CN109781728A - 一种无损伤测量植物叶绿素的方法 - Google Patents
一种无损伤测量植物叶绿素的方法 Download PDFInfo
- Publication number
- CN109781728A CN109781728A CN201811597324.2A CN201811597324A CN109781728A CN 109781728 A CN109781728 A CN 109781728A CN 201811597324 A CN201811597324 A CN 201811597324A CN 109781728 A CN109781728 A CN 109781728A
- Authority
- CN
- China
- Prior art keywords
- classification
- chlorophyll
- plant
- confidence level
- network model
- 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.)
- Withdrawn
Links
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597324.2A CN109781728A (zh) | 2018-12-26 | 2018-12-26 | 一种无损伤测量植物叶绿素的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597324.2A CN109781728A (zh) | 2018-12-26 | 2018-12-26 | 一种无损伤测量植物叶绿素的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109781728A true CN109781728A (zh) | 2019-05-21 |
Family
ID=66498262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811597324.2A Withdrawn CN109781728A (zh) | 2018-12-26 | 2018-12-26 | 一种无损伤测量植物叶绿素的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109781728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052251A (zh) * | 2021-03-31 | 2021-06-29 | 青岛农业大学 | 一种基于深度学习的红掌生长指标获取方法 |
-
2018
- 2018-12-26 CN CN201811597324.2A patent/CN109781728A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052251A (zh) * | 2021-03-31 | 2021-06-29 | 青岛农业大学 | 一种基于深度学习的红掌生长指标获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961089A (zh) | 基于度量学习和元学习的小样本和零样本图像分类方法 | |
CN110070067A (zh) | 视频分类方法及其模型的训练方法、装置和电子设备 | |
CN113537138A (zh) | 一种基于轻量化神经网络的交通标志识别方法 | |
CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 | |
CN107944283A (zh) | 一种数据敏感性识别方法及装置 | |
CN107527065B (zh) | 一种基于卷积神经网络的花卉品种识别模型建立方法 | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN104866871B (zh) | 基于投影结构稀疏编码的高光谱图像分类方法 | |
CN107590460B (zh) | 人脸分类方法、装置及智能终端 | |
CN111476280A (zh) | 植物叶片识别方法及系统 | |
Shi et al. | Amur tiger stripes: Individual identification based on deep convolutional neural network | |
CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN113049509B (zh) | 一种基于光谱技术的农产品检测管理系统 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN107220676A (zh) | 一种智慧城市规划系统 | |
CN108596077A (zh) | 高光谱图像自适应光谱聚焦波段选择方法 | |
CN108960314A (zh) | 基于难样本的训练方法、装置及电子设备 | |
CN110378374A (zh) | 一种模糊鉴别信息提取的茶叶近红外光谱分类方法 | |
CN105989043A (zh) | 自动获取商品图像中商标和检索商标的方法及其装置 | |
CN109871762A (zh) | 一种人脸识别模型的评价方法和装置 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
CN109919901A (zh) | 一种基于集成学习与随机森林的图像质量评价方法 | |
CN109781728A (zh) | 一种无损伤测量植物叶绿素的方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190521 |
|
WW01 | Invention patent application withdrawn after publication |