CN109781728A - 一种无损伤测量植物叶绿素的方法 - Google Patents

Abstract

本发明属于图像智能识别的领域，具体涉及一种无损伤测量植物叶绿素的方法。一种无损伤测量植物叶绿素的方法，是将植物叶绿素数值范围按固定区段长度分为若干分类；以植物叶绿素值最低点开始向叶绿素值最高点，按固定区段长度划分每一分类，最后一分类不满固定区段的，以实际区段长度计入最后分类；选取每一分类中对应叶绿素区间的植物作为样本；然后构建植物叶绿素的分类识别网络模型；通过智能终端拍摄植物，将拍摄的植物图像通过网络模型进行识别，返回识别结果中可信度最高的若干个分类；根据下公式推算叶子的叶绿素。本发明测量效果好、测量效率高、测量成本低。

Description

一种无损伤测量植物叶绿素的方法

技术领域

本发明属于图像智能识别的领域，具体涉及一种基于图像分类识别及可信度算法的无损伤测量植物叶绿素的方法。

技术背景

叶绿素的含量与植物光合作用以及氮素营养有密切的关系，在植物施肥、育种及病理研究上常需要测定植物的叶绿素。现有的叶绿素的含量测定方法有多种，通常采用分光光度法：利用分光光度计测定叶绿素提取液在最大吸收波长下的吸光值，即可用朗伯—比尔定律计算出提取液中各色素的含量。但是分光广度法测定叶绿素测量方法复杂、需通过化学试剂及分光光度计等特定设备来测量、测量的效率低、测量的成本高、对绿叶有损伤。

发明内容

为解决上述技术问题，本发明公开了一种只需要普通相机或智能手机拍照、不需要其他设备和化学试剂，同时测量效率高、测量成本低，对绿叶无损害的基于图像分类识别及可信度算法的无损伤测量植物叶绿素的方法。具体技术方案如下：

一种无损伤测量植物叶绿素的方法，具体步骤如下：

S1：将植物叶绿素数值范围按固定区段长度分为若干分类；以植物叶绿素值最低点开始向叶绿素值最高点，按固定区段长度划分每一分类，最后一分类不满固定区段的，以实际区段长度计入最后分类；

S2：选取每一分类中对应叶绿素区间的植物作为样本；

S3：构建植物叶绿素的分类识别网络模型；

S4：通过智能终端拍摄植物，将拍摄的植物图像通过网络模型进行识别，返回识别结果中可信度最高的若干个分类；

S5：根据以下公式推算叶子的叶绿素：

(仅有1个Top0和1个Top1)

SP＝SP0(有1个Top0和2个Top1)

(有2个Top0)

其中，SP为当前植物叶绿素值；SP0为通过网络模型识别返回的可信度最高的分类对应的叶绿素中值；SP0’为通过网络模型识别返回的可信度最高值Top0数量为2个时，另一个可信度最高值的分类对应的叶绿素中值；SP1为通过网络模型识别返回的可信度次高的分类对应的叶绿素中值；Top0为通过网络模型识别返回的可信度最高值；Top1为通过网络模型识别返回的可信度次高值；为通过网络模型识别返回的可信度最高的分类的权重，为通过网络模型识别返回的可信度次高的分类的权重。

拍摄的植物图片通过网络模型识别并返回识别结果中可信度最高的若干个分类再根据分类和叶绿素值关系，即可测量得到植物叶绿色的值，对植物没有损害，也不需要通过设备或化学试剂作为测量载体，测量效果好、测量效率高、测量成本低。

进一步地，步骤S1中，将植物叶绿素数值范围按10SPAD区段长度分为若干分类。

进一步地，步骤S2中，每一分类样本数量不少于500张。

进一步地，步骤S2中，为增加每一分类之间的差异，以及根据精度要求及样本数量，适当扩大选择样本范围，将每一个分类的叶绿素中值的前后1％区间长度作为样本采集区间。

进一步地，步骤S3中，将每一分类中对应叶绿素的植物样本分为训练样本和测试样本；训练样本通过GoogLeNet深度神经网络提取图片的特征信息，特征信息包括色彩信息、纹理信息等,然后预测图片的所属分类，经多次迭代后生成网络参数；测试样本中的数据对训练好的网络参数进行测试，获得测试图片的所属分类与测试图片在S2中所属分类进行比较，最终通过召回率recall和识别精度进行评估，多次迭代后得到优化后的网络参数。

进一步地，将每一分类中对应叶绿素的植物样本按照5：1分为训练样本和测试样本。

进一步地，步骤S4中，根据业务需要返回识别结果中可信度最高的5个分类或3个分类。

进一步地，步骤S1中，将植物叶绿素数值做好分类后，为每一分类设定权重所有分类的权重值相加等于1。

本发明的有益效果：

本发明通过拍摄的植物图片通过网络模型返回识别结果中可信度最高的若干个分类(根据业务需要返回可信度最高的5个或3个分类)，再根据分类和叶绿素值关系，即可测量得到植物叶绿色的值，对植物没有损害，也不需要通过设备或化学试剂作为测量载体，同时，在样本采样中增加了分类之间的差异，测量效果好、测量效率高、测量成本低。

附图说明

附图1为本发明的一种无损伤测量植物叶绿素的方法的实现流程图。

具体实施方式

下面结合具体实施例，对本发明作进一步详细的阐述，但本发明的实施方式并不局限于实施例表示的范围。这些实施例仅用于说明本发明，而非用于限制本发明的范围。此外，在阅读本发明的内容后，本领域的技术人员可以对本发明作各种修改，这些等价变化同样落于本发明所附权利要求书所限定的范围。

实施例一：

对葡萄叶子进行叶绿素识别，具体步骤如下：

S1：葡萄叶子叶绿素数值范围一般为0到70SPAD，将葡萄叶子叶绿素数值范围按10SPAD区段长度分为若干分类，并为每一分类设置权重；即分类M1＝[0,10]，权重分类M2＝[10,20]，权重分类M3＝(0,10)，权重分类M4＝(0,10)，权重分类M5＝(0,10)，权重分类M6＝(0,10)，权重分类M7＝(0,10)，权重其中，

S2：将每一个分类的叶绿素中值的前后1％区间长度作为样本采集区间,选取该区间的植物作为样本，即分类M1的中值为5，选取[4.5,5.5]叶绿素区间的葡萄叶子作为分类M1的样本，每个分类的分类样本数量为7200张；

S3：将每一分类中对应叶绿素的葡萄叶子样本按照5：1分为训练样本和测试样本，即训练样本6000张，测试样本1200张；训练样本通过GoogLeNet深度神经网络提取图片的特征信息，特征信息包括色彩信息、纹理信息等,然后预测图片的所属分类，经50万次迭代后生成网络参数；测试样本中的数据对训练好的网络参数进行测试，获得测试图片的所属分类与测试图片在S2中所属分类进行比较，最终通过召回率recall和识别精度进行评估，多次迭代后得到优化后的葡萄叶子叶绿素分类识别网络参数；

S4：通过智能终端拍摄葡萄叶子，将拍摄的葡萄叶子图像通过葡萄叶子叶绿素分类识别网络参数进行识别，返回可信度最高的5个分类如下：

M2	75％
		M1	20％
M3	5％
		M4	0％
M5	0％

因此可得出，可信度最高值Top0＝75％，可信度最高值有1个，可信度最高值对应的分类M2，分类M2对应的叶绿素中值SP0＝15,分类M2对应的权重可信度次高值Top1＝20％，可信度次高值仅有1个，可信度最高值对应的分类M1，分类M1对应的叶绿素中值SP1＝5，分类M1对应的权重

S5：根据以下公式推算叶子的叶绿素SP：

其中，SP为当前植物叶绿素值；SP0为通过网络模型识别返回的可信度最高的分类对应的叶绿素中值；SP1为通过网络模型识别返回的可信度次高的分类对应的叶绿素中值；Top0为通过网络模型识别返回的可信度最高值；Top1为通过网络模型识别返回的可信度次高值；

因此，本实施例中的计算得到SP＝12.89。

实施例二：

对葡萄叶子进行叶绿素识别，具体步骤如下：

S1：葡萄叶子叶绿素数值范围一般为0到70SPAD，将葡萄叶子叶绿素数值范围按10SPAD区段长度分为若干分类，即分类M1＝(0,10)，分类M2＝(10,20)，分类M3＝(0,10)，分类M4＝(0,10)，分类M5＝(0,10)，分类M6＝(0,10)，分类M7＝(0,10)；

S2：将每一个分类的叶绿素中值的前后1％区间长度作为样本采集区间,选取该区间的植物作为样本，即分类M1的中值为5，选取[4.5,5.5]叶绿素区间的葡萄叶子作为分类M1的样本，每个分类的分类样本数量为7200张；

S3：将每一分类中对应叶绿素的葡萄叶子样本按照5：1分为训练样本和测试样本，即训练样本6000张，测试样本1200张；训练样本通过GoogLeNet深度神经网络提取图片的特征信息，特征信息包括色彩信息、纹理信息等，然后预测图片的所属分类，经50万次迭代后生成网络参数；测试样本中的数据对训练好的网络参数进行测试，获得测试图片的所属分类与测试图片在S2中所属分类进行比较，最终通过召回率recall和识别精度进行评估，多次迭代后得到优化后的葡萄叶子叶绿素分类识别网络参数；

S4：通过智能终端拍摄葡萄叶子，将拍摄的葡萄叶子图像通过葡萄叶子叶绿素分类识别网络参数进行识别，返回可信度最高的5个分类如下：

M1	2％
		M2	48％
M3	48％
		M4	2％
M5	0％

因此可得出，可信度最高值Top0＝48％，可信度最高值有2个，2个可信度最高值分别对应的分类M2和分类M3，分类M2对应的叶绿素中值SP0＝15，分类M3对应的叶绿素中值SP0＝25；

S5：根据以下公式推算叶子的叶绿素SP：

其中，SP为当前植物叶绿素值；SP0和SP0’分别为通过网络模型识别返回的可信度最高的2个分类对应的叶绿素中值；

因此，本实施例中的计算得到SP＝20。

实施例三：

对葡萄叶子进行叶绿素识别，具体步骤如下：

S1：葡萄叶子叶绿素数值范围一般为0到70SPAD，将葡萄叶子叶绿素数值范围按10SPAD区段长度分为若干分类，即分类M1＝(0,10)，分类M2＝(10,20)，分类M3＝(0,10)，分类M4＝(0,10)，分类M5＝(0,10)，分类M6＝(0,10)，分类M7＝(0,10)；

S2：将每一个分类的叶绿素中值的前后1％区间长度作为样本采集区间,选取该区间的植物作为样本，即分类M1的中值为5，选取[4.5,5.5]叶绿素区间的葡萄叶子作为分类M1的样本，每个分类的分类样本数量为3000张；

S3：将每一分类中对应叶绿素的葡萄叶子样本按照5：1分为训练样本和测试样本，即训练样本2500张，测试样本500张；训练样本通过GoogLeNet深度神经网络提取图片的特征信息,特征信息包括色彩信息、纹理信息等,然后预测图片的所属分类，经50万次迭代后生成网络参数；测试样本中的数据对训练好的网络参数进行测试，获得测试图片的所属分类与测试图片在S2中所属分类进行比较，最终通过召回率recall和识别精度进行评估，多次迭代后得到优化后的葡萄叶子叶绿素分类识别网络参数；

S4：通过智能终端拍摄葡萄叶子，将拍摄的葡萄叶子图像通过葡萄叶子叶绿素分类识别网络参数进行识别，返回可信度最高的3个分类如下：

M2	10％
		M3	80％
M4	10％

因此可得出，可信度最高值Top0＝80％，可信度最高值有1个，可信度最高值对应的分类M3，分类M3对应的叶绿素中值SP0＝25；可信度次高值Top1＝10％，可信度次高值仅有2个，2个可信度最高值分别对应的分类M2和分类M4；

S5：根据以下公式推算叶子的叶绿素SP：

SP＝SP0

其中，SP为当前植物叶绿素值；SP0为通过网络模型识别返回的可信度最高的分类对应的叶绿素中值；

因此，本实施例中的计算得到SP＝25。

Claims (8)

1.一种无损伤测量植物叶绿素的方法，其特征在于，具体步骤如下：

S1：将植物叶绿素数值范围按固定区段长度分为若干分类；

S2：选取每一分类中对应叶绿素区间的植物作为样本；

S3：构建植物叶绿素的分类识别网络模型；

S4：通过智能终端拍摄植物，将拍摄的植物图像通过网络模型进行识别，返回识别结果中可信度最高的若干个分类；

S5：根据以下公式推算叶子的叶绿素：

(仅有1个Top0和1个Top1)

SP＝SP0 (有1个Top0和2个Top1)

(有2个Top0)

其中，SP为当前植物叶绿素值；SP0为通过网络模型识别返回的可信度最高的分类对应的叶绿素中值；SP0’为通过网络模型识别返回的可信度最高值Top0数量为2个时，另一个可信度最高值的分类对应的叶绿素中值；SP1为通过网络模型识别返回的可信度次高的分类对应的叶绿素中值；Top0为通过网络模型识别返回的可信度最高值；Top1为通过网络模型识别返回的可信度次高值；为通过网络模型识别返回的可信度最高的分类的权重，为通过网络模型识别返回的可信度次高的分类的权重。

2.根据权利要求1所述的一种无损伤测量植物叶绿素的方法，其特征在于，步骤S1中，将植物叶绿素数值范围按10SPAD区段长度分为若干分类。

3.根据权利要求1所述的一种无损伤测量植物叶绿素的方法，其特征在于，步骤S2中，每一分类样本数量不少于500张。

4.根据权利要求1所述的一种无损伤测量植物叶绿素的方法，其特征在于，步骤S2中，将每一个分类的叶绿素中值的前后1％区间长度作为样本采集区间。

5.根据权利要求1所述的一种无损伤测量植物叶绿素的方法，其特征在于，步骤S3中，将每一分类中对应叶绿素的植物样本分为训练样本和测试样本；训练样本通过GoogLeNet深度神经网络提取图片的特征信息,然后预测图片的所属分类，经多次迭代后生成网络参数；测试样本中的数据对训练好的网络参数进行测试，获得测试图片的所属分类与测试图片在S2中所属分类进行比较，对识别精度进行评估，多次迭代后得到优化后的网络参数。

6.根据权利要求5所述的一种无损伤测量植物叶绿素的方法，其特征在于，将每一分类中对应叶绿素的植物样本按照5：1分为训练样本和测试样本。

7.根据权利要求1所述的一种无损伤测量植物叶绿素的方法，其特征在于，步骤S4中，返回识别结果中可信度最高的5个分类或3个分类。

8.根据权利要求1所述的一种无损伤测量植物叶绿素的方法，其特征在于，步骤S1中，将植物叶绿素数值做好分类后，为每一分类设定权重，所有分类的权重值相加等于1。