CN107316116B - 一种叶类蔬菜产量预测方法 - Google Patents
一种叶类蔬菜产量预测方法 Download PDFInfo
- Publication number
- CN107316116B CN107316116B CN201710727245.8A CN201710727245A CN107316116B CN 107316116 B CN107316116 B CN 107316116B CN 201710727245 A CN201710727245 A CN 201710727245A CN 107316116 B CN107316116 B CN 107316116B
- Authority
- CN
- China
- Prior art keywords
- lettuce
- leaf
- area
- blade
- quality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 235000021384 green leafy vegetables Nutrition 0.000 title claims abstract description 19
- 241000208822 Lactuca Species 0.000 claims abstract description 147
- 235000003228 Lactuca sativa Nutrition 0.000 claims abstract description 117
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 241000196324 Embryophyta Species 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 57
- 229930002875 chlorophyll Natural products 0.000 claims description 30
- 235000019804 chlorophyll Nutrition 0.000 claims description 30
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 30
- 238000002189 fluorescence spectrum Methods 0.000 claims description 29
- 235000013311 vegetables Nutrition 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 238000001035 drying Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000009659 non-destructive testing Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000012010 growth Effects 0.000 claims description 7
- 238000005303 weighing Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000009658 destructive testing Methods 0.000 claims 1
- 238000000338 in vitro Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012272 crop production Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000005733 Raphanus sativus var niger Nutrition 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 235000006705 asparagus lettuce Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 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
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种叶类蔬菜产量预测方法,旨在克服目前产量的离体预测、估计方法具有局限性的问题，叶类蔬菜产量预测方法的步骤：1.基本参数获取；2.数据存储及处理；3.单株测产：(1)叶片质量预测；(2)单株生菜产量预测：m株＝11.297m叶+48.827；4.区域测产：(1)利用单株生菜产量预测模型，选取所测区域内的10株生菜进行测量和产量预测，得到区域单株生菜的平均质量，以此作为所测区域内的产量的平均值；(2)将区域内单株生菜的平均质量与采集的区域内生菜图像计算的生菜个数进行乘积，作为区域内的生菜产量数据：M＝m平×N；式中：M—区域生菜总产量，m平—单株生菜平均质量，N—所测区域内生菜数量。
Description
技术领域
本发明涉及叶类蔬菜质量检测领域的一种方法，更确切地说，本发明涉及一种叶类蔬菜产量的预测方法。
背景技术
蔬菜是人们日常生活必不可少的食物，目前对蔬菜的需求量呈逐年升高的趋势，2014年我国蔬菜年产量为76005万吨，居世界第一位。但在有些地区由于受到季节性、区域性等因素影响导致市场出现供需不平衡等问题，蔬菜的大批量生产可有效缓解地区的供需矛盾问题。截止2015年，我国温室总面积达到410.9万公顷，与2009年相比，总面积增长210.9％，占世界设施农业面积的85％，我国温室面积增长103％，塑料大棚面积增长95.4％，其中设施蔬菜的生产面积占总面积的94.7％，全国育苗移栽蔬菜种苗需求量约为6800亿株，目前集约化育苗供苗量约800亿株，发展空间巨大。随着温室蔬菜供应数量的增加，对保证食品品质提出更加严格的要求，因此温室蔬菜的优质高产至关重要，同时保证蔬菜品质、准确预测蔬菜产量对于温室种植品种调配、水肥环境控制、精确市场供应等方面都具有重要的意义。
目前针对作物果蔬等品质与产量的预测方法主要集中于图像识别、灰度预测、回归建模、种植经验估计等方法，各种先进方法的运用有利于叶类蔬菜产量和品质的保证，但也存在一定的局限性，温室蔬菜的形状各异、种类繁多，作物叶片自身的褶皱或植株的生长难免形成遮挡等因素都影响着图像识别采集的精准度，如白菜、生菜、萝卜等；作物生长的采样点数据量较大，需要强大的数据挖掘算法，而灰度预测只能针对小样本数据进行预测，预测能力有限；凭借着种植者或专家经验的方法对产量进行估计虽然具有一定的准确性，但对于作物的生产过程管理如水肥控制、精确市场供应等问题意义较大。利用回归模型的方法建立作物的产量预测是一种常见手段，准确性较高，选择合适的建模方法对于建模的准确性至关重要。
发明内容
本发明所要解决的技术问题是克服了现有技术存在的产量的离体预测、估计方法具有局限性的问题，提供了一种叶类蔬菜产量预测方法。
为解决上述技术问题，本发明是采用如下技术方案实现的：所述的一种叶类蔬菜产量预测方法的步骤如下：
1)基本参数获取；
2)数据存储及处理；
3)单株测产；
4)区域测产：
(1)利用单株生菜产量预测模型，选取所测区域内的10株生菜进行测量和产量预测，得到区域单株生菜平均质量，以此作为所测区域内的产量的平均值；
式中：m平——所测区域内单株生菜的平均质量，m株1——所测区域内任选1株生菜，m株n——所测区域内任选n株生菜，n——所测区域内用来计算平均质量的生菜个数；
(2)将区域内单株生菜的平均质量与采集的区域内生菜图像计算的生菜个数进行乘积，作为区域内的生菜产量数据：
M＝m平×N
式中：M——区域生菜总产量，
m平——单株生菜平均质量，
N——所测区域内生菜数量。
技术方案中所述的基本参数获取是指：
1)无损检测
(1)制作叶片图像采集标准板
以半径长为15cm做半圆形标准板，在半圆形标准板上以半径1cm为间隔、圆心角5°为间隔画出间隔线，将叶片平铺于标准板上，根据标准板检测结果确定叶片的长度x1、叶片面积x2；
(2)将整株生菜中最大叶片放置在半圆形标准板上，采用手机、相机或其它便携式图像采集设备摄取图像，得到生菜叶片的圆心角与半径数据，以用来测算叶片长度x1和叶片面积x2:
通过读取标准板，直接获得叶片的长度x1、圆心角α，计算叶面积x2,
叶片面积x2计算公式为
x2＝(α×π×x1 2)/360°
式中：α—叶片圆心角，单位.°；
x1—叶片长度，单位.cm；
(3)利用便携式叶绿素荧光光谱采集仪测量叶片的叶绿素荧光光谱；本发明选择在晴朗无风的天气测量，测量时间为上午的9-11点，每株作物选择5片成熟的叶片作为检测对象，每个叶片取不同位置的5个点作为测量点，每点测量3次作为该点平均值，取不同位置的5个点作为该叶片的平均值，取5片叶片的平均值作为整株作物的平均值；
2)破坏检测。
技术方案中所述的破坏检测是指：
1)将整株生菜植株拔出，断根取地上部分称重，其质量值作为建模输出数据y值；
2)将检测的生菜最大单叶片剪碎放至烘箱中烘干，烘干时间为8小时，取出后自然冷却，隔10分钟测量一次，连续两次测量烘干后的干物质重量差值小于0.01g，作为烘干后的干物质量，计算叶片的含水率；计算公式如下：
式中：x3—叶片含水率，m1—烘干前质量，m0—烘干后质量。
技术方案中所述的数据存储及处理是指：
1)将无损检测步骤中获得的叶片面积、叶片长度、叶绿素荧光光谱、叶片重量与叶片含水率数据输入计算机存储；
2)对所得到的参数进行相关性分析，减少数据的建模维数，利用MATLAB软件调取“corrcoef”相关系数函数计算叶片含水率、叶片面积、叶片长度和叶片重量的相关系数R，以相关系数R大于0.9作为评价标准，得到的相关系数分别为0.9434、0.9361、0.9666，将叶片含水率、叶片面积、叶片长度作为建立模型的输入数据X值；
3)利用叶绿素荧光光谱预测叶片含水率；
4)生菜个数确定。
技术方案中所述的利用叶绿素荧光光谱预测叶片含水率是指:
(1)不同含水率的叶片的叶绿素荧光光谱在500～800nm表现出不同的强度变化，因此选择500～800nm波段作为叶片含水率建模的研究对象；
(2)利用MATLAB软件调用“diff”求导函数运行2次，得到二阶导数光谱，每条光谱曲线由523维降至521维；
(3)对二阶导数光谱进行波段筛选降维，分别对各波段与叶片含水率建立预测模型，将相关系数R大于0.8的波段作为建立模型的输入波段，得到波段为661-740nm；
(4)采用支持向量机作为建立模型的方法，将二阶导数光谱的661-740nm波段作为输入向量xi值，以叶片含水率作为输出向量yi值，采用支持向量机方法进行回归，设样本数据的回归函数为：
其中：K(x·xi)为核函数，
αi，b为模型参数，
采用的核函数为RBF核函数：
其中：x为预测集中的样本；
模型的训练采用MATLAB工具箱中的“trainlssvm”训练模型函数完成，得到模型参
数如下:
b＝[0.908 1.261]1×2
gam＝22.2895，
σ2＝0.13256。
gam表示正规化参数，决定了适应误差的最小化和平滑程度。
技术方案中所述的生菜个数确定是指：
1)生菜以土筑畦种植，生菜生长的后期叶片之间形成遮挡，所采集图像的无法区分生菜的株数，因此以畦为单位，以土与生菜的颜色进行区分，以生菜种植的行距、株距为单位制作非绿色标准距离板，像素q为25k，以此为标准对获取的畦的图像进行分割，每畦分割的数量作为每畦生菜的个数；
2)将标准距离板放置于所要测量的生菜畦内，获取所要测量的区域图像；将获取的图像进行滤波、锐化、灰色处理，利用MATLAB软件Canny边缘算子对灰度图像进行边缘获取，再利用MATLAB软件图像处理工具箱调取“regionprops”度量图像区域函数，得到所测的图像像素值Q，将图像Q值与标准距离板q进行比值，得到生菜个数，计算公式如下：
N＝Q/q
式中：N——生菜个数，Q——所测图像像素，q——标准距离板像素。
技术方案中所述的单株测产是指：
(1)叶片质量预测
以叶片长度x1、叶片面积x2、叶片含水率x3作为模型的输入值，以叶片质量作为输出值m叶，利用SPSS Statistics统计软件进行数据处理，进行多元线性回归分析，得到预测模型，拟合方程如下：
m叶＝0.771X1+0.262X2+37.755X3-41.667
式中：m叶—叶片产量，
X1—叶片长度，
X2—叶片面积，
X3—叶片含水量；
所得模型的训练集相关系数R为0.979，标准差为0.449；在实验数据中，随机抽取30片叶片对模型进行验证，所得到的预测值与真实值的相关系数为0.875，标准差为0.815；
(2)单株生菜产量预测
以生菜的最大叶片为统计对象，研究最大叶片重量与整株生菜重量之间的关系，利用一元线性回归方法，得到预测模型：
m株＝11.297m叶+48.827
式中：m株—整株重量，
m叶—最大单叶重量。
与现有技术相比本发明的有益效果是：
1.本发明所述的一种叶类蔬菜产量预测方法是在不离体情况下，进行蔬菜产量的预测，可有效解决蔬菜在生产过程中的水肥管理、品种调配等问题；
2.本发明所述的一种叶类蔬菜产量预测方法是利用图像和光谱的采集达到产量预测的结果，所用的图像与叶绿素荧光光谱采集时间小于0.5秒，采集时间短，节约了用化学方法检测叶片含水率耗时长等问题；
3.本发明所述的一种叶类蔬菜产量预测方法检测精度高，可达到80％以上；
4.本发明所述的一种叶类蔬菜产量预测方法得到的预测生菜质量为不含根的地上部分，即市场直接用来销售的茎叶部分，较传统挖掘式断根称重方法更为简单快捷。
附图说明
下面结合附图对本发明作进一步的说明：
图1为本发明所述的一种叶类蔬菜产量预测方法的流程框图；
图2为本发明所述的一种叶类蔬菜产量预测方法中的叶片不同含水率的叶绿素荧光光谱差异对比图；
图3为本发明所述的一种叶类蔬菜产量预测方法中的叶片含水率的预测值与真实值的对比图；
图4为本发明所述的一种叶类蔬菜产量预测方法中单个叶片产量的真实值与预测值对比图；
图5为本发明所述的一种叶类蔬菜产量预测方法中整株质量的真实值与预测值对比图。
具体实施方式
下面结合附图对本发明作详细的描述：
传统的采用称重式的产量预测方法在实际生产中费时费力，而且在生产过程管理中不能进行产量预测，对作物的水分亏缺状况也只能是通过叶片表现出的明显症状确定，影响作物的优质高效生产。本发明所要解决的技术问题是提供了一种利用作物生理信息进行产量预测的方法，该方法能够实现快速、准确、无损的产量检测等，对作物生产的过程管理和最终的产量预测提供一种实时检测、快速准确与无损作物活体的监测和预测方法,参阅图1，其步骤如下：
1.基本参数获取
利用手机、相机等便携仪器获取生菜生长图像，利用叶绿素荧光光谱采集装置获取叶片含水率，其步骤如下：
1)无损检测
(1)制作叶片图像采集标准板：
以半径长为15cm做半圆形标准板，在半圆形标准板上以半径1cm为间隔、圆心角5°为间隔画出间隔线，将叶片平铺于标准板上，根据标准板检测结果确定叶片的长度x1、叶片面积x2；
(2)将整株生菜中最大叶片放置在半圆形标准板上，采用手机、相机或其它便携式图像采集设备摄取图像，得到生菜叶片的圆心角与半径数据，以用来测算叶片长度x1和叶片面积x2；
通过读取标准板，直接获得叶片长度x1、圆心角α，计算叶面积x2,
叶片面积x2计算公式为
x2＝(α×π×x1 2)/360°
式中：α—叶片圆心角，单位.°；
x1—叶片长度，单位.cm；
(3)利用便携式叶绿素荧光光谱采集仪测量叶片的叶绿素荧光光谱；本发明选择在晴朗无风的天气测量，测量时间为上午的9-11点，每株作物选择5片成熟的叶片作为检测对象，每个叶片取不同位置的5个点作为测量点，每点测量3次作为该点平均值，取不同位置的5个点作为该叶片的平均值，取5片叶片的平均值作为整株作物的平均值；
2)破坏检测
(1)将整株生菜植株拔出，断根取地上部分称重,其质量值作为建模输出数据y值；
(2)再将检测的生菜最大单叶片剪碎放至烘箱中，采用烘干法，烘干时间为8小时，取出后自然冷却，隔10分钟测量一次，连续两次测量烘干后的干物质重量差值小于0.01g，作为烘干后的干物质量，计算叶片的含水率；计算公式如下：
式中：x3—叶片含水率，m1—烘干前质量，m0—烘干后质量；
2.数据存储及处理
1)将无损检测步骤中获得的叶片的面积、叶片的长度、叶绿素荧光光谱、叶片重量、叶片含水率数据输入计算机存储；
2)对上述参数进行相关性分析，尽量减少数据的建模维数，利用MATLAB软件调取“corrcoef”相关系数函数计算叶片含水率、叶片面积、叶片长度和叶片重量的相关系数R，以相关系数R大于0.9作为评价标准，得到的相关系数分别为0.9434、0.9361、0.9666，将叶片含水率、叶片面积、叶片长度作为建立模型的输入数据X值。
3)利用叶绿素荧光光谱预测叶片含水率
(1)参阅图2，所获得的叶绿素荧光光谱如图中所示，不同含水率的叶片的叶绿素荧光光谱在500～800nm表现出不同的强度变化。因此选择500～800nm波段作为叶片含水率建模的研究对象；
(2)利用MATLAB软件调用“diff”求导函数运行2次，得到二阶导数光谱，每条光谱曲线由523维降至521维；
(3)对二阶导数光谱进行波段筛选降维，分别对各波段与叶片含水率建立预测模型，将相关系数R大于0.8的波段作为建立模型的输入波段，得到波段为661-740nm；
(4)采用支持向量机作为建立模型的方法，将二阶导数光谱的661-740nm波段作为输入向量xi值，以叶片含水率作为输出向量yi值，采用支持向量机方法进行回归，设样本数据的回归函数为：
其中：K(x·xi)为核函数，
αi，b为模型参数，
采用的核函数为RBF核函数：
其中：x为预测集中的样本；
模型的训练采用MATLAB工具箱中的“trainlssvm”训练模型函数完成，得到模型参数如下:
b＝[0.908 1.261]1×2
gam＝22.2895，
σ2＝0.13256。
gam表示正规化参数，决定了适应误差的最小化和平滑程度；
得到叶绿素荧光预测叶片含水率的训练集的相关系数R达到0.943，预测集的相关系数R达到0.904。再采用交互验证的方法，对模型进行验证，参阅图3，其真实值与预测值的相关系数R达到0.91。
4)生菜个数确定
(1)生菜以土筑畦种植，生菜生长的后期叶片之间形成遮挡，所采集图像的无法区分生菜的株数，因此以畦为单位，以土与生菜的颜色进行区分，以生菜种植的行距、株距为单位制作非绿色标准距离板，像素q为25k，以此为标准对获取的畦的图像进行分割，每畦分割的数量作为每畦生菜的个数。
(2)将标准距离板放置于所要测量的生菜畦内，获取所要测量的区域图像。将获取的图像进行滤波、锐化、灰色处理，利用MATLAB软件Canny边缘算子对灰度图像进行边缘获取，再利用MATLAB软件图像处理工具箱调取“regionprops”度量图像区域函数，得到所测的图像像素值Q，将图像Q值与标准距离板q进行比值，得到生菜个数，计算公式如下：
N＝Q/q
式中：N——生菜个数，Q——所测图像像素，q——标准距离板像素。
3.单株测产
(1)叶片质量预测
以叶片长度x1、叶片面积x2、叶片含水率x3作为模型的输入值，以叶片质量作为输出值m叶，利用SPSS Statistics统计软件进行数据处理，进行多元线性回归分析，得到预测模型，拟合方程如下：
m叶＝0.771X1+0.262X2+37.755X3-41.667
式中：m叶—叶片产量，
X1—叶片长度，
X2—叶片面积，
X3—叶片含水量。
所得模型的训练集相关系数R为0.979，标准差为0.449。在实验数据中，随机抽取30片叶片对模型进行验证，参阅图4，所得到的预测值与真实值的相关系数为0.875，标准差为0.815。
(2)单株生菜产量预测
以生菜的最大叶片为统计对象，研究最大叶片重量与整株生菜重量之间的关系，利用一元线性回归方法，得到预测模型：
m株＝11.297m叶+48.827
式中：m株—整株重量，
m叶—最大单叶重量。
参阅图5，所得到的生菜单株产量的预测值与真实值的相关系数为0.9348，标准差为0.643。
4.区域测产
(1)利用单株生菜产量预测模型，选取所测区域内的10株生菜进行测量和产量预测，得到该区域内单株生菜的平均质量，以此作为所测区域内的产量的平均值；
式中：m平——所测区域内单株生菜的平均质量，m株1——所测区域内任选1株生菜，m株n——所测区域内任选n株生菜，n——所测区域内用来计算平均质量的生菜个数。
(2)将区域内单株生菜的平均质量与采集的区域内生菜图像计算的生菜个数进行乘积，作为区域内的生菜产量数据；
M＝m平×N
式中：M——区域生菜总产量，
m平——单株生菜平均质量，
N——所测区域内生菜数量。
实施例
选取测量的对象为即将上市的成熟期的生菜，测试图像以每畦为单位能够进行明显图像分割，本次测量的图像为1畦生菜。
1.基本参数获取
利用手机、相机等便携仪器获取生菜生长图像，利用叶绿素荧光光谱采集装置获取叶片叶绿素荧光光谱，其步骤如下：
1)无损检测
(1)制作叶片图像采集标准板：
以半径长为15cm做半圆形标准板，在半圆形标准板上以半径1cm为间隔、圆心角5°为间隔画出间隔线，将叶片平铺于标准板上，根据标准板检测结果确定叶片的长度x1、叶片面积x2；
(2)将整株生菜中最大叶片放置在半圆形标准板上，采用手机、相机或其它便携式图像采集设备摄取图像，得到生菜叶片的圆心角与半径数据，以用来测算叶片长度x1和叶片面积x2；
通过与半圆形标准板对比，得到叶片的圆心角α＝9.5°，叶片长度x1＝17cm。计算叶面积x2,
叶片面积x2计算公式为
x2＝(α×π×x1 2)/360°
式中：α—叶片的圆心角，单位,°；
x1—叶片的长度，单位,cm；
通过测算，叶片面积x2＝24cm2。
(3)利用便携式叶绿素荧光光谱采集仪测量叶片的叶绿素荧光光谱；本发明选择在晴朗无风的天气测量，测量时间为上午的9-11点，每株作物选择5片成熟的叶片作为检测对象，每个叶片取不同位置的5个点作为测量点，每点测量3次作为该点平均值，取不同位置的5个点作为该叶片的平均值，取5片叶片的平均值作为整株作物的平均值；
2)破坏检测
(1)将整株生菜植株拔出，断根取地上部分称重，其质量值作为建模输出数据y值；
(2)再将检测的生菜最大单叶片剪碎放至烘箱中，采用烘干法，烘干时间为8小时，取出后自然冷却，隔10分钟测量一次，连续两次测量烘干后的干物质重量差值小于0.01g，作为烘干后的干物质量，计算叶片的含水率；计算公式如下：
式中：x3—叶片含水率，m1—烘干前质量，m0—烘干后质量；
经过计算，得到叶片含水率为87％。
2.数据存储及处理
1)将无损检测步骤中获得的叶片面积、长度、叶绿素荧光光谱、叶片重量、叶片含水率数据输入计算机存储；
2)对上述参数进行相关性分析，尽量减少数据的建模维数，利用MATLAB软件调取“corrcoef”相关系数函数计算叶片含水率、叶片面积、叶片长度与叶片重量的相关系数R，以相关系数R大于0.9作为评价标准，得到的相关系数均大于0.9，将叶片含水率、叶片面积、叶片长度作为建立模型的输入数据X值。
3)利用叶绿素荧光光谱预测叶片含水率
(1)参阅图2，所获得的叶绿素荧光光谱如图中所示，不同含水率的光谱在500～800nm表现出不同的强度变化。因此选择500～800nm波段作为含水率建模的研究对象。
(2)利用MATLAB软件调用“diff”求导函数2次，得到二阶导数光谱，每条光谱曲线由523维降至521维。
(3)对二阶导数光谱进行波段筛选降维，分别对各波段与叶片含水率建立预测模型，将相关系数R大于0.8的波段作为建立模型的输入波段，得到波段为661-740nm。
(4)采用支持向量机作为建立模型的方法，将二阶导数光谱的661-740nm波段作为输入向量xi值，以叶片含水率作为输入向量yi值，采用支持向量机方法进行回归，设样本数据的回归函数为：
其中：K(x·xi)为核函数，
αi，b为模型参数，
采用的核函数为RBF核函数：
其中：x为预测集中的样本；
模型的训练采用MATLAB工具箱中的“trainlssvm”训练模型函数完成，得到模型参
数如下:
b＝[0.908 1.261]1×2
gam＝22.2895，
σ2＝0.13256。
gam表示正规化参数，决定了适应误差的最小化和平滑程度。
叶绿素荧光光谱经过光谱二阶导数、波段选择、支持向量机建模处理，通过对叶片的5个测量点，每个测量点3次测量的结果，得到叶片的含水率为87.6％。
4)生菜个数确定
生菜以土筑畦种植，生菜生长的后期叶片之间形成遮挡，所采集的图像无法区分生菜的株数，因此以畦为单位，以土与生菜的颜色进行区分，以生菜种植的行距、株距为单位制作非绿色标准距离板，像素q为25k，以此为标准对获取的畦的图像进行分割，每畦分割的数量作为每畦生菜的个数。
将标准距离板放置于所要测量的生菜畦内，获取所要测量的区域图像。将获取的图像进行滤波、锐化、灰色处理，利用MATLAB软件Canny边缘算子对灰度图像进行边缘获取，再利用MATLAB软件图像处理工具箱调取“regionprops”度量图像区域函数，得到所测的图像像素值Q，将图像Q值与标准距离板q进行比值，得到生菜个数，计算公式如下：
N＝Q/q
式中：N——生菜个数，Q——所测图像像素，q——标准距离板像素。
根据以上处理得到所测得的图像的像素Q为850k，标准板像素为25k，得到叶片数量N为：
N＝850/25＝34
得到叶片个数为34株。
3.单株测产
(1)叶片质量预测
选择植株的最大叶片进行测量，以叶片长度x1、叶片面积x2、叶片含水率x3作为模型的输入值，以叶片质量作为输出值m叶，利用SPSS Statistics统计软件进行数据处理，进行多元线性回归分析，得到预测模型，拟合方程如下：
m叶＝0.771X1+0.262X2+37.755X3-41.667
式中：m叶—叶片产量，
X1—叶片长度，
X2—叶片面积，
X3—叶片含水量。
选择的叶片质量为:
m叶＝0.771×17+0.262×24+37.775×0.876-41.667＝10.819(克)
(2)以生菜的最大叶片为统计对象，研究最大叶片重量与整株生菜重量之间的关系，利用一元线性回归方法，得到预测模型：
m株＝11.297m叶+48.827
式中：m株—整株重量，
m叶—最大单叶重量。
m株＝11.297×10.819+48.827＝171.05(克)
4.区域测产
(1)利用单株生菜产量预测模型，选取所测区域内的10株生菜进行测量和产量预测，得到该区域内生菜的平均质量。以此作为所测区域内的产量的平均值。
式中：m平——所测区域内单株生菜的平均质量，m株1——所测区域内任选1株生菜，m株n——所测区域内任选n株生菜，n——所测区域内用来计算平均质量的生菜个数。
利用以上方法，通过对不同生菜植株的单株产量的预测，得到该区域生菜平均产量为
m平＝(171.05+169.87+156.49+194.61+162.56+178.34+183.41+173.94+190.19+168.77)/10＝174.92(克)
(2)将区域内平均生菜产量与采集的区域内生菜图像计算的生菜个数进行乘积，作为区域内的生菜产量数据；
M＝m平×N
式中：M——区域生菜总产量，
m平——单株生菜平均质量，
N——所测区域内生菜数量。
利用区域测产公式得到所测得的生菜种植1畦图像的总质量为：
M＝174.92×34＝5947.28(克)。
Claims (4)
1.一种叶类蔬菜质量预测方法,其特征在于，所述的一种叶类蔬菜质量预测方法的步骤如下：
1)基本参数获取；
2)数据存储及处理；
所述的数据存储及处理是指：
(1)将无损检测步骤中获得的叶片面积、叶片长度、叶绿素荧光光谱，和破坏检测获得的叶片质量与叶片含水率数据输入计算机存储；
(2)对所得到的参数进行相关性分析，减少数据的建模维数，利用MATLAB软件调取“corrcoef”相关系数函数计算叶片含水率、叶片面积、叶片长度和叶片质量的相关系数R，以相关系数R大于0.9作为评价标准，得到的相关系数分别为0.9434、0.9361、0.9666，将叶片含水率、叶片面积、叶片长度作为建立模型的输入数据X值；
(3)利用叶绿素荧光光谱预测叶片含水率；
所述的利用叶绿素荧光光谱预测叶片含水率是指：
a)不同含水率的叶片的叶绿素荧光光谱在500～800nm表现出不同的强度变化，因此选择500～800nm波段作为叶片含水率建模的研究对象；
b)利用MATLAB软件调用“diff”求导函数运行2次，得到二阶导数光谱，每条光谱曲线由523维降至521维；
c)对二阶导数光谱进行波段筛选降维，分别对各波段与叶片含水率建立预测模型，将相关系数R大于0.8的波段作为建立模型的输入波段，得到波段为661-740nm；
d)采用支持向量机作为建立模型的方法，将二阶导数光谱的661-740nm波段作为输入向量xi值，以叶片含水率作为输出向量yxi值，采用支持向量机方法进行回归，设样本数据的回归函数为：
其中：k(x,xi)为核函数，
αi，b为模型参数，
采用的核函数为RBF核函数：
其中：x为预测集中的样本；
模型的训练采用MATLAB工具箱中的“trainlssvm”训练模型函数完成，得到模型参数如下:
b＝[0.908 1.261]1×2
gam＝22.2895，
σ2＝0.13256，
gam表示正规化参数，决定了适应误差的最小化和平滑程度；
(4)生菜个数确定；
3)测单株质量；
4)测区域质量；
所述的测区域质量是指：
(1)利用单株生菜质量预测模型，选取所测区域内的10株生菜进行测量和质量预测，得到区域单株生菜平均质量，以此作为所测区域内的质量的平均值；
式中：m平——所测区域内单株生菜的平均质量，
m株1——所测区域内任选1株生菜的质量，
m株n——所测区域内任选n株生菜的质量，
n——所测区域内用来计算平均质量的生菜个数；
(2)将区域内单株生菜的平均质量与采集的区域内生菜图像计算的生菜个数进行乘积，作为区域内的生菜质量数据：
M＝m平×N
式中：M——区域生菜总质量，
m平——单株生菜平均质量，
N——所测区域内生菜数量。
2.按照权利要求1所述的一种叶类蔬菜质量预测方法,其特征在于，所述的基本参数获取是指：
1)无损检测
所述的无损检测是指：
(1)制作叶片图像采集标准板
以半径长为15cm做半圆形标准板，在半圆形标准板上以半径1cm为间隔、圆心角5°为间隔画出间隔线，将叶片平铺于标准板上；
(2)将整株生菜中最大叶片放置在半圆形标准板上，采用手机、相机或其它便携式图像采集设备摄取图像，得到生菜叶片的圆心角与半径数据，以用来测算叶片长度x1和叶片面积x2:
通过读取标准板，直接获得叶片的长度x1、圆心角α，计算叶面积x2,
叶片面积x2计算公式为
x2＝(α×π×x1 2)/360°
式中：α—叶片圆心角，单位:°；
x1—叶片长度，单位:cm；
(3)利用便携式叶绿素荧光光谱采集仪测量叶片的叶绿素荧光光谱；选择在晴朗无风的天气测量，测量时间为上午的9-11点，每株作物选择5片成熟的叶片作为检测对象，每个叶片取不同位置的5个点作为测量点，每点测量3次作为该点平均值，取不同位置的5个点作为该叶片的平均值，取5片叶片的平均值作为整株作物的平均值；
2)破坏检测
所述的破坏检测是指：
(1)将整株生菜植株拔出，断根取地上部分称重，其质量值作为建模输出数据；
(2)将检测的生菜最大单叶片剪碎放至烘箱中烘干，烘干时间为8小时，取出后自然冷却，隔10分钟测量一次，连续两次测量烘干后的干物质质量差值小于0.01g，作为烘干后的干物质量，计算叶片的含水率；计算公式如下：
式中：x3—叶片含水率，m1—烘干前质量，m0—烘干后质量。
3.按照权利要求1所述的一种叶类蔬菜质量预测方法,其特征在于，所述的生菜个数确定是指：
1)生菜以土筑畦种植，生菜生长的后期叶片之间形成遮挡，所采集图像无法区分生菜的株数，因此以畦为单位，以土与生菜的颜色进行区分，以生菜种植的行距、株距为单位制作非绿色标准距离板，对获取的畦的图像进行分割，每畦分割的数量作为每畦生菜的个数；
2)将标准距离板放置于所要测量的生菜畦内，获取所要测量的区域图像；将获取的图像进行滤波、锐化、灰色处理，利用MATLAB软件Canny边缘算子对灰度图像进行边缘获取，再利用MATLAB软件图像处理工具箱调取“regionprops”度量图像区域函数，得到所测的图像像素值Q，用以下计算公式得到生菜个数，计算公式如下：
N＝Q/q
式中：N—生菜个数，Q—所测图像像素，q—标准距离板像素。
4.按照权利要求1所述的一种叶类蔬菜质量预测方法,其特征在于，所述的测单株质量是指：
(1)叶片质量预测
以叶片长度x1、叶片面积x2、叶片含水率x3作为模型的输入值，以叶片质量作为输出值m叶，利用SPSS Statistics统计软件进行数据处理，进行多元线性回归分析，得到预测模型，拟合方程如下：
m叶＝0.771x1+0.262x2+37.755x3-41.667
式中：m叶—叶片质量，
x1—叶片长度,
x2—叶片面积，
x3—叶片含水率；
所得模型的训练集相关系数R为0.979，标准差为0.449；在实验数据中，随机抽取30片叶片对模型进行验证，所得到的预测值与真实值的相关系数为0.875，标准差为0.815；
(2)单株生菜质量预测
以生菜的最大叶片为统计对象，研究最大叶片质量与整株生菜质量之间的关系，利用一元线性回归方法，得到预测模型：
m株＝11.297m叶+48.827
式中：m株—整株质量，
m叶—最大单叶质量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710727245.8A CN107316116B (zh) | 2017-08-23 | 2017-08-23 | 一种叶类蔬菜产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710727245.8A CN107316116B (zh) | 2017-08-23 | 2017-08-23 | 一种叶类蔬菜产量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107316116A CN107316116A (zh) | 2017-11-03 |
| CN107316116B true CN107316116B (zh) | 2020-11-10 |
Family
ID=60176946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710727245.8A Active CN107316116B (zh) | 2017-08-23 | 2017-08-23 | 一种叶类蔬菜产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107316116B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108037085A (zh) * | 2017-11-29 | 2018-05-15 | 日照职业技术学院 | 基于光谱特征的金属工件表面缺陷检测方法 |
| CN108022113A (zh) * | 2017-12-28 | 2018-05-11 | 深圳春沐源控股有限公司 | 验证追溯信息准确性的方法、服务器及存储介质 |
| CN108062602B (zh) * | 2017-12-28 | 2019-08-02 | 江苏大学 | 一种预测温室茄果类作物同化产物产量的方法 |
| CN108053078A (zh) * | 2017-12-28 | 2018-05-18 | 深圳春沐源控股有限公司 | 一种产量预测方法、服务器以及计算机可读存储介质 |
| CN108197741B (zh) * | 2017-12-29 | 2021-07-06 | 深圳春沐源控股有限公司 | 植物产量的预测方法及装置 |
| CN111220251A (zh) * | 2018-11-26 | 2020-06-02 | 重庆小雨点小额贷款有限公司 | 一种养殖产品的数量确定方法、装置、终端及存储介质 |
| CN109740794A (zh) * | 2018-12-01 | 2019-05-10 | 贵州省烟草公司黔南州公司 | 一种烤烟单产量预测方法 |
| CN111045467B (zh) * | 2019-03-27 | 2021-11-16 | 桂林航天工业学院 | 一种基于物联网的智能农业机械控制方法 |
| CN110060294A (zh) * | 2019-04-30 | 2019-07-26 | 中国农业科学院农业环境与可持续发展研究所 | 一种果树作物的产量评估方法 |
| CN110188955B (zh) * | 2019-05-31 | 2023-05-12 | 西南大学 | 一种基于叶绿素荧光遥感的大尺度秋粮产量估算方法 |
| CN112733582A (zh) * | 2019-10-28 | 2021-04-30 | 广州极飞科技有限公司 | 农作物产量的确定方法及装置、非易失性存储介质 |
| CN116757332B (zh) * | 2023-08-11 | 2023-12-05 | 北京市农林科学院智能装备技术研究中心 | 叶菜产量预测方法、装置、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2174687Y (zh) * | 1993-09-27 | 1994-08-17 | 南京理工大学 | 便携式农作物长势监测装置 |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
| CN103518516A (zh) * | 2013-10-21 | 2014-01-22 | 贵州省辣椒研究所 | 辣椒田间产量的测量方法 |
| CN103868891A (zh) * | 2014-03-12 | 2014-06-18 | 中国农业科学院油料作物研究所 | 一种油菜叶片氮素营养快速诊断及推荐追氮的方法 |
| CA2760817C (en) * | 2009-05-14 | 2016-02-09 | Pioneer Hi-Bred International, Inc. | Inverse modeling for characteristic prediction from multi-spectral and hyper-spectral remote sensed datasets |
| KR20160058803A (ko) * | 2013-09-20 | 2016-05-25 | 바이엘 크롭사이언스 악티엔게젤샤프트 | 활성 화합물의 배합물 |
| CN106290171A (zh) * | 2016-07-27 | 2017-01-04 | 内蒙古大学 | 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 |
-
2017
- 2017-08-23 CN CN201710727245.8A patent/CN107316116B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2174687Y (zh) * | 1993-09-27 | 1994-08-17 | 南京理工大学 | 便携式农作物长势监测装置 |
| CA2760817C (en) * | 2009-05-14 | 2016-02-09 | Pioneer Hi-Bred International, Inc. | Inverse modeling for characteristic prediction from multi-spectral and hyper-spectral remote sensed datasets |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
| KR20160058803A (ko) * | 2013-09-20 | 2016-05-25 | 바이엘 크롭사이언스 악티엔게젤샤프트 | 활성 화합물의 배합물 |
| CN103518516A (zh) * | 2013-10-21 | 2014-01-22 | 贵州省辣椒研究所 | 辣椒田间产量的测量方法 |
| CN103868891A (zh) * | 2014-03-12 | 2014-06-18 | 中国农业科学院油料作物研究所 | 一种油菜叶片氮素营养快速诊断及推荐追氮的方法 |
| CN106290171A (zh) * | 2016-07-27 | 2017-01-04 | 内蒙古大学 | 基于svm和回归分析的玉米叶片叶绿素含量及表型参数测定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107316116A (zh) | 2017-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107316116B (zh) | 一种叶类蔬菜产量预测方法 | |
| CN108376419B (zh) | 一种盆栽生菜的综合长势监测方法及装置 | |
| CN109115776B (zh) | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 | |
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| CN108444928B (zh) | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| CN106718363B (zh) | 一种面向精细农业的灌溉试验方法及其试验平台 | |
| 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 | |
| CN105445229A (zh) | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 | |
| CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
| Chang et al. | Quantifying muskmelon fruit attributes with A-TEP-based model and machine vision measurement | |
| CN108519339B (zh) | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 | |
| Wenting et al. | Detecting maize leaf water status by using digital RGB images | |
| CN113866104B (zh) | 一种基于数码相机检测温室番茄氮素营养状况的方法 | |
| CN117455062A (zh) | 一种基于多源异构农业数据的农作物产量预测算法 | |
| CN116385784A (zh) | 一种镉胁迫下水稻叶绿素含量测算方法及系统 | |
| Xie et al. | Spectral reflectance response to nitrogen fertilization in field grown corn | |
| CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
| CN114486786A (zh) | 土壤有机质测定方法及测定系统 | |
| CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
| CN114219795A (zh) | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 | |
| CN105158177A (zh) | 高光谱图像技术定量检测固态发酵水分分布均匀性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |