CN107392920A - 一种基于可见光‑太赫兹光的植株健康辨别方法和装置 - Google Patents
一种基于可见光‑太赫兹光的植株健康辨别方法和装置 Download PDFInfo
- Publication number
- CN107392920A CN107392920A CN201710526982.1A CN201710526982A CN107392920A CN 107392920 A CN107392920 A CN 107392920A CN 201710526982 A CN201710526982 A CN 201710526982A CN 107392920 A CN107392920 A CN 107392920A
- Authority
- CN
- China
- Prior art keywords
- lesion
- terahertz
- gray level
- plant
- image
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 35
- 230000003902 lesion Effects 0.000 claims abstract description 129
- 238000010521 absorption reaction Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 53
- 241000700605 Viruses Species 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000003612 virological effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 208000002720 Malnutrition Diseases 0.000 claims description 5
- 235000018343 nutrient deficiency Nutrition 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000002965 ELISA Methods 0.000 description 3
- 230000005670 electromagnetic radiation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 229920000573 polyethylene Polymers 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 238000009007 Diagnostic Kit Methods 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 206010067130 Spastic diplegia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 206010008129 cerebral palsy Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于可见光‑太赫兹光的植株健康辨别方法和装置，所述方法包括：S1、获取植株完整叶片的太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像；S2、采用自适应阈值分割法，判断太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像是否处于正常灰度阈值内，基于叶片成像结果与植株病变对应关系，判断叶片是否病变；S3、采集病变叶片病毒孢子的太赫兹吸收系数图谱，判断植株的具体病变类型。利用太赫兹光谱对于水分的特殊吸收性，植物叶片水分与植物健康的关联特性，植物叶片颜色与植物健康的关联的特性，将三者相互结合，通过获取太赫兹水分吸收灰度图像及可见光Lab图像灰度图像判断是否病变，在病变早期就能察觉。
Description
技术领域
本发明涉及植物健康监测技术领域，更具体地，涉及一种基于可见光-太赫兹光的植株健康辨别方法和装置。
背景技术
植物叶片是判断植物健康的重要指标部位之一，在生长和发育过程中，植物会受到各种不利因素的影响，导致其发生病害。而在这些病害的作用下，植物的生长、发育和结果的进程都会受到影响，发生形态、生理和生化上的病理变化。一般这些变化都会具体呈现在叶片上，有经验的农民可以通过观察叶片颜色、形态就能够判断植株病变与否。
利用叶片特性判断植物病变，虽然有一定研究，但仍未普及市场。目前所采用的方法主要包括传统对比法、红外成像判别法和分类检索表对比法。
其中，传统对比法中又包括图谱对比观测法、借助专业病害著作对比法和ELISA(Enzyme Linked Immunosorbent Assay，基于酶联免疾技术)的方法；通过农业病害图谱方法简单直观，但病害种类不全面，不够准确；借助专业病害著作对比判别结果准确，但缺乏广泛性，需要具有一定的专业知识，且查阅效率过低；基于酶联免疾技术的方法，通过ELISA技术，可灵敏地定量检测植物提取液中病毒蛋白的含量，从而诊断植物病变，但是该方法在检测植物细菌和真菌病害方面不敏感，且制备诊断试剂盒及其应用需要较昂贵的仪器设备和专业技术支持，存在操作费用高及要求工作人员的专业素质高等缺陷。
基于光谱技术的方法通过红外成像技术，能很好的区别正常植株自身各部分以及病变部分对红外热辖射的差异，从而转换成可视图像，诊断植物病变。然而在外界红外干扰较多，大气吸收、背景噪声等都会影响成像及判断精度。
分类检索表对比法较准确，速度较快，但仅适合植保专业人员，而且其中缺乏发生规律、预测及防治方法描述等。这些方法对于人力、时间的消耗都过大，且受主观因素的影响误差比较大。
由此可见，迫切需要构建一个准确、快速、实时并且不受人为因素及外检因素影响的病害检测系统。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于可见光-太赫兹光的植株健康辨别方法和装置，以解决现有植株病变检测易受外检因素影响且无法准确、快速、实时辨别的问题。
根据本发明的一个方面，提供一种植株健康辨别方法，包括：
S1、获取植株完整叶片的太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像；
S2、采用自适应阈值分割法，判断太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像是否处于健康叶片灰度图像的灰度阈值内，基于叶片成像结果与植株病变对应关系，判断叶片是否病变；
S3、采集病变叶片病毒孢子的太赫兹吸收系数图谱，判断植株的具体病变类型。
作为优选的，所述步骤S2中，通过对自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像进行高斯直方图滤波处理，采用自适应阈值分割算法计算出对应的灰度阈值，并分别与健康叶片灰度图像的灰度阈值进行比较，判断其是否处于正常的灰度阈值范围内。
作为优选的，所述自适应阈值分割算法为Otsu阈值法。
作为优选的，所述步骤S2中，基于叶片成像结果与植株病变对应关系，判断叶片是否病变具体包括：
若太赫兹水分吸收灰度图像、可见光Lab图像A通道灰度图像的灰度阈值都正常，则判断无病变；
若太赫兹水分吸收灰度图像的灰度阈值正常，可见光Lab图像A通道灰度图像的灰度阈值不正常，则判断为病变早期；
若太赫兹水分吸收灰度图像的灰度阈值不正常，可见光Lab图像A通道灰度图像的灰度阈值正常，则判断为缺素；
若太赫兹水分吸收灰度图像、可见光Lab图像A通道灰度图像的灰度阈值都不正常，则判断为病变后期。
作为优选的，所述步骤S3中具体包括：若叶片诊断为病变叶片，则采集病变叶片病毒孢子的太赫兹吸收系数图谱，并与已知病毒孢子的太赫兹吸收系数图谱作比较、拟合，若匹配到吻合的图谱，则判断对应病毒孢子引发的病变类型为植株的具体病变类型。
作为优选的，所述已知病毒孢子的太赫兹吸收系数图谱为：利用已知的病变孢子太赫兹图谱来对应已知病毒孢子，并将病毒孢子对应其引发的病变类型，形成对应关系。
一种植株健康辨别装置，包括太赫兹仪、可见光-太赫兹光传感器和处理器；
所述太赫兹仪用于产生太赫兹光谱信号；
所述可见光-太赫兹光传感器用于随机采集植株的完整叶片的太赫兹水分吸收灰度图像以及可见光Lab图像A通道灰度图像，并传递至处理器；
所述处理器用于判断叶片是否病变，并采集病毒孢子的太赫兹吸收系数图谱，判断植株的具体病变类型。
作为优选的，还包括作物培育室，所述作物培育室用于放置待辨别植株，所述可见光-太赫兹光传感器设于所述作物培育室侧壁上。
作为优选的，所述处理器包括图像处理模块、病变辨别模块和病变专家库；
所述图像数理模块用于通过自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像进行处理，判断叶片是否病变；
所述病变专家库用于提供已知的病变孢子太赫兹图谱与病变类型的对应关系；
所述病变辨别模块用于采集病变叶片病毒孢子的太赫兹吸收系数图谱，并与病变专家库作比较、拟合，以判断植株的具体病变类型。
作为优选的，还包括光学检测平台，所述太赫兹仪、处理器设于所述光学检测平台上。
本发明提出一种基于可见光-太赫兹光的植株健康辨别方法和装置，利用了太赫兹光谱对于水分的特殊吸收性、植物叶片水分与植物健康的关联特性以及植物叶片颜色与植物健康的关联的特性，并将三者相互结合，通过获取太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像并判断其是否处于正常灰度阈值内，进而判断叶片是否病变；通过采集病变叶片病毒孢子的太赫兹吸收系数图谱，与病变专家库进行比较、拟合，判断植株的具体病变类型，其结果更为精准，在病变早期就能察觉；可实现全程自动化作业，无需其他专业人员去辅助，更无须参考书目，图绘等查询，操作便捷，使之更容易推广，且太赫兹能量低，辐射小，快捷无污染，对测量物无损，对人体几乎无影响，操作人员可放心检测。
附图说明
图1为根据本发明实施例1的基于可见光-太赫兹光的植株健康辨别方法流程图；
图2为根据本发明实施例2的基于可见光-太赫兹光的植株健康辨别装置结构框图；
图3为根据本发明实施例2的基于可见光-太赫兹光的植株健康辨别装置具体工作流程示意图。
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描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在生长和发育过程中，植物会受到各种不利因素的影响，导致其发生病害，而在这些病害的作用下，植物的生长、发育、结果的进程会受到影响，发生形态、生理和生化上的病理变化，一般这些变化都会具体呈现在叶片上，有经验的农民可以通过观察叶片颜色、形态就能够判断植株病变与否。
可见光通常为300-700nm波长范围之间的电磁辐射，一般利用其颜色特征对兴趣区间进行提取分割，病变完整叶片部位具有较为明显的颜色区别(方法在早期病变叶片上可能看不出变化)，可以利用Lab颜色空间的A通道进行完整叶片进行诊断。
太赫兹辐射是介于0.1THz-10THz(1THz＝1012Hz)之间频率的电磁辐射，其对应的波长范围为30nm-3mm，属于远红外波段，它刚好处于电子学与光子学的过渡区域。这一频段的电磁波在电子学中被称为毫米波或亚毫米波，而在光谱学中则被称为远红外线。太赫兹波对水分有着很强吸收的特性，非常敏感，可以对叶片中的水分进行精确的测量，早期病变可能会引起叶片水分变化，通过此技术可诊断出来。
在太赫兹波段，水有很强的吸收，由于大分子的振动和转动能级大多在THz波段，而大分子，特别是生物和化学大分子是具有本身物性的物质基团，进而可以通过特征频率对物质结构、物性进行分析和鉴定。基于以上两个光谱波段特殊性质，本发明提出利用可见光-太赫兹光融合的想法解决上述问题。
实施例1
如图1所示，图中示出了一种基于可见光-太赫兹光的植株健康辨别方法，包括：
S1、获取植株完整叶片的太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像；
S2、采用自适应阈值分割法，判断太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像是否处于健康叶片灰度图像的灰度阈值内，基于叶片成像结果与植株病变对应关系，判断叶片是否病变；
S3、采集病变叶片病毒孢子的太赫兹吸收系数图谱，判断植株的具体病变类型。
在本实施例步骤S1中，所述完整叶片为随机采集的植株中的任一叶片，由于采集的随机性，因此能够代表植株的健康状况。通过采集叶片，置于图像传感器下方,并扫描采集整个叶片的太赫兹反射图像及可见光Lab图像，进行图像处理，做变换得到太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像。
叶片本身的干物质不吸收太赫兹，水分对太赫兹呈现较强吸收，所以叶片图像的灰度差异主要是由于叶片含水差异造成的。太赫兹水分吸收灰度图像即为由水分吸收差异造成的整个单叶片太赫兹反射灰度图像。
作为优选的，所述步骤S1中，所述可见光Lab图像灰度图像选用Lab图像中A通道灰度图像，由于A通道对绿色敏感，因此采用A通道灰度图像能够获得详细的绿色信息。可见光通常为300-700nm波长范围之间的电磁辐射，一般利用其颜色特征对兴趣区间进行提取分割，病变完整叶片部位具有较为明显的颜色区别(方法在早期病变叶片上可能看不出变化)，可以利用Lab颜色空间的A通道完整叶片进行诊断。
作为优选的，所述步骤S2中，通过对自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像进行自适应阈值分割算法计算出对应的灰度阈值，并与健康叶片灰度图像的灰度阈值进行比较，判断其是否处于正常的灰度阈值内范围内。
在本实施例中，具体的，所述自适应阈值分割算法为Otsu阈值法；其基于或最大类间方差准则确定分割门限的方法，通过按图像的灰度特性，将图像分为背景和目标两部分，背景和目标之前的类间方差越大，说明构成图像的两个部分的差别越大，当部分目标错位分背景或部分背景错分为目标都会导致两部分差别较小，因此类间方差最大意味着错分概率最小，因此采用遍历方法得到使类间方差最大的阈值，即为对应的目标的阈值。
在本实施例中，如在灰度图像的灰度均值为M，在其中任意选取一个灰度值t，将对应的灰度图像分为两个部分A和B，分别对应前景色和背景色，对应的灰度值平均值即为MA和MB，若A部分里的像素数占总像素数的比例记做PA，B部分里的像素数占总像素数的比例记做PB，则类间方差定义为：
在本实施例中，选取使最佳阈值t，使得图像按照该阈值分成A和B之后，满足两者类间方差最大。
通过自适应阈值分割方法，去除背景色，分别得到叶片的太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像的灰度阈值，并将得到的灰度阈值分别与健康叶片灰度图像的灰度阈值进行比较，若其灰度值在健康叶片灰度图像的灰度阈值范围内，则判断该灰度值对应的灰度图像为正常；如若叶片的太赫兹水分吸收灰度图像的灰度阈值在健康叶片灰度图像的灰度阈值范围内、可见光Lab图像A通道灰度图像的灰度阈值超出健康叶片灰度图像的灰度阈值范围内，则对应叶片的太赫兹水分吸收灰度图像的灰度阈值为正常，可见光Lab图像A通道灰度图像的灰度阈值不正常。本实施例中采用的阈值分割法简单实用，且能够很好的实现分割效果。
在本实施例中，所述健康叶片灰度图像的灰度阈值范围的取值方法包括：取健康叶片灰度图像的灰度值，并以该灰度值为中心阈值，设定上下浮动的波动范围，将此范围设定为健康叶片灰度图像的灰度阈值范围；或
取N个健康叶片，获取其灰度图像的灰度值，统计获得其中最大值与最小值，作为健康叶片灰度图像的灰度阈值范围的上下限。
在本实施例中，所述步骤S2中，判断叶片是否病如下表所示：
| 病变情况 | 无病变植株 | 病变早期 | 缺素 | 病变中后期 |
| 可见光图像 | 正常 | 正常 | 不正常 | 不正常 |
| 太赫兹图像 | 正常 | 不正常 | 正常 | 不正常 |
具体的，判断叶片是否病变具体包括：
若太赫兹水分吸收灰度图像、可见光Lab图像灰度图像的灰度阈值都正常，则判断无病变；
若太赫兹水分吸收灰度图像的灰度阈值正常，可见光Lab图像灰度图像的灰度阈值不正常，则判断为病变早期；
若太赫兹水分吸收灰度图像的灰度阈值不正常，可见光Lab图像灰度图像的灰度阈值正常，则判断为缺素；
若太赫兹水分吸收灰度图像、可见光Lab图像灰度图像的灰度阈值都不正常，则判断为病变后期。
作为优选的，所述步骤S3中具体包括：若叶片诊断为病变叶片，则采集病变叶片病毒孢子的太赫兹吸收系数图谱，并与已知病毒孢子的太赫兹吸收系数图谱作比较、拟合，若匹配到吻合的图谱，则判断对应病毒孢子引发的病变类型为植株的具体病变类型。
孢子附着在叶片表面。如要测量孢子的太赫兹吸收图谱，本实施例中提供两种方法可选：一是单独刮取孢子，然后掺杂聚乙烯粉(常用的样品压片制备方法，聚乙烯不吸收太赫兹波，一般都做掺杂物，为了做成型的压片用)，做成压片，运用透射或反射测量样品吸收；二是涂抹在石英玻璃表面，然后测反射谱，都可以。
采集的数据是孢子在整个太赫兹波段的时域吸收数据，有数据预处理和转化成频域处理过程。匹配过程：首先归一化，然后与已知的归一化图谱，求马氏距离，如果距离小于某一个阈值，则视为相同病变类型。这个阈值根据经验计算取得。
在本实施例中，所述已知病毒孢子的太赫兹吸收系数图谱为：利用已知的病变孢子太赫兹图谱来对应已知病毒孢子，并将病毒孢子对应其引发的病变类型，形成对应关系。
实施例2
如图2所示，图中示出了一种植株健康辨别装置，包括太赫兹仪5、可见光-太赫兹光传感器6和PC机4；
所述太赫兹仪5用于产生太赫兹光谱信号；
所述可见光-太赫兹光传感器6用于随机采集植株的完整叶片的太赫兹水分吸收灰度图像以及可见光Lab图像A通道灰度图像，并传递至处理器；
所述PC机4用于判断叶片是否病变，并采集病毒孢子的太赫兹吸收系数图谱，判断植株的具体病变类型。
作为优选的，还包括作物培育室1，所述作物培育室1用于放置待辨别植株2，所述可见光-太赫兹光传感器6设于所述作物培育室1侧壁上。
作为优选的，所述处理器包括图像处理模块、病变辨别模块和病变专家库；
所述图像数理模块用于通过自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像灰度图像进行处理，判断叶片是否病变；通过对自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像进行自适应阈值分割算法计算出对应的灰度阈值，并与健康叶片灰度图像的灰度阈值进行比较，判断其是否处于正常的灰度阈值内范围内。
在本实施例中，具体的，所述自适应阈值分割算法为Otsu阈值法；其基于或最大类间方差准则确定分割门限的方法，通过按图像的灰度特性，将图像分为背景和目标两部分，背景和目标之前的类间方差越大，说明构成图像的两个部分的差别越大，当部分目标错位分背景或部分背景错分为目标都会导致两部分差别较小，因此类间方差最大意味着错分概率最小，因此采用遍历方法得到使类间方差最大的阈值，即为对应的目标的阈值。
在本实施例中，如在灰度图像的灰度均值为M，在其中任意选取一个灰度值t，将对应的灰度图像分为两个部分A和B，分别对应前景色和背景色，对应的灰度值平均值即为MA和MB，若A部分里的像素数占总像素数的比例记做PA，B部分里的像素数占总像素数的比例记做PB，则类间方差定义为：
在本实施例中，选取使最佳阈值t，使得图像按照该阈值分成A和B之后，满足两者类间方差最大。
通过自适应阈值分割方法，去除背景色，分别得到叶片的太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像的灰度阈值，并将得到的灰度阈值分别与健康叶片灰度图像的灰度阈值进行比较，若其灰度值在健康叶片灰度图像的灰度阈值范围内，则判断该灰度值对应的灰度图像为正常；如若叶片的太赫兹水分吸收灰度图像的灰度阈值在健康叶片灰度图像的灰度阈值范围内、可见光Lab图像A通道灰度图像的灰度阈值超出健康叶片灰度图像的灰度阈值范围内，则对应叶片的太赫兹水分吸收灰度图像的灰度阈值为正常，可见光Lab图像A通道灰度图像的灰度阈值不正常。本实施例中采用的阈值分割法简单实用，且能够很好的实现分割效果。
在本实施例中，所述健康叶片灰度图像的灰度阈值范围的取值方法包括：取健康叶片灰度图像的灰度值，并以该灰度值为中心阈值，设定上下浮动的波动范围，将此范围设定为健康叶片灰度图像的灰度阈值范围；或
取N个健康叶片，获取其灰度图像的灰度值，统计获得其中最大值与最小值，作为健康叶片灰度图像的灰度阈值范围的上下限。
所述图像处理模块通过预先设定的知识推理算法，诊断植株的病变情况，具体的，在本实施例中，该推理算法包括：
若太赫兹水分吸收灰度图像、可见光Lab图像灰度图像的灰度阈值都正常，则判断无病变；
若太赫兹水分吸收灰度图像的灰度阈值正常，可见光Lab图像灰度图像的灰度阈值不正常，则判断为病变早期；
若太赫兹水分吸收灰度图像的灰度阈值不正常，可见光Lab图像灰度图像的灰度阈值正常，则判断为缺素；
若太赫兹水分吸收灰度图像、可见光Lab图像灰度图像的灰度阈值都不正常，则判断为病变后期。
在本实施例中，所述病变专家库用于提供已知的病变孢子太赫兹图谱与病变类型的对应关系；可通过将已知的病变孢子太赫兹图谱来对应已知病变类型，形成对应关系，利用已知的病变孢子太赫兹图谱来对应已知病毒孢子，并将病毒孢子对应其引发的病变类型，形成对应关系，从而构成病变专家库。
所述病变辨别模块用于采集病变叶片病毒孢子的太赫兹吸收系数图谱，并与病变专家库作比较、拟合，以判断植株的具体病变类型。若叶片诊断为病变叶片，则采集病变叶片病毒孢子的太赫兹吸收系数图谱，并与已知病毒孢子的太赫兹吸收系数图谱作比较、拟合，若匹配到吻合的图谱，则判断对应病毒孢子引发的病变类型为植株的具体病变类型。
作为优选的，还包括光学检测平台3，所述太赫兹仪5、PC机4设于所述光学检测平台3上。
在本实施例中，植株健康辨别装置的控制流程如图3所示：
首先，系统初始化，启动系统后，太赫兹仪5开始工作；
待光谱稳定后，可见光-太赫兹光传感器开始工作，对植株完整叶片进行信息提取，然后通过PC机对信息进行分析行程太赫兹水分吸收灰度图像及可见光Lab图像中A通道灰度图像；
通过自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像灰度图像进行处理，判断可见光图像及太赫兹图像的正常与否；并通过预先设定的知识推理算法，诊断植株的病变情况；
对于病变叶片，提取其病毒孢子，然后采集其孢子的太赫兹吸收系数图，并利用专家系统，将测得的图谱与病变专家库中的图谱做拟合，从而诊断植株的病变类型。
综上所述，本发明提出一种基于可见光-太赫兹光的植株健康辨别方法和装置，利用了太赫兹光谱对于水分的特殊吸收性，植物叶片水分与植物健康的关联特性，植物叶片颜色与植物健康的关联的特性，并将三者相互结合，通过获取太赫兹水分吸收灰度图像及可见光Lab图像灰度图像并判断其是否处于正常灰度阈值内，进而判断叶片是否病变，并通过采集病变叶片病毒孢子的太赫兹吸收系数图谱，与病变专家库进行比较、拟合，判断植株的具体病变类型，其结果更为精准，在病变早期就能察觉；可实现全程自动化作业，无需其他专业人员去辅助，更无须参考书目，图绘等查询，操作便捷，使之更容易推广，且太赫兹能量低，辐射小，快捷无污染，对测量物无损，对人体几乎无影响，操作人员可放心检测。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种植株健康辨别方法，其特征在于，包括：
S1、获取植株完整叶片的太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像；
S2、采用自适应阈值分割法，判断太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像是否处于健康叶片灰度图像的灰度阈值内，基于叶片成像结果与植株病变对应关系，判断叶片是否病变；
S3、采集病变叶片病毒孢子的太赫兹吸收系数图谱，判断植株的具体病变类型。
2.根据权利要求1所述的植株健康辨别方法，其特征在于，所述步骤S2中，通过对自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像进行高斯直方图滤波处理，采用自适应阈值分割算法计算出对应的灰度阈值，并分别与健康叶片灰度图像的灰度阈值进行比较，判断其是否处于正常的灰度阈值范围内。
3.根据权利要求2所述的植株健康辨别方法，其特征在于，所述自适应阈值分割算法为Otsu阈值法。
4.根据权利要求3所述的植株健康辨别方法，其特征在于，所述步骤S2中，基于叶片成像结果与植株病变对应关系，判断叶片是否病变具体包括：
若太赫兹水分吸收灰度图像、可见光Lab图像A通道灰度图像的灰度阈值都正常，则判断无病变；
若太赫兹水分吸收灰度图像的灰度阈值正常，可见光Lab图像A通道灰度图像的灰度阈值不正常，则判断为病变早期；
若太赫兹水分吸收灰度图像的灰度阈值不正常，可见光Lab图像A通道灰度图像的灰度阈值正常，则判断为缺素；
若太赫兹水分吸收灰度图像、可见光Lab图像A通道灰度图像的灰度阈值都不正常，则判断为病变后期。
5.根据权利要求1所述的植株健康辨别方法，其特征在于，所述步骤S3中具体包括：若叶片诊断为病变叶片，则采集病变叶片病毒孢子的太赫兹吸收系数图谱，并与已知病毒孢子的太赫兹吸收系数图谱作比较、拟合，若匹配到吻合的图谱，则判断对应病毒孢子引发的病变类型为植株的具体病变类型。
6.根据权利要求5所述的植株健康辨别方法，其特征在于，所述已知病毒孢子的太赫兹吸收系数图谱为：利用已知的病变孢子太赫兹图谱来对应已知病毒孢子，并将病毒孢子对应其引发的病变类型，形成对应关系。
7.一种植株健康辨别装置，其特征在于，包括太赫兹仪、可见光-太赫兹光传感器和处理器；
所述太赫兹仪用于产生太赫兹光谱信号；
所述可见光-太赫兹光传感器用于随机采集植株的完整叶片的太赫兹水分吸收灰度图像以及可见光Lab图像A通道灰度图像，并传递至处理器；
所述处理器用于判断叶片是否病变，并采集病毒孢子的太赫兹吸收系数图谱，判断植株的具体病变类型。
8.根据权利要求7所述的植株健康辨别装置，其特征在于，还包括作物培育室，所述作物培育室用于放置待辨别植株，所述可见光-太赫兹光传感器设于所述作物培育室侧壁上。
9.根据权利要求7所述的植株健康辨别装置，其特征在于，所述处理器包括图像处理模块、病变辨别模块和病变专家库；
所述图像数理模块用于通过自适应阈值分割法对太赫兹水分吸收灰度图像及可见光Lab图像A通道灰度图像进行处理，判断叶片是否病变；
所述病变专家库用于提供已知的病变孢子太赫兹图谱与病变类型的对应关系；
所述病变辨别模块用于采集病变叶片病毒孢子的太赫兹吸收系数图谱，并与病变专家库作比较、拟合，以判断植株的具体病变类型。
10.根据权利要求7所述的植株健康辨别装置，其特征在于，还包括光学检测平台，所述太赫兹仪、处理器设于所述光学检测平台上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710526982.1A CN107392920B (zh) | 2017-06-30 | 2017-06-30 | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710526982.1A CN107392920B (zh) | 2017-06-30 | 2017-06-30 | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107392920A true CN107392920A (zh) | 2017-11-24 |
| CN107392920B CN107392920B (zh) | 2020-02-14 |
Family
ID=60335018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710526982.1A Active CN107392920B (zh) | 2017-06-30 | 2017-06-30 | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392920B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109187417A (zh) * | 2018-09-18 | 2019-01-11 | 深圳市奥谱太赫兹技术研究院 | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 |
| CN109490243A (zh) * | 2018-12-29 | 2019-03-19 | 深圳职业技术学院 | 在线监测微波冷冻干燥过程中物料外观的系统及监测方法 |
| CN110390359A (zh) * | 2019-01-08 | 2019-10-29 | 电子科技大学 | 一种西藏青稞叶片病变的识别方法 |
| CN110598732A (zh) * | 2019-08-02 | 2019-12-20 | 佛山职业技术学院 | 一种基于图像识别的植物健康检测方法及装置 |
| CN111950351A (zh) * | 2020-06-29 | 2020-11-17 | 北京农业智能装备技术研究中心 | 基于太赫兹和可见光的农机劳损早期诊断巡检系统 |
| CN112529916A (zh) * | 2020-12-18 | 2021-03-19 | 北京航空航天大学 | 一种基于太赫兹视频成像技术的蚕卵发育程度检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473550A (zh) * | 2013-09-23 | 2013-12-25 | 广州中医药大学 | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 |
| CN103955938A (zh) * | 2014-05-15 | 2014-07-30 | 安徽农业大学 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
| CN104089924A (zh) * | 2014-07-10 | 2014-10-08 | 北京农业智能装备技术研究中心 | 基于太赫兹光谱技术设施内植物病害在线预警方法与系统 |
| CN104374733A (zh) * | 2014-11-18 | 2015-02-25 | 北京农业智能装备技术研究中心 | 基于太赫兹光谱技术的纸张含水量无损检测方法与装置 |
| CN106018327A (zh) * | 2016-06-23 | 2016-10-12 | 北京农业信息技术研究中心 | 基于太赫兹波的植物叶片含水量检测方法和系统 |
| CN106384116A (zh) * | 2016-08-29 | 2017-02-08 | 北京农业信息技术研究中心 | 一种基于太赫兹成像的植株叶脉识别方法及装置 |
-
2017
- 2017-06-30 CN CN201710526982.1A patent/CN107392920B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473550A (zh) * | 2013-09-23 | 2013-12-25 | 广州中医药大学 | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 |
| CN103955938A (zh) * | 2014-05-15 | 2014-07-30 | 安徽农业大学 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
| CN104089924A (zh) * | 2014-07-10 | 2014-10-08 | 北京农业智能装备技术研究中心 | 基于太赫兹光谱技术设施内植物病害在线预警方法与系统 |
| CN104374733A (zh) * | 2014-11-18 | 2015-02-25 | 北京农业智能装备技术研究中心 | 基于太赫兹光谱技术的纸张含水量无损检测方法与装置 |
| CN106018327A (zh) * | 2016-06-23 | 2016-10-12 | 北京农业信息技术研究中心 | 基于太赫兹波的植物叶片含水量检测方法和系统 |
| CN106384116A (zh) * | 2016-08-29 | 2017-02-08 | 北京农业信息技术研究中心 | 一种基于太赫兹成像的植株叶脉识别方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| R. GENTE等: "Monitoring the water content of plant leaves with THz time domain spectroscopy", 《2015 40TH INTERNATIONAL CONFERENCE ON INFRARED, MILLIMETER, AND TERAHERTZ WAVES (IRMMW-THZ)》 * |
| 劳东青等: "计算机视觉在作物水分亏缺诊断中的应用进展", 《塔里木大学学报》 * |
| 朱圣盼: "基于计算机视觉技术的植物病害检测方法的研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 缪金虎等: "作物育种学领域新的革命:高通量的表型组学时代", 《植物科学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109187417A (zh) * | 2018-09-18 | 2019-01-11 | 深圳市奥谱太赫兹技术研究院 | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 |
| CN109187417B (zh) * | 2018-09-18 | 2022-05-17 | 深圳市奥谱太赫兹技术研究院 | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 |
| CN109490243A (zh) * | 2018-12-29 | 2019-03-19 | 深圳职业技术学院 | 在线监测微波冷冻干燥过程中物料外观的系统及监测方法 |
| CN110390359A (zh) * | 2019-01-08 | 2019-10-29 | 电子科技大学 | 一种西藏青稞叶片病变的识别方法 |
| CN110598732A (zh) * | 2019-08-02 | 2019-12-20 | 佛山职业技术学院 | 一种基于图像识别的植物健康检测方法及装置 |
| CN111950351A (zh) * | 2020-06-29 | 2020-11-17 | 北京农业智能装备技术研究中心 | 基于太赫兹和可见光的农机劳损早期诊断巡检系统 |
| CN111950351B (zh) * | 2020-06-29 | 2024-03-08 | 北京农业智能装备技术研究中心 | 基于太赫兹和可见光的农机劳损早期诊断巡检系统 |
| CN112529916A (zh) * | 2020-12-18 | 2021-03-19 | 北京航空航天大学 | 一种基于太赫兹视频成像技术的蚕卵发育程度检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107392920B (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392920A (zh) | 一种基于可见光‑太赫兹光的植株健康辨别方法和装置 | |
| CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
| Patil et al. | Leaf disease severity measurement using image processing | |
| US8964171B2 (en) | Identifying and measuring reticulocytes | |
| CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
| CN102621077B (zh) | 基于高光谱反射图像采集系统的玉米种子纯度无损检测方法 | |
| CN101167101A (zh) | 自动图像分析 | |
| Chuang et al. | Automatic X-ray quarantine scanner and pest infestation detector for agricultural products | |
| JPH10505167A (ja) | ラマン分光分析法および蛍光分光分析法を用いて子宮頚前癌を診断するための光学方法および装置 | |
| CN103018180A (zh) | 一种基于多源光信息技术的棉花病害检测方法和装置 | |
| CN106483130B (zh) | 一种水稻病害的检测方法及其自动检测装置 | |
| CN104198325B (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
| CN109187417B (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 | |
| US20080102487A1 (en) | Method and apparatus for non-invasive rapid fungal specie (mold) identification having hyperspectral imagery | |
| CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
| Saranwong et al. | A feasibility study using simplified near infrared imaging to detect fruit fly larvae in intact fruit | |
| CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| CN102565044B (zh) | 基于图像处理的农药残留速测卡检测方法 | |
| CN104036257A (zh) | 基于d-s理论的多源数据融合柑橘黄龙病检测分类方法 | |
| EP1101099A1 (en) | Fiber color grading system | |
| CN102184389B (zh) | 用于心材与边材高色差树种的年轮自动识别方法 | |
| Zhang et al. | Chlorophyll content detection of field maize using RGB-NIR camera | |
| CN107767386B (zh) | 超声图像处理方法及装置 | |
| CN107403181B (zh) | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 | |
| JP2010112799A (ja) | 近赤外分光法による乳房炎診断のための体細胞数閾値探索方法及び装置 |
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 |