首页 技术平台感知层正文

作物养分信息快速检测方法

kumb 感知层 2021-05-03 17:24:31 98 0

目前对作物的养分含量(叶绿素和氮元素)的无损检测的研究较广泛,叶绿素的无损检测主要是应用SPAD叶绿素计,而氮元素含量的无损检测主要集中在光谱分析技术、机器视觉技术、光谱成像技术等方面。

1. SPAD-502叶绿素计

目前应用最广泛的便携式植物叶片氮素测董仪SPAD-502叶绿素计(Chlorophyll Meter SPAD-502, Konica Minolta Co.,Japan),其原理是根据植物叶片中叶绿素对有色光的吸收特性,通过测量一定波长下发射光照度和透过叶片后的光照强度进行叶片叶绿素含量的测定。叶绿素的吸收谷主要分布在绿光区域,在蓝光和红光区域主要是叶绿素的吸收峰,而近红外区域叶绿素几乎没有吸收,因此测量叶片的叶绿素含量可以选择红光区域和近红外区域。SPAD-502叶绿素计是由发光二极管发射红色光(峰值波长约为650nm)和近红外光(峰值波长约为940nm)。叶绿素吸收波长为650nm的红光,940nm的近红外光并不被吸收,发射和接收940nm的近红外光主要是为了消除叶片厚度等对测量结果的影响。当红光发射到叶片后,叶片的叶绿素吸收其中一部分,其余部分透过叶片经接收器接收后转化成电信号。发射光透过叶片到达接收器,将透射光转化成相似的电信号,经过放大器放大,然后通过A/D转换器转换成数字信号,微处理器利用这些数字信号计算出叶片的SPAD值,显示并且自动储存(王康等,2002)。SPAD值的计算步骤如下:在无被测样本的标准状态下,两个光源依次发光并转变为电信号,计算强度比;将待测的样本叶片插入叶绿素计后,两个光源再次发光,叶片的投射光转换成电信号,计算透射光强度比(邵咏妮,2010)。运用以上两个步骤的结果计算SPAD值。

计算公式为

05.jpg

公式3.4

式中,K为常数;IRt为接收到的940nm近红外光光照强度;IR0为发射近红外光光照强度;Rt为接收到的650nm红光光照强度;R0为发射红光光照强度。

SPAD-502叶绿素计之所以能够在世界范围内被广泛使用,这与它所具备的几个优点是密不可分的。SPAD-502叶绿素计携带方便,其净重仅为225g,外形尺寸大约为78mm(宽)xl64mm (长)x49mm (高);测试速度快,一个数据的测定时间大约2s;无损检测,不影响叶片的正常生长,所以可以在同一部位进行多次重复测试,多次重复测量可使检测准确率大幅提高;灵敏度高,该仪器可以分辨出肉眼难辨的深浅不一的绿色,该仪器能测出几个单位的“绿色度”差异,灵敏度高于肉眼观测和比色卡对比;适应性广,该仪器原则上可以测定叶片厚度不超过1.2mm的各类植物叶片;具有存储数据和简单计算的功能,在实际应用中可以大大提髙工作效率(陈防和鲁剑巍,1996)。

2.光谱分析技术

光谱分析技术主要是通过分析作物叶片的光谱曲线,从中找出与作物氮元素相关的特征波长,从而分析作物的氮元素含量。裘正军等(2007)测量了不同施肥量的油菜叶片的可见-近红外光谱(图3.3),通过分析建立了油菜叶片光谱反射率与SPAD值之间的定量分析模型。结果表明,利用684nm处一阶微分光谱的一元线性回归模型可以较好地预测油菜叶片的SPAD值,预测样本的相关系数可以达到0.801,这一发现为今后大面积油菜氮元素的快速无损检测的氮肥管理奠定了基础。姚建松等(2009)利用遗传算法建立油菜叶片SPAD值与光谱反射率之间的定量分析模型,并且研究了叶片的厚度对建模精度和结果的影响,确定了最优光谱范围是696.82〜716.53nm。在不考虑叶片厚度时,建模和预测关联度分别是0.4823和0.5649(图3.4)。考虑叶片厚度校正后,建模和预测关联度分別提高到0.8936和0.9178(图3.5)。这一结果说明基于可见-近红外反射光谱技术实现油菜叶片叶绿素含量快速无损检测是可行的。

06.jpg

图3.3 在不同施肥条件下油菜叶片的光谱特性

07.jpg


图3.4不考虑叶片厚度时建模集和校验集SPAD统计N归结果

08.jpg

图3.5 经过叶片厚度校正后建模集和校验集SPAD统计回归结果

在实际的生产中,在叶片层面的作物氮元素含量无损检测并不能起到很大的作用,为了将光谱分析技术应用到实际的生产当中,人们对冠层层面的作物氮元素无损检测也做了大量的研究。刘飞等(2011)利用美国CROPSCAN公司生产的Cropscan MSR16多光谱辐射仪对油菜的冠层进行了扫描,并将所有的多光谱辐射信息作为输入变量,建立油菜生命期冠层SPAD值检测的线性MLR (multiple linear regression)和PLS(partial least square)模型,以及非线性LS-SVM (least squares-support vector machine)模型。通过比较分析,油菜生命期冠层SPAD值检测的最优模型为LS-SVM模型,对预测集样本预测结果为Rp=0.7122,RMSEP=3.7498(图3.6)。这一结果说明多光谱辐射信息可用于油菜生命期冠层SPAD值的检测,但是其精度还有待于进一步的提高(Liuetal.,2011)。

09.jpg

图3.6应用LS_SVM模型对油菜生命期冠层SPAD值的预测图

3.机器视觉技术

机器视觉技术即用机器模拟人对目标物体进行测量和判断的方式来进行工作。机器视觉系统通过图像获取装置(如CCD相机等)将目标转化成图像信号,接收到图像信号之后利用计算机将其转化成数字信号,之后人们按照自己的需求通过计算机程序让计算机从这些数字信号之中提取所需要的目标特征,并利用这些特征做出相应的判断。

机器视觉系统最大的特点是实现了生产的自动化,传统的人工作业方法在危险或是人体视觉受限的环境下均无法作业,同时在大批量工业生产过程中,传统的人工视觉检测准确率低且效率低下,而机器视觉检测方法可以做到在线快速实时检测,很大程度上提高了生产效率和生产的自动化程度,而且机器视觉的另外一个特点是可以实现信息集成釆集,是实现计算机集成制造的基础技术。

在计算机技术快速发展的时代,机器视觉因其所具有的快速、无损、高效、信息量大等特点被广泛应用到作物氮元素含量的检测当中来。作物在缺氮或其他元素时,颜色外形等会发生变化。张彦娥等(2005)利用机器视觉技术检测黄瓜叶片的营养信息,将采集的温室黄瓜叶片的图像,用在图像中提取的RGB三色分量及色度(H)、饱和度(S)和亮度(I)建模,分析模型中各分量与叶片含氮率、含磷率和含水率之间的相关特性。结果如图3.7和图3.8所示:叶片绿色分量G和色度分量H与氮含量呈负相关,可利用机器视觉快速诊断作物长势的指标,而其他分量与氮含量没有明显的相关性且RGB三色分量及色度(H)、饱和度(S)和亮度与磷含量和水分含量均没有表现出明显相关关系。

10.jpg

图3.7 G分量与氮含量之间的关系

11.jpg

图3.8 H分量与氮含量之间的关系

4.光谱成像技术

光谱成像技术是光谱与图像的融合,它既能获取光谱信息乂能获取空间信息,可以 对样本进行定量和定性的分析。根据波段的多少,光谱成像技术又分为多光谱成像技术和高光谱成像技术。两者的主要区别在于高光谱成像技术获取的图像由人量的连续的波段(几十个或者几百个)组成,而多光谱图像技术是由一系列离散的波段(一般少于10个)组成。

高光谱成像的分辨率高,能够更好地获取样本的信息。其图像的扫描主要以点、线、面的方式进行。通常实验室中釆用的是线扫描的方法。然而,由于高光谱图像通常携带着大量的信息,需要对数据进行降维,去除冗余信息。高光谱技术也有着成本高、处理速度慢、不适合进行实时在线检测等局限。因此高光谱技术主要用于基础研究,而相比高光谱技术,多光谱成像技术具有能够快速获取图像、对图像进行简单处理和快速决策响应等优点,更加适合田间的快速在线检测。

1)多光谱成像技术

多光谱成像技术就是将光谱技术和机器视觉技术相结合,能更好地发挥两者的优点。国外Inoue等(2001)采可见-近红外(400〜900nm)高光谱图像建立了多元回归模型,以水稻为研究对象,对叶片中的氮、叶绿素含量做了深入检测,得到R2分别为0.72和0.86。国内冯雷等(2006)利用3CCD多光谱成像技术研究提取油菜叶面图像特性信息(图3.9),建立了叶绿素仪数值和全氮含量的众多数学关系模型,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决定系数R2可以达到0.8864(图 3.10)。

12.jpg

图3.9 3CCD多光谱成像技术检测叶片氮素含量技术路线

13.jpg

图3.10 NDVI与SPAD之间的关系

刘飞等(2009a)利用标定板建立黄瓜叶片光谱反射率与图像灰度值之间的线性公式。通过多光谱相机对样本在绿光、红光和近红外三个通道的图像进行处理,获得叶片样本在每一通道的灰度值,然后根据标定板所建立的灰度值与反射了舰的经验公式将对应的灰度值转为反射率,并由反射率计算出黄瓜的植被指数。并釆用最小二乘-支持向量机(LS-SVM)建立植被指数与叶片氮含量及叶面积指数之间的拟合模型的相关系数分别为0.8665和0.8553(图3.11),取得了良好的效果。

2)高光谱成像技术

高光谱成像技术是当前新型光谱与图像融合的技术,具有高分辨率、工作高效等优点,在作物信息提取等方面得到广泛的应用。

Zhang等(2013)应用高光谱成像技术,分别提取了高光谱图像数据中的光谱信息和纹理信息,综合分析多种光谱预处理方法、特征波长选择方法、纹理特征提取方法和模型构建方法,建立了高光谱图像信息与油菜叶片磷含量的定量关系模型(图3.12),实现了油菜叶片磷含量的快速无损检测。同时,基于特征波长和PLS模型,实现了油菜叶片磷含量的可视化,将不同施肥梯度下叶片样本磷含量的不同直观表达出来[图3.13(a)]。

14.jpg

图3.11含氮量(a)、叶面积指数(b)测量值与预测值之间的关系

15.jpg

图3.12基于SPA-PLS模型(a)和SPA-BPNN模型(b)的油菜叶片磷含量预测图

Zhang等(2013)利用同样的方法研究了油菜叶片中钾含量无损检测的方法。她们在可见-近红外波段范围(380〜1030nm),综合分析比较了5种光谱预处理方法、3种特征波长提取方法和3种纹理特征提取方法对油菜叶片钾含量检测的不同模型预测性能的影响,建立了高光谱图像数据与油菜叶片钾含量的定量关系模型(图3.14),实现了油菜叶片钾含量的快速无损检测。同时,基于特征波长和PLS模型,实现了油菜叶片钾含量的可视化,将不同施肥梯度下叶片样本钾含量的不同直观表达出来[图3.13(b)]。

李金梦等(2014)应用高光谱成像技术,分别提取髙光谱图像数据中的光谱信息和纹理信息,采用SG平滑-Detrending的方法对光谱数据进行预处理,并采用连续投影法选取了特征波长,建立了基丁特征波长的BP神经网络(back-propagation neural network)的模型,实现了柑橘叶片氮含量的快速无损检测(图3.15)。

余克强等(2015)利用高光谱成像技术结合化学计量学方法对不同叶位尖椒叶片氮素含量的分布进行了可视化研究。他们利用Random-fmg算法提取了尖椒叶片高光谱数据中的特征波段,之后利用所提取特征波段建立了偏最小二乘冋归方程,取得了较好的效果。并根据预测模型计算了尖椒叶片高光谱图像中每个像素点的SPAD与氮含量,实现了SPAD和氮含量的可视化分布(图3.16)。

16.jpg

图3.13 油菜叶片含磷量(a)与含钾量(b)的分布图

17.jpg

图3.14 基于RAW-PLS模型(a)和RC-BPNN模型(b)的油菜叶片钾含量预测图

除了实验室研究之外,在作物生长过程中营养信息快速获取仪器方面,国内多个高校和研究单位已成功开发了多款实用的仪器。浙江人学何勇教授团队自主研发的“便携式植物养分无损快速测定仪”、“植物活体叶面积测量仪”和“植物冠层分析仪”等,可快速、无损、同时测定植物叶片的叶绿素、水分、氮元素含量,植物活体叶面积和植物冠层16个互不相同波段的反射率。中国农业大学李民赞教授团队基于归一化颜色指数,研制的“便携式作物长势诊断仪”对叶绿素含量建模,相关系数达到了0.850(张彦娥等,2005)。李民赞教授团队研制的“无损式作物冠层分析仪”,通过2个通道分别在610nm与1220nm处测量太阳辐射光,而另外2个通道在同样的波段上测量作物冠层的反射光。仪器与Quality Spec高光谱仪测得的NDVI值相关系数为0.52(李修华等,2009)。

18.jpg

图3.15 基于BP神经网络建模的建模集(a)和预测集(b)的预测效果

19.jpg

图3.16不同叶位的叶片氮含量和SPAD的可视化分布      
(a)〜(f)代表不同叶片样本

我们致力于为三农(农业、农村、农民)提供专业物联网解决方案,同时也提供应用软件、微信小程序、手机App、企业网站的开发和跨境电商建站、网络营销等服务,站长微信号(mywit_net),添加后备注“黎辉物联网”,如有相关需求也可通过电子邮件(12tc@sina.cn)与我们取得联系

本站内容均来自互联网,如有涉及到侵权行为,请你及时与站长联系删除!

本文链接:https://www.kumb.cn/3542.html

发表评论

评论列表(0人评论 , 98人围观)
☹还没有评论,来说两句吧...