太赫兹成像方法及系统和一种无损检测方法及系统 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
Wu et al. | Variety identification of Chinese cabbage seeds using visible and near-infrared spectroscopy | |
Huang et al. | Optimal wavelength selection for hyperspectral scattering prediction of apple firmness and soluble solids content | |
JP3577281B2 (ja) | 赤外分光光度計用データ処理装置 | |
CN115375949A (zh) | 一种植物识别方法及系统 | |
CN111426657B (zh) | 一种溶解性有机物三维荧光谱图的识别比对方法 | |
Filipović et al. | Significance of morphological features in rice variety classification using hyperspectral imaging | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
CN113138181B (zh) | 一种对清香型原酒品质分级的方法 | |
CN114971259A (zh) | 一种利用近红外光谱分析配方产品质量一致性的方法 | |
CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 | |
CN111595802A (zh) | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 | |
CN116823576B (zh) | 一种毒品原植物适生区的评估方法及系统 | |
CN115452758A (zh) | 大米类别鉴别模型及其构建方法以及鉴别大米类别的方法 |
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 |