CN109060664B - 一种基于激光散斑技术的植物生长过程监测方法 - Google Patents
一种基于激光散斑技术的植物生长过程监测方法 Download PDFInfo
- Publication number
- CN109060664B CN109060664B CN201810698011.XA CN201810698011A CN109060664B CN 109060664 B CN109060664 B CN 109060664B CN 201810698011 A CN201810698011 A CN 201810698011A CN 109060664 B CN109060664 B CN 109060664B
- Authority
- CN
- China
- Prior art keywords
- speckle
- plant
- blades
- signal
- dynamic
- 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
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/1768—Method using an image detector and processing of image signal using photographic film
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于激光散斑技术的植物生长过程监测方法,包括下列步骤:(1)植物散斑图像采集与记录;(2)动态散斑信号处理;(3)静态散斑信号处理;(4)图像特征提取;(5)植物生长状态与测量图像及参数之间关系分析模型建立:选择不同种类与不同生长状态的叶片,其中叶片生长状态涵盖不同颜色叶片,以及刚刚萌发的叶片,成熟期叶片和枯萎叶片,并且根据不同枯萎位置及病虫害位置对叶片进行分类,分别采集叶片的原始散斑数字干涉图像,经过图像特着急提取后,得到叶片脉络密度ρ和脉络连接度σ,结合动态散斑强度D和静态散斑强度R,构建测量参数集合,建立神经网络拟合分类模型;(6)植物生长状态判定与评估。
Description
技术领域
本发明属于激光测量领域,涉及一种利用激光相干测量方法获取植物生长状态的方法。
背景技术
植物是与人类关系最密切的生物资源,具有丰富的食用、药用和工业价值,并且在地球环境调节以及保护方面也起着重要作用。植物光合作用主要发生在叶片中,并且叶片于是植物蒸腾作用以及输送养分的重要器官,很多对植物生长威胁较大的病虫害也主要通过破坏叶片结构及功能,并阻碍植物生长。因此,对植物叶片生长过程进行监控,对于掌握植物生长规律,指导生产、制定高产优质高效栽培技术措施具有重要的意义。
目前在科学研究以及农业生产过程中,对于植物生长过程的监控往往依赖于经验经验判断以及简单测量一些叶片参数,如形状、面积、周长、叶柄长度、叶长和叶宽等,来对植物生长状态进行评估。这些方法一方面缺乏定量参数,另一方面对于植物生命活动的监测不够全面,监测参数很难全面反映叶片生长状态。本发明利用激光散斑技术对叶片生长状态进行无创在线监测,通过散斑强度散斑统计参数计算,实时分析叶片生长活动情况,为农业生产中过程监控以及作为管理提供参考。
相干光被待测介质散射后,不同方向散射光支架存在光程差,大量不同广成散射光在空间相遇后产生干涉,若干涉相长,则表现为亮斑,反之,若干涉相消,则表现为暗斑。在整个接收面上,形成不规则的干涉强度空间以及时间分布,在宏观上表现强度随机涨落的斑点,称之为激光散斑。
激光散斑衬比成像技术使用相机对激光照射区域进行连续拍照,并通过散斑空间或者时间统计分析得到散射粒子相对运动或者相对位置变化信息,具有系统简单,成像速度快,动态范围大等优点。利用散斑信息不仅可以获得叶片的图像信息,并且可以同时获得植物中各种散射粒子的运动频率与运动强度,将二者信息结合,就可以获得组织的生长情况。
当被观测物体中的散射粒子运动速度较慢时,则其散射光形成的散斑图案也相对保持静止;当被观测物体中的散射粒子处于运动状态,其散射光形成的散斑图案强度分布会不断波动。植物叶片中存在大量散射结构,散斑强度的强度起伏被平均,散斑图像的对比度下降,运动越剧烈,积分平均作用越显著,图像对比度下降越明显,颗粒感逐渐消失。
发明内容
本发明目的是提供一种基于激光散斑成像方法的植物叶片生长状态无损测量方法,技术方案如下:
1.一种基于激光散斑技术的植物生长过程监测方法,包括下列步骤:
(1)植物散斑图像采集与记录
利用激光散斑测量系统采集和记录植物散斑数字干涉图像;
(2)动态散斑信号处理
根据随机信号的功率谱与自相关函数互为傅里叶变换的关系,动态散斑信号处理可以从空间及时间两个方面进行统计,得到动态散斑强度D;
(3)静态散斑信号处理
激光散斑信号中动态信号代表植物内部运动情况,静态散斑强度则与植物内部散射结构有关,采用去相关算法得到静态散斑分布情况即静态散斑强度R;
(4)图像特征提取
叶片图像特征包括叶片脉络密度及脉络连接度,针对叶片脉络密度特征的提取采用数字图像处理方式,首先对图片进行去噪声处理,利用高斯模板处理原始图像,将提高图像信噪比;然后采用sober算子进行边缘提取,从而得到叶片的脉络特征图像,然后分别计算脉络像素点数与叶面总面积之比,得到脉络密度ρ;叶片脉络连接度的计算是基于得到的叶片脉络特征图像,逐个像素点进行分析,计算相互连接的像素点数量与总像素点数量之间比值,得到脉络连接度度量参数σ;
(5)植物生长状态与测量图像及参数之间关系分析模型建立
选择不同种类与不同生长状态的叶片,其中叶片生长状态涵盖不同颜色叶片,以及刚刚萌发的叶片,成熟期叶片和枯萎叶片,并且根据不同枯萎位置及病虫害位置对叶片进行分类,分别采集叶片的原始散斑数字干涉图像,经过图像特征 提取后,得到叶片脉络密度ρ和脉络连接度σ,结合动态散斑强度D和静态散斑强度R,构建测量参数集合,建立神经网络拟合分类模型,将测量参数与叶片生长状态之间进行拟合建立该测量参数集合与叶片生长状态集合之间关系;
(6)植物生长状态判定与评估
利用同样的测量设备以及散斑信号处理方法对样品叶片进行成像,并分别计算待测样品的测量参数集合,将测量参数集合带入所建立的分类模型,对叶片生长状态进行判定。
附图说明
图1激光散斑测量系统示意图。
图2散斑信号处理算法处理流程。
图3分类模型训练与应用流程。
具体实施方式
由植物学研究可知,植物组织内部存在大量散射结构,如细胞结构以及各种大分子,这些散射粒子在植物新陈代谢过程中会产生各种运动,如细胞质内叶绿素和淀粉分子的缓慢运动,细胞内无机离子与大分子的随机运动。在这些散射粒子运动作用下,激光散斑强度产生起伏,考虑散斑的随机复矢量振幅的统计特性,通过对散斑图像进行统计分析,计算一阶或者二阶统计特性。其中一阶统计描述了单点光强的涨落,二阶统计特性通过计算散斑强度分布的空间自相关函数和它的功率谱密度,对散斑尺寸以及时间空间分布进行统计,从而得到植物组织中散射粒子运动情况,并对植物生物活动进行定量分析。对动态散斑而言,散斑光强时间或者空间分布的自相关函数概念可以推广为动态散斑光强起伏的空间-时间互相关函数。
参见图1,本发明采用的激光散斑测量系统,包括激光光源,激光扩束及变换透镜组,成像镜头,CCD相机和数据采集与处理单元。其中,激光光源发出的光经过激光扩束及变换透镜组后照射到待测样品上,样品产生的二维散斑干涉图像经过成像镜头及CCD相机后,变成数字图像信号,然后通过数据采集及处理单元进行信号处理与分析。
本发明的植物生长过程监测方法,利用激光散斑成像装置对植物远程散斑图像进行成像处理,并根据原始散斑图像分别计算其动态散斑及静态散斑参数,其中动态散斑参数指的是对散斑信号进行空间-时间相关算法及谱分析处理后得到的与植物内部运动相关的散斑信号参数。静态散斑是指对散斑信号进行空间-时间去相关算法后得到的与组织内部结构分布有关的散斑信号参数。
本发明的植物生长状态的判别与评估方法,基于图像信息与散斑测量参数,首先建立植物生长状态与图像与测量参数之间的关系,建立基于人工神经网络的方法训练分类模型,建立训练集对模型进行训练,然后对样品进行图像采集与散斑信号测量,带入模型,对样品生长状态进行判断与评估。
具体包括下列步骤:
1植物散斑图像采集与记录
激光照射到植物后,被植物内部散射结构散射,散射光方向不同在空间中产生干涉现象,在空间上形成明暗相间的干涉图样。成像系统由一定焦距与视场的成像镜头及相机组成,记录得到数字散斑干涉图。
2动态散斑信号处理
激光散斑信号可以视为大量散射光场的叠加,动态散斑主要是由于植物内部散射粒子运动及成分变化造成散斑信号空间及时间上的涨落。由于其振幅的涨落可以视为一种随机过程,因此可以用功率谱密度函数来衡量激光散斑信号的变化频率及强度。根据信号处理方法可知,随机信号的功率谱与自相关函数互为傅里叶变换的关系,这两个函数分别从频率域和时间域来表征随机信号的基本特征,动态散斑功率谱P(k)的计算公式如下,也用D表示:
其中n为数据点数,在时间域表示第n个时间点数据,在空间域表示位置位于n的数据
m为与计算数据点距离,在时间域表示为距离m的数据点,在空间域 表示为时间延时为 m的数据点
N为总数据点数,在时间域表示所有位置数据点,在时间域表示所有时间数据点。
动态散斑信号处理可以从空间及时间两个方面进行统计其计算方法分别如下:
空间域:针对单幅原始散斑图像计算,选择滑动窗尺寸一般选择为5×5或者7×7,在滑动窗内计算不同位置散斑信号的相关系数,并进一步处理得到功率谱
时间域:对二维图像中某一点散斑信号时间序列进行计算得到相关系数,进一步处理可以得到功率谱:
3静态散斑信号处理
激光散斑信号中动态信号代表了植物内部运动情况,静态散斑强度则与植物内部散射结构有关,采用去相关算法可以得到静态散斑强度R(m),计算公式如下(也用S表示):
4图像特征提取
叶片图像特征包括叶片脉络密度及脉络连接度,在本发明应用中,针对脉络密度特征的提取采用数字图像处理方式,首先对图片进行去噪声处理,利用高斯模板处理原始图像,将提高图像信噪比;然后采用sober算子进行边缘提取,从而得到叶片的脉络特征,然后分别计算脉络像素点数与叶面总面积之比,得到脉络密度(ρ)。叶片脉络连接度的计算是基于得到的叶片脉络特征图像,逐个像素点进行分析,计算相互连接的像素点数量与总像素点数量之间比值,得到脉络连接度度量参数(σ)
5植物生长状态与测量图像及参数之间关系分析模型建立
选择不同种类与不同生长状态的叶片,其中叶片生长状态涵盖不同颜色叶片,以及刚刚萌发的叶片,成熟期叶片,枯萎叶片,并且根据不同枯萎位置及病虫害位置对叶片进行分类。分别采集叶片图形信息与散斑信息。经过图像处理后,得到叶片脉络密度(ρ),脉络连接度等参数(σ),经过散斑信息处理得到动态散斑强度(D),静态散斑强度(S)。利用四个参数构建一个集合,建立神经网络拟合模型,将测量参数与叶片生长状态之间进行拟合建立该集合与叶片生长状态集合之间关系
6植物生长状态判定与评估
利用同样的测量设备以及散斑信号处理方法对样品叶片进行成像,并分别计算待测样品的叶片脉络密度(ρ),脉络连接度等参数(σ),经过散斑信息处理得到,动态散斑强度(D),静态散斑强度(S)。将测量参数集合带入所建立的分类拟合模型,对叶片生长状态进行判定。
下面结合实施例对本发明进行说明。
1植物散斑图像采集与记录
激光照射到玉米叶片上,利用成像镜头与CCD相机记录原始激光散斑干涉图像,成像面积约2*2cm,像素分布1024*1024,曝光时间1ms,成像焦距35mm,成像速度50fps,记录得到叶片的散斑信号图像。
2动态散斑信号计算
动态散斑信号激光散斑信号的处理是基于原始散斑信号,处理方式分别在时间域与空间域,处理方法分为采用可以用功率谱密度函数来衡量激光散斑信号的变化频率及强度。根据信号处理方法可知,随机信号的功率谱P与自相关函数R互为傅里叶变换的关系,这两个函数分别从频率域和时间域来表征随机信号的基本特征,计算公式如下:
空间域上的计算方法是,选择滑动窗尺寸为7×7,在滑动窗内计算不同位置散斑信号的相关系数,并进一步处理得到功率谱
在时间域上的计算方法是对二维图像中某一点散斑信号时间看序列进行计算得到相关系数,进一步处理可以得到功率谱
3静态散斑信号计算
静态散斑强度则与植物内部散射结构有关,计算分方法采用去相关算法可以得到静态散斑分布情况,计算公式如下:
空间域上的计算方法是,选择滑动窗尺寸为7×7,在滑动窗内计算不同位置散斑信号的去相关系数
时间域上的计算方法是对二维图像中某一点散斑信号时间看序列进行计算得到去相关系数
4图像特征提取
叶片图像特征包括叶片脉络密度及脉络连接度,在本发明应用中,针对脉络密度特征的提取采用数字图像处理方式,首先对图片进行去噪声处理,利用高斯模板处理原始图像,将提高图像信噪比;然后采用sober算子进行边缘提取,从而得到叶片的脉络特征,然后分别计算脉络像素点数与页叶面总面积之比,得到脉络密度(ρ)
叶片脉络连接度的计算是基于得到的叶片脉络特征图像,逐个像素点进行分析,计算相互连接的像素点数量与总像素点数量之间比值,得到脉络连接度度量参数(σ)
5植物生长状态与测量图像及参数之间关系分析模型建立
选择不同种类与不同生长状态的叶片,其中叶片生长状态涵盖不同颜色叶片,以及刚刚萌发的叶片,成熟期叶片,枯萎叶片,并且根据不同枯萎位置及病虫害位置对叶片进行分类。分别采集叶片图形信息与散斑信息。经过图像处理后,得到叶片脉络密度(ρ),脉络连接度等参数(σ),经过散斑信息处理得到,动态散斑强度(D),静态散斑强度(S)。间进行拟合建立该集合与叶片生长状态(A)集合之间关系(ρ,σ,D,S)→(A)
选择四个参数与叶片生长状态作为训练集,训练算法基于BP神经网络算法,选择一个输入层,两个隐含层,一个输出层的网络结构,节点分别选为4,600,1,拟合函数选择为双曲正切函数,利用训练集对模型算法进行训练,知道满足分类误差小于1%
6植物生长状态判定与评估
利用同样的测量设备以及散斑信号处理方法对样品叶片进行成像,并分别计算得带待测样品的参数集合(ρ,σ,D,S)。将测量参数集合带入所建立的分类拟合模型,对叶片生长状态进行判定,并最终输出分类结果。
Claims (1)
1.一种基于激光散斑技术的植物生长过程监测方法,包括下列步骤:
(1)植物散斑图像采集与记录
利用激光散斑测量系统采集和记录植物散斑数字干涉图像;
(2)动态散斑信号处理
根据随机信号的功率谱与自相关函数互为傅里叶变换的关系,动态散斑信号处理可以从空间及时间两个方面进行统计,得到动态散斑功率谱;
在原始散斑信号基础上,可分别通过时间域与空间域处理的得到功率谱密度函数来量化动态散斑信号的频率及强度,计算公式如下:
空间域上的计算方法是,选择滑动窗尺寸为7×7,在滑动窗内计算不同位置散斑信号的相关系数,并进一步处理得到功率谱;
在时间域上的计算方法是对二维图像中某一点散斑信号时间序列进行计算得到相关系数,进一步处理可以得到动态散斑功率谱P;
其中n为数据点数,m为当前数据点与计算数据点的距离,N为总数据点数;
(3)静态散斑信号处理
激光散斑信号中动态信号代表植物内部运动情况,静态散斑强度则与植物内部散射结构有关,采用去相关算法得到静态散斑分布情况即静态散斑强度R;
静态散斑计算法公式如下:
空间域上的计算方法是,选择滑动窗尺寸为7×7,在滑动窗内计算不同位置散斑信号的去相关系数;
时间域上的计算方法是对二维图像中某一点散斑信号时间序列进行计算得到去相关系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810698011.XA CN109060664B (zh) | 2018-06-29 | 2018-06-29 | 一种基于激光散斑技术的植物生长过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810698011.XA CN109060664B (zh) | 2018-06-29 | 2018-06-29 | 一种基于激光散斑技术的植物生长过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109060664A CN109060664A (zh) | 2018-12-21 |
CN109060664B true CN109060664B (zh) | 2021-03-26 |
Family
ID=64818505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810698011.XA Active CN109060664B (zh) | 2018-06-29 | 2018-06-29 | 一种基于激光散斑技术的植物生长过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109060664B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815846B (zh) * | 2018-12-29 | 2021-08-27 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和电子装置 |
CN109781729A (zh) * | 2019-01-17 | 2019-05-21 | 广西慧云信息技术有限公司 | 一种葡萄生理情况在线监控系统 |
CN110286092B (zh) * | 2019-07-03 | 2021-12-31 | 德丰电创科技股份有限公司 | 一种作物生长趋势分析系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7123363B2 (en) * | 2003-01-03 | 2006-10-17 | Rose-Hulman Institute Of Technology | Speckle pattern analysis method and system |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN104634699A (zh) * | 2015-02-28 | 2015-05-20 | 河南科技大学 | 基于拉盖尔-高斯光束的散斑对比度成像测量装置及方法 |
CN105441484A (zh) * | 2015-11-25 | 2016-03-30 | 北京林业大学 | 乳酸根插层的类水滑石超薄纳米片负载生物活性分子导入植物细胞的方法 |
-
2018
- 2018-06-29 CN CN201810698011.XA patent/CN109060664B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7123363B2 (en) * | 2003-01-03 | 2006-10-17 | Rose-Hulman Institute Of Technology | Speckle pattern analysis method and system |
CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
CN104634699A (zh) * | 2015-02-28 | 2015-05-20 | 河南科技大学 | 基于拉盖尔-高斯光束的散斑对比度成像测量装置及方法 |
CN105441484A (zh) * | 2015-11-25 | 2016-03-30 | 北京林业大学 | 乳酸根插层的类水滑石超薄纳米片负载生物活性分子导入植物细胞的方法 |
Non-Patent Citations (4)
Title |
---|
Blood flow observed by time-varying laser speckle;Hitoshi Fujii 等;《OPTICS LETTERS》;19850331;第10卷(第3期);全文 * |
Relationship between biospeckle laser technique and firmness of Acrocomia aculeata fruits;Anderson G. Costa 等;《Revista Brasileira de Engenharia Agrícola e Ambiental》;20161123;第21卷(第1期);全文 * |
生物散斑技术在农产品品质分析中的应用;胡孟晗等;《生物散斑技术在农产品品质分析中的应用》;20131231;第29卷(第24期);全文 * |
生物散斑测量技术综述;段怡婷等;《激光与光电子学进展》;20130114;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109060664A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109060664B (zh) | 一种基于激光散斑技术的植物生长过程监测方法 | |
Jhuria et al. | Image processing for smart farming: Detection of disease and fruit grading | |
Nicolae et al. | A neural network aerosol-typing algorithm based on lidar data | |
Bietresato et al. | Evaluation of a LiDAR-based 3D-stereoscopic vision system for crop-monitoring applications | |
Wiederman et al. | A model for the detection of moving targets in visual clutter inspired by insect physiology | |
Noh et al. | A neural network model of maize crop nitrogen stress assessment for a multi-spectral imaging sensor | |
Alonso González et al. | Polarimetric SAR time series change analysis over agricultural areas | |
Arakeri et al. | Computer vision based robotic weed control system for precision agriculture | |
Peters et al. | Measuring the structure of dynamic visual signals | |
CN112957014B (zh) | 一种基于脑电波与神经网络的疼痛检测定位方法及系统 | |
Hincapié et al. | MEG connectivity and power detections with minimum norm estimates require different regularization parameters | |
Hernández-Carrasco et al. | Impact of HF radar current gap-filling methodologies on the Lagrangian assessment of coastal dynamics | |
Andújar et al. | A LiDAR-based system to assess poplar biomass | |
Yovel et al. | What a plant sounds like: the statistics of vegetation echoes as received by echolocating bats | |
Ansari et al. | Biospeckle assessment of torn plant leaf tissue and automated computation of leaf vein density (LVD) | |
CN114402359B (zh) | 用于检测人的合成视频的系统和方法 | |
CN115294518B (zh) | 一种园艺植物温室精准栽培的智能监控方法及系统 | |
Wilson et al. | An acoustic investigation of seagrass photosynthesis | |
Jatmika et al. | The effect of sound vibration towards the stomata pore area via edge detection analysis | |
Obu et al. | Computer vision for monitor and control of vertical farms using machine learning methods | |
Negrete | Artificial vision in mexican agriculture for identification of diseases, pests and invasive plants | |
Parr et al. | Acoustic identification of grape clusters occluded by foliage | |
Li et al. | Quality prediction of tractor rotary tillage based on BiConvLSTM with self-attention | |
Zhang et al. | Influence of recording devices and environmental noise on acoustic index scores: Implications for bird sound-based assessments | |
Paudel et al. | Vision-based normalized canopy area estimation for variable nitrogen application in apple orchards |
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 |