CN109827957A - 一种基于计算机视觉的水稻叶片spad值估测方法及系统 - Google Patents
一种基于计算机视觉的水稻叶片spad值估测方法及系统 Download PDFInfo
- Publication number
- CN109827957A CN109827957A CN201811540722.0A CN201811540722A CN109827957A CN 109827957 A CN109827957 A CN 109827957A CN 201811540722 A CN201811540722 A CN 201811540722A CN 109827957 A CN109827957 A CN 109827957A
- Authority
- CN
- China
- Prior art keywords
- color
- spad value
- rice leaf
- color component
- sample
- 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.)
- Granted
Links
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于计算机视觉的水稻叶片SPAD值估测方法,该方法包括:(1)采集一定数量的水稻叶片样本,并将所述水稻样本放在18%灰板上,获取对应样本图像;(2)测定所有样本图像的SPAD值;(3)采用阈值分割法去除样本图像中的灰板部分,留下绿色叶片主体部分;(4)提取所述样本图像的颜色特征,获得样本图像中的RGB颜色空间中颜色特征和HSV颜色空间中的颜色特征;(5)以所述颜色分量为输入,采用逐步回归分析方法,建立基于颜色分量的SPAD值估测模型M'2。本发明提出的方法,可快速得到整片水稻叶片SPAD值数据,估测结果精度较高、误差小,不仅能减少人工检测水稻叶片SPAD值的工作效率,还能为水稻叶片可视化研究提供依据。
Description
技术领域
本发明涉及计算机视觉技术和作物生长观测交叉的领域,具体涉及一种基于计算机视觉的水稻叶片SPAD值估测方法及系统。
背景技术
植物叶片颜色可以指示植物养分、水分状况、植物病害以及叶片的衰老程度,是精准农业中开展水肥管理、诊断植物长势、预测产量等的重要依据。SPAD(Soil PlantAnalysis Development)叶绿素仪是通过测量叶片在红光和近红外光范围内的透光系数来获得的SPAD值,确定植物叶片的“绿色度”,具有无损、快速、便携等特点,常被用来反映植物叶片的叶绿素含量或含氮量。但SPAD叶绿素仪只能逐点测量,无法快速获得整个叶片的“绿色度”。高光谱成像技术结合了图像技术和光谱技术,可以快速、无损地获取整个植物叶片的图像信息和生化信息,但普遍存在算法复杂、仪器成本高等缺点。因此,寻找一种易操作、低成本、便于推广应用的植物叶片颜色估测方法很有必要。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于计算机视觉的水稻叶片SPAD值估测方法,该方法可以解决目前估测算法复杂、仪器成本高、估测算法精度低的问题,本发明还提供一种基于计算机视觉的水稻叶片SPAD值估测系统。
技术方案:本发明所述的基于计算机视觉的水稻叶片SPAD值估测方法,该方法包括:
(1)采集一定数量的水稻叶片样本,并将所述水稻样本放在18%灰板上,获取对应样本图像;
(2)测定整个样本图像的SPAD值;
(3)采用阈值分割法去除样本图像中的灰板部分,留下绿色叶片主体部分;
(4)提取所述样本图像的颜色特征,获得样本图像中的RGB颜色空间中颜色特征的红光值R、绿光值G、蓝光值B和HSV颜色空间中的颜色特征色相H、饱和度S、明度V;
(5)依据R、G、B和H、S、V颜色特征参数,得到每张图像的颜色分量,以所述颜色分量为输入,采用逐步回归分析方法,建立基于颜色分量的SPAD值估测模型M'2。
优选的,所述步骤(1)中,采集从齐穗期至成熟期的水稻叶片样本。
优选的,步骤(2)中,整个样本图像的SPAD值测定方法为使用叶绿素计从样本图像的叶枕到叶尖,逐点检测SPAD值;检测点等间隔均匀分布于整个叶片,并将每个检测点的SPAD值取平均。
优选的,所述步骤(5)中,采用简单相关分析方法对所有样本的样本图像的颜色分量和对应SPAD值进行相关分析,确定颜色分量和SPAD值间的相关性。
优选的,基于颜色分量的SPAD值估测模型M'2,表示为:
M′2=A0+A3X3+A6X6+A7X7+A9X9
其中,A0,A3,A6,A7,A9分别为各个颜色分量对应系数,所述X3,X6,X7,X9分别为第三颜色分量b、第六颜色分量r/b、第七颜色分量DGCI以及第九颜色分量GR对应的编号。
优选的,所述第三颜色分量b=B/(R+G+B),第七颜色分量DGCI=[(H-0.16)/0.16+(1-S)+(1-V)]/3,第九颜色分量GR=G-R。
优选的,其特征在于,所述第六颜色分量r/b中,r=R/(R+G+B)。
另一方面,本发明还公开基于计算机视觉的水稻叶片SPAD值估测系统,包括:
样本采集模块,用于采集一定数量的水稻叶片样本,并将所述水稻样本放在18%灰板上,获取对应样本图像;
SPAD值测定模块,用于测定所有样本图像的SPAD值;
样本图像预处理模块,采用阈值分割法去除样本图像中的灰板部分,留下绿色叶片主体部分;
颜色特征提取模块,用于提取所述样本图像的颜色特征,获得样本图像中的RGB颜色空间中颜色特征的红光值R、绿光值G、蓝光值B和HSV颜色空间中的颜色特征色相H、饱和度S、明度V;
模型建构模块,用于依据R、G、B和H、S、V颜色特征参数,得到每张图像的颜色分量,以所述颜色分量为输入,采用逐步回归分析方法,建立基于颜色分量的SPAD值估测模型M'2。
优选的,所述样本采集模块中,水稻叶片样本为从齐穗期至成熟期的水稻叶片。
优选的,所述SPAD值测定模块中,使用叶绿素计对所有样本图像的SPAD值进行测定,测定方法为从样本图像的叶枕到叶尖,逐点检测SPAD值;检测点等间隔均匀分布于整个叶片,并将每个检测点的SPAD值取平均。
有益效果:本发明与现有技术相比,其显著优点是:1、HSV颜色空间与RGB颜色空间、18%灰板的综合应用,不仅可以消除不同光照条件引起图像间的差异,提高计算机视觉技术对植物叶片SPAD值的估测精度,还可以将植物图像真实感效果与其生理生态信息在计算机上进行表达;2、本发明提出的方法,可快速得到整片水稻叶片SPAD值数据,估测结果精度较高、误差小,可应用于需要快速、精确识别水稻叶片颜色的相关科研和为农服务工作中,不仅能减少人工检测水稻叶片SPAD值的工作效率,还能为水稻叶片可视化研究提供依据。
附图说明
图1为本发明所述的方法流程图;
图2为水稻叶片SPAD值和采样次数的关系图;
图3为水稻叶片采样次数和RGB颜色空间值的关系图;
图4为采样次数和HSV颜色空间值之间的关系图;
图5为M1模型下水稻叶片SPAD值预测值与实测值的关系图;
图6为M2模型下水稻叶片SPAD值预测值与实测值的关系图;
图7为M'1模型下水稻叶片SPAD值预测值与实测值的关系图;
图8为M'2模型下水稻叶片SPAD值预测值与实测值的关系图。
具体实施方式
实施例1
RGB颜色空间和HSV颜色空间介绍:根据比尔-朗伯定律分析发现,水稻叶片中部的SPAD值与对应叶片部位图像的R、G、B颜色分量存在显著非线性相关关系。水稻返青至齐穗期的叶片颜色变化和水稻叶片中上部分SPAD值变化趋势一致,其中叶片SPAD值与红色分量R值和绿色分量G值具有显著的相关性,与蓝色分量B值不具有明显的相关性。但现有的研究一般只选择RGB颜色空间进行图像颜色分析。
RGB颜色空间属于CIE标准色度学系统,是数字设备显示颜色的基础。但人们看到的颜色差异是物理意义上的变化与心理因素综合作用的结果,而HSV颜色空间是一种基于人对颜色的心理感受,将RGB色彩空间中的点在倒圆锥体中的表示方法,因此增加HSV颜色空间对叶片颜色进行综合分析,有助于增强图像分析的视觉效果真实感。
水稻抽穗期至成熟期是营养成分从茎叶向穗部输送和转化的关键时期。该时期叶片颜色的变化可以是反映水稻产量的重要表征之一。目前对水稻叶片颜色的图像分析多集中在营养生长期,对齐穗后水稻叶片颜色的图像分析较少。为此,本发明以齐穗期至成熟期的水稻叶片为研究对象,测量获得水稻整个叶片的SPAD值,并利用计算机视觉技术提取水稻叶片图像的RGB及HSV颜色空间中的颜色特征参数,计算典型的颜色分量。
如图1所示,本发明所述的基于计算机视觉的水稻叶片SPAD值估测方法,该方法包括:
步骤1、从齐穗期至成熟期的水稻,采集一定数量的水稻叶片样本,截取每株水稻的倒二叶,平展放在18%灰板上。用小型摄影棚内置的LED柔和光作为光源,采用相同的光照强度进行多角度采光,令所拍的叶片图像无阴影,获取对应样本图像。
步骤2、拍照后,使用SPAD502叶绿素计从水稻叶片的叶枕到叶尖,逐点检测SPAD值。检测点以1cm为间距,等间隔均匀分布于整个叶片。然后将每个检测点位的SPAD值取平均,作为整个叶片的SPAD值。
步骤3、采用阈值分割方法对图像进行分割去除图像中的灰色背景(灰板)部分,仅留下绿色叶片主体部分。
步骤4、提取图像的颜色特征参数,获得图像中RGB颜色空间中的红光值(R)、绿光值(G)、蓝光值(B)和HSV颜色空间中的色相(H)、饱和度(S)、明度(V)。获得的R、G、B和H、S、V值为各个像素点的平均值。S、V变化范围是0~1,H变化范围是0~360;为了统一量纲,把H进行归一化处理;
步骤5、依据R、G、B和H、S、V颜色特征参数,得到每张图像的颜色分量,以所述颜色分量为输入,采用逐步回归分析方法,建立基于颜色分量的SPAD值估测模型M'2。
利用用于建模分析的水稻叶片图像,提取图像颜色特征参数,计算得到每张图像的18个颜色分量。结合每张图像中叶片的SPAD值,采用简单相关分析方法,对所有组的颜色分量和SPAD值数据进行相关分析。按照相关系数显著性检验临界值表可知,当相关系数的绝对值大于0.21时,达到0.01极显著水平。除了X2、X9、X11、X13、X15、X16、X17以外,其余11种颜色分量和SPAD值的相关系数绝对值达到0.80以上,远高于0.21,达到极显著水平。此外,18种颜色分量之间大都存在极显著的相关关系,说明颜色分量之间也存在信息重叠现象。
以18种颜色分量作为自变量,采用逐步回归方法,建立SPAD值估测模型M'2,表示为:
M′2=A0+A3X3+A6X6+A7X7+A9X9
其中,A0,A3,A6,A7,A9分别为各个颜色分量对应系数,所述X3,X6,X7,X9分别为第三颜色分量b、第六颜色分量r/b、第七颜色分量DGCI以及第九颜色分量GR对应的编号。
第三颜色分量b=B/(R+G+B),第七颜色分量DGCI=[(H-0.16)/0.16+(1-S)+(1-V)]/3,第九颜色分量GR=G-R。第六颜色分量r/b中,r=R/(R+G+B)。
由上式可知,通过逐步回归方法得到估测SPAD值的关键颜色特征参数是G、H、S、V。由此可见,HSV颜色空间的分析应用对估测水稻叶片SPAD值是很有必要的。将用于模型检验的数据作为测试样本,计算该模型的R2、RMSE,对模型进行检验和精度比较分析。
为了验证本方法的有效性,做了多组以下对比实验:
(1)试验材料与设计
试验于2018年在江西省南昌县(116°12′6"E,28°38′58"N)进行。南昌县地处南昌市南部,属于亚热带季风气候,地势平坦,为中国典型的水稻产区。试验区设在具有代表性的百亩连片水稻产区之中,总面积为1.2km×1.0km。试验材料为杂交稻晶两优华占。播种期为5月5日,移栽期为6月1日。移栽时行间距为20cm×20cm,每穴2株。移栽后的田间水肥管理同大田常规。齐穗后每3天取样1次,每次取样均挑选长势与大田平均水平一致、无病虫害的水稻30株,至成熟期共计取样10次。
每次取样后,稻株连根带泥迅速带回实验室,以倒二叶为对象进行拍照,同时检测SPAD值,得到样本数据30组。10次取样、拍照、检测后,得到样本数据300组,其中150组用于分析和建模,另150组用于模型检验。
(2)水稻叶片图像的获取
截取每株水稻的倒二叶,平展放在18%灰板上。用小型摄影棚内置的LED柔和光作为光源,采用相同的光照强度进行多角度采光,令所拍的叶片图像无阴影。使用佳能G16型数字相机,固定于摄影棚顶部距离叶片60cm处,调整焦距使叶片清晰,以自动曝光模式控制曝光时间与色彩平衡,垂直拍摄叶片图像。图像采用4000×3000像素分辨率,以JPEG格式传入计算机。
(3)水稻叶片SPAD值的测定
拍照后,使用SPAD502叶绿素计从水稻叶片的叶枕到叶尖,逐点检测SPAD值。检测点以1cm为间距,等间隔均匀分布于整个叶片。然后将每个检测点位的SPAD值取平均,作为整个叶片的SPAD值。
(4)颜色特征参数的提取
在MATLAB2010中开发处理水稻叶片的计算程序。程序中,采用阈值分割方法对图像进行分割去除图像中的灰色背景(灰板)部分,仅留下绿色叶片主体部分。提取图像的颜色特征参数,获得图像中RGB颜色空间中的红光值(R)、绿光值(G)、蓝光值(B)和HSV颜色空间中的色相(H)、饱和度(S)、明度(V)。获得的R、G、B和H、S、V值为各个像素点的平均值。S、V变化范围是0~1,H变化范围是0~360;为了统一量纲,把H进行归一化处理。
以下为对比实验:
(1)水稻叶片SPAD值的变化特征及其与颜色特征参数的关系
水稻齐穗至成熟期的10次取样中,第1-4次取样时水稻处灌浆前期,第5-7次取样时水稻处灌浆后期,第8-10次水稻处成熟期。随着成熟度增加,水稻叶片SPAD值呈下降趋势,如图2所示;
其中,灌浆前期SPAD值由35缓慢下降为33,灌浆后期SPAD值稳定在29-28之间,成熟期SPAD值由28快速下降至19。6个颜色特征参数中,R、G、S、V呈上升趋势,H呈下降趋势,B变化不明显。将R、G、B和H、S、V分别作为一个整体,采用典型相关分析(canonicalcorrelation analysis,简称CCA)方法,比较分析两个颜色空间对水稻叶片SPAD值的整体影响。CCA分析结果表明,RGB颜色空间和HSV颜色空间均与SPAD值有极显著的相关关系,但HSV颜色空间与SPAD值的典型相关系数为0.9594,略高于RGB颜色空间与SPAD值的典型相关系数0.9520,说明HSV颜色空间对水稻叶片SPAD值的关系相对于RGB颜色空间而言更为密切,如图3和4所示。
利用SAS软件对RGB颜色空间和HSV颜色空间中的颜色特征参数进行相关分析,结果见表1。
表1颜色特征参数相关系数(n=150)
由表1可以看出,多种颜色特征参数间存在着较强的相关性,如R与G、S、V之间,G与S、V之间存在着较强的正相关性,H与R、G、S、V之间存在着较强的负相关性。可见6种颜色特征参数间存在信息重叠。
为减少信息重叠,建立尽可能少的、两两不相关的新变量,以下将对6种颜色特征参数进行主成分分析,进而探讨齐穗后水稻叶片的主要颜色特征参数。按照特征值大小确定方差贡献率,结果如表2所示。从表2可知,前2个主成分对应的累计方差贡献率达到97.34%。依据主成分提取原则,前2个主成分可较全面的反应叶片颜色特征的主要信息。第1、2主成分的特征向量见式(1)、式(2)。
表2颜色特征参数的特征值和方差贡献率
P1=0.4546R+0.4519G+0.0382B-0.4365H+0.4378S+0.4542V (1)
P2=0.0507R+0.1517G+0.9251B+0.1973H-0.2425S+0.1442V (2)
(2)颜色分量与水稻叶片SPAD值的相关性分析
对R、G、B和H、S、V颜色特征参数进行组合运算得到不同的颜色分量。依据已有研究成果及水稻叶片SPAD值和可见光植被指数之间的关系,选择18个颜色分量(见表3)进行分析。
利用150张用于建模分析的水稻叶片图像,提取图像颜色特征参数,然后按照表3计算得到每张图像的18个颜色分量。结合每张图像中叶片的SPAD值,采用简单相关分析方法,对150组颜色分量和SPAD值数据进行相关分析,其结果如表4所示。按照相关系数显著性检验临界值表可知,当相关系数的绝对值大于0.21时,达到0.01极显著水平。从图2可知,除了X2、X9、X11、X13、X15、X16、X17以外,其余11种颜色分量和SPAD值的相关系数绝对值达到0.80以上,远高于0.21,达到极显著水平。此外,18种颜色分量之间大都存在极显著的相关关系,说明颜色分量之间也存在信息重叠现象。
表3颜色分量
对18种颜色分量进行主成分分析,按照特征值大小确定方差贡献率,结果如表5所示。从表5可以看出,前2个主成分对应的累计方差贡献率达到99.18%,可较全面的反应叶片颜色特征的主要信息。第1、2主成分的特征向量如式(3)、式(4)所示。
P1′=-0.2814X1+0.1252X2+0.2577X3+0.2802X4-0.2440X5-0.2751X6
+0.2229X7-0.2751X8+0.2525X9+0.2807X10-0.0624X11+0.2807X12
+0.1257X13-0.2810X14+0.1220X15+0.2498X16-0.1496X17+0.2815X18 (3)
P2′=0.0383X1+0.3874X2-0.1765X3+0.0412X4-0.2162X5-0.0953X6
-0.2494X7+0.0811X8+0.1785X9+0.0497X10+0.4211X11+0.0479X12
+0.3870X13-0.0470X14+0.3874X15+0.2026X16+0.3660X17+0.0024X18 (4)
表4水稻叶片颜色分量和SPAD值的相关系数(n=150)
表5颜色分量的特征值和方差贡献率
(3)水稻叶片SPAD值估测模型构建
以6种颜色特征参数为基础,分别采用主成分回归分析和逐步回归分析方法,建立基于颜色特征参数的水稻叶片SPAD值估测模型M1、M2。同时,以18种颜色分量为基础,分别采用主成分回归分析和逐步回归分析方法,建立基于颜色特征参数的SPAD值估测模型M1′、M2′。
具体步骤是:将150组用于分析建模的数据作为样本,按照式(1)、式(2)计算每个样本的颜色特征参数第1、2主成分P1、P2,然后以P1、P2作为自变量,采用线性回归方法,建立基于颜色特征参数的SPAD值估测模型M1;以6种颜色特征参数作为自变量,采用逐步回归方法,建立基于颜色特征参数的SPAD值估测模型M2。同理,将150组用于分析建模的数据作为样本,按照式(3)、式(4)计算每个样本的颜色分量第1、2主成分P1′、P2′,然后以P1′、P2′作为自变量,采用线性回归方法,建立SPAD值估测模型M1′;以18种颜色分量作为自变量,采用逐步回归方法,建立SPAD值估测模型M2′。
结果如式(5)~式(8)所示。
M1=29.3432-0.9653P1+1.2345P2 (5)
M2=21.8648+0.6020G+121.6191H-41.9136S-159.5131V (6)
M1′=62.1664+1.3755P1′-2.3391P2′ (7)
M′2=-192.8294+266.0845X3+21.2780X6+173.1180X7+1.0276X9 (8)
式(5)~式(8)均通过显著性水平检验。此外,由式(6)可知,通过逐步回归方法得到估测SPAD值的关键颜色特征参数是G、H、S、V。由此可见,HSV颜色空间的分析应用对估测水稻叶片SPAD值是很有必要的。因分析样本达到150个,达到统计分析的数量要求,该结果具有代表性,因此不同样本的情况下,所得到的关键颜色特征参数不变,不同样本总数颜色变量对应的系数有所不同。
将另150组用于模型检验的数据作为样本,代入式(5)~式(8)中,计算模型M1、M2、M1′、M2′的R2、RMSE,对模型进行检验和精度比较分析。结果图5-8所示和表6所示。基于颜色分量估测SPAD值的拟合精度比基于颜色特征的拟合精度更高,误差更小;采用逐步回归方法得到的模型比采用主成分回归方法得到的模型拟合效果更好。4个模型中,模型M2′的R2最大,RMSE最小;说明基于颜色分量的逐步回归模型估测水稻叶片SPAD值精度最高,误差最小。
表6模型估测效果检验
根据实验,可以得到以下结论:
(1)RGB颜色空间和HSV颜色空间均与齐穗后的水稻叶片SPAD值有极显著的相关关系,但从典型相关分析和逐步回归分析结果可知,HSV颜色空间与水稻叶片SPAD值的相关关系相对于RGB颜色空间而言更为密切。因此,估测水稻叶片SPAD值时,需要综合分析RGB颜色空间和HSV颜色空间对水稻叶色反演的影响。
(2)6种颜色特征参数之间和18种颜色分量之间大都有极显著的相关关系,因此在建立水稻叶片SPAD值估测模型时,不论是以颜色特征参数为基础,还是以颜色分量为基础,有必要对颜色特征参数或颜色分量进行处理,减少信息重叠现象,提高估测精度。
(3)分别采用主成分回归分析和逐步回归分析方法,建立基于颜色特征参数和颜色分量的水稻叶片SPAD值估测模型。模型检验结果表明,4个估测模型均通过了显著性检验,对水稻叶片SPAD值的估测精度都达到0.9以上。
综上所述,HSV颜色空间与RGB颜色空间、18%灰板的综合应用,不仅可以消除不同光照条件引起图像间的差异,提高计算机视觉技术对植物叶片SPAD值的估测精度,还可以将植物图像真实感效果与其生理生态信息在计算机上进行表达。
本发明提出的基于颜色分量的逐步回归分析估测方法,可快速得到整片水稻叶片SPAD值数据,估测结果精度较高、误差小,可应用于需要快速、精确识别水稻叶片颜色的相关科研和为农服务工作中,不仅能减少人工检测水稻叶片SPAD值的工作效率,还能为水稻叶片可视化研究提供依据。
另一方面,本发明还公开基于计算机视觉的水稻叶片SPAD值估测系统,包括:
样本采集模块,用于采集一定数量的水稻叶片样本,并将所述水稻样本放在18%灰板上,获取对应样本图像;
SPAD值测定模块,用于测定所有样本图像的SPAD值;
样本图像预处理模块,采用阈值分割法去除样本图像中的灰板部分,留下绿色叶片主体部分;
颜色特征提取模块,用于提取所述样本图像的颜色特征,获得样本图像中的RGB颜色空间中颜色特征的红光值R、绿光值G、蓝光值B和HSV颜色空间中的颜色特征色相H、饱和度S、明度V;
模型建构模块,用于依据R、G、B和H、S、V颜色特征参数,得到每张图像的颜色分量,以所述颜色分量为输入,采用逐步回归分析方法,建立基于颜色分量的SPAD值估测模型M'2。由于本发明所述的系统是基于颜色分量的逐步回归分析估测方法实现的,具体实施例与估测方法相同,在此就不再赘述。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于计算机视觉的水稻叶片SPAD值估测方法,其特征在于,该方法包括:
(1)采集一定数量的水稻叶片样本,并将所述水稻样本放在18%灰板上,获取对应样本图像;
(2)测定所有样本图像的SPAD值;
(3)采用阈值分割法去除样本图像中的灰板部分,留下绿色叶片主体部分;
(4)提取所述样本图像的颜色特征,获得样本图像中的RGB颜色空间中颜色特征的红光值R、绿光值G、蓝光值B和HSV颜色空间中的颜色特征色相H、饱和度S、明度V;
(5)依据R、G、B和H、S、V颜色特征参数,得到每张图像的颜色分量,以所述颜色分量为输入,采用逐步回归分析方法,建立基于颜色分量的SPAD值估测模型M'2。
2.根据权利要求1所述的基于计算机视觉的水稻叶片SPAD值估测方法,其特征在于,所述步骤(1)中,采集从齐穗期至成熟期的水稻叶片样本。
3.根据权利要求1所述的基于计算机视觉的水稻叶片SPAD值估测方法,其特征在于,步骤(2)中,整个样本图像的SPAD值测定方法为使用叶绿素计从样本图像的叶枕到叶尖,逐点检测SPAD值;检测点等间隔均匀分布于整个叶片,并将每个检测点的SPAD值取平均。
4.根据权利要求1所述的基于计算机视觉的水稻叶片SPAD值估测方法,其特征在于,所述步骤(5)中,采用简单相关分析方法对所有样本的样本图像的颜色分量和对应SPAD值进行相关分析,确定颜色分量和SPAD值间的相关性。
5.根据权利要求1所述的基于计算机视觉的水稻叶片SPAD值估测方法,其特征在于,基于颜色分量的SPAD值估测模型M'2,表示为:
M′2=A0+A3X3+A6X6+A7X7+A9X9
其中,A0,A3,A6,A7,A9分别为各个颜色分量对应系数,所述X3,X6,X7,X9分别为第三颜色分量b、第六颜色分量r/b、第七颜色分量DGCI以及第九颜色分量GR对应的编号。
6.根据权利要求5所述的基于计算机视觉的水稻叶片SPAD值估测方法,其特征在于,所述第三颜色分量b=B/(R+G+B),第七颜色分量DGCI=[(H-0.16)/0.16+(1-S)+(1-V)]/3,第九颜色分量GR=G-R。
7.根据权利要求5所述的基于计算机视觉的水稻叶片SPAD值估测方法,其特征在于,所述第六颜色分量r/b中,r=R/(R+G+B)。
8.一种根据权利要求1-7任一项所述的基于计算机视觉的水稻叶片SPAD值估测方法实现的估测系统,其特征在于,包括:
样本采集模块,用于采集一定数量的水稻叶片样本,并将所述水稻样本放在18%灰板上,获取对应样本图像;
SPAD值测定模块,用于测定所有样本图像的SPAD值;
样本图像预处理模块,采用阈值分割法去除样本图像中的灰板部分,留下绿色叶片主体部分;
颜色特征提取模块,用于提取所述样本图像的颜色特征,获得样本图像中的RGB颜色空间中颜色特征的红光值R、绿光值G、蓝光值B和HSV颜色空间中的颜色特征色相H、饱和度S、明度V;
模型建构模块,用于依据R、G、B和H、S、V颜色特征参数,得到每张图像的颜色分量,以所述颜色分量为输入,采用逐步回归分析方法,建立基于颜色分量的SPAD值估测模型M'2。
9.根据权利要求8所述的基于计算机视觉的水稻叶片SPAD值估测系统,其特征在于,所述样本采集模块中,水稻叶片样本为从齐穗期至成熟期的水稻叶片。
10.根据权利要求8所述的基于计算机视觉的水稻叶片SPAD值估测系统,其特征在于,所述SPAD值测定模块中,使用叶绿素计对所有样本图像的SPAD值进行测定,测定方法为从样本图像的叶枕到叶尖,逐点检测SPAD值;检测点等间隔均匀分布于整个叶片,并将每个检测点的SPAD值取平均。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540722.0A CN109827957B (zh) | 2018-12-17 | 2018-12-17 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540722.0A CN109827957B (zh) | 2018-12-17 | 2018-12-17 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109827957A true CN109827957A (zh) | 2019-05-31 |
CN109827957B CN109827957B (zh) | 2021-04-06 |
Family
ID=66858906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811540722.0A Active CN109827957B (zh) | 2018-12-17 | 2018-12-17 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109827957B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163277A (zh) * | 2019-05-17 | 2019-08-23 | 成都汇晟连横科技有限公司 | 基于原色分解的图像识别训练方法、图像识别方法及系统 |
CN111678876A (zh) * | 2020-07-21 | 2020-09-18 | 福州大学 | 一种基于机器学习的水环境中六价铬的快速检测方法 |
CN113607734A (zh) * | 2021-08-11 | 2021-11-05 | 南京林业大学 | 无损式估测植物叶绿素含量及分布的可视化方法 |
WO2022007118A1 (zh) * | 2020-07-06 | 2022-01-13 | 周爱丽 | 座椅排列整齐度测量系统及方法 |
CN116824401A (zh) * | 2023-05-22 | 2023-09-29 | 云南省烟草公司红河州公司 | 一种基于无人机与rgb图像快速检测烟草叶绿素含量的方法 |
TWI838787B (zh) * | 2022-07-07 | 2024-04-11 | 國立屏東科技大學 | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2540831A2 (en) * | 2006-08-17 | 2013-01-02 | Monsanto Technology, LLC | Transgenic plants with enhanced agronomic traits |
CN103245619A (zh) * | 2013-05-24 | 2013-08-14 | 贵州省烟草科学研究院 | 有机烤烟生长后期烟叶成熟程度的无损检测方法 |
CN103955938A (zh) * | 2014-05-15 | 2014-07-30 | 安徽农业大学 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
US9117140B2 (en) * | 2010-05-24 | 2015-08-25 | Board Of Trustees Of The University Of Arkansas | System and method of in-season nitrogen measurement and fertilization of non-leguminous crops from digital image analysis |
CN106769944A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 基于图像的双波长植物叶片叶绿素含量检测方法和装置 |
CN108399650A (zh) * | 2018-01-26 | 2018-08-14 | 中国农业大学 | 一种叶绿素含量预测方法 |
-
2018
- 2018-12-17 CN CN201811540722.0A patent/CN109827957B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2540831A2 (en) * | 2006-08-17 | 2013-01-02 | Monsanto Technology, LLC | Transgenic plants with enhanced agronomic traits |
US9117140B2 (en) * | 2010-05-24 | 2015-08-25 | Board Of Trustees Of The University Of Arkansas | System and method of in-season nitrogen measurement and fertilization of non-leguminous crops from digital image analysis |
CN103245619A (zh) * | 2013-05-24 | 2013-08-14 | 贵州省烟草科学研究院 | 有机烤烟生长后期烟叶成熟程度的无损检测方法 |
CN103955938A (zh) * | 2014-05-15 | 2014-07-30 | 安徽农业大学 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
CN106769944A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 基于图像的双波长植物叶片叶绿素含量检测方法和装置 |
CN108399650A (zh) * | 2018-01-26 | 2018-08-14 | 中国农业大学 | 一种叶绿素含量预测方法 |
Non-Patent Citations (4)
Title |
---|
M.M.SABERIOON: "A Review of Optical Methods for Assessing Nitrogen Contents during Rice Growth", 《APPLIED ENGINEERING IN AGRICULURE》 * |
王方永: "基于机器视觉的棉花群体叶绿素监测", 《作物学报》 * |
章智钧: "利用棉杆混合基质进行草莓栽培试验的研究", 《农业科技与装备》 * |
龚刚猛: "水稻叶色RGB组分与SPAD的关系研究", 《中国农学通报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163277A (zh) * | 2019-05-17 | 2019-08-23 | 成都汇晟连横科技有限公司 | 基于原色分解的图像识别训练方法、图像识别方法及系统 |
WO2022007118A1 (zh) * | 2020-07-06 | 2022-01-13 | 周爱丽 | 座椅排列整齐度测量系统及方法 |
CN111678876A (zh) * | 2020-07-21 | 2020-09-18 | 福州大学 | 一种基于机器学习的水环境中六价铬的快速检测方法 |
CN113607734A (zh) * | 2021-08-11 | 2021-11-05 | 南京林业大学 | 无损式估测植物叶绿素含量及分布的可视化方法 |
TWI838787B (zh) * | 2022-07-07 | 2024-04-11 | 國立屏東科技大學 | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 |
CN116824401A (zh) * | 2023-05-22 | 2023-09-29 | 云南省烟草公司红河州公司 | 一种基于无人机与rgb图像快速检测烟草叶绿素含量的方法 |
CN116824401B (zh) * | 2023-05-22 | 2024-07-05 | 云南省烟草公司红河州公司 | 一种基于无人机与rgb图像快速检测烟草叶绿素含量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109827957B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102721651B (zh) | 基于多光谱图像的植物叶片水分含量的检测方法及系统 | |
Ali et al. | Estimating leaf functional traits by inversion of PROSPECT: Assessing leaf dry matter content and specific leaf area in mixed mountainous forest | |
Saberioon et al. | Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale | |
CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
CN103955938B (zh) | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 | |
KR102125780B1 (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
CN111751376B (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
CN106033052B (zh) | 一种基于高光谱数据敏感波段的植被信息提取方法 | |
CN102445421B (zh) | 一种用于快速诊断烤烟氮素叶色卡的制备方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
KR102095539B1 (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
CN109754127A (zh) | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
Qu et al. | Preliminary study on integrated wireless smart terminals for leaf area index measurement | |
CN109765194A (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
Yuan et al. | Diagnosis of nitrogen nutrition of rice based on image processing of visible light | |
CN111881864A (zh) | 一种智慧农业种植农作物生长全周期全动态监测管理系统 | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
CN106323880A (zh) | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 | |
Qian et al. | Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings |
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 |