详情

原文传递一种生菜全氮含量高光谱反演模型的建立方法及其应用

专利名称：	一种生菜全氮含量高光谱反演模型的建立方法及其应用
摘要：	本发明属于农业叶片检测领域，公开了一种生菜全氮含量高光谱反演模型的建立方法及其应用。该方法包括步骤：采集生菜叶片，通过使用BP神经网络对生菜叶片的高光谱位置变量与植被指数变量和全氮含量进行模型建立，最终得到生菜叶片的全氮含量估算模型。针对需要检测全氮含量的生菜，首先使用高光谱仪采集该生菜叶片的高光谱数据，包括高光谱位置变量和植被指数变量；再将高光谱数据输入获得的最佳生菜全氮含量高光谱反演模型中即可计算得出待测生菜全氮含量。本发明仅在模型建立时需要对生菜菜叶进行破坏性检测，在模型建立后只需获得生菜菜叶的高光谱数据即可通过计算进行对生菜菜叶全氮含量的估算，具有实时、快速和无损的特点。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	华南农业大学
发明人：	雷炳富;吴伟斌;张震邦;黄家曦
专利状态：	有效
申请日期：	2019-06-28T00:00:00+0800
发布日期：	2019-10-11T00:00:00+0800
申请号：	CN201910578419.8
公开号：	CN110320164A
代理机构：	广东广信君达律师事务所
代理人：	张燕玲
分类号：	G01N21/25(2006.01);G;G01;G01N;G01N21
申请人地址：	510642 广东省广州市天河区五山路483号
主权项：	1.一种生菜全氮含量高光谱反演模型的建立方法，其特征在于包括以下操作步骤：步骤S1、随机采集多片生菜叶片；步骤S2、采集每一片生菜叶片的高光谱数据；步骤S3、用化学方法检测采集的生菜叶片的全氮含量；步骤S4、利用BP神经网络算法对生菜叶片的高光谱数据和生菜叶片的全氮含量进行建模：先对高光谱数据进行归一化处理，然后设置神经网络结构、激活函数和停止条件，再将数据输入神经网络，待计算得出神经网络特征值后，保存模型用于预测全氮含量；步骤S5、计算决定系数和标准误差对步骤S4建好的模型进行筛选并确定最佳生菜全氮含量高光谱反演模型。 2.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S1中采集的生菜叶片，需要按照2:1的比例分成模型建立组与模型验证组。 3.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S2中采集的高光谱数据为高光谱位置变量和植被指数变量；高光谱位置变量包括绿边幅值Dg、绿边幅值位置λg、红边谷值Dr、红边谷值位置λr、红谷反射率Rγ、红谷位置λb、绿峰反射率Rɡ和绿峰位置λɡ；植被指数变量包括绿峰反射率与红谷反射率的比值VI1，绿峰反射率与红谷反射率归一化值VI2； 4.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S3中采集的生菜叶片的全氮含量是按照以下方法进行检测：先把生菜叶片放入105℃的烘箱中杀青两小时，再放入55℃的烘箱中烘干，直至恒重后，研磨成粉末，然后采用H2SO4-H2O2消煮-奈氏比色法进行全氮含量测定。 5.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S4中归一化处理的公式为其中xni为第i个被标准化处理后的高光谱数据，xi为第i个高光谱数据，xmin为高光谱数据中的最小值，xmax为高光谱数据中的最大值；神经网络结构为1-8-1结构，则为输入层1个输入单元，隐含层8个单元，输出层1个单元；激活函数使用sigmoid函数，公式为：停止条件为迭代次数达到100次。 6.根据权利要求1所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述步骤S5中决定系数为R2，标准误差为SE：其中为标准化处理后高光谱数据的均值，fi为标准化处理后高光谱数据的拟合值；使用决定系数和标准误差筛选并确定最佳生菜全氮含量高光谱反演模型的方法是：选择决定系数最大，标准误差最小的模型，优先考虑决定系数，其次再考虑标准误差。 7.根据权利要求6所述的一种生菜全氮含量高光谱反演模型的建立方法，其特征在于：所述最佳生菜全氮含量高光谱反演模型表达为以下公式： 8.一种利用权利要求1所述的方法建立的生菜全氮含量高光谱反演模型在测定生菜全氮含量中的应用，其特征在于：该应用包括以下步骤：针对需要检测全氮含量的生菜，首先使用高光谱仪采集该生菜叶片的高光谱数据，包括高光谱位置变量和植被指数变量；再将获得的高光谱数据输入最佳生菜全氮含量高光谱反演模型中即可计算得出待测生菜全氮含量。
所属类别：	发明专利