一种基于高光谱成像监测茶树扦插苗生长的方法及系统技术方案

本发明专利技术公开了一种基于高光谱成像监测茶树扦插苗生长的方法及系统

【技术实现步骤摘要】
一种基于高光谱成像监测茶树扦插苗生长的方法及系统


[0001]本专利技术属于计算机视觉领域，具体涉及一种基于高光谱成像监测茶树扦插苗生长的方法及系统
。

技术介绍

[0002]茶树（
Camellia sinensis (L.) O. Kuntze.
）是一种重要的经济作物
。
由于自然条件影响，致使各地区茶树良种繁育速度慢
、
能力差
、
育苗成本高，严重制约了茶树良种产业化水平
。
茶树扦插苗新梢和根系的生物量是衡量茶树良种繁育水平的一个重要指标，它能判定扦插苗长势情况
。
[0003]目前，传统的茶树扦插苗生物量的分析方法，主要通过人工测量，费时费力
。
光学传感器（高光谱
、
多光谱和
RGB
）的快速发展对农业产生了重大影响
。
随着高通量表型的技术，我们能够从图像数据中提取有用的表型特征
。
在近些年来，研究人员已经提出了多种机器学习的方法将高通量数据与作物生理生化参数相关联
。
与传统方法相比，高通量系统能够以更高效
、
准确和无损的方式提供感兴趣的植物特征
。
有利于在茶树育种与良种繁育过程中，快速准确的获取信息，加速繁育速率
。

技术实现思路

[0004]本专利技术提供了一种基于高光谱成像监测茶树扦插苗生长的方法及系统
。
本专利技术首先利用
Mask R
‑
CNN
提取新梢和母叶的光谱值，然后，利用
MSC、S
‑
G
和1‑
D
对光谱进行预处理，并且通过
UVE、CARS
和
SPA
筛选敏感波段，最后，提出一种
CNN
‑
GRU
网络用于估计扦插苗新梢和根系的生物量，并且与
SVM、RF、PLS
三种机器学习方法和
CNN、LSTM
两种深度学习方法进行比较
。
[0005]为实现上述专利技术目的，本专利技术采用以下技术方案予以实现：本专利技术提供了一种基于高光谱成像监测茶树扦插苗生长的方法及系统，包括以下步骤：
S1
：采集茶树扦插苗数据；
S2
：将步骤
S1
的茶树扦插苗数据进行光谱反射率的提取；
S3
：结合提取的光谱反射率对光谱进行预处理；
S4
：对预处理后的光谱进行光谱特征波段的筛选；
S5
：结合步骤
S2、S3
和
S4
的处理结果，利用
CNN
‑
GRU
进行数据建模，并对其进一步验证
。
[0006]进一步的，所述步骤
S1
中采集茶树扦插苗数据的步骤为：
S11
：茶树扦插苗新梢和根系生物量的测定；
S12
：高光谱数据的采集；
S13
：黑白校正和标准化处理
。
[0007]进一步的，所述步骤
S12
中高光谱相机具有像素为：
1101
×
960
（空间
×
光谱）像素
。
[0008]进一步的，所述步骤
S2
是基于
Mask R
‑
CNN
自动提取母叶和新梢光谱的方法，具体步骤为：
S21
：将采集的图像进行数据扩增；
S22
：利用
Labelme
软件（
MIT USA
）对图像进行手动标记并分类；
S23
：标签数据保存在与原始照片对应的
JSON
文件中；
S24
：将标签数据的
JSON
格式转换为
COCO
数据集格式，并将其输入神经网络进行训练；
S25
：高光谱数据的提取，并将提取的所有像素的光谱反射率求平均值
。
[0009]进一步的，所述步骤
S3
光谱预处理所利用的算法包括
MSC
算法
、S
‑
G
算法和一阶导数（1‑
D
）
。
[0010]进一步的，所述步骤
S4
光谱特征波段的筛选所利用的算法包括
SPA、CARS
和
UVE。
[0011]进一步的，所述步骤
S5
是利用
CNN
‑
GRU
进行数据建模，并对其进一步验证，具体步骤为：
S51
：首先利用
CNN
进行高光谱数据的特征提取；
S52
：将高光谱数据和生物量数据输入到
5*5
的滤波器进行卷积，连续卷积4次，经过平均池化
、
序列展开，扁平化后，输入到
GRU
网络；
S53
：经过3次门控循环，最后将预测的数据输入到全连接层，并由回归器输出；
S54
：分别将新梢和母叶光谱数据和新梢
、
根系生物量建立回归模型；
S55
：采用十折交叉验证，将数据集分成
10
份，轮流将其中9份作为训练数据，1份作为测试数据，重复三次，然后将结果求平均值；
S56
：采用确定系数（
R2）
、
均方根误差（
RMSE
）
、
归一化均方根误差（
NRMSE
）和相对分析误差（
RPD
）评估模型的性能；
S57
：采用精准率，召回率和
F1
分数评价
Mask R
‑
CNN
模型提取光谱信息的性能
。
[0012]进一步的，所述步骤
S54
所利用的6种方法是：3种机器学习的方法（
SVM、RF
和
PLS
）和2种深度学习的方法（
CNN
和
LSTM
）与
CNN
‑
GRU
网络
。
[0013]本发现还提供了一种基于高光谱成像监测茶树扦插苗生长的方法及系统，包括：采集系统，包括成像光谱相机
、
卤素灯线光源
、
计算机等部件
。
用来采集茶树扦插苗数据；处理系统，执行以下操作：将采集到的数据输入到深度学习和机器学习的神经网络中，并进行光谱反射率提取
、
光谱的预处理
、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于高光谱成像监测茶树扦插苗生长的方法及系统，其特征在于，包括以下步骤：
S1
：采集茶树扦插苗数据；
S2
：将步骤
S1
的茶树扦插苗数据进行光谱反射率的提取；
S3
：结合提取的光谱反射率对光谱进行预处理；
S4
：对预处理后的光谱进行光谱特征波段的筛选；
S5
：结合步骤
S2、S3
和
S4
的处理结果，利用
CNN
‑
GRU
进行数据建模，并对其进一步验证
。2.
根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统，其特征在于，所述步骤
S1
中采集茶树扦插苗数据的步骤为：
S11
：茶树扦插苗新梢和根系生物量的测定；
S12
：高光谱数据的采集；
S13
：黑白校正和标准化处理
。3.
根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统，其特征在于，所述步骤
S12
中高光谱相机具有像素为：
1101
×
960
（空间
×
光谱）像素
。4.
根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统，其特征在于，所述步骤
S2
是基于
Mask R
‑
CNN
自动提取母叶和新梢光谱的方法，具体步骤为：
S21
：将采集的图像进行数据扩增；
S22
：利用
Labelme
软件（
MIT USA
）对图像进行手动标记并分类；
S23
：标签数据保存在与原始照片对应的
JSON
文件中；
S24
：将标签数据的
JSON
格式转换为
COCO
数据集格式，并将其输入神经网络进行训练；
S25
：将提取到的高光谱数据的所有像素的光谱反射率求平均值
。5.
根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统，其特征在于，所述步骤
S3
光谱预处理所利用的算法包括
MSC
算法
、S
‑
G
算法和一阶导数（1‑
D
）
。6.
根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统，其特征在于，所述步骤
S4

【专利技术属性】
技术研发人员：王玉，徐阳，李赫，丁兆堂，范凯，毛艺霖，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：