CN107894418A - 基于机器视觉的大田水稻卷叶程度测量方法 - Google Patents

基于机器视觉的大田水稻卷叶程度测量方法 Download PDF

Info

Publication number
CN107894418A
CN107894418A CN201711096975.9A CN201711096975A CN107894418A CN 107894418 A CN107894418 A CN 107894418A CN 201711096975 A CN201711096975 A CN 201711096975A CN 107894418 A CN107894418 A CN 107894418A
Authority
CN
China
Prior art keywords
rice
image
leaf roll
exg
exr
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
Application number
CN201711096975.9A
Other languages
English (en)
Other versions
CN107894418B (zh
Inventor
段凌凤
杨万能
叶军立
周风燃
熊立仲
陈国兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN201711096975.9A priority Critical patent/CN107894418B/zh
Publication of CN107894418A publication Critical patent/CN107894418A/zh
Application granted granted Critical
Publication of CN107894418B publication Critical patent/CN107894418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于机器视觉的大田水稻卷叶程度定量化测量方法。该方法通过拍摄水稻RGB图像，利用图像处理技术提取水稻群体的周长面积比和植株占空比，作为水稻群体的数字化卷叶值，能克服目前人工检测手段主观性强、仅能对水稻卷叶进行分级记分的缺点，实现对水稻卷叶程度的连续、定量化测量，并可方便的推广应用于其他作物的卷叶程度测量工作。相比现有技术而言，具备能定量化测量卷叶程度、无损、操作简单的技术优势。

Description

基于机器视觉的大田水稻卷叶程度测量方法
技术领域
本发明属于农业自动化领域，具体涉及水稻表型参数自动化测量，尤其涉及一种基于机器视觉的大田水稻卷叶程度定量化测量方法。具体特指一种利用相机拍摄水稻的RGB图像，并通过图像处理技术提取水稻的数字化卷叶程度的水稻卷叶程度测量方法。
背景技术
随着全球气候的变化，干旱已成为制约水稻生产的重要因素之一。培育抗旱品系对于稳定及提高水稻产量有重要的意义。水稻抗旱品系的培育首先要求能科学有效地评价与筛选待鉴定材料的抗旱性。
水稻抗旱性主要通过对抗旱指标的鉴定来实现，因此选择相关性好、有效的抗旱性状指标是抗旱鉴定的关键。卷叶是水稻抗旱研究中的一种重要性状，传统对卷叶程度的衡量主要基于人工观测，将卷叶从不卷到卷曲分为5个等级。0级：无卷叶症状，或20％以下叶片卷曲；1级：20％-40％的叶片面积发生卷曲；2级：41％-60％的叶片面积发生卷曲；3级：61％-80％的叶片面积发生卷曲；4级：81％以上叶片卷成筒状。这种方法具有很大的主观性，不同观测人员得出的结论可能不一样。另外，这种方法仅仅能将卷叶程度分为5级，无法定量化测量卷叶程度。
针对自动化卷叶程度测量方面的研究较少。Sirault等(2015)通过拍摄水稻样品的横截面图像，基于叶片的凸壳统计特征或使用三次样条拟合叶片的横截面形状并计算样条的统计特征，测量小麦剑叶的卷曲程度。然而，他们的方法有损，且操作复杂，需要将叶片从植株上剪下，并以最大叶片长度的30％为中心切成30mm的长条，接着将30mm长条切为10个3mm长的小段，将其置于已知渗透压的水中进行人为卷曲，待卷叶平衡时将叶片长条的横截面朝向相机，使相机能拍摄到其横截面的形状，进行成像。最重要的是，他们的研究只能针对作物的单片叶卷曲程度进行研究，而无法研究作物植株整体的卷曲程度。
基于机器视觉实现对作物表型参数的提取是植物学一个新兴的领域。蒋霓(2014，博士论文)通过ExG分量分割绿色植株，实现了对单株水稻绿叶面积的无损测量。黄成龙等(2017)通过采集玉米的时间序列图像，由图像分割、叶片骨架提取等算法，实现了对单片叶长、叶角度、叶弯曲度等参数的自动测量。仇瑞承等(2017)利用RGB-D相机获取玉米的彩色图像和深度图像，由Cg分量分割玉米植株，实现了对玉米茎粗的自动测量。王全宇等(2016)提出了叶片角度比值的干旱胁迫表型参数计算方法。以上研究中图像处理及参数提取方法都是针对特定环境和特定作物设定，无法直接应用于本研究中的水稻卷叶程度测量。公开号为CN106097372A的发明专利公开了一种基于图像处理的农作物植株水分胁迫表型检测方法，该方法将植株分割得到茎秆图案和叶片图案，通过计算茎秆和叶片的角度值，对农作物的叶片受水平胁迫时的变化进行评估。该方法适合于玉米等株型简单的作物，而水稻为多分蘖作物，无法自动获取茎秆和叶片的角度值。综上，上述方法无法直接应用于大田水稻卷叶程度的测量。
发明内容
(一)要解决的技术问题
为了克服现有技术有损、操作复杂等问题，本发明提供了一种无损的、基于机器视觉的大田水稻卷叶程度定量化测量方法，用于定量化测量大田水稻整株水平的卷叶程度。
(二)技术方案
本发明为了解决其技术问题所采用的技术方案，提供了一种基于机器视觉的大田水稻卷叶程度定量化测量方法，主要包含以下步骤：
步骤A，通过数码相机采集大田环境下水稻群体的RGB图像I；
步骤B，提取水稻图像I的ExG分量和ExR分量；
ExG＝2Ng-Nr-Nb (1)
ExR＝1.4Nr-Nb (2)
Nr＝R/(R+G+B) (3)
Ng＝G/(R+G+B) (4)
Nb＝B/(R+G+B) (5)
其中，R，G，B是原始RGB图像的R，G，B分量；
步骤C，通过ExG分量和ExR分量分割得到水稻的绿色部分图像BW1，具体地，设置ExG阈值和ExR阈值，若某个像素的ExG灰度值大于ExG阈值，且ExR灰度值小于ExR阈值，则该像素被认为是绿色像素，在BW1中设置为前景像素，即灰度值为1；否则为背景像素，即灰度值为0；；
步骤D，通过L分量固定阈值分割方法得到水稻的黄色部分图像BW2；
步骤E，取水稻绿色部分图像BW1和黄色部分图像BW2的并集，并去除面积小于面积阈值的区域，得到水稻二值图像BW；
步骤F，提取水稻二值图像BW中顶部1/3的部分，并进行填充，得到特征提取图像BWT；
步骤G，基于图像BWT，计算水稻周长、面积及最小外接矩形的面积，提取周长面积比和占空比；
步骤H，以周长面积比和占空比，作为水稻当前时间点的数字化卷叶值。
该方法也能够应用于其他作物，例如玉米、小麦、大麦等作物的卷叶程度估测。
(三)有益效果
本发明基于发明人在本领域多年的技术积累和研发，提供了一种无损、操作简单的大田水稻卷叶程度定量化测量方法，克服了目前人工检测手段主观性强、仅能对水稻卷叶进行分级记分的缺点，其对提高我国作物表型数字化测量水平、支撑相关领域研究如水稻抗旱性评价与抗旱品种筛选等具有重要科学意义及潜在应用价值。
附图说明
图1为本发明的总体技术方案。
图2为大田水稻图像处理流程。
图3大田水稻对干旱的响应。(A)数字化卷叶值在不同干旱条件下的动态变化，(B)不同于旱条件下的水稻图像。
具体实施方式
为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
本发明提供的基于机器视觉的盆栽水稻卷叶程度定量化测量方法的总体技术方案如图1，主要包含以下步骤：
步骤A，通过数码相机采集大田环境下水稻群体的RGB图像I；
步骤B，提取水稻图像I的ExG分量和ExR分量；
ExG＝2Ng-Nr-Nb (1)
ExR＝1.4Nr-Nb (2)
Nr＝R/(R+G+B) (3)
Ng＝G/(R+G+B) (4)
Nb＝B/(R+G+B) (5)
其中，R，G，B是原始RGB图像的R，G，B分量；
步骤C，通过ExG分量和ExR分量分割得到水稻的绿色部分图像BW1，具体地，设置ExG阈值和ExR阈值，若某个像素的ExG灰度值大于ExG阈值，且ExR灰度值小于ExR阈值，则该像素被认为是绿色像素，在BW1中设置为前景像素，即灰度值为1；否则为背景像素，即灰度值为0；
步骤D，通过L分量固定阈值分割方法得到水稻的黄色部分图像BW2；
步骤E，取水稻绿色部分图像BW1和黄色部分图像BW2的并集，并去除面积小于面积阈值的区域，得到水稻二值图像BW；
步骤F，提取水稻二值图像BW中顶部1/3的部分，并进行填充，得到特征提取图像BWT；
步骤G，基于图像BWT，计算水稻周长、面积及最小外接矩形的面积，提取周长面积比和占空比；
步骤H，以周长面积比和占空比，作为水稻当前时间点的数字化卷叶值。
实施例
1、大田水稻干旱胁迫及复水后数字化卷叶值的时间序列变化
对大田水稻进行干旱胁迫并复水，分别在胁迫前(C)、轻度胁迫(D1)、中度胁迫(D2)、重度胁迫(D3)及复水(R)后拍摄水稻图像。对获取的图像序列按照所述技术方案进行处理，获取数字化卷叶程度。图3显示了水稻干旱胁迫及复水后时间序列上的数字化卷叶程度。可以看出，随着胁迫程度的加深，周长面积比(PAR)升高，占空比(ARR)下降；而复水后，周长面积比(PAR)下降，占空比(ARR)上升；与经验相符。
以上实施例说明数字化卷叶程度能客观准确地测量大田水稻的卷叶程度。
该方法也能够应用于其他大田作物，例如玉米、小麦、大麦等作物的卷叶程度测量。
本申请中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种基于机器视觉的大田水稻卷叶程度定量化测量方法，其特征在于，包括：
步骤A，通过数码相机采集大田环境下水稻群体的RGB图像I；
步骤B，提取水稻图像I的ExG分量和ExR分量；
ExG＝2Ng-Nr-Nb (1)
ExR＝1.4Nr-Nb (2)
Nr＝R/(R+G+B) (3)
Ng＝G/(R+G+B) (4)
Nb＝B/(R+G+B) (5)
其中，R，G，B是原始RGB图像的R，G，B分量；
步骤C，通过ExG分量和ExR分量分割得到水稻的绿色部分图像BW1，具体地，设置ExG阈值和ExR阈值，若某个像素的ExG灰度值大于ExG阈值，且ExR灰度值小于ExR阈值，则该像素被认为是绿色像素，在BW1中设置为前景像素，即灰度值为1；否则为背景像素，即灰度值为0；
步骤D，通过L分量固定阈值分割方法得到水稻的黄色部分图像BW2；
步骤E，取水稻绿色部分图像BW1和黄色部分图像BW2的并集，并去除面积小于面积阈值的区域，得到水稻二值图像BW；
步骤F，提取水稻二值图像BW中顶部1/3的部分，并进行填充，得到特征提取图像BWT；
步骤G，基于图像BWT，计算水稻周长、面积及最小外接矩形的面积，提取周长面积比和占空比；
步骤H，以周长面积比和占空比，作为水稻当前时间点的数字化卷叶值。
CN201711096975.9A 2017-10-31 2017-10-31 基于机器视觉的大田水稻卷叶程度测量方法 Active CN107894418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711096975.9A CN107894418B (zh) 2017-10-31 2017-10-31 基于机器视觉的大田水稻卷叶程度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711096975.9A CN107894418B (zh) 2017-10-31 2017-10-31 基于机器视觉的大田水稻卷叶程度测量方法

Publications (2)

Publication Number Publication Date
CN107894418A true CN107894418A (zh) 2018-04-10
CN107894418B CN107894418B (zh) 2019-12-17

Family

ID=61804760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711096975.9A Active CN107894418B (zh) 2017-10-31 2017-10-31 基于机器视觉的大田水稻卷叶程度测量方法

Country Status (1)

Country Link
CN (1) CN107894418B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188657A (zh) * 2019-05-27 2019-08-30 中国农业科学院农业资源与农业区划研究所 基于卷曲叶片检测的玉米干旱识别方法
CN112183292A (zh) * 2020-09-18 2021-01-05 华中农业大学 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565046A (zh) * 2011-12-29 2012-07-11 北京市药品检验所 一种快速检测米非司酮的方法
CN102565044A (zh) * 2011-12-19 2012-07-11 北京市农林科学院 基于图像处理的农药残留速测卡检测方法
US20140340869A1 (en) * 2012-05-24 2014-11-20 Lumen Dynamics Group, lnc. High brightness solid state illumination system for fluorescence imaging and analysis
CN105893944A (zh) * 2016-03-29 2016-08-24 陕西师范大学 深度信息静态手势分割方法
CN106097372A (zh) * 2016-06-23 2016-11-09 北京农业信息技术研究中心 基于图像处理的农作物植株水分胁迫表型检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565044A (zh) * 2011-12-19 2012-07-11 北京市农林科学院 基于图像处理的农药残留速测卡检测方法
CN102565046A (zh) * 2011-12-29 2012-07-11 北京市药品检验所 一种快速检测米非司酮的方法
US20140340869A1 (en) * 2012-05-24 2014-11-20 Lumen Dynamics Group, lnc. High brightness solid state illumination system for fluorescence imaging and analysis
CN105893944A (zh) * 2016-03-29 2016-08-24 陕西师范大学 深度信息静态手势分割方法
CN106097372A (zh) * 2016-06-23 2016-11-09 北京农业信息技术研究中心 基于图像处理的农作物植株水分胁迫表型检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YC CHANG: "RGB calibration for color image analysis in machine vision", 《COMPUTER SOCIETY》 *
杨芳明: "基于ARM的草莓园环境监管控制算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188657A (zh) * 2019-05-27 2019-08-30 中国农业科学院农业资源与农业区划研究所 基于卷曲叶片检测的玉米干旱识别方法
CN112183292A (zh) * 2020-09-18 2021-01-05 华中农业大学 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法
CN112183292B (zh) * 2020-09-18 2022-05-17 华中农业大学 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法

Also Published As

Publication number Publication date
CN107894418B (zh) 2019-12-17

Similar Documents

Publication Publication Date Title
CN109308697B (zh) 一种基于机器学习算法的树叶病害识别方法
CN109360206B (zh) 基于深度学习的大田稻穗分割方法
Anand et al. An application of image processing techniques for detection of diseases on brinjal leaves using k-means clustering method
CN113033670B (zh) 一种基于Sentinel-2A/B数据的水稻种植面积提取方法
CN103065149A (zh) 网纹甜瓜果实表型提取与量化方法
CN112639869A (zh) 作物生长阶段判定系统的服务器装置、生长阶段判定方法以及程序
Sarkate et al. Application of computer vision and color image segmentation for yield prediction precision
Victorino et al. Yield components detection and image-based indicators for non-invasive grapevine yield prediction at different phenological phases
CN111860150B (zh) 基于遥感影像的倒伏水稻识别方法与装置
Chang et al. Quantifying muskmelon fruit attributes with A-TEP-based model and machine vision measurement
Samanta et al. Scab diseases detection of potato using image processing
CN102663396B (zh) 一种水稻乳熟期自动检测的方法
CN107767364A (zh) 基于红外热图像精准提取树木冠层温度的方法
CN106897668A (zh) 一种基于遥感影像的草地退化程度自动提取方法
CN107894418A (zh) 基于机器视觉的大田水稻卷叶程度测量方法
CN107886497A (zh) 一种基于图像的小麦旗叶无损自动检测及测量方法
Ouyang et al. UAV and ground-based imagery analysis detects canopy structure changes after canopy management applications
Kassim et al. Image clustering technique in oil palm fresh fruit bunch (FFB) growth modeling
CN107941802A (zh) 基于机器视觉的盆栽水稻卷叶程度测量方法
CN111832480B (zh) 一种基于光谱特征的油菜种植区遥感识别方法
Bleasdale et al. Feasibility of detecting apple scab infections using low-cost sensors and interpreting radiation interactions with scab lesions
CN112528726A (zh) 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统
MacArthur et al. Remotely-piloted helicopter citrus yield map estimation
Gupta et al. Applications of RGB color imaging in plants
CN115100533A (zh) 荔枝成熟度识别模型的训练及使用方法

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