一种油菜水分胁迫的无损检测方法
【技术领域】
[0001] 本发明涉及一种基于可见光-近红外反射光谱、多光谱图像、红外温度和环境信 息的作物水分胁迫检测技术，特指一种油菜水分胁迫的无损检测方法。
【背景技术】
[0002] 油菜是中国最重要的油料作物，同时也是需水较多的作物，水分胁迫使油菜生长 发育产生生理障碍，导致其产量降低，并影响菜籽的品质。因此，快速诊断植株的缺水状况， 科学精确地指导灌溉，合理有效地利用有限的水资源，保证油菜的优质高产，成为亟需解决 的问题。
[0003] 目前作物水分胁迫的无损检测主要是基于反射光谱、视觉图像和冠层温度检测技 术。基于光谱技术的无损诊断方法，通常采用点源采样方式，获取的是线阵信息，尽管通过 多谱段组合特征能够反演作物水分信息，但是由于受作物的冠层结构、背景、大气窗口、光 照对光谱反射特性的影响，无法体现整个冠层区域的光反射特性差异。视觉传感器具有较 高的分辨率和较大的视场范围，通过图像分割技术能够去除背景等因素的影响，克服了光 谱法测试范围较小和对测试部位要求较严格的缺点，因此可获得较多的作物信息，但传统 的视觉传感器通常存在着光谱分辨率较低的问题，对于水分诊断主要还是基于近红外的纹 理特征，且目前的研宄主要集中在基于叶片图像的特征，难以反映植株全貌。同时，较少有 从多光谱图像特征信息及冠层的分布信息来进行探测。这些方法同样不可能有效地解决冠 层结构、背景及光照等环境作用的影响，很难得到普适性的检测模型。作物的冠层温度变化 与水分状况密切相关，在使用红外测温仪测量冠层温度，以及作物水分状况、施肥对冠层温 度的影响等方面已有一些相关发明专利，但受个体差异和环境温湿度的影响较大，检测精 度普遍不高。
【发明内容】
[0004] 针对目前作物水分胁迫的反射光谱、视觉图像和冠层温度等单一检测手段存在的 不足，并考虑到光强、环境温湿度等环境因子对检测的影响，本发明目的是通过多信息融合 技术来实现对作物水分胁迫进行探测。
[0005] 为实现上述目的，本发明一种油菜水分胁迫的无损检测方法按照下述步骤进行：
[0006] (1)多特征信息采集；
[0007] (2)多特征分类提取；
[0008] (3)特征参数的误差修正；
[0009] (4)主成分分析；
[0010] (5)多特征模型的建立；
[0011] (6)利用多特征模型检测油菜含水率并判断是否发生水分胁迫。
[0012] 其中所述的多特征信息采集是指利用多光谱成像仪、光谱仪和红外热成像仪，采 集油菜冠层的可见光-近红外多光谱图像、反射光谱和冠层温度分布热成像信息；利用光 照、温湿度传感器检测油菜冠层光强和环境温湿度信息。
[0013] 其中所述的多特征分类提取是指①利用图像融合运算，提取多光谱图像的均值、 归一化比值特征和分量均值特征；②利用分段逐步回归的方法提取油菜含水率的反射光谱 特征波长；③提取冠层的红外热成像温度分布信息和环境温湿度信息，并求得冠-气温差 和大气饱和水汽压，建立冠-气温差模型，进而得到油菜的水分胁迫指数特征。
[0014] 其中所述的特征参数的误差修正是指利用冠层光强修正油菜冠层光谱反射率特 征参数。
[0015] 其中所述的主成分分析是指采用主成分分析法，将油菜冠层多光谱图像、反射光 谱和冠层温度分布热成像等多特征数据作为输入进行主成分分析，提取最优变量作为BP 神经网络的输入层参数，即作为油菜含水率多特征模型的输入变量。
[0016] 其中所述的多特征模型的建立是指利用三层BP神经网络建立油菜含水率的多特 征检测模型。按照以下步骤进行①将主成分分析的输出变量作为BP神经网络的输入；② 通过对不同隐含层单元数BP网络模型的平均绝对误差和相关系数分析得到隐含层的单元 数；③选择网络的输入节点数为6 ;采用单隐含层的3层网络结构，隐含层单元数为10 ;训 练的学习速率为〇. 47,学习误差为0. 01，最大训练次数为2000次对样本进行训练，建立油 菜含水率多特征模型；④利用样本采集时同时获取的36个样本的数据，对油菜含水率多特 征模型进行验证。
[0017] 本发明的效果是：利用多特征检测油菜水分胁迫能够综合视觉图像、反射光谱和 冠层温度分布等多特征优势，与光谱、图像和冠层温度等单一检测方法相比，能够有效提高 检测精度精度，且对环境的适应性明显增强。通过获取油菜冠层的反射光谱、多光谱图像 和热成像数据，提取多光谱图像的均值、归一化比值特征和分量均值特征；利用分段逐步回 归的方法提取油菜含水率的反射光谱特征波长；提取冠层的温度分布信息和环境信息，并 求得冠-气温差和大气饱和水汽压，进而得到油菜的水分胁迫指数特征；为了克服变量间 的多重共线性，对多特征进行主成分分析，并将主成分变量作为输入变量，建立3层网络结 构，隐含层单元数为10的油菜水分胁迫的BP神经网络模型，BP网络法模型的预测值与实 测值的平均绝对误差为3. 33 %，平均相对误差为4. 92 %，相关系数为0. 93,均方差为3. 91。
【附图说明】
[0018] 图1一种油菜水分胁迫的无损检测方法的流程图；
[0019] 图2不同含水率水平油菜的光谱曲线；
[0020]图3不同发育期油菜图像特征与含水率的相关系数；
[0021] 图4油菜冠层图像特征值与含水率的关系；
[0022] 图5不同含水率的油菜的冠层图像；
[0023] a.含水率85 %油菜样本；b.含水率75 %油菜样本
[0024] 图6油菜冠-气温差与大气饱和水汽压（VPD)的关系模型；
[0025] 图7含水率特征变量主成分数与特征值变化曲线；
[0026]图8油菜含水率多特征模型的预测值与实测值。
【具体实施方式】
[0027] 下面结合附图对本发明进行详细的描述。
[0028] 本发明一种油菜水分胁迫的无损检测方法所采用的仪器包括光谱仪、多光谱成像 仪、红外热成像仪以及环境光照和温湿度信息等采集仪器。其中光谱仪采用美国ASD公 司生产的FieldSpcc? 3型手持便携式光谱分析仪；该仪器光谱测量范围350-2500nm;在 350-1000nm光谱区采样间隔为1. 4nm，分辨率为3nm;在1000-2500nm光谱区采样间隔为 2nm，分辨率为10nm;多光谱成像仪采用MS-3100型多光谱累进扫描数字式摄相机，MS-3100 采用3CCD图像传感器，成像光谱范围为400-1 lOOnm，最高分辨率为1392(H) X 1040 (V)像 素，能够同步获取R、G、B和NIR各独立通道图像，实现高质量的油菜冠层图像的采集。红 外热成像仪采用美国Fluke公司的TI50型红外热成像仪测量油菜冠层温度和环境温度信 息，温度采集精度为〇. 〇7°C。环境湿度测量采用HT601A型温湿度记录仪，相对湿度测量精 度为5%。
[0029] 分四个水平培养不同水分胁迫的油菜样本，植株含水率测定采用干湿重法，用分 析天平称取样本质量，将采集样本分别装入保鲜袋带回，先恒温100°c烘干1小时，再恒温 80°C进行12小时烘干处理，测量其干质量，求算样本含水率
[0_
【主权项】
1. 一种油菜水分胁迫的无损检测方法，其特征在于：按照下述步骤进行： (1) 多特征彳目息米集； (2) 多特征分类提取； (3) 特征参数的误差修正； (4) 主成分分析； (5) 多特征模型的建立； (6) 利用多特征模型检测油菜含水率并判断是否发生水分胁迫。
2. 根据权利要求1所述的一种油菜水分胁迫的无损检测方法，其特征在于：步骤（1) 所述的多特征信息采集是指利用多光谱成像仪、光谱仪和红外热成像仪，采集油菜冠层的 可见光-近红外多光谱图像、反射光谱和冠层温度分布热成像信息；利用光照、温湿度传感 器检测油菜冠层光强和环境温湿度信息。
3. 根据权利要求1所述的一种油菜水分胁迫的无损检测方法，其特征在于：步骤（2) 所述的多特征分类提取是指①利用图像融合运算，提取多光谱图像的均值、归一化比值特 征和分量均值特征；②利用分段逐步回归的方法提取油菜含水率的反射光谱特征波长；③ 提取冠层的红外热成像温度分布信息和环境温湿度信息，并求得冠气温差和大气饱和水汽 压，建立冠气温差模型，进而得到油菜的水分胁迫指数特征。
4. 根据权利要求1所述的一种油菜水分胁迫的无损检测方法，其特征在于：步骤（3) 所述的特征参数的误差修正是指利用冠层光强修正油菜冠层光谱反射率特征参数。
5. 根据权利要求1所述的一种油菜水分胁迫的无损检测方法，其特征在于：步骤（4) 所述的主成分分析是指采用主成分分析法，将油菜冠层多光谱图像、反射光谱和冠层温度 分布热成像等多特征数据作为输入进行主成分分析，提取最优变量作为BP神经网络的输 入层参数，即作为油菜含水率多特征模型的输入变量。
6. 根据权利要求1所述的一种油菜水分胁迫的无损检测方法，其特征在于：步骤（5) 所述的多特征模型的建立是指利用三层BP神经网络建立油菜含水率的多特征检测模型。 按照以下步骤进行①将主成分分析的输出变量作为BP神经网络的输入；②通过对不同隐 含层单元数BP网络模型的平均绝对误差和相关系数分析得到隐含层的单元数；③选择网 络的输入节点数为6 ;采用单隐含层的3层网络结构，隐含层单元数为10 ;训练的学习速率 为0. 47,学习误差为0. 01，最大训练次数为2000次对样本进行训练，建立油菜含水率多特 征模型；④利用样本采集时同时获取的36个样本的数据，对油菜含水率多特征模型进行验 证。
【专利摘要】本发明涉及一种作物水分胁迫的无损检测方法，特指利用多特征信息进行油菜含水率检测的方法。本发明利用光谱仪、多光谱成像仪和热成像仪获取油菜冠层的多特征信息，利用温湿度、光照传感器获取油菜生长的环境信息；通过对油菜水分的光谱、图像和冠层温度分布特征进行分类提取，得到油菜含水率的光谱特征波长，多光谱图像均值、归一化比值和分量均值特征以及水分胁迫指数特征；对特征变量进行误差修正和主成分分析，得到最优多特征空间；利用BP神经网络建立油菜含水率的多特征检测模型，模型预测值与实测值的平均绝对误差为3.33%，相关系数R为0.93。该方法相对于光谱、图像和冠层温度等单一检测方法相比，精度有显著提高，且对环境的适应性明显增强。
【IPC分类】G01N21-31, G01N21-84
【公开号】CN104697943
【申请号】CN201410629922
【发明人】张晓东, 左志宇, 毛罕平, 孙俊, 高洪燕, 张红涛
【申请人】江苏大学
【公开日】2015年6月10日
【申请日】2014年11月10日