CN103018196A - 一种油菜需水信息的快速探测方法 - Google Patents
一种油菜需水信息的快速探测方法 Download PDFInfo
- Publication number
- CN103018196A CN103018196A CN2012105289080A CN201210528908A CN103018196A CN 103018196 A CN103018196 A CN 103018196A CN 2012105289080 A CN2012105289080 A CN 2012105289080A CN 201210528908 A CN201210528908 A CN 201210528908A CN 103018196 A CN103018196 A CN 103018196A
- Authority
- CN
- China
- Prior art keywords
- rapeseed
- hyperspectral
- infrared
- data
- water demand
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 235000004977 Brassica sinapistrum Nutrition 0.000 claims abstract description 51
- 244000188595 Brassica sinapistrum Species 0.000 claims abstract description 48
- 238000000701 chemical imaging Methods 0.000 claims abstract description 37
- 238000006073 displacement reaction Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 12
- 229910052736 halogen Inorganic materials 0.000 claims abstract description 9
- 229910052721 tungsten Inorganic materials 0.000 claims abstract description 9
- 239000010937 tungsten Substances 0.000 claims abstract description 9
- 238000003973 irrigation Methods 0.000 claims abstract description 8
- 230000002262 irrigation Effects 0.000 claims abstract description 8
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims abstract description 5
- 150000002367 halogens Chemical class 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 6
- -1 tungsten halogen Chemical class 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000007590 electrostatic spraying Methods 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 claims 1
- 230000001066 destructive effect Effects 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 208000005156 Dehydration Diseases 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 241000196324 Embryophyta Species 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 3
- 240000002791 Brassica napus Species 0.000 description 3
- 229910052796 boron Inorganic materials 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 108010064851 Plant Proteins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 235000021118 plant-derived protein Nutrition 0.000 description 1
- 238000001243 protein synthesis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种油菜需水信息的快速探测方法，所用的近红外超光谱成像装置由光箱、卤钨灯光源、控制器、计算机、近红外相机、摄谱仪、镜头、Ｙ分支线性和电控位移台组成。利用近红外超光谱成像装置采集油菜叶片的超光谱数据立方体；比较不同波长下超光谱图像中目标与背景差异，采用背景差异较大的970nm图像进行目标背景分割；提取油菜含水率的最优波长，利用ENVI软件抽取720nm、960nm、1450nm处的主成分图像数据；建立主成分图像的灰度、纹理和反射强度分布特征空间，结合叶片含水率数据，基于偏最小二乘法，建立油菜含水率预测模型，参考标准化管理的对照组样本和实时环境温湿度数据，给出油菜的需水量和灌溉参考信息，实现了油菜需水信息的快速无损探测。
Description
技术领域
本发明涉及一种针对油菜需水信息的无损探测方法，特指基于近红外超光谱成像技术对油菜水分胁迫状态进行无损检测，结合实时环境信息探测，对油菜需水信息进行评价和灌溉决策管理的方法。
背景技术
油菜是中国最重要的油料作物之一，常年种植面积在1亿亩以上，年产菜籽近1000万吨，占油料作物总产量的40％-45％。油菜是需水较多的作物，水分胁迫使油菜生长发育产生生理障碍，使植株蛋白质合成受到抑制；对硼的吸收利用影响也很大，油菜是对硼敏感的作物，缺硼常导致油菜“花而不实”，这都将使油菜产量降低，并影响菜籽的品质。我国北方及丘陵油菜种植区，普遍存在干旱缺水的情况；快速诊断植株缺水状况，科学精确的指导灌溉，有效利用有限的水资源，保证油菜的优质高产，这具有重要意义。
目前作物需水状况及水分胁迫主要是通过测量植株叶片的气孔导度、叶水势、冠层温度、蒸腾速率、植株茎杆直径的变化等指标间接获得，或者以生产者经验和实验室常规干湿重测量为主，这些传统的测试手段会对作物产生破坏，影响作物生长，而且耗费大量的人力、物力，时效性差。基于反射光谱、计算机视觉和红外温度探测的作物水分胁迫检测技术具有快速、方便、非破坏性的优点，目前国内在基于光谱、计算机视觉和红外温度探测的作物水分无损检测已有一些相关研究专利公开，申请号为200510088935.0的发明专利申请，公开了一种便携式植物氮素和水分含量的无损检测方法及测量仪器，通过检测植株叶片在四个特征波长处的光谱反射强度信息来进行植物的营养诊断，利用对四个波长植被指数的反演来获取植物的氮素和含水率信息；申请号为200710178192.5的发明专利申请，公开了一种在线式作物冠气温差灌溉决策监测系统，通过一组高速云台内部安装的红外冠层温度传感器和支架立杆上设置的环境温度传感器等监测装置，可以实现对小区内作物的冠层温度的监测。基于光谱技术的无损诊断方法，通常采用点源采样方式，无法体现整个叶片或冠层区域的光反射特性差异。视觉传感器具有较高的分辨率和较大的视场范围，通过图像分割技术能够有效去除背景等因素的影响，克服了光谱法测试范围较小和对测试部位要求较严格的缺点，但传统的计算机视觉技术光谱分辨率很低，通常获取的是目标在400-700nm的可见光区域的合成图像或很少几个波段的多光谱图像，而水分子的特征波段在960nm和1450nm区域，这导致传统的视觉图像技术难以应用于作物水分胁迫的无损探测。而基于红外温度的水分胁迫检测，由于特征单一且对环境温度和湿度的敏感性较大，因此目前仅能对作物的水分胁迫进行趋势判断，难以进行精确定量分析。
本发明采用的近红外超光谱成像技术获取油菜的水分胁迫信息，该技术是集近红外反射光谱和超光谱成像技术于一身的新技术，在900-1700nm的连续的谱段上对同一目标以3.5nm的高分辨率在256个波段上连续成像，构成一个按波长顺序排列的图像数据立方体，兼有反射光谱和视觉图像技术的优势，既能对植株水分胁迫引起的颜色、纹理、形态变化等特征进行可视化分析，又能对植株叶片受水分胁迫导致的水分子近红外光谱反射率分布信息的变化等进行综合分析。目前国内外文献尚未见利用近红外超光谱成像技术进行作物需水信息探测的相关专利和报道。
发明内容
本发明的目的是提供一种油菜需水信息的快速探测方法。通过自行构建的近红外超光谱成像采集装置，采集油菜叶片的超光谱数据立方体；提取油菜水分胁迫的最优特征波长和主成分图像，构建水分胁迫的近红外光谱分布和特征图像的颜色、纹理、形态特征空间；基于多信息融合技术，建立油菜水分胁迫的诊断模型，实现对油菜水分胁迫信息的快速无损检测和定量分析。为油菜水分管理和灌溉决策提供了科学依据。
为实现上述目的，本发明采用自行构建的近红外超光谱成像装置采集油菜样本的近红外超光谱数据，近红外超光谱成像装置包括如下部件：光箱、卤钨灯光源、控制器、计算机、超光谱成像传感器、Ｙ分支线性灯和电控位移台，所述超光谱成像传感器由近红外相机、摄谱仪和镜头依次连接组成，并固定在光箱内顶部中心位置；所述电控位移台固定在光箱内的底面几何中心，位于所述超光谱成像传感器的正下方；所述Ｙ分支线性灯对称安装在光箱内中部左右两侧；所述卤钨灯光源与Ｙ分支线性灯通过两根玻璃光纤相连接；所述超光谱成像传感器和电控位移台通过数据线与控制器相连接；计算机与所述控制器通过数据线相连接，控制器接受计算机的控制指令，控制所述电控位移台的行进速度和超光谱成像传感器信息采集时的扫描速度、曝光时间、焦距和其它参数。
其中所述的近红外相机、摄谱仪和镜头共同组成的超光谱成像传感器，其最下端为镜头，其后向上依次连接摄谱仪、近红外相机；其中所述的近红外相机为铟镓砷成像相机，光谱范围为900-1700nm。
其中所述的超光谱成像传感器光谱分辨率为3.5nm，采用线扫描方式采集样本的超光谱数据；所述线扫描方式是通过位于其正下方的电控位移台沿直线移动完成的，在900-1700nm的近红外波长范围内，一次扫描过程可同步获取256个波段上的近红外超光谱图像。
其中所述的光箱内部采用黑色静电喷涂。
为实现发明的目的，本发明一种油菜需水信息的快速探测方法按照下述步骤进行：
（1）将油菜样本固定在电控位移台上，调整镜头焦距和近红外相机的分辨率、增益、曝光时间以保证图像的清晰，设定电控位移台的速度，避免扫描图像失真；对超光谱成像传感器进行黑白场的标定，设定超光谱图像的有效反射强度区间，消除相机暗电流噪声；
（2）采集油菜样本的近红外超光谱数据立方体，通过二阶Butterworth滤波器进行数字滤波去除近红外超光谱数据的相机“坏点”数据，比较不同波长下超光谱图像中目标与背景的差异，采用背景差异较大的970nm图像进行背景分割；
（3）提取油菜含水率的最优波长，利用ENVI软件抽取720nm、960nm、1450nm处的主成分图像数据；
（4）基于获取的主成分图像，建立主成分图像的灰度、纹理和反射强度分布特征空间，结合叶片含水率数据，基于偏最小二乘法，建立油菜含水率预测模型，参考标准化管理的对照组样本和实时环境温度和湿度数据，给出油菜的需水量和灌溉参考信息。
本发明的有益效果：（1）本发明采用近红外超光谱成像装置对油菜需水信息进行定量分析，这在以往文件中都没有涉及。（2）本发明通过同步获取油菜叶片的综合信息，融合近红外图像灰度、纹理和近红外反射强度分布特征进行油菜含水率预测和分析，实现了油菜需水信息的快速探测，与传统的光谱和视觉图像单一检测手段相比，识别的精度和稳定性有了明显的提高，油菜含水率测量误差小于5%。
附图说明
图1是本发明一种油菜需水信息的快速探测方法流程图；
图2是近红外超光谱成像装置结构示意图；1－光箱；2－卤钨灯光源；3－控制器；4－计算机；5－近红外相机；6－摄谱仪；7－镜头；8－Ｙ分支线性灯；9－电控位移台；10－油菜样本。
具体实施方式
下面结合附图对本发明进行进一步详细描述。
为实现上述目的，本发明采用自行构建的近红外超光谱成像装置采集油菜样本的近红外超光谱数据，近红外超光谱成像装置包括如下部件：光箱1、卤钨灯光源2、控制器3、计算机4、近红外相机5、摄谱仪6、镜头7、Ｙ分支线性灯8和电控位移台9。光箱1的作用是屏蔽外界干扰，为近红外超光谱数据采集提供稳定的光源和检测环境，光箱1顶部中心位置固定了由近红外相机5、摄谱仪6和镜头7组成的超光谱成像传感器；光箱的底面几何中心固定了电控位移台9，在光箱中部左右两侧对称安装了Ｙ分支线性灯8；其中超光谱成像传感器垂直安装在电控位移台9的正上方；卤钨灯光源2与Ｙ分支线性灯8通过两根玻璃光纤相连接；超光谱成像传感器和电控位移台9通过数据线与控制器3相连接；计算机4与控制器3通过数据线相连接，控制器3接受计算机4的控制指令，控制电控位移台9的行进速度和超光谱成像传感器信息采集时的扫描速度、曝光时间、焦距等参数，实施信息采集控制。
其中所述近红外相机5、摄谱仪6和镜头7共同组成的超光谱成像传感器，其最下端为镜头7，其后向上依次连接摄谱仪6、近红外相机5；其中所述的近红外相机5为铟镓砷成像相机，其光谱范围为900-1700nm。
其中所述的超光谱成像传感器光谱分辨率为3.5nm，采用线扫描方式采集样本的超光谱数据；所述线扫描方式是通过位于其正下方的电控位移台9带动样本沿扫描方向移动完成的，在900-1700nm的近红外波长范围内，一次扫描过程可同步获取256个波段上的近红外超光谱图像。
其中所述的卤钨灯光源波长范围为400-2600nm。
其中所述的光箱内部采用黑色静电喷涂。
实际测量时，按照下述步骤进行：
（1）将油菜样本10固定在电控位移台9上，调整镜头焦距为10mm和近红外相机的分辨率为717×525、快门速度为1/1000s、帧率为26，以保证图像的清晰，设定电控位移台9的速度参数为9，避免扫描图像失真；对超光谱成像传感器进行黑白场的标定，采集黑场和白场信息，其中黑场通过关闭光源和镜头盖扫描进行，白场通过扫描标准白板进行，获得900-1700nm波长范围的相对参考值，其中黑场的参考值为0，白场的相对参考值为255，以白场和黑场的差值作为分母，计算各像素点的成像灰度值，设定超光谱图像的有效反射强度区间，消除相机暗电流噪声；各像素点的相对强度值计算通过下式进行：
式中：x为像素点强度检测值；x min ,x max 为黑场的强度均值和白场的强度均值。
（2）采集油菜样本10的近红外超光谱数据立方体，通过二阶Butterworth滤波器进行数字滤波去除近红外超光谱数据的相机“坏点”数据，比较不同波长下超光谱图像中目标与背景的差异，采用背景差异较大的970nm图像进行背景分割；
（3）提取油菜含水率的最优波长，利用ENVI软件抽取720nm、960nm、1450nm处的主成分图像数据；
（4）基于获取的主成分图像，建立主成分图像的灰度、纹理和反射强度分布特征空间，结合叶片含水率数据，基于偏最小二乘法，建立油菜含水率预测模型:
W=621.75+171.54ANS 1450 -169.28ANS 960 +68.55ANS 720 (2)
式中：W油菜含水率（%），ANS 1450 、ANS 960 、ANS 720 为相应波长下的灰度、纹理和反射强度分布特征变量的经过归一化并加权融合的特征参数；利用该模型对苗期油菜的含水率进行预测，预测值与实测值的平均绝对误差为3.87%，平均相对误差为5.08%，相关系数为0.96，均方差为2.97。预测精度与现有方法相比均显著提高。参考标准化管理的对照组样本和实时环境温度和湿度数据，给出油菜的需水量和灌溉参考信息。
以上只是结合一个具体实施例，示例性说明及帮助进一步理解本发明，但实施例具体细节仅是为了说明本发明，并不代表本发明构思下全部技术实施例，因此不应理解为对本发明总的技术实施例限定，一些在技术人员看来，不偏离发明构思的非实质性改动，例如以具有相同或相似技术效果的技术特征简单改变或替换，均属本发明保护范围。
Claims (5)
1.一种油菜需水信息的快速探测方法，利用近红外超光谱成像装置采集油菜样本的超光谱数据并进行分析处理，其特征在于，包括的步骤为：
（1）将油菜样本固定在电控位移台上，调整镜头焦距和近红外相机的分辨率、增益和曝光时间以保证图像的清晰，设定电控位移台的速度，避免扫描图像失真；对超光谱成像传感器进行黑白场的标定，设定超光谱图像的有效反射强度区间，消除相机暗电流噪声；
（2）采集油菜样本的近红外超光谱数据立方体，通过二阶Butterworth滤波器进行数字滤波去除近红外超光谱数据的相机“坏点”数据，比较不同波长下超光谱图像中目标与背景的差异，采用背景差异较大的970nm图像进行背景分割；
（3）提取油菜含水率的最优波长，利用ENVI软件抽取720nm、960nm、1450nm处的主成分图像数据；
（4）基于获取的主成分图像，建立主成分图像的灰度、纹理和反射强度分布特征空间，结合油菜样本含水率数据，基于偏最小二乘法，建立油菜含水率预测模型，参考标准化管理的对照组样本和实时环境温度和湿度数据，给出油菜的需水量和灌溉参考信息。
2.根据权利要求1所述的一种油菜需水信息的快速探测方法，其特征在于，所述近红外超光谱成像装置包括如下部件：光箱、卤钨灯光源、控制器、计算机、超光谱成像传感器、Ｙ分支线性灯和电控位移台，所述超光谱成像传感器由近红外相机、摄谱仪和镜头依次连接组成，并固定在光箱内顶部中心位置；所述电控位移台固定在光箱内的底面几何中心，位于所述超光谱成像传感器的正下方；所述Ｙ分支线性灯对称安装在光箱内中部左右两侧；所述卤钨灯光源与Ｙ分支线性灯通过两根玻璃光纤相连接；所述超光谱成像传感器和电控位移台通过数据线与控制器相连接；计算机与所述控制器通过数据线相连接，控制器接受计算机的控制指令，控制所述电控位移台的行进速度和超光谱成像传感器信息采集时的扫描速度、曝光时间、焦距和其它参数。
3.根据权利要求2所述的一种油菜需水信息的快速探测方法，其特征在于，所述近红外相机为铟镓砷成像相机，光谱范围为900-1700nm。
4.根据权利要求3所述的一种油菜需水信息的快速探测方法，其特征在于，所述超光谱成像传感器光谱分辨率为3.5nm，采用线扫描方式采集样本的超光谱数据，所述线扫描方式是指通过位于超光谱成像传感器正下方的电控位移台，在进行数据采集时带动油菜样本沿直线方向移动完成的，在900-1700nm的近红外波长范围内，一次扫描过程可同步获取256个波段上的近红外超光谱图像。
5.根据权利要求4所述的一种油菜需水信息的快速探测方法，其特征在于，所述光箱内部采用黑色静电喷涂。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105289080A CN103018196A (zh) | 2012-12-11 | 2012-12-11 | 一种油菜需水信息的快速探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105289080A CN103018196A (zh) | 2012-12-11 | 2012-12-11 | 一种油菜需水信息的快速探测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103018196A true CN103018196A (zh) | 2013-04-03 |
Family
ID=47967049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012105289080A Pending CN103018196A (zh) | 2012-12-11 | 2012-12-11 | 一种油菜需水信息的快速探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103018196A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104165853A (zh) * | 2014-08-29 | 2014-11-26 | 烟台东润仪表有限公司 | 一种光谱法水体环境在线测量装置 |
| CN104697943A (zh) * | 2014-11-10 | 2015-06-10 | 江苏大学 | 一种油菜水分胁迫的无损检测方法 |
| CN105353620A (zh) * | 2015-11-28 | 2016-02-24 | 中国水利水电科学研究院 | 一种基于地表水深信息的地面灌溉控制方法 |
| CN106575419A (zh) * | 2014-07-16 | 2017-04-19 | 株式会社理光 | 信息处理设备、产生控制信号的方法、信息处理系统以及程序 |
| CN106706559A (zh) * | 2017-03-03 | 2017-05-24 | 上海事凡物联网科技有限公司 | 落叶含水率的测量方法、系统及服务器 |
| CN108469434A (zh) * | 2018-04-11 | 2018-08-31 | 山东农业大学 | 一种监测果树是否缺水的装置及方法 |
| CN108593595A (zh) * | 2018-05-03 | 2018-09-28 | 苏州高新区建金建智能科技有限公司 | 基于近红外线光谱照射技术的叶片水分检测系统 |
| CN108693135A (zh) * | 2017-04-11 | 2018-10-23 | 中国农业大学 | 一种植物叶片含水率检测系统 |
| CN108693145A (zh) * | 2017-04-11 | 2018-10-23 | 中国农业大学 | 一种植物叶片含水率检测方法 |
| CN108827898A (zh) * | 2018-04-18 | 2018-11-16 | 北京理工大学 | 一种连续变焦的显微红外光学增强系统及方法 |
| CN110089308A (zh) * | 2019-05-29 | 2019-08-06 | 浙江大学 | 一种培育植物的智能系统及方法 |
| CN110222475A (zh) * | 2019-07-03 | 2019-09-10 | 中国水利水电科学研究院 | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 |
| CN113396969A (zh) * | 2021-05-26 | 2021-09-17 | 江苏大学 | 一种基于水果电特性的柔性静电喷涂装备及方法 |
| CN118533786A (zh) * | 2024-07-26 | 2024-08-23 | 洛阳奥帆农业科技有限公司 | 一种蔬菜大棚种植环境检测装置 |
| CN120036349A (zh) * | 2025-04-24 | 2025-05-27 | 福建豪味来食品发展有限公司 | 一种猪肉脯加工用高温烘烤输送装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006010476A (ja) * | 2004-06-25 | 2006-01-12 | Hitachi Ltd | 植物の凍結・低温ストレス耐性レベルの簡易評価方法および装置 |
| CN102081039A (zh) * | 2010-08-17 | 2011-06-01 | 江苏大学 | 一种环境可控的作物营养水分高光谱图像检测装置 |
| CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
| CN102721651A (zh) * | 2012-06-18 | 2012-10-10 | 浙江大学 | 基于多光谱图像的植物叶片水分含量的检测方法及系统 |
-
2012
- 2012-12-11 CN CN2012105289080A patent/CN103018196A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006010476A (ja) * | 2004-06-25 | 2006-01-12 | Hitachi Ltd | 植物の凍結・低温ストレス耐性レベルの簡易評価方法および装置 |
| CN102081039A (zh) * | 2010-08-17 | 2011-06-01 | 江苏大学 | 一种环境可控的作物营养水分高光谱图像检测装置 |
| CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
| CN102721651A (zh) * | 2012-06-18 | 2012-10-10 | 浙江大学 | 基于多光谱图像的植物叶片水分含量的检测方法及系统 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106575419A (zh) * | 2014-07-16 | 2017-04-19 | 株式会社理光 | 信息处理设备、产生控制信号的方法、信息处理系统以及程序 |
| CN104165853A (zh) * | 2014-08-29 | 2014-11-26 | 烟台东润仪表有限公司 | 一种光谱法水体环境在线测量装置 |
| CN104697943A (zh) * | 2014-11-10 | 2015-06-10 | 江苏大学 | 一种油菜水分胁迫的无损检测方法 |
| CN104697943B (zh) * | 2014-11-10 | 2017-12-05 | 江苏大学 | 一种油菜水分胁迫的无损检测方法 |
| CN105353620B (zh) * | 2015-11-28 | 2018-05-18 | 中国水利水电科学研究院 | 一种基于地表水深信息的地面灌溉控制方法 |
| CN105353620A (zh) * | 2015-11-28 | 2016-02-24 | 中国水利水电科学研究院 | 一种基于地表水深信息的地面灌溉控制方法 |
| CN106706559B (zh) * | 2017-03-03 | 2019-06-18 | 上海事凡物联网科技有限公司 | 落叶含水率的测量方法、系统及服务器 |
| CN106706559A (zh) * | 2017-03-03 | 2017-05-24 | 上海事凡物联网科技有限公司 | 落叶含水率的测量方法、系统及服务器 |
| CN108693145B (zh) * | 2017-04-11 | 2020-02-07 | 中国农业大学 | 一种植物叶片含水率检测方法 |
| CN108693135A (zh) * | 2017-04-11 | 2018-10-23 | 中国农业大学 | 一种植物叶片含水率检测系统 |
| CN108693145A (zh) * | 2017-04-11 | 2018-10-23 | 中国农业大学 | 一种植物叶片含水率检测方法 |
| CN108469434B (zh) * | 2018-04-11 | 2022-01-25 | 山东农业大学 | 一种监测果树是否缺水的装置及方法 |
| CN108469434A (zh) * | 2018-04-11 | 2018-08-31 | 山东农业大学 | 一种监测果树是否缺水的装置及方法 |
| CN108827898A (zh) * | 2018-04-18 | 2018-11-16 | 北京理工大学 | 一种连续变焦的显微红外光学增强系统及方法 |
| CN108827898B (zh) * | 2018-04-18 | 2021-04-20 | 北京理工大学 | 一种连续变焦的显微红外光学增强系统及方法 |
| CN108593595A (zh) * | 2018-05-03 | 2018-09-28 | 苏州高新区建金建智能科技有限公司 | 基于近红外线光谱照射技术的叶片水分检测系统 |
| CN110089308A (zh) * | 2019-05-29 | 2019-08-06 | 浙江大学 | 一种培育植物的智能系统及方法 |
| CN110089308B (zh) * | 2019-05-29 | 2021-03-23 | 浙江大学 | 一种应用智能系统培育植物的方法 |
| CN110222475A (zh) * | 2019-07-03 | 2019-09-10 | 中国水利水电科学研究院 | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 |
| CN110222475B (zh) * | 2019-07-03 | 2021-09-07 | 中国水利水电科学研究院 | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 |
| CN113396969A (zh) * | 2021-05-26 | 2021-09-17 | 江苏大学 | 一种基于水果电特性的柔性静电喷涂装备及方法 |
| CN113396969B (zh) * | 2021-05-26 | 2022-09-16 | 江苏大学 | 一种基于水果电特性的柔性静电喷涂装备及方法 |
| CN118533786A (zh) * | 2024-07-26 | 2024-08-23 | 洛阳奥帆农业科技有限公司 | 一种蔬菜大棚种植环境检测装置 |
| CN118533786B (zh) * | 2024-07-26 | 2024-10-18 | 洛阳奥帆农业科技有限公司 | 一种蔬菜大棚种植环境检测装置 |
| CN120036349A (zh) * | 2025-04-24 | 2025-05-27 | 福建豪味来食品发展有限公司 | 一种猪肉脯加工用高温烘烤输送装置 |
| CN120036349B (zh) * | 2025-04-24 | 2025-07-15 | 福建豪味来食品发展有限公司 | 一种猪肉脯加工用高温烘烤输送装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103018196A (zh) | 一种油菜需水信息的快速探测方法 | |
| CN101936882B (zh) | 一种作物氮素和水分无损检测方法及装置 | |
| CN102384767B (zh) | 一种设施作物生长信息无损检测装置和方法 | |
| CN202382768U (zh) | 一种设施作物生长信息无损检测装置 | |
| CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
| CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
| CN203275285U (zh) | 一种基于高光谱成像的大米品质在线无损检测装置 | |
| CN103048266B (zh) | 一种设施番茄氮磷钾胁迫自动识别方法和装置 | |
| CN103018179B (zh) | 一种作物水分胁迫的近红外偏振超光谱成像检测装置和方法 | |
| CN103439265B (zh) | 一种茶树精细化栽培生育性状实时监测方法 | |
| CN103018180B (zh) | 一种基于多源光信息技术的棉花病害检测方法和装置 | |
| CN104697943B (zh) | 一种油菜水分胁迫的无损检测方法 | |
| CN102081039A (zh) | 一种环境可控的作物营养水分高光谱图像检测装置 | |
| CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
| CN102721651A (zh) | 基于多光谱图像的植物叶片水分含量的检测方法及系统 | |
| CN106290238A (zh) | 一种基于高光谱成像的苹果品种快速鉴别方法 | |
| CN101382488A (zh) | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 | |
| CN103940748B (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
| CN102621077A (zh) | 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法 | |
| CN104422660A (zh) | 一种高光谱的植物叶片病虫害诊断系统 | |
| US20180018537A1 (en) | Non-spectroscopic imaging of plants | |
| CN105021617A (zh) | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 | |
| CN210775225U (zh) | 基于拉曼光谱的果实成熟度检测与采摘装置 | |
| CN1975378A (zh) | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 | |
| CN111751347A (zh) | 基于拉曼光谱的白粉病胁迫下大麦叶片色素成像方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130403 |