(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111555636.9 (22)申请日 2021.12.17 (71)申请人 青岛农业大 学 地址 266000 山东省青岛市城阳区长城路 700号 (72)发明人 丁兆堂　陈泗洲　王玉　范凯　 史玉洁　罗丹妮　 (74)专利代理 机构 青岛合创知识产权代理事务 所(普通合伙) 37264 代理人 王晓晓 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06T 7/136(2017.01) G06N 20/00(2019.01) (54)发明名称 一种基于高光谱成像系统的茶树干旱诱导 成分及干旱 程度评估的预测方法和系统 (57)摘要 本发明公开了一种基于高光谱成像系统的 茶树干旱诱导成分及干旱程度评估的预测方法 和系统。 所述预测方法包括： 利用高光谱成像系 统采集茶树叶片高光谱图像， 对其进行校正处理 获得标准高光谱 数据； 获取叶片的干旱诱导成分 的值及干旱程度的等级； 确定感兴区域， 对平均 高光谱数据与茶树叶片的干旱诱导成分及干旱 程度进行相关性分析， 确定特征波段； 构建干旱 诱导成分的回归模型并选择最佳模 型； 利用特征 波段和最佳模型构建茶树叶片干旱诱导成分及 干旱程度的估算遥感监测影像。 本发 明可以实现 对茶树主要生理生化成分的无损且有效检测， 检 测效率高， 检测成本低， 从而为茶园管理提供重 要依据， 进而优化茶园管理的方法， 来提高茶园 管理效率。 权利要求书2页 说明书5页 附图3页 CN 114219795 A 2022.03.22 CN 114219795 A 1.一种基于 高光谱成像系统 的茶树干旱诱导成分及干旱程度评估的预测方法， 其特征 在于， 包括以下步骤： S1： 采集茶树叶片； 确定高光谱成像系统 的采集范围和采集参数， 对高光谱成像系统采 集的茶树叶片的高光谱图像进行 校正， 获得 标准高光谱图像； S2： 测定每 个茶树叶片的干旱 诱导成分的值及干旱 程度的等级； S3： 采集步骤S1中标准高光谱图像的平均高光谱数据， 确定感兴区域， 在其范围内将平 均高光谱数据与茶树叶片的干旱诱导成分及干旱程度进行相关性分析， 并确定多个相关性 最高的特 征波段； S4： 重复步骤S1 ‑S3， 构建茶树叶片干旱诱导成分及干旱程度的回归预测模型， 并选择 每个指标的最佳模型； S5： 利用步骤S3中的特征波段结合步骤S4中的最佳模型， 构建茶树 叶片干旱诱导成分 及干旱程度的估算遥感监测影 像， 从而实现茶树干旱 诱导成分及干旱 程度的无损评估。 2.根据权利要求1所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的 预测方法， 其特征在于， 所述干旱诱导成分包括丙二醛含量、 溶性糖含量、 相对质膜透性和 PSII原初光能转 化效率。 3.根据权利要求1所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的 预测方法， 其特征在于， 所述步骤S1 中高光谱成像系统中高光谱相机的视场角设为22， 物距 为38 cm~50 cm， 曝光时间为9m s， 光源色温设为3 000K， 像素设置为1 101*960*176。 4.根据权利要求2所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的 预测方法， 其特 征在于， 所述 步骤S3的具体步骤为： （1） 采集标准高光谱图像的平均高光谱数据， 利用环境可视化程序ENVI通过阈值切割 确定感兴区域， 并提取感兴区域的茶树叶片的平均波段值； （2） 在环境可视化程序内， 利用算法对步骤 （1） 中的平均波段值进行降噪处理， 降低平 均高光谱数据中的噪音并提升有效信息的可用性； （3） 在环境可视化程序内， 将降噪处理后的平均波段值与茶树叶片的干旱诱导成分及 干旱程度进行相关性分析， 利用算法提取15个~85个与干旱诱导成分及干旱程度相关性最 高的特征波段。 5.根据权利要求4所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的 预测方法， 其特征在于， 与丙二醛含量相关度最高的特征波段为450  nm、 520 nm、 600 nm ~ 620 nm、 650 nm ~670 nm、 740 nm ~780 nm、 800 nm、 920 nm、 950 nm； 与可溶性糖含量相关 性最高的特征波段为430  nm ~460 nm、 530 nm ~570 nm、 590 nm ~660 nm、 690 nm ~750  nm、 770 nm ~810 nm、 850 nm ~910 nm； 与相对质膜 透性相关性最高的特征波段为530  nm ~ 550 nm、 590 nm ~660 nm、 690 nm ~730 nm、 770 nm ~810 nm、 850 nm ~910 nm、 960 nm； 与 PSII原初光能转化效率相关性最高的特征波段为460  nm、 670 nm、 700 nm ~740 nm、 780  nm、 820 nm ~850 nm、 900 nm ~920 nm； 与干旱程度相关性最高的特征波段为450  nm ~530  nm、 540 nm ~600 nm、 670 nm ~820 nm、 830 nm ~870 nm、 910 nm、 950 nm。 6.根据权利要求4所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的 预测方法， 其特 征在于， 所述 步骤 （2） 和步骤 （3） 中的算法包括UVE、 S PA、 CARS算法。 7.根据权利要求1所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的权　利　要　求　书 1/2 页 2 CN 114219795 A 2预测方法， 其特征在于， 所述步骤S4中， 采用机器学习的方法构建茶树干旱诱导成分及干旱 程度的回归预测模型， 具体步骤为： （1） 建立回归预测模型时， 将所有数据 集分为75%的训练集和25%的测试集， 通过决定系 数R2、 均方根误差RMSE和相对分析误差RP D来评价回归预测模型的性能， 并选择最佳模型； （2） 将每个茶树叶片的干旱诱导成分和干旱程度的测定值与高光谱数据进行拟合， 构 建茶树叶片干旱 诱导成分和干旱 程度的回归预测模型； （3） 为了评价步骤 （2） 中回归预测模型的精度， 将测试集中各指标的测定值与回归预测 模型的估计值进行比较， 以验证回归预测模型的稳定性。 8.根据权利要求7所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的 预测方法， 其特征在于， 当测试所述回归预测模型 的R2、 RMSE与训练集接近， 且RPD大于2.0 时， 表明所述回归预测模型 具有良好的稳定性。 9.根据权利要求7所述的基于 高光谱成像系统的茶树干旱诱导成分及干旱程度评估的 预测方法， 其特 征在于， 所述机器学习的方法包括PLSR、 SVM、 RF神经网络 。 10.一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测系统， 其特 征在于， 包括： 高光谱相机， 用来采集茶树叶片的高光谱图像； 暗室， 其中设有固定光源， 用 来放置所述高光谱相 机进行茶树叶片的光谱图像采集； 干旱指标检测装置， 用来测定茶树 叶片的干旱诱导 成分的值及干旱程度的等级； 处理器， 用来执行以下操作： 利用其中的高光 谱数据反演软件预 处理所述高光谱相机采集的高光谱图像； 利用其中的环境可视化程序确 定感兴区域； 构建茶树叶片的干旱诱导成分及干旱程度的回归预测模型； 测试所述回归预 测模型的稳定性； 预测茶树叶片干旱 诱导成分及干旱 程度的估算数据。权　利　要　求　书 2/2 页 3 CN 114219795 A 3