专利名称：基于光谱技术的农作物内部信息无损检测装置及方法
技术领域：
本发明涉及一种检测技术，特别是涉及一种基于光谱技术的农作物内部信息无损检测装置及方法。
背景技术：
氮肥是影响农作物生长发育和产量品质形成所必需的重要元素。农作物氮素营养的丰缺，会直接影响植物的生长发育，也会对农作物的品质、产量产生影响。目前普遍存在施肥过多，造成地下土壤污染及退化，因此及时准确地监测诊断出农作物氮素状况，进行精确施肥和灌溉，对提高农作物的水肥管理水平和利用效率具有重要意义。传统的测试农作物氮的手段精度低，或会对农作物产生破坏而影响农作物生长，而且在取样、测定、数据分析等方面需要耗费大量的人力、物力，时效性差，不利于推广应·用。现代无损检测技术为实时检测农作物内部信息开辟了一条新的有效途径。农作物氮营养缺乏和过剩会引起农作物生理特性、形态特征的改变，从而引起农作物对光谱的反射特性发生改变。农作物氮素营养的叶片光谱诊断和光谱遥感诊断，便是基于农作物的反射光谱特性会因农作物氮营养水平变化而变化的原理来进行的。20世纪70年代以来，诸多学者进行了一些研究=Serrano (1995)等研究发现农作物在较高的含氮水平下，在蓝色和近红外波谱段有较强的反射率，而在较低含氮水平下，农作物在红色波段的反射率较高。Wood (2003)等人在英国小麦高产栽培经验的基础上，用冠层大小(绿色面积指数GAI或群体密度P)来指示变量施肥，若当前农作物冠层大小(GAI)大于标准值，则施肥量低于标准用量；若当前农作物冠层大小(GAI)小于标准值，则施肥量高于标准用量。Fernandez等发现用红(600nm)和绿(545nm)两波段的线性组合可以预测小麦的氮含量，不受氮肥处理的影响。Lukina (2001)等根据产量与籽粒氮含量的相关关系预测最终的籽粒氮吸收量，从而根据籽粒氮吸收量与植株氮吸收的差值结合氮素利用率来预测施氮量。Thomas等研究了七种植物(甜瓜、玉米、黄瓜、莴苣、高粱、棉花、烟草)在不同氮素营养水平下的叶片光谱特性，发现所有植物在缺氮时其可见光波段的反射率增加，但不同植物其反射率的增加程度不一。反射率与叶绿素和类胡萝卜素含量呈负相关，叶绿素和类胡萝卜素解释了 63. 5-95%的绿光反射率。Bonhanr-Carter等定义了以660—750nm之间一阶微分光谱最大值为“红边”位置，并开始了 “红边”位置与叶绿素等色素关系的研究。Everitt等在杂草和花卉植物的研究中发现，500— 750nm反射率与植物叶片氮含量具有很高的相关性，提出550— 600nm与800— 900nm反射率的比值可以用于监测植物氮素状况。Yoder等在枫树研究中发现，短波红外波段反射率的对数可以监测叶片氮含量。Stone提出用基于671nm和780nm两波段反射率组合的植株-氮-光谱指数来估算小麦植株的全氮含量。Fourty等发现叶片反射模型反演叶片氮素含量效果�。鸩交毓楸挥糜诠馄缀蜕问喙匦缘姆治觯庖丫黄毡榻邮埽ǔさ难≡裨诓煌难芯恐杏凶挪⒎且恢碌那魇啤ercedes等利用归一化植被指数(NDVI)值成功预测冬小麦的氮素营养状况。以上文献表明，农作物氮素等营养状况与农作物的光谱信息存在着相关关系。
我国于80年代中后期相继开展光谱遥感技术研究与应用，发展速度迅速。王纪华等(2004)考察了田间条件下冬小麦主要生育阶段冠层氮素、叶绿素的垂直分布及其光谱响应。在缺肥初期即轻度氮素胁迫时，下层叶片因缺氮而引起早衰，在持续缺肥即中度胁迫时，中下层叶片均明显衰老，田间条件下肉眼可见中下层叶片由深绿变浅绿或变黄，但此时上层叶片很少发生变化。生产上迫切需要拔节期对中下层叶片氮素或叶绿素状况的监测来指导适时和适量施肥，而遥感获取的冠层反射光谱信息中上层叶片的光谱贡献率较大，中下层叶片信息量不足。薛利红(2003)等对水稻的研究发现，叶片氮积累量(单位土地面积上的叶片氮总量)与SlOnm和560nm两波段的比值在整个生育期内都呈极显著线性正相关，而且不受施氮水平以及品种的影响，模拟值与实测值的相关程度在90%以上。王秀珍、王人潮(2002)将微分光谱应用于农学参数测定，存在红边位移的现象，红边参数与上层叶片的叶绿素含量、LAI有着密切的关系，而与叶片中的叶绿素b、类胡萝卜素之间相关性不明显。吕雄杰(2004)等研究了水稻冠层光谱特征及其与LAI的关系，研究结果表明随着施氮量的增加，在近红外部分(710nm-1220nm)，冠层光谱反射率随着施氮水平的提高而升高，而在可见光部分(460nm-680nm)水稻冠层的光谱反射率反而逐渐降低，不同氮肥处理的
水稻LAI随时间变化曲线大致都呈抛物线型，中低水平施氮肥水稻LAI随时间的变化曲线比较平缓，而高水平施氮肥LAI曲线则变化比较剧烈。李映雪、朱艳(2006)等提出冠层光谱反射率在不同施氮水平下存在明显差异，近红外区域若干相邻波段和可见光波段组成的比值植被指数，与单位土地面积上叶片氮积累量的相关关系均表现较好，因此可用760nm、810nm、870nm、950nm和IlOOnm反射率的平均值与660nm组成的比值植被指数对不同蛋白质类型小麦品种的叶片氮积累量进行定量监测。冯雷等(2006)利用光谱技术分析不同养分水平的油菜在生长过程中的光谱反射特征，用包含绿、红和近红外三波段的成像仪对植物叶面氮素营养进行非破坏性检测，认为综合绿、红和近红外三波段的反射率数据的植被指数，能够对油菜营养状态进行快速检测，建立能准确反映植物营养状况的检测模型，通过试验建立了叶绿素仪数值和全氮含量在油菜中的数学关系模型，结果显示，利用绿、红和近红外三通道图像灰度和反射率关系的经验线性标定模型分析得到的油菜植被指数与叶绿素仪数值间的线性相关系数r可以达到0.927。牛铮(2000)采用鲜叶2120、1120特征波段研究含氮量与光谱反射率一阶微分的线性回归；Kokaly (2001)采用干树叶2054、2172特征波段作光谱反射率逐步回归研究含氮量Johnson (2001)针对多种植物的鲜叶,研究近红外光谱与叶子含氮量的关系；王纪华(2003)利用特征波段820-1100、1150-1300研究小麦叶片含氮量的回归分析；张金恒(2004)采用525-605、505-655作为特征波段，研究水稻第一和第三完全展开叶的光谱反射率与叶片含氮量的关系；Huang (2004)采用神经网络方法、逐步回归方法和最小二乘法研究叶片的含氮量的预测模型；Yi (2007)采用多元线性回归和人工神经网络方法，以700、509、383、711、698、1069作为光谱特征波段，研究叶片含氮量。张晓东(2009)对油菜氮素与冠层光谱进行了定量分析，并对水分胁迫及光照影响的修正方法进行了基础研究。综上所述，以往的农作物氮素无损检测模型都是限定于某一个生育期内，构建氮含量的预测模型，对实际使用的时候带来不便，因为使用者得判断当前农作物是处于哪个生育期的。
发明内容
本发明所要解决的技术问题是提供一种基于光谱技术的农作物内部信息无损检测装置及方法，其可以凭借光谱信息自动判断出农作物处于哪个生育期，氮素含量有多少，更加便于使用者使用。本发明是通过下述技术方案来解决上述技术问题的一种基于光谱技术的农作物内部信息无损检测方法，其特征在于，所述基于光谱技术的农作物内部信息无损检测方法包括以下步骤SI、建立知识数据库，对所需测定的农作物，根据其检测标准，先请专业人员对其中一部分样品进行感官评定，或者通过常规的实验室理化分析，测出农作物所处的生育期，以及测的氮素，建立与各农作物样本相关的知识数据库；S2、进行样本测试，在利用光谱仪器对作物进行光谱采集前，进行白板校正和标定；在自然光下，采集农作物冠层图像数据、光谱数据到计算机中；计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征；计算机将采集得到的光谱数据进行与训练样本同样的波段特征提�。患扑慊运崛〉耐枷裉卣�、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来。优选地，所述图像数据包括图像的纹理特征、形态特征、颜色特征。优选地，所述光谱数据在采集时，基于遗传算法的LS-SVM回归算法。本发明还提供一种基于光谱技术的农作物内部信息无损检测装置，其特征在于包括计算机、集成摄像机、光谱仪器、探头、辅助光源、光箱、数据线、农作物、流动分析仪，光谱仪器与流动分析仪连接，流动分析仪、集成摄像机都通过数据线与计算机连接，光谱仪器与探头连接，集成摄像机、光谱仪器、探头、辅助光源、农作物位于光箱内。本发明的积极进步效果在于本发明可以凭借光谱信息自动判断出农作物处于哪个生育期，氮素含量有多少，更加便于使用者使用，实用性强。本发明可以通过图像技术采集得到能反应农作物外观特征，通过光谱技术采集得到能反应农作物内部生理信息的光谱信息，然后与知识数据库中专家知识及之前建立的预测模型结合起来，进行作物生育期及氮素含量预测。本发明可以凭借光谱信息自动判断出作物处于哪个生育期，氮素含量有多少，更加便于使用者使用，实用性强。本发明可以对农作物内部氮素水分信息进行简便、快速、客观的检测，便于作物氮肥管理实施，不但保证作物健康生长，而且也节省了肥料和水资源。
图I为本发明基于光谱技术的农作物内部信息无损检测装置的原理框图。图2为本发明中标准溶液对应的校准直线图。图3为本发明中不同生长期水稻的氮素含量与光谱反射率的相关关系的示意图。图4为本发明中不同生长期水稻的含水率与光谱反射率的相关关系的示意图。图5为本发明中GA-LS-SVM模型回判值与真实值对比图。图6为本发明中LS-SVM模型回判值与真实值对比图。
具体实施例方式下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。如图I所示，本发明基于光谱技术的农作物内部信息无损检测装置包括计算机I、集成摄像机2、光谱仪器3、探头4、辅助光源5、光箱6、数据线7、农作物8、流动分析仪9，光谱仪器3与流动分析仪9连接，流动分析仪9、集成摄像机2都通过数据线7与计算机I连接，光谱仪器3与探头4连接，集成摄像机2、光谱仪器3、探头4、辅助光源5、农作物8位于光箱6内，农作物8可以是具有冠层的农作物，比如水稻等。光谱仪器可以是光谱分析仪。本发明基于光谱技术的农作物内部信息无损检测方法包括以下步骤SI、建立知识数据库，对所需测定的农作物，根据其检测标准，先请专业人员对其中一部分样品进行感官评定，或者通过常规的实验室理化分析，测出农作物所处的生育期，以及测的氮素，建立与各农作物样本相关的知识数据库。对以上已经获知生育期和氮素含量的样本，进行样本训练建模，即计算机利用训练样本进行训练试验，分别建立生育期模型·和各生育期的氮量模型。比如以无土栽培技术培育了不同氮素条件下纯正的水稻样本，在水稻每一生长发育阶段，通过光谱仪器获取水稻冠层光谱信息，采用流动分析仪(比如Bran+Luebbe AA3流动分析仪)测定叶片含氮量，通过集成摄像机采集农作物获取图像数据，得到能反应农作物外观特征(颜色、形状、纹理、尺寸等外观特性)。S2、进行样本测试，在利用光谱仪器对作物进行光谱采集前，进行白板校正和标定；在自然光下，一般选取白天11 :00-13:00之间，采集农作物冠层图像数据、光谱数据，采集到计算机中。计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征。计算机将采集得到的光谱数据进行与训练样本同样的波段特征提取。计算机对所提取的图像特征、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来，本轮测试结束。图像特征、波段特征进行融合时，判断是属于哪个生育期，然后再针对某个特定的生育期进行进一步检测其氮含量。本发明先统计图像数据、光谱数据，然后进行主成份再次分析，优化特征向量，再进行图像数据、光谱数据融合。图像数据包括图像的纹理特征、形态特征、颜色特征；光谱数据在采集时，在光谱数据采用主成份分析等多种算法，包括基于遗传算法的LS-SVM回归算法等算法。光谱数据在采集时，可以首先对光谱信号进行预处理以滤除信号中的噪声，再利用多元线性回归、主成份回归以及支持向量机、神经网络等非线性模型建立农作物生育期预测模型。光谱数据在提取时，也可以首先对光谱信号进行预处理以滤除信号中的噪声，再利用多元线性回归、主成份回归以及支持向量机、神经网络等非线性模型建立各生育期的氮素的定量预测模型。下面举个具体的例子进行说明一、冠层光谱测定通常选择晴朗无云无风天气，于上午10 00—14 00 (太阳高度角大于45° )测定水稻冠层光谱反射率。测量时，光谱仪视场角定为25°，探头朝下，距冠层顶部垂直高度为O. 7m左右(视场直径为O. 31m,光谱取值在冠层范围之内)。以三个光谱为一米样光谱,取其平均值作为该缸的光谱反射率值。测量时及时进行白板校正(标准白板反射率为1，这样所测得的目标物光谱是无量纲的相对反射率)。不同水分、氮素条件下的水稻种植共分9个水平，每一水平8个重复，分别在四个不同的生育期(孕穗期、抽穗期、乳熟期、成熟期)进行冠层光谱测量，平均每个生育期每一处理水平，选8个不同点进行冠层反射光谱测定。二、全氮含量测定Bran+Luebbe AA3流动分析仪原理有机含氮物质在浓硫酸及催化剂的作用下,经过强烈消化分解，其中的氮被转化为氨，在碱性条件下，氨被次氯酸钠氧化为氯化铵，进而与水杨酸钠反应产生了靛蓝染料，在600nm比色测定总氮含量。样品溶液配置将上述烘干的叶片粉碎，保证样品成分更为均匀，然后将粉碎后的样品通过100目的筛孔，通不过筛孔的样品再次粉碎，直至全部样品通过。称取O. Ig样品于消化管中，精确至O. OOOlg，加入浓硫酸5. OmL，将消化管置于消化器上消化，一开始250° C消化2小时，加入过氧化氢H2O2后，370° C消化I小时，直至溶液呈无色透明。标准溶液配置称取O. 4715g的(NH4) 2S04溶于IOOml水配成储备液。试验中，采用6个水平的标准溶液浓度，见表I。表I
标准溶液浓度吸取储备液体积消化后用水定容至
O.60%6.OmlIOOml
O.50%5.OmlIOOml
0.40%4. OmlIOOml
O. 30%3.OmlIOOml
O.20%2.OmlIOOml
O.10%I.OmlIOOml实验所需试剂配置Brij35溶液(聚乙氧基月桂醚):将250g Bri j35加入到IL水中，加热搅拌直至溶解。次氯酸钠溶液移取6mL次氯酸钠(有效氯含量> 5%)于IOOmL的容量瓶中，用水稀释至刻度，加2滴Bri j35溶液。氯化钠/硫酸溶液称取10. Og氯化钠于烧杯中，用水溶解，加入7. 5mL浓硫酸，转入IOOOmL的容量瓶中，用水定容至刻度，加入ImLBri j35溶液。水杨酸钠/亚硝基铁氰化钠溶液称取75. Og水杨酸钠(Na2C7H5O3)，亚硝基铁氰化钠(Na2Fe (CN) 5Ν0 · 2H20) O. 15g于烧杯中，用水溶解，转入500mL容量瓶中，用水定容至刻度，加入05mL Bri j35。缓冲溶液称取酒石酸钾钠(NaKC4H4O6 · 4H20) 25. Og,磷酸氢二钠(Na2HP04 · 12H20) 17. 9g，氢氧化钠(NaOH) 27. 0g，用水溶解，转入500g容量瓶中，加入05mL Bri j35。进样器清洗液移取40mL浓硫酸(H2SO4)于IOOOmL容量瓶中，缓慢加水，定容至刻度。将各种含氮量水稻叶片干样本，研磨过筛(筛孔直径0. 1mm)。称取0. Ig试料于消化管中，精确至0. OOOlg，加入浓硫酸5. OmL，将消化管置于消化器上消化，一开始250° C消化2小时，加入过氧化氢H2O2后，370° C消化I小时，作为试验样本。同时，配制储备液和各个水平浓度的标准溶液。
采用德国布朗卢比公司的Bran+Luebbe AA3流动分析仪进行测氮。其已经能进行在线消解、在线溶剂萃取、在线蒸馏、在线过滤、氧化还原、在线离子交换、自动稀释、WINDOWS/NT下全计算机自动系统控制软件。实验时，增益取10，灯设置2. 36V，对应IOOOmV的反射能量。实验得到6个标准溶液对应的校准直线如图2所示，相关系数达到O. 999，校准系数 a = -2. 9049E-2, b = 8. 1465E-6。按照式(2. I)计算出样品的总氮含量
权利要求
1.一种基于光谱技术的农作物内部信息无损检测方法，其特征在于，所述基于光谱技术的农作物内部信息无损检测方法包括以下步骤 51、建立知识数据库，对所需测定的农作物，根据其检测标准，先请专业人员对其中一部分样品进行感官评定，或者通过常规的实验室理化分析，测出农作物所处的生育期，以及测的氮素，建立与各农作物样本相关的知识数据库； 52、进行样本测试，在利用光谱仪器对作物进行光谱采集前，进行白板校正和标定；在自然光下，采集农作物冠层图像数据、光谱数据计算机中；计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征；计算机将采集得到的光谱数据进行与训练样本同样的波段特征提�。患扑慊运崛〉耐枷裉卣�、波段特征与知识数据库进行融合，利用测试样本进行检测试验，给出当前测试作物样本的氮素水分含量，检测结果通过计算机显示出来。
2.如权利要求I所述的基于光谱技术的农作物内部信息无损检测方法，其特征在于，所述图像数据包括图像的纹理特征、形态特征、颜色特征。
3.如权利要求I所述的基于光谱技术的农作物内部信息无损检测方法，其特征在于，所述光谱数据在采集时，基于遗传算法的LS-SVM回归算法。
4.一种基于光谱技术的农作物内部信息无损检测装置，其特征在于包括计算机、集成摄像机、光谱仪器、探头、辅助光源、光箱、数据线、农作物、流动分析仪，光谱仪器与流动分析仪连接，流动分析仪、集成摄像机都通过数据线与计算机连接，光谱仪器与探头连接，集成摄像机、光谱仪器、探头、辅助光源、农作物位于光箱内。
全文摘要
本发明公开了一种基于光谱技术的农作物内部信息无损检测装置及方法，该方法包括以下步骤建立知识数据库，对所需测定的农作物，建立与各农作物样本相关的知识数据库；采集农作物冠层图像数据、光谱数据到计算机中；计算机将采集到的图像数据进行预处理，提取与训练样本同样的图像特征；计算机将采集得到的光谱数据进行与训练样本同样的波段特征提�。患扑慊运崛〉耐枷裉卣鳌⒉ǘ翁卣饔胫妒菘饨腥诤希貌馐匝窘屑觳馐匝椋龅鼻安馐宰魑镅镜牡厮趾浚觳饨峁ü扑慊允境隼�。本发明可以凭借光谱信息自动判断出农作物处于哪个生育期，氮素含量有多少，更加便于使用者使用。
文档编号G01N21/25GK102788752SQ20121027912
公开日2012年11月21日 申请日期2012年8月8日 优先权日2012年8月8日
发明者卫爱国, 孙俊, 宋彩惠, 武小红, 毛罕平 申请人:江苏大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
