光谱成像是高通量表型分析的关键方法，它可用于评估多种生物参数。使用特定波长计算的归一化差异植被指数（NDVI）常用来分析作物的健康状况。开发小型、低成本和易于安装使用的光谱成像系统，在精准农业中的应用具有重要意义。本文描述了一种使用连接树莓派的双摄像头系统来生成NDVI图像的方法，称为NDVIpi。使用光谱参考目标校准图像反射率而后计算NDVI，与使用单一参考/标准的系统相比，其精度有所提高。与标准光谱法相比NDVIpi成像系统显示出强大的性能，NDVIpi还与相对更昂贵的商用相机 (Micasense RedEdge) 进行比较，两种相机在测量NDVI方面的性能相当。NDVIpi和RedEdge的NDVI值之间存在差异，这可能是由于每个相机在NDVI计算中使用的波长不同。结果表明，NDVIpi使用的波长比RedEdge所测量的波长对叶绿素含量的变化表现出更高的敏感性。我们提出了一种基于Raspberry Pi的NDVI成像系统，该系统利用低成本、现成的组件以及校准方法组成，该校准方法能够精准测量NDVI值且具有较强的鲁棒性。与商业系统相比，尽管我们的系统只是成本的一小部分，但获得了精确的NDVI值。我们的结果还强调了在NDVI计算中选择红色波长的重要性，这也导致了不同相机系统之间的灵敏度差异。

图1 Raspberry Pi Compute、PiCamera和NoIR PiCamera的连接示意图，以及金属相机支架。相机支架将两个相机保持在同一平面上，从而可以很好地对齐拍摄的图像

图2 树莓派校准板，由六种具有已知相对反射率的漫反射参考材料组成

图3 校准过程，显示从捕获图像到生成输出NDVI图像的每个步骤，虚线箭头表示可选步骤。

图4 示例数据。A直接从摄像机拍摄的图像中校准原始数字，使用六种校准材料的已知反射率来找到数字和反射率之间的关系，一旦为图像建立了关系，整个图像的原始数字可以转换为反射率值。B通过重新缩放转换后的反射率值（从0到100%）以使用完整的16位（0–65535）范围，对反射率数据进行归一化。C、 D为典型的NIR图像，显示了校准和标准化过程之前（C）和之后（D）图像之间的视觉差异。

图5  A 温室内豆类植物的RGB图像。B相对应的彩色NDVI图像。C在受控光源下拍摄的豆类树叶的RGB图像。D生成的NDVI图像，选择在视觉上与RGB图像相对应的颜色渲染方案。

 、

图6 使用光谱仪计算的与使用Raspberry Pi计算的NDVI值对比。红色虚线表示理想曲线，小麦（黄色）、大麦（蓝色）和豆类（绿色）。A中n=181，B中省略了豆类数据集n=59。Raspberry Pi图像计算的NDVI值与使用光谱仪计算的NDVI值显示出良好的关系（R2 > 0.89）。

图7 通过光谱仪测量的一系列波长计算NDVI值，以确定哪些波长计算的NDVI值与Raspberry Pi图像中实际获得的NDVI最接近。测量两个NDVI值之间的百分比（%）差异。图A中NDVI的可见红波长范围为600-700nm，NIR波长固定在750nm。图B中NIR的波长范围为700-800nm，可见红色固定在620nm。结果表明，620nm(红)/ 750nm(NIR) 计算的NDVI值与Raspberry Pi图像中实际获得的NDVI最匹配（n = 150)。

图8 在环境光照下温室中拍摄的豆类叶子NDVI图像。图A是来自NDVIpi系统的NDVI图像；图B是来自Micasense RedEdge的NDVI图像。

图9 （黑点）为用Raspberry Pi测量的NDVI，（红点）为采用Micasense RedEdge测量的NDVI，与采用620nm波长（红色）和750nm波长（NIR）计算的NDVI对比。

图10 使用NDVIRaspPi计算的NDVI与通过光谱仪测量的NDVIMicasanse之间的关系。