[發明專利]一種基于機器學習和高光譜的柑橘葉片磷素預測方法、系統

在審

• 申請號: 202310038528.7
• 申請日: 2023-01-26
• 公開（公告）號: CN116008194A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 周靖靖;胡青青;佃袁勇;張金智;胡春根;劉永忠
• 申請（專利權）人: 華中農業大學
• 主分類號: G01N21/25
• 分類號: G01N21/25;G06N3/0464;G06N3/084;G01N21/31;G01N21/55;G01N21/3563;G01N21/359
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 謝洋

1.一種基于機器學習和高光譜的柑橘葉片磷素預測方法，其特征在于，包括：

獲取柑橘葉片樣本的多張高光光譜和每張光譜對應的磷素含量；

從每張高光光譜中提取多個一階微分光譜，并計算每張高光光譜對應的多個植被指數；

基于所述多個一階微分光譜和所述多個植被指數，構建并訓練多個預測柑橘葉片磷素含量的機器學習模型并計算每個機器學習模型的準確率；

利用準確率最高的機器學習模型預測待測柑橘葉片的磷素含量。

2.根據權利要求1所述的基于機器學習和高光譜的柑橘葉片磷素預測方法，其特征在于，所述從每張高光光譜中提取多個一階微分光譜，并計算每張高光光譜對應的多個植被指數包括：

將每片葉片的光譜與磷素含量一一對應，利用重要性排序提取多個光譜特征參數，所述多個光譜特征參數包括4個植被指數和18個一階微分光譜。

3.根據權利要求2所述的基于機器學習和高光譜的柑橘葉片磷素預測方法，其特征在于，所述多個植被指數包括花青素反射指數和轉化葉綠素吸收率。

4.根據權利要求1所述的基于機器學習和高光譜的柑橘葉片磷素預測方法，其特征在于，所述基于多個一階微分光譜和多個植被指數，構建并訓練多個預測柑橘葉片磷素含量的機器學習模型包括：

將所述多個一階微分光譜和所述多個植被指數融合為特征向量；

基于所述特征向量和每張光譜對應的磷素含量，訓練隨機森林模型、BP神經網絡、偏最小二乘法模型和支持向量機模型。

5.根據權利要求4所述的基于機器學習和高光譜的柑橘葉片磷素預測方法，其特征在于，所述利用準確率最高的機器學習模型預測待測柑橘葉片的磷素含量包括：

利用隨機森林模型預測待測柑橘葉片的磷素含量。

6.根據權利要求1至5任一項所述的基于機器學習和高光譜的柑橘葉片磷素預測方法，其特征在于，所述獲取柑橘葉片樣本的多張高光光譜和每張光譜對應的磷素含量包括：

利用全自動間斷分析法對每個柑橘葉片的磷素含量進行測定。

7.一種基于機器學習和高光譜的柑橘葉片磷素預測系統，其特征在于，包括：

獲取模塊，用于獲取柑橘葉片樣本的多張高光光譜和每張光譜對應的磷素含量；

提取模塊，用于從每張高光光譜中提取多個一階微分光譜，并計算每張高光光譜對應的多個植被指數；

訓練模塊，用于基于所述多個一階微分光譜和所述多個植被指數，構建并訓練多個預測柑橘葉片磷素含量的機器學習模型并計算每個機器學習模型的準確率；

預測模塊，用于利用準確率最高的機器學習模型預測待測柑橘葉片的磷素含量。

8.根據權利要求7所述的基于機器學習和高光譜的柑橘葉片磷素預測系統，其特征在于，所述訓練模塊包括：

融合單元，用于將所述多個一階微分光譜和所述多個植被指數融合為特征向量；

訓練單元，用于基于所述特征向量和每張光譜對應的磷素含量，訓練隨機森林模型、BP神經網絡、偏最小二乘法模型和支持向量機模型。

9.一種電子設備，包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序，當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現如權利要求1至6任一項所述的基于機器學習和高光譜的柑橘葉片磷素預測方法。

10.一種計算機可讀介質，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現如權利要求1至6任一項所述的基于機器學習和高光譜的柑橘葉片磷素預測方法。