一种分层式检测光谱新特征的反演叶片叶绿素含量的系统技术方案

本发明专利技术公开了组织光学技术领域的一种分层式检测光谱新特征的反演叶片叶绿素含量的系统，包括信号连接的服务器、存储器、数据采集模块、叶绿素含量采集模块和迁移学习模块；本方案通过数据采集模块和叶绿素含量采集模块确定实测数据中的特征波段、光学特征参数和叶绿素含量，利用蒙特卡洛方法构建预训练模型，基于MMD迁移学习得到叶绿素反演模型再进行叶绿素含量预测。本方案基于最大均值差异(MMD)对构建的模型进行迁移学习，减小实测叶片光谱图像和模拟光亮度图特征分布的差异，提高网络的迁移能力，使模型具有更好的泛化能力，可以有效解决过拟合问题，提高叶绿素含量预测的准确率。确率。确率。

【技术实现步骤摘要】
一种分层式检测光谱新特征的反演叶片叶绿素含量的系统


[0001]本专利技术属于组织光学
，具体是一种分层式检测光谱新特征的反演叶片叶绿素含量的系统。

技术介绍

[0002]叶绿素在植物进行光合作用的过程中起着重要的作用，其含量是植物营养胁迫、光合作用能力和生长状况的重要指示因子。叶绿素含量检测技术的研究在农业生产、林业研究等方面有着至关重要的意义。
[0003]叶绿素含量检测方法可分为有损的化学检测和无损检测两类。传统的化学检测手段存在耗时、费力、时效性差、适用性差、破坏植物体结构等缺陷。无损检测方法主要依靠叶绿素测量仪和高光谱成像技术，叶绿素测量仪操作便捷，但因只能对局部点光谱进行分析，无法完整获取叶片或冠层整体的叶绿素信息，在实际应用中仍存在较大的局限性。
[0004]例如中国专利，公告号为CN102628800B的专利公开了植物叶片叶绿素含量测量方法及系统，方法包括：S1：获取所述待测植物叶片表面的激光后向散射图像；S2对图像中的光斑进行边缘检测，并获取光斑的中心；S3：获取距离中心点预设距离的像素值；S4：对所述漫射方程进行拟合反演，以获得光学特征参数；S5：建立叶绿素含量与光学特征参数之间的预测关系模型，获得所述待测植物叶片的叶绿素含量。
[0005]该专利通过光源与叶片表面的垂直距离、反射系数和漫射系数构建漫射方程，对漫射方程进行反演以获取光学特征参数，再利用回归法构建叶绿素含量预测模型，以此预测叶片中叶绿素的含量，该方法构建的模型虽然具备提取图像特征能力，但是模拟数据和实测数据分布不完全相同，仅训练改变全连接层无法达到理想效果，无法更准确的预测叶绿素含量，因此，我们提出了一种分层式检测光谱新特征的反演叶片叶绿素含量的系统。

技术实现思路

[0006]为了解决现有技术构建的模型虽然具备提取图像特征能力，但是模拟数据和实测数据分布不完全相同，仅训练改变全连接层无法达到理想效果，无法更准确的预测叶绿素含量的问题，本专利技术的目的是提供一种分层式检测光谱新特征的反演叶片叶绿素含量的系统。
[0007]为了实现上述目的，本专利技术的技术方案如下：一种分层式检测光谱新特征的反演叶片叶绿素含量的系统，包括信号连接的服务器、存储器、数据采集模块、叶绿素含量采集模块和迁移学习模块；
[0008]服务器用于系统指令的接收、发送和反演模型的构建；
[0009]存储器用于数据的存储；
[0010]数据采集模块用于高光谱图像、反射率和透射率的数据采集；
[0011]叶绿素含量采集模块用于获取实测数据中叶绿素含量的采集；
[0012]迁移学习模块用于模型进行MMD迁移学习；
[0013]分层式检测光谱新特征的反演叶片叶绿素含量的系统预测叶绿素含量的步骤如下：
[0014]S1、数据采集模块采集叶片的高光谱图像、反射率和透射率，并做预处理，提取特征波段和光学特征参数，叶绿素含量采集模块采集叶片的叶绿素含量；
[0015]S2、服务器基于特征波段、光学特征参数和叶绿素含量构成的实测数据，构建面光源下的蒙特卡洛单层平板模型，利用蒙特卡洛方法模拟光子在叶片中的运动轨迹，得到仿真数据，利用蒙特卡洛单层平板模型对仿真数据进行训练，得到预训练模型；
[0016]S3、服务器基于MMD迁移学习得到叶绿素反演模型；
[0017]S4、将光谱数据输入叶绿素反演模型，得到全连接层的输出结果作为偏最小二乘的输入，得到叶绿素含量回归结果。
[0018]进一步，基于数据采集模块获取的高光谱图像，服务器采用S
‑
G平滑方法进行去噪。
[0019]进一步，服务器采用SPA算法选取特征波段，将特征波段按层排序。
[0020]进一步，基于数据采集模块获取反射率和透射率，服务器采用IAD算法进行迭代计算获取光学特征参数。
[0021]进一步，光学特征参数包括吸收系数和散射系数。
[0022]进一步，实测数据中的叶绿素含量获取包括：将叶片表面划分为若干个矩形区，对矩形区进行编号，利用叶绿素含量采集模块对叶片表面的矩形区按编号顺序进行叶绿素含量采集，每一个矩形区测量三次，取三次测量值的平均值作为该矩形区的叶绿素含量。
[0023]进一步，矩形区的像素为2
×
2。
[0024]进一步，所述S3中MMD迁移学习具体如下：
[0025]S31、设L
mmd
为最大均值差异平方距离，F
s
、F
t
为实测数据和仿真数据提取的特征，M、N为实测数据和仿真数据样本数量，Φ为为原始数据映射到再生希尔伯特空间的核函数，为实测数据和仿真数据样本，计算仿真数据与实测数据的最大均值差异平方距离L
mmd
，公式如下：
[0026][0027]S32、将最大均值差异平方距离加入预训练模型的交叉熵损失函数得到总损失函数L
total
，如下：
[0028][0029]其中，L
total
为总损失函数，X
t
,Y
t
为实测样本特征；
[0030]S33、基于总损失函数L
total
进行迁移学习得到叶绿素反演模型。
[0031]采用上述方案后实现了以下有益效果：
[0032]1.相较于现有技术构建的模型虽然具备提取图像特征能力，但是模拟数据和实测数据分布不完全相同，仅训练改变全连接层无法达到理想效果，本方案基于最大均值差异(MMD)对构建的模型进行迁移学习，减小实测叶片光谱图像和模拟光亮度图特征分布的差异，提高网络的迁移能力，使模型具有更好的泛化能力，可以有效解决过拟合问题，提高叶绿素含量预测的准确率；
[0033]2.本方案基于面光源的蒙特卡洛模拟方法构建的模型，所需样本数量较少，降低了数据大量实测样本造成的成本损耗，且面光源相较于点光源，能够获取更多的光谱图像和光谱信息，提升了模型的鲁棒性。
附图说明
[0034]图1为本专利技术实施例的模块示意图。
[0035]图2为本专利技术实施例的流程示意图。
具体实施方式
[0036]下面通过具体实施方式进一步详细说明：
[0037]实施例基本如附图1
‑
图2所示：
[0038]一种分层式检测光谱新特征的反演叶片叶绿素含量的系统，包括信号连接的服务器、存储器、数据采集模块、叶绿素含量采集模块和迁移学习模块；
[0039]服务器用于系统指令的接收、发送和反演模型的构建；
[0040]存储器用于数据的存储；
[0041]数据采集模块用于高光谱图像、反射率和透射率的数据采集；
[0042]叶绿素含量采集模块用于获取实测数据中叶绿素含量的采集；
[0043]迁移学习模块用于模型进行MMD迁移学习。
[0044]具体实施过程如下：
[0045]数据采集阶段：利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分层式检测光谱新特征的反演叶片叶绿素含量的系统，其特征在于：包括信号连接的服务器、存储器、数据采集模块、叶绿素含量采集模块和迁移学习模块；服务器用于系统指令的接收、发送和反演模型的构建；存储器用于数据的存储；数据采集模块用于高光谱图像、反射率和透射率的数据采集；叶绿素含量采集模块用于获取实测数据中叶绿素含量的采集；迁移学习模块用于模型进行MMD迁移学习；分层式检测光谱新特征的反演叶片叶绿素含量的系统预测叶绿素含量的步骤如下：S1、数据采集模块采集叶片的高光谱图像、反射率和透射率，并做预处理，提取特征波段和光学特征参数，叶绿素含量采集模块采集叶片的叶绿素含量；S2、服务器基于特征波段、光学特征参数和叶绿素含量构成的实测数据，构建面光源下的蒙特卡洛单层平板模型，利用蒙特卡洛方法模拟光子在叶片中的运动轨迹，得到仿真数据，利用蒙特卡洛单层平板模型对仿真数据进行训练，得到预训练模型；S3、服务器基于MMD迁移学习得到叶绿素反演模型；S4、将光谱数据输入叶绿素反演模型，得到全连接层的输出结果作为偏最小二乘的输入，得到叶绿素含量回归结果。2.根据权利要求1所述的分层式检测光谱新特征的反演叶片叶绿素含量的系统，其特征在于：基于数据采集模块获取的高光谱图像，服务器采用S
‑
G平滑方法进行去噪。3.根据权利要求2所述的分层式检测光谱新特征的反演叶片叶绿素含量的系统，其特征在于：服务器采用SPA算法选取特征波段，将特征波段按层排序。4.根据权利要求3所述的分层式检测光谱新特征的反演叶片叶绿素含量的系统，其特征在于：基于数据采集模块获取反射率和透射率，服务器采用IAD算法进行迭代计算获取光学特征参...

【专利技术属性】
技术研发人员：侯学会，
申请(专利权)人：山东省农业科学院，
类型：发明
国别省市：