桂花树苗-桂花氮素的多特征融合检测研究

核心词：桂花树苗 桂花氮素特征融合检测研究 桂花氮素特征融合检测研究的 多特征融合检测研究 特征融合检测研究 融合检测研究 检测研究 
目录：
1、本研究提出将高光谱成像和三维激光扫描技术相结合
2、通过手持扫描的方式
3、N为测试样本的含氮量
4、进行数据修复时
5、如图4所示
6、茎粗计算从底部4cm开始
7、作物长势特征能够用于桂花氮素的检测
8、利用剩余的25个样本进行模型验证
　　基金项目:国家自然科学基金重点项目(编号;国家科技支撑计划(编号:2014BAD08B0;中国博士后科学基金(编号;江苏高校优势学科建设工程资助项目;江苏省农业装备与智能化高技术研究重点实验室项目(编号:BM;江苏大学高级专业人才基金(编号:10JDG08;江苏大学博士后基金。

作者简介:张晓东,男,河南洛阳人,博士,副研究员,主要从事高光谱和机器视觉技术在设施作物生长信息检测应用方面的研究。

E-mail:zxd700227@126.com。

目前我国设施面积已达380万hm2,其中桂花种植面积186万hm2,产量已占世界产量的近1/3,但由于缺乏先进科学的营养调控方法,设施桂花的氮肥利用效率仅为35,不及设施发达国家的1/2;因此对桂花生长过程信息进行精确监测,实现基于作物生长需求反馈的精确调控具有现实意义。

目前替代传统人工和化学测定的高光谱遥感、视觉图像等作物氮素的无损探测方法,因其具有快速性和时效性,且不影响作物生长等优势,已有许多相关研究,并取得了一些成果。

但研究大多仅针对氮素丰缺导致的反射特性差异进行氮素诊断,而作物氮素丰缺会直接导致其生物量、茎粗和植株高度等的差异,因而同样可以作为有效特征进行作物氮素的反演;与传统的视觉图像和接触式的测量方法相比,三维激光扫描能够同步获取植株的整体形貌特征,且精度较高,融合检测研究特征融合检测研究可实现作物长势综合特征的精确提取和分析。
　　

本研究提出将高光谱成像和三维激光扫描技术相结合

　　本研究提出将高光谱成像和三维激光扫描技术相结合,充分利用氮素丰缺导致的桂花叶片尺度的高光谱图像特征,以及冠层尺度的生物量、株高、茎粗等形态特征差异,通过多尺度多特征信息融合进行桂花氮素的定量分析,有效提高了桂花氮素营养的检测精度,为设施水肥精确管理提供了科学依据。为实现对桂花氮素的精确控制,采用无土栽培;在保证其他营养元素均衡的条件下,对氮素进行精确控制,以获取不同氮素水平的桂花样本。根据山崎配方配置营养液,样本分N1、N2、N3、N4、N5组5个氮素水平处理,配置标准配方中N的浓度分别为0、50、100、150、200%的营养液(均为质量分数,每个水平10株,共50株样本。高光谱图像采集与处理利用高光谱图像采集系统采集桂花叶片的高光谱图像数据,设定高光谱成像的曝光时间为900ms,扫描速度为1.25mm/s,以保证图像的清晰且不失真;之后进行黑场和白场标定,设定强度区间在0～4000;高光谱图像数据的采集是基于SpectralCube软件平台;采样光谱区间为390.8～1050.1nm,分辨率为1.3nm,同步获取采样区间内由512幅不同谱段图像构成的高光谱图像数据立方体。基于ENVIV.4软件平台对数据进行处理。桂花长势信息扫描与数据获取采用手持式自定位三维激光扫描仪采桂花的三维形态,如图1所示,三维激光扫描仪由计算机、Handyscan3D、FireWire适配器、FireWire电缆、电源等部件组成。该仪器测量速度25measures/s,多特征融合检测研究分辨率0.05mm,精度0.04mm,拍摄距离300mm,视野深度±150mm,检测研究激光交叉区域210mm×210mm。进行扫描时,首先在桂花和花盆上粘贴直径为6mm的反射目标点,桂花植株形态复杂,因此两目标点之间的距离控制在20mm;之后,用三维激光扫描仪测量校准板,以校正传感器参数;为了保证三维形态模型清晰,经试验分析,设定激光功率为65,快门时间为7.2ms,分辨率为0.5mm。
　　

通过手持扫描的方式

　　通过手持扫描的方式,依次获取所有桂花样本的三维数据。植株氮素测定样本含氮量测定采用凯氏定氮法,利用AA3连续流动分析仪对样本进行分析,通过式计算含氮量。N=cm×100。
　　

N为测试样本的含氮量

　　式中:N为测试样本的含氮量;c为样品液仪器观测值;m为测试样本的质量;w为测试样本的含水率。图像背景分割为了获取桂花叶片的高光谱目标图像,本研究利用ENVI软件,通过对目标图像和背景的阈值分析,最终选择476nm图像基于双峰法进行阈值分割,分割阈值为187;并将分割后的二值化目标图像进行灰度反转,填补残留,去除孤立噪点;在此基础上,将原始图像与处理后的二值化目标图像进行像素点相乘,得到桂花样本的高光谱序列目标图像。氮素特征谱段提取为了降低冗余,检测研究融合检测研究提高特征的有效性,本研究采用敏感区间分段逐步回归法,进行氮素特征的筛选,以往的研究表明,桂花氮素主要所处的敏感区间为390～471、520～581、610～673nm的光谱区域,逐步回归法是在所考虑的全部变量中,按其对含氮量显着程度,取舍变量。在此基础上,经过相关性分析,最终选取454、549、556、663nm图像的灰度均值作为氮素高光谱图像特征。AG=1N∑Nt=1fi。式中:AG代表敏感波长下的桂花叶片图像灰度均值,N代表整个图像中叶片区域的像素点个数;f表示各像素点的灰度值。N=1.75+7.81AG454+22.96AG549-27.21AG560+10.13AG663。利用剩余的25个样本进行预测分析,桂花氮素特征融合检测研究桂花树苗模型的相关系数为0.91,均方根误差为0.66,表明高光谱图像特征能够进行桂花氮素检测,但精度有待提高。三维扫描数据预处理为了克服三维激光扫描时,由于样本周围物体的反射干扰产生的噪点,以及桂花叶片重叠导致的扫描漏洞等问题,本研究采用Geomagicqualify逆向工程软件对模型进行修复,以获取精确的扫描模型。
　　

进行数据修复时

　　进行数据修复时,首先利用Geomagicqualify软件将由三角形组成的桂花模型转化为点云,剔除多余的噪声点;之后利用封装将三维点云转化为由三角形组成的曲面模型;进而对桂花表面存在漏洞的部分进行填补;最后对桂花模型进行平滑处理。图3-a、图3-c为原始俯视、主视三维数据,图3-b、图3-d为进行模型修复后的三维数据。经过数据修复处理后,有效消除了干扰噪点,并使三维数据保持连续。
　　

如图4所示

　　如图4所示,桂花区域由n个大小为a×a×a的立方体组成(立方体的边长a小于桂花叶片的厚度,通过计算有效立方体个数之和得到桂花体积。此算法可以不考虑桂花形态,只需判断立方体单元的数量和有效性,其中有效立方体代表桂花的实体部分,无效立方体为桂花体积之外的部分。式中:V为桂花的体积,Sk为桂花的横截面面积,a为立方体的边长,M为有效像素格。该模型的相关系数为0.97,均方根误差为0.32,利用获取的桂花植株体积结合生物量模型,可实现生物量特征的精确反演。Ph=zmax-zmin=z1-z2。
　　

茎粗计算从底部4cm开始

　　茎粗计算从底部4cm开始,沿着株高方向每隔5mm截取桂花茎部截面,截取3段横截面,计算每个横截面的直径,求其平均值计算桂花的茎粗。桂花茎部横截面图像由一层近似于圆的点云组成,在x-y平面内求出沿x轴方向的最大值xmax、最小值xmin,沿y轴方向的最大值ymax、ymin,即可计算此横截面的直径。Sc∑3i=1/6。式中:Sc为桂花的茎粗,ximax和ximin为第i层横截面图像上沿x轴方向的最大值和最小值;yimax和yimin为第i层横截面图像上沿x轴方向的最大值和最小值。模型的相关系数为0.92,均方根误差为0.79。
　　

作物长势特征能够用于桂花氮素的检测

　　结果表明,作物长势特征能够用于桂花氮素的检测,但由于氮素只是影响作物长势的主要因素之一,但仅依靠单一长势特征进行氮素诊断,难以达到理想的效果。本研究基于获取的454、549、556、663nm高光谱图像特征以及茎粗、株高和生物量等长势特征,利用偏最小二乘回归进行信息融合,建立桂花氮素的多特征检测模型。xir。式中:x为特征向量特征值;i为特征序号;xmin、xmax为特征向量中的样本特征值的最小值和最大值。N-4.15+8.23AG454+15.36AG549+27.91AG556-31.85AG663+3.52Sc-3.78Ph+0.29Bm。
　　

利用剩余的25个样本进行模型验证

　　利用剩余的25个样本进行模型验证,模型预测值与实测值的相关系数为0.94,均方根误差为0.48(图,表明融合了高光谱图像和长势特征的模型预测精度明显提高。本研究基于高光谱成像结合三维激光扫描技术,针对桂花氮素进行快速无损探测,获取了氮素的特征图像,以及不同氮素条件下,桂花氮素特征融合检测研究的桂花氮素特征融合检测研究苗期桂花的长势参数的响应规律。采用敏感区间逐步回归法结合自适应波段选择法优选出454、549、556、663nm等桂花氮素的特征波长;基于三维激光扫描技术获取了桂花的三维形貌,通过建立空间几何模型,提取了茎粗、株高和生物量等形态特征参数;采用PLSR法建立了桂花氮素多尺度多特征融合检测模型,模型精度达到了0.94。所提取的特征和选用的模型,能够为基于作物生长反馈的环境调控提供了科学依据。