(19)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 202211132478.0 (22)申请日 2022.09.08 (71)申请人 贵州省山 地资源研究所 地址 550025 贵州省贵阳市 云岩区陕西路1 号 申请人 贵州省蚕业研究所(贵州省辣椒 研 究所) (72)发明人 肖玖军　邢丹　谢元贵　陈阳　 谢刚　李可相　张蓝月　 (74)专利代理 机构 北京预立 生科知识产权代理 有限公司 1 1736 专利代理师 李红伟 (51)Int.Cl. G01N 21/25(2006.01) G06F 16/21(2019.01)G06F 16/25(2019.01) (54)发明名称 一种叶绿素含量测定方法及其系统 (57)摘要 本发明公开了一种基于波长的叶绿素含量 测定方法、 系统、 设备和计算机可读存储介质， 方 法其包括： 获取待测叶片样本的品种信息， 和待 测叶片样 本的波长数据； 确定所述待测叶片样本 的品种信息， 判断所述待测叶片样 本的品种信息 是否属于品种数据库， 并得到判断结果； 若所述 判断结果为所述待测叶片样本的品种信息属于 品种数据库， 将所述待测叶片样 本的波长数据输 入到构建好的第一叶绿素含量测定模型中进行 处理， 得到叶绿素含量值； 若所述判断结果为所 述待测叶片样本的品种信息不属于品种数据库， 将所述待测叶片样本的波长数据输入到构建好 的第二叶绿素含量测定模型中进行处理， 得到叶 绿素含量 值； 输出所述叶绿素含量 值。 权利要求书3页 说明书10页 附图5页 CN 115468920 A 2022.12.13 CN 115468920 A 1.一种叶绿素含量测定方法， 包括： 获取待测叶片样本的品种信息， 和待测叶片样本的波长数据； 确定所述待测叶片样本的品种信 息， 判断所述待测叶片样本的品种信 息是否属于品种 数据库， 并得到判断结果； 若所述判断结果为所述待测叶片样本的品种信 息属于品种数据库， 将所述待测叶片样 本的波长数据输入到构建好的第一叶绿素含量测定模型中进行处理， 得到叶绿素含量值； 若所述判断结果为所述待测叶片样本的品种信息不属于品种数据库， 将所述待测叶片样本 的波长数据输入到构建好的第二叶绿素含量测定模型中进行处 理， 得到叶绿素含量 值； 输出所述叶绿素含量 值。 2.根据权利要求1所述的叶绿素含量测定方法， 其特征在于， 所述第 一叶绿素含量测定 模型包括以下一种或几种： 叶绿素含量测定模型一， 叶绿素含量测定模型二， 叶绿素含量测 定模型三， 叶绿素含量测定模型四； 所述若所述判断结果为所述待测叶片样本的品种信 息属于品种数据库， 将所述待测叶 片样本的波长数据输入到构建好的第一叶绿素含量测定模型中进 行处理， 得到叶绿素含量 值的方法包括： 所述待测叶片样本的品种信息为V1时， 将所述待测叶片样本的波长数据输入到构建好 的叶绿素含量测定模型一中进行处 理， 得到叶绿素含量 值； 所述待测叶片样本的品种信息为V2时， 将所述待测叶片样本的波长数据输入到构建好 的叶绿素含量测定模型二中进行处 理， 得到叶绿素含量 值； 所述待测叶片样本的品种信息为V3时， 将所述待测叶片样本的波长数据输入到构建好 的叶绿素含量测定模型三中进行处 理， 得到叶绿素含量 值； 所述待测叶片样本的品种信息为V4时， 将所述待测叶片样本的波长数据输入到构建好 的叶绿素含量测定模型四中进行处 理， 得到叶绿素含量 值。 3.根据权利要求1所述的叶绿素含量测定方法， 其特征在于， 所述待测叶片样本的品种 信息不属于品种数据库时， 将所述待测叶片样本的波长数据输入到构建好的第二叶绿素含 量测定模型中进行处 理， 得到叶绿素含量 值。 4.根据权利要求1所述的叶绿素含量测定方法， 其特征在于， 所述待测叶片样本的波长 数据是经变量筛选后得到的目标波长数据， 所述目标波长数据为所述待测叶片样本的波长 数据。 5.根据权利要求4所述的叶绿素含量测定方法， 其特征在于， 所述目标波长数据 是经预 处理后的波长数据， 预处理的过程包括： 获取待测叶片样 本的光谱数据； 对所述待测叶片样 本的光谱数据进行预处理， 得到经预处理后的波长数据， 所述经预处理后的波长数据为所 述目标波长数据； 可选的， 所述预处理的方法包括以下一种或几种： 一阶导数、 二阶导数、 基线校正、 多元 散射校正、 变量标准 化、 倒数、 倒数对数； 所述预处 理的方法优选为： 变量标准 化； 可选的， 所述叶片样本的光谱数据 是将叶片样本的原始光谱数据进行平滑 处理后得到 的光谱数据： 可选的， 所述平 滑处理的方法包括但不限于以下一种： Savitzky ‑Golay。 6.根据权利要求2所述的叶绿素含量测定方法， 其特征在于， 所述叶绿素含量测定模型 一的确定方式包括： 获取叶片样本的光谱数据集， 和对应的叶绿素含量值； 利用SR对所述叶权　利　要　求　书 1/3 页 2 CN 115468920 A 2片样本的光谱数据集进行预处理， 得到经预处理后的波长数据集； 对所述经预处理后的波 长数据集进行变量筛选， 得到目标波长数据作为特征波长数据集； 利用所述特征波长数据 集构建模型， 将利用模型得到的叶绿素含量预测值与所述对应的叶绿素含量值进行比较， 优化模型， 得到构建好的叶绿素含量测定模型一； 所述待测叶片样本的波长数据包括数据 集一， 数据集一包括以下一种或几种： 436、 454、 464、 465、 567、 640、 770、 771、 772、 968、 969、 970、 980、 982、 984、 1061、 1072、 1130、 1198、 1199、 1200、 1643、 1644、 1645、 1646、 1705、 1708、 1724、 1725、 1790、 1824、 2085、 2181、 2182、 23 35、 2337、 2367、 2369、 2395； 可选的， 所述叶绿素含量测定模型二的确定方式包括： 获取叶片样本的光谱数据集， 和 对应的叶绿素含量值； 利用SNVR对所述叶片样本的光谱数据集进行预处理， 得到经预处理 后的波长数据集； 对所述经预处理后的波长数据集进行变量筛选， 得到目标波长数据作为 特征波长数据集； 利用所述特征波长数据集构建模型， 将利用模型得到的叶绿素含量预测 值与所述对应的叶绿素含量值进 行比较， 优化模型， 得到构建好的叶绿素含量测定模型二； 所述待测叶片样本的波长数据包括数据集二， 数据集二包括以下一种或几种： 549、 550、 551、 553、 555、 556、 557、 623、 624、 625、 626、 627、 691、 712、 713、 714、 715、 773、 776、 850、 1020、 1502、 1503、 1504、 1508、 1711、 1712、 1714、 1715、 1716； 所述叶绿素含量测定模型三的确定方式包括： 获取叶片样本的光谱数据集， 和对应的 叶绿素含量值； 利用SR对所述叶片样本的光谱数据集进行预处理， 得到经预处理后的波长 数据集； 对所述经预处理后的波长数据集进行变量筛选， 得到目标波长数据作为特征波长 数据集； 利用所述特征波长数据集构建模型， 将利用模型得到的叶绿素含量预测值与所述 对应的叶绿素含量值进 行比较， 优化模 型， 得到构建好的叶绿素含量测定模型三； 所述待测 叶片样本的波长数据包括数据集三， 数据集三包括以下一种或几种： 425、 426、 545、 559、 560、 561、 706、 1047、 1049、 1199、 1200、 1202、 1204、 1205、 1206、 1692、 1695、 1724、 1725、 1737、 1738、 1740、 1742、 1743、 17 75、 1776、 1777、 1778、 1779、 2302； 所述叶绿素含量测定模型四的确定方式包括： 获取叶片样本的光谱数据集， 和对应的 叶绿素含量值； 利用SR对所述叶片样本的光谱数据集进行预处理， 得到经预处理后的波长 数据集； 对所述经预处理后的波长数据集进行变量筛选， 得到目标波长数据作为特征波长 数据集； 利用所述特征波长数据集构建模型， 将利用模型得到的叶绿素含量预测值与所述 对应的叶绿素含量值进 行比较， 优化模 型， 得到构建好的叶绿素含量测定模型四； 所述待测 叶片样本的波长数据包括数据集四， 数据集四包括以下一种或几种： 420、 432、 465、 492、 547、 557、 585、 610、 633、 654、 789、 791、 795、 799、 800、 896、 897、 898、 899、 930、 931、 949、 994、 995、 1013、 1035、 1036、 1079、 1170、 1205、 1206、 1215、 1216、 1217、 1221、 1265、 1361、 1363、 1402、 1434、 1435、 1437、 1460、 1511、 1513、 1514、 1515、 1516、 1564、 1586、 1587、 1588、 1627、 1643、 1658、 1659、 1660、 1698、 1699、 1700、 1701、 1702、 1703、 1704、 1705、 1709、 1749、 1786、 1812