CN105574516B - 可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法 - Google Patents
可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法 Download PDFInfo
- Publication number
- CN105574516B CN105574516B CN201610038651.9A CN201610038651A CN105574516B CN 105574516 B CN105574516 B CN 105574516B CN 201610038651 A CN201610038651 A CN 201610038651A CN 105574516 B CN105574516 B CN 105574516B
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- value
- pine apple
- ornamental pine
- chlorophyll content
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种观赏凤梨的叶绿素检测方法,主要是在观赏凤梨叶片的可见光图像中,通过采样区域聚类,建立R、G、B数值与叶绿素含量之间的logistic回归模型,并使用该回归模型估算观赏凤梨叶片叶绿素含量值;在检测观赏凤梨叶片叶绿素含量方面取得了比较理想的结果,不但省时省力,且不破坏了观赏凤梨的叶片结构及作物生长,是一种实时、准确、快速和低成本的观赏凤梨无损叶绿素检测方法。
Description
技术领域
本发明涉及一种观赏凤梨的叶绿素检测方法,主要是在观赏凤梨叶片的可见光图像中,通过采样区域聚类,建立R、G、B数值与叶绿素含量之间的logistic回归模型,并使用该回归模型估算观赏凤梨叶片叶绿素含量值。
背景技术
观赏凤梨是一种高档的热带花卉,叶子中叶绿素含量是衡量其生长状况的关键指标,对温室培育环境调节有着重要意义。传统的观赏凤梨叶片叶绿素检测有两种,第一种采用采摘其叶片,通过化学实验的方法进行,不仅费时费力,而且会破坏观赏凤梨叶片;第二种采用手持叶绿素计测量叶片中的叶绿素含量。手持叶绿素计的缺点是价格昂贵,同时需要人工现场检测。因此,寻找一种实时、准确、快速和低成本的观赏凤梨无损叶绿素检测方法成为必要。
发明内容
本发明所要解决的技术问题是克服上述不足而提供一种在可见光图像上检测观赏凤梨叶绿素的方法,主要解决的是仅通过图像采集设备拍摄叶片图像,然后估算出观赏凤梨叶片中叶绿素的含量。
本发明解决其技术问题所采用的技术方案。
可见光图像基于logistic回归的观赏凤梨叶绿素检测方法分为两个阶段:
一、叶绿素估算模型训练阶段
该阶段其步骤如下:
1)拍摄一组观赏凤梨叶片图像,并在叶片图像中选取叶绿素采样点,采样区域A是以采集点为圆心,半径为r的一个圆;
2)在采样区域A中,采用k-means方法对RGB中的G分量聚类,得到3个聚类中心O1、O2和O3,根据聚类中心计算影响叶绿素含量值的三个因素值Rf、Gf和Bf;
3)用手持叶绿素计测量采样点的叶绿素含量值P;
4)采用logistic回归方法对影响叶绿素含量值的三个因素值素Rf、Gf和Bf与叶绿素计测量的叶绿素含量值P进行拟合,得到叶绿素估算模型;
二、叶绿素在线检测阶段
该阶段其步骤如下:
1)拍摄观赏凤梨叶片图像,并在叶片图像中选取叶绿素采样点,采样区域A是以采集点为圆心,半径为r的一个圆;
2)在采样区域A中,采用k-means方法对RGB中的G分量聚类,得到3个聚类中心O1、O2和O3,根据聚类中心计算影响叶绿素含量值的三个因素值Rf、Gf和Bf;
3)在叶绿素估算模型中,输入Rf、Gf和Bf,估算叶片中该采样点的叶绿素含量。
附图说明
图1是叶绿素估算模型训练流程图;
图2是叶绿素检测流程图;
图3是叶片采样区域中基于k-means方法的聚类示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
一、本发明的整体思想:
主要考虑以下两个方面:如何估算叶片采样点区域中合适的R、G、B值作为logistic回归模型中的因素;如何有效地建立叶片图像样本中的可见光信息与手持叶绿素计采集叶绿素含量值之间的回归模型。
二、本发明所述的这种在可见图像中基于logistic回归的观赏凤梨叶绿素检测方法分为两个阶段:
1、叶绿素估算模型训练阶段
如图1所示,该阶段其步骤如下:
1)采用普通摄像头或数码相机拍摄一组数量为N的观赏凤梨叶片图像{Li},其中i=1,...,N。图片采用RGB模式存储。在某一叶片图像Li中选取一点作为叶绿素采样点,记为O点,并以O点为圆心,半径r的圆A为采样区域(如图3所示)。
2)在步骤1)获得的圆形区域A中,采用k-means方法对RGB模式中的G分量聚类,得到3个聚类中心O1、O2和O3(如图3所示)。其中,k-means方法聚类具体步骤如下:
①在采样区域A中随机选取3个点作为初始聚类中心,并以RGB图像中的G分量值作为聚类特征;
②计算在采样区域A中每个像素G分量值与3个聚类中心G分量值的欧氏距离,并根据最小距离对像素进行划分;
③重新计算每个聚类的中心(该聚类中所有像素的均值);
④重复步骤②和③,直到每个聚类中心不再发生变化。
3)根据聚类中心O1、O2和O3计算影响叶绿素含量值的三个因素值Rfi、Gfi和Bfi。计算公式如下:
Rfi=(N1*R1+N2*R2+N3*R3)/(N1+N2+N3)
Gfi=(N1*G1+N2*G2+N3*G3)/(N1+N2+N3)
Bfi=(N1*B1+N2*B2+N3*B3)/(N1+N2+N3)
其中,O1、O2和O3中R分量值分别为R1、R2和R3,G分量值分别为G1、G2和G3,B分量值分别为B1、B2和B3,三个区域的像素个数分别为N1、N2和N3。
4)用手持叶绿素计测量采样点的叶绿素含量值。
采用手持叶绿素计(例如,KONIC MINOLTA SPAD-502Plus)采集观赏凤梨叶片Li的叶绿素含量值,记为Pi。
5)采用logistic回归方法对因素Rf、Gf和Bf与叶绿素计采集的叶绿素含量值P进行拟合。叶绿素估算模型定义如下,
ln(P/(1-P))=C0+C1*Rf+C2*Gf+C3*Bf
其中P表示手持叶绿素采集到叶绿素含量,输入的样本数据为{Pi},i=1,...,N,Rf,Gf,Bf表示影响叶绿素含量值的三个因素,输入的样本数据为{Rfi,Gfi,Bfi},i=1,...,N。利用SPSS软件(Statistical Product and Service Solutions,一种集成化的数据分析处理软件),求得参数C0、C1、C2和C3的值。
2、叶绿素在线检测阶段
如图2所示,该阶段其步骤如下:
1)采用普通摄像头或数码相机拍摄一张观赏凤梨叶片图像L。图片采用RGB模式存储。在叶片图像中选取一点作为叶绿素采样点,记为O点,并以O点为圆心,半径r的圆A为采样区域(如图3所示)。
2)在步骤1)获得的圆形区域A中,采用k-means方法对RGB模式中的G分量聚类,得到3个聚类中心O1、O2和O3(如图3所示)。其中,k-means方法聚类与叶绿素估算模型训练阶段中k-means聚类过程相同。
3)根据聚类中心O1、O2和O3计算影响叶绿素含量值的三个因素值Rf、Gf和Bf。计算公式如下:
Rfi=(N1*R1+N2*R2+N3*R3)/(N1+N2+N3)
Gfi=(N1*G1+N2*G2+N3*G3)/(N1+N2+N3)
Bfi=(N1*B1+N2*B2+N3*B3)/(N1+N2+N3)
其中,O1、O2和O3中R分量值分别为R1、R2和R3,G分量值分别为G1、G2和G3,B分量值分别为B1、B2和B3,三个区域的像素个数分别为N1、N2和N3。
4)利用训练阶段计算得到叶绿素估算模型估算叶绿素含量P。公式如下:
P=1/(1+e-θ)
θ=C0+C1*Rf+C2*Gf+C3*Bf
三、验证结果:
为了验证该方法的效果,采用交叉测试方法。测得样本共50份,将其中10份作为训练样本,剩余40份作为测试样本,平均误差为9.6%。其中10份样本数据为:P={26.4%,30.1%,39.2%,45.7%,46%,48.5%,50.7%,51.2%,52.9%,54.7%},Rf={107,93,52,48,57,69,46,72,44,80},Gf={127,110,81,82,88,99,80,108,76,108},Bf={76,59,50,47,44,71,47,70,37,78}。计算得到C0=-0.9894,C1=-0.0433,C2=0.0283,C3=0.0163。
四、实验结论:
由实验结果可以看出本发明在检测观赏凤梨叶片叶绿素含量方面取得了比较理想的结果,不但省时省力,且不破坏了观赏凤梨的叶片结构及作物生长,是一种实时、准确、快速和低成本的观赏凤梨无损叶绿素检测方法。
Claims (3)
1.一种可见光图像基于logistic回归的观赏凤梨叶绿素检测方法,其特征在于:该检测方法分为两个阶段:
一、叶绿素估算模型训练阶段
该阶段其步骤如下:
a1)拍摄一组观赏凤梨叶片图像,并在叶片图像中选取叶绿素采样点,采样区域A是以采集点为圆心,半径为r的一个圆;
a2)在采样区域A中,采用k-means方法对RGB中的G分量聚类,得到3个聚类中心O1、O2和O3,根据聚类中心计算影响叶绿素含量值的三个因素值Rf、Gf和Bf;
a3)用手持叶绿素计测量采样点的叶绿素含量值P;
a4)采用logistic回归方法对影响叶绿素含量值的三个因素值素Rf、Gf和Bf与叶绿素计测量的叶绿素含量值P进行拟合,得到叶绿素估算模型;
二、叶绿素在线检测阶段
该阶段其步骤如下:
b1)拍摄观赏凤梨叶片图像,并在叶片图像中选取叶绿素采样点,采样区域A是以采集点为圆心,半径为r的一个圆;
b2)在采样区域A中,采用k-means方法对RGB中的G分量聚类,得到3个聚类中心O1、O2和O3,根据聚类中心计算影响叶绿素含量值的三个因素值Rf、Gf和Bf;
b3)在叶绿素估算模型中,输入Rf、Gf和Bf,估算叶片中该采样点的叶绿素含量;
其中根据聚类中心O1、O2和O3计算影响叶绿素含量值的三个因素值Rfi、Gfi和Bfi,计算公式如下:
Rfi= (N1*R1+N2*R2+N3*R3)/(N1+N2+N3)
Gfi= (N1*G1+N2*G2+N3*G3)/(N1+N2+N3)
Bfi= (N1*B1+N2*B2+N3*B3)/(N1+N2+N3)
其中,O1、O2和O3中R分量值分别为R1、R2和R3,G分量值分别为G1、G2和G3,B分量值分别为B1、B2和B3,三个区域的像素个数分别为N1、N2和N3。
2.如权利要求1所述的可见光图像基于logistic回归的观赏凤梨叶绿素检测方法,其特征在于其中,k-means方法聚类具体步骤如下:
1)在采样区域A中随机选取3个点作为初始聚类中心O1、O2和O3,并以RGB图像中的G分量值作为聚类特征;
2)计算在采样区域A中每个像素G分量值与3个聚类中心G分量值的欧氏距离,并根据最小距离对像素进行划分;
3)重新计算每个聚类的中心;
4)重复步骤2)和3),直到每个聚类中心不再发生变化。
3.如权利要求1所述的可见光图像基于logistic回归的观赏凤梨叶绿素检测方法,其特征在于其中叶绿素估算模型定义如下,
ln(P/(1-P)) = C0+ C1*Rf + C2*Gf + C3*Bf
其中P表示手持叶绿素采集到叶绿素含量,输入的样本数据为{Pi},i=1,...,N,Rf,Gf,Bf表示影响叶绿素含量值的三个因素,输入的样本数据为{Rfi,Gfi,Bfi},i=1,...,N;
利用SPSS软件,求得参数C0、C1、C2和C3的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038651.9A CN105574516B (zh) | 2016-01-20 | 2016-01-20 | 可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038651.9A CN105574516B (zh) | 2016-01-20 | 2016-01-20 | 可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574516A CN105574516A (zh) | 2016-05-11 |
CN105574516B true CN105574516B (zh) | 2018-10-19 |
Family
ID=55884624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610038651.9A Active CN105574516B (zh) | 2016-01-20 | 2016-01-20 | 可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574516B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108680513B (zh) * | 2018-06-12 | 2020-08-25 | 山东省林业科学研究院 | 植物叶绿素测定方法及提取装置 |
CN111443087A (zh) * | 2020-04-07 | 2020-07-24 | 北京农业信息技术研究中心 | 叶绿素检测装置及方法 |
CN112802018B (zh) * | 2021-03-31 | 2021-08-06 | 深圳棱镜空间智能科技有限公司 | 分段圆形工件的完整性检测方法、装置、设备及存储介质 |
CN113390870B (zh) * | 2021-05-25 | 2023-08-01 | 广西大学 | 一种基于机器视觉技术的植物叶片叶绿素含量估测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382488A (zh) * | 2008-10-14 | 2009-03-11 | 江苏吟春碧芽茶叶研究所有限公司 | 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 |
CN101556245A (zh) * | 2009-05-22 | 2009-10-14 | 天津大学 | 一种基于红、绿、蓝三原色数字信号的叶绿素测量方法 |
CN101556244A (zh) * | 2009-05-22 | 2009-10-14 | 天津大学 | 基于rgb叶绿素仪的黄瓜叶片叶绿素含量测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8591150B2 (en) * | 2010-12-01 | 2013-11-26 | Frank Hagen | RDX plant indicator system |
-
2016
- 2016-01-20 CN CN201610038651.9A patent/CN105574516B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382488A (zh) * | 2008-10-14 | 2009-03-11 | 江苏吟春碧芽茶叶研究所有限公司 | 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 |
CN101556245A (zh) * | 2009-05-22 | 2009-10-14 | 天津大学 | 一种基于红、绿、蓝三原色数字信号的叶绿素测量方法 |
CN101556244A (zh) * | 2009-05-22 | 2009-10-14 | 天津大学 | 基于rgb叶绿素仪的黄瓜叶片叶绿素含量测量方法 |
Non-Patent Citations (2)
Title |
---|
基于计算机视觉技术的叶绿素含量检测系统;蒋丽华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215(第S2期);第44-47页 * |
玉米拔节期冠层叶绿素含量多光谱图像检测;孙红、赵毅、张猛、文瑶、李民赞、杨玮,Qin Zhang;《农业工程学报》;20151130;第31卷;第186-192页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105574516A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
CN110659636B (zh) | 基于深度学习的指针式仪表读数识别方法 | |
CN105574516B (zh) | 可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法 | |
CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
US20210056685A1 (en) | Method and device for monitoring comprehensive growth of potted lettuce | |
JP5396484B2 (ja) | 植物の葉片の成長を測定するための方法およびそれに適した装置 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
CN106468536B (zh) | 一种叶面积测量方法 | |
KR101974638B1 (ko) | 식물 영상 처리 장치 및 방법 | |
CN109470179B (zh) | 一种大规模水耕蔬菜长势检测系统及方法 | |
CN104200193A (zh) | 一种果树产量估测方法及装置 | |
CN103076589A (zh) | 一种数字万用表自动检定装置及其检定方法 | |
CN111380813B (zh) | 一种便携式小麦种子多品质无损检测装置及检测方法 | |
CN103954334A (zh) | 一种全自动摄像式水表检定系统及其工作方法 | |
Liu et al. | A lightweight method for grape berry counting based on automated 3D bunch reconstruction from a single image | |
CN111462058A (zh) | 一种水稻有效穗快速检测方法 | |
CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
Yin et al. | A novel method of situ measurement algorithm for oudemansiella raphanipies caps based on YOLO v4 and distance filtering | |
Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |