CN109632688A - 一种植物秧苗养分盈亏状态识别方法及光谱检测系统 - Google Patents
一种植物秧苗养分盈亏状态识别方法及光谱检测系统 Download PDFInfo
- Publication number
- CN109632688A CN109632688A CN201811435095.4A CN201811435095A CN109632688A CN 109632688 A CN109632688 A CN 109632688A CN 201811435095 A CN201811435095 A CN 201811435095A CN 109632688 A CN109632688 A CN 109632688A
- Authority
- CN
- China
- Prior art keywords
- plant seedlings
- cotyledon
- profit
- loss state
- spectrometer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 93
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000003595 spectral effect Effects 0.000 title claims description 22
- 239000003337 fertilizer Substances 0.000 claims abstract description 34
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 20
- 235000009566 rice Nutrition 0.000 claims abstract description 20
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 10
- 238000009331 sowing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 23
- 241000209094 Oryza Species 0.000 claims description 22
- 239000013307 optical fiber Substances 0.000 claims description 15
- 238000000985 reflectance spectrum Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010899 nucleation Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000002791 soaking Methods 0.000 claims description 4
- 238000004659 sterilization and disinfection Methods 0.000 claims description 4
- 238000003756 stirring Methods 0.000 claims description 4
- 235000013311 vegetables Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000004720 fertilization Effects 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 4
- 239000000126 substance Substances 0.000 abstract description 4
- 208000031968 Cadaver Diseases 0.000 abstract description 2
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 40
- 240000003768 Solanum lycopersicum Species 0.000 description 40
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 32
- 229910052757 nitrogen Inorganic materials 0.000 description 16
- 229910052698 phosphorus Inorganic materials 0.000 description 11
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 10
- 239000011574 phosphorus Substances 0.000 description 10
- 229910052700 potassium Inorganic materials 0.000 description 9
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 8
- 239000011591 potassium Substances 0.000 description 8
- 239000000284 extract Substances 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 244000061458 Solanum melongena Species 0.000 description 3
- 235000002597 Solanum melongena Nutrition 0.000 description 3
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229940072033 potash Drugs 0.000 description 2
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 2
- 235000015320 potassium carbonate Nutrition 0.000 description 2
- OTYBMLCTZGSZBG-UHFFFAOYSA-L potassium sulfate Chemical compound [K+].[K+].[O-]S([O-])(=O)=O OTYBMLCTZGSZBG-UHFFFAOYSA-L 0.000 description 2
- 229910052939 potassium sulfate Inorganic materials 0.000 description 2
- 235000011151 potassium sulphates Nutrition 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000010451 perlite Substances 0.000 description 1
- 235000019362 perlite Nutrition 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010455 vermiculite Substances 0.000 description 1
- 235000019354 vermiculite Nutrition 0.000 description 1
- 229910052902 vermiculite Inorganic materials 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及农作物营养状况检测技术领域，尤其涉及植物秧苗养分盈亏状态识别方法，包括以下步骤：S1，在植物秧苗播种或生长过程中添加不同数量或配比的肥料，使植物秧苗生长呈现不同的养分盈亏状态；S2，在秧苗生长过程中，采集植物秧苗子叶的近红外光谱；S3，对近红外光谱数据进行处理，获取植物秧苗子叶的红边位置信息；S4，根据植物秧苗子叶的红边位置信息获得不同养分盈亏状态下植物秧苗子叶的红边位置分布；S5，在植物秧苗子叶的红边位置分布中找到区分植物秧苗养分盈亏状态的分界点。本发明解决了现有穴盘育苗多凭经验施肥，施肥时间点控制不精确的问题，不需要通过物理、化学实验获得参照值，建模方法简单易行。
Description
技术领域
本发明涉及农作物营养状况检测技术领域，尤其涉及一种植物秧苗养分盈亏状态识别方法及光谱检测系统。
背景技术
目前，在番茄种植过程中，秧苗养分状况直接关系到番茄种植的质量与产量，养分供给的配比或数量不合理，将影响秧苗正常生长，导致外观质量下降，发育不良，特别是育苗施用的高浓度速溶性肥料，可能出现对番茄秧苗生长有不良影响的问题。有些生产者为了避免养分亏缺，过量施用氮、磷、钾肥，不仅造成肥料的浪费和环境污染，而且也会降低番茄品质及产量。
发表在农业工程学报的论文《基于高光谱的番茄氮磷钾营养水平快速诊断》利用反射光谱技术诊断方法，分别建立基于光谱和图像特征的番茄叶片氮、磷、钾素模型，取得较好的研究结果，能够识别番茄叶片的养分盈亏状态，但是其建模过程复杂、繁琐、费时、耗力，需要通过物理、化学等方法获得实验样品的氮、磷、钾含量，将氮、磷、钾含量的测量值作为参照值参与建模。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是现有的识别植物叶片的养分盈亏状态的方法需要通过物理、化学等方法获得测量值作为参照值参与建模，建模过程复杂繁琐、费时耗力的问题。
(二)技术方案
为了解决上述技术问题，本发明提供了一种植物秧苗养分盈亏状态识别方法，包括以下步骤：
S1，在植物秧苗播种或生长过程中添加不同数量或配比的肥料，使植物秧苗生长呈现不同的养分盈亏状态；
S2，在秧苗生长过程中，采集植物秧苗子叶的近红外光谱；
S3，对近红外光谱数据进行处理，获取植物秧苗子叶的红边位置信息；
S4，根据植物秧苗子叶的红边位置信息获得不同养分盈亏状态下植物秧苗子叶的红边位置分布；
S5，在植物秧苗子叶的红边位置分布中找到区分植物秧苗养分盈亏状态的分界点。
其中，步骤S1具体包括以下步骤：
S11，将肥料溶于水，喷洒入定量的混合基质中，搅拌后装入穴盘；
S12，植物种子经55℃～60℃的热水浸种消毒并催芽后，精播于穴盘中，每穴一粒，放于温室内培养。
其中，步骤S2具体包括以下步骤：
S21，使光谱检测系统预热15分钟，使光源和光谱仪处于稳定的工作状态；
S22，光谱仪采集标准参考白板的光谱信息；
S23，切断光源单元，光谱仪采集暗环境的光谱信息；
S24，连通光源单元，光谱仪采集植物秧苗子叶的反射光谱信息；
S25，光谱仪自动对植物秧苗子叶的反射光谱进行白参考校准和黑参考校准。
其中，在步骤S25中，光谱仪对植物秧苗子叶的反射光谱进行白参考校准和黑参考校准的参照公式为
其中，Rλ表示植物秧苗子叶在标段λ处的反射率；Sλ表示植物秧苗子叶在标段λ处的反射光强度；Bλ表示暗环境在标段λ处的反射光强度；Wλ表示参考白板在标段λ处的反射光强度。
其中，步骤S3具体包括以下步骤：
S31，对反射光谱进行一阶微分处理，得到一阶微分光谱，一阶微分处理的近似计算公式为
其中,λi为波段i的波长值；ρ(λi)为波长λi的光谱反射率值；ρ′(λi)为波段i的一阶微分值；
S32，从一阶微分光谱的数据中提取680～750nm区间一阶微分光谱的最大值所对应的波长作为红边位置信息。
其中，在步骤S5中，所述植株秧苗养分盈亏状态的分界点的红边位置在705～712nm，当植物秧苗子叶的红边位置小于705nm时，植物秧苗养分亏缺，当植物秧苗子叶的红边位置大于712nm时，植物秧苗养分盈余。
本发明还提供了一种用于植物秧苗养分盈亏状态识别的光谱检测系统，包括光源单元、光谱仪、数据处理单元和暗箱，所述光源单元和所述光谱仪均设置于所述暗箱内，所述光谱仪与所述光源单元连接，所述数据处理单元与所述光谱仪连接，所述光谱仪的探测波长范围包含680～750nm。
其中，所述光源单元包括光源、光纤和衰减器，所述光纤一端与所述光源连接，另一端通过支架悬挂固定于所述暗箱内，所述衰弱器设置于所述光纤上，所述光谱仪与所述光纤连接。
(三)有益效果
本发明的上述技术方案具有如下优点：本发明植物秧苗养分盈亏状态识别方法是基于植物红边特征建立秧苗养分盈亏状态识别模型的方法，首先在植物秧苗播种或生长过程中添加不同数量或配比的氮、磷、钾等肥料，使秧苗生长呈现不同的养分盈亏状态；其次，在秧苗生长过程中，在不同时间节点采集秧苗子叶的近红外光谱，对不同时间节点采集的光谱数据进行处理提取红边位置信息；最后，根据不同养分盈亏状态下秧苗叶片的红边位置分布，找到区分番茄秧苗养分盈亏状态的分界点。本发明解决了现有穴盘育苗多凭经验施肥，施肥时间点控制不精确的问题，不需要通过物理、化学实验获得参照值，建模方法简单易行。
除了上面所描述的本发明解决的技术问题、构成的技术方案的技术特征以及有这些技术方案的技术特征所带来的优点之外，本发明的其他技术特征及这些技术特征带来的优点，将结合附图作出进一步说明。
附图说明
图1是本发明实施例用于植物秧苗养分盈亏状态识别的光谱检测系统的结构示意意图；
图2是本发明实施例植物秧苗养分盈亏状态识别方法的播种后第四周番茄秧苗子叶反射光谱曲线；
图3是本发明实施例植物秧苗养分盈亏状态识别方法的播种后第五周番茄秧苗子叶反射光谱曲线；
图4是本发明实施例植物秧苗养分盈亏状态识别方法的播种后第六周番茄秧苗子叶反射光谱曲线；
图5是本发明实施例植物秧苗养分盈亏状态识别方法的第四周番茄秧苗子叶红边位置；
图6是本发明实施例植物秧苗养分盈亏状态识别方法的第五周番茄秧苗子叶红边位置；
图7是本发明实施例植物秧苗养分盈亏状态识别方法的第六周番茄秧苗子叶红边位置。
图中：1：光源单元；2：光谱仪；3：暗箱；4：支架；11：光源；12：光纤；13：衰弱器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，在本发明的描述中，除非另有说明，“多个”、“多根”、“多组”的含义是两个或两个以上，“若干个”、“若干根”、“若干组”的含义是一个或一个以上。
本发明实施例提供的植物秧苗养分盈亏状态识别方法，包括以下步骤：
S1，在植物秧苗播种或生长过程中添加不同数量或配比的肥料，使植物秧苗生长呈现不同的养分盈亏状态；
S2，在秧苗生长过程中，采集植物秧苗子叶的近红外光谱；
S3，对近红外光谱数据进行处理，获取植物秧苗子叶的红边位置信息；
S4，根据植物秧苗子叶的红边位置信息获得不同养分盈亏状态下植物秧苗子叶的红边位置分布；
S5，在植物秧苗子叶的红边位置分布中找到区分植物秧苗养分盈亏状态的分界点。
本发明植物秧苗养分盈亏状态识别方法是基于植物红边特征建立秧苗养分盈亏状态识别模型的方法，首先在植物秧苗播种或生长过程中添加不同数量或配比的氮、磷、钾等肥料，使秧苗生长呈现不同的养分盈亏状态；其次，在秧苗生长过程中，在不同时间节点采集秧苗子叶的近红外光谱，对不同时间节点采集的光谱数据进行处理提取红边位置信息；最后，根据不同养分盈亏状态下秧苗叶片的红边位置分布，找到区分番茄秧苗养分盈亏状态的分界点。本发明解决了现有穴盘育苗多凭经验施肥，施肥时间点控制不精确的问题，不需要通过物理、化学实验获得参照值，建模方法简单易行。
其中，步骤S1具体包括以下步骤：
S11，将肥料溶于水，喷洒入定量的混合基质中，搅拌后装入穴盘；
S12，植物种子经55℃～60℃的热水浸种消毒并催芽后，精播于穴盘中，每穴一粒，放于温室内培养。
其中，步骤S2具体包括以下步骤：
S21，使光谱检测系统预热15分钟，使光源和光谱仪处于稳定的工作状态；
S22，光谱仪采集标准参考白板的光谱信息；
S23，切断光源单元，光谱仪采集暗环境的光谱信息；
S24，连通光源单元，光谱仪采集植物秧苗子叶的反射光谱信息；
S25，光谱仪自动对植物秧苗子叶的反射光谱进行白参考校准和黑参考校准。
其中，在步骤S25中，光谱仪对植物秧苗子叶的反射光谱进行白参考校准和黑参考校准的参照公式为
其中，Rλ表示植物秧苗子叶在标段λ处的反射率；Sλ表示植物秧苗子叶在标段λ处的反射光强度；Bλ表示暗环境在标段λ处的反射光强度；Wλ表示参考白板在标段λ处的反射光强度。
其中，步骤S3具体包括以下步骤：
S31，对反射光谱进行一阶微分处理，得到一阶微分光谱，一阶微分处理的近似计算公式为
其中,λi为波段i的波长值；ρ(λi)为波长λi的光谱反射率值；ρ′(λi)为波段i的一阶微分值；
S32，从一阶微分光谱的数据中提取680～750nm区间一阶微分光谱的最大值所对应的波长作为红边位置信息。
其中，在步骤S5中，植株秧苗养分盈亏状态的分界点的红边位置在705～712nm，当植物秧苗子叶的红边位置小于705nm时，植物秧苗养分亏缺，当植物秧苗子叶的红边位置大于712nm时，植物秧苗养分盈余。
本实施提供一种番茄秧苗养分盈亏状态识别方法，实验材料选用规格为105孔的穴盘10个，品种为“天马54号”的番茄种子，育苗基质(草炭：蛭石：珍珠岩＝2:1:1)，尿素，速效磷肥，硫酸钾，电子天平、烧杯。
在正常的番茄穴盘育苗条件下，育苗基质添加不同含量和配比的氮(尿素)、磷(磷酸二氢钾)、钾(硫酸钾)肥，进行番茄穴盘育苗，观察种苗的长势。实验将施肥量与施肥配比做5组处理，重复1次，育苗基质中氮、磷、钾肥料的浓度设计如下表所示：
氮、磷、钾肥的施肥浓度和配比表
分别将各处理所需加入的肥料溶于水，喷洒入定量的混合基质中，充分搅拌均匀，装入穴盘，番茄种子经55℃～60℃热水浸种消毒并催芽后，精播于穴盘中，每穴一粒，摆放于温室内培养。由于供试肥料一次性全部施入基质中，日常只需浇灌清水，以保持基质湿润，其他管理措施相同。在播种后的第四周、第五周和第六周，采集种苗的可见/近红外光谱，共计506棵秧苗。
将光谱检测系统预热15分钟，使光源和光谱仪处于稳定的工作状态，然后采集标准参考白板的光谱信息，切断光路，采集暗环境的光谱信息；连通光路，采集番茄穴盘苗子叶的反射光谱信息，光谱仪按照公式自动对番茄种子的反射光谱进行白参考校准和黑参考校准，其中，Rλ表示植物秧苗子叶在标段λ处的反射率；Sλ表示植物秧苗子叶在标段λ处的反射光强度；Bλ表示暗环境在标段λ处的反射光强度；Wλ表示参考白板在标段λ处的反射光强度。光谱采集的积分时间设置为8ms，平均次数设置为15次，平滑度设置为1，光谱数据保存后待后续处理。3次采集的番茄穴盘苗可见/近红外反射光谱曲线如图2、图3、图4所示，波长范围为380-970nm。
采用光谱归一化微分分析技术，在Matlab软件中对反射光谱数据进行一阶微分处理，得到微分光谱，一阶微分处理的近似计算方法如公式所示，其中,λi为波段i的波长值；ρ(λi)为波长λi的光谱反射率值；ρ′(λi)为波段i的一阶微分值；进一步从一阶微分光谱数据中提取红边位置(680～750nm区间一阶导数光谱最大值所对应的波长)。在本研究中，实验组与平行实验组的秧苗叶片红遍位置曲线如下图5、图6和图7所示，其中△为组号1；+为组号2；○为组号3；×为组号4；□为组号5。
通过图5、图6和图7发现：
(1)番茄秧苗子叶的红边位置分布在两个区域：712～717nm与697～705nm，分界点位于705～712nm。
(2)在播种后第四周，施肥处理组号1条件下的番茄秧苗氮养分处于亏缺状态，实验组与重复组番茄秧苗子叶的红边位置小于705nm，位于697～705nm的区域；施肥处理组号5条件下的番茄秧苗氮养分处于盈余状态，实验组与重复组番茄秧苗子叶的红边位置大于712nm，位于712～717nm的区域；从施肥处理组号1到施肥处理组号5，随着施氮量的增加，番茄秧苗子叶的红边位置右移。说明番茄秧苗的氮养分处于盈余状态时，秧苗子叶的红边位置大于715nm，位于区域712～717nm。
(3)在播种后第五周，随着番茄穴盘苗的生长，基质中的养分供给不断减少，施肥处理组号1条件下的实验组与重复组番茄秧苗子叶的红边位置依然小于705nm，位于697～705nm的区域；施肥处理组号5条件下的实验组与重复组番茄秧苗子叶的红边位置大多从区域712～717nm移到区域697～705nm，在施肥处理组号2、施肥处理组号3、施肥处理组号4、施肥处理组号5条件下，番茄秧苗子叶的红边位置均具有左移现象。
(4)在播种后第6周，随着番茄穴盘苗的生长，基质中的养分不断消耗殆尽，处于亏缺状态，施肥处理组号1条件下的实验组与重复组番茄秧苗子叶的红边位置依然小于705nm，位于697～705nm的区域；在施肥处理组号2、施肥处理组号3、施肥处理组号4、施肥处理组号5条件下，实验组与重复组番茄秧苗子叶的红边位置全部从区域712～717nm移到区域697～705nm。说明番茄秧苗的氮养分处于亏缺状态时，秧苗子叶的红边位置小于705nm，位于区域697～705nm。
随着氮肥施肥量的增加，番茄苗叶片红边位置右移，随着番茄穴盘苗不断生长，番茄苗子叶的红边位置左移，指示番茄苗氮养分盈亏分界点的红边位置在705～712nm。
如图1所示，本发明实施例还提供了一种用于植物秧苗养分盈亏状态识别的光谱检测系统，包括光源单元1、光谱仪2、数据处理单元和暗箱3，光源单元1和光谱仪2均设置于暗箱3内，光谱仪2与光源单元1连接，数据处理单元3与光谱仪3连接，光谱仪2的探测波长范围包含680～750nm。
其中，光源单元1包括光源11、光纤12和衰减器13，光纤12一端与光源11连接，光纤12另一端通过支架4悬挂固定于暗箱3内，衰弱器13设置于光纤12上，光谱仪2与光纤12连接。
本发明用于植物秧苗养分盈亏状态识别的光谱检测系统，主要由光源单元、光谱仪、数据处理单元和暗箱组成。光谱仪作为光谱数据采集单元，本实施例中可选择探测波长范围为380-970nm，光谱分辨率为0.14-7.7nm的光谱仪；数据处理单元可选用计算机；光源单元包括氙灯光源、光纤、光纤衰减器，光源还带有稳压电源和散热器件，其波长范围为185-2200nm；暗箱的作用是隔离外界光线的干扰。
综上所述，本发明植物秧苗养分盈亏状态识别方法是基于植物红边特征建立秧苗养分盈亏状态识别模型的方法，首先在植物秧苗播种或生长过程中添加不同数量或配比的氮、磷、钾等肥料，使秧苗生长呈现不同的养分盈亏状态；其次，在秧苗生长过程中，在不同时间节点采集秧苗子叶的近红外光谱，对不同时间节点采集的光谱数据进行处理提取红边位置信息；最后，根据不同养分盈亏状态下秧苗叶片的红边位置分布，找到区分番茄秧苗养分盈亏状态的分界点。本发明解决了现有穴盘育苗多凭经验施肥，施肥时间点控制不精确的问题，不需要通过物理、化学实验获得参照值，建模方法简单易行。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种植物秧苗养分盈亏状态识别方法，其特征在于：包括以下步骤：
S1，在植物秧苗播种或生长过程中添加不同数量或配比的肥料，使植物秧苗生长呈现不同的养分盈亏状态；
S2，在秧苗生长过程中，采集植物秧苗子叶的近红外光谱；
S3，对近红外光谱数据进行处理，获取植物秧苗子叶的红边位置信息；
S4，根据植物秧苗子叶的红边位置信息获得不同养分盈亏状态下植物秧苗子叶的红边位置分布；
S5，在植物秧苗子叶的红边位置分布中找到区分植物秧苗养分盈亏状态的分界点。
2.根据权利要求1所述的植物秧苗养分盈亏状态识别方法，其特征在于：步骤S1具体包括以下步骤：
S11，将肥料溶于水，喷洒入定量的混合基质中，搅拌后装入穴盘；
S12，植物种子经55℃～60℃的热水浸种消毒并催芽后，精播于穴盘中，每穴一粒，放于温室内培养。
3.根据权利要求1所述的植物秧苗养分盈亏状态识别方法，其特征在于：步骤S2具体包括以下步骤：
S21，使光谱检测系统预热15分钟，使光源和光谱仪处于稳定的工作状态；
S22，光谱仪采集标准参考白板的光谱信息；
S23，切断光源单元，光谱仪采集暗环境的光谱信息；
S24，连通光源单元，光谱仪采集植物秧苗子叶的反射光谱信息；
S25，光谱仪自动对植物秧苗子叶的反射光谱进行白参考校准和黑参考校准。
4.根据权利要求3所述的植物秧苗养分盈亏状态识别方法，其特征在于：在步骤S25中，光谱仪对植物秧苗子叶的反射光谱进行白参考校准和黑参考校准的参照公式为
其中，Rλ表示植物秧苗子叶在标段λ处的反射率；Sλ表示植物秧苗子叶在标段λ处的反射光强度；Bλ表示暗环境在标段λ处的反射光强度；Wλ表示参考白板在标段λ处的反射光强度。
5.根据权利要求4所述的植物秧苗养分盈亏状态识别方法，其特征在于：步骤S3具体包括以下步骤：
S31，对反射光谱进行一阶微分处理，得到一阶微分光谱，一阶微分处理的近似计算公式为
其中,λi为波段i的波长值；ρ(λi)为波长λi的光谱反射率值；ρ′(λi)为波段i的一阶微分值；
S32，从一阶微分光谱的数据中提取680～750nm区间一阶微分光谱的最大值所对应的波长作为红边位置信息。
6.根据权利要求5所述的植物秧苗养分盈亏状态识别方法，其特征在于：在步骤S5中，所述植株秧苗养分盈亏状态的分界点的红边位置在705～712nm，当植物秧苗子叶的红边位置小于705nm时，植物秧苗养分亏缺，当植物秧苗子叶的红边位置大于712nm时，植物秧苗养分盈余。
7.一种用于植物秧苗养分盈亏状态识别的光谱检测系统，其特征在于：包括光源单元、光谱仪、数据处理单元和暗箱，所述光源单元和所述光谱仪均设置于所述暗箱内，所述光谱仪与所述光源单元连接，所述数据处理单元与所述光谱仪连接，所述光谱仪的探测波长范围包含680～750nm。
8.根据权利要求7所述的用于植物秧苗养分盈亏状态识别的光谱检测系统，其特征在于：所述光源单元包括光源、光纤和衰减器，所述光纤一端与所述光源连接，另一端通过支架悬挂固定于所述暗箱内，所述衰弱器设置于所述光纤上，所述光谱仪与所述光纤连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811435095.4A CN109632688B (zh) | 2018-11-28 | 2018-11-28 | 一种植物秧苗养分盈亏状态识别方法及光谱检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811435095.4A CN109632688B (zh) | 2018-11-28 | 2018-11-28 | 一种植物秧苗养分盈亏状态识别方法及光谱检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109632688A true CN109632688A (zh) | 2019-04-16 |
| CN109632688B CN109632688B (zh) | 2021-05-28 |
Family
ID=66069834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811435095.4A Active CN109632688B (zh) | 2018-11-28 | 2018-11-28 | 一种植物秧苗养分盈亏状态识别方法及光谱检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109632688B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109290A (zh) * | 2021-04-08 | 2021-07-13 | 晨光生物科技集团股份有限公司 | 一种快速预判天然色素衰减速度的方法 |
| CN116577287A (zh) * | 2023-07-12 | 2023-08-11 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10311792A (ja) * | 1997-05-12 | 1998-11-24 | Shizuoka Prefecture | 茶葉の水分測定装置及び水分測定方法 |
| CN103048266A (zh) * | 2012-12-11 | 2013-04-17 | 江苏大学 | 一种设施番茄氮磷钾胁迫自动识别方法和装置 |
| CN103868880A (zh) * | 2014-01-24 | 2014-06-18 | 河南农业大学 | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 |
| CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测系统及方法 |
| CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
| CN105738302A (zh) * | 2016-02-02 | 2016-07-06 | 上海交通大学 | 植株生长周期叶绿素含量高精度自动化测量装置及测定方法 |
| CN105806791A (zh) * | 2016-03-22 | 2016-07-27 | 新疆农业科学院园艺作物研究所 | 一种扁桃果实发育期叶片氮、磷和钾测定方法 |
| CN108519346A (zh) * | 2018-03-22 | 2018-09-11 | 江苏大学 | 红外热像与近红外光谱结合检测潜育期番茄花叶病的方法 |
-
2018
- 2018-11-28 CN CN201811435095.4A patent/CN109632688B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10311792A (ja) * | 1997-05-12 | 1998-11-24 | Shizuoka Prefecture | 茶葉の水分測定装置及び水分測定方法 |
| CN103048266A (zh) * | 2012-12-11 | 2013-04-17 | 江苏大学 | 一种设施番茄氮磷钾胁迫自动识别方法和装置 |
| CN103868880A (zh) * | 2014-01-24 | 2014-06-18 | 河南农业大学 | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 |
| CN104251837A (zh) * | 2014-10-17 | 2014-12-31 | 北京农业智能装备技术研究中心 | 水果内部品质近红外透射光谱在线检测系统及方法 |
| CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
| CN105738302A (zh) * | 2016-02-02 | 2016-07-06 | 上海交通大学 | 植株生长周期叶绿素含量高精度自动化测量装置及测定方法 |
| CN105806791A (zh) * | 2016-03-22 | 2016-07-27 | 新疆农业科学院园艺作物研究所 | 一种扁桃果实发育期叶片氮、磷和钾测定方法 |
| CN108519346A (zh) * | 2018-03-22 | 2018-09-11 | 江苏大学 | 红外热像与近红外光谱结合检测潜育期番茄花叶病的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯青春 等: "基于光度立体视觉的蔬菜秧苗叶片形态测量方法", 《农业机械学报》 * |
| 吴琼 等: "便携式光谱分析仪对叶菜失水程度的无损检测研究", 《安徽农业科学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109290A (zh) * | 2021-04-08 | 2021-07-13 | 晨光生物科技集团股份有限公司 | 一种快速预判天然色素衰减速度的方法 |
| CN116577287A (zh) * | 2023-07-12 | 2023-08-11 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
| CN116577287B (zh) * | 2023-07-12 | 2023-10-20 | 北京市农林科学院智能装备技术研究中心 | 植物叶片光谱采集系统、检测方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109632688B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109211801B (zh) | 一种作物氮素需求量实时获取方法 | |
| CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
| CN104820866B (zh) | 一种根据叶菜类作物长势进行变量施肥的方法 | |
| Liu et al. | Optimum leaf removal increases nitrogen accumulation in kernels of maize grown at high density | |
| CN109757175A (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
| CN106941843A (zh) | 一种基于土壤地力和冠层光谱的水稻高产诊断施氮肥方法 | |
| CN110189793A (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
| CN109566030A (zh) | 一种智能花生喷药施肥控制系统及方法 | |
| CN109632688A (zh) | 一种植物秧苗养分盈亏状态识别方法及光谱检测系统 | |
| Spaeth et al. | Temperature, radiation, and duration dependence of high soybean yields: measurement and simulation | |
| CN107046899A (zh) | 一种基于柑橘养分推荐施肥的方法 | |
| CN114902947B (zh) | 白菜糖度在线监测装置及采用该装置实现的滴灌调控系统 | |
| Joris et al. | Long-term N fertilization reduces uptake of N from fertilizer and increases the uptake of N from soil | |
| Chen et al. | Comparison of five nitrogen dressing methods to optimize rice growth | |
| CN104782298A (zh) | 一种板栗测土配方施肥方法 | |
| CN116458422A (zh) | 一种调控植物生育周期多阶段光照的种植系统 | |
| Katz et al. | Spatiotemporal normalized ratio methodology to evaluate the impact of field-scale variable rate application | |
| CN108985664A (zh) | 一种智能农场现场监测管理系统及方法 | |
| Hafeez et al. | Sucrose metabolism in cotton subtending leaves influenced by potassium-to-nitrogen ratios | |
| CN104472047A (zh) | 一种红壤地区葡萄园的土壤改良方法 | |
| CN113575069A (zh) | 一种水稻穗肥的施肥方法及其应用 | |
| Xie et al. | Photosynthesis in culms of non-foliar organs and effect of light on culm development of Moso bamboo (Phyllostachys edulis) | |
| CN117236070A (zh) | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 | |
| CN110064601A (zh) | 一种蔬菜嫁接用苗检测分级系统和分级方法 | |
| CN112268867B (zh) | 一种花椰菜光谱氮素营养诊断模型的构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |