CN108427862B - 基于图像分析的多品种全生育期棉花生物量无损测量方法 - Google Patents
基于图像分析的多品种全生育期棉花生物量无损测量方法 Download PDFInfo
- Publication number
- CN108427862B CN108427862B CN201810193243.XA CN201810193243A CN108427862B CN 108427862 B CN108427862 B CN 108427862B CN 201810193243 A CN201810193243 A CN 201810193243A CN 108427862 B CN108427862 B CN 108427862B
- Authority
- CN
- China
- Prior art keywords
- cotton
- plant
- image
- biomass
- growth period
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- 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
Abstract
本发明公开了一种基于图像分析的多品种全生育期棉花生物量无损测量方法。该方法通过图像分析的方法,提取棉花植株的图像特征,包括植株密度,株宽,株高,植株高宽比,分形维数,植株占空比,茎秆面积,叶片面积以及基于灰度梯度共生矩阵的特征。结合棉花的生育期天数特征,构建基于支持向量机的棉花生物量测量模型。相比现有技术而言,能够综合利用棉花植株的形态、纹理、生育期等多方面的数据,模型拟合效果更强,测量结果更准确,能适用于多品种全生育期的棉花生物量测量。
Description
技术领域
本发明属于农业自动化领域,具体涉及棉花生物量的自动化测量,尤其涉及一种基于图像分析的棉花生物量无损测量方法。
背景技术
棉花是我国重要的经济作物。棉花生物量反映了作物的生长状况,与作物光能利用、产量及品质等都密切相关。传统的人工生物量测量方法通过收割棉花植株的地上部分,烘干至恒重后称重,整个测量过程有损、低效、耗时耗力,且不能对同一植株进行连续测量。因此,亟需发展一种无损、高效、准确的生物量测量方法,实现大批量样本生物量的连续动态测量。
金秀良等(2011)建立了基于高光谱特征参数的棉花生物量估算模型。黄春燕等(2015)研究了棉花各生育时期吸收光合有效辐射和光合有效辐射截获量的变化特征,建立了棉花地上部各组分生物量与吸收光合有效辐射和光合有效辐射截获量的相关关系。这些方法仅利用棉花植株的光谱特征估算生物量,精度不高,且由于光谱特征参数易受到多种因素影响,在获取数据时操作较为繁琐。公开号为CN105513096的发明专利提出了一种基于图像分析的冬小麦生物量估算方法,建立了基于冬小麦冠层图像色彩指数的冬小麦生物量神经网络估算模型。该方法仅利用颜色信息构建生物量模型,模型精度有限。梁淑敏和杨锦忠(2007)以植株图像周长为表征因子,建立了玉米鲜生物量测量模型。更多研究则基于植株不同角度下投影面积构建生物量测量模型,如基于顶视投影面积(武聪玲等,2005)、基于2张互成90°的侧视投影面积和(Nagel et al.,2012)、基于2张互成90°侧视投影面积和顶视投影面积(Hairmansis et al.,2014)、以及基于多幅侧视投影面积平均值和顶视投影面积(方伟等,2015)。
生物量是体积与密度的乘积。现有研究多基于投影面积估测作物生物量,假定(1)植株投影面积能近似表达其体积。(2)植株密度为常数。而不同品种、生育期和环境的棉花株型(形状、器官间遮挡程度、姿态等)差异很大,通过投影面积无法有效表征不同品种、生育期和环境棉花的体积。不同品种、生育期及环境的棉花及同一株棉花的不同器官(茎、叶)的密度也存在差异。通过加入其他表征因子,可提高生物量测量模型的精度。然而,现有研究的对象大多为处于营养生长早期的少量品种,构建的模型品种、环境及生育期适用性较差,无法用于本发明中所述的多品种全生育期棉花生物量的测量。
发明内容
(一)要解决的技术问题
为了克服现有技术中多品种全生育期棉花生物量测量方法精度较低、模型品种、环境及生育期适用性较差这一问题,本发明提供了一种基于图像分析的多品种全生育期棉花生物量测量方法,实现干旱和正常两个环境下多品种全生育期棉花生物量的无损测量。
(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,提供了一种基于图像分析的多品种全生育期棉花生物量测量方法,该方法的总体技术流程见图1。
一种基于图像分析的多品种全生育期棉花生物量测量方法,其特征在于,包括:
步骤A,采集棉花植株20个侧视角度下的棉花可见光图像;
步骤B,对每张棉花图像进行处理,提取特征;具体的处理步骤见图2:(1)提取原始棉花图像的H分量;(2)通过固定阈值法对图像进行二值化;(3)去除面积较小的区域,得到棉花植株二值图像,具体方法为设置面积阈值,若区域的面积小于面积阈值,则去除该区域;(4)分离茎秆与叶片,得到茎秆二值图像和叶片二值图像;将棉花植株二值图像与棉花图像的H分量进行掩膜操作,得到棉花植株H分量图;(5)提取棉花的图像特征,具体包括:从棉花植株二值图像中,提取植株密度PD1-PD6,株宽W,株高H,植株高宽比HWR,分形维数FD,植株占空比SE;从茎秆二值图像中提取茎秆面积SA;从叶片二值图像中提取叶片面积LA;从棉花植株H分量图中提取基于灰度梯度共生矩阵的特征T1-T21;
步骤C,取20张侧视图特征的平均值,作为该棉花植株的图像特征;
步骤D,提取生育期天数DAS;
步骤E,从提取出来的棉花特征,包括生育期天数和图像特征中,筛选出最优特征子集;
步骤F,以棉花植株的最优特征子集作为输入,基于离线构建好的棉花生物量测量模型,估测棉花植株的生物量。
更具体地,步骤B中分离茎秆与叶片的技术方案为图3,具体操作为,(1)输入植株二值图像BW,设置膨胀腐蚀次数n,角度阈值,面积阈值,EF阈值;(2)腐蚀n次;(3)若(某个区域的角度<角度阈值)&&(EF>EF阈值)&&(面积<面积阈值),则认为这是未腐蚀掉的比较粗的茎秆,去除该区域,其中区域角度为区域最小转动惯量方向与垂直方向的夹角的绝对值;(4)膨胀n次,得到BW1;(5)BW减去BW1,得到BW2;(6)去除BW2中面积小于小叶片面积阈值的区域,得到BW3;(7)BW减去BW3,得到BW4,得到叶片二值图BW4;(8)BW减去BW4,得到茎秆二值图BW5;
更具体地,步骤F中用到的棉花生物量测量模型,其离线训练方法包括4个步骤:(1)获取棉花样本的生物量和特征(包括生育期天数和图像特征),样本应包含株型、遮挡程度等差异大的不同品种,且样本涵盖全生育期并包含正常条件和胁迫条件两种生长环境,以提高模型的泛化能力;(2)将数据集划分为训练集和测试集,其中训练集用于构建棉花生物量测量模型,测试集用于测试模型的性能;(3)通过全子集回归方法,选取最优特征子集;(4)基于支持向量机,构建棉花生物量测量模型,其中,核函数选用径向基函数,通过遗传算法实现算法的优化,获取全局最优解。
上述基于图像分析的多品种全生育期棉花生物量测量方法,不仅适用于棉花生物量的测量,并且也可应用于油菜等作物的生物量测量。
(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,提供了一种图像分析的多品种全生育期棉花生物量测量方法。该方法通过图像分析的方法,提取棉花植株的图像特征,包括植株密度,株宽,株高,植株高宽比,分形维数,植株占空比,茎秆面积,叶片面积以及基于灰度梯度共生矩阵的特征。结合棉花的生育期天数特征,构建基于支持向量机的棉花生物量测量模型。相比现有技术而言,能够综合利用棉花植株的形态、纹理、生育期等多方面的数据,模型拟合效果更强,测量结果更准确,能适用于多品种全生育期的棉花生物量测量。
附图说明
图1为本发明的总体技术方案图。
图2为本发明中单张棉花可见光图像的图像处理流程。
图3为本发明分离茎叶和叶片的技术流程图。
图4为本发明中图像处理的效果图。
具体实施方式
本发明为了解决其技术问题所采用的技术方案,提供了一种基于图像分析的多品种全生育期棉花生物量测量方法,该方法的总体技术流程见图1。
本发明为了解决其技术问题所采用的技术方案,提供了一种基于图像分析的多品种全生育期棉花生物量测量方法,该方法的总体技术流程见图1。
一种基于图像分析的多品种全生育期棉花生物量测量方法,其特征在于,包括:
步骤A,采集棉花植株20个侧视角度下的棉花可见光图像;
步骤B,对每张棉花图像进行处理,提取特征;具体的处理步骤见图2:(1)提取原始棉花图像的H分量;(2)通过固定阈值法对图像进行二值化;(3)去除面积较小的区域,得到棉花植株二值图像,具体方法为设置面积阈值,若区域的面积小于面积阈值,则去除该区域;(4)分离茎秆与叶片,得到茎秆二值图像和叶片二值图像;将棉花植株二值图像与棉花图像的H分量进行掩膜操作,得到棉花植株H分量图;(5)提取棉花的图像特征,具体包括:从棉花植株二值图像中,提取植株密度PD1-PD6,株宽W,株高H,植株高宽比HWR,分形维数FD,植株占空比SE;从茎秆二值图像中提取茎秆面积SA;从叶片二值图像中提取叶片面积LA;从棉花植株H分量图中提取基于灰度梯度共生矩阵的特征T1-T21;
步骤C,取20张侧视图特征的平均值,作为该棉花植株的图像特征;
步骤D,提取生育期天数DAS;
步骤E,从提取出来的棉花特征,包括生育期天数和图像特征中,筛选出最优特征子集;
步骤F,以棉花植株的最优特征子集作为输入,基于离线构建好的棉花生物量测量模型,估测棉花植株的生物量。
更具体地,步骤B中分离茎秆与叶片的技术方案为图3,具体操作为,(1)输入植株二值图像BW,设置膨胀腐蚀次数n,角度阈值,面积阈值,EF阈值;(2)腐蚀n次;(3)若(某个区域的角度<角度阈值)&&(EF>EF阈值)&&(面积<面积阈值),则认为这是未腐蚀掉的比较粗的茎秆,去除该区域,其中区域角度为区域最小转动惯量方向与垂直方向的夹角的绝对值;(4)膨胀n次,得到BW1;(5)BW减去BW1,得到BW2;(6)去除BW2中面积小于小叶片面积阈值的区域,得到BW3;(7)BW减去BW3,得到BW4,得到叶片二值图BW4;(8)BW减去BW4,得到茎秆二值图BW5;
更具体地,步骤F中用到的棉花生物量测量模型,其离线训练方法包括4个步骤:(1)获取棉花样本的生物量和特征(包括生育期天数和图像特征),样本包含株型、遮挡程度等差异大的8个品种,且样本涵盖全生育期13个生长点并包含正常条件和胁迫条件两种生长环境,共208个样本;(2)剔除离群值后,剩余192个样本,将数据集以2∶1的比例随机地划分为训练集和测试集,其中训练集用于构建棉花生物量测量模型,测试集用于测试模型的性能;(3)通过全子集回归方法,选取最优特征子集;(4)基于支持向量机,构建棉花生物量测量模型,其中,核函数选用径向基函数,通过遗传算法实现算法的优化,获取全局最优解。模型对训练集的性能为:复决定系数(R2)0.93,平均相对误差13.12%;(5)基于测试样本,测试模型的性能,对测试集的性能为:复决定系数(R2)0.90,平均相对误差15.06%。
该方法也能够应用于其他作物,例如油菜生物量的测量。
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 (4)
1.一种基于图像分析的多品种全生育期棉花生物量测量方法,其特征在于,包括:
步骤A,采集棉花植株20个侧视角度下的棉花可见光图像;
步骤B,对每张棉花图像进行处理,提取特征;具体的处理步骤为:(1)提取原始棉花图像的H分量;(2)通过固定阈值法对图像进行二值化;(3)去除面积较小的区域,得到棉花植株二值图像,具体方法为设置面积阈值,若区域的面积小于面积阈值,则去除该区域;(4)分离茎秆与叶片,得到茎秆二值图像和叶片二值图像;将棉花植株二值图像与棉花图像的H分量进行掩膜操作,得到棉花植株H分量图;(5)提取棉花的图像特征,具体包括:从棉花植株二值图像中,提取植株密度PD1-PD6,株宽W,株高H,植株高宽比HWR,分形维数FD,植株占空比SE;从茎秆二值图像中提取茎秆面积SA;从叶片二值图像中提取叶片面积LA;从棉花植株H分量图中提取基于灰度梯度共生矩阵的特征T1-T21;
步骤C,取20张侧视图特征的平均值,作为该棉花植株的图像特征;
步骤D,提取生育期天数DAS;
步骤E,从提取出来的棉花特征,包括生育期天数和图像特征中,筛选出最优特征子集;
步骤F,以棉花植株的最优特征子集作为输入,基于离线构建好的棉花生物量测量模型,估测棉花植株的生物量。
2.根据权利要求1所述的基于图像分析的多品种全生育期棉花生物量测量方法,其特征在于,所述步骤B中分离茎秆与叶片的技术方案为,(1)输入植株二值图像BW,设置膨胀腐蚀次数n,角度阈值,面积阈值,EF阈值;(2)腐蚀n次;(3)若(某个区域的角度<角度阈值)&&(EF>EF阈值)&&(面积<面积阈值),则认为这是未腐蚀掉的比较粗的茎秆,去除该区域,其中区域角度为区域最小转动惯量方向与垂直方向的夹角的绝对值;(4)膨胀n次,得到BW1;(5)BW减去BW1,得到BW2;(6)去除BW2中面积小于小叶片面积阈值的区域,得到BW3;(7)BW减去BW3,得到BW4,得到叶片二值图BW4;(8)BW减去BW4,得到茎秆二值图BW5。
3.根据权利要求1所述的基于图像分析的多品种全生育期棉花生物量测量方法,其特征在于,所述步骤步骤F中用到的棉花生物量测量模型,其离线训练方法包括4个步骤:(1)获取棉花样本的生物量和特征,其中特征包括生育期天数和图像特征,样本应包含株型和遮挡程度差异大的不同品种,且样本涵盖全生育期并包含正常条件和胁迫条件两种生长环境,以提高模型的泛化能力;(2)将数据集划分为训练集和测试集,其中训练集用于构建棉花生物量测量模型,测试集用于测试模型的性能;(3)通过全子集回归方法,选取最优特征子集;(4)基于支持向量机,构建棉花生物量测量模型,其中,核函数选用径向基函数,通过遗传算法实现算法的优化,获取全局最优解。
4.根据权利要求1所述的基于图像分析的多品种全生育期棉花生物量测量方法,不仅适用于棉花生物量的测量,并且也可应用于油菜的生物量测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810193243.XA CN108427862B (zh) | 2018-03-02 | 2018-03-02 | 基于图像分析的多品种全生育期棉花生物量无损测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810193243.XA CN108427862B (zh) | 2018-03-02 | 2018-03-02 | 基于图像分析的多品种全生育期棉花生物量无损测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108427862A CN108427862A (zh) | 2018-08-21 |
CN108427862B true CN108427862B (zh) | 2021-06-29 |
Family
ID=63157979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810193243.XA Active CN108427862B (zh) | 2018-03-02 | 2018-03-02 | 基于图像分析的多品种全生育期棉花生物量无损测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427862B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233107B (zh) * | 2020-11-04 | 2022-10-25 | 安徽大学 | 基于图像处理技术的葵花籽品级分类方法 |
CN112913436A (zh) * | 2021-03-30 | 2021-06-08 | 西京学院 | 水肥一体化节水灌溉控制系统、方法、介质、设备及终端 |
CN114324336B (zh) * | 2021-12-31 | 2022-09-13 | 四川农业大学 | 一种大豆全生育期生物量无损测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102550374A (zh) * | 2012-03-18 | 2012-07-11 | 四川农业大学 | 结合计算机视觉和多传感器的作物灌溉系统 |
CN107045719A (zh) * | 2017-04-12 | 2017-08-15 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗茎伸长期及玉米拔节期自动检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080004909A1 (en) * | 2005-11-30 | 2008-01-03 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational systems related to nutraceuticals |
US20120283956A1 (en) * | 2011-03-02 | 2012-11-08 | Ramot At Tel-Aviv University Ltd. | Method and system for predicting selective cancer drug targets |
-
2018
- 2018-03-02 CN CN201810193243.XA patent/CN108427862B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102550374A (zh) * | 2012-03-18 | 2012-07-11 | 四川农业大学 | 结合计算机视觉和多传感器的作物灌溉系统 |
CN107045719A (zh) * | 2017-04-12 | 2017-08-15 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗茎伸长期及玉米拔节期自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108427862A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
Chauhan et al. | Application of a model to assess aflatoxin risk in peanuts | |
CN108427862B (zh) | 基于图像分析的多品种全生育期棉花生物量无损测量方法 | |
Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
Yuan et al. | Development of a peanut canopy measurement system using a ground-based lidar sensor | |
Zhou et al. | Hyperspectral imaging of beet seed germination prediction | |
CN107122739B (zh) | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 | |
Ilić et al. | Forecasting corn production in Serbia using ARIMA model | |
Liang et al. | Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
Dinh et al. | Statistical analysis of the weather impact on Robusta Coffee Yield in Vietnam | |
Concepcion II et al. | Lettuce leaf water stress estimation based on thermo-visible signatures using recurrent neural network optimized by evolutionary strategy | |
CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
Yang et al. | Mapping crop leaf area index at the parcel level via inverting a radiative transfer model under spatiotemporal constraints: A case study on sugarcane | |
CN113470175B (zh) | 基于光学梯形模型的灌溉区域制图方法 | |
CN114494689A (zh) | 番茄干旱胁迫的识别方法 | |
CN103125371B (zh) | 一种作物抗旱突变体田间快速辅助筛选的方法 | |
Xing et al. | Traits expansion and storage of soybean phenotypic data in computer vision-based test | |
Fan et al. | Non-destructive detection of single-seed viability in maize using hyperspectral imaging technology and multi-scale 3D convolutional neural network | |
Panfilova et al. | Identification of technological effectiveness for mechanized harvesting of red currant cultivars based on bush morphology and mechanical fruit parameters | |
CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
CN110367066A (zh) | 一种基于多梯度多性状综合抗旱系数的水稻抗旱性评价方法 |
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 |