CN107454266A - 基于智能手机的作物营养诊断装置与诊断方法 - Google Patents
基于智能手机的作物营养诊断装置与诊断方法 Download PDFInfo
- Publication number
- CN107454266A CN107454266A CN201710748777.XA CN201710748777A CN107454266A CN 107454266 A CN107454266 A CN 107454266A CN 201710748777 A CN201710748777 A CN 201710748777A CN 107454266 A CN107454266 A CN 107454266A
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- crop
- smart mobile
- light shield
- 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.)
- Pending
Links
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 37
- 230000035764 nutrition Effects 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 235000015097 nutrients Nutrition 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 16
- 241000532370 Atla Species 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 210000002268 wool Anatomy 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000000050 nutritive effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 abstract 1
- 230000001228 trophic effect Effects 0.000 abstract 1
- 241000209094 Oryza Species 0.000 description 10
- 235000007164 Oryza sativa Nutrition 0.000 description 10
- 235000009566 rice Nutrition 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- 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 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 239000000618 nitrogen fertilizer Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/52—Details of telephonic subscriber devices including functional features of a camera
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于智能手机的作物营养诊断装置和诊断方法，使用该诊断装置对作物进行营养诊断时，将智能手机固定在两块夹板之间，用遮光罩罩住被摄作物叶片，调节智能手机与装置的相对位置，使手机摄像头正对镜头孔的中心，利用手机拍摄作物叶片；得到作物图像后，通过本发明提供的诊断方法自动对所拍摄图像进行颜色校正、图像分割和营养分析。本发明提出的基于智能手机的作物营养诊断装置与诊断方法，可通过任何装配有摄像头的智能手机进行拍摄、应用方便，并可实时获取诊断结果；拍摄时遮光罩内部提供LED光源和标准色卡，不仅可消除外界环境条件的影响，还可对不同手机和光源造成的色彩失真进行校正，提高营养诊断的准确度。
Description
技术领域
本发明属于作物营养信息无损检测技术领域，具体涉及一种基于智能手机的作物营养诊断装置与诊断方法。
背景技术
现阶段，我国中东部地区在农作物生长过程中普遍存在过量施肥的情况，过量施肥不仅造成肥料浪费，污染环境，还会对作物产生毒害等副作用。及时、准确的获取作物营养状况可以指导肥料的精确施用，减少作物生产中的肥料投入，降低环境风险。通过数字图像和计算机视觉技术可以快速获取作物的营养状况，例如，中国专利CN11289105810B公开了一种基于计算机视觉技术的温室作物水肥胁迫状态识别方法，专利CN111819693B公开了一种快速检测叶片叶绿素含量的方法，专利CN1116043510B公开了一种图像法水稻氮肥施肥推荐方法。这些方法均有效证明了利用图像信息反演作物营养指标，并对作物营养状况进行判断的可行性。但在实际应用中，这些方法还存在应用不便或不能定量分析等缺点，同时，在大田条件下采集图像时，还易受外界光照条件的影响。
发明内容
发明目的：基于以上不足，本发明提出一种便携式拍摄装置，可安装于智能手机上，在大田条件下对作物进行快速、准确的营养诊断。
本发明的另一目的还在于提供一种基于智能手机的作物营养诊断方法。
技术方案：本发明所述的一种基于智能手机的作物营养诊断装置，包括固定夹板、滑动夹板、框架、镜头滑板和遮光罩，固定夹板固定安装于框架的一端，滑动夹板可滑动地安装于框架的另一端，两夹板所在平面平行且均与框架所在平面垂直；镜头滑板平行安装于框架上，并可沿框架所在平面在固定夹板与滑动夹板之间移动，镜头滑板的中心设有第一镜头孔；所述遮光罩为空心圆台状黑色圆筒，其内里为黑色植绒表层，其较小一端为第二镜头孔，与第一镜头孔无缝接合；遮光罩的较大一端为置物孔，用于放置作物叶片。固定夹板、滑动夹板和镜头滑板表面采用防滑材料。
为了提升拍摄效果，要尽量消除外界环境的影响。为此，本发明的作物营养诊断装置还包括LED灯条、24色色卡条、L型遮光板和毛条，其中，LED灯条安装在遮光罩内部距离第二镜头孔一端1/3处，提供均匀的拍摄光源；24色色卡条以环形安装在遮光罩内部距离置物孔一端1/5处，提供针对图像差异的校正参考，24色色卡条中包含三块定位色块和21块校正色块；L型遮光板沿LED灯条上部安装，阻挡灯光直射入第二镜头孔；毛条沿遮光罩置物孔一周安装，阻挡外界光线进入置物孔。
一种基于智能手机的作物营养诊断方法，包括以下步骤：1)将上述作物营养诊断装置安装在智能手机上；2)调节镜头滑板，使手机摄像头处于第一镜头孔的中心位置；3)将被摄作物叶片放置于遮光罩的置物孔中，利用智能手机拍摄作物叶片图像，得到作物叶片图像；4)利用图像分析软件实时分析所拍摄的作物叶片图像，获取作物的营养状况。其中，图像分析软件读取智能手机拍摄的作物叶片图像后，首先利用中值滤波对图像进行降噪处理，并分别对R、G、B三个通道进行二值化处理，并删除占图像大小不足1％的连通区域后更新二值图像；统计R、G、B三个通道的二值图像中的连通区域数量，如不为1，则选择面积最大的连通区域；计算R、G、B三通道所选连通区域距图像中心的最大(Lmax)和最小距离(Lmin)，以及连通区域的长(L)、宽(W)和中心坐标(P)；对比G通道与R、B两通道的Lmax、Lmin、L和W，如果数值偏差大于10％，则从变量中删除G通道的计算值，否则保留该计算值；以R、G、B三通道的平均Lmin和Lmax为半径、图像中心为圆心绘制环形，以R、B通道连通区域的中心为基准，对环形区域进行24等分，并记录各等分的中心坐标；从原始图像中提取相同坐标的环形区域，并标记24等分的中心坐标，按Lmin和Lmax的80％作为选区扩大中心坐标的范围，对环形区域进行分割，并按色卡顺序对各选区进行标记。除去红绿蓝三色定位色块，以其余21色块及其相应的标准值建立多项式回归校正矩阵；以图像中心为圆心，Lmin的80％为半径绘制圆形对原始图像进行分割，并采用阈值法对图像进行分割；利用所建立的校正矩阵对分割后的叶片图像进行颜色校正，并从校正后的叶片图像中提取颜色特征参数；利用特征参数和已建立的模型反演作物叶片的营养指标，对作物的营养状况进行分析判断。
有益效果：本发明提出的一种基于智能手机的作物营养诊断装置与诊断方法，可通过任何装配有摄像头的智能手机进行拍摄。使用时将装置安装在智能手机上，通过智能手机摄像头对作物叶片进行拍摄，进而对作物营养状况进行诊断。该装置便于携带，成本低廉，使用非常方便、快捷。并且装置内部设有LED光源和标准色卡，不仅消除了拍摄时外界环境条件的影响，还对光源和图像采集设备差异造成的颜色失真进行了校正，从而提高营养诊断的准确度。
附图说明
图1是本发明的作物营养诊断装置的结构示意图；
图2利用本发明拍摄作物叶片时的侧视图；
图3是本发明的作物营养诊断装置的仰视图；
图4是利用本发明反演的水稻叶片氮浓度与叶片SPAD值的关系。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
实施例1
如图1-图3所示，一种基于智能手机的作物营养诊断装置，包括固定夹板1、滑动夹板2、框架3、镜头滑板4和遮光罩5；其中，固定夹板1固定安装在框架3的一端，滑动夹板2安装在框架3的另一端，两夹板所在平面平行且均与框架3所在平面垂直，滑动夹板2可沿框架3水平移动；镜头滑板4平行安装于框架3上，位置处于固定夹板1和滑动夹板2之间，镜头滑板4可沿框架3平面平行移动，镜头滑板4中心有第一镜头孔6，第一镜头孔6直径在2cm-4cm之间；遮光罩5为空心圆台状黑色圆筒，其内里为黑色植绒表层，遮光罩5的较小一端为第二镜头孔7，直径在2cm-4cm之间，并可与第一镜头孔6无缝接合，遮光罩5较大一端为置物孔8，直径6cm-8cm之间，用于放置被摄作物叶片13；固定夹板1、滑动夹板2和镜头滑板4表面采用防滑材料。
为了提升拍摄效果，遮光罩5内部安装有LED灯条9和24色色卡条10，LED灯条9采用色温为6500K的LED灯带，沿着遮光罩5内壁一周安装在距离第二镜头孔7一端1/3处，用于在拍照时提供更好的光源；24色色卡条10沿着遮光罩5内壁一周安装在距离置物孔8一端1/5处，针对作物营养诊断的被测物体颜色变化范围，选择Munsell植物组织色卡中的标准色作为校正色，24个色块中包含21个校正色块和3个定位色块，定位色块分别为红色、蓝色、绿色，排列在第1、第9和第17块色块。
此外，在LED灯条9上方安装L型遮光板11，阻挡灯光直射到第二镜头孔7；并沿遮光罩5的置物孔8一端外缘一周安装毛条12，阻挡外部光线进入置物孔8。LED灯条9的工作电压可以通过手机或移动电源来供给，具体地，LED灯条9的一端直接连接Micro-USB接口或Type-C接口，在该Micro-USB或Type-C接口上连接一根相应的OTG(On-The-Go)连接线，使用时将OTG连接线的另一端连接手机充电接口；或者LED灯条9的一端通过USB连接线连接USB接口，使用时将该USB接口连接到移动充电电源的充电接口。
本发明的作物营养诊断装置应用时要与智能手机配合使用。实施时，通过调节滑动夹板2与固定夹板1的相对位置，使得智能手机14固定在固定夹板1与滑动夹板2之间。通过调节镜头滑板4的位置，使手机摄像头正对第二镜头孔7的中心位置。将被摄作物叶片13放置在置物孔8一端，使被摄作物叶片13完全罩在遮光罩5内，并将LED灯条9上的留有的连接线连接到充电接口，打开相应的手机应用软件进行拍摄，并自动对拍摄的作物叶片图像进行处理分析，获取作物的营养状况信息。
该应用软件的主要实现方法与分析流程包括：
1)读取智能手机拍摄的作物叶片图像后，首先利用中值滤波对图像进行降噪处理，并分别对R、G、B三个通道进行二值化处理，删除占图像大小不足1％的连通区域，更新二值图像。具体地，二值化处理所采用的阈值由该通道频率直方图中灰度值取值最大的峰确定。
2)统计R、G、B三个通道的二值图像中的连通区域数量，如不为1，则选择面积最大的连通区域；计算R、G、B三通道所选连通区域距图像中心的最大(Lmax)和最小距离(Lmin)，以及连通区域的长(L)、宽(W)和中心坐标(P)；对比G通道与R、B两通道的Lmax、Lmin、L和W，如果数值偏差大于10％，则从变量中删除G通道的计算值，否则保留该计算值。
3)以R、G、B三通道的平均Lmin和Lmax为半径、图像中心为圆心绘制环形，以R、B通道连通区域的中心为基准，对环形区域进行24等分，并记录各等分的中心坐标。从原始图像中提取相同坐标的环形区域，并标记24等分的中心坐标，按Lmin和Lmax的80％作为选区扩大中心坐标的范围，对环形区域进行分割，并按色卡顺序对各选区进行标记。
4)除去红绿蓝三色定位色块，以其余21色块及其相应的标准值建立多项式回归校正矩阵。具体地，以拍摄图像中的21块校正色块的R、G、B值为实际图像R、G、B值，以21块校正色块在D65光源下的标准R、G、B值为校正目标值，采用项数为10的多项式模型{R、G、B、RG、RB、GB、R2、G2、B2、1}进行回归分析，建立被分析图像的校正矩阵。
5)以图像中心为圆心、Lmin的80％为半径绘制圆形，对原始图像进行分割，并采用阈值法对图像进行分割。具体地，首先对图像中的绿色通道和红色通道做减运算(G-R)，再设定阈值为15对G-R的结果进行分割，以G-R值≥15的区域作为图像叶片区域。
6)利用步骤4)所建立的校正矩阵对分割后的叶片图像进行颜色校正，并从校正后的叶片图像中提取颜色特征参数。具体地，颜色特征参数包含CIE RGB、CIE L*a*b*、CIELUV、HSV等颜色空间的基本值，和基本值之间的比值与RGB颜色空间的标准化值R/(R+G+B)、G/(R+G+B)和B/(R+G+B)。
7)利用叶片图像中提取的特征参数和已建立的营养诊断模型反演作物叶片的营养指标，对作物的营养状况进行分析判断。具体地，营养诊断模型通过前期试验研究建立，例如：利用该装置拍摄水稻叶片并按上述步骤提取叶片颜色特征参数；同时对水稻叶片进行破坏性取样，利用化学分析的方法测试水稻叶片中的叶绿素含量或氮、磷、钾等元素含量；将化学分析测试的指标与叶片颜色特征参数间进行回归分析，选取与化学分析测试的指标间相关性好的特征参数建立回归模型，作为水稻的营养诊断模型。
实施例2
基于智能手机的作物营养诊断装置效果验证
本实施例基于大田氮肥梯度试验，试验设置于江苏省农博园，共设有5个不同氮肥施用量的处理，3次重复，供试品种为南粳46。稻季各处理氮肥施用量分别为0、80、160、240、320kg hm-2，磷、钾肥施用量分别为40、80kg hm-2。
在水稻拔节期，将作物营养诊断装置安装于华为P9型智能手机上(手机拍照设置全部采用标准，禁用优化选项)，以黑色植绒布作为背景，在田间对水稻叶片进行拍摄并利用软件处理分析得到叶片含氮量；同时，利用便携式叶绿素仪(SPAD-502)测试相同叶片的相对叶绿素含量；对两组数据进行回归分析，如图4所示，决定系数达到0.88，由图像参数反演的叶片含氮量的均方根误差仅为1.44g kg-1。
Claims (9)
1.一种基于智能手机的作物营养诊断装置，其特征在于：包括固定夹板(1)、滑动夹板(2)、框架(3)、镜头滑板(4)和遮光罩(5)，其中，
所述固定夹板(1)固定安装于框架(3)的一端，所述滑动夹板(2)可滑动地安装于框架(3)的另一端，固定夹板(1)和滑动夹板(2)所在平面平行且均与框架(3)所在平面垂直；
所述镜头滑板(4)平行安装于框架(3)上，并可沿框架(3)所在平面在固定夹板(1)与滑动夹板(2)之间移动，镜头滑板(4)的中心设有第一镜头孔(6)；
所述遮光罩(5)的第一端与第一镜头孔(6)无缝接合，遮光罩(5)的第二端用于放置作物叶片。
2.根据权利要求1所述的基于智能手机的作物营养诊断装置，其特征在于：所述遮光罩(5)为空心圆台状黑色圆筒，其圆周较小的一端为第二镜头孔(7)，与第一镜头孔(6)无缝接合；遮光罩(5)的圆周较大的一端为置物孔(8)，用于放置作物叶片。
3.根据权利要求2所述的基于智能手机的作物营养诊断装置，其特征在于：所述第一镜头孔(6)和第二镜头孔(7)是尺寸一致的圆孔，直径范围在2cm-4cm之间，所述置物孔(8)的直径范围在6cm-8cm之间。
4.根据权利要求2所述的基于智能手机的作物营养诊断装置，其特征在于：所述置物孔(8)一周安装有毛条(12)。
5.根据权利要求2所述的基于智能手机的作物营养诊断装置，其特征在于：所述遮光罩(5)内部安装有LED灯条(9)和24色色卡条(10)，LED灯条(9)绕遮光罩(5)内表面一圈安装于靠近第二镜头孔(7)一端，24色色卡条(10)绕遮光罩(5)内表面一圈安装于靠近置物孔(8)一端，24色色卡条(10)中包含有用于定位的标记色块。
6.根据权利要求5所述的基于智能手机的作物营养诊断装置，其特征在于：所述LED灯条(9)上方安装有L型遮光板(11)。
7.根据权利要求1-6中的任一项所述的基于智能手机的作物营养诊断装置，其特征在于：所述固定夹板(1)、滑动夹板(2)和镜头滑板(4)的表面采用防滑材料。
8.一种利用权利要求1-7中的任一项所述的作物营养诊断装置进行营养诊断的方法，其特征在于：包括以下步骤：
1)调节滑动夹板(2)与固定夹板(1)的相对位置，使得智能手机(14)固定在固定夹板(1)与滑动夹板(2)之间；
2)调节镜头滑板(4)的位置，使得手机摄像头正对遮光罩(5)的第一端的中心位置；
3)将被摄作物叶片(13)放置在遮光罩(5)的第二端，使被摄作物叶片(13)完全罩在遮光罩5内；
4)打开相应的手机应用软件进行拍摄，获取拍摄的作物叶片图像；
5)对拍摄的作物叶片图像进行处理分析，获取作物的营养状况信息。
9.根据权利要求8所述的基于智能手机的作物营养诊断方法，其特征在于：步骤5)具体包括以下步骤：
5.1)利用中值滤波对图像进行降噪处理，并分别对R、G、B三个通道进行二值化处理，并删除占图像大小不足1％的连通区域，更新二值图像；
5.2)统计R、G、B三个通道的二值图像中的连通区域数量，如不为1，则选择面积最大的连通区域；
5.3)计算R、G、B三通道所选连通区域距图像中心的最大距离(Lmax)和最小距离(Lmin)，以及连通区域的长(L)、宽(W)和中心坐标(P)；
5.4)对比G通道与R、B两通道的Lmax、Lmin、L和W，如果数值偏差大于10％，则从变量中删除G通道的计算值，否则保留该计算值；
5.5)以R、G、B三通道的平均最小距离和平均最大距离为半径、图像中心为圆心绘制环形，以R、B通道连通区域的中心为基准，对环形区域进行等分，并记录各等分的中心坐标；
5.6)从原始图像中提取相同坐标的环形区域，并标记各等分的中心坐标，按平均最小距离和平均最大距离的80％作为选区扩大中心坐标的范围，对环形区域进行分割，并对各选区进行标记；
5.7)除去红绿蓝三色定位色块，以其余色块及其相应的标准值建立多项式回归校正矩阵；
5.8)以图像中心为圆心、平均最小距离的80％为半径绘制圆形，对原始图像进行分割，并采用阈值法对图像进行分割；
5.9)利用所建立的校正矩阵对分割后的叶片图像进行颜色校正，并从校正后的叶片图像中提取颜色特征参数；
5.10)利用特征参数和已建立的模型反演作物叶片的营养指标，对作物的营养状况进行分析判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710748777.XA CN107454266A (zh) | 2017-08-28 | 2017-08-28 | 基于智能手机的作物营养诊断装置与诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710748777.XA CN107454266A (zh) | 2017-08-28 | 2017-08-28 | 基于智能手机的作物营养诊断装置与诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107454266A true CN107454266A (zh) | 2017-12-08 |
Family
ID=60493294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710748777.XA Pending CN107454266A (zh) | 2017-08-28 | 2017-08-28 | 基于智能手机的作物营养诊断装置与诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107454266A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741357A (zh) * | 2018-12-19 | 2019-05-10 | 浙江大学 | 一种基于图像处理的油菜花序计数方法和装置 |
| 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 |
| CN113390870A (zh) * | 2021-05-25 | 2021-09-14 | 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 |
| WO2022165640A1 (zh) * | 2021-02-02 | 2022-08-11 | 任氏电子工业股份有限公司 | 颜色分析的系统和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200743478A (en) * | 2006-05-17 | 2007-12-01 | Univ Chung Yuan Christian | Image recording system and monitoring method for the color variation of skin surface |
| CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
| CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
| CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
| CN106769944A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 基于图像的双波长植物叶片叶绿素含量检测方法和装置 |
| CN207166587U (zh) * | 2017-08-28 | 2018-03-30 | 江苏农林职业技术学院 | 基于智能手机的作物营养诊断装置 |
-
2017
- 2017-08-28 CN CN201710748777.XA patent/CN107454266A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200743478A (en) * | 2006-05-17 | 2007-12-01 | Univ Chung Yuan Christian | Image recording system and monitoring method for the color variation of skin surface |
| CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
| CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
| CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
| CN106769944A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 基于图像的双波长植物叶片叶绿素含量检测方法和装置 |
| CN207166587U (zh) * | 2017-08-28 | 2018-03-30 | 江苏农林职业技术学院 | 基于智能手机的作物营养诊断装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741357A (zh) * | 2018-12-19 | 2019-05-10 | 浙江大学 | 一种基于图像处理的油菜花序计数方法和装置 |
| 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 |
| WO2022165640A1 (zh) * | 2021-02-02 | 2022-08-11 | 任氏电子工业股份有限公司 | 颜色分析的系统和方法 |
| CN113390870A (zh) * | 2021-05-25 | 2021-09-14 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107454266A (zh) | 基于智能手机的作物营养诊断装置与诊断方法 | |
| Zhou et al. | Color retinal image enhancement based on luminosity and contrast adjustment | |
| CN109470179B (zh) | 一种大规模水耕蔬菜长势检测系统及方法 | |
| CN104132897B (zh) | 一种基于手持设备的植物叶片含氮量测量方法和装置 | |
| CN108024107A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN107730493A (zh) | 产品颜色差异检测方法、装置、介质以及计算机设备 | |
| CN104749134A (zh) | 一种检测叶菜类作物冠层水分含量的方法 | |
| CN109540894A (zh) | 一种烤烟烟叶成熟度无损快速检测方法 | |
| CN105975896A (zh) | 图像处理装置以及图像处理方法 | |
| CN105842245B (zh) | 一种评估水稻产量的方法 | |
| CN103278503A (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN103942555A (zh) | 一种植物氮素含量丰缺图像检测方法 | |
| CN106683092B (zh) | 测算蓝莓树冠郁闭度的装置和方法 | |
| CN207166587U (zh) | 基于智能手机的作物营养诊断装置 | |
| CN113439870B (zh) | 一种雪茄烟外观分类方法及装置 | |
| CN107411713A (zh) | 基于rgb模式下头颈外科皮瓣颜色量化的方法 | |
| CN106023235A (zh) | 一种农作物有效籽粒个数测量的方法 | |
| CN110702615B (zh) | 一种彩色数码透射显微镜颜色校正方法 | |
| CN111199545B (zh) | 一种基于机器视觉鉴别初烤烟叶颜色的方法 | |
| CN112098415A (zh) | 一种杨梅品质无损检测方法 | |
| CN108176712A (zh) | 一种盐碱地土壤污染的修复方法及系统 | |
| CN110251084A (zh) | 一种基于人工智能的舌像检测与识别方法 | |
| CN115443826A (zh) | 一种用于健苗培育的精细化光调控方法及系统 | |
| CN110726536B (zh) | 一种彩色数码反射显微镜颜色校正方法 | |
| CN105893943A (zh) | 一种油位检测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |