本发明专利技术公开了一种樱桃树冠层树枝生长状态的检测方法，包括以下步骤：(1)分别采集若干个不同生长状态的樱桃树冠层树枝样本的近红外图像；(2)对近红外图像进行快速傅里叶变换，得到近红外图像的二维空间频率谱，将该二维空间频率谱分为10～25个等面积的圆环，并求得每个圆环的频率谱值；(3)遍历所有樱桃树冠层树枝样本，分别得到与每个樱桃树冠层树枝样本相对应的频率谱值；所述频率谱值为输入，以对应的樱桃树冠层树枝样本的生长状态为输出，建立模型；(4)获取与待测樱桃树冠层树枝相对应的频率谱值，代入所述模型，得到待测樱桃树冠层树枝的生长状态。本发明专利技术可实现对樱桃树冠层树枝生长状态进行快速、准确的检测。
【技术实现步骤摘要】
本专利技术属于果树生长状态的检测方法领域，尤其涉及。
技术介绍
作物的生长离不开光合作用的影响，其中作物冠层的结构影响着作物对光的截获以及光在果园中的分布情况，因此直接影响着果实的产量高低。果实每单位面积的产量已被证明与作物对光的截获存在着正相关，光截获以及光分布的不均匀，均会减小果实的大小、降低果实的产量和质量。提高光截获量的方法有高密度种植，保持合适大小和形状的树冠结构，以及提高叶面积指数等，其中对作物冠层结构的合理优化已成为果园管理的一项重要技术指标。作物冠层结构主要受剪枝技术的影响，因此高效精确地对作物的生长状态 进行检测，进行合理的剪枝，是对作物冠层结构合理化管理的前提条件。目前在国内，对作物生长状态检测的手段相对落后，绝大部分靠农民的经验进行判断，这种主观评定方法受个人经验、环境等条件的影响，其客观性、准确性较差，同时需要消耗大量的人力、物力。国内外有报导采用光谱反射信息、透射信息等对作物的冠层结构进行反演，但是由于光谱技术的局限性，结果容易受作物的不同品种、生长的不同阶段以及冠层差异的影响较大。杨长明等采用光谱辐射仪对处于同一生长状态的不同株型水稻品种的冠层光谱辐射能进行观测，结果显示不同株型水稻品种的冠层光谱反射率存在明显的差异(可参见杨长明，杨林章，韦朝领，丁超尘.2002. “不同品种水稻群体冠层光谱特征比较研究”应用生态学报13,689-692.)。吴春霞等对棉花冠层的反射特征进行研究，结果表明处于同一生长状态的不同棉花品种冠层光谱反射率存在差异，并且在不同的生育期差异较明显(可参见吴春霞，任岗，赵俊荣，白丽，白书军.2008.“基于高光谱技术的棉花冠层反射特征研究”农业与技术4，56-60.)。
技术实现思路
本专利技术的目的在于提供一种基于多光谱成像技术的樱桃树冠层树枝生长状态的检测方法，解决了樱桃树冠层树枝生长状态的检测过程中误差大，受叶片、冠层形状以及品种影响大的问题。一种樱桃树冠层树枝生长状态检测方法，包括以下步骤(I)分别采集若干个不同生长状态的樱桃树冠层树枝样本的近红外图像；(2)对近红外图像进行快速傅里叶变换，得到近红外图像的二维空间频率谱，将该二维空间频率谱分为10 25个等面积的圆环，并求得每个圆环的频率谱值；(3)遍历所有樱桃树冠层树枝样本，分别得到与每个樱桃树冠层树枝样本相对应的频率谱值；所述频率谱值为输入，以对应的樱桃树冠层树枝样本的生长状态为输出，建立模型；(4)根据步骤(I)和(2)获取与待测樱桃树冠层树枝相对应的频率谱值，代入所述模型，得到待测樱桃树冠层树枝的生长状态。所述近红外图像是在波长为780 IlOOnm的近红外波段获取的图像，所述樱桃树为处于生长旺盛期的樱桃树，树龄超过I年的樱桃树在每年3 9月份即为其生长旺盛期。 所述步骤(I)中，楼桃树冠层树枝的生长状态可划分为三类未充分剪枝(under-pruning)状态,适宜剪枝(premium-pruning)状态,过度剪枝(over-pruning)状态，其中，未充分剪枝状态是指樱桃树冠层树枝过长或者过密，不利于光截获的状态；适宜剪枝状态是指樱桃树冠层树枝长度、密度适宜，有利于光截获的状态；过度剪枝状态是指樱桃树冠层树枝过短或过于稀疏，不利于光截获的状态。标定樱桃树冠层树枝生长状态的原则如下主、侧枝的延长枝，生长量一般达到40 50厘米时,适宜减去的范围是1/4 1/3,同时，叶片覆盖率宜保持在60 75%,长势较弱的骨干枝的延长枝,宜适当长留，以增加其总生长量，对强旺枝上的其余分枝，特别是背上的直立枝，可只留3 5cm进行重短截。若修剪量过多则为过度剪枝状态，修剪量过少则为未充分剪枝状态，修剪量适中则为适宜剪枝状态。所述步骤(I)中，所述樱桃树冠层树枝样本应尽可能多的涵盖三种不同生长状态的樱桃树冠层树枝结构，才可对待测的樱桃树冠层树枝生长状态具有良好的预测效果，但是样本数量过多会为样本的采集、模型的校正带来较大的工作量，所述樱桃树冠层树枝样本的数量优选为60 90个，而且三种生长状态的樱桃树冠层树枝样本数量一致，在此条件下，不仅能够保证预测模型的精度，而且可以节省人力成本。所述步骤(I)中，采集的图像为樱桃树冠层树枝样本的近红外图像，相对于可见光谱图像，采集近红外图像进行步骤(2)中所述快速傅里叶变换，效果更优。所述步骤(I)中，为了获取更为清晰、准确的近红外图像，进而提取更为精确的近红外图像纹理特征信息，所述近红外图像的分辨率优选为1920X1080，近红外图像的采集距离优选为2 3m，即采集图像的探头与樱桃树冠层树枝样本之间的距离为2 3m。所述步骤(2)中，图像的形状及纹理在图像空间中具有一定的发生频率，因此可以对图像进行频谱分析来提取图像的纹理特征信息，本专利技术利用快速傅里叶变换，把空间域信号变换到频域，得到近红外图像的二维空间频率谱，并将所述二维空间频率谱分为10 25个的圆环，求得每个圆环的频率谱值(可参见方如明，蔡健荣.1999，计算机视觉技术及其在农业工程中的应用.清华大学出版社45-47.)，每个圆环的频率谱值即可反映出图像的纹理特征信息。所述步骤(2)中，为了进一步确保樱桃树剪枝的图像纹理特征信息提取的完整性和精确性，同时节省模型的运算时间，圆环的数目优选为20个。所述步骤(3)中，樱桃树冠层树枝样本的生长状态通过标定樱桃树冠层树枝生长状态的原则来确定。所述步骤(3)中，为了提高模型预测的准确性，优选基于多元回归算法建立所述校正模型；所述多元回归算法为偏最小二乘回归法算法、主成分回归算法、逐步回归算法、人工神经网络算法或支持向量机算法；更优选为人工神经网络算法，由于本模型中输入值和输出值之间的关系相对复杂，样本数量大，而人工神经网络具有自学习能力，可通过学习提高分析精度，在样本数量大、关系复杂的模型建立方面更有优势，同时人工神经网络算法具有抗干扰、抗噪声能力以及非线性转换能力强的优点；最优选为三层BP神经网络算法。所述步骤(3)中，所述多元回归算法为人工神经网络算法，所述人工神经网络算法为三层BP神经网络算法时，所述三层BP神经网络的隐含层结点数优选为9 15，隐含层结点数的选择关系到人工神经网络模型预测的准确性，若隐含层的神经元结太少，模型的可靠性就会降低，网络结点数过多，可能使网络训练无穷无尽，还会导致网络不能识别新样本模式。所述步骤(4)中，待测樱桃树近红外图像采集时，必须同获取樱桃树剪枝样本近红外图像所采用的方法保持一致，即图像采集的分辨率、采集距离，应该保持一致。本专利技术采用多光谱成像技术获取樱桃树冠层树枝图像，并利用快速傅里叶变换对图像进行处理，得到的图像纹理信息不受叶片形状等的影响，可实现对樱桃树冠层树枝生长状态进行实时、快速、准确、非破坏性的检测，同时为实现樱桃树及其他果实剪枝的自动·化操作提供了前提条件，可降低劳动力成本，具有极强的适用性、经济性和应用价值。附图说明图I为本专利技术实施例中近红外图像经快速傅里叶变换后得到的二维空间频率谱图；图2为本专利技术实施例中20个等面积圆环的总面积在近红外图像中的示意图。具体实施例方式本专利技术用于检测樱桃树冠层树枝生长状态的系统包括可见及近红外多光谱成像仪和计算机，可见及近红外多光谱成像仪与计算机之间通过图象采集卡传输数据本文档来自技高网...
【技术保护点】
一种樱桃树冠层树枝生长状态的检测方法，其特征在于，包括以下步骤：(1)分别采集若干个不同生长状态的樱桃树冠层树枝样本的近红外图像；(2)对近红外图像进行快速傅里叶变换，得到近红外图像的二维空间频率谱，将该二维空间频率谱均匀地分为10～25个等面积圆环，并求得每个圆环的频率谱值；(3)遍历所有樱桃树冠层树枝样本，分别得到与每个樱桃树冠层树枝样本相对应的频率谱值；以所述频率谱值为输入，以对应的樱桃树冠层树枝样本的生长状态为输出，建立模型；(4)根据步骤(1)和(2)获取与待测樱桃树冠层树枝相对应的频率谱值，代入所述模型，得到待测樱桃树冠层树枝的生长状态。
【技术特征摘要】
【专利技术属性】
技术研发人员：邵咏妮，何勇，
申请(专利权)人：浙江大学，
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。