一种基于冠层反射光谱的茶树品种识别方法

1.本发明涉及检测分析技术领域，具体涉及一种基于冠层反射光谱的茶树品种识别方法。


背景技术：

2.茶树养分管理是其优质、高产、稳产的基础，而营养诊断是养分管理的理论和技术依据。植物营养诊断方法有土壤诊断、叶片诊断、田间试验、示踪原子、微生物测定等多种方法。由于茶树根系较大，树体需求和贮藏的营养物质多，园地立地条件复杂，采用土壤营养诊断和田间试验等方法常存在诊断准确性较差与效率低等问题，其结果也仅被视为生产中的参考值。而叶片是营养反应最敏感的器官，其营养动态变化可实时反馈树体和土壤养分的丰缺状况。因此，叶片营养诊断方法是比较理想的营养诊断方法。可是，茶树叶片养分存在时空动态变化规律，在测定样品中，采集期和处理方法不同，其分析诊断结果差异较大。尤其是茶树是以采集新梢为收获器官，每年从春季到秋季需要连续采摘，养分被大量消耗，在测定叶片营养元素变化时必须充分考虑因鲜叶采摘而引起的大量元素变化，采集样品时必须考虑元素的变化动态，才能确定元素的丰缺，并据此制定合理的施肥种类与数量。
3.茶树在不同季节营养吸收和转化规律是不同的。秋季-冬季是养分贮藏期，主要养分贮藏在根系、叶片和休眠芽中；春季是茶树萌发期，养分从根系、叶片向芽转移，提高芽的萌发力，并随着新梢的不断采摘，矿质营养会不断被带走，必须及时补充养分，才能满足茶树新梢萌发的需要；夏季是茶树的旺盛生长季，营养物质贮藏少，芽的萌发和叶片的生长消耗大量养分；在不同的时期，不同元素储藏状态和运转形式不同，茶树叶片营养诊断和其他作物自然就有明显的不同。
4.茶树营养诊断工作已开展多年，仍然缺少快速、便捷、实用的诊断方法。目前，我国关于茶树叶片营养诊断标准及其应用尚属空白。本发明即通过茶园调查、分析测定和定点试验，获取了大量有关茶树叶片养分含量数据，通过多元回归分析及主成分分析，明确茶园主栽品种的营养状况，建立了茶树代表性品种营养元素的标准值和营养诊断技术标准，提出以叶片营养分析为核心的茶树营养诊断技术体系，对提高茶园的肥水管理水平具有重要意义。
5.中国是世界上拥有茶树种植资源最丰富的国家，拥有2000余种茶树种植资源，茶树品种的真实性鉴定不仅影响茶树资源的保护和利用，更影响茶产品精加工质量和名优茶的声誉。因此，茶树品种鉴定是茶树种植资源研究的重要组成部分，但鉴于茶树组织器官图像难采集、难识别等困难，往往不能准确识别出茶树的品种。
6.随着深度学习、机器视觉、图像识别等技术的不断进步，利用生成对抗网络等关键技术可以很好的对茶树组织器官图像进行处理，然后对茶树品种进行精准识别，分类得到茶树品种，能够很好地解决上述问题。


技术实现要素：

7.本发明的目的在于提出一种基于冠层反射光谱的茶树品种识别方法，本发明识别模型的总体准确率84％，对安吉白茶、黄金芽、紫鹃等叶色突变茶树品种的识别准确率可达100％，对具有近缘关系茶树的品种识别准确率略低，应用前景佳。
8.本发明的技术方案是这样实现的：
9.本发明提供一种基于冠层反射光谱的茶树品种识别方法，包括以下步骤：
10.s1.基于茶树种质资源，采集茶树冠层或者叶片的近红外反射光谱数据，进行数据处理，构建不同茶树品种的红外反射光谱数据库；
11.s2.对光谱数据库数据进行分割，一部分用于识别模型开发，另一部分用于模型诊断；
12.s3.进行机器学习模型训练茶树品种识别模型；
13.s4.对生成的不同模型，建立并验证校正模型，相关性分析，然后进行评价，最终确定最有模型。
14.作为本发明的进一步改进，步骤s1中所述茶树冠层或者叶片近红外反射光谱数据的采集方法如下：取样品粉末放入样品杯中，混合均匀，压平，采用积分球漫反射附件采集，得到近红外反射光谱数据。
15.作为本发明的进一步改进，所述积分球漫反射附件采集的扫描范围4000-10000cm-1
，扫描次数60-70次，分辨率5-10cm-1
，环境温度18-25℃，ingaas检测器。
16.作为本发明的进一步改进，所述扫描次数64次，分辨率8cm-1
，环境温度20℃。
17.作为本发明的进一步改进，步骤s1中所述数据处理采用matlab 7.0软件结合tq analyst 7.2数据处理软件。
18.作为本发明的进一步改进，步骤s3中所述机器学习方法包括线性判别、偏最小二乘法、神经网络、决策树、随机森林和支持向量机。
19.作为本发明的进一步改进，步骤s4中所述建立并验证校正模型的方法为采用tq analyst 7.2数据处理软件，建立茶树近红外光谱图特征与待测组分含量间的校正模型，进而对验证集样品进行分析。
20.作为本发明的进一步改进，步骤s4中所述相关性分析的方法为对茶树的叶绿素、水分、灰分和醇溶性浸出物4个指标成分，采用spss软件进行两两间的相关分析。
21.作为本发明的进一步改进，具体包括以下步骤：
22.s1.基于茶树种质资源，采集茶树冠层或者叶片的近红外反射光谱数据，进行数据处理，构建不同茶树品种的红外反射光谱数据库；
23.采集方法如下：取样品粉末放入样品杯中，混合均匀，压平，采用积分球漫反射附件采集，得到近红外反射光谱数据，所述积分球漫反射附件采集的扫描范围4000-10000cm-1
，扫描次数64次，分辨率8cm-1
，环境温度20℃，ingaas检测器；
24.s2.对光谱数据库数据进行分割，一部分用于识别模型开发，另一部分用于模型诊断；
25.s3.进行机器学习模型训练茶树品种识别模型，所述机器学习方法包括线性判别、偏最小二乘法、神经网络、决策树、随机森林和支持向量机；
26.s4.对生成的不同模型，采用tq analyst 7.2数据处理软件，建立茶树近红外光谱
图特征与待测组分含量间的校正模型，进而对验证集样品进行分析，对茶树的叶绿素、水分、灰分和醇溶性浸出物4个指标成分，采用spss软件进行两两间的相关分析，然后进行评价，最终确定最佳模型。
27.本发明具有如下有益效果：本发明识别模型的总体准确率84％，对安吉白茶、黄金芽、紫鹃等叶色突变茶树品种的识别准确率可达100％，对具有近缘关系茶树的品种识别准确率略低，应用前景佳。
附图说明
28.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
29.图1为本发明基于冠层反射光谱的茶树品种识别方法的流程示意图；
30.图2为不同品种茶树田间种植区俯瞰图；
31.图3为支持向量机模型(svm)的对茶树品种的预测效果。
具体实施方式
32.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
33.实施例1
34.参照图1，基于冠层反射光谱的茶树品种识别方法，具体包括以下步骤：
35.s1.基于茶树种质资源，采集茶树冠层或者叶片的近红外反射光谱数据，进行数据处理，构建不同茶树品种的红外反射光谱数据库；
36.采集方法如下：取样品粉末放入样品杯中，混合均匀，压平，采用积分球漫反射附件采集，得到近红外反射光谱数据，所述积分球漫反射附件采集的扫描范围4000-10000cm-1
，扫描次数64次，分辨率8cm-1
，环境温度20℃，ingaas检测器；
37.s2.对光谱数据库数据进行分割，一部分用于识别模型开发，另一部分用于模型诊断；
38.s3.进行机器学习模型训练茶树品种识别模型，所述机器学习方法包括线性判别、偏最小二乘法、神经网络、决策树、随机森林和支持向量机；
39.s4.对生成的不同模型，采用tq analyst 7.2数据处理软件，建立茶树近红外光谱图特征与待测组分含量间的校正模型，进而对验证集样品进行分析，对茶树的叶绿素、水分、灰分和醇溶性浸出物4个指标成分，采用spss软件进行两两间的相关分析，然后进行评价，最终确定最有模型。
40.实施例2
41.根据图2和图3，在茶树种植地块中分别采集不同品种的多个冠层叶片，并采集其冠层反射光谱数据；以部分数据作为训练数据，构建线性判别、偏最小二乘法、神经网络、决
策树、随机森林和支持向量机等机器学习模型进行品种识别；以未参与建模的数据作为测试数据，带入不同的模型，根据识别的准确率筛选出最佳的识别模型为支持向量机模型(svm)，其对大多数茶树品种的识别准确率达到100％。
42.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。