高光谱与COPS-SCARS太子参叶片性状检测方法

摘要: 本发明涉及太子参叶片性状检测,具体为高光谱与cops-scars太子参叶片性状检测方法。背景技术:1、太子参叶片的叶绿素含量、光合效率、形态参数等性状可直接反映...
高光谱与COPS-SCARS太子参叶片性状检测方法

本发明涉及太子参叶片性状检测,具体为高光谱与cops-scars太子参叶片性状检测方法。

背景技术:

1、太子参叶片的叶绿素含量、光合效率、形态参数等性状可直接反映植株生长态势与潜在药材品质,是太子参田间栽培管理、种质筛选与长势评估的核心依据。

2、现有太子参叶片性状检测多依赖实验室化学测定与人工形态测量,检测流程繁琐耗时,且需破坏待测样本,无法实现原位快速检测,难以满足规模化种植场景下的批量检测需求。高光谱成像技术具备无损、快速、多信息同步获取的优势,已逐步应用于作物性状检测领域,但现有方法难以有效分离叶片表面微观结构引发的散射噪声与内部生化成分的吸收信息,特征波长筛选易存在共线性冗余,且单一预测模型难以适配不同海拔、土壤及管理模式下的复杂种植环境,导致检测精度稳定性不足,泛化能力有限,无法充分适配太子参种植的实际生产需求。

3、因此,针对上述问题提出高光谱与cops-scars太子参叶片性状检测方法。

技术实现思路

1、本发明的目的在于提供高光谱与cops-scars太子参叶片性状检测方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、高光谱与cops-scars太子参叶片性状检测方法,包括以下步骤:

4、s1:获取太子参叶片样本集,并测定各样本的实际叶片性状参考值;

5、s2:采集太子参叶片样本集的高光谱图像,提取感兴趣区域,获取各样本的原始一维光谱反射率向量,并构建原始高光谱数据矩阵;

6、s3:对原始高光谱数据矩阵进行吸收-散射正交子空间投影解耦处理,分离并剔除由太子参叶片表面微观结构引起的表面散射噪声,获得内部吸收光谱数据矩阵;

7、s4:采用基于波长协同熵的改性cops-scars联合优化算法对内部吸收光谱数据矩阵进行特征波长筛选,获取太子参叶片性状的特征波长集合;改性cops-scars联合优化算法通过在稳定竞争自适应重加权采样中引入波长协同熵作为重加权评价指标,并在竞争正交投影选择中引入动态正交惩罚因子,进行交替迭代筛选;

8、s5:基于特征波长集合提取内部吸收光谱数据矩阵中的对应数据,根据s1测定的各叶片性状参考值计算各叶片性状之间的相关系数,以叶片性状为节点、以性状间相关系数为边权重,构建太子参叶片性状相关性网络,采用社区发现算法对太子参叶片性状相关性网络进行模块划分,将相关性高于预设相关性阈值的叶片性状归入同一性状簇,获得多个性状簇;构建层次化多任务回归预测框架,层次化多任务回归预测框架包括用于提取所有叶片性状公共光谱特征表示的共享特征提取层、用于进行跨性状簇信息交互融合的簇间交互层和用于各叶片性状独立回归预测的性状特异输出层;将特征波长集合对应的数据输入共享特征提取层进行非线性特征映射,获得共享光谱特征表示;将共享光谱特征表示输入簇间交互层,通过注意力机制计算不同性状簇之间的交互权重,对共享光谱特征表示进行跨簇信息融合,获得簇间增强特征表示;根据各叶片性状所属的性状簇,将簇间增强特征表示分别输入对应的性状特异输出层,通过全连接网络进行回归映射,获得各叶片性状的初始预测结果;根据各样本采集点的海拔高度、土壤有机质含量和田间管理方式计算各样本的环境复杂度指标,根据环境复杂度指标为各样本分配差异化的样本权重,构建环境自适应加权损失函数;采用渐进式课程学习策略对层次化多任务回归预测框架进行迭代训练,在训练初期仅使用环境复杂度指标低于预设复杂度阈值的样本进行模型参数更新,随着训练迭代逐步引入环境复杂度指标高于预设复杂度阈值的样本,直至模型收敛,获得太子参叶片性状的定量预测模型;

9、s6:获取待测太子参叶片的高光谱数据,经相同的感兴趣区域提取与吸收-散射正交子空间投影解耦处理后,输入定量预测模型,输出太子参叶片的性状检测结果。

10、由上述本发明提供的技术方案可以看出,本发明提供的高光谱与cops-scars太子参叶片性状检测方法,有益效果是:

11、通过吸收散射正交子空间投影解耦处理,可精准分离并剔除叶片表面蜡质层与表皮微观结构引发的表面散射噪声,提取纯净的内部吸收光谱数据,消除散射干扰对性状反演的影响,显著提升光谱数据与叶片生化性状的关联度;

12、采用基于波长协同熵的改性cops-scars联合优化算法进行特征波长筛选,以波长协同熵综合评价波长的预测稳定性与敏感性,结合动态正交惩罚因子逐步剔除共线性波长,在保留核心有效信息的同时降低特征维度,避免信息冗余,提升特征波长的代表性与独立性;

13、构建层次化多任务回归预测框架,结合性状相关性网络划分性状簇,通过跨簇注意力交互实现多性状信息融合,搭配环境自适应加权损失与渐进式课程学习策略,可同步完成多项叶片性状的精准预测,有效增强模型在不同种植环境下的泛化能力与鲁棒性;

14、本发明整体检测流程无需损伤叶片样本,检测效率高,可同步输出光合参数、形态指标、生化含量等多类性状结果,同时配套健康等级判定与田间管理建议,为太子参大田生长监测与精细化栽培提供可靠的技术支撑。

1.高光谱与cops-scars太子参叶片性状检测方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:获取太子参叶片样本集,并测定各样本的实际叶片性状参考值;具体包括:

3.根据权利要求1所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:采集太子参叶片样本集的高光谱图像,提取感兴趣区域,获取各样本的原始一维光谱反射率向量;具体包括:

4.根据权利要求1所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:所述原始高光谱数据矩阵的构建具体包括:

5.根据权利要求1所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:对原始高光谱数据矩阵进行吸收-散射正交子空间投影解耦处理,分离并剔除由太子参叶片表面微观结构引起的表面散射噪声,获得内部吸收光谱数据矩阵;具体包括:

6.根据权利要求1所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:采用基于波长协同熵的改性cops-scars联合优化算法对内部吸收光谱数据矩阵进行特征波长筛选,获取太子参叶片性状的特征波长集合;具体包括:

7.根据权利要求6所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:改性cops-scars联合优化算法通过在稳定竞争自适应重加权采样中引入波长协同熵作为重加权评价指标,并在竞争正交投影选择中引入动态正交惩罚因子,进行交替迭代筛选;具体包括:

8.根据权利要求1所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:定量预测模型的构建还包括特征波长光谱数据矩阵构建与多维度光谱特征增强,具体为:

9.根据权利要求1所述的高光谱与cops-scars太子参叶片性状检测方法,其特征在于:获取待测太子参叶片的高光谱数据,经相同的感兴趣区域提取与吸收-散射正交子空间投影解耦处理后,输入定量预测模型,输出太子参叶片的性状检测结果;具体包括: