一種油菜冠層信息光譜檢測方法
2023-12-10 04:51:26
專利名稱：一種油菜冠層信息光譜檢測方法
技術領域：
本發明涉及一種植物信息光譜檢測方法，尤其涉及一種油菜冠層信息光譜檢測方法。
背景技術：
植物葉綠素、全氮含量是植物營養的主要組成部分，是植物光合作用有關的最重要的因素，葉綠素是所有能轉化為植物營養光合作用的生物體，全氮是植物必需的營養元素之一，是胺基酸、蛋白質、生物鹼、核酸和葉綠素等物質的主要組成成分。它們的含量可以直接或間接地反應植物的生命體徵，研究和檢測這些參數在植物中的含量具有重要意義。自然界中基本上所有物體的顏色主要由400_700nm區域的光譜反射特性決定的。正常生長的植物，葉片顏色由葉綠素的光譜特性決定，葉綠素對綠光有較強反射，所以其葉片呈綠色。葉綠素是植物含氮量的重要組分，作物冠層顏色的深淺能夠反應出植株體內全氮代謝水平。缺氮時不同植物在可見、近紅外波段的光譜反射率均表現出不同程度的增加趨勢。國內外學者對各類作物通過不同傳感器及光譜數據研究表明，光譜指數可以用於估測小麥、玉米、水稻和棉花等主要作物及蔬菜的葉綠素和全氮含量。綜上可見，可見光區域的反射光譜及顏色特徵可以用於估測作物葉片葉綠素和全氮含量。公開號為CN1746660A的發明專利申請，公開了一種利用冠層反射光譜作物冠層 色素比值的新方法及設計的測量儀，能快速、方便地測定作物的SIPI值，準確地對作物冠層特徵色素比值進行評估，對判斷作物長勢和指導氮肥使用有著重要作用。利用日光作光源，通過六個相同的具有特殊光譜響應特性的光電傳感器，在近紅外、紅光和藍光三個特徵波長處，分別對日光入射光和植被的反射光進行探測，測得的信號經A/D轉換後，由微控制器按SIPI值的計算公式求出SIPI值，然後根據SIPI計算得出表徵作物生長狀態的結果，所得結果由液晶顯示器顯示。測量結果可以保存在儀器中，並且可以通過RS232串口傳送到PC機上進行進一步的分析。這種探測方法及儀器對日光照明條件要求較低、結構簡單、重量輕、成本低、使用方便，適合於大批量生產和應用。公開號為CN101403689A的發明專利申請，公開了一種基於可見-近紅外光譜的植物葉片生理指標無損檢測方法，可對葉綠素、氮素、葉黃素、水分等成分含量進行快速、多參數同時檢測。該發明對校正集樣本進行光譜採集，在對光譜數據進行預處理和波段優選後建立光譜值與植物組分含量標準之間的校正模型；採集未知樣本的光譜，對光譜數據與處理後，將選定波段數據代入校正模型對待測組分的含量進行預測。該發明技術方案採用全譜信息，被測參數可擴展性強且提高了校正模型的預測精度和模型適應性；該發明採用的透反射檢測方式增加了光譜靈敏度，而且對葉片類型的適應性更強；該發明採用的一種改進的小波分析方法對葉片光譜數據同時進行噪聲去除和基線校正預處理，能有效提高預測精度。現有技術中檢測效果容易受到檢測儀器等方面造成的系統誤差。
發明內容
本發明公開了一種油菜冠層信息光譜檢測方法，解決了現有技術中檢測效果容易受到檢測儀器等方面造成的系統誤差的問題。一種油菜冠層信息光譜檢測方法，包括以下步驟A、採集若干油菜葉片樣本的光譜信息，獲得其SPAD值；B、針對步驟A中的油菜葉片樣本，檢測其全氮含量；C、將步驟A中的光譜信息作為輸入變量，將與所述光譜信息對應的SPAD值和全氮含量作為輸出變量，建立神經網絡模型；D、採集待檢測油菜的光譜信息並利用所述的模型得到該待檢測油菜的SPAD值和全氮含量，以確定待檢測油菜生長狀態。 所述SPAD值是衡量一株植物葉綠素的相對含量的一個參數，是葉綠素含量的標
O全氮含量指植物中氮素的總含量，氮是植物必須的大量元素，是蛋白質、葉綠素、核酸、酶、生物激素等重要生命物質的組成部分，同一時期不同作物需氮量不同，同一作物不同時期需氮量不同，同時，不同施氮處理對作物氮素吸收及產量的影響不同，檢測全氮含量對農作物的生長和產量影響甚大。所述的步驟A和步驟D中的光譜信息為油菜冠層部分葉片的光譜信息。檢測冠層信息方便儀器操作，利於儀器動態、快速地檢測植物的光譜信息。若無特殊說明，以下光譜信息均泛指油菜冠層部分葉片的光譜信息。步驟A和步驟D中，向油菜葉片發射450_1200nm的探測光，採集經油菜葉片反射後的探測光，得到對應的光譜信息，在450-1200nm範圍內對SPAD值和全氮含量進行檢測具有敏感特性效應，這個區域的信息對油菜葉片SPAD值及全氮含量模型檢測很有幫助。所述探測光在450-1200nm範圍內的16路，16路探測光波長分別為450nm、480nm、550nm、640nm、680nm、720nm、780nm、820nm、860nm、880nm、940nm、960nm、1040nm、11OOnm、1150nm、1200nmo所述的神經網絡模型為BP神經網絡模型。本發明中先採集油菜葉片樣本信息，先通過儀器測量與計算出油菜葉片樣本的SPAD值和全氮含量值。對油菜葉片樣本進行光譜數據掃描，並記錄特徵波段中每一波段的反射率，用光譜反射率(即所述的光譜信息)作為神經網絡輸入變量，將對應的通過儀器測量得到的SPAD值和全氮含量作為輸出變量建立BP神經網絡模型。BP神經網絡模型建立後，為了提高其可靠性，一般需要進行訓練，通過訓練獲得修正後的BP神經網絡中的權值和閥值，計算儀器測量值與BP神經網絡模型實際輸出的誤差。若誤差不大於期望誤差最小值，或已達到最大循環次數，則訓練結束，否則繼續。與現有技術相比，本發明的有益效果是(I)BP神經網絡通過每個輸入變量對輸出影響的權值修改來獲取它對該參數的貢獻率，與輸出無關的輸入變量通過BP網絡訓練後它所對應的權值將會被降至接近為0，提高了油菜冠層信息光譜檢測的準確度，利於管理人員正確地施肥和培養。(2)利用多通道光譜集於一體的信息檢測模式，採用BP神經網絡建模方式，可使環境因素對檢測的準確性和可靠性影響降到最低，不僅不會因為光譜通道之間產生互擾，而且一些沒有明顯作用的光譜通道信息檢測還能作為光線校正、環境影響校正的輔助通道。對提聞儀器的適應性能提聞有所幫助。
圖I為本發明方法所的SPAD值與儀器測量所的SPAD值的關係圖。圖2為本發明方法所的全氮含量與儀器測量所的全氮含量的關係圖。
具體實施例方式本發明一種油菜冠層信息光譜檢測方法，用於油菜SPAD及全氮含量的測定，並藉此確定植物的生長狀態。模型的建立 (I)在油菜青葉期選擇60個小區作為訓練樣本集，對該小區進行冠層光譜實驗，另外選擇15個小區作為預測樣本集，用油菜冠層信息光譜檢測儀的光譜檢測探頭對每個小區的油菜冠層進行冠層光譜掃描，太陽光在油菜冠層上反射出的光譜信息先通過16路光譜檢測信息通道後，經過聚焦鏡光通道將光束聚焦在濾波片中心處，通過濾光片將某特定波段的反射光譜信息傳送到光電傳感器，光電傳感器經過微弱信號的放大及處理，獲得每個小區油菜冠層的16個波段光譜反射值，DSP處理器將獲得的16個波段光譜反射值通過接口電路在MCU的顯示單元上顯示。為了實施本發明方法，可以採用油菜冠層信息光譜檢測儀，包括光譜探測頭和用於接收和處理光譜探測頭輸出信號的MCU，MCU還分別連接有指令輸入單元、顯示單元、存儲單元及無線收發單元。光譜探測頭包括在光路上依次布置的光譜檢測信息通道、濾光片、光電傳感器，以及與光電傳感器電路連接的DSP處理器，DSP處理器與MCU之間通過接口電路相連。光電傳感器電路和DSP處理器之間設有用於對光電傳感器的輸出信號進行調理與放大的預處
理單元。(2)對每一個小區通過SPAD-502檢測儀器測量每個小區冠層SPAD值30次，通過求平均值獲取該小區的SPAD值，通過摘取各小區區域內的油菜葉片，通過凱氏定氮法測量
其全氮含量。其中，SPAD-502為日本MINOLTA公司生產的葉綠素計，該檢測儀器通過測量植物葉片的光譜吸收特性測量植物葉綠素含量。凱氏定氮法是測定化合物或混合物中總氮量的一種方法，即在有催化劑的條件下，用濃硫酸消化樣品將有機氮都轉變成無機銨鹽，然後在鹼性條件下將銨鹽轉化為氨，隨水蒸氣餾出並為過量的酸液吸收，再以標準鹼滴定，就可計算出樣品中的氮量。(3)用步驟(I)中訓練樣本集中的16個波段光譜反射值作為輸入變量，將步驟
(2)中檢測儀器測量得到的SPAD值和全氮含量作為輸出變量，建立BP神經網絡模型。在BP神經網絡中，其中輸入神經元為16個，分別為450-1200nm範圍內的特徵波段 450nm、480nm、550nm、640nm、680nm、720nm、780nm、820nm、860nm、880nm、940nm、960nm、1040nm、I lOOnm、1150nm、1200nm的光譜反射值，將16個波段的反射值作為XpV X16 16個輸入變量，檢測儀器測量得到的SPAD值和全氮含量作為yi、y2 2個輸出神經元，將數據經過標準化處理後，BP網絡中Sigmoid參數選取O. 9，取6個隱含神經元，訓練1000次，得到結果如表I的映射關係，由於篇幅限制，本實施例選取典型的15個樣本列於表I。其擬合殘差值為 O. 00019。其中SYl和SY2分別是實際測量值，用來和儀器模型測量計算的結果進行對比。
權利要求
1.ー種油菜冠層信息光譜檢測方法，其特徵在於，包括以下步驟 A、採集若干油菜葉片樣本的光譜信息，獲得其SPAD值； B、針對步驟A中的油菜葉片樣本，檢測其全氮含量； C、將步驟A中的光譜信息作為輸入變量，將與所述光譜信息對應的SPAD值和全氮含量作為輸出變量，建立神經網絡模型； D、採集待檢測油菜葉片的光譜信息並利用所述的模型得到該待檢測油菜葉片的SPAD值和全氮含量，以確定待檢測油菜生長狀態。
2.如權利要求I所述的油菜冠層信息光譜檢測方法，其特徵在於，所述的步驟A和步驟D中的光譜信息為油菜冠層部分葉片的光譜信息。
3.如權利要求2所述的油菜冠層信息光譜檢測方法，其特徵在幹，步驟A和步驟D中，向油菜葉片發射450-1200nm的探測光，採集經油菜葉片反射後的探測光，得到對應的光譜信息。
4.如權利要求3所述的油菜冠層信息光譜檢測方法，其特徵在於，所述探測光在450-1200nm範圍內的16路。
5.如權利要求4所述的油菜冠層信息光譜檢測方法，其特徵在幹，所述的神經網絡模型為BP神經網絡模型。
6.如權利要求5所述的油菜冠層信息光譜檢測方法，其特徵在於，所述16路探測光波長分別為 450nm、480nm、550nm、640nm、680nm、720nm、780nm、820nm、860nm、880nm、940nm、960nm、1040nm、llOOnm、1150nm、1200nm。
全文摘要
本發明公開了一種油菜冠層信息光譜檢測方法，利用多通道光譜集於一體的信息檢測模式，將從油菜冠層採集到的光譜信息利用預先訓練完成的BP神經網絡建立模型，得到SPAD值及全氮含量，經檢驗，模型預測性能與效果較好。本發明利用多通道光譜集於一體的信息檢測模式，不僅不會因為光譜通道之間產生互擾，而且一些沒有明顯作用的光譜通道信息檢測還能作為光線校正、環境影響校正的輔助通道，通過BP神經網絡模型，提高了油菜冠層信息光譜檢測的準確度，本發明的檢測方法精確度高，採集樣本信息方便，適應農業推廣應用。
文檔編號G01N21/25GK102759510SQ201210226049
公開日2012年10月31日 申請日期2012年6月29日 優先權日2012年6月29日
發明者何勇, 吳迪, 曹芳, 聶鵬程 申請人:浙江大學