基于RED-NIR的主动光源叶绿素含量检测装置设计与试验

为了无损和高效地检测作物叶绿素含量,设计了一种采用主动光源的双波长便携式叶绿素含量检测装置,获取作物在红色范围660nm附近的光谱深吸收和近红外850nm附近的光谱强反射特征。采集作物叶片的反射光信号,经转换、调制和放大后,利用灰度标准板拟合反射率,660nm和850nm拟合的校正模型R2分别为0.993、0.979。光源稳定性与抗干扰性测试结果显示,660nm和850nm光源的稳定性均方差分别为0.0079和0.0044,误差率分别为2.378%和1.223%;抗干扰性的均方差分别为0.0099和0.0187,误差率分别为2.000%和4.360%。通过叶绿素浸提溶液配比,设计了叶绿素梯度与双波长反射率的相关性试验,结果显示,660nm和850nm与叶绿素浓度相关系数分别为-0.919和0.272。660nm附近叶绿素对光谱有深吸收的特征,将其作为主要测试波长;850nm附近是叶片结构和以环境光学响应为主,反射光与叶绿素相关性不强,将其作为检测的参比波长。以田间玉米苗期植株为试验对象,利用双波长采集作物反射率,计算归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)和土壤调整型植被指数(SAVI),其与SPAD仪器测量值的相关系数r分别为0.892、0.846、0.867、0.883。基于NDVI、DVI、RVI和SAVI建立SPAD多元线性回归模型,其决定系数R2为0.831。利用该装置提供的模型嵌入功能导入诊断模型可直接输出叶绿素诊断结果,为作物叶绿素含量快速检测提供支持。

基于RGB-NIR图像匹配的作物光谱指数特征可视化分析

归一化植被指数(NDVI)基于可见光的红色波段(630~680nm)和近红外区(780~1 100nm)的反射光谱进行计算,被认为是作物营养与长势诊断的重要指标。为了低成本、快速、无损的检测作物叶绿素含量,计算植株的NDVI并呈现作物的NDVI分布情况,并通过不同角度图像的分析,监测作物营养分布与动态。利用可见光和近红外波段双目成像技术获取图像,在讨论可见光(RGB)和近红外(NIR)图像的匹配算法的基础上,经图像分割与光照影响校正后,针对不同测试角度建立了作物植被指数空间分布图,并对其空间分布特征与影响因素进行了可视化分析。试验利用可见光和近红外双目相机对51株玉米植株,分别在90°,54°和35°视角下同步采集RGB和NIR图像。对RGB和NIR图像分别进行高斯滤波和拉普拉斯算子增强预处理后,选取了SURF,SIFT和ORB共3种图像匹配算法,并首先利用其进行RGB-NIR图像匹配对齐,以匹配时间(Time),峰值信噪比(PSNR),信息熵(MI)和结构相似性(SSIM)4个参数作为匹配性能评价指标,分别从时间、准确性、稳定性三个方面综合确定最优匹配方法。其次,研究玉米植株的分割方法包括超绿算法(ExG)和最大类间方差算法(OTSU),分别实现图像中作物和背景的分离,提取分割后的RGB图像R(Red),G(Green),B(Blue)分量和NIR图像分量。基于HSI颜色模型,提取I分量讨论了光照对图像的影响,并利用多灰度级标准板建立了植株光谱反射率校正线性公式。然后,利用R(Red)和NIR图像分量计算图像中每个像素的NDVI值,绘制作物植被指数的空间分布图,从而对比分析了不同拍摄角度下光谱植被指数的分布特征。通过不同角度图像的NDVI分布情况,展示监测作物植株不同位置的叶绿素分布情况。结果显示,RGB-NIR图像匹配时间SIFT(1.865s)>SURF(1.412s)>ORB(1.121s),匹配准确性上SURF≈SIFT>ORB,匹配稳定性上SURF>SIFT>ORB,综合比较选取SURF为最优匹配算法。采用4灰度级标准板对R,G,B,NIR分量校正模型的R2分别为0.78,0.76,0.74,0.77。90°和35°视角分别展现了作物叶和茎的NDVI植被指数分布情况,可为分析和监测作物的营养分布提供技术支持。

基于作物谱图特征的植株分割与叶绿素分布检测

为了快速感知并分析田间作物生长状况,采用先进的半导体镀膜工艺光谱成像传感器,研究了玉米植株冠层叶绿素含量分布式检测方法。试验采用IMEC 5×5成像传感器,拍摄47株苗期玉米植株冠层,获取673~951 nm范围内的25个波长的光谱图像。实验中,利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量,每株玉米冠层叶片设置2~3个采样点,每点测量3次取平均,共计242个样本数据。对光谱图像数据,经4灰度级标准板提取并校准反射率。为了实现玉米植株与花盆、土壤背景的有效分离,在分析不同对象光谱反射率与图像像素特征的基础上,提出了一种基于谱图特征组合的植株分割方法,即基于植被指数的图像初步分割与区域标记计算的冠层精细分割的植株提取算法。首先,计算各像素点归一化植被指数(NDVI),并开展基于NDVI的植株冠层分割方法分割结果优于基于最大类间方差法的全局阈值自适应分割算法。其次,采用边缘保持中值滤波算法剔除初步分割后图像中存在的噪声点后,基于区域标记算法进行精细分割,获得掩膜并最终得到仅保留玉米植株冠层的光谱图像。分别采用相关分析法(CA)和随机蛙跳(RF)算法选取反射光谱特征波长,并构建750~951 nm近红外(NIR)和673~750 nm红色(R)选中波长集合,遍历NIR和R集合组合计算比值植被指数(RVI),差值植被指数(DVI),归一化植被指数(NDVI)和SPAD转换指数(TSPAD)。然后,再次采用CA和RF算法筛选植被指数,利用SPXY算法将样本按照7∶3比例划分为建模集和验证集,并建立了叶绿素含量指标检测CA+RF-PLSR模型。结果表明,其建模集R^2C为0.573 9, RMSEC为3.84%,验证集R^2V为0.420 2, RMSEC为2.3%。利用建模结果对多光谱图像进行处理,绘制玉米叶片SPAD值伪彩色分布图,实现叶绿素含量分布可视化。研究表明采用镀膜型光谱成像数据,分析对象光谱与图像特征,探讨玉米冠层叶绿素含量分布检测的可行性,可为直观监测作物生长动态提供支持。

基于光饱和影响校正的作物叶绿素分布光谱成像检测

叶绿素含量是作物光合能力与营养评价的重要指标,因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。基于RGB(Red,Green,Blue)和NIR(Near Infrared)多光谱图像的获取,开展玉米作物营养状态分布光谱学成像检测。构建了多光谱图像采集平台获取RGB和NIR图像,研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法,通过图像的匹配分割,冠层的提取校正,建立了基于冠层图像的作物SPAD值检测模型与分布成图。采集15株玉米植株RGB-NIR图像,并同步获取不同植株,不同位置共68个叶绿素含量指标SPAD值。首先对RGB图像进行光饱和校正,再对NIR图像进行滤波和图像增强,其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配,利用RGB图像的颜色特征,采用ExG(Extra Green)和OTSU算法生成分割掩模,对RGB图像和NIR图像进行分割提取,提取图像的R,G,B和NIR分量,利用4阶灰度板进行反射率校正,然后计算作物图像中像素级P SPAD值,并建立图像P SPAD值与叶绿素仪SPAD值的拟合模型,最后绘制作物SPAD分布图。通过HSI(Hue,Saturation,Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围,以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。RGB图像光饱和校正前I分量集中在[140~180]之间,光饱和校正后的RGB图像I分量集中在[85~130]之间,校正了相机成像时产生模糊和RGB图像饱和。对分割后的RGB图像和NIR图像提取R,G,B,NIR分量进行4阶灰度板校正,相关系数分别为0.829,0.828,0.745和0.994,进而生成R,G,B和NIR四波段的反射率伪彩色图像,反射率R NIR>R G>R R>R B。体现了作物的在蓝光和红光区域吸收光,在绿光区域和近红外区域反射光的光谱特性。校正前后的R和NIR分量反射率计算图像P SPAD值拟合叶绿素含量指标SPAD值的模型结果显示,校正前R 2为0.3326,校正后R 2为0.6193,绘制作物的SPAD特征分布图,可为作物的营养动态快速分析与分布检测提供技术支持。

镀膜型光谱成像数据提取与作物叶绿素分布探测研究

为了快速感知并分析田间作物生长状况,采用先进的半导体镀膜工艺的光谱成像传感器,研究镀膜型光谱成像数据的提取与叶绿素含量分布式检测的方法。实验采用基于镀膜原理的IMEC 5×5成像单元式多光谱相机,对47株苗期玉米植株的冠层进行拍摄,获取673~951 nm范围内的25个波长的光谱图像。利用SPAD-520叶绿素仪非破坏性地测量叶绿素含量指标,每株玉米冠层叶片设置2~3个采样点,每点测量3次取平均,共计251个样本数据;同时使用ASD Handheld2型光谱仪采集相应位置区域的反射率曲线,以对比分析镀膜型光谱成像传感器提取玉米植株冠层叶片反射率曲线的特性。首先,在分析镀膜型光谱成像传感器的成像原理的基础上,通过对原始图像的拆分和重组分别提取成像单元中相同波段的像素灰度值,并利用相同波段的像素灰度值重构单波段光谱图像,获取各波段光谱图像。其次,利用4灰度级标准板建立图像灰度值和灰度板反射率之间的线性反演公式,对提取的反射率进行校准。然后,为了准确分割出玉米植株冠层,提出了大津算法(OTSU)和霍夫圆变换组合的玉米植株冠层图像二次分割方法,分别剔除图像中土壤和培养盆背景的干扰。最后,利用马氏距离算法剔除异常样本数据,利用SPXY(sample set partitioning based on joint X-Y distance)算法划分建模集和验证集,采用偏最小二乘回归法(PLSR)建立玉米植株叶绿素含量指标诊断模型,并绘制其分布伪彩色图用于分析叶绿素含量空间分布特征。研究结果表明,①对25波段多光谱图像提取和反射率线性校准拟合模型决定系数均达到0.99以上。分析校准前和校准后与ASD光谱仪测量反射率曲线,镀膜型成像传感器获取玉米冠层反射光谱总体与ASD采集反射率体现的光谱特征一致,且校正后数据比校正前与ASD光谱反射率的一致性得到了提升。②建立初次OTSU分割算法和基于霍夫圆变换识别的二次分割算法,可以有效剔除玉米植株光谱图像中的土壤和培养盆背景噪声的干扰。③叶绿素含量指标PLSR诊断模型建模集R^2C为0.5451,验证集R^2V为0.4726。玉米作物冠层叶绿素分布可视化图可以直观反映叶绿素含量分布与生长动态情况。通过对镀膜型光谱成像传感器应用方法的研究,为后续玉米植株叶绿素动态快速检测奠定基础和提供技术支持。

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法(MC-UVE)和自适应重加权算法(CARS)筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘(PLS)回归模型。建模结果如下:基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。

作物叶片叶绿素动态监测系统设计与试验

为了实现作物生长过程中叶绿素的动态在线监测,设计开发了一款叶绿素在线检测传感器系统。应用可见-近红外(660、880nm)波段光谱检测植物叶绿素含量的体积小、功耗低的模块,通过AD转换电路、数字滤波电路得到叶片反射光数字信号,利用灰度板对反射光信号进行反射率校准,660nm和880nm波段的反射率校正模型的R2分别为0.9996和0.9995;取10个不同等级叶绿素溶液样本共80个,使用国标法检测叶绿素含量后将溶液倒入无纺布开展叶绿素梯度仿真测量。叶绿素检测模块测量双波长反射率后,分别计算归一化差值植被指数(NDVI)和叶绿素指标SPAD指数值。建立相应的叶绿素含量检测数学模型,其决定系数R2分别为0.9557、0.9587。开展活体植株叶绿素检测验证试验,叶片原位光谱测量后,再将叶片剪碎,使用国标法测量叶绿素真实值,检测样本与真实值的相关系数分别为0.8887、0.8745。进而开展在线动态监测试验,实时监测水肥胁迫组和正常水肥管理对照组玉米幼苗植株,监测90h内的叶绿素含量变化,可知,相同管理条件下植株叶绿素含量变化规律大致相同,受水肥胁迫的影响,水肥胁迫组的叶绿素浓度呈下降趋势。证明了传感器系统在线监测作物叶绿素动态的可行性,可为农作物生长与胁迫动态监测提供技术支持。