浙江农林大学光机电工程学院，浙江 杭州 311300
基于视觉的光学三维重建技术得益于对场景干预少、获取信息丰富等优点，在探测范围有限、非接触的场合得到了广泛应用。首先，主要介绍了基于主动视觉下的结构光法、莫尔法、飞行时间法、激光扫描法和基于被动视觉下的立体视觉法、运动恢复结构法，并分析了这些技术的优缺点；其次，总结并讨论了光学三维重建技术在农作物信息感知研究中的应用现状；最后，对光学三维重建的未来研究进行了展望。
光学三维重建 主动视觉 被动视觉 农作物 信息感知 激光与光电子学进展
2024, 61(4): 0400004
1 北京理工大学 光电学院 “复杂环境智能感测技术“工信部重点实验室, 北京 100081
2 北京理工大学前沿技术研究院 传感智能技术创新中心, 山东 济南 250300
针对弱散射样品的拉曼光谱信号弱, 探测时间长的问题, 提出了一种基于剪切模式的快速激光共焦拉曼光谱探测方法, 该方法通过减少信号传输单元来减小曝光时间, 通过只采集信号靶面单元有效拉曼光斑区域的方式, 在保证拉曼信号强度的基础上同时提升拉曼光谱探测信噪比, 进而减少所需探测时间, 实现弱散射样品的快速拉曼光谱探测。实验表明, 与传统共焦拉曼光谱探测系统相比, 文章采用的剪切模式可将硅拉曼光谱探测速度提升37.5倍以上, 为共焦拉曼光谱显微技术的快速探测提供了一种新的技术途径。
拉曼光谱 探测速度 剪切模式 raman spectrum detection speed EMCCD EMCCD crop mode
红外与激光工程
2022, 51(9): 20210868
1 中国农业大学农学院, 北京 100094
2 中国农业科学院农业环境与可持续发展研究所, 北京 100081
作物残茬还田对农业绿色发展和地力提升意义重大。 我国作物残茬产量大, 种类多, 研究典型作物残茬中磷的赋存形态是预测其还田后作物有效性的前提。 目前, 液相磷-31核磁共振(31P-NMR)是可在分子水平上表征磷素形态的主流分析技术。 而利用该技术表征作物残茬磷素形态的已有研究有限, 且主要采用不同磷化合物的化学位移进行图谱解析。 由于某些有机磷的峰位置相邻, 其化学位移受样品pH等化学条件影响较大, 导致单纯依靠文献报道进行图谱解析存在较大不确定性, 并且识别出的有机磷种类偏少。 该研究进行加标实验, 选取典型作物残茬(玉米、 小麦、 水稻、 大豆、 花生、 棉花), 利用液相31P-NMR技术表征了不同部位(茎叶、 谷壳和种子)磷的分子形态及其含量。 研究发现, 所有供试作物残茬中总磷含量均为种子>谷壳>茎叶。 NaOH-EDTA前处理对供试作物残茬总磷有较高的提取率(73%~139%), 平均105%。 根据加标试验的31P-NMR图谱, 供试样品中检测出的无机磷形态包括正磷酸盐、 焦磷酸盐、 三聚磷酸盐, 有机磷包括植酸、 α/β-甘油磷酸盐、 单核苷酸, 首次在作物残茬的正磷酸二酯组分中检测到脱氧核糖核酸; 供试茎叶和谷壳中磷均以正磷酸盐为主, 大约占NaOH-EDTA可提取磷的49.3%~71.6%, 种子以植酸为主, 占比达48.5%~82.9%; 将正磷酸单酯和正磷酸二酯含量针对正磷酸二酯的降解产物进行矫正, 发现作物茎叶中正磷酸二酯(17.1%~33.5%)高于正磷酸单酯(9%~13.5%), 谷壳中正磷酸单酯和正磷酸二酯的百分含量分别为8.8%~23.2%及8.8%~24.6%, 种子中则以正磷酸单酯为主(57.6%~82.9%)。 研究结果表明, 供试作物残茬尤其茎叶秸秆还田后可能释放正磷酸盐和正磷酸二酯, 作为有效磷源供给后茬作物吸收。 该研究为作物残茬还田及农田磷肥管理提供重要科学依据。
磷 分子形态 液相磷-31核磁共振 作物残茬 Phosphorus Molecular speciation Solution P-31 NMR Crop residues 光谱学与光谱分析
2022, 42(7): 2304
中国农业大学土地科学与技术学院, 北京 100083
秸秆还田是减少土壤侵蚀、 增加土壤有机碳的重要措施, 对黑土地保护具有重要意义。 区域范围内玉米秸秆覆盖区的准确、 快速识别, 对监测保护性耕作实施、 农业补贴政策的制定具有重要作用。 以实施保护性耕作的典型区吉林省四平市为研究区, 基于GEE(google earth engine)云平台, 结合2020年5月—11月的Sentinel-2时序遥感影像, 依据玉米生长季和收获后的秸秆状态构建光谱特征和指数特征, 指数特征包括归一化差值植被指数(NDVI)和归一化差值秸秆指数(NDRI)。 为避免数据冗余, 对时序特征值按大小排序, 同时利用分位法以0%, 25%, 50%, 75%, 100%分位选取分位(QT)特征, 进而构建数据集。 应用参数优化后的随机森林方法对按照7:3划分的样本集进行训练和验证, 然后对数据集分类, 结合连通域标定法去除分类过程中产生的细小连通域, 进一步优化全局结果。 通过Kappa和整体精度(OA)定量和定性评价, 实验结果表明: (1) 基于不同特征集组成数据集的分类模型(M1/M2/M3/M4/M5)定量评价结果均优于90%, 其中所设计数据集的分类模型M5效果最好, Kappa和OA分别为97.41%和97.91%, 相比于未加入QT特征集的分类模型M2的Kappa和OA分别提升4.52%和3.64%, 同时M5识别结果可以有效保留边缘细节信息; (2)针对不同时间尺度的QT特征集, 利用5月—11月时序遥感影像的QT特征集分类模型M5_6/M5可以极大地抑制其他作物秸秆的影响, 相比仅利用11月时序影像QT特征的M5_1模型分类结果的Kappa和OA分别提升了3.9%和3.12%; (3) 基于M5模型, 结合连通域标定法的分类模型M6的Kappa和OA分别为96.76%和97.36%, 仅次于M5模型识别结果, 模型M6在保证较高精度的同时避免了细碎图斑, 优化了分类可视化效果。 该研究提出的M6模型适用于识别研究区玉米秸秆覆盖区, 该方法能够在GEE云平台环境下快速执行, 适合推广应用于东北地区秸秆覆盖区。
秸秆覆盖区 GEE云平台 时序Sentinel-2A影像 随机森林 连通域 Crop residue cover area GEE cloud platform Time series Sentinel-2A image Random forest Connected domain 光谱学与光谱分析
2022, 42(6): 1948
1 安徽大学 农业生态大数据分析与应用技术国家地方联合工程技术研究中心，安徽 合肥 230601
2 北京农业信息技术研究中心，北京 100097
3 宿州学院 信息工程学院，安徽 宿州 234000
快速、准确地掌握作物空间分布，估算不同作物种植面积及范围，这对制定宏观农业政策并指导农民进行农业生产具有重要意义。以我国内蒙古自治区扎赉特旗现代农业示范园区为研究区域，基于2019年5月至10月共9景多时相Sentinel-2卫星遥感影像，通过计算并分析不同作物归一化差值植被指数（NDVI）、比值植被指数（RVI）、增强型植被指数（EVI）等多种典型植被指数和近红外波段Ref(NIR)的时序变化特征，采用随机森林（Random Forest, RF）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）和最大似然法（Maximum Likelihood, ML）4种分类方法对研究区多种作物进行分类识别，成功提取园区内主要作物（水稻、玉米、甜叶菊、旱稻和大豆等）空间分布情况。将RF结果与DT、SVM和ML分类结果对比，结果显示，RF总体分类精度最高，达到95.8%，Kappa系数为0.944；DT、SVM和ML分类精度分别为92.2%、91.6%和86.5%。上述研究结果表明，多时相Sentinel-2遥感影像经过光谱指数时序变化特征提取后，利用随机森林算法进行作物分类可得到精度较高的结果，这为精细指导规模化园区农业生产提供了有效的技术支持。
随机森林算法 近红外波段 时间序列 Sentinel-2 作物分类 random forest Ref (NIR) time-series Sentinel-2 crop classification 红外与激光工程
2021, 50(5): 20200318
1 煤炭资源与安全开采国家重点实验室, 中国矿业大学（北京）, 北京 100083
2 北京师范大学地理科学学部, 北京 100875
我国农田重金属污染形势不容乐观。 土壤中的重金属被作物根系吸收后会影响作物正常的生长发育, 降低农产品质量, 进而通过食物链进入人体, 危害人体健康。 高光谱遥感为实时动态高效监测作物重金属污染提供了可能。 设置不同浓度Cu2+胁迫梯度的玉米盆栽实验, 并采集苗期、 拔节期和穗期玉米老、 中、 新叶片光谱数据, 测定不同生长时期叶片叶绿素含量、 叶片Cu2+含量。 基于所获取的光谱数据、 叶绿素含量和叶片Cu2+含量, 结合相关分析法、 最佳指数法（OIF）和偏最小二乘法（PLS）构建OIF-PLS法提取含有Cu2+污染信息的特征波段。 首先依据苗期、 拔节期和穗期叶片叶绿素含量及穗期叶片Cu2+含量与相应叶片光谱的相关系数初步筛选特征波段； 然后, 从中选取三个波段计算最佳指数因子, 并以该三个波段为自变量, 对玉米叶片Cu2+含量进行偏最小二乘回归分析, 计算均方根误差； 最后根据最佳指数因子最大、 均方根误差最小的原则选取最佳特征波段。 基于OIF-PLS法所选取的特征波段构造植被指数OIFPLSI监测重金属铜污染, 并与常规的红边归一化植被指数（NDVI705）、 改进红边比值植被指数（mSR705）、 红边植被胁迫指数（RVSI）和光化学指数（PRI）监测结果做比较, 验证OIFPLSI的有效性和优越性。 另外利用在相同的实验方法下获取的不同年份的数据对OIFPLSI进行检验, 验证OIFPLSI的适用性和稳定性。 实验结果表明, 基于OIF-PLS法提取的特征波段（542, 701和712 nm）比基于OIF法提取的特征波段（602, 711和712 nm）能更好地反映Cu2+污染信息； 植被指数OIFPLSI与叶片Cu2+含量显著正相关, 相关性优于NDVI705, mSR705, RVSI和PRI； OIFPLSI与叶片叶绿素含量显著负相关, 与土壤中Cu2+含量显著正相关； 不同生长时期OIFPLSI与土壤中Cu2+含量的相关性高低依次为拔节期、 穗期、 苗期。 基于不同年份数据验证结果表明, OIFPLSI与叶片Cu2+含量显著正相关, OIFPLSI具有较强的稳定性。 基于OIF-PLS法所提取的特征波段构建的OIFPLSI能够较好地诊断分析玉米叶片铜污染水平, 可为作物重金属污染监测提供一定的技术参考。
重金属污染 光谱分析 特征波段 植被指数 农作物 Heavy metal pollution Spectral analysis Feature band Vegetation index Crop
中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
病害作为影响农作物生长的主要因素之一, 平均每年造成农作物产量损失高达12%以上。 病害不仅直接导致农作物产量减少, 而且也严重降低了农产品的品质, 甚至引发食品安全事故。 光谱成像作为一种融合图像处理和光谱学的信息获取技术, 能同时获取目标的图像信息和光谱信息, 从而更直观表达目标的特征。 光谱成像技术可以获得图像上每个点的光谱数据, 从而实现对作物病害的颜色、 形状和纹理特征及光谱特征的分析, 具有快速、 直观和无损等特点, 近些年在作物病害检测领域的应用取得了较大研究进展。 综述了近六年来国内外关于光谱成像技术在作物病害检测领域应用的相关文献, 分析了光谱成像技术的优势和局限性, 重点阐述了光谱成像作物病害检测中关键的第三个技术： (1）光谱图像分割技术, 重点分析了四种常见分割算法的优点和适用范围； (2）光谱特征和空间特征提取技术, 重点对比了空间特征、 光谱特征和二者加权组合对病害信息表达的准确性； (3）检测模型, 重点介绍了光谱植被指数和机器学习模型在作物病害检测中的稳定性和前景。 最后, 根据上述分析展望了光谱成像技术在作物病害检测领域中应用的研究趋势, 为相关研究提供全面且系统的参考。
光谱成像技术 作物病害检测 光谱特征分析 模式识别 Spectral imaging technology Crop diseases detection Spectral characteristic analysis Pattern recognition
1 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
2 Center for Precision & Automated Agricultural System, Washington State University, Prosser, WA 99350, USA
叶绿素含量是作物光合能力与营养评价的重要指标, 因此快速检测作物叶绿素含量与分布可为作物营养动态分析与长势评估提供支持。 基于RGB(Red, Green, Blue)和NIR(Near Infrared)多光谱图像的获取, 开展玉米作物营养状态分布光谱学成像检测。 构建了多光谱图像采集平台获取RGB和NIR图像, 研究了基于光饱和校正算法的RGB图像的光饱和校正与NIR图像去噪方法, 通过图像的匹配分割, 冠层的提取校正, 建立了基于冠层图像的作物SPAD值检测模型与分布成图。 采集15株玉米植株RGB-NIR图像, 并同步获取不同植株, 不同位置共68个叶绿素含量指标SPAD值。 首先对RGB图像进行光饱和校正, 再对NIR图像进行滤波和图像增强, 其次对RGB和NIR图像进行了SURF(speeded-up robust features)和RANSAC(random sample consensus)图像匹配, 利用RGB图像的颜色特征, 采用ExG(Extra Green)和OTSU算法生成分割掩模, 对RGB图像和NIR图像进行分割提取, 提取图像的R, G, B和NIR分量, 利用4阶灰度板进行反射率校正, 然后计算作物图像中像素级PSPAD值, 并建立图像PSPAD值与叶绿素仪SPAD值的拟合模型, 最后绘制作物SPAD分布图。 通过HSI(Hue, Saturation, Intensity)彩色模型中的I分量直方图对比去饱和前后光分布范围, 以作物SPAD值分布图验证光饱和校正算法对作物叶绿素含量分布检测提升的效果。 RGB图像光饱和校正前I分量集中在［140～180］之间, 光饱和校正后的RGB图像I分量集中在［85～130］之间, 校正了相机成像时产生模糊和RGB图像饱和。 对分割后的RGB图像和NIR图像提取R, G, B, NIR分量进行4阶灰度板校正, 相关系数分别为0.829, 0.828, 0.745和0.994, 进而生成R, G, B和NIR四波段的反射率伪彩色图像, 反射率ＲNIR＞ＲＧ＞ＲＲ＞ＲＢ。 体现了作物的在蓝光和红光区域吸收光, 在绿光区域和近红外区域反射光的光谱特性。 校正前后的R和NIR分量反射率计算图像PSPAD值拟合叶绿素含量指标SPAD值的模型结果显示, 校正前R2为0.332 6, 校正后R2为0.619 3, 绘制作物的SPAD特征分布图, 可为作物的营养动态快速分析与分布检测提供技术支持。
光饱和校正 多光谱分析 作物检测 叶绿素分布 图像处理 Light saturation correction Multispectral analysis Crop detection Chlorophyll distribution Image processing 光谱学与光谱分析
2019, 39(12): 3897
