本发明专利技术公开了一种植物叶片叶绿素含量检测方法。它包括以下步骤：采集待测植物叶片样本的高光谱反射率数据，所述高光谱反射率数据包括n个波长对以及波长对中每个波长对应的光谱反射率；根据高光谱反射率数据计算出待测植物叶片样本对应的光谱指数；将光谱指数输入叶绿素含量预测模型，叶绿素含量预测模型输出待测植物叶片样本的叶绿素含量。本发明专利技术能够对植物叶片进行无损检测，提高了检测精度，能够适用于不同生长环境的不同植物叶片，适用性强。
1、在现代农业和生态监测领域，植物叶绿素含量的准确检测对于作物管理、植物生理研究以及环境监测具有重要意义。叶绿素是植物光合作用的关键元素，其含量直接反映了植物的健康状况、营养吸收情况以及环境压力。
2、植物叶片叶绿素含量的传统测定方法为化学法，如分光光度法、高效液相色谱法，此类方法皆需对样品进行研磨及用乙醇或丙酮等化学试剂进行浸提，具有检测精确度高的优点，但是存在操作繁琐、耗时费力、效率低、对叶片有破坏性的缺点。
3、近年来，光谱分析技术被广泛应用于植物叶片叶绿素含量的检测中，基于光谱分析技术的叶绿素含量检测方法具有操作简单、检测快速、对叶片没有破坏性的优点，但是检测精确度不如化学法。该方法是构建植物叶片的叶绿素含量与光谱指数的预测关系模型，将待测植物叶片的光谱指数输入预测关系模型，得到待测植物叶片的叶绿素含量。现有的光谱指数的计算方法为采集植物叶片在近红外波段的光谱反射率nir、红光波段的光谱反射率r，根据公式ndvi=(nir-r)/ (nir+r)计算出光谱指数ndvi，该光谱指数的计算方法存在如下缺点：
>7、（4）未能充分考虑叶绿素与光谱反射率之间的复杂非线性关系，特别是在不同波长组合下，叶绿素与光谱反射率的响应关系并非简单的线性关系。8、综上所述，现有的基于光谱分析技术的叶绿素含量检测方法依赖于光谱图像中的敏感波长与叶绿素含量的线性或简单非线性关系，在面对复杂的波长组合和非线性特性时往往存在局限性，影响了检测精度，且适用性较差。
技术实现思路
1、本专利技术为了解决上述技术问题，提供了一种植物叶片叶绿素含量检测方法，其能够对植物叶片进行无损检测，提高了检测精度，能够适用于不同生长环境的不同植物叶片，适用性强。
2、为了解决上述问题，本专利技术采用以下技术方案予以实现：
3、本专利技术的一种植物叶片叶绿素含量检测方法，包括以下步骤：
4、s1：采集待测植物叶片样本的高光谱反射率数据，所述高光谱反射率数据包括n个波长对以及波长对中每个波长对应的光谱反射率，n＞1；
5、s2：根据高光谱反射率数据计算出待测植物叶片样本对应的光谱指数；
6、s3：将光谱指数输入叶绿素含量预测模型，叶绿素含量预测模型输出待测植物叶片样本的叶绿素含量。
7、作为优选，所述叶绿素含量预测模型通过如下方法获得：
8、n1：准备g个与待测植物叶片样本同种类的植物叶片样本作为训练样本；
9、n2：采集每个训练样本的高光谱反射率数据，采用化学法检测每个训练样本的叶绿素含量；
10、n3：根据高光谱反射率数据计算出每个训练样本对应的光谱指数；
11、n4：每个训练样本的叶绿素含量、光谱指数组成该训练样本的样本数据，将所有样本数据输入机器学习模型进行训练，将训练完成的机器学习模型作为叶绿素含量预测模型。
12、作为优选，所述采集植物叶片样本的高光谱反射率数据的方法如下：
13、m1：采集植物叶片样本的光谱数据；
14、m2：在波长区间[550nm,680nm)内选取n1个波长对，在波长区间[680nm,750nm)内选取n2个波长对，在波长区间[750nm,850nm]内选取n3个波长对，n=n1+n2+n3，所述波长对包括两个不同大小的波长；
15、m3：根据光谱数据计算出植物叶片样本在每个波长对中每个波长处的光谱反射率。
16、作为优选，所述根据高光谱反射率数据计算出植物叶片样本对应的光谱指数的公式如下：
17、，
18、，
19、其中，ci为光谱指数，(λi1,λi2)为第i个波长对，λi1为第i个波长对中较大的波长，λi2为第i个波长对中较小的波长，λi1≠λi2，wi为第i个波长对对应的权重，a为正数，为该植物叶片样本在波长λi1处的光谱反射率，为该植物叶片样本在波长λi2处的光谱反射率，为第i个波长对对应的分段指数，1≤i≤n。
20、光谱数据在不同波段（可见光区域、红边区域、近红外区域）下的特性和变化趋势各不相同，自适应的分段指数ki可以根据波段特性对指数进行灵活调整，使得光谱指数计算公式可以在高反射率和低反射率的波段下分别应用不同的非线性程度，增强叶绿素含量检测方法的适应性。
21、作为优选，所述波长对中的两个波长的差值的绝对值大于或等于10nm。
22、作为优选，所述n2＞n1=n3。
23、作为优选，任意两个波长对中的波长都不相同。
24、作为优选，所述第i个波长对对应的权重wi的计算公式如下：
25、，
26、，
27、，
28、其中，hi1为波长λi1对应的信息熵，hi2为波长λi2对应的信息熵，pk(i1)为在波长λi1处的光谱反射率为ri1的植物叶片样本的叶绿素含量位于第k个叶绿素含量区间的概率，pk(i2)为在波长λi2处的光谱反射率为ri2的植物叶片样本的叶绿素含量位于第k个叶绿素含量区间的概率，m为叶绿素含量区间的个数，1≤k≤m。
29、信息熵反映了数据的不确定性或信息量，在光谱数据中，不同波长的光谱反射率往往携带不同的信息，可以通过信息熵来衡量其贡献。权重是通过光谱反射率分布的信息熵的倒数来计算的，信息熵越小，权重越大，表示对应波长对越重要；信息熵越大，权重越小，表示对应波长对越不重要。
30、作为优选，所述机器学习模型为偏最小二乘回归模型、随机森林模型或梯度提升决策树模型。
31、作为优选，所述步骤n2中采用分光光度法或高效液相色谱法检测每个训练样本的叶绿素含量。
32、本专利技术的有益效果是：（1）能够对植物叶片进行无损检测，分别在可见光区域（550nm-680nm）、红边区域（680nm-750nm）、近红外区域（750nm-850nm）选取多个波长对并提取波长对中每个波长对应的光谱反射率，并结合光谱指数计算公式计算出光谱指数，光谱指数计算公式引入了自适应的分段指数，从而提高了检测精度，能够适用于不同生长环境的不同植物叶片，适用性强，抗噪声能力强。（2）光谱指数计算公式引入了自适应的权重，权重由波长对应的信息熵决定，进一步提高了检测精度。
本文档来自技高网...
【技术保护点】
1.一种植物叶片叶绿素含量检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述叶绿素含量预测模型通过如下方法获得：
3.根据权利要求1所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述采集植物叶片样本的高光谱反射率数据的方法如下：
4.根据权利要求3所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述根据高光谱反射率数据计算出植物叶片样本对应的光谱指数的公式如下：
5.根据权利要求3所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述波长对中的两个波长的差值的绝对值大于或等于10nm。
6.根据权利要求3所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述n2＞n1=n3。
7.根据权利要求3所述的一种植物叶片叶绿素含量检测方法，其特征在于，任意两个波长对中的波长都不相同。
8.根据权利要求4所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述第i个波长对对应的权重wi的计算公式如下：
9.根据权利要求2所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述机器学习模型为偏最小二乘回归模型、随机森林模型或梯度提升决策树模型。
10.根据权利要求2所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述步骤N2中采用分光光度法或高效液相色谱法检测每个训练样本的叶绿素含量。
...
【技术特征摘要】
1.一种植物叶片叶绿素含量检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述叶绿素含量预测模型通过如下方法获得：
3.根据权利要求1所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述采集植物叶片样本的高光谱反射率数据的方法如下：
4.根据权利要求3所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述根据高光谱反射率数据计算出植物叶片样本对应的光谱指数的公式如下：
5.根据权利要求3所述的一种植物叶片叶绿素含量检测方法，其特征在于，所述波长对中的两个波长的差值的绝对值大于或等于10nm。
6.根据权利要...
【专利技术属性】
技术研发人员：朱逢乐，沈跃铖，赵章风，彭继宇，张宇谦，周壮飞，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。