【技术实现步骤摘要】
本专利技术涉及红枣叶绿素含量检测。具体地说是一种红枣叶片叶绿素含量的无损检测方法。
技术介绍
1、叶绿素是植物光合作用的重要组成部分，与植物的生长状况和健康状态密切相关。对农作物的叶绿素含量进行监测可以帮助农业决策者了解作物的生长情况，优化农业生产管理策略。通过叶绿素反演，可以及时调整施肥、灌溉和病虫害防治等措施，提高农作物产量和质量。叶绿素反演为监测和管理生态系统、农业生产、环境保护等提供了一种高效、非破坏性的手段，对于可持续发展和环境保护具有重要意义。红枣作为一种重要的农产品，对中国新疆维吾尔自治区的农业经济贡献显著。产业的兴起和发展带动了相关产业链，而由于新疆维吾尔自治区不断推进大农场经济以及人力成本上升、相关专家缺少等相关因素以及智慧农业、精准农业的不断发展，无损且便捷的检测相应作物与产量相关的数据来实现增产增效是符合如今农业生产的发展潮流，且是切实需求的。
2、通过光谱数据进行的相关研究是是一种非侵入性、非破坏性的分析方法，广泛应用于各领域。这种方法通过测量目标物体或样本对不同波长光的吸收、反射或透射特性，然后利用这些光谱信息来获取目标物体的性质、成分或状态。在农业领域中，通过获取植物叶片的光谱数据，对植被的健康状况、叶绿素含量、水分含量等进行评估。这有助于实现精准农业管理，包括施肥、灌溉和病虫害监测。反演叶绿素含量通常是通过图像处理中的遥感技术实现的，其中涉及到颜色通道的反演和处理。而通常的rgb图像相较于光谱数据更加容易获取且更加便捷，因此使用颜色通道数据作为自变量进行研究高效无损快捷。christin
3、正常的机器学习算法在现如今的许多问题中由于泛化性、鲁棒性等问题的存在导致无法取得良好的结果，而深度学习方法存在样本数的需求、训练速度等问题，相应需求较高。而集成学习具有较好的泛化性、鲁棒性、灵活多样性、并行性等优点，能较好的解决许多问题。xiaowan chen等人使用遗传算法与偏最小二乘回归相结合的反射光谱法对高光谱特征和叶绿素进行了定量分析并得出了相较于原方法得到明显提高的结果。mohammadm.hasan等人利用测距/微多普勒特征结合r-pca+svm方法对无人飞行器目标分类的超参数调整进行调整，最终得到了98％的高准确率。yao li等人使用混合cnn-rf模型对沱江流域实际蒸散量进行了估算，并在aet与气温和降水的相关系数上分别取得了0.925和0.79的较高精度。chang shuran等人通过灰色关系分析，使用改进型的pso-svm模型对乳腺癌进行诊断和预测并得出了gp-svm模型效果更好的结果。riccardo trinchero等人使用ls-svm和gp回归对受多个不确定参数影响的电源转换器电磁干扰进行不确定性量化，最终证明了模型的可行性和准确性。但目前已有的叶绿素含量检测方法若直接用于红枣叶片的叶绿素含量测定时，其准确性和稳定性仍有待进一步提高。
技术实现思路
1、为此，本专利技术所要解决的技术问题在于提供一种红枣叶片叶绿素含量的无损检测方法，以解决现有的叶绿素含量检测方法的准确性和稳定性不理想的问题。
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、一种红枣叶片叶绿素含量的无损检测方法，包括如下步骤：
4、步骤(1)、采集高光谱数据、叶片图像数据和叶绿素相对含量数据；
5、步骤(2)、对步骤(1)采集的高光谱数据和图像数据进行预处理；
6、步骤(3)、进行敏感特征提取，提取敏感波段和敏感颜色通道；
7、步骤(4)、结合提取得到的敏感特征，构建叶绿素含量反演模型，并根据得到的模型进行叶绿素含量的测定。
8、上述红枣叶片叶绿素含量的无损检测方法，步骤(1)中，高光谱数据、叶片图像数据和叶绿素相对含量数据同步采集；高光谱数据采用fieldspec handheld 2光谱仪进行采集；叶片图像数据采用canon eos 800d拍摄，使用2420万像素aps-c画幅cmos传感器，aps-c画幅为22.3×14.9mm，digic 7影像处理器，对焦点数45点，测光方式为评价测光、局部测光、中央重点测光、点测光，感光度：iso 100-25600，取景器类型为光学；图像采集时，将叶片放置于摄影暗箱中进行图像的采集，使用的暗箱尺寸为80cm，灯光色温为白光，背景板使用白纸覆盖并进行拍摄；叶绿素相对含量数据采用spad-502plus chlorophyll meter进行测定；使用五点采样法，取红枣叶片并避开相应的叶脉进行测量，取5次数据的平均值作为红枣叶片的叶绿素相对含量值。
9、上述红枣叶片叶绿素含量的无损检测方法，步骤(2)中，高光谱数据的预处理方法为：使用viewspecpro软件对光谱原数据进行读取和导出，并使用viewspecpro软件与代码对获得的光谱原数据进行一阶导数与二阶导数的计算获取；图像数据的预处理方法为：对图像颜色通道数据提取红r、绿g、蓝b、色调h、饱和度s和亮度v、明度l、从绿色到红色的分量a、从蓝色到黄色的分量b、青色c、magenta m、yellow y共12个特征变量；光谱原数据与图像数据的比例为4：1；对图像数据进行数据增强至对应采集的光谱数据量。
10、上述红枣叶片叶绿素含量的无损检测方法，步骤(2)中数据的预处理还包括数据的降噪和清洗处理；对于光谱原数据：先采用sg平滑算法进行数据处理，然后再对处理后的数据进行一阶导数与二阶导数的处理，最后再进行孤立森林算法的处理；对于图像本文档来自技高网...
【技术保护点】
1.一种红枣叶片叶绿素含量的无损检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(1)中，高光谱数据、叶片图像数据和叶绿素相对含量数据同步采集；高光谱数据采用FieldSpec HandHeld 2光谱仪进行采集；
3.根据权利要求2所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(2)中，高光谱数据的预处理方法为：使用ViewSpecPro软件对光谱原数据进行读取和导出，并使用ViewSpecPro软件与代码对获得的光谱原数据进行一阶导数与二阶导数的计算获取；
4.根据权利要求3所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(2)中数据的预处理还包括数据的降噪和清洗处理；对于光谱原数据：先采用SG平滑算法进行数据处理，然后再对处理后的数据进行一阶导数与二阶导数的处理，最后再进行孤立森林算法的处理；对于图像颜色通道数据：先进行一阶导数和二阶导数的处理，然后进行孤立森林算法的处理。
5.根据权利要求1所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步
6.根据权利要求5所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(3)中，敏感特征波段的为近红外光谱波段或红光波段；敏感颜色通道为绿色G、明度L和从绿色到红色的分量a。
7.根据权利要求6所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，近红外光谱波段的波段号为：波段号1014、1015、1023、1044、1006、1018、1024、1032、1007、1029、1017、1013和992；红外波段的波段号为：656、655、654、652、651、490、498、492、491、497、489、721、723、722和720。
8.根据权利要求1所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(4)中，采用BP神经网络算法、岭回归算法和RF算法中的任意两种或两种以上的算法结合进行叶绿素相对含量反演模型的构建。
9.根据权利要求8所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(4)中，采用BP神经网络算法、岭回归算法和RF算法三种算法相结合进行叶绿素相对含量反演模型的构建。
10.根据权利要求4所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(3)中，敏感特征波段的为近红外光谱波段或红光波段；敏感颜色通道为绿色G、明度L和从绿色到红色的分量a；步骤(4)中，采用BP神经网络算法、岭回归算法和RF算法三种算法相结合进行叶绿素相对含量反演模型的构建。
...【技术特征摘要】
1.一种红枣叶片叶绿素含量的无损检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(1)中，高光谱数据、叶片图像数据和叶绿素相对含量数据同步采集；高光谱数据采用fieldspec handheld 2光谱仪进行采集；
3.根据权利要求2所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(2)中，高光谱数据的预处理方法为：使用viewspecpro软件对光谱原数据进行读取和导出，并使用viewspecpro软件与代码对获得的光谱原数据进行一阶导数与二阶导数的计算获取；
4.根据权利要求3所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(2)中数据的预处理还包括数据的降噪和清洗处理；对于光谱原数据：先采用sg平滑算法进行数据处理，然后再对处理后的数据进行一阶导数与二阶导数的处理，最后再进行孤立森林算法的处理；对于图像颜色通道数据：先进行一阶导数和二阶导数的处理，然后进行孤立森林算法的处理。
5.根据权利要求1所述的红枣叶片叶绿素含量的无损检测方法，其特征在于，步骤(3)中，敏感特征提取方法为：使用皮尔逊相关系数方法和偏最小二乘法回归+连续投影法结合进行敏感波段和敏感颜色通道进行提取。
6.根据权利要求5所述的红枣叶片叶绿素含量的无损检测方法，其特...
【专利技术属性】
技术研发人员：李旭，邬竞明，白铁成，吕喜风，朱彩蝶，
申请(专利权)人：塔里木大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。