CN101881726B - 植物幼苗综合性状活体无损检测方法 - Google Patents

Abstract

本发明涉及一种植物幼苗综合性状活体无损检测方法，包括以下步骤：对植物幼苗进行高光谱成像，从高光谱数据立方体中提取RGB图像及特定区域的光谱，通过图像处理及光谱分析获得幼苗的形态参数、组分含量分布以及病虫害信息；采用特征级信息融合方法和模糊综合评判方法建立植物幼苗长势预测模型。本发明能够实现对幼苗外观形态、营养组分及病虫害信息三方面性状的综合评价；且克服了组分测量时不均匀性造成的误差。

Description

植物幼苗综合性状活体无损检测方法

技术领域

本发明涉及光谱分析及图像处理技术领域，尤其涉及一种植物幼苗综合性状活体无损检测方法。 

背景技术

植物种子从萌发开始到幼苗生长是一个复杂的生理生化、物质代谢过程，受其内部或外部物质的调控作用，而表现出种子活力、幼苗生长、形态特征、细胞组织、物质代谢等方面的效应，直接或间接影响作物的营养生长和生殖生长，进而影响最终的生物产量、经济产量、营养品质及其安全性等。因此，许多农艺学家、育种家、生物化学家都非常关注植物苗期生长特性。大田里的植物观测侧重于群体参数，而幼苗监测更侧重于个体的分析。目前对于植物群体监测的技术已比较成熟，而幼苗由于个体差异性很大，尚缺乏有效的检测方法，现有的幼苗检测方法大多是根据经验用目测的方法或者化学方法进行。 

作物在不同的营养状况下表现出不同的茎叶颜色和形态，它们是表征作物长势的重要信息，运用图象处理技术获取作物的外部形态信息，并进行分类识别和决策诊断，可反映作物的生长。非专利文献Hoffmaster，A L，Fujimura K，McDonald M B，等，An automated systemfor vigor testing three-day-old soybean seed-lings，Seed Sci.and Technol.2003，31：701-713中介绍了一种基于计算机图像处理技术的大豆幼苗评价系统，用于大豆种子活力的辅助分析。首先用扫描仪扫描在棕色纸巾上黑暗垂直发芽的幼苗图像，利用系统提取幼苗图像，并转换成数字化信息，根据这些信息将大豆幼苗分成正常幼苗和不正常幼苗两大类。然后对正常幼苗进行细化，将大豆幼苗的胚轴、胚根和子叶的长度分成6种类型，根据每个幼苗所属的类型将子叶去除，然后根 据幼苗形状的类别，使用不同的算法来决定幼苗骨架中需测量的部分，计算幼苗生长速率及生长均一性，利用幼苗总长度和均一度来表征幼苗长势。 

作物的光谱特征是由作物的生理特征决定其对光的吸收、透射和反射的变化，而作物的生理特征又反映了它的长势情况，因而可以根据光谱差异来监测作物的生长状况。程苗苗等于《生态学报》，2009.2.9，pp 5953-5962，上发表的文章“不同演替阶段典型树种幼苗对酸胁迫响应的高光谱监测”中介绍了一种典型树种幼苗的高光谱测定分析方法，其采用ASD地物光谱仪测量3种树种幼苗的叶片反射光谱，通过一阶导数处理后，实现对叶片叶绿素含量的预测。 

目前幼苗检测多采用人工及简单工具完成，或者采用生物化学方法进行检测，生化方法具有破坏性，不能进行活体连续监测。基于机器视觉技术的幼苗检测方法仅能准确获取外观信息，在用RGB图通过图像色泽判断幼苗营养信息时，由于对光强直接感光，环境光的强弱直接影响图像质量，因此在预测成分时存在很大误差。基于地物光谱分析的作物组分检测方法，目前主要应用于遥感分析，在大田里针对大尺度的植物进行冠层光谱分析，获取群体组分信息，针对树木等大型植物的幼苗检测时也具有较好效果。但对于植物幼苗，由于幼苗尺寸很小，并且幼苗的组分分布均匀性较差，叶尖、叶中、叶基部分的营养成分差异很大。现有地物光谱仪只能在叶片不同部位测量多个点取平均光谱进行计算，这样仍难以准确反映叶片不同部位营养组分的运输及分布特征。 

因此，现有技术难以对植物幼苗进行小尺度、个体综合性状的检测，从而对幼苗生长特征进行综合评价。 

发明内容

(一)要解决的技术问题 

本发明要解决的技术问题是：如何实现对幼苗外观形态、营养组 分及病虫害信息三者的同时获取与综合评价，且克服组分测量时不均匀性造成的误差。 

(二)技术方案 

针对现有技术的不足，本发明提供了一种植物幼苗综合性状活体无损检测方法，包括以下步骤： 

S1，对植物幼苗进行高光谱成像，获得高光谱成像的数据立方体，从所述数据立方体中提取RGB图像，从所述RGB图像中提取幼苗的形态参数；所述数据立方体由空间X维、空间Y维和光谱维的数据组成，其中，所述空间X维和空间Y维组成图像维； 

S2，分别提取幼苗叶片或茎秆在所述图像维上的对应区域，进行背景分割，然后截取这些区域的叶片或茎秆，计算所截取叶片或茎秆的平均光谱，采用国标规定的方法测定其组分含量，并采用化学计量学方法建立所述平均光谱和组分之间的定量预测模型，采用该模型对单一叶片或茎秆的平均组分含量进行预测，并对叶片或茎秆上每个像素点的组分进行预测，获得组分含量及分布图； 

S3，针对正常幼苗及发生不同病虫害的幼苗，通过寻找它们在多个特征波段下的图像维的变化，比较它们在特征波段下的光谱图像差异，然后计算并提取相关特征波段下的图像直方图的特征参数及统计特征参数，利用所提取的直方图的特征参数采用模式识别方法建立病虫害模型； 

S4，利用步骤S1、S2、S3所获得的幼苗的形态参数、组分含量以及病虫害信息，通过特征级信息融合方法和模糊综合评判方法建立植物幼苗预测长势模型。 

其中，在步骤S1中，从所述数据立方体中提取RGB图像的方法具体为： 

从所述数据立方体的光谱维中提取RGB分量的光谱特征波段，从而得到幼苗的RGB图像；或者对所述图像维中每个像素点的光谱值进行积分计算，以获得该点的RGB分量，从而获得幼苗的整幅RGB图像。

其中，在步骤S2中，分别提取待分析区域的幼苗叶片或茎秆的光谱，然后在所述图像维上的对应区域进行背景分割，截取这些区域的叶片或茎秆，计算所截取叶片或茎秆的平均光谱。可以针对每个叶片、不同层位的叶片、叶片的不同部位、不同节位的茎秆来提取光谱。通过调整区域的大小和相似程度来尽量降低不均匀性对光谱的影响。 

其中，在步骤S2中，采用国标规定的方法测定所截取的叶片或茎秆的组分含量的方法具体为：采集大小和颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似的叶片或茎秆放在一起用国标规定的方法测量组分含量。 

其中，所述通过特征级信息融合方法和模糊综合评判方法建立植物幼苗长势模型的方法具体为：首先，从高光谱图像数据中提取出植物幼苗的形态参数、组分含量，以及病虫害信息，对三者进行归一化处理，然后输入到人工神经网络中进行训练，以建立幼苗综合性状评估模型；或者对上述三个方面的参数进行主成分分析，提取若干主成分输入到人工神经网络中建立幼苗综合性状评估模型，然后对上述三个方面的参数赋以经验权值，根据隶属度建立植物幼苗预测长势模型。 

其中，所述对植物幼苗检测的高光谱成像的光谱范围为400-1100nm。 

其中，在步骤S2中，所述化学计量学方法为线性回归、多项式回归、对数回归、指数回归、多元线性回归、偏最小二乘回归、人工神经网络以及支持向量回归方法之一。 

其中，在步骤S3中，所述特征波段的选择方法为相关系数法或遗传算法。 

其中，在建立所述平均光谱和组分之间的定量预测模型之前，对所述平均光谱进行预处理，预处理的方法包括中心化、归一化、求导变换、去噪声、正交信号校正之一或其任意组合。 

(三)有益效果 

本发明的技术方案通过在测量外观形态的同时测量幼苗组分及病虫害信息，并对三者进行特征级信息融合及模糊综合评判，实现了对植物幼苗生长特征的综合评价；通过提取叶片、茎秆每个像素点的光谱用于组分测量，克服了组分测量时不均匀性造成的误差。 

附图说明

图1是本发明实施例的方法流程图； 

图2是本发明实施例的方法中对小麦幼苗进行测定，获取的高光谱图像。 

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明，但不用来限制本发明的范围。 

高光谱成像技术是在可见/近红外光谱分析技术和机器视觉技术的基础上发展起来的，它将光谱分析技术和图像处理技术完美结合在一起。高光谱成像技术在获得样品空间信息的同时，还为每个图像上每个像素点提供数百至数千个窄波段的光谱信息，这样任何一个波长的光谱数据都能生成一幅图像，从而实现“图谱合一”，它获得的数据是一种高维的数据立方体。本发明实施例提供一种基于高光谱成像的植物幼苗综合性状活体无损检测方法，其检测原理为：通过数据挖掘分析，即可对样品的形态、成分含量、存在状态、空间分布及动态变化进行检测；高光谱成像具有较高的空间分辨率和光谱分辨率，对于植物幼苗检测时，通过准确提取不同波段下幼苗的图像，选择特征波段下的图像，即可提取幼苗的形态、病虫害信息；通过获取幼苗任意部位的高分辨率光谱，预测组分信息，获取幼苗的组分分布特征，从而实现对幼苗综合性状的活体无损检测。 

所述的基于高光谱成像的植物幼苗综合性状活体无损检测方法， 包括幼苗外观形态参数测量、幼苗营养组分参数预测、幼苗病虫害识别三部分。三个方面的综合性状可通过算法从高光谱成像数据立方体中同时获得。 

所述幼苗外观形态参数测量方法中，由于每个波长下都对应一幅图像，需要对高维度光谱图像进行降维处理。首先从高光谱成像数据立方体中提取RGB图像，再对RGB图像进行常规的灰度处理、二值化、背景分割处理，然后提取幼苗的形态参数，包括叶长、叶宽、叶面积、茎粗、株高灯。所述高光谱成像数据的立方体由三部分组成：空间X维、空间Y维、光谱维的数据。空间X维和空间Y维构成图像维。目前，在图像处理中大多采用RGB图像，以CCD技术为核心的图像采集设备可以直接感知色彩的R、G、B三个分量，这也使得三基色模型成为图像成像的基础。R、G、B三原色的波长分别为700nm、546.1nm、435.8nm。本发明实施例可以采用两种方法从高光谱数据立方体中提取RGB图像。其中一种是直接从立方体的光谱维中提取700nm、546.1nm、435.8nm对应的图像数据进行分析。另外一种方法是通过对立方体进行积分实现。积分公式为： 

$\left\{\begin{array}{c}R={\∫}_{\mathrm{\λ}}I\left(\mathrm{\λ}\right)r\left(\mathrm{\λ}\right)\mathrm{d\λ}\\ G={\∫}_{\mathrm{\λ}}I\left(\mathrm{\λ}\right)g\left(\mathrm{\λ}\right)\mathrm{d\λ}\\ B={\∫}_{\mathrm{\λ}}I\left(\mathrm{\λ}\right)b\left(\mathrm{\λ}\right)\mathrm{d\λ}\end{array}\right.$

其中I(λ)为反射率光谱，r(λ)、g(λ)、b(λ)为敏感度曲线，可通过测量或查表获得，λ为可见光谱波长范围(可取400-780nm)。通过对高光谱图像维中每个像素点进行积分计算，即可获得该点的RGB分量，进而获得植物幼苗的整幅RGB图像。然后采用现有的幼苗图像处理算法，获取幼苗的叶长、叶宽、叶面积、茎粗、株高等形态外观参数。 

所述的幼苗营养组分参数预测方法中，根据光谱特征与作物幼苗化学成份之间的密切关联关系，对光谱特征参数(波长位置、吸收深 度、吸收宽度)进行信息挖掘，建立预测模型。分别提取幼苗叶片、茎秆在图像维上的对应区域，进行背景分割，然后提取这些区域对应的光谱维，并计算平均光谱。精确截取对应区域的叶片或茎秆，采用国标规定的方法测定叶片或茎秆的氮、叶绿素、水分含量，所选样本的数量及特征应该具有代表性，覆盖将来的应用范围。采用化学计量学方法建立平均光谱和营养组分之间的定量预测模型。所用于建模的平均光谱可采用全谱，也可采用经过特征波段选择后的若干个波段。特征波段选择方法包括目前常用的相关系数法和遗传算法。用于建模的光谱需要经过预处理，预处理方法包括中心化、归一化、求导变换、去噪声、正交信号校正。所述化学计量学方法包括线性回归、多项式回归、对数回归、指数回归、多元线性回归、偏最小二乘回归、人工神经网络、支持向量回归。所述光谱特征波段选择、预处理及回归方法的具体计算过程为现有技术，在此不详细描述。 

所述幼苗营养组分参数的国标测定方法中，由于幼苗体积、重量都较小，在生长初期，采集单个叶片测量时可能达不到国标方法的样品最小用量。因此，本发明实施例针对这一问题，采集大小、颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似样本放在一起用国标方法测量组分参数，再建立模型。模型建立之后，采用模型对单一叶片的平均组分含量进行预测，并实现对叶片、茎秆每个像素点组分的预测，获得组分分布图。 

所述的幼苗病虫害识别方法中，通过分析不同品种植物发生不同病虫害时高光谱图像的特征并进行识别分析。幼苗在发生病虫害时，其器官形态、营养成分都会发生相应变化，从而引起光谱特征及图像特征的变化。针对正常幼苗及发生不同病虫害的幼苗，通过寻找它们在多个特征波段下的图像维的变化，比较它们在特征波段下的光谱图像差异，然后计算并提取相关特征波段下的图像直方图特征参数及最大值、最小值、平均值、标准差、方差等统计学特征参数，采用模式 识别方法建立病害识别模型。另外，从光谱维角度出发，采用距离法、光谱角度匹配法和相关系数法对病斑样本的光谱信息进行识别分类。 

所述基于高光谱成像的植物幼苗综合性状活体无损检测方法，在获得幼苗外观形态参数、幼苗营养组分参数、幼苗病虫害信息之后，采用特征级信息融合及模糊综合评判，对上述三种单一性状作综合分析，实现幼苗长势的综合检测。 

所述信息融合方法采用人工神经网络实现，首先，从高光谱图像数据中提取出植物幼苗叶面积、茎粗、株高等外观形态参数信息及幼苗氮素、叶绿素、水分等内部营养参数信息(组分含量信息)，结合病虫害识别信息参数，由于这些数据的单位、格式差异很大，对其进行归一化处理，然后输入到人工神经网络中进行训练，建立幼苗综合性状评估模型。或者对上述三个方面的参数进行主成分分析，提取若干主成分输入到人工神经网络中来建立评估模型。所述模糊综合评判，针对外观、组分、病虫害等三方面的参数，根据专家经验赋以合适的权值，然后根据隶属度建立幼苗综合长势的模糊评价模型。 

由以上实施例可以看出，本发明的关键点在于： 

1、从高光谱成像获得的高维数据立方体中，采用直接或积分的方法准确提取RGB图像数据，实现高维数据的降维，以进行植物幼苗外观形态参数的测量。 

2、分别提取幼苗叶片、茎秆在图像维上对应区域，进行背景分割，然后提取这些区域对应的光谱维，并计算平均光谱，然后建立光谱和营养组分之间的预测模型。 

3、针对幼苗样品量太少而达不到国标方法最小用量的问题，采集大小、颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似样本放在一起用国标方法测量组分参数，再建立模型。 

4、对于幼苗病虫害的识别，需确定不同病虫害的特征波段，并 得出合适的病害描述参数。 

5、采用特征级信息融合及模糊综合评判，根据高光谱图像计算得出的各个性状作综合分析，实现幼苗长势的综合检测。 

以下举例说明： 

现在结合实例对上述实施例进行说明。流程见图1，具体如下： 

采用中国科技大学研制的PIS112高光谱成像仪(波长范围在400-1000nm)对小麦幼苗进行测定，获取其高光谱图像(参见图2)。 

选取3个指定特征波段的光谱图像的光谱积分转换作为RGB分量，合成彩色图像。采用图像处理算法获取幼苗形态参数。利用MATLAB图像处理软件获取植物幼苗的形态参数，包括幼苗叶长、叶宽、叶面积、叶片夹角、株形、颜色、茎粗等外观参数，使用的算法主要有：反色、最大类间方差法二值化、中值滤波、对图像进行标定、背景分割等。 

幼苗的营养组分参数的国标测定方法：由于幼苗体积、重量都较小，在生长初期，采集单个叶片测量时达不到国标方法的样品最小用量。因此，采集大小、颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似样本放在一起用国标方法测量组分参数，根据国标测定方法采用化学方法测量，按器官分离，用滤纸拭去叶表尘土，折成三分之一处剪取中部用于称重后，采用凯氏定氮法进行氮的测定。 

剪去后的剩余三分之一的两片叶，按剪去的方向叠加，根据叶片的长度大小，适当细碎剪取10下左右，进行称重，放入试管中，分离后立即进行叶绿素提取，采用紫光分光光度法进行叶绿素及类胡萝卜素的提取测量。同时剩下的叶片装入纸袋中标记好，进行水分含量的测定。 

结合国家标准法测量得到的组分参数的真实值，采用化学计量学中的偏最小二乘回归法，建立幼苗组分的光谱预测模型，模型结果见 表1。 

表1幼苗高光谱成像分析结果 

参数	主因子   数	交互验证标   准偏差SECV	相关系数   R	定标标准   偏差SEC	预测标准   偏差SEP
						含氮量(鲜重)	2	0.1496	0.769	0.133	0.161
含氮量(干重)	4	0.5473	0.902	0.441	0.579
						水分	4	3.2043	0.862	2.488	3.061
叶绿素a	3	0.3789	0.669	0.310	0.287
						叶绿素b	5	0.1209	0.773	0.081	0.127
总叶绿素	3	0.4035	0.731	0.343	0.335
						类胡萝卜素	2	0.1022	0.675	0.089	0.084

然后通过光谱成像技术，利用各种自然条件下小麦的生理特征，包括形态组分及病虫害信息，结合温度、湿度、光照、CO₂浓度等环境因素等校正因子，进行特征级信息融合，本实施例中利用人工神经网络方法建立植物幼苗长势预测模型。 

对未知的幼苗样品，采集高光谱图像，利用光谱仪软件在图像上选点，采集有效光谱信息及图像信息进行幼苗外观形态监测，利用建立的幼苗预测长势模型进行验证，输出预测结果，实现对幼苗生长的连续监测及植物幼苗综合性状活体无损检测的技术方法。 

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。 

Claims (9)

1.一种植物幼苗综合性状活体无损检测方法，其特征在于，包括以下步骤：

S1，对植物幼苗进行高光谱成像，获得高光谱成像的数据立方体，从所述数据立方体中提取RGB图像，从所述RGB图像中提取幼苗的形态参数；所述数据立方体由空间X维、空间Y维和光谱维的数据组成，其中，所述空间X维和空间Y维组成图像维；

S2，分别提取幼苗叶片或茎秆在所述图像维上的对应区域，进行背景分割，然后截取这些区域的叶片或茎秆，计算所截取叶片或茎秆的平均光谱，采用国标规定的方法测定其组分含量，并采用化学计量学方法建立所述平均光谱和组分之间的定量预测模型，采用该模型对单一叶片或茎秆的平均组分含量进行预测，并对叶片或茎秆上每个像素点的组分进行预测，获得组分含量及分布图；

S3，针对正常幼苗及发生不同病虫害的幼苗，通过寻找它们在多个特征波段下的图像维的变化，比较它们在特征波段下的光谱图像差异，然后计算并提取相关特征波段下的图像直方图的特征参数及统计特征参数，利用所提取的直方图的特征参数采用模式识别方法建立病虫害模型；

S4，利用步骤S1、S2、S3所获得的幼苗的形态参数、组分含量以及病虫害信息，通过特征级信息融合方法和模糊综合评判方法建立植物幼苗预测长势模型。

2.如权利要求1所述的植物幼苗综合性状活体无损检测方法，其特征在于，在步骤S1中，从所述数据立方体中提取RGB图像的方法具体为：

从所述数据立方体的光谱维中提取RGB分量的光谱特征波段，从而得到幼苗的RGB图像；或者对所述图像维中每个像素点的光谱值进行积分计算，以获得该点的RGB分量，从而获得幼苗的整幅RGB图像。

3.如权利要求1所述的植物幼苗综合性状活体无损检测方法，其特征在于，在步骤S2中，分别提取幼苗叶片或茎秆在所述图像维上的对应区域，进行背景分割，然后截取这些区域的叶片或茎秆，计算所截取叶片或茎秆的平均光谱，通过调整区域的大小和相似程度来降低不均性对光谱的影响。

4.如权利要求1所述的植物幼苗综合性状活体无损检测方法，其特征在于，在步骤S2中，采用国标规定的方法测定所截取的叶片或茎秆的组分含量的方法具体为：采集大小和颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似的叶片或茎秆放在一起用国标规定的方法测量组分含量。

5.如权利要求1所述的植物幼苗综合性状活体无损检测方法，其特征在于，所述通过特征级信息融合方法或模糊综合评判方法建立植物幼苗长势模型的方法具体为：首先，从高光谱图像数据中提取出植物幼苗的形态参数、组分含量，以及病虫害信息，对三者进行归一化处理，然后输入到人工神经网络中进行训练，以建立幼苗综合性状评估模型；或者对上述三个方面的参数进行主成分分析，提取若干主成分输入到人工神经网络中建立幼苗综合性状评估模型；或者对上述三个方面的参数赋以经验权值，根据隶属度建立植物幼苗长势模糊综合评判模型。

6.如权利要求1所述的植物幼苗综合性状活体无损检测方法，其特征在于，所述对植物幼苗检测的高光谱成像的光谱范围为400-1100nm。

7.如权利要求1所述的植物幼苗综合性状活体无损检测方法，其特征在于，在步骤S2中，所述化学计量学方法为线性回归、多项式回归、对数回归、指数回归、偏最小二乘回归、人工神经网络以及支持向量回归方法之一。

8.如权利要求1所述的植物幼苗综合性状活体无损检测方法，其特征在于，在步骤S3中，所述特征波段的选择方法为相关系数法或遗传算法。

9.如权利要求1～8之任一项所述的植物幼苗综合性状活体无损检测方法，其特征在于，在建立所述平均光谱和组分之间的定量预测模型之前，对所述平均光谱进行预处理，预处理的方法包括中心化、归一化、求导变换、去噪声、正交信号校正之一或其任意组合。

Images