CN107727010A - 一种测量农作物叶面积指数的方法 - Google Patents
一种测量农作物叶面积指数的方法 Download PDFInfo
- Publication number
- CN107727010A CN107727010A CN201711045855.6A CN201711045855A CN107727010A CN 107727010 A CN107727010 A CN 107727010A CN 201711045855 A CN201711045855 A CN 201711045855A CN 107727010 A CN107727010 A CN 107727010A
- Authority
- CN
- China
- Prior art keywords
- top view
- infrared image
- leaf area
- area index
- computation model
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
- G01B11/285—Measuring arrangements characterised by the use of optical techniques for measuring areas using photoelectric detection means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种测量农作物叶面积指数的方法,包括对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;根据采集到的农作物的顶视冠层红外图像利用所述校正后的叶面积指数计算模型确定所述农作物的叶面积指数。本发明提供的测量农作物叶面积指数的方法,首先建立叶面积指数计算模型,并对该叶面积指数计算模型进行校正,然后根据采集到的农作物的顶视冠层红外图像利用所述校正后的叶面积指数计算模型确定所述农作物的叶面积指数,该方法受测量环境的影响较小,测量结果更加精确。
Description
技术领域
本发明涉及农业信息技术领域,尤其涉及一种测量农作物叶面积指数的方法。
背景技术
叶面积指数(leaf area index,简称LAI)影响作物光合辐射截获量,水分的吸收,潜热和感热通量,地表生态系统与大气的CO2交换。在一些作物生长模型中,LAI也是重要输入参数和条件变量。LAI是光子-植被互作冠层辐射传输模型的决定因素,在遥感数据同化中,它已被作为冠层反射与作物生长模型的关键联系。测量作物整个生育时期的LAI指数时间变化规律,有助于作物产量、生物量预测模型的校正。
LAI获取方法主要分为直接法和间接法两类,所谓直接法就是对直接组成部分进行量测,通常采用格点法,格点法是将在采样区域植株上采集到的叶片平摊在水平面上,在叶片上覆盖一块透明方格纸,然后统计在叶内的格点数和叶边缘的格点数计算叶片的面积,不足半格者不计,超过半格者按一格记,最后合计叶片所占的总格数作为叶面积,通过计算出的叶面积计算LAI。间接方法是用一些测量参数或用光学仪器得到叶面积指数,测量方便快捷,但仍需要用直接方法所得结果进行校正,其中半球图像法通过冠层半球图像的冠层孔隙度计算冠层LAI,同时还能获取作物形态、密度、生育时期等长势长相数据,这种图像分析系统通常由鱼眼镜头、数码相机、冠层图像分析软件和数据处理器组成。其原理是通过鱼眼镜头和数码相机获取冠层图像,利用软件对冠层图像进行分析,计算太阳辐射透过系数、冠层空隙大小、间隙率参数等,进而推算有效叶面积指数。
但是,格点法需要大范围的破坏性采样,消耗大量人力物力,测量指标主观依赖性强。半球图像法对测试环境要求较高,需要测量时需要均一的光环境,如黎明、黄昏、阴天等,晴天会使鱼眼镜头低估或者高估太阳辐射或散射,并且需要对图形进行后期处理和分析,通过实验确定合适的图像二值化阈值,最终得到的LAI的测量结果准确性较低。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种测量农作物叶面积指数的方法,解决了现有技术中LAI的测量结果受测量环境影响较大,测量结果准确性较低的技术问题。
(二)技术方案
为了解决上述技术问题,一方面,本发明提供一种测量农作物叶面积指数的方法,包括:
对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
进一步地,所述叶面积指数计算模型包含顶视冠层红外图像的冠层孔隙度P0和常数a,其中,所述常数a是需要校正的参数。
进一步地,所述叶面积指数计算模型为:
LAI=-a*ln(P0)
其中,LAI为叶面积指数,P0为顶视冠层红外图像的冠层孔隙度,a为常数。
进一步地,所述对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型具体为:
分别测量农作物的N个采样区域的叶面积指数LAI,并分别根据每个采样区域的顶视冠层红外图像计算每个采样区域的顶视冠层红外图像的冠层孔隙度P0,获取N组校正数据,每组校正数据包括每个采样区域对应的叶面积指数LAI和顶视冠层红外图像的冠层孔隙度P0;
将所述N组校正数据输入至所述叶面积指数计算模型LAI=-a*ln(P0),利用最小二乘法对常数a的数值进行计算,获得校正后的常数a的数值;
将所述校正后的常数a的数值输入至所述叶面积指数计算模型LAI=-a*ln(P0),输出校正后的叶面积指数计算模型;
其中,N为正整数。
进一步地,所述将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数具体为:
根据农作物的顶视冠层红外图像计算农作物的顶视冠层红外图像的冠层孔隙度P0;
将所述农作物的顶视冠层红外图像的冠层孔隙度P0输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
进一步地,所述分别根据每个采样区域的顶视冠层红外图像计算每个采样区域的顶视冠层红外图像的冠层孔隙度P0具体包括:
根据所述采样区域的顶视冠层红外图像确定采样区域的顶视冠层红外图像的直方图;
根据所述采样区域的顶视冠层红外图像的直方图确定非植株像素对应的正态分布函数,所述采样区域的顶视冠层红外图像的像素包括非植株像素和植株像素;
通过预设概率值和所述正态分布函数确定图像二值化阈值,所述预设概率值为以所述图像二值化阈值对所述采样区域的顶视冠层红外图像进行分割时的正确率;
统计所述采样区域的顶视冠层红外图像中像素值小于所述图像二值化阈值的所有像素的数量累积量,获得所述采样区域的顶视冠层红外图像中的非植株像素数量Ps;
根据所述非植株像素数量Ps,计算所述采样区域的顶视冠层红外图像的冠层孔隙度P0。
进一步地,所述根据所述非植株像素数量Ps计算所述采样区域的顶视冠层红外图像的冠层孔隙度P0具体为:
其中,P0为顶视冠层红外图像的冠层孔隙度,Ps为顶视冠层红外图像中非植株像素数量,Pt为顶视冠层红外图像中总像素数量。
另一方面,本发明提供一种测量农作物叶面积指数的装置,包括:
校正模块,用于对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
计算模块,用于将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
再一方面,本发明提供一种用于测量农作物叶面积指数的电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述的方法。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
(三)有益效果
本发明提供的测量农作物叶面积指数的方法,首先建立叶面积指数计算模型,并对该叶面积指数计算模型进行校正,然后根据采集到的农作物的顶视冠层红外图像利用所述校正后的叶面积指数计算模型确定所述农作物的叶面积指数,该方法受测量环境的影响较小,测量结果更加精确。
附图说明
图1为依照本发明实施例的测量农作物叶面积指数的方法示意图;
图2为依照本发明实施例的采集到的玉米的顶视冠层红外图像;
图3为依照本发明实施例的玉米的顶视冠层红外图像的直方图;
图4为依照本发明实施例的玉米整个生育时期内叶面积指数变化趋势曲线图;
图5为依照本发明实施例的测量农作物叶面积指数的装置示意图;
图6为本发明实施例提供的用于测量农作物叶面积指数的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
图1为依照本发明实施例的测量农作物叶面积指数的方法示意图,如图1所示,本发明实施例提供一种测量农作物叶面积指数的方法包括:
步骤S10、对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
步骤S20、将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
具体的,首先建立叶面积指数计算模型,并对该叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型。
然后,通过近红外图像采集设备采集农作物的顶视冠层红外图像,即利用近红外图像采集设备从农作物的上方采集到的图像,根据顶视冠层红外图像利用校正后的叶面积指数计算模型确定农作物的叶面积指数。
进一步地,所述叶面积指数计算模型包含顶视冠层红外图像的冠层孔隙度P0和常数a,其中,所述常数a是需要校正的参数。
具体的,叶面积指数计算模型包含顶视冠层红外图像的冠层孔隙度P0和常数a,其中,冠层孔隙度P0是对农作物的顶视冠层红外图像进行处理计算得到的,常数a是需要校正的参数。
进一步地,所述叶面积指数计算模型为:
LAI=-a*ln(P0)
其中,LAI为叶面积指数,P0为顶视冠层红外图像的冠层孔隙度,a为常数。
具体的,建立的叶面积指数计算模型为一泊松模型,用公式表示为LAI=-a*ln(P0),其中,LAI为叶面积指数,P0为顶视冠层红外图像的冠层孔隙度,a为常数。
进一步地,所述对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型具体为:
分别测量农作物的N个采样区域的叶面积指数LAI,并分别根据每个采样区域的顶视冠层红外图像计算每个采样区域的顶视冠层红外图像的冠层孔隙度P0,获取N组校正数据,每组校正数据包括每个采样区域对应的叶面积指数LAI和顶视冠层红外图像的冠层孔隙度P0;
将所述N组校正数据输入至所述叶面积指数计算模型LAI=-a*ln(P0),利用最小二乘法对常数a的数值进行计算,获得校正后的常数a的数值;
将所述校正后的常数a的数值输入至所述叶面积指数计算模型LAI=-a*ln(P0),输出校正后的叶面积指数计算模型;
其中,N为正整数。
具体的,首先,对叶面积指数计算模型中的常数a进行校正,获得常数a的值需要通过直接法分别测量农作物的N个采样区域的LAI,然后用近红外图像采集设备对应采集每个采样区域的顶视冠层红外图像,并分别根据每个采样区域的顶视冠层红外图像计算每个采样区域的顶视冠层红外图像的冠层孔隙度P0,获取N组校正数据,每组校正数据包括每个采样区域对应的叶面积指数LAI和顶视冠层红外图像的冠层孔隙度P0,将这N组校正数据分别带入叶面积指数计算模型LAI=-a*ln(P0)中,输出N个常数a的数值,再根据所述N个常数a的数值利用最小二乘法对常数a的数值进行计算,获得校正后的常数a的数值。
叶面积指数计算模型中包含顶视冠层红外图像的冠层孔隙度P0和常数a,其中,冠层孔隙度P0是对农作物的顶视冠层红外图像进行处理计算得到的,常数a是需要校正的参数。然后将上述获得的校正后的常数a的值带入到叶面积指数计算模型LAI=-a*ln(P0)中,就可得到了校正后的叶面积指数计算模型。
进一步地,所述将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数具体为:
根据农作物的顶视冠层红外图像计算农作物的顶视冠层红外图像的冠层孔隙度P0;
将所述农作物的顶视冠层红外图像的冠层孔隙度P0输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
具体的,经过对叶面积指数计算模型LAI=-a*ln(P0)进行校正后,常数a的值已经得到,只需要根据采集到的农作物的顶视冠层红外图像计算农作物的顶视冠层红外图像的冠层孔隙度P0,然后将计算出来的农作物的顶视冠层红外图像的冠层孔隙度P0带入校正后的叶面积指数计算模型中,即可得出农作物的叶面积指数。
进一步地,所述分别根据每个采样区域的顶视冠层红外图像计算每个采样区域的顶视冠层红外图像的冠层孔隙度P0具体包括:
根据所述采样区域的顶视冠层红外图像确定采样区域的顶视冠层红外图像的直方图;
根据所述采样区域的顶视冠层红外图像的直方图确定非植株像素对应的正态分布函数,所述采样区域的顶视冠层红外图像的像素包括非植株像素和植株像素;
通过预设概率值和所述正态分布函数确定图像二值化阈值,所述预设概率值为以所述图像二值化阈值对所述采样区域的顶视冠层红外图像进行分割时的正确率;
统计所述采样区域的顶视冠层红外图像中像素值小于所述图像二值化阈值的所有像素的数量累积量,获得所述采样区域的顶视冠层红外图像中的非植株像素数量Ps;
根据所述非植株像素数量Ps,计算所述采样区域的顶视冠层红外图像的冠层孔隙度P0。
具体的,图2为依照本发明实施例的采集到的玉米的顶视冠层红外图像,图3为依照本发明实施例的玉米的顶视冠层红外图像的直方图,健康绿色植物在近红外波段的光谱特征是反射率高(45%-50%),透过率高(45%-50%),吸收率低(<5%)。根据采集到的玉米的顶视冠层红外图像即可得到玉米的顶视冠层红外图像的直方图,如图3所示,在顶视冠层红外图像上,绿色植株和土壤背景灰度差异大,得到的直方图呈现双峰分布,分界较为明显,其中,直方图的横坐标为灰度值,纵坐标表示该灰度值的累积量,由于非植株背景(土壤背景)的颜色较暗,灰度值较小,灰度值较小一侧山峰对应的像素点大部分是非植株像素,玉米(农作物)叶片的颜色较亮,灰度值较大,灰度值较大一侧山峰对应的像素点大部分是植株像素,但是两个山峰相连在一起,有部分像素重叠。背景像素点灰度值属于大量随机样本,在直方图中的灰度值较小一侧山峰形状上符合某一正态分布函数,若将背景像素点灰度值视为连续随机变量,该正态分布函数的概率密度函数为:
然后直方图中的灰度值较小一侧山峰峰值对应的像素值记为正态分布函数的均值μ,在根据直方图中的灰度值较小一侧山峰上的多个像素值和该像素值对应的像素数量累积量即可确定正态分布函数的标准差σ,从而确定该正态分布函数的概率密度函数。
通过预设概率值和所述正态分布函数确定图像二值化阈值TR,所述预设概率值为以所述图像二值化阈值对所述采样区域的顶视冠层红外图像进行分割时的正确率,即以所述图像二值化阈值对所述顶视冠层红外图像进行二值化处理时非植株像素能够被正确分割的概率值。例如,当预设概率值为97.5%时,即图像二值化阈值TR满足超过97.5%的背景像素能够被正确分割,则通过概率的计算方法可得,P{|x-μ|<2σ}≈0.9545,TL是像素数量累计为μ累积量的0.05时的像素值,TR为TL相对于μ的镜像值,即TR=2μ-TL,TR即为图像二值化阈值。直方图中到TR的像素累计数即为Ps。
统计采样区域的顶视冠层红外图像中像素值小于图像二值化阈值TR的所有像素数量累积量,即可获得采样区域的顶视冠层红外图像中的非植株像素数量Ps。
最后根据非植株像素数量Ps,计算采样区域的顶视冠层红外图像的冠层孔隙度P0。
进一步地,所述根据所述非植株像素数量Ps计算所述顶视冠层红外图像的冠层孔隙度P0具体为:
其中,P0为顶视冠层红外图像的冠层孔隙度,Ps为顶视冠层红外图像中非植株像素数量,Pt为顶视冠层红外图像中总像素数量。
下面以玉米为例,对本发明实施例的方案做进一步地说明:
通过直接法测量30个采样区域的玉米冠层LAI值,同时使用红外相机采集每个采样区域的顶视冠层红外图像并计算采样区域的顶视冠层红外图像的冠层孔隙度P0,通过叶面积指数计算模型LAI=-a*ln(P0)使用最小二乘法计算得到a为1.81。即得到校正后的叶面积指数计算模型为LAI=-1.81*ln(P0)。
当需要测量玉米的LAI值时,只需要采集待测玉米的顶视冠层红外图像并计算待测玉米的顶视冠层红外图像的冠层孔隙度P0,然后将冠层孔隙度P0带入校正后的叶面积指数计算模型为LAI=-1.81*ln(P0)即可得到玉米的LAI值。
使用红外相机在玉米冠层顶部垂直向下连续获取冠层图像,在整个生育时期内每天获取1幅,计算冠层孔隙度P0,带入校正后的叶面积指数计算模型为LAI=-1.81*ln(P0),得到整个生育时期内玉米冠层叶面积指数值,并绘制动态变化趋势曲线如图4所示,通过玉米整个生育时期内叶面积指数变化趋势曲线可以更好的对玉米进行相关的研究。
本发明提供的测量农作物叶面积指数的方法,首先建立叶面积指数计算模型,并对该叶面积指数计算模型进行校正,然后根据采集到的农作物的顶视冠层红外图像利用所述校正后的叶面积指数计算模型确定所述农作物的叶面积指数,该方法受测量环境的影响较小,测量结果更加精确。
实施例2:
本实施例与实施例1中的测量农作物叶面积指数的方法相对应的装置实施例,该装置用来实现上述实施例1中的测量农作物叶面积指数的方法。
图5为依照本发明实施例的测量农作物叶面积指数的装置示意图,如图5所示,本发明实施例提供一种测量农作物叶面积指数的装置包括校正模块10和计算模块20,其中,校正模块10用于对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
计算模块20用于将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
具体的,首先建立叶面积指数计算模型,并通过校正模块10对该叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型。
然后,通过近红外图像采集设备采集农作物的顶视冠层红外图像,即利用近红外图像采集设备从农作物的上方采集到的图像,由计算模块20将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
实施例3:
图6为本发明实施例提供的用于测量农作物叶面积指数的电子设备的结构示意图,如图6所示,所述设备包括:处理器(processor)801、存储器(memory)802和总线803;
其中,处理器801和存储器802通过所述总线803完成相互间的通信;
处理器801用于调用存储器802中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
实施例4:
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
实施例5:
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种测量农作物叶面积指数的方法,其特征在于,包括:
对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
2.根据权利要求1所述的方法,其特征在于,所述叶面积指数计算模型包含顶视冠层红外图像的冠层孔隙度P0和常数a,其中,所述常数a是需要校正的参数。
3.根据权利要求2所述的方法,其特征在于,所述叶面积指数计算模型为:
LAI=-a*ln(P0)
其中,LAI为叶面积指数,P0为顶视冠层红外图像的冠层孔隙度,a为常数。
4.根据权利要求3所述的方法,其特征在于,所述对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型具体为:
分别测量农作物的N个采样区域的叶面积指数LAI,并分别根据每个采样区域的顶视冠层红外图像计算每个采样区域的顶视冠层红外图像的冠层孔隙度P0,获取N组校正数据,每组校正数据包括每个采样区域对应的叶面积指数LAI和顶视冠层红外图像的冠层孔隙度P0;
将所述N组校正数据输入至所述叶面积指数计算模型LAI=-a*ln(P0),利用最小二乘法对常数a的数值进行计算,获得校正后的常数a的数值;
将所述校正后的常数a的数值输入至所述叶面积指数计算模型LAI=-a*ln(P0),输出校正后的叶面积指数计算模型;
其中,N为正整数。
5.根据权利要求1所述的方法,其特征在于,所述将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数具体为:
根据农作物的顶视冠层红外图像计算农作物的顶视冠层红外图像的冠层孔隙度P0;
将所述农作物的顶视冠层红外图像的冠层孔隙度P0输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
6.根据权利要求4所述的方法,其特征在于,所述分别根据每个采样区域的顶视冠层红外图像计算每个采样区域的顶视冠层红外图像的冠层孔隙度P0具体包括:
根据所述采样区域的顶视冠层红外图像确定采样区域的顶视冠层红外图像的直方图;
根据所述采样区域的顶视冠层红外图像的直方图确定非植株像素对应的正态分布函数,所述采样区域的顶视冠层红外图像的像素包括非植株像素和植株像素;
通过预设概率值和所述正态分布函数确定图像二值化阈值,所述预设概率值为以所述图像二值化阈值对所述采样区域的顶视冠层红外图像进行分割时的正确率;
统计所述采样区域的顶视冠层红外图像中像素值小于所述图像二值化阈值的所有像素的数量累积量,获得所述采样区域的顶视冠层红外图像中的非植株像素数量Ps;
根据所述非植株像素数量Ps,计算所述采样区域的顶视冠层红外图像的冠层孔隙度P0。
7.根据权利要求6所述的方法,其特征在于,所述根据所述非植株像素数量Ps计算所述采样区域的顶视冠层红外图像的冠层孔隙度P0具体为:
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
</mfrac>
</mrow>
其中,P0为顶视冠层红外图像的冠层孔隙度,Ps为顶视冠层红外图像中非植株像素数量,Pt为顶视冠层红外图像中总像素数量。
8.一种测量农作物叶面积指数的装置,其特征在于,包括:
校正模块,用于对叶面积指数计算模型进行校正,获得校正后的叶面积指数计算模型;
计算模块,用于将农作物的顶视冠层红外图像输入至所述校正后的叶面积指数计算模型,输出所述农作物的叶面积指数。
9.一种用于测量农作物叶面积指数的电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711045855.6A CN107727010A (zh) | 2017-10-31 | 2017-10-31 | 一种测量农作物叶面积指数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711045855.6A CN107727010A (zh) | 2017-10-31 | 2017-10-31 | 一种测量农作物叶面积指数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107727010A true CN107727010A (zh) | 2018-02-23 |
Family
ID=61203421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711045855.6A Pending CN107727010A (zh) | 2017-10-31 | 2017-10-31 | 一种测量农作物叶面积指数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107727010A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272416A (zh) * | 2018-10-13 | 2019-01-25 | 莫彪 | 一种大棚农作物种植系统 |
CN110006900A (zh) * | 2019-04-23 | 2019-07-12 | 中国农业科学院棉花研究所 | 植物冠层光合有效辐射截获率获取方法、装置及设备 |
CN110326600A (zh) * | 2019-08-01 | 2019-10-15 | 山东农业大学 | 一种风速调控装置及方法 |
CN111238416A (zh) * | 2020-02-13 | 2020-06-05 | 西南交通大学 | 基于辐射传输路径长度改正的山地叶面积指数测量方法 |
CN111402322A (zh) * | 2020-04-07 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种中分辨率叶面积指数产品的校正方法及装置 |
CN111966952A (zh) * | 2020-07-21 | 2020-11-20 | 电子科技大学 | 一种叶面积指数数据过滤方法 |
CN112444208A (zh) * | 2020-11-27 | 2021-03-05 | 中国科学院海洋研究所 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
CN112465893A (zh) * | 2020-11-05 | 2021-03-09 | 内蒙古工业大学 | 一种植被叶片面积测量方法、装置、终端及存储介质 |
CN113269796A (zh) * | 2021-06-10 | 2021-08-17 | 河北地质大学 | 一种图像分割方法、装置及终端设备 |
CN114862069A (zh) * | 2022-07-07 | 2022-08-05 | 成都信息工程大学 | 预测模型构建方法、预测方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200457A (zh) * | 2014-07-21 | 2014-12-10 | 华南农业大学 | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 |
CN104236486A (zh) * | 2014-09-25 | 2014-12-24 | 中国农业科学院棉花研究所 | 一种棉花叶面积指数快速无损测定方法 |
CN104359427A (zh) * | 2014-11-25 | 2015-02-18 | 东北林业大学 | 提高植物冠层分析仪测量叶面积指数季节变化精度的方法 |
-
2017
- 2017-10-31 CN CN201711045855.6A patent/CN107727010A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200457A (zh) * | 2014-07-21 | 2014-12-10 | 华南农业大学 | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 |
CN104236486A (zh) * | 2014-09-25 | 2014-12-24 | 中国农业科学院棉花研究所 | 一种棉花叶面积指数快速无损测定方法 |
CN104359427A (zh) * | 2014-11-25 | 2015-02-18 | 东北林业大学 | 提高植物冠层分析仪测量叶面积指数季节变化精度的方法 |
Non-Patent Citations (3)
Title |
---|
余珊珊 等: ""利用夜间热红外数据求取玉米冠层孔隙率", 《遥感学报》 * |
朱秀昌 等: "《数字图像处理与图像通信》", 31 August 2016, 北京邮电大学出版社 * |
阎广建 等: "叶面积指数间接测量方法", 《遥感学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272416A (zh) * | 2018-10-13 | 2019-01-25 | 莫彪 | 一种大棚农作物种植系统 |
CN109272416B (zh) * | 2018-10-13 | 2022-06-03 | 临沂确信软件技术有限公司 | 一种大棚农作物种植系统 |
CN110006900A (zh) * | 2019-04-23 | 2019-07-12 | 中国农业科学院棉花研究所 | 植物冠层光合有效辐射截获率获取方法、装置及设备 |
CN110326600A (zh) * | 2019-08-01 | 2019-10-15 | 山东农业大学 | 一种风速调控装置及方法 |
CN110326600B (zh) * | 2019-08-01 | 2023-10-20 | 山东农业大学 | 一种风速调控装置及方法 |
CN111238416B (zh) * | 2020-02-13 | 2021-04-02 | 西南交通大学 | 基于辐射传输路径长度改正的山地叶面积指数测量方法 |
CN111238416A (zh) * | 2020-02-13 | 2020-06-05 | 西南交通大学 | 基于辐射传输路径长度改正的山地叶面积指数测量方法 |
CN111402322A (zh) * | 2020-04-07 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种中分辨率叶面积指数产品的校正方法及装置 |
CN111402322B (zh) * | 2020-04-07 | 2024-04-05 | 中国科学院空天信息创新研究院 | 一种中分辨率叶面积指数产品的校正方法及装置 |
CN111966952B (zh) * | 2020-07-21 | 2023-04-18 | 电子科技大学 | 一种叶面积指数数据过滤方法 |
CN111966952A (zh) * | 2020-07-21 | 2020-11-20 | 电子科技大学 | 一种叶面积指数数据过滤方法 |
CN112465893A (zh) * | 2020-11-05 | 2021-03-09 | 内蒙古工业大学 | 一种植被叶片面积测量方法、装置、终端及存储介质 |
CN112444208B (zh) * | 2020-11-27 | 2022-05-06 | 中国科学院海洋研究所 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
CN112444208A (zh) * | 2020-11-27 | 2021-03-05 | 中国科学院海洋研究所 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
CN113269796A (zh) * | 2021-06-10 | 2021-08-17 | 河北地质大学 | 一种图像分割方法、装置及终端设备 |
CN113269796B (zh) * | 2021-06-10 | 2023-08-25 | 河北地质大学 | 一种图像分割方法、装置及终端设备 |
CN114862069A (zh) * | 2022-07-07 | 2022-08-05 | 成都信息工程大学 | 预测模型构建方法、预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107727010A (zh) | 一种测量农作物叶面积指数的方法 | |
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
He et al. | Brown rice planthopper (Nilaparvata lugens Stal) detection based on deep learning | |
CN110517311A (zh) | 基于叶片病斑面积的病虫害监测方法 | |
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 | |
CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
CN109086826A (zh) | 基于图像深度学习的小麦干旱识别方法 | |
CN113222991A (zh) | 基于深度学习网络的田间麦穗计数以及小麦产量预测 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN109977802A (zh) | 强噪音背景下作物分类识别方法 | |
CN115631419B (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
CN110276365A (zh) | 一种用于sar图像海冰分类的卷积神经网络的训练方法及其分类方法 | |
CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
Li et al. | Maize leaf disease identification based on WG-MARNet | |
He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
Liu et al. | UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background | |
Ji et al. | Exploring the solutions via Retinex enhancements for fruit recognition impacts of outdoor sunlight: a case study of navel oranges | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN105741173A (zh) | 农业类公司投资价值评估方法及系统 | |
Chen et al. | Identifying of rice phosphorus stress based on machine vision technology | |
CN103322946A (zh) | 一种获取玉米冠层孔隙度的方法 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images |
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: 20180223 |