CN116577287B - 植物叶片光谱采集系统、检测方法、装置及电子设备 - Google Patents
植物叶片光谱采集系统、检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116577287B CN116577287B CN202310851458.7A CN202310851458A CN116577287B CN 116577287 B CN116577287 B CN 116577287B CN 202310851458 A CN202310851458 A CN 202310851458A CN 116577287 B CN116577287 B CN 116577287B
- Authority
- CN
- China
- Prior art keywords
- plant leaf
- light
- spectrum
- leaf
- detected
- 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 230000003595 spectral effect Effects 0.000 claims abstract description 63
- 239000013307 optical fiber Substances 0.000 claims abstract description 48
- 230000009471 action Effects 0.000 claims abstract description 4
- 241000196324 Embryophyta Species 0.000 claims description 164
- 238000012545 processing Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 12
- 238000000411 transmission spectrum Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 abstract description 20
- 230000003287 optical effect Effects 0.000 abstract description 16
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 241000220223 Fragaria Species 0.000 description 6
- 235000016623 Fragaria vesca Nutrition 0.000 description 6
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 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 5
- 239000000835 fiber Substances 0.000 description 4
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 229930002868 chlorophyll a Natural products 0.000 description 2
- 229930002869 chlorophyll b Natural products 0.000 description 2
- NSMUHPMZFPKNMZ-VBYMZDBQSA-M chlorophyll b Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C=O)=[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 NSMUHPMZFPKNMZ-VBYMZDBQSA-M 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
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
-
- 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
Abstract
本发明涉及光谱检测技术领域,尤其涉及植物叶片光谱采集系统、检测方法、装置及电子设备。采集装置包括光源、Y型光纤、光谱仪、样品室和积分球;光源与Y型光纤分叉端的入光口连接;光谱仪与Y型光纤连接;光源发出的检测光通过Y型光纤进入样品室;检测光照射待检测植物叶片正面形成从待检测植物叶片正面反射的目标反射光,以及透射第一透射光;第一透射光进入积分球,并在积分球的反射作用下形成多个第二透射光;光谱仪接收目标反射光与多个第二透射光,并根据目标反射光与多个第二透射光确定待检测植物叶片的光谱数据。本发明解决现有技术无法同时获取植物叶片反射和透射光学信息,对植物叶片光谱数据的采集效率低的问题。
Description
技术领域
本发明涉及光谱检测技术领域,尤其涉及一种植物叶片光谱采集系统、检测方法、装置及电子设备。
背景技术
植物叶片的结构和化学性质决定叶片组织与光的相互作用,在叶片发病过程中,病原体影响植物叶片的结构和化学性质,从而影响叶片对光的吸收、反射与透射,改变叶片的光学特性,光学传感器可捕获并量化叶片光学特性变化。通常反射光谱信息反应植物叶片的浅表信息,吸收和透射光谱反应叶片深层的内部信息。现有植物叶片病害光学检测无法同时获取植物叶片反射和透射光学信息。
例如,现有技术通过荧光透射手段利用高光谱仪器采集植物叶片(如茶叶叶片)的原始荧光透射光谱,使用中心波长370nm的荧光激发光源对样品进行照射,由于受激发后的叶绿素荧光发射过程缓慢,且强度较低,曝光时间设置相对长一些才能捕捉到荧光光谱信息。为了最大化提取样本的病害特征信息,使用高光谱反射技术,采集高光谱图像。在进行高光谱图像特征采集时,需要重新设置物距,曝光时间,移动台速度,关闭荧光激发电源,开启载物台上方倾角45°的两个卤素光源,将下方的玻璃载物台和荧光透射灯移除,然后将叶片样本直接摆放在黑色背景的移动载物台上进行高光谱图像的采集。可见该研究存在叶片荧光透射信号弱,荧光透射数据采集速度慢,无法同时采集叶片荧光透射和反射信息,对植物叶片的光谱采集效率低,使得对病害植物叶片的光谱检测效率低。
发明内容
本发明提供一种植物叶片光谱采集装置、检测方法及系统,用以解决在对病害植物叶片进行光谱检测前,现有技术无法同时获取植物叶片反射和透射的光学信息,对植物叶片光谱数据的采集效率低的问题。
本发明提供一种植物叶片光谱采集系统,包括:光源、Y型光纤、光谱仪、样品室和积分球;
所述光源与所述Y型光纤分叉端的入光口连接;
所述光谱仪与所述Y型光纤分叉端的出光口连接;
所述样品室的入光口与所述Y型光纤合束端连接;
所述样品室与所述积分球的入光口连接;
所述样品室放置有待检测植物叶片,所述光源发出的检测光通过所述Y型光纤合束端进入所述样品室;所述检测光照射所述待检测植物叶片正面形成从所述待检测植物叶片正面反射的目标反射光,以及透射所述待检测植物叶片的第一透射光;
所述第一透射光进入所述积分球,并在所述积分球的反射作用下形成多个透射所述待检测植物叶片背面的第二透射光;
所述光谱仪通过所述Y型光纤分叉端的出光口接收所述目标反射光与多个第二透射光,并根据所述目标反射光与多个第二透射光确定所述待检测植物叶片的光谱数据。
根据本发明提供的一种植物叶片光谱采集装置,还包括衰减器;
所述光源通过连接光纤与所述衰减器连接;所述衰减器与所述Y型光纤分叉端的入光口连接。
根据本发明提供的一种植物叶片光谱采集装置,还包括光纤支架;
所述光纤支架用于支撑所述Y型光纤。
根据本发明提供的一种植物叶片光谱采集装置,所述光谱仪具体用于:
对所述目标反射光与所述多个第二透射光进行黑参考与白参考校准,得到校准后数据;
根据所述校准后数据确定所述待检测植物叶片的光谱数据。
根据本发明提供的一种植物叶片光谱采集装置,所述检测光为可见光或近红外光。
本发明还提供一种植物叶片光谱检测方法,包括:
基于以上任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据;
对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果;
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
根据本发明提供的植物叶片光谱检测方法,所述目标模型是通过如下方式训练得到的:
以植物叶片的光谱数据作为样本、植物叶片是否为健康叶片作为标签对初始模型进行训练得到所述目标模型。
根据本发明提供的植物叶片光谱检测方法,所述预处理包括:SG平滑处理、多元散射校正处理、标准正态变量变换处理和归一化处理中的至少一项。
本发明还提供一种植物叶片光谱检测装置,包括:
获取模块,用于基于以上任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据;
检测模块,用于对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果;
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如以上任一项所述的植物叶片光谱检测方法。
本发明提供的一种植物叶片光谱采集系统、检测方法、装置及电子设备,通过光源发出检测光,经过Y型光纤分叉端的入光口进入样品室,使得检测光到达样品室中的待检测植物叶片的正面,检测光在叶片正面发生反射、吸收与透射现象,透射光进入积分球,在积分球内发生反射后,在叶片样品背面处发生反射、吸收与透射现象,叶片正面的目标反射光与叶片多个第二透射光进入Y型光纤合束端后,通过Y型光纤分叉端的出光口进入到光谱仪,进而能够实现同时获取待检测植物叶片反射和透射的光学信息,提高了对植物叶片光谱数据的采集效率;同时,也能无损伤地对待检测植物叶片进行光谱数据的采集。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的植物叶片光谱采集装置的结构示意图。
图2是本发明提供的植物叶片光谱检测方法的流程示意图。
图3是本发明提供的植物叶片光谱检测方法中进行SG平滑处理后的光谱曲线示意图。
图4是本发明提供的植物叶片光谱检测方法中进行SG平滑处理和MSC处理后的光谱曲线示意图。
图5是本发明提供的植物叶片光谱检测方法中进行SG平滑处理和SNV处理后的光谱曲线示意图。
图6是本发明提供的植物叶片光谱检测方法中进行SG平滑处理和NOR处理后的光谱曲线示意图。
图7是本发明提供的植物叶片光谱检测装置的结构示意图。
图8是本发明提供的电子设备的结构示意图。
附图标记:
光源110、Y型光纤120、样品室130、积分球140、光谱仪150、光纤支架160、衰减器170、连接光纤180。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
下面结合图1描述本发明的一种植物叶片光谱采集装置,包括:光源110、Y型光纤120、光谱仪150、样品室130和积分球140。本实施例中,光源110带有稳压电源和散热器件,其波长范围为185-2200nm。具体地,光源110选用氙灯光源,如HPX-2000氙灯光源。
所述光源110与所述Y型光纤120分叉端的入光口连接。所述光谱仪150与所述Y型光纤120分叉端的出光口连接。本实施例中,光谱仪150探测的波长范围为200-1100nm,光谱分辨率为0.14-7.7nm。
所述样品室130的入光口与所述Y型光纤120合束端连接。所述样品室130与所述积分球140的入光口连接。所述样品室130放置有待检测植物叶片,所述光源110发出的检测光通过所述Y型光纤120合束端进入所述样品室130。其中,检测光为可见光或近红外光。
所述检测光照射所述待检测植物叶片正面形成从所述待检测植物叶片正面反射的目标反射光,以及透射所述待检测植物叶片的第一透射光。所述第一透射光进入所述积分球140,并在所述积分球140的反射作用下形成多个透射所述待检测植物叶片背面的第二透射光。所述光谱仪150通过所述Y型光纤120分叉端的出光口接收所述目标反射光与多个第二透射光,并根据所述目标反射光与多个第二透射光确定所述待检测植物叶片的光谱数据。即第一透射光进入积分球140中,第一透射光在积分球140内发生反射后,在待检测植物叶片的背面处发生反射、吸收与透射现象,在待检测植物叶片的背面发生n+1(n=1,2,3…)次的透射光(多个第二透射光),使得光谱仪150通过Y型光纤120分叉端的出光口接收目标反射光与多个第二透射光,进而便于获取待检测植物叶片的深层内部透射光信息。
本发明通过光源110发出检测光(可见光或近红外光),经过Y型光纤120分叉端的入光口后进入样品室130,使得可见光或近红外光到达样品室130中待检测植物叶片的正面,可见光或近红外光在叶片正面发生反射、吸收与透射现象,透射光进入积分球140,在积分球140内发生反射后,在叶片样品背面处发生反射、吸收与透射现象,光谱仪150通过Y型光纤120分叉端的出光口接收目标反射光与多个第二透射光,进而能够实现同时获取待检测植物叶片反射和透射的光学信息,提高了对植物叶片光谱数据的采集效率;同时,也能无损伤地对待检测植物叶片进行光谱数据的采集。
在以上实施例的基础上,还包括衰减器170,所述光源110通过连接光纤180与所述衰减器170连接;所述衰减器170与所述Y型光纤120分叉端的入光口连接。具体地,衰减器170为光衰减器。所述光衰减器的入光口与所述光源110的出光口连通,光衰减器的出光口与Y型光纤120分叉端的入光口连接。通过光衰减器用于对光源110发出的功率进行衰减。
在以上实施例的基础上,还包括光纤支架160,所述光纤支架160用于支撑所述Y型光纤120。具体地,光纤支架160用于对Y型光纤120的合束端的外表面进行支撑,以实现对Y型光纤120的合束端进行支撑。
在以上实施例的基础上,所述光谱仪150具体用于:
对所述目标反射光与所述多个第二透射光进行黑参考与白参考校准,得到校准后数据。
根据所述校准后数据确定所述待检测植物叶片的光谱数据。
本实施例中,对所述目标反射光与所述多个第二透射光进行黑参考与白参考校准,得到校准后数据,具体包括:
将植物叶片光谱采集装置进行预热后,获取标准参考白板的光谱信息后,切断Y型光纤120中的光路,并获取暗环境的光谱信息。具体地,将植物叶片病害光谱检测采集装置植物叶片病害光谱采集装置进行预热15分钟;以使光源和光谱仪处于稳定的工作状态。
连通Y型光纤120中的光路,获取待检测植物叶片的光谱信息。
基于暗环境的光谱信息和待检测植物叶片的光谱信息,利用光谱仪对所述目标反射光与所述多个第二透射光进行黑参考与白参考校准,得到校准后数据。具体地,光谱仪进行光谱采集的积分时间设置为25.6ms,平均次数设置为1次,平滑度设置为0。同时,光谱仪进行白参考校准和黑参考校准的公式见式(1):
(1);
其中,表示波段/>处光谱数值;/>表示待检测植物叶片在波段/>处的反射光强度;/>表示待检测植物叶片在波段/>处n+1次透射光强度总和,n=1,2,3…;/>表示暗环境波段/>处的光强度;/>表示参考白板在波段/>处的光强度。
下面对本发明提供的植物叶片光谱检测方法进行描述。
请一并参阅图2,一种植物叶片光谱检测方法,包括:
S1、基于以上任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据。具体地,光谱数据包含待检测植物叶片反射和透射的光学信息,以实现对植物叶片病害检测能力的提高。
S2、对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果。具体地,所述预处理包括:SG平滑处理、多元散射校正处理(MSC)、标准正态变量变换处理(SNV)和归一化处理(NOR)中的至少一项;以实现对光谱数据进行去噪或光谱数据的修正。采用目标模型,判断出待检测植物叶片是否为健康叶片的结果,进一步提高了对待检测植物叶片的检测效率。
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
例如,请一并参阅图3,选取的草莓品种为红颜草莓,草莓叶片包含4片健康叶片和3片非健康叶片,非健康叶片主要感染炭疽病。分别获取4片健康叶片和3片非健康染病叶片生成的光谱数据。通过光谱数据得出:草莓健康叶片与非健康叶片在400~480nm与520~580nm处的反射和透射光谱曲线均有明显差异,在550nm处有一个明显波峰。在中心波长分别为450nm和650nm的两个波段内,叶绿素a以及叶绿素b吸收大部分的摄入能量,在这两个叶绿素吸收波段间,由于对绿光吸收作用较小,在550nm附近形成一个反射峰。当染病叶片受到病菌侵染时,虽然叶片边缘的叶绿素组织已出现褐色病变,但叶片抗氧化酶活性增强,叶片细胞活性增强,叶绿素a及叶绿素b吸收大部分摄入能量,因此,在400~480nm波段,染病初期的非健康叶片的反射和透射率低于健康叶片;在520~580nm波段,染病初期的非健康叶片的反射和透射率高于健康叶片;通过草莓健康叶片与非健康叶片反射和透射光谱曲线的差异,得出草莓健康叶片与非健康叶片反射和透射的光谱特征。
本发明通过获取待检测植物叶片的光谱数据,再对光谱数据输入至目标模型,得到所述目标模型输出的待检测植物叶片是否为健康叶片的结果,不仅实现提高了对植物叶片病害检测的能力,而且也实现对待检测植物叶片的无损伤检测。
在以上实施例的基础上,所述目标模型是通过如下方式训练得到的:
以植物叶片的光谱数据作为样本、植物叶片是否为健康叶片作为标签对初始模型进行训练得到所述目标模型。具体地,所述初始模型包括判别分析(DA)、决策树(DT)或支持向量机(SVM)。通过在对初始模型进行训练时,样本为植物叶片的光谱数据,标签为健康叶片和染病叶片,从而能够快速的训练得到用于待检测植物叶片是否为健康叶片的目标模型。
在以上实施例的基础上,对所述待检测植物叶片的光谱数据分别进行SG平滑处理,SG平滑处理与多元散射校正处理(MSC),SG平滑处理与标准正态变量变换处理(SNV)以及SG平滑处理与归一化(NOR)处理。处理后的光谱数据的波长范围为400-810nm。请一并参阅图4,如光谱数据经过SG和MSC处理的光谱曲线。请一并参阅图5,光谱数据经过SG和SNV处理的光谱曲线。请一并参阅图6,光谱数据经过SG和NOR处理的光谱曲线。即通过图3至图6对健康叶片与非健康叶片检测的光谱曲线的差异,体现出本发明的植物叶片光谱检测方法得出健康叶片与非健康叶片的光谱数据是具有差异的,体现本发明的植物叶片光谱检测方法的有效性。
下面对本发明提供的植物叶片光谱检测装置进行描述。
请一并参阅图7,一种植物叶片光谱检测装置,包括获取模块710和检测模块720。
获取模块710用于基于以上任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据。
检测模块720用于对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果。
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
本发明通过获取模块710获取待检测植物叶片的光谱数据,检测模块720检测出待检测植物叶片是否为健康叶片的结果,实现对植物叶片病害的无损伤检测;同时,也提高了对植物叶片病害检测的能力。
检测模块720中所述目标模型是通过如下方式训练得到的:
以植物叶片的光谱数据作为样本、植物叶片是否为健康叶片作为标签对初始模型进行训练得到所述目标模型。从而能够快速的训练得到用于待检测植物叶片是否为健康叶片的目标模型。
并且,检测模块720中所述将所述待检测植物叶片的光谱数据输入至目标模型,包括:
对所述待检测植物叶片的光谱数据进行预处理。具体地,预处理包括SG平滑处理、多元散射校正处理、标准正态变量变换处理、归一化处理。
将预处理后的光谱数据输入至所述目标模型。通过SG平滑处理、多元散射校正处理、标准正态变量变换处理或归一化中处理,以实现对待检测植物叶片的光谱数据进行去噪或光谱数据的修正。
图8示例了电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行植物叶片光谱检测方法,该方法包括:
S1、基于以上任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据。
S2、对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果。
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
此外,上述的存储器830中的逻辑指令可以通过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,本发明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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的植物叶片光谱检测方法,该方法包括:
S1、基于以上任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据。
S2、对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果。
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的植物叶片光谱检测方法,该方法包括:
S1、基于以上任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据。
S2、对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果。
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种植物叶片光谱采集系统,其特征在于,包括:光源、Y型光纤、光谱仪、样品室和积分球;
所述光源与所述Y型光纤分叉端的入光口连接;
所述光谱仪与所述Y型光纤分叉端的出光口连接;
所述样品室的入光口与所述Y型光纤合束端连接;
所述样品室与所述积分球的入光口连接;
所述样品室放置有待检测植物叶片,所述光源发出的检测光通过所述Y型光纤合束端进入所述样品室;所述检测光照射所述待检测植物叶片正面形成从所述待检测植物叶片正面反射的目标反射光,以及透射所述待检测植物叶片的第一透射光;
所述第一透射光进入所述积分球,并在所述积分球的反射作用下形成多个透射所述待检测植物叶片背面的第二透射光;
所述光谱仪通过所述Y型光纤分叉端的出光口接收所述目标反射光与多个第二透射光,并根据所述目标反射光与多个第二透射光确定所述待检测植物叶片的光谱数据。
2.根据权利要求1所述的植物叶片光谱采集系统,其特征在于,
还包括衰减器;
所述光源通过连接光纤与所述衰减器连接;所述衰减器与所述Y型光纤分叉端的入光口连接。
3.根据权利要求1所述的植物叶片光谱采集系统,其特征在于,
还包括光纤支架;
所述光纤支架用于支撑所述Y型光纤。
4.根据权利要求1所述的植物叶片光谱采集系统,其特征在于,
所述光谱仪具体用于:
对所述目标反射光与所述多个第二透射光进行黑参考与白参考校准,得到校准后数据;
根据所述校准后数据确定所述待检测植物叶片的光谱数据。
5.根据权利要求1至4任一项所述的植物叶片光谱采集系统,其特征在于,所述检测光为可见光或近红外光。
6.一种植物叶片光谱检测方法,其特征在于,包括:
基于权利要求1至5任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据;
对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果;
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
7.根据权利要求6所述的植物叶片光谱检测方法,其特征在于,
所述目标模型是通过如下方式训练得到的:
以植物叶片的光谱数据作为样本、植物叶片是否为健康叶片作为标签对初始模型进行训练得到所述目标模型。
8.根据权利要求6所述的植物叶片光谱检测方法,其特征在于,
所述预处理包括:SG平滑处理、多元散射校正处理、标准正态变量变换处理和归一化处理中的至少一项。
9.一种植物叶片光谱检测装置,其特征在于,包括:
获取模块,用于基于权利要求1至5任一项所述的植物叶片光谱采集系统,获取所述待检测植物叶片的光谱数据;
检测模块,用于对所述待检测植物叶片的光谱数据进行预处理后,将预处理后的光谱数据输入至目标模型,得到所述目标模型输出的所述待检测植物叶片是否为健康叶片的结果;
其中,所述目标模型用于基于所述光谱数据中的叶片反射光谱特征以及叶片透射光谱特征确定所述待检测植物叶片是否为健康叶片。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求6至8任一项所述的植物叶片光谱检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851458.7A CN116577287B (zh) | 2023-07-12 | 2023-07-12 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851458.7A CN116577287B (zh) | 2023-07-12 | 2023-07-12 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577287A CN116577287A (zh) | 2023-08-11 |
CN116577287B true CN116577287B (zh) | 2023-10-20 |
Family
ID=87534490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310851458.7A Active CN116577287B (zh) | 2023-07-12 | 2023-07-12 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577287B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1180839A (zh) * | 1996-08-01 | 1998-05-06 | 株式会社佐竹制作所 | 植物叶片成分的测定装置 |
EP2023103A1 (de) * | 2007-08-10 | 2009-02-11 | Hans Joachim Bruins | Messeinrichtung und Verfahren zur spektroskopischen Untersuchung einer Probe |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
CN101446548A (zh) * | 2008-12-23 | 2009-06-03 | 天津大学 | 基于响应量转换实现牛奶成分测量的装置及方法 |
WO2017098053A1 (en) * | 2015-12-11 | 2017-06-15 | Dsm Ip Assets B.V. | System and method for optical measurements on a transparent sheet |
CN109632688A (zh) * | 2018-11-28 | 2019-04-16 | 北京农业智能装备技术研究中心 | 一种植物秧苗养分盈亏状态识别方法及光谱检测系统 |
CN111044469A (zh) * | 2019-12-30 | 2020-04-21 | 北京农业智能装备技术研究中心 | 基于单积分球的水果可溶性固形物检测方法及设备 |
CN111307729A (zh) * | 2020-03-18 | 2020-06-19 | 浙江大学 | 一种用于单积分球测量系统的植物叶片固定装置 |
CN114112997A (zh) * | 2021-10-14 | 2022-03-01 | 杭州电子科技大学 | 一种基于光学模型的活体叶片色素重叠吸收系数分离方法 |
CN114689526A (zh) * | 2022-05-31 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
CN116310788A (zh) * | 2023-01-09 | 2023-06-23 | 中国科学院沈阳自动化研究所 | 基于图谱融合的植株叶片氮含量高光谱建模方法 |
-
2023
- 2023-07-12 CN CN202310851458.7A patent/CN116577287B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1180839A (zh) * | 1996-08-01 | 1998-05-06 | 株式会社佐竹制作所 | 植物叶片成分的测定装置 |
EP2023103A1 (de) * | 2007-08-10 | 2009-02-11 | Hans Joachim Bruins | Messeinrichtung und Verfahren zur spektroskopischen Untersuchung einer Probe |
CN101403689A (zh) * | 2008-11-20 | 2009-04-08 | 北京航空航天大学 | 一种植物叶片生理指标无损检测方法 |
CN101446548A (zh) * | 2008-12-23 | 2009-06-03 | 天津大学 | 基于响应量转换实现牛奶成分测量的装置及方法 |
WO2017098053A1 (en) * | 2015-12-11 | 2017-06-15 | Dsm Ip Assets B.V. | System and method for optical measurements on a transparent sheet |
CN109632688A (zh) * | 2018-11-28 | 2019-04-16 | 北京农业智能装备技术研究中心 | 一种植物秧苗养分盈亏状态识别方法及光谱检测系统 |
CN111044469A (zh) * | 2019-12-30 | 2020-04-21 | 北京农业智能装备技术研究中心 | 基于单积分球的水果可溶性固形物检测方法及设备 |
CN111307729A (zh) * | 2020-03-18 | 2020-06-19 | 浙江大学 | 一种用于单积分球测量系统的植物叶片固定装置 |
CN114112997A (zh) * | 2021-10-14 | 2022-03-01 | 杭州电子科技大学 | 一种基于光学模型的活体叶片色素重叠吸收系数分离方法 |
CN114689526A (zh) * | 2022-05-31 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
CN116310788A (zh) * | 2023-01-09 | 2023-06-23 | 中国科学院沈阳自动化研究所 | 基于图谱融合的植株叶片氮含量高光谱建模方法 |
Non-Patent Citations (1)
Title |
---|
"基于便携式光谱仪和反射、透射光谱技术的小麦叶片叶绿素定量分析研究";王雪 等;《中国农学通报》;第27卷(第21期);第39-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116577287A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7570988B2 (en) | Method for extraction of optical properties from diffuse reflectance spectra | |
CN103635131B (zh) | 对相关组织样本进行光学分析的设备 | |
US20190246908A1 (en) | Stand-alone apparatus and methods for in vivo detection of tissue malignancy using laser spectroscopy | |
CN110946553B (zh) | 一种基于高光谱图像的在体组织光学参数测量装置及方法 | |
JP2005524072A (ja) | 生体スペクトル画像化システムおよび細胞の病態の診断方法 | |
CA2595213A1 (en) | Method and apparatus for measuring cancerous changes from reflectance spectral measurements obtained during endoscopic imaging | |
JPH10505167A (ja) | ラマン分光分析法および蛍光分光分析法を用いて子宮頚前癌を診断するための光学方法および装置 | |
CN104159500A (zh) | 用于确定组织的特性的装置 | |
CN117653040A (zh) | 用于实时拉曼光谱法以进行癌症检测的系统和方法 | |
Cao et al. | A deep learning approach for detecting colorectal cancer via Raman spectra | |
JPWO2019073666A1 (ja) | 判定装置、判定方法、および判定プログラム | |
CN105852808B (zh) | 一种活体无创检测紫外光诱导皮肤损伤的方法及其检测设备 | |
CN116577287B (zh) | 植物叶片光谱采集系统、检测方法、装置及电子设备 | |
US20070239036A1 (en) | Method for reconstructing a fluorescence-enhanced optic tomography image of an object with any outline | |
CN113180601A (zh) | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 | |
Sablinskas et al. | Fiber attenuated total reflection infrared spectroscopy of kidney tissue during live surgery | |
CN106596507A (zh) | 基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法 | |
CN113350704B (zh) | 一种基于近红外散射光谱的宫颈癌放疗疗效评估方法 | |
CN113208586A (zh) | 无创血糖快速诊断差分拉曼光谱系统 | |
Wang et al. | A portable system for noninvasive assessment of advanced glycation end-products using skin fluorescence and reflectance spectrum | |
CN113532653A (zh) | 人脸活体检测的方法、系统以及人脸识别系统 | |
CN116403209A (zh) | 水果硬度的预测模型建立方法、光学无损检测方法及其系统 | |
US20240008807A1 (en) | Wound care image analysis using light signatures | |
CN112971708B (zh) | 基于皮肤荧光谱分析的胆红素无创检测装置 | |
CN105044132B (zh) | 一种微波探头源探距离确定方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |