详情

原文传递一种基于高光谱的苹果叶片含氮量检测方法

专利名称：	一种基于高光谱的苹果叶片含氮量检测方法
摘要：	本发明提供了一种基于高光谱的苹果叶片含氮量检测方法，包括以下步骤：步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；步骤2，对光谱数据展开特征波长分析并提取特征向量；步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；步骤4，使用交叉验证优化反演模型参数；步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。本发明的苹果叶片含氮量检测方法更准确，验证了特征波长提取方法的有效性，并为高光谱无损检测技术在苹果树营养元素含量快速检测和生长发育态势实时监测等方面的应用提供参考依据。
专利类型：	发明专利
国家地区组织代码：	山东;37
申请人：	青岛农业大学
发明人：	白皓然;孙伟浩;徐树生;李凤梅;柳松;马皓冉;夏鹏辉
专利状态：	有效
申请日期：	2021-12-17T00:00:00+0800
发布日期：	2022-03-18T00:00:00+0800
申请号：	CN202111551944.4
公开号：	CN114199793A
代理机构：	青岛鼎丞智佳知识产权代理事务所(普通合伙)
代理人：	王敬花;韩耀朋
分类号：	G01N21/27;G06N20/00;G;G01;G06;G01N;G06N;G01N21;G06N20;G01N21/27;G06N20/00
申请人地址：	266109 山东省青岛市城阳区长城路700号
主权项：	1.一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，包括以下步骤：步骤1，对苹果生长发育的四个时期的叶片进行采集并进行光谱扫描；步骤2，对光谱数据展开特征波长分析并提取特征向量；步骤3，依据GBDT算法搭建机器学习反演模型，将步骤2中提取出的特征向量作为输入矢量导入反演模型中；步骤4，使用交叉验证优化反演模型参数；步骤5，用优化完成后的反演模型对苹果叶片氮含量进行检测。 2.如权利要求1所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤1中对苹果生长发育的四个时期的叶片进行采集，分别是盛花期、新梢旺长期、春梢旺长期和秋梢旺长期。 3.如权利要求1中所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤2中对光谱数据展开特征波长分析并提取特征向量，是在不同导数间隙上分别对微分光谱、微分光谱变换和植被光谱指数三个方面展开特征波长分析，并选择提取出来微分光谱、光谱变换得到的光谱向量以及植被光谱指数共13个特征向量作为GBDT反演模型的输入向量。 4.如权利要求3所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于，对光谱数据展开特征波长分析并提取特征向量的具体步骤为： S1：将采集的苹果树叶片原始高光谱数据分别进行导数间隙为1至30的一阶微分变换，微分变换的公式为： FDi代表波长为i时的一阶微分值，Ri代表波长为i时的高光谱反射率值，w代表导数间隙值，对苹果叶片氮含量与变换后的一阶微分光谱值分别进行相关性分析，依据相关性分析结果，确定30种导数间隙下与苹果树叶片氮含量显著相关的5个敏感波长，构建苹果叶片氮素含量的光谱参量，从高到低分别为FDW1_806，FDW2_837，FDW4_813，FDW11_415，FDW17_1001； S2：使用原始光谱向量分别做倒数，对数的光谱向量变换，构建倒数、对数的微分光谱向量，对光谱向量与氮含量进行相关性分析选定倒数光谱的第775nm处的光谱向量，对数光谱第801nm处的光谱向量作为特征向量； S3：选择六个具有明确物理意义和高度识别度的光谱指数进行比较分析，根据分析结果，选择NDVI705_1、MNDVI_3、VOG3_23、PRI_1、NDCI_7和RVI3_8作为氮含量估算的光谱向量。 5.如权利要求1所述的一种基于高光谱的苹果叶片含氮量检测方法，其特征在于：所述步骤4中使用交叉验证优化反演模型参数，是通过交叉验证对GBDT算法中影响估计精度的最大深度、损失函数和迭代次数的反演模型参数进行了优化。
所属类别：	发明专利