CN117541835A - 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统 - Google Patents

基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统 Download PDF

Info

Publication number
CN117541835A
CN117541835A CN202311327336.4A CN202311327336A CN117541835A CN 117541835 A CN117541835 A CN 117541835A CN 202311327336 A CN202311327336 A CN 202311327336A CN 117541835 A CN117541835 A CN 117541835A
Authority
CN
China
Prior art keywords
citrus
hyperspectral
water stress
leaves
data
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
CN202311327336.4A
Other languages
English (en)
Inventor
代秋芳
罗真
李震
廖臣龙
吕石磊
刘洪山
余首男
肖运高
黄伟城
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202311327336.4A priority Critical patent/CN117541835A/zh
Publication of CN117541835A publication Critical patent/CN117541835A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统，所述方法包括：获取样本数据；采用SNV变换结合K‑Means聚类算法消除样本数据中高光谱图像的背景，进而提取出感兴趣区域；对感兴趣区域采用CARS算法筛选出最佳特征波段；将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出含水量的预测结果并将结果可视化。本发明能够快速、精准、无损地检测水分胁迫下柑橘叶片含水量的变化情况。

Description

基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及 系统
技术领域
本发明属于作物水分胁迫检测领域，特别是涉及一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法、系统、计算机设备及计算机可读存储介质。
背景技术
柑橘作物对水分的需求比较高，而水分胁迫是柑橘生长过程中常见的问题之一，会使柑橘植株的生长受限从而直接影响柑橘的产量和品质。水分胁迫监测可以及时发现植株的水分胁迫情况，采取相应的措施进行调控，保证柑橘植株的正常生长。
近年来，由于高光谱技术的非破坏性、非接触式以及高精度和高分辨率等特点，让其在作物水分胁迫方面的研究得到了广泛的关注和应用。研究人员通过分析高光谱成像的数据，对作物水分胁迫指标例如植被水分、叶片相对水分含量等进行特征提取，并结合机器学习、深度学习等方法进行数据分析，建立作物水分胁迫检测模型。这些模型可用于检测作物的水分状态，给管理者提供灌溉决策支持。
但对于柑橘来说，使用高光谱数据结合深度学习对其进行水分胁迫监测的研究还处于初级阶段，虽然已经有一些研究成果，但不能快速、精准、无损地检测水分胁迫下柑橘叶片含水量的变化情况。
发明内容
有鉴于此，本发明提供了一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法、系统、计算机设备及计算机可读存储介质，可以快速、精准、无损地检测水分胁迫下柑橘叶片含水量的变化情况，能够帮助农业管理者在精准农业灌溉方面提供更准确和科学的指导方法。
本发明的第一个目的在于提供一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法。
本发明的第二个目的在于提供一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种计算机可读存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法，所述方法包括：
利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；
采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；
从消除背景后的高光谱图像中提取出感兴趣区域；
对感兴趣区域采用CARS算法筛选出最佳特征波段；
将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；
将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。
进一步的，所述利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像，包括：
利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个叶片的原始高光谱图像；
在与拍摄柑橘叶片相同的实验条件下，通过高光谱成像系统拍摄白色校正图像和黑色校正图像对原始高光谱图像进行黑白校正，得到高光谱图像；其中白色校正图像使用白板拍摄，黑色校正图像使用黑色镜头盖盖上镜头拍摄。
进一步的，多个柑橘叶片包括分多次采摘的多个鲜柑橘叶片，以及将其中一次采摘的全部鲜柑橘叶片采用梯度烘干法处理后得到的叶片。
进一步的，多个鲜柑橘叶片包括采摘了不同时间、不同地点、不同品种、不同成熟度以及不同冠层部位的鲜柑橘叶片。
进一步的，在采摘不同冠层部位的鲜柑橘叶片时，对柑橘幼苗干旱处理n天，再利用高光谱成像系统拍摄鲜柑橘叶片；连续对鲜柑橘叶片拍摄多次，每次拍摄间隔为固定时间；
拍摄完后，采摘其中部分鲜柑橘叶片并进行梯度烘干法处理，利用高光谱成像系统对烘干后的柑橘叶片进行拍摄；
所有拍摄获得的高光谱图像均作为样本数据；其中，n均为大于1的正整数。
进一步的，所述将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果，包括：
采用高光谱成像系统对待测柑橘叶片进行多次拍摄，获得多张待测高光谱图像，其中每次拍摄间隔为固定时间；
将多张待测高光谱图像对应的最佳特征波段的平均反射率分别输入水分胁迫预测模型中，分别输出每张待测高光谱图像中每个像素点含水量。
进一步的，所述水分胁迫预测模型为ResNet网络，损失函数为均方误差，优化器为Nadam；
在将最佳特征波段的平均反射率输入到模型之前，将最佳特征波段的平均反射率的二维形式数据(m,n)转换为三维形式数据(m,n,1)。
进一步的，所述最佳特征波段为CARS(39)，对应样本数据中筛选出波长为381、400、419、427、431、453、458、460、482、501、505、537、539、570、584、589、592、599、601、603、635、651、680、687、690、692、694、702、869、886、888、902、910、917、933、936、938、941、974的波段，波长单位为nm。
本发明的第二个目的可以通过采取如下技术方案达到：
一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测系统，所述系统包括：
获取模块，用于利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；
消除模块，用于采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；
提取模块，用于从消除背景后的高光谱图像中提取出感兴趣区域；
筛选模块，用于对感兴趣区域采用CARS算法筛选出最佳特征波段；
训练模块，用于将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；
预测模块，用于将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的柑橘叶片水分胁迫检测方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现上述的柑橘叶片水分胁迫检测方法。
本发明相对于现有技术具有如下的有益效果：
本发明提供的基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法、系统、计算机设备及计算机可读存储介质，通过利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；从消除背景后的高光谱图像中提取出感兴趣区域；对感兴趣区域采用CARS算法筛选出最佳特征波段；将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。本发明适用于对基于高光谱成像系统拍摄的柑橘叶片进行快速、精准、无损的检测，以获得柑橘叶片的含水量，从而具体了解植株或区域内柑橘作物的水分胁迫情况，为农业管理者提供灌溉指导。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法的流程图；
图2为本发明实施例1的不同柑橘叶片样本数的含水量分布图；
图3为本发明实施例1的SNV变换聚类结果图，其中(a)为SNV变换前，(b)为SNV变换后；
图4为本发明实施例1的柑橘叶片不同ROI区域提取示意图；
图5为本发明实施例1的不同预处理后的梯度平均反射率折线图；
图6为本发明实施例1的不同预处理后的皮尔森相关系数折线图；
图7为本发明实施例1的不同卷积神经网络模型的独立验证结果折线图；
图8为本发明实施例1的五次拍摄的可视化图和含水量统计图；
图9为本发明实施例2的基于高光谱成像及深度学习的柑橘叶片水分胁迫检测系统的结构框图；
图10为本发明实施例3的计算机设备的结构框图。
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的一部分实施例，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。应当理解，描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例1：
本实施例提供一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法，采用高光谱技术，结合光谱预处理算法和聚类算法去除图像背景并对光谱数据进行处理，提取特征波段，使用深度学习模型预测含水量，最后使用伪彩色技术将预测结果可视化，实现柑橘水分胁迫的精准检测。
如图1所示，本实施例提供的基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法，包括以下步骤：
S101、利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的图像；每个柑橘叶片的图像和含水量作为样本数据。
本实施例中用高光谱成像系统(高光谱仪器)收集样本数据并使用烘干法扩充样本。高光谱图像使用高光谱成像仪(HyperSIS Zolix，China)拍摄扫描完成，高光谱成像仪控制及图像校正软件为SpectraVIEW。
高光谱成像系统在图像采集前预热30分钟，仪器主要由暗箱、4个卤光灯、CCD相机(Gilden Photonics Ltd，UK)、样品移动台、计算机等组成。成像仪的光谱波长范围为369～988nm,，拍摄的高光谱图像的尺寸为696×620×256，即有696列、620行和256个波段，CCD相机曝光时间设置为8.96ms，平台移动速度为0.8cm/s，光谱分辨率为1.2nm。高光谱成像仪控制及图像校正软件为SpectraVIEW。为了减少光照和探测器灵敏度对原始高光谱图像的影响，在与柑橘叶片图像采集相同的实验条件下，通过拍摄白色校正图像和黑色校正图像对原始图像进行黑白校正，其中白色校正图像使用白板拍摄(反射率约为99％)，黑色校正图像使用黑色镜头盖盖上镜头拍摄(反射率为0％)，最终校正图像由下式所示：
式中R为校正后的高光谱图像，I为原始高光谱图像，W为白色校正图像，B为黑色校正图像。
为了保证模型的可靠性和泛化性，采集了不同时间、地点、品种、部位和成熟度的柑橘叶片及其冠层数据集；柑橘品种包括黏橘、沙糖橘、椪柑；叶片按成熟度分类可分为嫩叶、成熟叶、老叶；冠层部位包括冠层顶部、中部和底部。
叶片样本数据集共分3次采摘，第一次采摘100个叶片样本，记为S100；第二次采摘200个叶片样本，记为S200；第三次采摘50个叶片样本，记为S50。首先将S100使用电子天平测量重量，随后立即在暗箱中拍摄鲜叶的高光谱图像；为了获得更多的叶片样本，采用烘干法处理叶片，再使用高光谱仪器拍摄处理后的叶片，得到梯度叶片样本400个，加上S100后记为S500。S500加上S200合成700个样本，记为S700。至此共获得叶片样本750个。
当采集冠层数据集时，对柑橘幼苗干旱处理3天，随后使用高光谱仪器拍摄柑橘幼苗的冠层图像，连续拍摄5次，每次拍摄间隔一天，拍摄完高光谱图像后，摘下10个叶片，然后采用烘干法称重以得到水分胁迫后柑橘幼苗含水量的实际测量值。
在图2的直方图中，100、200、300个叶片样本均为鲜叶样本，为后续称呼方便分别记为S100、S200、S300。根据统计结果所示，S100的含水量分布非常不均匀，大部分样本的含水量集中在1.4到2.5之间，其他区间只有零星的样本分布。S200的含水量分布范围主要集中在1.3到2.2之间，其他区间基本上没有样本分布。S300由S100和S200个鲜叶样本组成，虽然相比之前有了一定的改善，但是含水量分布仍然不完整，特别是在0到1和3之后的区间基本上没有样本分布。
分别使用100、300、500和700作为输入数据，使用PLSR模型建模，建模结果如表1所示。
表1不同数量样本的PLSR建模结果
根据表1可知，使用100个鲜叶作为数据集，预测的效果并不佳，尽管训练集的结果还不错，但是验证集和预测集的准确性出现了比较明显的下降，这是明显的过拟合现象；增加鲜叶样本数量到300个后，预测的准确性并没有上升，反而进一步的下降，这可能是由于两次采集的叶片种类不同所导致；使用500个梯度样本后，预测的准确性大幅提升，这一结果进一步说明了梯度烘干法的有效性；使用500个梯度样本外加200个鲜叶样本组成700个样本后，数据的预测准确性出现了小幅度的下降，但是并没有太大程度影响预测结果。
由此可以得出结论：(1)由于鲜叶样本含水量的分布比较集中，单纯的增加鲜叶样本数量并不能有效提高预测的准确度；(2)通过脱水处理可以有效的得到更多的梯度含水量，使之更加符合正态分布，同时可以扩大平均反射率的范围，这可以大幅度提高预测的精度，这说明梯度脱水处理是一种有效的方式。
使用500和200组成的S700数据集后，预测准确度相较于S500并没有明显的降低，考虑到模型预测的泛化性，因此后续的建模数据处理均基于S700样本。
根据实验结果表明，进行梯度烘干后得到的样本数据含水量分布范围有显著改善，整体呈现出正态分布的趋势，验证了梯度烘干法是一种有效地扩充样本数据范围的方法。
S102、采用标准正态变量SNV变换结合K-Means消除样本数据中图像的背景，将去除背景后的整个柑橘叶片作为感兴趣区域。
使用SNV结合K-Means消除样本数据图像中的背景，提取去除背景后的柑橘叶片中的感兴趣区域(Regions Of Interest,ROI)，再使用预处理算法(SNV、MSC、SG)对提取ROI的光谱反射率进行处理，采用皮尔森相关系数和PLSR建模分析预处理后的数据对光谱含水量的影响。
为方便后续研究，需要去除高光谱图像中背景区域的像素(将非研究对象的背景像素的反射率设为0)。为实现这一目标，可利用SNV变换的特性并结合K-Means聚类算法来去除背景：首先使用SNV变换消除光照对叶片的平均反射率的影响，然后使用K-Means对获取的整个高光谱图像叶片进行聚类，设置2个簇类进行数据处理后得到叶片样本图像的背景像素的反射率为0。图3是SNV变换后结合K-Means聚类算法去除图像背景的结果。
对比图3中(a)和(b)可以明显的发现，SNV变换结合K-Means聚类算法可以完全消除光照等环境因素对叶片带来的影响，使得叶片暗面和亮面被划分到一个簇类，从而与背景划分开来。
使用ENVI5.3软件导入拍摄的柑橘叶片的高光谱图像，手动提取柑橘叶片的三个区域的ROI，计算三个区域ROI的平均反射率值，结果如图4所示。
根据图4可以明显的观察到，由于受到不同的光照强度以及角度的影响，提取不同ROI的平均反射率有着显著的区别：(a)中提取的ROI最亮，平均光谱曲线的反射率最大；(b)中提取的ROI最暗，平均光谱曲线的反射率最小；(c)中提取整个叶片ROI区域，反射率位于(a)和(b)中间的部分。由此可见，ROI提取方式对于得到的平均反射率有着较大的影响。
为进一步控制光照带来的影响，使用同一个叶片的五个梯度数据进行分析，即使用对100个鲜叶采用烘干法获取的总共500个叶片样本中，拍摄的单个叶片的五个梯度样本，提取整个叶片的ROI的平均反射率，分别使用SNV、MSC、SG算法进行比较，其结果如图5所示。由于600(nm)-1000(nm)之间的对比比较明显，因此图5仅显示该波段内的平均反射率。
由图5可知，在原始的平均光谱曲线中，在600-680nm、720nm-800nm之间，由于同一个叶片的拍摄几乎不受光照变化带来的影响，平均反射率与含水量之间呈现出比较明显的负相关关系。而使用了SNV变换与MSC变换之后，这种关系被几乎抹除，而SG滤波变换保留了叶片之间反射率与含水量关系同时平滑了曲线，但是这种预处理对数据的影响似乎并不大。
进一步地，提取700个叶片样本中所有样本的平均反射率，分别使用原始光谱的平均反射率和SNV、MSC、SG处理后的平均反射率计算皮尔森相关系数，结果如图6所示。
根据图6可知，原始光谱在500nm、530nm、650nm以及700nm-900nm出现了明显的峰值，其中700nm-900nm之间有较强的相关性，相关性在0.5左右，而在SNV变换后的数据，在420nm、650nm处的相关性为0.23、-0.4，相较于原始光谱相关性略有增加，但是在700nm-900nm之间的相关性大幅度降低，其相关性降至0.1左右。使用MSC变换后的相关性曲线与SNV变换的相关性曲线基本保持一致。使用SG滤波变化后，整个相关性曲线相较于原始光谱，整体变得更加平滑，没有太大的变化。
为确定数据经过预处理算法后的处理效果，使用PLSR建模，分析原始光谱和不同预处理算法处理后的数据对于建模的影响，其中PLSR的成份数设置为10。
表2不同预处理的建模结果
由表2可知，在本实施例中，原始的光谱反射率训练集、验证集和测试集的表现都优于经过预处理算法处理后的。因此，后续将统一采用提取整个叶片的ROI区域得到的原始平均反射率作为输入数据，而不使用预处理算法对数据进行预处理后的平均反射率，从而实现直接使用柑橘幼苗进行高光谱成像后进行含水量预测。
但在该步骤中，使用SNV结合K-Means消除样本数据图像中的背景，提取去除背景后的柑橘叶片中的ROI，再使用预处理算法对提取ROI的光谱反射率进行处理，最后使用皮尔森相关系数对处理结果进行验证以及使用PLSR建模验证预处理算法效果的数据处理方法流程仍然可以使用在别的数据集上。该步骤中提供了数据预处理方法以及效果验证的流程参考。
S103、对感兴趣区域使用CARS算法筛选出最佳特征波段。
使用CARS算法分别对S100、S300、S500、S700样本集进行特征选择，在这4个不同数量样本的原始光谱反射率中分别筛选了32、28、29、39个波段，分别记为CARS(32)、CARS(28)、CARS(29)、CARS(39)，为进一步确定最佳特征波段，将样本中这四个波段的原始平均反射率作为输入，采用PLSR建模。
PLSR对不同CARS筛选的波段建模结果如表3所示。
表3不同CARS筛选的波段建模结果
根据表3可知，在PLSR模型中，使用CARS筛选的不同波段的结果均不错，且差距并不大，其中使用S700样本集筛选出来的CARS(39)波段即(381、400、419、427、431、453、458、460、482、501、505、537、539、570、584、589、592、599、601、603、635、651、680、687、690、692、694、702、869、886、888、902、910、917、933、936、938、941、974)训练效果最好，训练集的R2、RMSE分别为0.8109、0.2745，验证集的R2、RMSE分别为0.8159、0.2920，测试集的R2、RMSE分别为0.8259、0.2532。因此，后续使用CARS(39)波段的平均反射率作为输入。
相较于使用传统的非监督学习检测作物叶片含水量范围的方法，本实施例使用机器学习建模获取最佳特征波段，将最佳特征波段的平均反射率输入到深度学习模型中建模拟合，从而得到更准确的含水量数据。经实验验证，该方法在测试集和验证集中都有更高的准确度，有效提升了水分胁迫预测模型的精准度。
S104、将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练。
本实施例中将700组样本按照6：2：2的比例随机划分为训练集、验证集和测试集，420组样本被划分为训练集，140组样本被划分为验证集，140组样本被划分为测试集。训练集用于训练模型，验证集用于验证模型的准确性，测试集用于测试模型的建模效果。
本实施例分别使用VGGNet、GoogLeNet、ResNet作为水分胁迫预测模型，CARS(39)作为输入，为了满足光谱数据输入卷积神经网络的要求，将平均反射率矩阵(m,n)变形成(m,n,1)，即卷积神经网络模型的输入形状为(n,1)，其中m为样本个数，n为样本的维度，本发明中原始平均反射率的维度为256。
模型训练中使用均方误差(Mean Squared Error，MSE)作为损失函数，Nadam作为优化器，Batchsize大小为8；为了减少训练时间以及防止过拟合，训练过程使用300个epoch，其余使用默认参数；最后使用R2、RMSE来评估模型的结果。
使用VGGNet、GoogLeNet、ResNet建模拟合，结果如表4所示。
表4模型预测结果
由表4可知，ResNet的预测结果比较稳定，训练集、验证集和测试集的预测结果均不错，测试集的R2、RMSE达到了0.8656、0.2725，可较准确地预测叶片含水量情况。
为了进一步验证ResNet的预测效果，使用独立的验证叶片S50作为输入，再次使用VGGNet、GoogLeNet，ResNet建模拟合，预测结果如图7所示。
根据图7可知，虽然三个模型预测的结果在一些样本中出现明显的偏移情况，但总体来说ResNet的预测结果最好，其中ResNet的RMSE为0.1977，最小误差仅为0.0001，最大误差为0.9969；GoogLeNet的RMSE为0.2431，最小误差为0.0006，最大误差为1.0112，VGGNet的RMSE为0.2435，其中最小误差为0.0002，最大误差为1.0576。因此，后续步骤采用ResNet作为水分胁迫预测模型。
S105、将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果，并预测结果可视化。
将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；使用伪彩色技术将预测结果可视化，研究水分胁迫下含水量变化的可视化分布。
在数据收集步骤中，对柑橘幼苗实施了水分胁迫，每隔1天拍摄一次幼苗冠层的高光谱图像，一共拍摄了5次。手动提取其中一个叶片的五次拍摄的高光谱图像的平均反射率值，为了尽可能的减少误差，每次提取的像素数量尽可能的保持一致，然后对叶片五次拍摄的高光谱图像进行可视化预测和统计。
将模型输出结果即叶片单点像素含水量矩阵乘以255，获得0到255的灰度值矩阵，将灰度矩阵使用伪彩色技术转换为伪彩色图，得到可视化叶片含水率结果，结果参见图8，其中第一列为预测可视化图，第二列为预测统计比例图，每行对应每次拍摄的可视化图和统计图。由于水分胁迫导致叶片含水量的变化并不明显，因此在可视化图像中无法明显的观察到区别，但是在统计的预测结果中随着水分胁迫的时间增加，最大值的比例在逐渐降低。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图9所示，本实施例提供了一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测系统，该系统包括获取模块901、消除模块902、提取模块903、筛选模块904、训练模块905和预测模块906，其中：
获取模块901，用于利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；
消除模块902，用于采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；
提取模块903，用于从消除背景后的高光谱图像中提取出感兴趣区域；
筛选模块904，用于对感兴趣区域采用CARS算法筛选出最佳特征波段；
训练模块905，用于将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；
预测模块906，用于将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图10所示，其通过系统总线1001连接的处理器1002、存储器、输入装置1003、显示器1004和网络接口1005，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质1006和内存储器1007，该非易失性存储介质1006存储有操作系统、计算机程序和数据库，该内存储器1007为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器702执行存储器存储的计算机程序时，实现上述实施例1的柑橘叶片水分胁迫检测方法，如下：
利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；
采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；
从消除背景后的高光谱图像中提取出感兴趣区域；
对感兴趣区域采用CARS算法筛选出最佳特征波段；
将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；
将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。
实施例4：
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的柑橘叶片水分胁迫检测方法，如下：
利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；
采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；
从消除背景后的高光谱图像中提取出感兴趣区域；
对感兴趣区域采用CARS算法筛选出最佳特征波段；
将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；
将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述，本发明公开了一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法、系统、计算机设备及计算机可读存储介质，通过使用高光谱仪器HyperSIS Zolix进行数据采集并采用梯度烘干法扩充数据集，通过含水量的分布和分析得出梯度烘干后得到的样本数据含水量分布范围有显著改善，验证了梯度烘干法是一种有效地扩充样本数据范围的方法；使用预处理算法结合聚类算法去除样本图像背景；提取去除背景后的柑橘叶片中的感兴趣区域(ROI)；分析验证使用叶片原始平均反射率而不使用预处理算法处理后的平均反射率可以提升后续建模的准确度；使用机器学习模型建模拟合得到最佳特征波段CARS(39)，将多组样本按照比例随机划分为训练集、验证集和测试集，将CARS(39)作为输入，搭建并训练深度学习含水率预测模型，输出叶片单点像素含水率矩阵；最后将输出矩阵转换成灰度值矩阵，将灰度矩阵使用伪彩色技术转换为伪彩色图，可视化叶片含水率结果。
以上所述，仅为本发明专利较佳的实施例，但本发明专利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发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法，其特征在于，所述方法包括：
利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；
采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；
从消除背景后的高光谱图像中提取出感兴趣区域；
对感兴趣区域采用CARS算法筛选出最佳特征波段；
将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；
将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。
2.根据权利要求1所述的柑橘叶片水分胁迫检测方法，其特征在于，所述利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像，包括：
利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个叶片的原始高光谱图像；
在与拍摄柑橘叶片相同的实验条件下，通过高光谱成像系统拍摄白色校正图像和黑色校正图像对原始高光谱图像进行黑白校正，得到高光谱图像；其中白色校正图像使用白板拍摄，黑色校正图像使用黑色镜头盖盖上镜头拍摄。
3.根据权利要求2所述的柑橘叶片水分胁迫检测方法，其特征在于，多个柑橘叶片包括分多次采摘的多个鲜柑橘叶片，以及将其中一次采摘的全部鲜柑橘叶片采用梯度烘干法处理后得到的叶片。
4.根据权利要求3所述的柑橘叶片水分胁迫检测方法，其特征在于，多个鲜柑橘叶片包括采摘了不同时间、不同地点、不同品种、不同成熟度以及不同冠层部位的鲜柑橘叶片。
5.根据权利要求4所述的柑橘叶片水分胁迫检测方法，其特征在于，在采摘不同冠层部位的鲜柑橘叶片时，对柑橘幼苗干旱处理n天，再利用高光谱成像系统拍摄鲜柑橘叶片；连续对鲜柑橘叶片拍摄多次，每次拍摄间隔为固定时间；
拍摄完后，采摘其中部分鲜柑橘叶片并进行梯度烘干法处理，利用高光谱成像系统对烘干后的柑橘叶片进行拍摄；
所有拍摄获得的高光谱图像均作为样本数据；其中，n均为大于1的正整数。
6.根据权利要求1所述的柑橘叶片水分胁迫检测方法，其特征在于，所述将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果，包括：
采用高光谱成像系统对待测柑橘叶片进行多次拍摄，获得多张待测高光谱图像，其中每次拍摄间隔为固定时间；
将多张待测高光谱图像对应的最佳特征波段的平均反射率分别输入水分胁迫预测模型中，分别输出每张待测高光谱图像中每个像素点含水量。
7.根据权利要求1所述的柑橘叶片水分胁迫检测方法，其特征在于，所述水分胁迫预测模型为ResNet网络，损失函数为均方误差，优化器为Nadam；
在将最佳特征波段的平均反射率输入到模型之前，将最佳特征波段的平均反射率的二维形式数据(m,n)转换为三维形式数据(m,n,1)。
8.根据权利要求1～7任一项所述的柑橘叶片水分胁迫检测方法，其特征在于，所述最佳特征波段为CARS(39)，对应样本数据中筛选出波长为381、400、419、427、431、453、458、460、482、501、505、537、539、570、584、589、592、599、601、603、635、651、680、687、690、692、694、702、869、886、888、902、910、917、933、936、938、941、974的波段，波长单位为nm。
9.一种基于高光谱成像及深度学习的柑橘叶片水分胁迫检测系统，其特征在于，所述系统包括：
获取模块，用于利用高光谱成像系统对多个柑橘叶片进行拍摄，获得多个柑橘叶片的高光谱图像；每个柑橘叶片的高光谱图像和含水量作为样本数据；
消除模块，用于采用标准正态变量变换结合K-Means聚类算法消除样本数据中高光谱图像的背景；
提取模块，用于从消除背景后的高光谱图像中提取出感兴趣区域；
筛选模块，用于对感兴趣区域采用CARS算法筛选出最佳特征波段；
训练模块，用于将每个样本数据对应的最佳特征波段的平均反射率和含水量作为一个数据对，所有样本数据对应的数据对构成数据集，利用数据集对水分胁迫预测模型进行训练；
预测模块，用于将待测柑橘叶片对应的高光谱图像的平均反射率输入训练好的水分胁迫预测模型中，输出每个像素点含水量的预测结果；将预测结果可视化，得到水分胁迫下含水量变化的可视化分布。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-8任一项所述的柑橘叶片水分胁迫检测方法。
CN202311327336.4A 2023-10-13 2023-10-13 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统 Pending CN117541835A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311327336.4A CN117541835A (zh) 2023-10-13 2023-10-13 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311327336.4A CN117541835A (zh) 2023-10-13 2023-10-13 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统

Publications (1)

Publication Number Publication Date
CN117541835A true CN117541835A (zh) 2024-02-09

Family

ID=89781447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311327336.4A Pending CN117541835A (zh) 2023-10-13 2023-10-13 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统

Country Status (1)

Country Link
CN (1) CN117541835A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117929467A (zh) * 2024-03-25 2024-04-26 上海农林职业技术学院 一种基于热成像技术的叶片水分数据检测系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117929467A (zh) * 2024-03-25 2024-04-26 上海农林职业技术学院 一种基于热成像技术的叶片水分数据检测系统及方法

Similar Documents

Publication Publication Date Title
US11029251B2 (en) Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
Zhou et al. Qualification of soybean responses to flooding stress using UAV-based imagery and deep learning
CN112557393A (zh) 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
CN117541835A (zh) 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及系统
CN112903602A (zh) 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统
CN110363125A (zh) 采用模型传递识别不同品种柑橘黄龙病的方法
CN110553999A (zh) 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法
CN114674759B (zh) 一种柑橘黄龙病快速检测装置及检测方法
CN113963260A (zh) 一种冬小麦种植区的提取方法、装置和计算机设备
CN114136920A (zh) 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
WO2023197496A1 (zh) 一种机采棉脱叶效果综合评价指标监测与评价方法及系统
CN115292334A (zh) 基于视觉智能种植方法、系统、电子设备及存储介质
CN116297236A (zh) 一种基于高光谱的单粒玉米种子活力鉴别方法及装置
CN114972264A (zh) 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置
CN117541887A (zh) 水分亏缺检测模型训练及水分亏缺检测方法、装置、设备
CN111986149A (zh) 一种基于卷积神经网络的植物病虫害检测方法
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
CN114913415A (zh) 一种基于遥感监测的病虫害检测系统
CN112816441B (zh) 一种设施园艺作物生长状况检测方法及装置
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
CN109765190B (zh) 一种利用高光谱成像技术识别稻田稗草的方法
CN116994126A (zh) 基于冠层反射率光谱的作物叶面积指数获取方法及装置

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