[發(fā)明專利]基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法

在審

• 申請?zhí)枺?/td>: 202110004140.6
• 申請日: 2021-01-04
• 公開（公告）號: CN112834442A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設計）人: 崔寧博;吳宗俊;邢立文;何清燕;何紫玲
• 申請（專利權）人: 四川大學
• 主分類號: G01N21/27
• 分類號: G01N21/27;G01N21/25
• 代理公司: 無錫風創(chuàng)知識產(chǎn)權代理事務所(特殊普通合伙) 32461
• 代理人: 劉永凡

1.基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其方法步驟如下：

S1、數(shù)據(jù)采集：采用多光譜相機在自然光條件下采集作物圖像；

S2、多光譜圖像處理：采用多光譜圖像處理算法從所采集的圖像中獲取作物檢測的圖像特征參數(shù)；

S3、建立葉綠素和氮素含量監(jiān)測模型：采用多元線性回歸進行建模，得到作物葉綠素和氮素含量預測模型結果；

S4、作物長勢參數(shù)反演：采用NDVI進行作物信息提取，反演作物的生長指標、生理指標、產(chǎn)量與品質指標；

S5、聚類分析：采用K-means和EM算法對多光譜圖像參數(shù)進行分類。

2.根據(jù)權利要求1所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述S1中的多光譜相機采用3CDD多光譜相機。

3.根據(jù)權利要求1所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述S2中的多光譜圖像處理算法包括如下步驟：

①、圖像格式轉換；

②、NIR、R、G通道分離；

③、圖像濾波；

④、NIR圖像閾值分割；

⑤、多光譜圖像分割；

⑥、作物冠層灰度NIR、R、G均值；

⑦、植被指數(shù)計算。

4.根據(jù)權利要求3所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述圖像濾波包括如下姿態(tài)：

姿態(tài)一：空間域圖像濾波：采用均值濾波法將圖像區(qū)域內(nèi)任意點的灰度值等于其局部鄰域內(nèi)所有灰度值的平均值；

姿態(tài)二：基于小波變換的圖像濾波：利用小波變換的多分辨率可以對圖像進行分解和重構。

5.根據(jù)權利要求4所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述空間域圖像濾波3*3鄰域模板算子如式：

6.根據(jù)權利要求3所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述NIR圖像閾值分割包括以下姿態(tài)：

姿態(tài)一：模態(tài)法：當圖像中的目標物和背景的灰度差別較大時，依據(jù)設定閾值T，對數(shù)字圖像f(i,j)的每個像素，做如下變換:

其中，go,g1分別為處理后的背景和目標物中像素的灰度值；

姿態(tài)二：Otsu算法：類間方差計算公式如下：

式中，為最大值時的T即為圖像分割的最佳閾值，ω為灰度級，μ為圖像平均灰度。

7.根據(jù)權利要求3所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述多光譜圖像分割采用NIR波段圖像分割。

8.根據(jù)權利要求3所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述植被指數(shù)計算公式如下：

G_IA＝∑g_G(i，j)/n；

R_IA＝∑g_R(i，j)/n；

NIR_IA＝∑g_NIR(i，j)/n

式中，G_A、R_IA、NIR_IA即為綠色、紅色和近紅外波段作物冠層灰度平均值。

9.根據(jù)權利要求1所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述S3中的多元線性回歸進行建模計算公式為：

y＝β₀+β₁x₁+β₂x₂+…+β_px_p+ε

式中，p為一種元線性回歸模型。

10.根據(jù)權利要求1所述的基于多光譜數(shù)據(jù)的大區(qū)域尺度作物生長實時監(jiān)測方法，其特征在于：所述S4中NDVI進行作物信息提取計算公式如下：

NDVI＝(R_nir-R_red)/(R_nir+R_red)

式中，R_nir為近紅外波段的反射率，R_red為紅光波段的反射率。