一种基于光谱图像的作物长势实时监测方法技术

本发明专利技术提供一种基于光谱图像的作物长势实时监测方法，包括：确定初始监测参数；筛选对作物长势有指导意义的敏感波长；获取被监测作物在所述敏感波长照射下的作物影像F；对所述作物影像F进行图像分析，得到作物生长实时监测模型；基于所述作物生长实时监测模型，对作物长势进行实时监测。优点为：基于光谱和图像融合技术，获得作物敏感波段下的图像，使作物图像在包含作物长势信息的前提下，具有最少量的信息，因此，提高了后续图像分析处理效率，能够快速、精确的得到作物长势信息，提高作物长势监测的实时性。

【技术实现步骤摘要】
一种基于光谱图像的作物长势实时监测方法
本专利技术属于作物长势监测
，具体涉及一种基于光谱图像的作物长势实时监测方法。
技术介绍
作物长势监测属于农业物联网领域的重要研究内容。如何准确、高效、快速的实现大面积农田作物长势信息的监测，一直是农业物联网领域的研究热点。现有技术中，主要采用图像分析方法进行作物长势信息监测，具体为：采用普通相机获取作物冠层的全波段图像信息，然后，再对所获得的全波段图像信息进行分析处理，得到作物长势相关信息。现有监测方法存在的主要问题为：由于全波段图像包含的信息量过大，并且，存在不同波段之间相互影响的情况，导致后续图像分析处理时，具有分析效率低、工作量大等不足，难于快速、精确的得到作物长势信息。
技术实现思路
针对现有技术存在的缺陷，本专利技术提供一种基于光谱图像的作物长势实时监测方法，可有效解决上述问题。本专利技术采用的技术方案如下：本专利技术提供一种基于光谱图像的作物长势实时监测方法，包括以下步骤：S1，确定初始监测参数；所述初始监测参数包括：监测模式、高光谱植被指数VI、作物长势指标Y和作物生育时期S；其中，所述监测模式包括两种，第一种为单波段监测模式；第二种为双波段监测模式；S2，筛选对作物长势有指导意义的敏感波长；其中，如果为单波段监测模式，则：根据作物反射率E和作物长势指标Y之间的相关性，最终筛选得到1个敏感波长值，记为λu1；如果为双波段监测模式，则：根据高光谱植被指数VI和作物长势指标Y之间的相关性，最终筛选得到1对敏感波长值，分别记为：λu2和λu3；S3，获取被监测作物在所述敏感波长照射下的作物影像F；其中，如果为单波段监测模式，则获得与敏感波长值λu1对应的作物影像Fu1；如果为双波段监测模式，则分别获得与敏感波长值λu2对应的作物影像Fu2、与敏感波长值λu3对应的作物影像Fu3；S4，对所述作物影像F进行图像分析，得到作物生长实时监测模型；其中，如果为单波段监测模式，则：提取作物影像Fu1的彩色因子运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；如果为双波段监测模式，则：分别提取作物影像Fu2的第1彩色因子组合和作物影像Fu3的第2彩色因子组合，对第1彩色因子组合和第2彩色因子组合进行运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；S5，基于所述作物生长实时监测模型，对作物长势进行实时监测。优选的，S2具体为：S2.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；当作物处于S1生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q1，同时，测量作物长势指标Y，将Y的测量值记为y1；当作物处于S2生育时期时，使用光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q2，同时，测量作物长势指标Y，将Y的测量值记为y2；以此类推，当作物处于Sn生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Qn，同时，测量作物长势指标Y，将Y的测量值记为yn；由此共得到n条光谱曲线，分别为：Q1、Q2…Qn；如果为单波段监测模式，则执行S2.2-S2.3；如果为双波段监测模式，则执行S2.4-S2.7，S2.2，设定初始波长λ1，从Q1、Q2…Qn中分别读取与初始波长λ1对应的作物反射率E，分别为：E1、E2…En；则：按下式计算初始波长λ1和作物长势指标Y之间的决定系数R2；(公式一)其中，S2.3，按照采样间距m，读取下一个波长值λ2，即：λ2＝λ1+采样间距m；然后，采用公式一，计算初始波长λ2和作物长势指标Y之间的决定系数R2；依此类推，设共统计分析z个波长值，则：依次计算得到z个决定系数R2，即：波长λ1和作物长势指标Y之间的决定系数R2波长λ2和作物长势指标Y之间的决定系数R2…波长λz和作物长势指标Y之间的决定系数R2；S2.3，在z个决定系数R2中，最大的决定系数所对应的波长，即为最终筛选得到的敏感波长值，将最终筛选得到的敏感波长值记为λu1；S2.4，设定第1波长λa和第2波长λb；从Q1、Q2…Qn中分别读取与λa对应的作物反射率E，分别为：E1a、E2a…Ena；从Q1、Q2…Qn中分别读取与λb对应的作物反射率E，分别为：E1b、E2b…Enb；S2.5，对E1a和E1b进行计算，得到高光谱植被指数VI，值记为：VI1；对E2a和E2b进行计算，得到高光谱植被指数VI，值记为：VI2；…对Ena和Enb进行计算，得到高光谱植被指数VI，值记为：VIn；则：按下式计算第1波长λa、第2波长λb和作物长势指标Y之间的决定系数R2；(公式二)其中，S2.6，按一定的调整策略，调整第1波长λa和/或第2波长λb，得到多组第1波长λa和第2波长λb的组合，由此计算得到多个决定系数；S2.7，在所计算得到的多个决定系数中，最大决定系数所对应的第1波长λa和第2波长λb，即为最终筛选得到的双波长敏感值；其中，最大决定系数所对应的第1波长λa记为λu2；最大决定系数所对应的第2波长λb记为λu3。优选的，S2.1中，以采样间距m的光谱仪检测作物，具体为：距离作物冠层上方1m处，使光谱仪垂直向下而测定作物反射率。优选的，所述采样间距m为1纳米；S2.2中，所述初始波长λ1为350纳米；波长λz为2500纳米。优选的，S2.5中，对E1a和E1b进行计算，得到高光谱植被指数VI，具体为：所述高光谱植被指数VI为比值植被指数RVI，通过以下公式获得：RVI＝E1a/E1b；所述高光谱植被指数VI为归一化植被指数NDVI，通过以下公式获得：NDVI＝(E1a-E1b)/(E1a+E1b)；所述高光谱植被指数VI为差值植被指数DVI，通过以下公式获得：DVI＝E1a-E1b。优选的，S3，获取被监测作物在所述敏感波长照射下的作物影像F，具体为：对普通相机进行改装，镜头前面加装转接环和滤光片，得到改装后的相机；其中，所述滤光片的作用为：只允许所述敏感波长的光透过；在作物冠层上方1m处，使用所述改装后的相机拍照，从而得到敏感波长照射下的作物影像F。优选的，S4中，单波段监测模式下，通过以下步骤筛选得到最佳的彩色因子运算组合；S4.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；S4.2，对于任意一个生育时期Si，均得到与敏感波长值λu1对应的作物影像Fu1，由此共得到n个作物影像Fu1，分别记为：Fu1-1、Fu1-1…Fu1-n；同时，还获得与每个生育时期Si对应的作物长势指标Y，由此共得到n个作物长势指标Y，分别记为：y1、y2…yn；S4.3，对于任意一个作物影像Fu1-i，均提取一个以上彩色因子，然后，将所提取的彩色因子按照预设的运算公式进行组合，得到彩色因子运算组合，并最终计算得到彩色因子运算组合值，将与作物影像Fu1-i对应的本文档来自技高网...

【技术保护点】
一种基于光谱图像的作物长势实时监测方法，其特征在于，包括以下步骤：S1，确定初始监测参数；所述初始监测参数包括：监测模式、高光谱植被指数VI、作物长势指标Y和作物生育时期S；其中，所述监测模式包括两种，第一种为单波段监测模式；第二种为双波段监测模式；S2，筛选对作物长势有指导意义的敏感波长；其中，如果为单波段监测模式，则：根据作物反射率E和作物长势指标Y之间的相关性，最终筛选得到1个敏感波长值，记为λu1；如果为双波段监测模式，则：根据高光谱植被指数VI和作物长势指标Y之间的相关性，最终筛选得到1对敏感波长值，分别记为：λu2和λu3；S3，获取被监测作物在所述敏感波长照射下的作物影像F；其中，如果为单波段监测模式，则获得与敏感波长值λu1对应的作物影像F u1；如果为双波段监测模式，则分别获得与敏感波长值λu2对应的作物影像Fu2、与敏感波长值λu3对应的作物影像Fu3；S4，对所述作物影像F进行图像分析，得到作物生长实时监测模型；其中，如果为单波段监测模式，则：提取作物影像Fu1的彩色因子运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；如果为双波段监测模式，则：分别提取作物影像Fu2的第1彩色因子组合和作物影像Fu3的第2彩色因子组合，对第1彩色因子组合和第2彩色因子组合进行运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；S5，基于所述作物生长实时监测模型，对作物长势进行实时监测。...

【技术特征摘要】
1.一种基于光谱图像的作物长势实时监测方法，其特征在于，包括以下步骤：S1，确定初始监测参数；所述初始监测参数包括：监测模式、高光谱植被指数VI、作物长势指标Y和作物生育时期S；其中，所述监测模式包括两种，第一种为单波段监测模式；第二种为双波段监测模式；S2，筛选对作物长势有指导意义的敏感波长；其中，如果为单波段监测模式，则：根据作物反射率E和作物长势指标Y之间的相关性，最终筛选得到1个敏感波长值，记为λu1；如果为双波段监测模式，则：根据高光谱植被指数VI和作物长势指标Y之间的相关性，最终筛选得到1对敏感波长值，分别记为：λu2和λu3；S3，获取被监测作物在所述敏感波长照射下的作物影像F；其中，如果为单波段监测模式，则获得与敏感波长值λu1对应的作物影像Fu1；如果为双波段监测模式，则分别获得与敏感波长值λu2对应的作物影像Fu2、与敏感波长值λu3对应的作物影像Fu3；S4，对所述作物影像F进行图像分析，得到作物生长实时监测模型；其中，如果为单波段监测模式，则：提取作物影像Fu1的彩色因子运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；如果为双波段监测模式，则：分别提取作物影像Fu2的第1彩色因子组合和作物影像Fu3的第2彩色因子组合，对第1彩色因子组合和第2彩色因子组合进行运算组合，根据彩色因子运算组合和作物长势指标Y之间的相关性，最终筛选得到最佳的彩色因子运算组合；再以所述最佳的彩色因子运算组合作为已知参数，构建得到作物生长实时监测模型；S5，基于所述作物生长实时监测模型，对作物长势进行实时监测；其中，S2具体为：S2.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；当作物处于S1生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q1，同时，测量作物长势指标Y，将Y的测量值记为y1；当作物处于S2生育时期时，使用光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Q2，同时，测量作物长势指标Y，将Y的测量值记为y2；以此类推，当作物处于Sn生育时期时，以采样间距m的光谱仪检测作物，从而得到反映波长λ与作物反射率E之间变化关系的光谱曲线Qn，同时，测量作物长势指标Y，将Y的测量值记为yn；由此共得到n条光谱曲线，分别为：Q1、Q2…Qn；如果为单波段监测模式，则执行S2.2-S2.3；如果为双波段监测模式，则执行S2.4-S2.7，S2.2，设定初始波长λ1，从Q1、Q2…Qn中分别读取与初始波长λ1对应的作物反射率E，分别为：E1、E2…En；则：E＝(E1+E2…+En)/n；按下式计算初始波长λ1和作物长势指标Y之间的决定系数R2；其中，S2.3，按照采样间距m，读取下一个波长值λ2，即：λ2＝λ1+采样间距m；然后，采用公式一，计算初始波长λ2和作物长势指标Y之间的决定系数R2；依此类推，设共统计分析z个波长值，则：依次计算得到z个决定系数R2，即：波长λ1和作物长势指标Y之间的决定系数R2波长λ2和作物长势指标Y之间的决定系数R2…波长λz和作物长势指标Y之间的决定系数R2；S2.3，在z个决定系数R2中，最大的决定系数所对应的波长，即为最终筛选得到的敏感波长值，将最终筛选得到的敏感波长值记为λu1；S2.4，设定第1波长λa和第2波长λb；从Q1、Q2…Qn中分别读取与λa对应的作物反射率E，分别为：E1a、E2a…Ena；从Q1、Q2…Qn中分别读取与λb对应的作物反射率E，分别为：E1b、E2b…Enb；S2.5，对E1a和E1b进行计算，得到高光谱植被指数VI，值记为：VI1；对E2a和E2b进行计算，得到高光谱植被指数VI，值记为：VI2；…对Ena和Enb进行计算，得到高光谱植被指数VI，值记为：VIn；则：按下式计算第1波长λa、第2波长λb和作物长势指标Y之间的决定系数R2；其中，S2.6，按一定的调整策略，调整第1波长λa和/或第2波长λb，得到多组第1波长λa和第2波长λb的组合，由此计算得到多个决定系数；S2.7，在所计算得到的多个决定系数中，最大决定系数所对应的第1波长λa和第2波长λb，即为最终筛选得到的双波长敏感值；其中，最大决定系数所对应的第1波长λa记为λu2；最大决定系数所对应的第2波长λb记为λu3；其中，S4中，单波段监测模式下，通过以下步骤筛选得到最佳的彩色因子运算组合；S4.1，对于被监测的作物样本，设共选取n个生育时期，则，按作物生长顺序，依次记为：S1、S2…Sn；S4.2，对于任意一个生育时期Si，均得到与敏感波长...

【专利技术属性】
技术研发人员：陈国庆，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：山东;37