氮磷鉀交互作用下溫室作物營養(yǎng)含量檢測的方法
【專利摘要】本發(fā)明氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，涉及溫室作物營養(yǎng)含量虧缺診斷【技術領域】。建立包含氮磷鉀交互作用的光譜表達式方程用于定量分析番茄營養(yǎng)脅迫的情況，在數(shù)學上表現(xiàn)為足夠的組合變量和特征來同時反演作物幾種養(yǎng)分的水平、以及養(yǎng)分之間的交互作用等脅迫信息，重點開發(fā)了在考慮氮、磷、鉀三者交互作用下的番茄營養(yǎng)含量檢測模型的建立，獲得精度更高精度的檢測模型。
【專利說明】氮磷鉀交互作用下溫室作物營養(yǎng)含量檢測的方法

【技術領域】
[0001]本發(fā)明涉及溫室作物營養(yǎng)含量虧缺診斷【技術領域】；特指一種氮磷鉀交互作用下診斷番茄營養(yǎng)含量的方法。

【背景技術】
[0002]番爺(LycopersiconesculentumMill.)是我國溫室栽培的主要蔬菜作物之一。氮、磷、鉀是番茄生長必需的也是最重要的營養(yǎng)元素，氮、磷、鉀營養(yǎng)虧缺會使其生理發(fā)生變化，直接影響到產(chǎn)量的高低和口感，進而影響經(jīng)濟效益。植物生理學的研究已經(jīng)證實，葉片是對營養(yǎng)狀況反映最敏感的部位之一，營養(yǎng)虧缺能引起葉片顏色、紋理、粗糙度和氣孔等特征發(fā)生顯著變化，因此，以作物葉片為研究對象診斷營養(yǎng)狀況成為近年來研究的熱點。
[0003]國內(nèi)外科研學者在影響偏振反射光譜監(jiān)測植物對象特性的單獨因素方面開展研究的同時，還考慮到各個因素之間的主次順序和參數(shù)優(yōu)選。試驗因素都不是孤立的，對目標結(jié)果的影響具有主次順序和輕重關系。有研究表明，基于高光譜技術和偏振光譜技術的多信息融合并結(jié)合恰當?shù)慕７椒梢暂^大程度的提高模型的精度。但是氮、磷、鉀之間是否存在互作關系，即發(fā)生氮元素營養(yǎng)脅迫的情況下引起了缺磷或者缺鉀的狀態(tài)，以此類推，在鉀元素或者磷元素發(fā)生營養(yǎng)脅迫時，是否間接引起了另外兩種元素的虧缺。近幾年來國內(nèi)外一些學者主要是將高光譜技術、偏振光譜技術應用于農(nóng)產(chǎn)品質(zhì)量以及作物病害的檢測中，但未見利用高光譜圖像技術、偏振光譜技術來診斷作物氮磷鉀交互作用的檢測。


【發(fā)明內(nèi)容】

[0004]本發(fā)明建立包含氮磷鉀交互作用的光譜表達式方程用于定量分析番茄營養(yǎng)脅迫的情況，在數(shù)學上表現(xiàn)為足夠的組合變量和特征來同時反演作物幾種養(yǎng)分的水平、以及養(yǎng)分之間的交互作用等脅迫信息，重點開發(fā)了在考慮氮、磷、鉀三者交互作用下的番茄營養(yǎng)含量檢測模型的建立，以期獲得精度更高精度的檢測模型。
[0005]與以往單獨建立某一種元素虧缺的預測模型相比較，綜合考慮氮、鉀、磷交互作用情況下的營養(yǎng)水平診斷。通過分析氮、磷與鉀之間的交互關系，消除互作之間的影響。同時反演作物幾種養(yǎng)分的水平以及養(yǎng)分之間的交互作用等脅迫信息時，光譜變量間有諧波關系，在數(shù)學上表現(xiàn)為需要足夠的組合變量，即從機理上講方程之間是不相互獨立的，從而通過若干特征波長的光譜反射率組合求解和反演得出的氮、磷、鉀營養(yǎng)信息對于不同品種、不同生育期及不同營養(yǎng)條件下的檢測模型。
[0006]本發(fā)明氮磷鉀交互作用下溫室作物營養(yǎng)含量檢測的方法，按照下述步驟進行:
[0007](一 )、建立氮(N)、磷⑵、鉀⑷營養(yǎng)脅迫試驗樣本，每個營養(yǎng)元素分為五個水平進行處理，
[0008]( 二 )、分別建立基于圖像特征、光譜特征、偏振度特征的單一特征模型，
[0009](三)、定義氮磷鉀交互作用的方程式表達，
[0010](四)、權(quán)重系數(shù)矩陣的計算，
[0011](五)、確定交互影響系數(shù)矩陣，
[0012](六)、交互模型的建立，用該模型檢測作物是否發(fā)生氮磷鉀虧缺。
[0013]其中步驟(一)中每個營養(yǎng)元素分為不同水平進行處理，是指按照在正常配方中氮、磷、鉀的正常含量的25%?150% (質(zhì)量比)。
[0014]其中步驟(二)中所述的分別建立基于圖像特征、光譜特征、偏振度特征的單一特征模型，按照下述步驟進行:(I)偏振光譜采集，指利用偏振光譜采集系統(tǒng)采集溫室番茄葉片的偏振光譜。
[0015](2)偏振度特征提取，根據(jù)斯托克斯公式計算步驟(I)中番茄葉片的的偏振光譜的偏振度。
[0016](3)高光譜圖像采集，利用高光譜圖像采集系統(tǒng)采集番茄葉片的高光譜圖像。
[0017](4)圖像預處理，對步驟(3)中的高光譜圖像進行波段篩選、濾波和利用掩膜對圖像進行分割。
[0018](5)圖像紋理特征的提取，對步驟(4)中經(jīng)預處理后的高光譜圖像，首先通過主成分分析得到氮、磷、鉀的敏感波長，然后在敏感波長下進行基于二階概率統(tǒng)計濾波的紋理特征提取。
[0019](6)光譜特征的提取，對步驟(5)中提取到的紋理特征，利用區(qū)間偏最小二乘法-遺傳算法優(yōu)選特征變量，對光譜特征變量進行提取。
[0020](7)模型建立，采用支持向量機建立番茄開花期氮、磷、鉀營養(yǎng)含量預測模型，具體按照下述步驟進行:(a)對樣本進行歸一化預處理，確定輸入特征的數(shù)量；
[0021](b)分別基于網(wǎng)格搜索法(GS)和粒子群優(yōu)化算法(PSO)對進行支持向量機回歸(SVR)參數(shù)進行尋優(yōu)；
[0022](c)將偏振度特征、紋理特征和光譜特征采用SVR的特征層融合的方法建立番茄開花期氮、磷、鉀營養(yǎng)含量的預測模型。
[0023]其中步驟(三)中所述的定義氮磷鉀交互作用的方程式表達是指利用提取的光譜特征、圖像特征、偏振度特征建立交互作用下的氮磷鉀檢測模型。
[0024]其中步驟(四)中所述的權(quán)重系數(shù)矩陣的計算是指對建立的交互作用下的氮磷鉀檢測模型中的權(quán)重系數(shù)矩陣進行求解。
[0025]其中步驟(五)中所述的確定交互影響系數(shù)矩陣是指對建立的交互作用下的氮磷鉀檢測模型中的交互影響系數(shù)矩陣進行求解。
[0026]其中步驟(六)中所述的交互模型的建立是指將權(quán)重系數(shù)矩陣和交互影響系數(shù)矩陣代入交互作用下的氮磷鉀檢測模型。
[0027]本發(fā)明所述的溫室作物優(yōu)選番茄、生菜、黃瓜等。
[0028]本發(fā)明的有益效果:
[0029]本發(fā)明通過權(quán)重系數(shù)矩陣和交互影響系數(shù)矩陣對模型進一步修正，研究建立了在考慮氮、磷、鉀三者交互作用下的番茄營養(yǎng)含量檢測模型，預測結(jié)果表明該方法能夠獲得精度更高的檢測模型，N、P、K元素的交互模型比單一特征類型模型精度分別平均提高了4.3%,9.0%,3.3%,模型的預測值更接近作物營養(yǎng)含量的真值，為交互作用下作物營養(yǎng)快速無損檢測提供新的方法和思路。

【專利附圖】

【附圖說明】
[0030]圖1.高光譜成像系統(tǒng)，
[0031]其中:1.光箱；2.光源；3.控制器；4.計算機；5.近紅外相機；6.成像光譜儀；
7.步進電機；8.玻璃光纖燈。
[0032]圖2.偏振光譜采集系統(tǒng)，
[0033]其中:1.光源；2.光源光纖燈；3.探測光纖；4.旋轉(zhuǎn)測量機構(gòu)；5.樣品臺；6.光譜儀；7.微電流計；8.計算機。
[0034]圖3.番茄開花期氮素交互模型實測值和預測值相關圖。
[0035]圖4.番茄開花期磷素交互模型實測值和預測值相關圖。
[0036]圖5.番茄開花期鉀素交互模型實測值和預測值相關圖。
[0037]圖6.番茄結(jié)果中期氮素交互模型實測值和預測值相關圖。
[0038]圖7.番茄結(jié)果中期磷素交互模型實測值和預測值相關圖。
[0039]圖8.番茄結(jié)果中期鉀素交互模型實測值和預測值相關圖。

【具體實施方式】
[0040]下面以番茄為例，結(jié)合附圖對本發(fā)明進行進一步詳細描述。
[0041]本發(fā)明【具體實施方式】中所采用的高光譜圖像采集系統(tǒng)參閱圖1。利用圖1所示的高光譜圖像采集系統(tǒng)采集溫室番茄葉片高光譜圖像，其包括近紅外相機
5(XEVA-FPA-1.7-320，XenICs, Leuven, Belgium)，光譜范圍 900_1700nm，成像光譜儀
6(ImspectorN17E, Spectral ImagingLtd., Finland),分辨率為 5nm, 150W 齒鶴燈的直流可調(diào)光源 2 (2900-ER+9596-E, Illuminat1n Technologies, Inc., EastSyracuse, NY, USA),位移單元由步進電機7 (MTS120,北京光學儀器廠，北京，中國)和控制器3 (SC100,北京光學儀器廠，北京，中國)組成，成像光譜儀可以采集圖像傳輸?shù)接嬎銠C4(DELL Inspiron 530s,USA)中，玻璃光纖燈8為圖像的采集提供必要的照明。近紅外相機5、成像光譜儀6、步進電機7和玻璃光纖燈8位于光箱I。本發(fā)明2012年3月至2012年9月在江蘇大學現(xiàn)代農(nóng)業(yè)裝備與技術教育部重點實驗室的Venlo型溫室中進行實驗。培育品種為遼寧省農(nóng)業(yè)科學院蔬菜研究所培育的L-402。為保證前期的基礎性研究能夠?qū)Ψ逊值挠行卣鬟M行準確提取，本發(fā)明采用無土栽培技術進行樣本培育。在保證其他營養(yǎng)元素均衡的情況下，對氮、磷、鉀進行精確控制，以獲取純正的營養(yǎng)脅迫樣本。營養(yǎng)液PH值為6-6.5、EC值為1.2ms/cm。首次栽植后澆灌正常營養(yǎng)液，為避免珍珠巖中營養(yǎng)成分殘留，在番茄生長至壯苗期轉(zhuǎn)入缺素培育階段時，進行二次移栽。
[0042]營養(yǎng)脅迫試驗樣本分為氮(N)、磷(P)、鉀(K)三組，每組中各個營養(yǎng)元素均分為五個水平進行處理，按照在正常配方中氮、磷、鉀的正常含量的25%?150%，分別形成五種不同營養(yǎng)水平的樣本，依次是重度脅迫25 %、中度脅迫50 %、輕度脅迫75 %、適量100 %、過量150%。(均為質(zhì)量比)
[0043]化學值含量的測定工作與光譜試驗同步進行，培育的樣本在編號的自封袋中排序，并放進專業(yè)植物保鮮箱，立即帶回光譜實驗室，開始偏振反射光譜測量實驗和高光譜圖像采集。采集結(jié)束后將葉片放入烘箱，80°C烘干至恒重置于干燥器內(nèi)。采用凱氏定氮法(GB/T 5009.5-1985)測定樣本的全氮含量，儀器為英國SEAL公司生產(chǎn)的Auto Analyzer 3型連續(xù)流動分析儀(Seal Analytical Instruments C0., Ltd, England)。采用鑰鋪抗分光光度法(GB 11893-1989)測定樣本中磷的含量，儀器為美國瓦里安公司紫外可見分光光度計(Varian Inc.,Palo Alto,USA ；Model Cary 100)。采用火焰光度法(GB/T 18633-2002)測定樣本中鉀的含量，儀器為BWB-XP多元素火焰光度計(BWB C0.,British).化學值含量測定后用于下面的模型建立及校正。
[0044]偏振光譜采集:
[0045]偏振反射光譜測量分析系統(tǒng)為課題組自主研發(fā)，該儀器測量波長范圍350-1000nm,如圖2所示，光源I接出的光源光纖燈2安裝在左側(cè)的旋轉(zhuǎn)測量機構(gòu)4，光譜儀6接出的探測光纖3安裝在右側(cè)的旋轉(zhuǎn)測量機構(gòu)4，樣品臺5用于放置待測樣品，微電流計7分別連接光譜儀6及操作電腦8。
[0046]偏振反射光譜和高光譜圖像采集保證在盡量短的時間內(nèi)依次快速進行，以保證樣品的統(tǒng)一性。數(shù)據(jù)采集前，兩套儀器均需進行預熱以及黑場和白場標定，以消除環(huán)境因素引起的系統(tǒng)誤差，每片葉片測量3次，取平均值作為最終測量結(jié)果。光譜實驗樣本為氮、磷、鉀每組各120個，采集時間均為早晨8點，并統(tǒng)一選擇每株倒七葉，葉片的葉寬應大于2cm，一經(jīng)采下迅速裝入自封袋封好并進行現(xiàn)場編號，放進專業(yè)植物保鮮箱，立即帶回光譜實驗室，開始偏振反射光譜測量實驗和高光譜圖像采集。實驗中為防止外界環(huán)境光的干擾，偏振反射光譜測量在暗室中進行；高光譜圖像則在光箱中采集。測量結(jié)束后將葉片放入烘箱，80°C烘干至恒重置于干燥器內(nèi)以備化學值測定之用。
[0047]高光譜圖像采集:
[0048]高光譜圖像數(shù)據(jù)的米集是基于SpectralCube (Spectral Imaging Ltd.,Finland)軟件平臺；實際采集的光譜范圍為871.6?1766.3nm，空間分辨率為62.5um，采樣間隔為
3.5nm，一次采集可獲取采樣光譜范圍內(nèi)以3.5nm為間隔的256幅獨立的高光譜圖像。
[0049]確定近紅外相機的曝光時間以保證圖像的清晰，同時確定位移臺的速度以避免圖像尺寸和空間分辨率的失真。經(jīng)過分析比較確定曝光時間為為20ms，位移臺的移動速度為
1.25mm/s。數(shù)據(jù)采集時，首先進行黑場和白場標定，設定反射率范圍，進而利用二階巴特沃茨濾波器進行數(shù)字濾波，去除噪聲干擾。
[0050]圖像預處理:
[0051]為了避免傳感器暗電流以及光源的照度在各波段下分布不均而使得圖像含有較大的噪聲，或是造成不同波長下的較大亮度值差異，先對所原始樣本圖像進行標定。全白的標定圖像W通過掃描硫酸鋇標準白板得到；全黑的標定圖像B則是通過蓋上攝像機的鏡頭后采集得到。按照公式(I)，將采集得到的絕對圖像I變成相對圖像R。
[0052]R =C1 ；
W-B
[0053]采集的番茄葉片高光譜的光譜曲線的范圍是390?1050nm。光譜曲線在450nm以下和950nm以上區(qū)域存在著明顯的噪聲，因此在后期的數(shù)據(jù)處理過程中，選取450?950nm范圍內(nèi)，共388個波段的高光譜數(shù)據(jù)進行后續(xù)分析研究。
[0054]本發(fā)明采用5X5窗口的中值濾波法對圖像進行濾波，5X5窗口的中值濾波能夠既降噪又不失真，對后續(xù)特征提取更有利。將在700nm處將圖像分割得到的二值圖像建立掩膜，掩膜是ENVI中一種特殊的圖像，是一個由O和I組成的二進制圖像。當有掩膜參與到一個高光譜圖像處理時，I值區(qū)域被處理，O值區(qū)域被屏蔽，即背景為黑色，掩膜的部分將不參與后續(xù)的計算處理，白色區(qū)域為分割出來的番茄葉片區(qū)域，參與到后續(xù)處理中，極大的減少了背景對特征提取的影響。
[0055]圖像紋理特征的提取:
[0056]主成分分析法(PCA)是高光譜圖像降維中最常用的方法。它的目標是尋求一種變換，把原始數(shù)據(jù)映射到一個新空間。分別求出經(jīng)過PCA轉(zhuǎn)換后氮、磷、鉀的前五個主成分的權(quán)重系數(shù)曲線圖，繪制出的氮、磷、鉀高光譜前五個主成分的權(quán)重系數(shù)曲線圖，根據(jù)提取權(quán)重系數(shù)曲線主要波峰和波谷處所對應的波長作為敏感波長。通過比對后其中N素的特征波長分別為:464.91nm，566.29nm，696.28nm, 724.66nm ；P 素的特征波長分別為:474.85nm,567.54nm，693.71nm，738.89nm ;K 素的特征波長分別為:565.03nm，691.14nm，733.71nm,766.14nm。
[0057]在特征波長下采用基于二階概率統(tǒng)計濾波的紋理特征提取中值、協(xié)方差、同質(zhì)性、熵、相異性、二階矩、對比度和相關性。



/-1 J-]
[0058](I)中值(Mean):遞(2)



f=0 /=O
[0059]這里的中值運算類似于卷積，但計算的不是加權(quán)求和，而是把鄰域中的像素按灰度級進行排序，然后選擇該組的中間值作為輸出，其主要功能是讓與周圍像素灰度值的差比較大的像素改取與周圍的像素值接近的值。
[0060](2)協(xié)方差(Variance) Hf =[匕(/1 八，-<)/;(/,./) (3)




i=0 /=O

L- L-X
[0061]式中:《

?= /=0
[0062]
=Σ.,4" i Λ。



7=' —Μ)
[0063]一般情況下協(xié)方差直觀上表示的是兩個變量總體誤差的期望。這里協(xié)方差用于衡量兩個變量的總體誤差。
[0064](3)同質(zhì)性(Homogeneity) ?.廳=ΣΣι^? ^.ι ⑷


/=0 J=O + J\
[0065]又稱逆差距，它能夠度量圖像紋理局部變化的多少。其值大則說明圖像紋理在不同區(qū)域間變化較少，局部非常均勻，值小說明局部分布不均勻。
[0066](4)熵:ENT =_Hp i j p i j) (5)


1= J=O
[0067]圖像所具有的信息量的度量。它反映了圖像的混亂程度和無序程度，代表了圖像中紋理的非均勻性和復雜性，熵值越大紋理越復雜，熵值越小則紋理越均勻。
[0068](5)相異性(Dissimilarity): =(6)




/=0 /=0 1+|2-,/|
[0069]相異性大小用于考量元素在行的方向或列的方向上所有元素之間的相異程度，改指標是相對于其他行或者其他列而言的，如果圖像的某方向上差異性較大，則該方向的DIS值將大于其他方向的DIS值。
[0070](6) 二階矩(AngularSecondMoment):

【權(quán)利要求】
1.氮磷鉀交互作用下溫室作物營養(yǎng)含量檢測的方法，其特征在于按照下述步驟進行:(一)、建立氮(N)、磷(P)、鉀(K)營養(yǎng)脅迫試驗樣本，每個營養(yǎng)元素分為五個水平進行處理， (二 )、分別建立基于圖像特征、光譜特征、偏振度特征的單一特征模型， (三)、定義氮磷鉀交互作用的方程式表達， (四)、權(quán)重系數(shù)矩陣的計算， (五)、確定交互影響系數(shù)矩陣， (六)、交互模型的建立，用該模型檢測作物是否發(fā)生氮磷鉀虧缺。
2.根據(jù)權(quán)利要求1所述的氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，其特征在于其中步驟(一)中每個營養(yǎng)元素分為不同水平進行處理，是指按照在正常配方中氮、磷、鉀的正常含量的25%?150% (質(zhì)量比)， 根據(jù)權(quán)利要求1所述的氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，其特征在于其中步驟(二)中所述的建立基于圖像特征、光譜特征、偏振度特征的單一特征模型，按照下述步驟進行: (1)偏振光譜采集，指利用偏振光譜采集系統(tǒng)采集溫室番茄葉片的偏振光譜； (2)偏振度特征提取，根據(jù)斯托克斯公式計算步驟(I)中番茄葉片的的偏振光譜的偏振度； (3)高光譜圖像采集，利用高光譜圖像采集系統(tǒng)采集番茄葉片的高光譜圖像； (4)圖像預處理，對步驟(3)中的高光譜圖像進行波段篩選、濾波和利用掩膜對圖像進行分割； (5)圖像紋理特征的提取，對步驟(4)中經(jīng)預處理后的高光譜圖像，首先通過主成分分析得到氮、磷、鉀的敏感波長，然后在敏感波長下進行基于二階概率統(tǒng)計濾波的紋理特征提??； (6)光譜特征的提取，對步驟(5)中提取到的紋理特征，利用區(qū)間偏最小二乘法-遺傳算法優(yōu)選特征變量，對光譜特征變量進行提取； (7)模型建立，采用支持向量機建立番茄開花期氮、磷、鉀營養(yǎng)含量預測模型，具體按照下述步驟進行:Ca)對樣本進行歸一化預處理，確定輸入特征的數(shù)量； (b)分別基于網(wǎng)格搜索法(GS)和粒子群優(yōu)化算法(PSO)對進行支持向量機回歸(SVR)參數(shù)進行尋優(yōu)； (c)將偏振度特征、紋理特征和光譜特征采用SVR的特征層融合的方法建立番茄開花期氮、磷、鉀營養(yǎng)含量的預測模型。
3.根據(jù)權(quán)利要求1所述的氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，其特征在于其中步驟(三)中所述的定義氮磷鉀交互作用的光譜方程式的表達是指利用提取的光譜特征、圖像特征、偏振度特征建立交互作用下的氮磷鉀檢測模型。
4.根據(jù)權(quán)利要求1所述的氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，其特征在于其中步驟(四)中所述的權(quán)重系數(shù)矩陣的計算是指對建立的交互作用下的氮磷鉀檢測模型中的權(quán)重系數(shù)矩陣進行求解。
5.根據(jù)權(quán)利要求1所述的氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，其特征在于其中步驟(五)中所述的確定交互影響系數(shù)矩陣是指對建立的交互作用下的氮磷鉀檢測模型中的交互影響系數(shù)矩陣進行求解。
6.根據(jù)權(quán)利要求1所述的氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，其特征在于其中步驟(六)中所述的交互模型的建立是指將權(quán)重系數(shù)矩陣和交互影響系數(shù)矩陣代入交互作用下的氮磷鉀檢測模型。
7.根據(jù)權(quán)利要求1所述的氮磷鉀交互作用下番茄營養(yǎng)含量檢測的方法，其特征在于所述的溫室作物為番茄。
【文檔編號】G01N21/25GK104198397SQ201410371048
【公開日】2014年12月10日 申請日期:2014年7月30日 優(yōu)先權(quán)日:2014年7月30日
【發(fā)明者】毛罕平, 朱文靜, 劉紅玉, 張曉東, 高洪燕 申請人:江蘇大學