基于图谱融合的植株叶片氮含量高光谱建模方法技术

本发明专利技术涉及基于图谱融合的植株叶片氮含量高光谱预测方法，包括：采集若干不同氮水平的植株叶片样本，获取叶片样本的高光谱数据并黑白校正；测量叶片氮含量的真实值作为标签；制作数据集；对采集高光谱数据进行预处理；提取高光谱数据中的图像纹理特征；提取光谱特征波段；将光谱特征和纹理特征进行融合；采用机器学习算法建立叶片氮含量预测模型，并结合训练集数据融合后的结果进行训练和优化模型；利用测试集中的高光谱数据输入优化后的预测反演模型，自动输出预测的当前叶片氮含量；现场采集植株叶片样本的高光谱数据，输入预测反演模型获得当前植株叶片样本的氮含量预测值。本方法能够精准、实时、快速预测，具有很好的应用价值。价值。价值。

【技术实现步骤摘要】
基于图谱融合的植株叶片氮含量高光谱建模方法


[0001]本专利技术涉及植株光谱采集与分析
，具体是基于图谱融合的植株叶片氮含量高光谱建模方法。

技术介绍

[0002]氮含量作为植株重要的生长指标，是氨基酸、叶绿素等重要有机化合物的组分，缺氮会影响其物质的合成，降低光合作用能力，从而影响植株的生长、品质和产量，因此实时监测植株氮含量对其生长发育起着至关重要的作用。然而，基于化学方法检测叶片氮含量存在检测成本高、操作繁琐、时效性差、工作量大等问题。
[0003]随着无损检测技术的不断发展，高光谱成像技术已经广泛应用在作物营养元素的无损检测中。高光谱成像技术是光谱技术和图像技术的结合体，能够同时获取目标物的图像和光谱信息，进而实现对目标物外部性状特征的表征以及内部营养特征成分变化的监测。在以往的研究中，大多数都集中对植株内部特征光谱数据的研究，缺少对表征植株外部特征的可见光图像信息的分析，而单一的光谱特征无法描述植株营养元素整体的空间分布特征，降低了预测模型的准确性和鲁棒性。将植株的光谱特征和图像特征进行融合，能够有效缓解近红外光谱技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，包括：S1、采集若干不同氮水平的植株叶片样本，获取叶片样本的高光谱数据并黑白校正；S2、测量叶片氮含量的真实值作为标签；制作带有标签和高光谱数据的配对数据集；所述数据集包括训练集和测试集；S3、对采集高光谱数据进行预处理；S4、提取高光谱数据中的图像纹理特征；S5、提取光谱特征波段；S6、将光谱特征和纹理特征进行融合；S7、采用机器学习算法建立叶片氮含量预测模型，并结合训练集数据融合后的结果进行训练和优化模型；S8、利用测试集中的高光谱数据输入优化后的预测反演模型，自动输出预测的当前叶片氮含量；S9、现场采集植株叶片样本的高光谱数据，输入建立的图谱融合
‑
叶片氮含量的预测反演模型，获得当前植株叶片样本的氮含量预测值。2.根据权利要求1所述的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述高光谱数据是采用高光谱相机在密闭环境下拍摄获取的。3.根据权利要求2所述的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述高光谱数据是高光谱成像系统采集的，所述高光谱成像系统包括高光谱相机、三轴位移平台、卤素灯、暗箱，所述暗箱内设有1个或多个卤素灯；所述暗箱内底板用于放置植株叶片；所述三轴位移平台设于暗箱内，其上固定高光谱相机，所述相机视角朝向叶片，用于获取植株叶片的高光谱数据。4.根据权利要求1所述的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述植株叶片为从试验区域采集的叶位相同、叶片无病害、叶面无破损、生长状态良好的植株叶片样本，并对样本进行统一编号。5.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，是采用石墨消解仪进行样本消解，再采用凯氏定氮仪测量叶片样本氮含量的真实值。6.根据权利要求1的基于图谱融合的植株叶片氮含量高光谱预测方法，其特征在于，所述对采集高光谱数据进行预处理，包括：将光谱反射率数据分别...

【专利技术属性】
技术研发人员：王卓，吴玲，白晓平，李德强，熊锋，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：