CN116310788A - 基于图谱融合的植株叶片氮含量高光谱建模方法 - Google Patents

基于图谱融合的植株叶片氮含量高光谱建模方法 Download PDF

Info

Publication number
CN116310788A
CN116310788A CN202310025416.8A CN202310025416A CN116310788A CN 116310788 A CN116310788 A CN 116310788A CN 202310025416 A CN202310025416 A CN 202310025416A CN 116310788 A CN116310788 A CN 116310788A
Authority
CN
China
Prior art keywords
hyperspectral
nitrogen content
data
leaf
plant
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
Application number
CN202310025416.8A
Other languages
English (en)
Inventor
王卓
吴玲
白晓平
李德强
熊锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN202310025416.8A priority Critical patent/CN116310788A/zh
Publication of CN116310788A publication Critical patent/CN116310788A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • 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
    • 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
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/16—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using titration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及基于图谱融合的植株叶片氮含量高光谱预测方法，包括：采集若干不同氮水平的植株叶片样本，获取叶片样本的高光谱数据并黑白校正；测量叶片氮含量的真实值作为标签；制作数据集；对采集高光谱数据进行预处理；提取高光谱数据中的图像纹理特征；提取光谱特征波段；将光谱特征和纹理特征进行融合；采用机器学习算法建立叶片氮含量预测模型，并结合训练集数据融合后的结果进行训练和优化模型；利用测试集中的高光谱数据输入优化后的预测反演模型，自动输出预测的当前叶片氮含量；现场采集植株叶片样本的高光谱数据，输入预测反演模型获得当前植株叶片样本的氮含量预测值。本方法能够精准、实时、快速预测，具有很好的应用价值。

Description

基于图谱融合的植株叶片氮含量高光谱建模方法
技术领域
本发明涉及植株光谱采集与分析技术领域，具体是基于图谱融合的植株叶片氮含量高光谱建模方法。
背景技术
氮含量作为植株重要的生长指标，是氨基酸、叶绿素等重要有机化合物的组分，缺氮会影响其物质的合成，降低光合作用能力，从而影响植株的生长、品质和产量，因此实时监测植株氮含量对其生长发育起着至关重要的作用。然而，基于化学方法检测叶片氮含量存在检测成本高、操作繁琐、时效性差、工作量大等问题。
随着无损检测技术的不断发展，高光谱成像技术已经广泛应用在作物营养元素的无损检测中。高光谱成像技术是光谱技术和图像技术的结合体，能够同时获取目标物的图像和光谱信息，进而实现对目标物外部性状特征的表征以及内部营养特征成分变化的监测。在以往的研究中，大多数都集中对植株内部特征光谱数据的研究，缺少对表征植株外部特征的可见光图像信息的分析，而单一的光谱特征无法描述植株营养元素整体的空间分布特征，降低了预测模型的准确性和鲁棒性。将植株的光谱特征和图像特征进行融合，能够有效缓解近红外光谱技术灵敏度低的缺点，并且改善了以往研究仅针对单一光谱信息存在的“同物异谱，同谱异物”的现象，提高了模型的精度和泛化能力。
发明内容
本发明的目的是针对现有预测技术的不足，而提供一种基于图谱融合的植株叶片氮含量高光谱建模方法。本研究充分考虑作物高光谱数据的光谱特征和图像特征与植株氮含量内在关系，探索一种新的研究思路，将植株叶片的光谱特征和图像特征进行融合构建植株叶片氮含量预测模型，实现精准、高效的无损预测。对作物的多角度立体监测，以提高高光谱成像技术营养诊断的普适性和实用性。这种方法能够精准、高效、实时预测，具有较好的发展前景。
实现本发明所采用的技术方案是：
基于图谱融合的植株叶片氮含量高光谱预测方法，包括：
S1、采集若干不同氮水平的植株叶片样本，获取叶片样本的高光谱数据并黑白校正；
S2、测量叶片氮含量的真实值作为标签；制作带有标签和高光谱数据的配对数据集；所述数据集包括训练集和测试集；
S3、对采集高光谱数据进行预处理；
S4、提取高光谱数据中的图像纹理特征；
S5、提取光谱特征波段；
S6、将光谱特征和纹理特征进行融合；
S7、采用机器学习算法建立叶片氮含量预测模型，并结合训练集数据融合后的结果进行训练和优化模型；
S8、利用测试集中的高光谱数据输入优化后的预测反演模型，自动输出预测的当前叶片氮含量；
S9、现场采集植株叶片样本的高光谱数据，输入建立的图谱融合-叶片氮含量的预测反演模型，获得当前植株叶片样本的氮含量预测值。
所述高光谱数据是采用高光谱相机在密闭环境下拍摄获取的。
所述高光谱数据是高光谱成像系统采集的，所述高光谱成像系统包括高光谱相机、三轴位移平台、卤素灯、暗箱，所述暗箱内设有1个或多个卤素灯；所述暗箱内底板用于放置植株叶片；所述三轴位移平台设于暗箱内，其上固定高光谱相机，所述相机视角朝向叶片，用于获取植株叶片的高光谱数据。
所述植株叶片为从试验区域采集的叶位相同、叶片无病害、叶面无破损、生长状态良好的植株叶片样本，并对样本进行统一编号。
是采用石墨消解仪进行样本消解，再采用凯氏定氮仪测量叶片样本氮含量的真实值。
所述对采集高光谱数据进行预处理，包括：将光谱反射率数据分别进行一阶导数、Savitzky-Golay平滑、标准正态变量、标准化的预处理，采用留一交叉验证法建模，以交叉预测集相关系数(R)和交叉预测集均方根误差(RMSE)为评价指标，筛选出上述四种方法中最佳的预处理方法。
是采用CARS-SPA算法，并根据均方根误差最小的原则，筛选出光谱数据的特征波段。
图像纹理特征的提取，具体包括：
a.提取R、G、B 3个波段下的灰度图像，进行融合生成一幅新的彩色图像；
b.采用灰度共生矩阵(GLCM)提取彩色图像中的图像纹理特征，包括4个不相关的统计特征量：
Figure BDA0004044374370000031
Figure BDA0004044374370000032
Figure BDA0004044374370000033
Figure BDA0004044374370000041
其中，Ent为纹理特征的熵变量，Asm为纹理特征的能量变量，Con为纹理特征的对比度变量，Idm为纹理特征的逆差矩比变量i为起始像素点灰度值，j为目标像素点灰度值，α为像素点间的相对距离，θ为像素点间的方向，P(i,j,α,θ)为从灰度值为i的像素点到灰度值为j的像素点的概率。
所述融合为将光谱特征和纹理特征归一化到0～1范围内，使其满足正态分布。
所述机器学习算法为采用偏最小二乘法回归(PLSR)或支持向量机回归(SVR)的机器学习算法；
所述优化模型为根据模型精度参数评价结果筛选采用何种机器学习算法建模；所述精度参数评价指标包括决定系数R2、均方根误差RMSE，对建立的叶片氮含量预测模型进行评价，具体的计算公式如下：
Figure BDA0004044374370000042
Figure BDA0004044374370000043
其中，xi为叶片氮素的实测值，yi为叶片氮含量的预测值，y为叶片氮含量实测值平均值，n为样品数；
所述模型验证采用Origin软件进行预测模型拟合。
本发明的有益效果及优点：
1.本技术方案相比于采用单一特征建模，能够充分考虑不同特征对氮含量的影响，在一定程度提升模型的预测性能和泛化能力，具有精度高、成本低、可靠性高等优势。
2.通过植株样本采集与处理、植株叶片氮含量测定、光谱数据预测、光谱特征波长提取、图像纹理特征提取、机器学习算法模型建立、高光谱预测模型建立和评价指标，使得本技术方案相较与基于单一特征预测模型，能够精准、高效预测，具有很好的应用价值。
3.这种方法能够广泛应用于实际科研中，为作物无损生长监测提供理论基础。
附图说明
图1为实施例中的方法流程示意图；
图2为实施例中的不同氮含量玉米叶片光谱曲线示意图；
图3为实施例中图谱融合后玉米叶片氮含量真实值与预测值的对比图；
图4为实施例的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明的目的，但不用来限定本发明的范围。
如图1所示，本发明提供了一种基于图谱融合的玉米氮含量高光谱建模方法，包括以下步骤：
S1:玉米叶片采集与处理：采集若干健康的样本，采用Specim Fx10e高光谱相机获取玉米叶片样本高光谱数据，波谱范围为400-1000nm，并对采集到的数据进行黑白校正以实现反射率校正，在本例中，实地采样时选取生长状态一致，叶位相同、叶片无病害的玉米叶片样本，对所有样本采集时进行统一采样，并在实验室利用高光谱相机获取玉米叶片的高光谱数据，如图2所示；
S2:测定S1中玉米叶片样本的氮含量：将样本进行烘干、称重、粉碎处理，采用石墨消解仪进行样本消解，再采用凯氏定氮仪测量玉米叶片氮含量氮含量值，在本例中，将样本置于烘箱中105℃烘烤30min，然后在80℃烘干24h,以便彻底去除叶片中的水分达到恒重状态。然后将烘干后样本进行称重、粉碎处理，采用石墨消解仪将样本消解为蓝绿色溶液，再采用凯氏定氮仪进行测量，得到玉米叶片氮含量的真实值，如表1所示。
表1
Figure BDA0004044374370000061
S3:对S1中采集高光谱数据进行预处理：将光谱反射率分别进行一阶导数、Savitzky-Golay平滑、标准正态变量、标准化的预处理，采用留一交叉验证法建模，以交叉预测集相关系数(R)和交叉预测集均方根误差(RMSE)为评价指标，筛选出上述四种方法中最佳的预处理方法；
S4:对S1中采集高光谱数据提取图像纹理特征：采用灰度共生矩阵(GLCM)提取高光谱数据中不相关的纹理特征,分别为熵、能量、对比度和逆差矩；
采用ENVI软件分别提取玉米叶片高光谱数据中R、G、B 3个波段的高光谱图像，并将将R、G、B 3个波段下的灰度图像进行融合，形成一副新的彩色图像。其表达式为：
Figure BDA0004044374370000062
Figure BDA0004044374370000063
Figure BDA0004044374370000064
Figure BDA0004044374370000065
其中，Ent为纹理特征的熵变量，Asm为纹理特征的能量变量，Con为纹理特征的对比度变量，Idm为纹理特征的逆差矩比变量，i为起始像素点灰度值，j为目标像素点灰度值，α为像素点间的相对距离，θ为像素点间的方向，P(i,j,α,θ)为灰度值为i的像素点到灰度值为j的像素点的概率，如图4所示，(a)为原始图像，(b)为纹理特征。
S5:提取光谱特征波段：采用CARS-SPA算法筛选出光谱数据的特征波段，根据均方根误差最小的原则，选出14个反射波长作为特征波长；
S6:将光谱特征和纹理特征进行数据层面上的融合，采用机器学习算法建立玉米叶片氮含量预测模型，其中，机器学习算法为偏最小二乘法和支持向量机回归，样本数据的4/5作为训练集，1/5为预测集，PLSR和SVR模型均在MATLAB软件中进行数据拟合，建立图谱融合的高光谱数据与玉米叶片氮含量之间的反演模型，在本例中，模型的拟合效果采用决定系数R2的大小检验，稳定性用均方根误差RMSE进行检验，R2越接近1，预测模型的拟合系效果越好，RMSE越小，模型稳定性越好。融合为将光谱特征和纹理特征进行数据层面上的融合处理，采用归一化处理将不同性质的光谱数据和纹理特征数据缩放到0～1范围内得到融合后特征，使其满足正态分布。
S7:分别采用光谱特征(14个反射波长作为特征波长)、纹理特征(熵、能量、对比度和逆差矩)、图谱融合(融合归一化后的融合特征)三种输入变量与PLSR、SVR两种模型建立玉米叶片氮含量预测模型，采用决定系数(R2)、均方根误差(RMSE)，对S6中建立的玉米叶片氮含量预测模型进行评价，在MATLAB2018a软件中对玉米叶片氮含量的真实值和预测值进行拟合，不同模型玉米叶片氮含量预测精度如表2所示，从R2和RMSE这两个评价指标来看，PLSR模型的预测效果优于SVR模型，说明PLSR模型的抗干扰能力较强，能够克服变量多重相关性在模型的不良影响，提高预测模型的泛化性和鲁棒性。而基于图谱融合的PLSR模型的预测效果最好，R2为0.987，RMSE为0.047。相比单一光谱特征模型，基于图谱融合的PLSR模型预测集R2提升了0.18；相比单一纹理特征模型，预测集R2提高了0.182。说明图谱融合能够充分考虑影响玉米叶片氮含量的变量特征，改善了以往研究仅针对单一光谱信息特征存在的“同物异谱，同谱异物”的现象，提高了模型的精度以及泛化能力。
其中决定系数R2、均方根误差RMSE具体的计算公式如下：
Figure BDA0004044374370000081
Figure BDA0004044374370000082
式中，xi为玉米叶片氮素的实测值，yi为玉米叶片氮含量的预测值，y为全部玉米叶片样本的预测值的平均氮含量，n为样品数。
表2各种特征模型玉米叶片氮含量预测结果
Figure BDA0004044374370000083
如图4所示，为实施例的硬件结构示意图。硬件结构是高光谱成像系统，包括高光谱相机、三轴位移平台、卤素灯、暗箱，所述暗箱内位于三轴平台的前后处设有2个固定架用于固定卤素灯；所述暗箱内校正底板用于放置植株叶片；所述三轴位移平台设于暗箱内，其上固定高光谱相机，所述相机视角朝向叶片，用于获取植株叶片的高光谱数据。三轴位移平台可以是有三个直线模组组成，直线模组上电机转动从而带动设置直线模组上的高光谱相机移动，实现三个维度上的运动。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰应视为本发明的保护范围。

Claims (10)

1.基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，包括：
S1、采集若干不同氮水平的植株叶片样本，获取叶片样本的高光谱数据并黑白校正；
S2、测量叶片氮含量的真实值作为标签；制作带有标签和高光谱数据的配对数据集；所述数据集包括训练集和测试集；
S3、对采集高光谱数据进行预处理；
S4、提取高光谱数据中的图像纹理特征；
S5、提取光谱特征波段；
S6、将光谱特征和纹理特征进行融合；
S7、采用机器学习算法建立叶片氮含量预测模型，并结合训练集数据融合后的结果进行训练和优化模型；
S8、利用测试集中的高光谱数据输入优化后的预测反演模型，自动输出预测的当前叶片氮含量；
S9、现场采集植株叶片样本的高光谱数据，输入建立的图谱融合-叶片氮含量的预测反演模型，获得当前植株叶片样本的氮含量预测值。
2.根据权利要求1所述的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述高光谱数据是采用高光谱相机在密闭环境下拍摄获取的。
3.根据权利要求2所述的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述高光谱数据是高光谱成像系统采集的，所述高光谱成像系统包括高光谱相机、三轴位移平台、卤素灯、暗箱，所述暗箱内设有1个或多个卤素灯；所述暗箱内底板用于放置植株叶片；所述三轴位移平台设于暗箱内，其上固定高光谱相机，所述相机视角朝向叶片，用于获取植株叶片的高光谱数据。
4.根据权利要求1所述的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述植株叶片为从试验区域采集的叶位相同、叶片无病害、叶面无破损、生长状态良好的植株叶片样本，并对样本进行统一编号。
5.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，是采用石墨消解仪进行样本消解，再采用凯氏定氮仪测量叶片样本氮含量的真实值。
6.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述对采集高光谱数据进行预处理，包括：将光谱反射率数据分别进行一阶导数、Savitzky-Golay平滑、标准正态变量、标准化的预处理，采用留一交叉验证法建模，以交叉预测集相关系数(R)和交叉预测集均方根误差(RMSE)为评价指标，筛选出上述四种方法中最佳的预处理方法。
7.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，是采用CARS-SPA算法，并根据均方根误差最小的原则，筛选出光谱数据的特征波段。
8.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，图像纹理特征的提取，具体包括：
a.提取R、G、B 3个波段下的灰度图像，进行融合生成一幅新的彩色图像；
b.采用灰度共生矩阵(GLCM)提取彩色图像中的图像纹理特征，包括4个不相关的统计特征量：
Figure FDA0004044374360000021
Figure FDA0004044374360000022
Figure FDA0004044374360000031
Figure FDA0004044374360000032
其中，Ent为纹理特征的熵变量，Asm为纹理特征的能量变量，Con为纹理特征的对比度变量，Idm为纹理特征的逆差矩比变量i为起始像素点灰度值，j为目标像素点灰度值，α为像素点间的相对距离，θ为像素点间的方向，P(i,j,α,θ)为从灰度值为i的像素点到灰度值为j的像素点的概率。
9.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述融合为将光谱特征和纹理特征归一化到0～1范围内，使其满足正态分布。
10.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，
所述机器学习算法为采用偏最小二乘法回归(PLSR)或支持向量机回归(SVR)的机器学习算法；
所述优化模型为根据模型精度参数评价结果筛选采用何种机器学习算法建模；所述精度参数评价指标包括决定系数R2、均方根误差RMSE，对建立的叶片氮含量预测模型进行评价，具体的计算公式如下：
Figure FDA0004044374360000033
Figure FDA0004044374360000034
其中，xi为叶片氮素的实测值，yi为叶片氮含量的预测值，
Figure FDA0004044374360000035
为叶片氮含量实测值平均值，n为样品数；
所述模型验证采用Origin软件进行预测模型拟合。
CN202310025416.8A 2023-01-09 2023-01-09 基于图谱融合的植株叶片氮含量高光谱建模方法 Pending CN116310788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310025416.8A CN116310788A (zh) 2023-01-09 2023-01-09 基于图谱融合的植株叶片氮含量高光谱建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310025416.8A CN116310788A (zh) 2023-01-09 2023-01-09 基于图谱融合的植株叶片氮含量高光谱建模方法

Publications (1)

Publication Number Publication Date
CN116310788A true CN116310788A (zh) 2023-06-23

Family

ID=86778716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310025416.8A Pending CN116310788A (zh) 2023-01-09 2023-01-09 基于图谱融合的植株叶片氮含量高光谱建模方法

Country Status (1)

Country Link
CN (1) CN116310788A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577287A (zh) * 2023-07-12 2023-08-11 北京市农林科学院智能装备技术研究中心 植物叶片光谱采集系统、检测方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577287A (zh) * 2023-07-12 2023-08-11 北京市农林科学院智能装备技术研究中心 植物叶片光谱采集系统、检测方法、装置及电子设备
CN116577287B (zh) * 2023-07-12 2023-10-20 北京市农林科学院智能装备技术研究中心 植物叶片光谱采集系统、检测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Virlet et al. Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN104198396B (zh) 偏振-高光谱技术诊断作物氮磷钾亏缺的方法
Gao et al. Improvement of chlorophyll content estimation on maize leaf by vein removal in hyperspectral image
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
Cheshkova A review of hyperspectral image analysis techniques for plant disease detection and identif ication
CN109324000A (zh) 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法
CN105021535A (zh) 一种稻谷脂肪酸含量无损检测方法及系统
CN116310788A (zh) 基于图谱融合的植株叶片氮含量高光谱建模方法
Zhou et al. Machine learning modeling and prediction of peanut protein content based on spectral images and stoichiometry
Liu et al. Combining spatial and spectral information to estimate chlorophyll contents of crop leaves with a field imaging spectroscopy system
Zheng et al. Detection of Huanglongbing (citrus greening) based on hyperspectral image analysis and PCR
Varela et al. A novel high-throughput hyperspectral scanner and analytical methods for predicting maize kernel composition and physical traits
CN104198397B (zh) 氮磷钾交互作用下温室作物营养含量检测的方法
Wen et al. Visualization of chlorophyll content distribution in apple leaves based on hyperspectral imaging technology.
Zhou et al. Hyperspectral imaging technology for detection of moisture content of tomato leaves
Sun et al. Nondestructive identification of barley seeds varieties using hyperspectral data from two sides of barley seeds
Zhang et al. Leaf water content determination of oilseed rape using near-infrared hyperspectral imaging with deep learning regression methods
CN115424006A (zh) 应用于作物表型参数反演的多源多层次数据融合方法
Gao et al. Study on deep learning model for online estimation of chlorophyll content based on near ground multispectral feature bands
CN114136920A (zh) 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
Fei et al. The rapid non-destructive detection of the protein and fat contents of sorghum based on hyperspectral imaging
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
Yang et al. Nondestructive detection method of egg quality based on multi-sensor information fusion technology
CN110095436A (zh) 苹果轻微损伤分类方法

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