CN109632799A - 基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种基于机器视觉的水稻叶片氮含量移动检测分级方法，利用数字图像所提供的光学指标与水稻叶片氮素含量的相关关系分析，实现水稻叶片氮含量的快速移动检测。本发明利用机器视觉技术，将处理技术方案移植到移动智能终端，实现对水稻叶片氮含量进行简便、低成本、实时动态的快速分析检测，且创新性地采用了背景比对法，解决以往杂乱背景对叶片图像采集带来的不便，同时也很有效的解决杂乱背景在提取目标叶片图像时产生的干扰。

Description

基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和 计算机可读存储介质

技术领域

本发明涉及人工智能、模式识别与农业信息化等的交叉领域，特别涉及一种基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和介质，适用在水稻产品质量评估中。

背景技术

水稻是世界上三大主要粮食作物之一，是全世界接近一半人口的主食。在中国，稻谷的产量约占我国谷类粮食总产量的45％。21世纪以来，中国水稻呈现“面积无增长，单产提高慢，总产增长少，消费增长多，进口增长快”的不良态势。为了避免粮食危机，提高产量和品质尤为重要，其产量和质量的稳定对国家粮食安全有着至关重要的影响。

随着人工智能技术的发展和完善，利用人工智能相关技术进行农业图像分析逐渐成为图像处理研究的热点。目前已经具备一定的理论基础和实践经验，也取得了一系列成果。机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种) 将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

在水稻品质检测中，作为农作物生长发育的主要营养元素，氮素是影像水稻产量和质量的重要原因之一。水稻氮素状况是长势评价、产量和质量估测的重要指标，因此，水稻氮含量的检测与评估直接关系到国计民生。目前，常见的水稻叶片氮含量的检测主要分为两大类：第一类为实验室化学检测，第二类是固定物理检测。前者通过采集水稻叶片在实验室利用化学试剂进行一系列的处理，获得检测结果，这种方式可以较精准地实现水稻叶片氮含量的检测，不足之处在于该方法要求破坏水稻样本，而且要消耗大量时间、人力和物力，个别方法还需要价格昂贵的分析仪器，同时也无法做到全部区域的检测。后者是通过数码相机、传感器等采集仪器采集水稻图片，然后再通过电脑进行对图片处理分析得到水稻氮素营养状态诊断结果，但是中国的农业信息化程度偏低，在实际推广图像及机器视觉技术存在较大困难，同时，专业的图像处理技术则对分析人员的专业水平有相应的要求，技术难度大，不便于应用在实际农业生产中，无法在一般农户中得到很好的推广。

发明内容

本发明针对以上问题，在于提供一种轻量级、高效的、可扩展的基于机器视觉的水稻叶片氮含量移动检测分级系统及实现方法，用于解决现有水稻叶片氮含量检测方法无法保护样本、使用效率低、无法广泛推广等技术问题。

为了达到上述发明目的，本发明提供了一种基于机器视觉的水稻叶片氮含量移动检测分级方法，利用数字图像所提供的光学指标与水稻叶片氮素含量的相关关系分析，实现水稻叶片氮含量的快速移动检测，包括：

步骤一、水稻叶面积指数测量，获取冠层照片，对冠层图处理分析获得水稻叶面积指数；

步骤二、水稻叶片氮素诊断分级，对获取的水稻叶片图像进行预处理，去除无用背景和噪声，获得完整水稻叶片目标图像，提取叶片红绿蓝三色信息，计算获得叶片标准化绿光值，进而获得水稻叶片氮素含量信息并分级；

步骤三、水稻群体氮素丰缺诊断，对目标区域进行随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，进而评估大田水稻氮素丰缺情况

优选的，上述步骤一通过移动设备进行数据采集和检测。

优选的，上述步骤一获取水稻冠层图像，对彩色数字冠层图像进行灰度化、二值化、滤除噪声的预处理，而后提取冠层孔隙度，并反演获得冠层叶面积指数，最后将彩色数字冠层图像、冠层孔隙度及冠层叶面积指数展现于叶面积指数结果界面，给用户提供所需的水稻叶面积指数信息。

优选的，上述步骤二在放置好A4纸背景后获取水稻叶片图像，再对彩色数字叶片图像进行灰度化、二值化、滤除噪声及叶片区域提取的预处理，而后计算水稻叶片标准化绿光值，反演水稻叶片氮素含量并分级，最后将彩色数字叶片图像、水稻叶片氮含量及氮含量分级结果显示于水稻叶片氮含量诊断结果界面，为用户提供所需的叶片氮含量信息。

优选的，上述步骤三对大田水稻进行群体氮含量检测诊断，对大田随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，结束采样后进行群体氮素丰缺诊断，获得水稻群体氮素丰缺诊断结果。

优选的，上述步骤一具体采用半球摄影法，以底视法的拍摄方式获取冠层照片，对冠层图像处理分析获得水稻叶面积指数LAI，如式(1)所示：

式中，n表示将图像按视角划分为n个等分同心环，θ是视角，T(θ_i)是第i个环内提取的孔隙度，Δθ＝π/2n。

优选的，上述步骤二还包括转换获得图像亮度指标L，如式(2)所示：

之后计算获得叶片目标的绿光与亮度比值G_L和标准化绿光值G_V，如式(3)和(4)所示：

式中m为叶片目标的像元数量。

构建指标T_n作为各氮含量水平的阈值，n为分类等级，预分类6个等级如式(5)所示：

从而获得水稻叶片氮素含量信息及等级N_k。

优选的，上述步骤三具体为水稻群体氮素丰缺诊断，对目标区域进行随机采样，根据水稻田块合理设置采样点数量及位置，采用步骤一的方法获取采样点水稻叶面积指数，采用步骤二的方法获取采样点的水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，获得大田水稻氮素情况T_N，如式(6)所示：

T_N＝0.0039LAI+0.99618T_n (6)

进而获得大田水稻氮素丰缺情况等级N_K。

一种基于机器视觉的水稻叶片氮含量移动检测分级系统，包括：

水稻叶面积指数测量单元，用于获取水稻冠层图像，对彩色数字冠层图像进行灰度化、二值化、滤除噪声的预处理，而后提取冠层孔隙度，并反演获得冠层叶面积指数，最后将彩色数字冠层图像、冠层孔隙度及冠层叶面积指数展现于叶面积指数结果界面，给用户提供所需的水稻叶面积指数信息；

水稻叶片氮素诊断单元，用于对比背景后获取水稻叶片图像，再对彩色数字叶片图像进行灰度化、二值化、滤除噪声及叶片区域提取的预处理，而后计算水稻叶片标准化绿光值，反演水稻叶片氮素含量并分级，最后将彩色数字叶片图像、水稻叶片氮含量及氮含量分级结果显示于水稻叶片氮含量诊断结果界面，为用户提供所需的叶片氮含量信息；

水稻群体氮素丰缺诊断单元，用于对大田水稻进行群体氮含量检测诊断，对大田随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，结束采样后进行群体氮素丰缺诊断，获得水稻群体氮素丰缺诊断结果；

图像数据管理单元，用于显示及管理所获取的水稻彩色数字图像，并可显示已处理过彩色图像的采集日期信息、采集地点坐标信息、采集天气信息、水稻叶面积指数信息及水稻叶片氮素诊断结果信息。

优选的，上述水稻叶面积指数测量单元采用半球摄影法，以底视法的拍摄方式获取冠层照片，对冠层图像处理分析获得水稻叶面积指数LAI，如式(1)所示：

式中，n表示将图像按视角划分为n个等分同心环，θ是视角，T(θ_i)是第i个环内提取的孔隙度，Δθ＝π/2n。

优选的，上述水稻叶片氮素诊断单元转换获得图像亮度指标L，如式 (2)所示：

之后计算获得叶片目标的绿光与亮度比值G_L和标准化绿光值G_V，如式(3)和(4)所示：

式中m为叶片目标的像元数量；

构建指标T_n作为各氮含量水平的阈值，n为分类等级，预分类6个等级如式(5)所示：

从而获得水稻叶片氮素含量信息及等级N_k。

优选的，上述水稻群体氮素丰缺诊断单元对目标区域进行随机采样，根据水稻田块合理设置采样点数量及位置，通过水稻叶面积指数测量单元获取采样点水稻叶面积指数，通过水稻叶片氮素诊断单元获取采样点的水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，获得大田水稻氮素情况T_N，如式(6)所示：

T_N＝0.0039LAI+0.99618T_n (6)

进而获得大田水稻氮素丰缺情况等级N_K。

一种根据上述系统进行操作的方法，包括：

步骤1：启动水稻叶面积指数测量模块，操作叶面积指数测量模块指令，进入检测拍摄模式；

采用底视法拍摄水稻冠层图像，将设备置于水稻叶片下方的植株间隙中间向上拍摄，获取水稻冠层彩色数字图像；

确认图像可用，进行图像预处理，对图像进行灰度化、二值化、滤除噪声等操作，提取冠层孔隙度，并反演获得冠层叶面积指数；

转至叶面积指数结果处理，水稻冠层彩色数字图像、冠层孔隙度、冠层叶面积指数展示于该页面。

步骤2：启动水稻叶片氮素诊断模块，操作水稻叶片氮素诊断模块指令，进入水稻叶片氮素诊断拍摄模式；

将白色A4纸置于选取的水稻叶片后方并贴紧水稻叶片；

拍摄获取水稻叶片彩色数字图像；

确认叶片图像可用，进行叶片图像的预处理，对图像进行灰度化、二值化、滤除噪声及叶片区域提取操作；

获取目标叶片图像的红绿蓝三色信息，计算获得叶片的标准化绿光值，反演水稻叶片氮素含量并分级；

转至水稻叶片氮素诊断结果处理，所检测的叶片的氮素含量及氮含量等级展示于该页面；

步骤3：启动水稻群体氮素丰缺诊断模块，操作水稻群体氮素丰缺诊断模块指令，进入水稻群体氮素丰缺诊断的采样模式；

在水稻大田中随机选取采样点，对采样点的水稻进行叶面积指数测量及叶片氮素诊断，对一个采样点检测获得叶面积指数和叶片氮含量诊断结果后再到下一个采样点进行相同操作；

所有采样点都完成叶面积指数和叶片氮含量检测后，完成采样点检测；

输入所测水稻大田的面积，进行水稻群体氮素丰缺诊断，获得所检测的水稻大田的氮素丰缺诊断结果。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

与现有技术相比，本发明利用机器视觉技术，将处理技术方案移植到移动智能终端，实现对水稻叶片氮含量进行简便、低成本、实时动态的快速分析检测，且创新性地采用了背景比对法，解决以往杂乱背景对叶片图像采集带来的不便，同时也很有效的解决杂乱背景在提取目标叶片图像时产生的干扰。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明提供的基于机器视觉的水稻叶片氮含量移动检测分级系统结构图；

图2示出了本发明提供的基于机器视觉的水稻叶片氮含量移动检测分级系统操作流程图，(1)主界面；(2)冠层拍摄界面；(3)叶片拍摄界面；(4)图库界面；(5)冠层反馈界面；(6)叶片反馈界面；(7) 裁剪界面。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本实施例提供一种基于机器视觉的水稻叶片氮含量移动检测分级方法，利用数字图像所提供的光学指标与水稻叶片氮素含量的相关关系分析，实现水稻叶片氮含量的快速移动检测，其特征在于所述方法包括：

步骤一、水稻叶面积指数测量，获取冠层照片，对冠层图处理分析获得水稻叶面积指数；

步骤二、水稻叶片氮素诊断分级，对获取的水稻叶片图像进行预处理，去除无用背景和噪声，获得完整水稻叶片目标图像，提取叶片红绿蓝三色信息，计算获得叶片标准化绿光值，进而获得水稻叶片氮素含量信息并分级；

步骤三、水稻群体氮素丰缺诊断，对目标区域进行随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，进而评估大田水稻氮素丰缺情况。

在一些实施例中，步骤一、水稻叶面积指数测量，采用半球摄影法，以底视法的拍摄方式获取冠层照片，对冠层图像处理分析获得水稻叶面积指数LAI，如式(1)所示：

式中，n表示将图像按视角划分为n个等分同心环，θ是视角，T(θ_i)是第i个环内提取的孔隙度，Δθ＝π/2n；

在一些实施例中，步骤二、水稻叶片氮素诊断分级，对获取的水稻叶片图像进行预处理，去除无用背景和噪声，获得完整水稻叶片目标图像，提取叶片红绿蓝三色信息，转换获得图像亮度指标L，如式(2)所示：

之后计算获得叶片目标的绿光与亮度比值G_L和标准化绿光值G_V，如式(3)、(4)所示：

式中m为叶片目标的像元数量。

构建指标T_n作为各氮含量水平的阈值，n为分类等级，预分类6个等级如式(5)所示：

从而获得水稻叶片氮素含量信息及等级N_k，氮含量等级分类如下表：

在一些实施例中，步骤三、水稻群体氮素丰缺诊断，对目标区域进行随机采样，根据水稻田块合理设置采样点数量及位置，采用步骤一的方法获取采样点水稻叶面积指数，采用步骤二的方法获取采样点的水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，获得大田水稻氮素情况T_N，如式(6)所示：

T_N＝0.0039LAI+0.99618T_n (6)

进而获得大田水稻氮素丰缺情况等级等级N_K，大田水稻氮素丰缺情况分级如下表：

在一些实施例中，步骤一获取水稻冠层图像，对彩色数字冠层图像进行灰度化、二值化、滤除噪声的预处理，而后提取冠层孔隙度，并反演获得冠层叶面积指数，最后将彩色数字冠层图像、冠层孔隙度及冠层叶面积指数展现于叶面积指数结果界面，给用户提供所需的水稻叶面积指数信息。

在一些实施例中，步骤二在放置好A4纸背景后获取水稻叶片图像，再对彩色数字叶片图像进行灰度化、二值化、滤除噪声及叶片区域提取的预处理，而后计算水稻叶片标准化绿光值，反演水稻叶片氮素含量并分级，最后将彩色数字叶片图像、水稻叶片氮含量及氮含量分级结果显示于水稻叶片氮含量诊断结果界面，为用户提供所需的叶片氮含量信息。

在一些实施例中，步骤三对大田水稻进行群体氮含量检测诊断，对大田随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，结束采样后进行群体氮素丰缺诊断，获得水稻群体氮素丰缺诊断结果。

如图1所示，本实施例提供了一种机器视觉的水稻叶片氮含量移动检测分级方法的软件系统结构图，该系统包括：水稻叶面积指数测量模块、水稻叶片氮素诊断模块、水稻群体氮素丰缺诊断模块、图像数据管理模块。

水稻叶面积指数测量模块，用于获取水稻冠层图像，对彩色数字冠层图像进行灰度化、二值化、滤除噪声等预处理，而后提取冠层孔隙度，并反演获得冠层叶面积指数，最后将彩色数字冠层图像、冠层孔隙度及冠层叶面积指数展现于叶面积指数结果界面，给用户提供所需的水稻叶面积指数信息。

水稻叶片氮素诊断模块，用于在放置好A4纸背景后获取水稻叶片图像，再对彩色数字叶片图像进行灰度化、二值化、滤除噪声及叶片区域提取等预处理，而后计算水稻叶片标准化绿光值，反演水稻叶片氮素含量并分级，最后将彩色数字叶片图像、水稻叶片氮含量及氮含量分级结果显示于水稻叶片氮含量诊断结果界面，为用户提供所需的叶片氮含量信息。

水稻群体氮素丰缺诊断模块，用于对大田水稻进行群体氮含量检测诊断，对大田随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，结束采样后进行群体氮素丰缺诊断，获得水稻群体氮素丰缺诊断结果。

图像数据管理模块，用于显示及管理所获取的水稻彩色数字图像，并可显示已处理过彩色图像的采集日期信息、采集地点坐标信息、采集天气信息、水稻叶面积指数信息及水稻叶片氮素诊断结果信息等。

在一些实施例中，应用软件采用Google公司提供的Android Studio集成开发工具进行本发明的Android软件实现的开发，通过Android软件实现机器视觉的水稻叶片氮含量移动检测分级及拓展功能。

如图2所示为一种机器视觉的水稻叶片氮含量移动检测分级方法及其软件实现的流程示意图，具体步骤如下：

步骤1：软件启动水稻叶面积指数测量模块，实现的主要方法和关键步骤如下：

(1)在软件主界面中，点击叶面积指数测量模块按钮，进入检测拍摄界面；

(2)采用底视法拍摄水稻冠层图像，将设备置于水稻叶片下方的植株间隙中间向上拍摄，获取水稻冠层彩色数字图像；

(3)确认图像可用，点击下一步，进行图像预处理，对图像进行灰度化、二值化、滤除噪声等操作，提取冠层孔隙度，并反演获得冠层叶面积指数；

(4)跳转至叶面积指数结果页面，水稻冠层彩色数字图像、冠层孔隙度、冠层叶面积指数展示于该页面。

步骤2：启动水稻叶片氮素诊断模块，实现的主要方法和关键步骤如下：

(1)返回软件主界面，点击水稻叶片氮素诊断模块按钮，进入水稻叶片氮素诊断拍摄界面；

(2)将白色A4纸置于选取的水稻叶片后方并贴紧水稻叶片；

(3)点击拍摄，获取水稻叶片彩色数字图像；

(4)确认叶片图像可用，点击下一步，进行叶片图像的预处理，对图像进行灰度化、二值化、滤除噪声及叶片区域提取等操作；

(5)获取目标叶片图像的红绿蓝三色信息，计算获得叶片的标准化绿光值，反演水稻叶片氮素含量并分级；

(6)跳转至水稻叶片氮素诊断结果界面，所检测的叶片的氮素含量及氮含量等级展示于该页面。

步骤3：启动水稻群体氮素丰缺诊断模块，实现的主要方法和关键步骤如下：

(1)返回软件主界面，点击水稻群体氮素丰缺诊断模块按钮，进入水稻群体氮素丰缺诊断的采样界面；

(2)在水稻大田中随机选取采样点，对采样点的水稻进行叶面积指数测量及叶片氮素诊断，对一个采样点检测获得叶面积指数和叶片氮含量诊断结果后再到下一个采样点进行相同操作；

(3)所有采样点都完成叶面积指数和叶片氮含量检测后，点击完成采样点检测；

(4)输入所测水稻大田的面积，进行水稻群体氮素丰缺诊断，获得所检测的水稻大田的氮素丰缺诊断结果。。

此外，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

此外，还可以提供一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

与现有技术相比，本发明利用机器视觉技术，通过数字图像所提供的的光学指标与水稻叶片氮含量的相关关系，实现水稻叶片氮含量的非破坏性检测；将所提出的技术方案移植到智能移动设备上，实现对水稻叶片氮含量进行简便、低成本、实时动态的快速分析检测的方案；利用白色A4 纸作为叶片图像采集时的背景，很好地解决以往杂乱背景对叶片图像采集带来的不便，同时也很有效的解决杂乱背景在提取目标叶片图像时产生的干扰；使用搭载高清摄像头的智能移动设备，将集成相机拍照和图像处理分析功能于一体，改进相机拍摄和图片处理分析分离带来的不便，可实现操作更便捷和成本更低廉的作物检测解决方案。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/ 输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种基于机器视觉的水稻叶片氮含量移动检测分级方法，利用数字图像所提供的光学指标与水稻叶片氮素含量的相关关系分析，实现水稻叶片氮含量的快速移动检测，其特征在于所述方法包括：

步骤一、水稻叶面积指数测量，获取冠层照片，对冠层图处理分析获得水稻叶面积指数；

步骤二、水稻叶片氮素诊断分级，对获取的水稻叶片图像进行预处理，去除无用背景和噪声，获得完整水稻叶片目标图像，提取叶片红绿蓝三色信息，计算获得叶片标准化绿光值，进而获得水稻叶片氮素含量信息并分级；

步骤三、水稻群体氮素丰缺诊断，对目标区域进行随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，进而评估大田水稻氮素丰缺情况。

2.根据权利要求1所述的基于机器视觉的水稻叶片氮含量移动检测分级方法，其特征在于，所述步骤一通过移动设备进行数据采集和检测。

3.根据权利要求1所述的基于机器视觉的水稻叶片氮含量移动检测分级方法，其特征在于，所述步骤一获取水稻冠层图像，对彩色数字冠层图像进行灰度化、二值化、滤除噪声的预处理，而后提取冠层孔隙度，并反演获得冠层叶面积指数，最后将彩色数字冠层图像、冠层孔隙度及冠层叶面积指数展现于叶面积指数结果界面，给用户提供所需的水稻叶面积指数信息。

4.根据权利要求1所述的基于机器视觉的水稻叶片氮含量移动检测分级方法，其特征在于，所述步骤二在放置好A4纸背景后获取水稻叶片图像，再对彩色数字叶片图像进行灰度化、二值化、滤除噪声及叶片区域提取的预处理，而后计算水稻叶片标准化绿光值，反演水稻叶片氮素含量并分级，最后将彩色数字叶片图像、水稻叶片氮含量及氮含量分级结果显示于水稻叶片氮含量诊断结果界面，为用户提供所需的叶片氮含量信息。

5.根据权利要求1所述的基于机器视觉的水稻叶片氮含量移动检测分级方法，其特征在于，所述步骤三对大田水稻进行群体氮含量检测诊断，对大田随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，结束采样后进行群体氮素丰缺诊断，获得水稻群体氮素丰缺诊断结果。

6.根据权利要求1-5之一所述的基于机器视觉的水稻叶片氮含量移动检测分级方法，其特征在于，所述步骤一具体采用半球摄影法，以底视法的拍摄方式获取冠层照片，对冠层图像处理分析获得水稻叶面积指数LAI，如式(1)所示：

式中，n表示将图像按视角划分为n个等分同心环，θ是视角，T(θ_i)是第i个环内提取的孔隙度，Δθ＝π/2n。

7.根据权利要求1-5之一所述的基于机器视觉的水稻叶片氮含量移动检测分级方法，其特征在于，所述步骤二还包括转换获得图像亮度指标L，如式(2)所示：

之后计算获得叶片目标的绿光与亮度比值G_L和标准化绿光值G_V，如式(3)和(4)所示：

式中m为叶片目标的像元数量。

构建指标T_n作为各氮含量水平的阈值，n为分类等级，预分类6个等级如式(5)所示：

从而获得水稻叶片氮素含量信息及等级N_k。

8.根据权利要求1-5之一所述的基于机器视觉的水稻叶片氮含量移动检测分级方法，其特征在于，所述步骤三具体为水稻群体氮素丰缺诊断，对目标区域进行随机采样，根据水稻田块合理设置采样点数量及位置，采用步骤一的方法获取采样点水稻叶面积指数，采用步骤二的方法获取采样点的水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，获得大田水稻氮素情况T_N，如式(6)所示：

T_N＝0.0039LAI+0.99618T_n (6)

进而获得大田水稻氮素丰缺情况等级N_K。

9.一种基于机器视觉的水稻叶片氮含量移动检测分级系统，包括：

水稻叶面积指数测量单元，用于获取水稻冠层图像，对彩色数字冠层图像进行灰度化、二值化、滤除噪声的预处理，而后提取冠层孔隙度，并反演获得冠层叶面积指数，最后将彩色数字冠层图像、冠层孔隙度及冠层叶面积指数展现于叶面积指数结果界面，给用户提供所需的水稻叶面积指数信息；

水稻叶片氮素诊断单元，用于对比背景后获取水稻叶片图像，再对彩色数字叶片图像进行灰度化、二值化、滤除噪声及叶片区域提取的预处理，而后计算水稻叶片标准化绿光值，反演水稻叶片氮素含量并分级，最后将彩色数字叶片图像、水稻叶片氮含量及氮含量分级结果显示于水稻叶片氮含量诊断结果界面，为用户提供所需的叶片氮含量信息；

水稻群体氮素丰缺诊断单元，用于对大田水稻进行群体氮含量检测诊断，对大田随机采样，获取采样点水稻叶面积指数和水稻叶片氮素诊断结果，结束采样后进行群体氮素丰缺诊断，获得水稻群体氮素丰缺诊断结果；

图像数据管理单元，用于显示及管理所获取的水稻彩色数字图像，并可显示已处理过彩色图像的采集日期信息、采集地点坐标信息、采集天气信息、水稻叶面积指数信息及水稻叶片氮素诊断结果信息。

10.根据权利要求9所述的系统，其特征在于，所述水稻叶面积指数测量单元采用半球摄影法，以底视法的拍摄方式获取冠层照片，对冠层图像处理分析获得水稻叶面积指数LAI，如式(1)所示：

式中，n表示将图像按视角划分为n个等分同心环，θ是视角，T(θ_i)是第i个环内提取的孔隙度，Δθ＝π/2n。

11.根据权利要求9所述的系统，其特征在于，所述水稻叶片氮素诊断单元转换获得图像亮度指标L，如式(2)所示：

之后计算获得叶片目标的绿光与亮度比值G_L和标准化绿光值G_V，如式(3)和(4)所示：

式中m为叶片目标的像元数量；

构建指标T_n作为各氮含量水平的阈值，n为分类等级，预分类6个等级如式(5)所示：

从而获得水稻叶片氮素含量信息及等级N_k。

12.根据权利要求9所述的系统，其特征在于，所述水稻群体氮素丰缺诊断单元对目标区域进行随机采样，根据水稻田块合理设置采样点数量及位置，通过水稻叶面积指数测量单元获取采样点水稻叶面积指数，通过水稻叶片氮素诊断单元获取采样点的水稻叶片氮素诊断结果，综合所获得大田样点的叶面积指数测量和叶片氮素诊断结果及大田面积，获得大田水稻氮素情况T_N，如式(6)所示：

T_N＝0.0039LAI+0.99618T_n (6)

进而获得大田水稻氮素丰缺情况等级N_K。

13.一种根据权利要求9-12所述系统进行操作的方法，其特征在于所述方法包括：

步骤1：启动水稻叶面积指数测量模块，操作叶面积指数测量模块指令，进入检测拍摄模式；

采用底视法拍摄水稻冠层图像，将设备置于水稻叶片下方的植株间隙中间向上拍摄，获取水稻冠层彩色数字图像；

确认图像可用，进行图像预处理，对图像进行灰度化、二值化、滤除噪声等操作，提取冠层孔隙度，并反演获得冠层叶面积指数；

转至叶面积指数结果处理，水稻冠层彩色数字图像、冠层孔隙度、冠层叶面积指数展示于该页面。

步骤2：启动水稻叶片氮素诊断模块，操作水稻叶片氮素诊断模块指令，进入水稻叶片氮素诊断拍摄模式；

将白色A4纸置于选取的水稻叶片后方并贴紧水稻叶片；

拍摄获取水稻叶片彩色数字图像；

确认叶片图像可用，进行叶片图像的预处理，对图像进行灰度化、二值化、滤除噪声及叶片区域提取操作；

获取目标叶片图像的红绿蓝三色信息，计算获得叶片的标准化绿光值，反演水稻叶片氮素含量并分级；

转至水稻叶片氮素诊断结果处理，所检测的叶片的氮素含量及氮含量等级展示于该页面；

步骤3：启动水稻群体氮素丰缺诊断模块，操作水稻群体氮素丰缺诊断模块指令，进入水稻群体氮素丰缺诊断的采样模式；

在水稻大田中随机选取采样点，对采样点的水稻进行叶面积指数测量及叶片氮素诊断，对一个采样点检测获得叶面积指数和叶片氮含量诊断结果后再到下一个采样点进行相同操作；

所有采样点都完成叶面积指数和叶片氮含量检测后，完成采样点检测；

输入所测水稻大田的面积，进行水稻群体氮素丰缺诊断，获得所检测的水稻大田的氮素丰缺诊断结果。

14.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。