專利名稱：一種油菜冠層信息光譜檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種植物信息光譜檢測(cè)方法，尤其涉及一種油菜冠層信息光譜檢測(cè)方法。
背景技術(shù)：
植物葉綠素、全氮含量是植物營(yíng)養(yǎng)的主要組成部分，是植物光合作用有關(guān)的最重要的因素，葉綠素是所有能轉(zhuǎn)化為植物營(yíng)養(yǎng)光合作用的生物體，全氮是植物必需的營(yíng)養(yǎng)元素之一，是氨基酸、蛋白質(zhì)、生物堿、核酸和葉綠素等物質(zhì)的主要組成成分。它們的含量可以直接或間接地反應(yīng)植物的生命體征，研究和檢測(cè)這些參數(shù)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(qū)域的光譜反射特性決定的。正常生長(zhǎng)的植物，葉片顏色由葉綠素的光譜特性決定，葉綠素對(duì)綠光有較強(qiáng)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(yīng)出植株體內(nèi)全氮代謝水平。缺氮時(shí)不同植物在可見(jiàn)、近紅外波段的光譜反射率均表現(xiàn)出不同程度的增加趨勢(shì)。國(guó)內(nèi)外學(xué)者對(duì)各類作物通過(guò)不同傳感器及光譜數(shù)據(jù)研究表明，光譜指數(shù)可以用于估測(cè)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(jiàn)，可見(jiàn)光區(qū)域的反射光譜及顏色特征可以用于估測(cè)作物葉片葉綠素和全氮含量。公開(kāi)號(hào)為CN1746660A的發(fā)明專利申請(qǐng)，公開(kāi)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(shè)計(jì)的測(cè)量?jī)x，能快速、方便地測(cè)定作物的SIPI值，準(zhǔn)確地對(duì)作物冠層特征色素比值進(jìn)行評(píng)估，對(duì)判斷作物長(zhǎng)勢(shì)和指導(dǎo)氮肥使用有著重要作用。利用日光作光源，通過(guò)六個(gè)相同的具有特殊光譜響應(yīng)特性的光電傳感器，在近紅外、紅光和藍(lán)光三個(gè)特征波長(zhǎng)處，分別對(duì)日光入射光和植被的反射光進(jìn)行探測(cè)，測(cè)得的信號(hào)經(jīng)A/D轉(zhuǎn)換后，由微控制器按SIPI值的計(jì)算公式求出SIPI值，然后根據(jù)SIPI計(jì)算得出表征作物生長(zhǎng)狀態(tài)的結(jié)果，所得結(jié)果由液晶顯示器顯示。測(cè)量結(jié)果可以保存在儀器中，并且可以通過(guò)RS232串口傳送到PC機(jī)上進(jìn)行進(jìn)一步的分析。這種探測(cè)方法及儀器對(duì)日光照明條件要求較低、結(jié)構(gòu)簡(jiǎn)單、重量輕、成本低、使用方便，適合于大批量生產(chǎn)和應(yīng)用。公開(kāi)號(hào)為CN101403689A的發(fā)明專利申請(qǐng)，公開(kāi)了一種基于可見(jiàn)-近紅外光譜的植物葉片生理指標(biāo)無(wú)損檢測(cè)方法，可對(duì)葉綠素、氮素、葉黃素、水分等成分含量進(jìn)行快速、多參數(shù)同時(shí)檢測(cè)。該發(fā)明對(duì)校正集樣本進(jìn)行光譜采集，在對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理和波段優(yōu)選后建立光譜值與植物組分含量標(biāo)準(zhǔn)之間的校正模型；采集未知樣本的光譜，對(duì)光譜數(shù)據(jù)與處理后，將選定波段數(shù)據(jù)代入校正模型對(duì)待測(cè)組分的含量進(jìn)行預(yù)測(cè)。該發(fā)明技術(shù)方案采用全譜信息，被測(cè)參數(shù)可擴(kuò)展性強(qiáng)且提高了校正模型的預(yù)測(cè)精度和模型適應(yīng)性；該發(fā)明采用的透反射檢測(cè)方式增加了光譜靈敏度，而且對(duì)葉片類型的適應(yīng)性更強(qiáng)；該發(fā)明采用的一種改進(jìn)的小波分析方法對(duì)葉片光譜數(shù)據(jù)同時(shí)進(jìn)行噪聲去除和基線校正預(yù)處理，能有效提高預(yù)測(cè)精度?，F(xiàn)有技術(shù)中檢測(cè)效果容易受到檢測(cè)儀器等方面造成的系統(tǒng)誤差。

發(fā)明內(nèi)容
本發(fā)明公開(kāi)了一種油菜冠層信息光譜檢測(cè)方法，解決了現(xiàn)有技術(shù)中檢測(cè)效果容易受到檢測(cè)儀器等方面造成的系統(tǒng)誤差的問(wèn)題。一種油菜冠層信息光譜檢測(cè)方法，包括以下步驟A、采集若干油菜葉片樣本的光譜信息，獲得其SPAD值；B、針對(duì)步驟A中的油菜葉片樣本，檢測(cè)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(duì)應(yīng)的SPAD值和全氮含量作為輸出變量，建立神經(jīng)網(wǎng)絡(luò)模型；D、采集待檢測(cè)油菜的光譜信息并利用所述的模型得到該待檢測(cè)油菜的SPAD值和全氮含量，以確定待檢測(cè)油菜生長(zhǎng)狀態(tài)。 所述SPAD值是衡量一株植物葉綠素的相對(duì)含量的一個(gè)參數(shù)，是葉綠素含量的標(biāo)
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(zhì)、葉綠素、核酸、酶、生物激素等重要生命物質(zhì)的組成部分，同一時(shí)期不同作物需氮量不同，同一作物不同時(shí)期需氮量不同，同時(shí)，不同施氮處理對(duì)作物氮素吸收及產(chǎn)量的影響不同，檢測(cè)全氮含量對(duì)農(nóng)作物的生長(zhǎng)和產(chǎn)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(cè)冠層信息方便儀器操作，利于儀器動(dòng)態(tài)、快速地檢測(cè)植物的光譜信息。若無(wú)特殊說(shuō)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(fā)射450_1200nm的探測(cè)光，采集經(jīng)油菜葉片反射后的探測(cè)光，得到對(duì)應(yīng)的光譜信息，在450-1200nm范圍內(nèi)對(duì)SPAD值和全氮含量進(jìn)行檢測(cè)具有敏感特性效應(yīng)，這個(gè)區(qū)域的信息對(duì)油菜葉片SPAD值及全氮含量模型檢測(cè)很有幫助。所述探測(cè)光在450-1200nm范圍內(nèi)的16路，16路探測(cè)光波長(zhǎng)分別為450nm、480nm、550nm、640nm、680nm、720nm、780nm、820nm、860nm、880nm、940nm、960nm、1040nm、11OOnm、1150nm、1200nmo所述的神經(jīng)網(wǎng)絡(luò)模型為BP神經(jīng)網(wǎng)絡(luò)模型。本發(fā)明中先采集油菜葉片樣本信息，先通過(guò)儀器測(cè)量與計(jì)算出油菜葉片樣本的SPAD值和全氮含量值。對(duì)油菜葉片樣本進(jìn)行光譜數(shù)據(jù)掃描，并記錄特征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(jīng)網(wǎng)絡(luò)輸入變量，將對(duì)應(yīng)的通過(guò)儀器測(cè)量得到的SPAD值和全氮含量作為輸出變量建立BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)模型建立后，為了提高其可靠性，一般需要進(jìn)行訓(xùn)練，通過(guò)訓(xùn)練獲得修正后的BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閥值，計(jì)算儀器測(cè)量值與BP神經(jīng)網(wǎng)絡(luò)模型實(shí)際輸出的誤差。若誤差不大于期望誤差最小值，或已達(dá)到最大循環(huán)次數(shù)，則訓(xùn)練結(jié)束，否則繼續(xù)。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是(I)BP神經(jīng)網(wǎng)絡(luò)通過(guò)每個(gè)輸入變量對(duì)輸出影響的權(quán)值修改來(lái)獲取它對(duì)該參數(shù)的貢獻(xiàn)率，與輸出無(wú)關(guān)的輸入變量通過(guò)BP網(wǎng)絡(luò)訓(xùn)練后它所對(duì)應(yīng)的權(quán)值將會(huì)被降至接近為0，提高了油菜冠層信息光譜檢測(cè)的準(zhǔn)確度，利于管理人員正確地施肥和培養(yǎng)。(2)利用多通道光譜集于一體的信息檢測(cè)模式，采用BP神經(jīng)網(wǎng)絡(luò)建模方式，可使環(huán)境因素對(duì)檢測(cè)的準(zhǔn)確性和可靠性影響降到最低，不僅不會(huì)因?yàn)楣庾V通道之間產(chǎn)生互擾，而且一些沒(méi)有明顯作用的光譜通道信息檢測(cè)還能作為光線校正、環(huán)境影響校正的輔助通道。對(duì)提聞儀器的適應(yīng)性能提聞?dòng)兴鶐椭?br>

圖I為本發(fā)明方法所的SPAD值與儀器測(cè)量所的SPAD值的關(guān)系圖。圖2為本發(fā)明方法所的全氮含量與儀器測(cè)量所的全氮含量的關(guān)系圖。
具體實(shí)施例方式本發(fā)明一種油菜冠層信息光譜檢測(cè)方法，用于油菜SPAD及全氮含量的測(cè)定，并借此確定植物的生長(zhǎng)狀態(tài)。模型的建立 (I)在油菜青葉期選擇60個(gè)小區(qū)作為訓(xùn)練樣本集，對(duì)該小區(qū)進(jìn)行冠層光譜實(shí)驗(yàn)，另外選擇15個(gè)小區(qū)作為預(yù)測(cè)樣本集，用油菜冠層信息光譜檢測(cè)儀的光譜檢測(cè)探頭對(duì)每個(gè)小區(qū)的油菜冠層進(jìn)行冠層光譜掃描，太陽(yáng)光在油菜冠層上反射出的光譜信息先通過(guò)16路光譜檢測(cè)信息通道后，經(jīng)過(guò)聚焦鏡光通道將光束聚焦在濾波片中心處，通過(guò)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(jīng)過(guò)微弱信號(hào)的放大及處理，獲得每個(gè)小區(qū)油菜冠層的16個(gè)波段光譜反射值，DSP處理器將獲得的16個(gè)波段光譜反射值通過(guò)接口電路在MCU的顯示單元上顯示。為了實(shí)施本發(fā)明方法，可以采用油菜冠層信息光譜檢測(cè)儀，包括光譜探測(cè)頭和用于接收和處理光譜探測(cè)頭輸出信號(hào)的MCU，MCU還分別連接有指令輸入單元、顯示單元、存儲(chǔ)單元及無(wú)線收發(fā)單元。光譜探測(cè)頭包括在光路上依次布置的光譜檢測(cè)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(guò)接口電路相連。光電傳感器電路和DSP處理器之間設(shè)有用于對(duì)光電傳感器的輸出信號(hào)進(jìn)行調(diào)理與放大的預(yù)處
理單元。(2)對(duì)每一個(gè)小區(qū)通過(guò)SPAD-502檢測(cè)儀器測(cè)量每個(gè)小區(qū)冠層SPAD值30次，通過(guò)求平均值獲取該小區(qū)的SPAD值，通過(guò)摘取各小區(qū)區(qū)域內(nèi)的油菜葉片，通過(guò)凱氏定氮法測(cè)量
其全氮含量。其中，SPAD-502為日本MINOLTA公司生產(chǎn)的葉綠素計(jì)，該檢測(cè)儀器通過(guò)測(cè)量植物葉片的光譜吸收特性測(cè)量植物葉綠素含量。凱氏定氮法是測(cè)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(jī)氮都轉(zhuǎn)變成無(wú)機(jī)銨鹽，然后在堿性條件下將銨鹽轉(zhuǎn)化為氨，隨水蒸氣餾出并為過(guò)量的酸液吸收，再以標(biāo)準(zhǔn)堿滴定，就可計(jì)算出樣品中的氮量。(3)用步驟(I)中訓(xùn)練樣本集中的16個(gè)波段光譜反射值作為輸入變量，將步驟
(2)中檢測(cè)儀器測(cè)量得到的SPAD值和全氮含量作為輸出變量，建立BP神經(jīng)網(wǎng)絡(luò)模型。在BP神經(jīng)網(wǎng)絡(luò)中，其中輸入神經(jīng)元為16個(gè)，分別為450-1200nm范圍內(nèi)的特征波段 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(gè)波段的反射值作為XpV X16 16個(gè)輸入變量，檢測(cè)儀器測(cè)量得到的SPAD值和全氮含量作為yi、y2 2個(gè)輸出神經(jīng)元，將數(shù)據(jù)經(jīng)過(guò)標(biāo)準(zhǔn)化處理后，BP網(wǎng)絡(luò)中Sigmoid參數(shù)選取O. 9，取6個(gè)隱含神經(jīng)元，訓(xùn)練1000次，得到結(jié)果如表I的映射關(guān)系，由于篇幅限制，本實(shí)施例選取典型的15個(gè)樣本列于表I。其擬合殘差值為 O. 00019。其中SYl和SY2分別是實(shí)際測(cè)量值，用來(lái)和儀器模型測(cè)量計(jì)算的結(jié)果進(jìn)行對(duì)比。
權(quán)利要求
1.ー種油菜冠層信息光譜檢測(cè)方法，其特征在于，包括以下步驟 A、采集若干油菜葉片樣本的光譜信息，獲得其SPAD值； B、針對(duì)步驟A中的油菜葉片樣本，檢測(cè)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(duì)應(yīng)的SPAD值和全氮含量作為輸出變量，建立神經(jīng)網(wǎng)絡(luò)模型； D、采集待檢測(cè)油菜葉片的光譜信息并利用所述的模型得到該待檢測(cè)油菜葉片的SPAD值和全氮含量，以確定待檢測(cè)油菜生長(zhǎng)狀態(tài)。
2.如權(quán)利要求I所述的油菜冠層信息光譜檢測(cè)方法，其特征在于，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(quán)利要求2所述的油菜冠層信息光譜檢測(cè)方法，其特征在干，步驟A和步驟D中，向油菜葉片發(fā)射450-1200nm的探測(cè)光，采集經(jīng)油菜葉片反射后的探測(cè)光，得到對(duì)應(yīng)的光譜信息。
4.如權(quán)利要求3所述的油菜冠層信息光譜檢測(cè)方法，其特征在于，所述探測(cè)光在450-1200nm范圍內(nèi)的16路。
5.如權(quán)利要求4所述的油菜冠層信息光譜檢測(cè)方法，其特征在干，所述的神經(jīng)網(wǎng)絡(luò)模型為BP神經(jīng)網(wǎng)絡(luò)模型。
6.如權(quán)利要求5所述的油菜冠層信息光譜檢測(cè)方法，其特征在于，所述16路探測(cè)光波長(zhǎng)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(fā)明公開(kāi)了一種油菜冠層信息光譜檢測(cè)方法，利用多通道光譜集于一體的信息檢測(cè)模式，將從油菜冠層采集到的光譜信息利用預(yù)先訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)建立模型，得到SPAD值及全氮含量，經(jīng)檢驗(yàn)，模型預(yù)測(cè)性能與效果較好。本發(fā)明利用多通道光譜集于一體的信息檢測(cè)模式，不僅不會(huì)因?yàn)楣庾V通道之間產(chǎn)生互擾，而且一些沒(méi)有明顯作用的光譜通道信息檢測(cè)還能作為光線校正、環(huán)境影響校正的輔助通道，通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型，提高了油菜冠層信息光譜檢測(cè)的準(zhǔn)確度，本發(fā)明的檢測(cè)方法精確度高，采集樣本信息方便，適應(yīng)農(nóng)業(yè)推廣應(yīng)用。
文檔編號(hào)G01N21/25GK102759510SQ201210226049
公開(kāi)日2012年10月31日 申請(qǐng)日期2012年6月29日 優(yōu)先權(quán)日2012年6月29日
發(fā)明者何勇, 吳迪, 曹芳, 聶鵬程 申請(qǐng)人:浙江大學(xué)