一种基于光谱图像分析的黄瓜叶片含氮量预测方法专利检索-近红外物理专利检索查询-专利查询网

一种基于光谱 图像分析的黄瓜叶片含氮量预测方法

阅读：17发布：2023-02-23

专利汇可以提供一种基于光谱图像分析的黄瓜叶片含氮量预测方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于光谱图像分析的黄瓜叶片含氮量预测方法，其特征在于：在CCD 照相机镜头前加特征波长的红外光及红光滤光片，先采集黄瓜叶片的近红外及红光图像，得到黄瓜叶片的灰度值；通过一经验公式测得红外光特征波长处的植被反射率RIR和红光特征波长处黄瓜叶片的反射率RR；再依据黄瓜叶片在特征波长的红外及红光波段的反射率值RIR、RR得到归一化植被差异指数(NDVI)；根据NDVI指数判断黄瓜叶片含氮量水平从而实现对黄瓜叶片含氮量的预测。采用该方法，能直观有效的获取作物营养状态，对于黄瓜叶片含氮量预测快速而且直观。，下面是一种基于光谱图像分析的黄瓜叶片含氮量预测方法专利的具体信息内容。

权利要求

1.一种基于光谱图像分析的黄瓜叶片含氮量预测方法，其特征在于：在CCD照相机镜头前加特征波长的红外光及红光滤光片，先采集黄瓜叶片的近红外及红光图像，得到黄瓜叶片的灰度值；通过一经验公式测得红外光特征波长处的植被反射率RIR和红光特征波长处黄瓜叶片的反射率RR；再依据黄瓜叶片在特征波长的红外及红光波段的反射率值RIR、RR得到归一化植被差异指数(NDVI)；根据NDVI指数判断黄瓜叶片含氮量水平从而实现对黄瓜叶片含氮量的预测。
2.根据权利要求1所述的基于光谱图像分析的黄瓜叶片含氮量预测方法，其特征在于所述的方法具体步骤如下：
步骤一、确立黄瓜叶片的反射率(y)和四个标定板灰度值(x)之间建立的经验公式y＝0.0027x-0.035；
步骤二、在CCD照相机上分别加红光滤光片和窄带红外光滤光片采集黄瓜叶片的近红外及红光图像；
步骤三、对采集到的叶片的近红外及红光图像进行处理，及对叶片和背景的分离，得到被测定的黄瓜叶片的灰度值(x)；
步骤四、根据经验公式将黄瓜叶片灰度值(x)转换为黄瓜叶片的近红外光特征波长处的植被反射率RIR和红光特征波长处植被的反射率RR；
步骤五、根据黄瓜叶片在近红外及红光波段的反射率值RIR、RR得到NDVI指数从而根据NDVI指数判断黄瓜叶片含氮量水平。
3.根据权利要求1或2所述的基于光谱图像分析的黄瓜叶片含氮量预测方法，其特征在于：所述在CCD照相机镜头前加装的红外光滤光片的特征波长为780nm±10nm，红光滤光片的特征波长为670nm±10nm。
4.根据权利要求2所述的基于光谱图像分析的黄瓜叶片含氮量预测方法，其特征在于所述步骤三中，对采集到的叶片的近红外及红光图像处理的具体方法是：
(1)对图像进行光线补偿抵消由于光线不平衡的情况而造成色彩偏差；
(2)对图像进行灰度化，之后采用高斯平滑消除噪声；
(3)去除图像背景，并求出各波段图像的平均灰度值。
5.根据权利要求2所述的基于光谱图像分析的黄瓜叶片含氮量预测方法，其特征在于：所述步骤三中，叶片和背景的分离采用了遗传算法和分水岭两种方法。
6.根据权利要求2所述的基于光谱图像分析的黄瓜叶片含氮量预测方法，其特征在于：所述的步骤五中的黄瓜叶片含氮量为N＝A*NDVI-B，其中参数A＝11，B＝3。

说明书全文

一种基于光谱 图像分析的黄瓜叶片含氮量预测方法

技术领域

[0001] 本发明涉及一种基于光谱图像分析的黄瓜叶片含氮量预测方法，属于农业技术领域。

背景技术

[0002] 氮素主要是促进植物根、茎、叶的个体生长，是形成一定品质产品的首要营养元素，对作物产量的形成和品质有非常大的影响。缺氮时会引起叶绿素含量下降，使叶片绿色转淡，严重时呈淡黄色。失绿的叶片色泽均一，一般不出现斑点或花斑。叶细而直，与茎的夹角小，并且茎的绿色也会因缺氮而褪淡。由于氮在植物体内有高度的移动性，能从老叶转移到幼叶，因而缺氮症状从老叶开始，逐渐扩展到上部叶片。氮素过多则会导致叶面积增大，叶色深绿，叶片披散，相互遮掩，影响通风透光，造成贪青迟熟，空秕粒多，产量降低，品质下降等。因而氮素诊断技术的研究非常重要。

[0003] 归一化植被差异指数(NDVI)是遥感监测地面植物生长和分布的一种方法。当遥感器测量地面反射光谱时，不仅测得地面植物的反射光谱，还测得土壤的反射光谱。当光照射在植物上时，近红外波段的光大部分被植物反射回来，可见光波段的光则大部分被植物吸收，通过对近红外光和红光波段反射率的线性或非线性组合，可以消除土壤光谱的影响，得到的特征指数称为归一化植被差异指数。美国俄克拉荷马州立大学Dr.Marvin Stone等人用便携式光纤光谱仪测量光谱反射率的方法，开展了用NDVI来获取氮利用率NUE(nitrogen use efficiency)和氮肥需要量的研究，并取得成果。归一化植被差异指数NDVI定义为：

[0004]

[0005] 式中RIR为某近红外光特征波长处的植被反射率，RR为某红光特征波长处植被的反射率。许多学者通过各种统计方法来寻求含氮量与光谱反射率或其衍生量的关系，并建立模型来估算作物的氮素含量。在含氮量与光谱反射率关系的理论研究基础上，科学家尝试用理论来指导变量施肥。

[0006] 作物的光谱特性包含着作物的很多重要信息，因此通过研究作物的光谱图像，可以进行作物营养成分的分析。但是，目前用于作物光谱分析的多光谱相机普遍存在的问题是算法过于复杂，不适宜实时处理，或者是对拍摄条件、目标都有一定的严格要求，仪器成本造价也高，所以亟待有好的方法实现。

发明内容

[0007] 本发明的目的在于提供一种基于光谱图像分析的黄瓜叶片含氮量预测方法，能直观有效的获取作物营养状态，对于黄瓜叶片含氮量预测快速而且直观。

[0008] 为实现上述目的，本发明采用如下的技术方案：

[0009] 一种基于光谱图像分析的黄瓜叶片含氮量预测方法，其包括以下步骤：

[0010] 一种基于光谱图像分析的黄瓜叶片含氮量预测方法，在CCD照相机镜头前加特征波长的近红外光及红光滤光片，先采集黄瓜叶片的近红外及红光图像，得到黄瓜叶片的灰度值；通过一经验公式测得近红外光特征波长处的植被反射率RIR和红光特征波长处黄瓜叶片的反射率RR；再依据黄瓜叶片在特征波长的近红外及红光波段的反射率值RIR、RR得到归一化植被差异指数(NDVI)；根据NDVI指数判断黄瓜叶片含氮量水平从而实现对黄瓜叶片含氮量的预测。

[0011] 基于光谱图像分析的黄瓜叶片含氮量预测方法具体步骤如下：

[0012] 步骤一、确立黄瓜叶片的反射率(y)和一组(三个以上标定板灰度值(x)之间建立的经验公式y＝0.0027x-0.035；

[0013] 步骤二、在CCD照相机上分别加红光滤光片和窄带近红外光滤光片，采集叶片的近红外及红光图像；

[0014] 步骤三、对叶片的近红外及红光图像进行叶片和背景的分离，得到被测定的黄瓜叶片的灰度值(x)；

[0015] 步骤四、根据经验公式将黄瓜叶片灰度值(x)转换为黄瓜叶片的近红外光特征波长处的植被反射率RIR和红光特征波长处植被的反射率RR；

[0016] 步骤五、根据叶片在近红外及红光波段的反射率值RIR、RR得到NDVI指数从而根据NDVI指数判断黄瓜叶片含氮量水平。

[0017] 所述在CCD照相机镜头前加装的红外光滤光片的特征波长为780nm±10，红光滤光片的特征波长为670nm±10。

[0018] 所述步骤三中，叶片和背景的分离采用了遗传算法和分水岭两种方法。

[0019] 所述的步骤五中的黄瓜叶片含氮量为N＝A*NDVI-B，其中参数A＝11，B＝3。

[0020] 本发明是采用操作简单，成本低廉，适于广泛推广使用的CCD照相机加滤光片的方法进行黄瓜叶片含氮量预测。

[0021] 本发明的优点是：操作简单，成本低廉，适于广泛推广使用，且对于黄瓜叶片含氮量的预测快速而且直观有效。附图说明

[0022] 图1为本发明基于光谱图像分析的黄瓜叶片营养元素检验方法流程示意图。

[0023] 图2为反射率(y)和标准板灰度值(x)之间的关系图。

[0024] 图3为遗传算法实现阀值分割的流程示意图。

[0025] 下面结合附图及具体实施例对本发明做进一步详细说明。

具体实施方式

[0026] 参阅图1所示，本发明基于光谱图像分析的黄瓜叶片营养元素检验方法一实施例的具体步骤是：

[0027] 步骤一、用不同比例的纯白和纯黑涂料配制了四块颜色深浅不同的平滑面板(即标定板)，每块尺寸10厘米，用NDVI测试仪采集到标定板随波长变化的反射率数据，每次采集之前均用白板进行标定，在不同时段测得的数据基本不变。可见标定板在不同波段的反射率基本上不受外界光照条件的影响，可以在其反射率和灰度值之间建立经验公式，用于减少叶面反射率计算中的误差。

[0028] 参见图2，确立反射率(y)和标准板灰度值(x)之间的经验公式为：y＝0.0027x-0.035。

[0029] 步骤二、可以采用sony cybe-shot型CCD相机，滤光片采用了可见光波段670nm，以及近红外波段780nm窄带干涉滤光片。通过在照相机镜头前增加特定波段的滤光片来获取黄瓜叶片特定波长的光谱图像。

[0030] 步骤三、对拍摄的红光和近红外光光谱图像进行处理，分为以下几个步骤：

[0031] (1)对图像进行光线补偿抵消由于光线不平衡的情况而造成色彩偏差；

[0032] (2)对图像进行灰度化，之后采用高斯平滑消除噪声；

[0033] (3)去除图像背景，并求出各波段图像的平均灰度值。

[0034] 实现图像背景分离，主要是通过对该图像进行二值化，而在二值化中最主要的是确定域值。域值确定有多种方法，本试验中通过遗传算法以及分水岭法来寻找域值。参见图3，是遗传算法实现阀值分割的流程。遗传算法的计算过程首先是将实际的优化问题编码成符合串，也称码串、染色体。将实际问题的目标函数转变为染色体的适应函数，然后在随机产生的一批初始染色体的基础上，根据各染色体的适应函数值进行繁殖、交叉、变异等遗传操作产生下一代染色体。遗传算法的基本思想是模拟自然选择和自然遗传过程中发生的繁殖、交配和突变现象，由此构成了遗传算法的三个基本算子：复制、交叉和变异。

[0035] 如采用分水岭法，则分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。

[0036] 步骤四、根据步骤二所示经验公式将步骤三中计算出的叶片灰度值转换为叶片光谱反射率数据；在对图片进行处理后，获得叶片在IR(760nm)和Red(670nm)波段的灰度值后，根据之前建立的灰度和反射率的经验公式，得到叶片在IR(760nm)和Red(670nm)波段的反射率值RIR和RR。

[0037] 步骤五、根据步骤四计算出的红光和近红外光黄瓜叶片的反射率数据以及归一化植被指数(NDVI)公式

[0038]

[0039] 计算出NDVI值。

[0040] 步骤六、根据NDVI指数，利用含氮量N预测公式“N＝A*NDVI-B，计算出黄瓜叶片含氮量N，其中参数A＝11，B＝3。

[0041] 上述各实施例可在不脱离本发明的范围下加以若干变化，故以上的说明所包含及附图中所示的结构应视为例示性，而非用以限制本发明申请专利的保护范围。

标题	发布/更新时间	阅读量
近红外治疗拔罐	2020-05-11	461
一种近红外探测器	2020-05-13	503
近红外反射膜、近红外反射膜的制造方法及近红外反射体	2020-05-11	50
近红外反射膜的制造方法及设有近红外反射膜的近红外反射体	2020-05-11	627
近红外检测系统	2020-05-11	210
一种近红外镜头	2020-05-11	272
近红外发光装置	2020-05-11	714
近红外反射膜及设有近红外反射膜的近红外反射体	2020-05-12	618
近红外反射膜及设有近红外反射膜的近红外反射体	2020-05-12	224
近红外遮蔽膜及近红外遮蔽体	2020-05-11	554

一种基于光谱图像分析的黄瓜叶片含氮量预测方法

一种基于光谱图像分析的黄瓜叶片含氮量预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：