CN110097535A - 植物叶片含氮量检测方法、装置、计算机设备和存储介质 - Google Patents
植物叶片含氮量检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110097535A CN110097535A CN201910222605.8A CN201910222605A CN110097535A CN 110097535 A CN110097535 A CN 110097535A CN 201910222605 A CN201910222605 A CN 201910222605A CN 110097535 A CN110097535 A CN 110097535A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- space model
- images
- color space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 13
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 title abstract 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 152
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 76
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 241000196324 Embryophyta Species 0.000 claims description 248
- 238000009826 distribution Methods 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012790 confirmation Methods 0.000 abstract 1
- 238000011017 operating method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 239000003086 colorant Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
Abstract
本申请涉及一种植物叶片含氮量检测方法、装置、计算机设备和存储介质。所述方法包括：获取植物叶片的图像和各比色卡的图像，并将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；根据得到的CIELAB色彩空间模型可以计算出植物叶片的图像与各比色卡的图像的色差值；根据得到的色差值去确认植物叶片对应的目标比色卡，并通过比色卡的色彩等级与含氮量的对应关系，得到植物叶片的含氮量。通过上述方法，本申请植物叶片含氮量检测方法能够快捷地获取植物叶片含氮量，操作方法相较于传统技术更加简单，对于操作人员的专业性要求低。同时，通过计算机视觉识别的方式检测植物叶片含氮量，成本低廉。
Description
技术领域
本申请涉及植物营养学技术领域，特别是涉及一种植物叶片含氮量检测方法、装置、计算机设备和存储介质。
背景技术
氮素是作物生长发育所必须的营养元素，施氮水平的高低对作物的产量有着重要的影响。在农业生产中，适时适量使用氮肥可以提高作物产量，但由于农户对作物养分状况判断不准确，仅能依靠经验施肥，导致过量施肥的情况十分普遍，因此需要对植物含氮量进行检测。
在实现过程中，发明人发现传统技术中至少存在如下问题：
目前的植物叶片含氮量检测方法，存在效率低等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高植物叶片含氮量检测效率的植物叶片含氮量检测方法、装置、计算机设备和存储介质。
为了实现上述目的，一方面，本发明实施例提供了一种植物叶片含氮量检测方法，包括以下步骤：
获取植物叶片的图像和各比色卡的图像；
将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；
基于CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值；
根据各色差值，确定植物叶片对应的目标比色卡；
根据植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到植物叶片的含氮量。
在其中一个实施例中，在获取植物叶片的图像和各比色卡的图像的步骤中，包括：
获取待测图像的RGB色彩空间模型；待测图像为将植物叶片和各比色卡无重叠摆放后进行图像采集所获得的图像；
将待测图像的RGB色彩空间模型转换为HSV色彩空间模型；
根据HSV色彩空间模型以及预设的HSV色彩分量阈值，对待测图像进行二值化处理，得到二值化图像；
对二值化图像进行特征提取，得到二值化图像中各绿色区域图像；
对各绿色区域图像的面积进行排序，去除二值化图像中无关区域，得到各待定区域图像；
计算各待定区域图像的质心坐标，并根据质心坐标以及植物叶片与各比色卡的相对位置信息，确定各待定区域图像中的植物叶片的图像和各比色卡的图像。
在其中一个实施例中，将待测图像的RGB色彩空间模型转换为HSV色彩空间模型的步骤中，基于以下公式，得到HSV色彩空间模型：
V＝255max(R，G，B)；
若H<0则
其中，R为RGB色彩空间模型中红色分量值，G为RGB色彩空间模型中绿色分量值，B为RGB色彩空间模型中蓝色分量值，H为HSV色彩空间模型中色度分量值，S为HSV色彩空间模型中饱和度分量值，V为HSV色彩空间模型中明度分量值，max(R，G，B)表示R，G，B中的最大值，min(R，G，B)表示R，G，B中的最小值。
在其中一个实施例中，基于以下公式，计算各待定区域图像的质心坐标：
其中mp，q为各待定区域图像的轮廓的p+q阶矩，I为各待定区域图像的轮廓像素点的值，n为各待定区域图像的轮廓点的个数，p和q分别为HSV色彩空间模型的x方向阶距值和y方向阶距值，m00为各待定区域图像的轮廓的零阶矩，m10为各待定区域图像的轮廓x方向一阶矩，m01为各待定区域图像的轮廓y方向的一阶矩。
在其中一个实施例中，基于CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值的步骤中，包括：
基于CIELAB色彩空间模型，确定植物叶片的图像的Lab值以及各比色卡的图像的Lab值；
根据植物叶片的图像的Lab值、各比色卡的图像的Lab值以及校正参数，计算植物叶片的图像与各比色卡的图像的色差值。
在其中一个实施例中，基于CIELAB色彩空间模型，确定植物叶片的图像的Lab值以及各比色卡的图像的Lab值的步骤，包括：
根据CIELAB色彩空间模型，分别获取植物叶片的图像和各比色卡的图像的分量分布直方图；分量分布直方图包括L分量分布直方图、a分量分布直方图和b分量分布直方图；
根据分量分布直方图，确定植物叶片的图像和各比色卡的图像的Lab值；Lab值包括L值、a值和b值；其中，植物叶片的图像和各比色卡的图像的L值为植物叶片的图像和各比色卡的图像的L分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的a值为植物叶片的图像和各比色卡的图像的a分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的b值为植物叶片的图像和各比色卡的图像的b分量分布直方图的峰值。
在其中一个实施例中，根据各色差值，确定植物叶片对应的目标比色卡的步骤中，包括：
将植物叶片的图像与各比色卡的图像的色差值进行排序，得到最小色差值；
将最小色差值对应的比色卡确定为目标比色卡。
另一方面，本发明实施例还提供了一种植物叶片含氮量检测装置，包括：
获取模块，用于获取植物叶片的图像和各比色卡的图像；
转换模块，用于将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；
色差值计算模块，用于基于CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值；
目标比色卡确定模块，根据各色差值，确定植物叶片对应的目标比色卡；
氮素含量获取模块，用于根据植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到植物叶片的含氮量。
本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。
本发明实施例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，计算机程序被处理器执行时实现上述方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
本申请获取植物叶片的图像和各比色卡的图像，并将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；根据得到的CIELAB色彩空间模型可以计算出植物叶片的图像与各比色卡的图像的色差值；根据得到的色差值去确认植物叶片对应的目标比色卡，并通过比色卡的色彩等级与含氮量的对应关系，得到植物叶片的含氮量。通过上述步骤，本申请植物叶片含氮量检测方法能够快捷地获取植物叶片含氮量，并且操作方法相较于传统技术更加简单，对于操作人员的专业性要求低。同时，通过计算机视觉识别的方式检测植物叶片含氮量，成本低廉，可单次识别多个待测植物叶片，易于推广实施。
附图说明
通过附图中所示的本申请的优选实施例的更具体说明，本申请的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。
图1为一个实施例中植物叶片含氮量检测方法的流程示意图；
图2为一个实施例中获取植物叶片的图像和各比色卡的图像的流程示意图；
图3为一个实施例中计算植物叶片的图像与各比色卡的图像的色差值的流程示意图；
图4为一个实施例中确定植物叶片对应的目标比色卡的流程示意图；
图5为一个实施例中植物叶片含氮量检测装置的结构框图；
图6为一个实施例中获取模块的结构框图；
图7为一个实施例中色差值计算模块的结构框图；
图8为一个实施例中Lab值获取模块的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
传统含氮量检测方法主要有土壤氮素检测、植株化学方法检测、叶绿素仪检测和光谱遥感检测。然而传统含氮量检测方法存在不少缺陷，具体如下：
土壤氮素检测，检测土壤氮素含量可以间接了解农作物的氮素养分情况，但该测试方法繁琐，所需时间长，并且对操作人员专业性要求较高；植株化学方法，通过测定植株体内的含氮量与标准值对比，从而实现对作物含氮量的检测，该方法操作复杂，检测环境和专业技能要求高，难以推广；叶绿素仪检测，根据叶绿素与含氮量之间的关系，通过检测叶绿素含量实现含氮量的检测，该方法可以实现无损检测，但一次只能检测单个点的含氮量，且价格昂贵；光谱遥感检测，利用植株叶片和冠层的光谱特性，可以实现对大面积农田的快速无损检测，但高光谱设备精密昂贵，专业性强。
而本申请提供的植物叶片含氮量检测方法可以有效解决传统技术的问题。
在一个实施例中，如图1所示，提供了一种植物叶片含氮量检测方法，包括以下步骤：
步骤S110，获取植物叶片的图像和各比色卡的图像。
其中，比色卡用于色彩选择、比对、沟通，是色彩实现在一定范围内统一标准的工具。
需要说明的是，可以通过本领域中任意现有方法获取植物叶片的图像和各比色卡的图像。在一个具体示例中，植物叶片的图像和各比色卡的图像获取方式包括从其它计算机设备中调用植物叶片的图像和各比色卡的图像，以及直接对植物叶片和各比色卡进行图像采集。
步骤S120，将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型。
其中，RGB色彩空间模型和CIELAB色彩空间模型为图像处理中常用的色彩空间模型。
需要说明的是，基于得到的植物叶片的图像和各比色卡的图像，可以获取植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型，然后将得到的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换成CIELAB色彩空间模型。可以采用任意现有方法将RGB色彩空间模型转换成CIELAB色彩空间模型。在一个具体示例中，RGB色彩空间模型与CIELAB色彩空间模型之间的转换方式包括采用算法公式进行色彩空间模型的转换。
具体而言，RGB色彩空间模型不能直接转换为Lab色彩空间模型，需要借助XYZ色彩空间模型，把RGB色彩空间模型转换到XYZ色彩空间模型，之后再把XYZ色彩空间模型转换到Lab色彩空间模型。需要说明的是，采用以下公式将RGB色彩空间模型转换到XYZ色彩空间模型：
采用以下公式将XYZ色彩空间模型转换成Lab色彩空间模型：
a1＝500(f(X)-f(Y)) b1＝200(f(Y)-f(Z))；
其中，X、Y、Z分别为XYZ色彩空间模型红原色分量、绿原色分量和蓝原色分量；X1为XYZ色彩空间模型初始红原色分量，Z1为XYZ色彩空间模型初始蓝原色分量；R为各区域RGB模型中红色分量值，G为各区域RGB模型中绿色分量值，B为各区域RGB模型中蓝色分量值，L1为CIELAB色彩空间模型中亮度分量值，a1为CIELAB色彩空间模型中红绿位置分量值，b1为CIELAB色彩空间模型中黄蓝位置分量值，f(t)为自定义函数，f(X)为自变量是X时的函数值，f(Y)为自变量是Y时的函数值，f(Z)为自变量是Z时的函数值。
为了适应计算机数据类型，对公式所得结果进行了进一步处理：L＝255L1/100，a＝a1+128，b＝b1+128；
其中，L为CIELAB色彩空间模型中当前亮度分量值，a为CIELAB色彩空间模型中当前红绿位置分量值，b为CIELAB色彩空间模型中当前黄蓝位置分量值。
步骤S130，基于CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值；
其中，色差为植物叶片的图像与比色卡的图像之间的色差。
需要说明的是，可以根据植物叶片的图像的CIELAB色彩空间模型和各比色卡的图像的CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值。在一个具体示例中，其值可以通过CIELAB模型中各参量进行计算。
步骤S140，根据各色差值，确定植物叶片对应的目标比色卡。
需要说明的是，根据色差值，可以确定与植物叶片相对应的目标比色卡。在一个具体示例中，目标比色卡可以包括最小色差值所对应的比色卡。
步骤S150，根据植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到植物叶片的含氮量。
其中，色彩等级为比色卡的特性；比色卡色彩等级与含氮量之间的关系为一一对应的。需要说明的是，当确定目标比色卡之后，可以根据预设对应关系，得到植物叶片的含氮量。
本申请获取植物叶片的图像和各比色卡的图像，并将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；根据得到的CIELAB色彩空间模型可以计算出植物叶片的图像与各比色卡的图像的色差值；根据得到的色差值去确认植物叶片对应的目标比色卡，并通过比色卡的色彩等级与含氮量的对应关系，得到植物叶片的含氮量。通过上述步骤，本申请植物叶片含氮量检测方法能够快捷地获取植物叶片含氮量，并且操作方法相较于传统技术更加简单，对于操作人员的专业性要求低。同时，通过计算机视觉识别的方式检测植物叶片含氮量，成本低廉，可单次识别多个待测植物叶片，易于推广实施。
在一个实施例中，如图2所示，可以通过如下的方法获取植物叶片的图像和各比色卡的图像，该方法包括步骤S210～S260：
步骤S210，获取待测图像的RGB色彩空间模型；待测图像为将植物叶片和各比色卡无重叠摆放后进行图像采集所获得的图像；
其中，待测图像指的是包含植物叶片和各比色卡信息的图像，图像中的植物叶片和各比色卡放置方式包括随机无重叠摆放。无重叠摆放的方式可以得到准确的色差值。植物叶片和各比色卡的图像可以是植物叶片和比色卡一次同时拍摄的，此拍摄方法可以保证色差的相对稳定，避免了不同设备和不同光照条件对叶片颜色检测的影响。获取待测图像的RGB色彩空间模型的方式可以包括现有任意方法。
步骤S220，将待测图像的RGB色彩空间模型转换为HSV色彩空间模型。
需要说明的是，对于RGB色彩空间模型转换为HSV色彩空间模型的方法可以采用目前现有任意手段。例如，待测图像的RGB色彩空间模型转换为HSV色彩空间模型的方式包括采用算法公式进行色彩空间转换。
在一个具体实施例中，待测图像的RGB色彩空间模型转换为HSV色彩空间模型的步骤中，基于以下公式，得到HSV色彩空间模型：
V＝255max(R，G，B)；
若H<0则
其中，R为RGB色彩空间模型中红色分量值，G为RGB色彩空间模型中绿色分量值，B为RGB色彩空间模型中蓝色分量值，H为HSV色彩空间模型中色度分量值，S为HSV色彩空间模型中饱和度分量值，V为HSV色彩空间模型中明度分量值，max(R，G，B)表示R，G，B中的最大值，min(R，G，B)表示R，G，B中的最小值。
需要注意的是，本公式相较于传统色彩空间转换公式，进行了一些改进，使得更加适应计算机数据类型。采用与色相相关的HSV色彩空间模型提取植物叶片的图像和各比色卡的图像，具有更高的稳定性和可靠性。
步骤S230，根据HSV色彩空间模型以及预设的HSV色彩分量阈值，对待测图像进行二值化处理，得到二值化图像；
其中，预设的HSV色彩分量阈值是根据绿色所在HSV色彩空间位置得到的，在一个具体示例中，具体阈值为35＜H＜100，60＜S＜255，35＜V＜255。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
需要说明的是，根据HSV色彩空间模型和预设的HSV色彩分量阈值，将待测图像二值化处理，得到的二值化图像包含待测图像中所有的绿色区域。
步骤S240，对二值化图像进行特征提取，得到二值化图像中各绿色区域图像。
其中，特征提取指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集。
需要说明的是，可以采用现有任意特征提取方式进行特征提取，在一个具体示例中，对二值化图像进行特征提取的方式包括SIFT(Scale-invariant features transform，尺度不变特征变换)、SURF(Speeded Up Robust Features，加速稳健特征)、HOG(Histogramof Oriented Gradient，方向梯度直方图)。通过对二值化图像进行特征提取，得到二值化图像中各绿色区域图像。
步骤S250，对各绿色区域图像的面积进行排序，去除二值化图像中无关区域，得到各待定区域图像；
其中，无关区域指代的是面积较小的区域，去除无关区域的可以为任意现有方法，在一个具体示例中，获取各绿色区域图像的面积，并对各绿色区域图像的面积进行排序，其中排序方式包括大小排序，通过去除无关区域，得到各待确定的区域图像。
步骤S260，计算各待定区域图像的质心坐标，并根据质心坐标以及植物叶片与各比色卡的相对位置信息，确定各待定区域图像中的植物叶片的图像和各比色卡的图像。
需要说明的是，可以通过任意一种方式去获取图像中各待定区域的相对位置关系，在一个具体实施例中，基于以下公式，计算各所述待定区域图像的质心坐标：
其中mp，q为各所述待定区域图像的轮廓的p+q阶矩，I为各所述待定区域图像的轮廓像素点的值，n为各所述待定区域图像的轮廓点的个数，p和q分别为所述HSV色彩空间模型的x方向阶距值和y方向阶距值，m00为各所述待定区域图像的轮廓的零阶矩，m10为各所述待定区域图像的轮廓x方向一阶矩，m01为各所述待定区域图像的轮廓y方向的一阶矩。
通过得到的质心坐标，可以获取各待定区域的相对位置。进一步去获取植物叶片和各比色卡之间的相对位置，根据各待定区域的相对位置和植物叶片和各比色卡之间的相对位置，可以确定待定区域图像中的植物叶片的图像和各比色卡的图像，从而得到植物叶片的图像和各比色卡的图像。
本申请将比色卡和植物叶片一同拍摄，可以避免外在光线影响以及机器设备带来的差异，保证了最终获取色差的稳定性，对于提取植物叶片的图像和各比色卡的图像，采用将RGB色彩空间模型转换成HSV色彩空间模型的方式，进一步的保持了色差的稳定性，通过本申请提供的色差值计算方式，使得色差的结果更符合人眼的感知。根据以上处理，使得获取的结果精度更加准确，更好的选择施氮的用量。
在一个实施例中，如图3所示，可以通过如下的方法计算植物叶片的图像与各比色卡的图像的色差值，该方法包括步骤S310～S320：：
步骤S310，基于CIELAB色彩空间模型，确定植物叶片的图像的Lab值以及各比色卡的图像的Lab值。
其中，CIELAB色彩空间模型是由亮度(L)和有关色彩的a,b三个要素组成。L表示亮度(Luminosity)，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。
需要说明的是，可以采用现有任意方法去获取Lab值，包括Photoshop、仪器和分量值。
进一步的，确定所述植物叶片的图像的Lab值以及各所述比色卡的图像的Lab值的步骤，包括：
根据所述CIELAB色彩空间模型，分别获取所述植物叶片的图像和各所述比色卡的图像的分量分布直方图；所述分量分布直方图包括L分量分布直方图、a分量分布直方图和b分量分布直方图；
根据所述分量分布直方图，确定所述植物叶片的图像和各所述比色卡的图像的Lab值；所述Lab值包括L值、a值和b值；其中，所述植物叶片的图像和各所述比色卡的图像的L值为所述植物叶片的图像和各所述比色卡的图像的L分量分布直方图的峰值，所述植物叶片的图像和各所述比色卡的图像的a值为所述植物叶片的图像和各所述比色卡的图像的a分量分布直方图的峰值，所述植物叶片的图像和各所述比色卡的图像的b值为所述植物叶片的图像和各所述比色卡的图像的b分量分布直方图的峰值。
需要说明的是，在CIELAB色彩空间模型中，可以分别获取植物叶片的图像的Lab值以及各比色卡的图像的Lab值。在一个具体示例中，分别获取植物叶片的图像和各比色卡的图像的分量分布直方图，分量分布直方图包括L分量分布直方图、a分量分布直方图和b分量分布直方图，把图像分量分布直方图的峰值确定为该图像的分量值，即，植物叶片的图像和各比色卡的图像的L值为植物叶片的图像和各比色卡的图像的L分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的a值为植物叶片的图像和各比色卡的图像的a分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的b值为植物叶片的图像和各比色卡的图像的b分量分布直方图的峰值。
步骤S320，根据植物叶片的图像的Lab值、各比色卡的图像的Lab值以及校正参数，计算植物叶片的图像与各比色卡的图像的色差值。
具体而言，计算得到植物叶片的图像与各比色卡的图像的色差值可以通过以下公式：
其中，为植物叶片的图像与任一比色卡的图像的色差值；ΔL′为植物叶片的图像与任一比色卡的图像的明度差，可以通过植物叶片的图像与任一比色卡的图像的L分量获得；ΔC′为植物叶片的图像与任一比色卡的图像的色度差，可以通过植物叶片的图像与任一比色卡的图像的a分量和b分量获得；ΔH′为植物叶片的图像与任一比色卡的图像的色调差，可以通过植物叶片的图像与任一比色卡的图像的a分量和b分量获得；KL、KC、KH为与使用情况相关的校正参数，一般工业条件下都取1；RT为色调旋转项，用来调整蓝色部分，SL为亮度补偿，可以通过植物叶片的图像与任一比色卡的图像的L分量获得；SC为色度补偿，可以通过植物叶片的图像与任一比色卡的图像的a分量和b分量获得；SH为色调补偿，可以通过植物叶片的图像与任一比色卡的图像的a分量和b分量获得。
采用该色差值计算方式，可以使得色差的结果更符合人眼的感知。
本申请中，通过获取植物叶片的图像与各比色卡的图像的分量分布直方图的峰值，确定植物叶片的图像与各比色卡的图像的分量值，并根据求得的植物叶片的图像与各比色卡的图像的各分量值以获得植物叶片的图像与各比色卡的图像之间的色差值。通过对色差值大小排序来确定与植物叶片，该方法对图像处理的过程少，可以进一步避免了色差的失真。
在一个实施例中，如图4所示，可以通过如下的方法确定植物叶片对应的目标比色卡，该方法包括步骤S410～S420：：
步骤S410，将植物叶片的图像与各比色卡的图像的色差值进行排序，得到最小色差值。
需要说明的是，得到最小色差值的方法可以包括一一对比和大小排序，在一个具体示例中，将植物叶片的图像与各比色卡的图像的色差值进行大小排序，得到最小色差值。
步骤S420，将最小色差值对应的比色卡确定为目标比色卡。
需要说明的是，目标比色卡为与植物叶片的色彩等级最接近的比色卡。
本申请确定植物叶片对应的目标比色卡的方法简单，在算法代码中也易于实现。
为了进一步阐述本申请的技术方案，特以本申请应用于实际植物叶片含氮量检测为例，说明本申请的具体实现过程：
S001，采集待测图像。使用叶片夹持装置夹住待测叶片，使用图像采集装置采集植物叶片和比色卡的图像，比如可以使用手机作为采集设备。该叶片夹持装置包括夹片、底板、弹簧、比色卡，背景底板的颜色不为绿色，比色卡根据需要分为不同等级。检测时使用叶片夹持装置夹持住待测叶片，手机从正上方拍摄待测叶片和比色卡。
S002，采用色彩空间变换公式将采集到的待测图像的RGB色彩空间模型转换为HSV色彩空间模型。
S003，根据绿色所在的颜色空间位置，预设HSV三个分量阈值，对待测图像进行二值化，阈值范围内的区域设为白色，阈值范围外的区域设为黑色，以提取出所有的绿色待定区域图像。
S004，根据采集到的图像特性，对绿色待定区域图像的面积进行排序，去除图像中较小的无关的区域，仅保留植物叶片的图像与比色卡的图像。
S005，根据拍摄时确定的叶片与比色卡相对位置情况，通过计算质心坐标，分析坐标的相对位置，确定绿色待定区域图像中的植物叶片的图像和比色卡的图像。
S006，采用色彩空间变换公式将植物叶片的图像和比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型。
S007，分别计算每个图像的L分量分布直方图、a分量分布直方图、b分量分布直方图。
S008，获取各图像直方图峰值对应的Lab值，即出现次数最多的Lab值，以此作为该区域颜色特征。
S009，采用CIEDE2000色差公式，得到植物叶片的图像与比色卡的图像之间的色差值。
S010，得到植物叶片的图像与比色卡的图像之间色差值后，取色差值最小的比色卡的色彩等级为叶片色彩等级。
S011，根据预先设定的比色卡色彩等级与含氮量之间的关系，得到植物叶片含氮量。
应该理解的是，虽然图1-4的流程图中的各步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种植物叶片含氮量检测装置，包括：
获取模块510，用于获取植物叶片的图像和各比色卡的图像；
转换模块520，用于将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；
色差值计算模块530，用于基于CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值；
目标比色卡确定模块540，用于根据各色差值，确定植物叶片对应的目标比色卡；
氮素含量获取模块550，用于根据植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到植物叶片的含氮量。
在一个实施例中，如图6所示，一种植物叶片含氮量检测装置中，获取模块包括：
图像获取模块610，用于获取待测图像的RGB色彩空间模型；
HSV色彩空间转换模块620，用于将待测图像的RGB色彩空间模型转换为HSV色彩空间模型；
二值化处理模块630，用于根据HSV色彩空间模型以及预设的HSV色彩分量阈值，对待测图像进行二值化处理，得到二值化图像；
特征提取模块640，用于对二值化图像进行特征提取，得到二值化图像中各绿色区域图像；
排序模块650，用于对各绿色区域图像的面积进行排序，去除二值化图像中无关区域，得到各待定区域图像；
区域确定模块660，用于计算各待定区域图像的质心坐标，并根据质心坐标以及植物叶片与各比色卡的相对位置信息，确定各待定区域图像中的植物叶片的图像和各比色卡的图像。
在一个实施例中，如图7所示，色差值计算模块包括：
Lab值获取模块710，用于基于CIELAB色彩空间模型，确定植物叶片的图像的Lab值以及各比色卡的图像的Lab值；
图像色差计算模块720，用于根据植物叶片的图像的Lab值、各比色卡的图像的Lab值以及校正参数，计算植物叶片的图像与各比色卡的图像的色差值。
在一个实施例中，如图8所示，Lab值获取模块包括：
分量分布直方图获取模块810，用于根据CIELAB色彩空间模型，分别获取植物叶片的图像和各比色卡的图像的分量分布直方图；
Lab值确定模块820，用于根据分量分布直方图，确定植物叶片的图像和各比色卡的图像的Lab值。
关于植物叶片含氮量检测装置的具体限定可以参见上文中对于植物叶片含氮量检测方法的限定，在此不再赘述。上述植物叶片含氮量检测装置中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种植物叶片含氮量检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取植物叶片的图像和各比色卡的图像；
将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；
基于CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值；
根据各色差值，确定植物叶片对应的目标比色卡；
根据植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到植物叶片的含氮量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待测图像的RGB色彩空间模型；待测图像为将植物叶片和各比色卡无重叠摆放后进行图像采集所获得的图像；
将待测图像的RGB色彩空间模型转换为HSV色彩空间模型；
根据HSV色彩空间模型以及预设的HSV色彩分量阈值，对待测图像进行二值化处理，得到二值化图像；
对二值化图像进行特征提取，得到二值化图像中各绿色区域图像；
对各绿色区域图像的面积进行排序，去除二值化图像中无关区域，得到各待定区域图像；
计算各待定区域图像的质心坐标，并根据质心坐标以及植物叶片与各比色卡的相对位置信息，确定各待定区域图像中的植物叶片的图像和各比色卡的图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于CIELAB色彩空间模型，确定植物叶片的图像的Lab值以及各比色卡的图像的Lab值；
根据植物叶片的图像的Lab值、各比色卡的图像的Lab值以及校正参数，计算植物叶片的图像与各比色卡的图像的色差值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据CIELAB色彩空间模型，分别获取植物叶片的图像和各比色卡的图像的分量分布直方图；分量分布直方图包括L分量分布直方图、a分量分布直方图和b分量分布直方图；
根据分量分布直方图，确定植物叶片的图像和各比色卡的图像的Lab值；Lab值包括L值、a值和b值；其中，植物叶片的图像和各比色卡的图像的L值为植物叶片的图像和各比色卡的图像的L分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的a值为植物叶片的图像和各比色卡的图像的a分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的b值为植物叶片的图像和各比色卡的图像的b分量分布直方图的峰值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将植物叶片的图像与各比色卡的图像的色差值进行排序，得到最小色差值；
将最小色差值对应的比色卡确定为目标比色卡。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取植物叶片的图像和各比色卡的图像；
将获取的植物叶片的图像的RGB色彩空间模型和各比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；
基于CIELAB色彩空间模型，计算植物叶片的图像与各比色卡的图像的色差值；
根据各色差值，确定植物叶片对应的目标比色卡；
根据植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到植物叶片的含氮量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待测图像的RGB色彩空间模型；待测图像为将植物叶片和各比色卡无重叠摆放后进行图像采集所获得的图像；
将待测图像的RGB色彩空间模型转换为HSV色彩空间模型；
根据HSV色彩空间模型以及预设的HSV色彩分量阈值，对待测图像进行二值化处理，得到二值化图像；
对二值化图像进行特征提取，得到二值化图像中各绿色区域图像；
对各绿色区域图像的面积进行排序，去除二值化图像中无关区域，得到各待定区域图像；
计算各待定区域图像的质心坐标，并根据质心坐标以及植物叶片与各比色卡的相对位置信息，确定各待定区域图像中的植物叶片的图像和各比色卡的图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于CIELAB色彩空间模型，确定植物叶片的图像的Lab值以及各比色卡的图像的Lab值；
根据植物叶片的图像的Lab值、各比色卡的图像的Lab值以及校正参数，计算植物叶片的图像与各比色卡的图像的色差值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据CIELAB色彩空间模型，分别获取植物叶片的图像和各比色卡的图像的分量分布直方图；分量分布直方图包括L分量分布直方图、a分量分布直方图和b分量分布直方图；
根据分量分布直方图，确定植物叶片的图像和各比色卡的图像的Lab值；Lab值包括L值、a值和b值；其中，植物叶片的图像和各比色卡的图像的L值为植物叶片的图像和各比色卡的图像的L分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的a值为植物叶片的图像和各比色卡的图像的a分量分布直方图的峰值，植物叶片的图像和各比色卡的图像的b值为植物叶片的图像和各比色卡的图像的b分量分布直方图的峰值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将植物叶片的图像与各比色卡的图像的色差值进行排序，得到最小色差值；
将最小色差值对应的比色卡确定为目标比色卡。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种植物叶片含氮量检测方法，其特征在于，包括以下步骤：
获取植物叶片的图像和各比色卡的图像；
将获取的所述植物叶片的图像的RGB色彩空间模型和各所述比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；
基于所述CIELAB色彩空间模型，计算所述植物叶片的图像与各所述比色卡的图像的色差值；
根据各所述色差值，确定所述植物叶片对应的目标比色卡；
根据所述植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到所述植物叶片的含氮量。
2.根据权利要求1所述的植物叶片含氮量检测方法，其特征在于，获取植物叶片的图像和各比色卡的图像的步骤中，包括：
获取待测图像的RGB色彩空间模型；所述待测图像为将植物叶片和各比色卡无重叠摆放后进行图像采集所获得的图像；
将所述待测图像的RGB色彩空间模型转换为HSV色彩空间模型；
根据所述HSV色彩空间模型以及预设的HSV色彩分量阈值，对所述待测图像进行二值化处理，得到二值化图像；
对所述二值化图像进行特征提取，得到所述二值化图像中各绿色区域图像；
对各所述绿色区域图像的面积进行排序，去除所述二值化图像中无关区域，得到各待定区域图像；
计算各所述待定区域图像的质心坐标，并根据所述质心坐标以及所述植物叶片与各所述比色卡的相对位置信息，确定各所述待定区域图像中的所述植物叶片的图像和各所述比色卡的图像。
3.根据权利要求2所述的植物叶片含氮量检测方法，其特征在于，将所述待测图像的RGB色彩空间模型转换为HSV色彩空间模型的步骤中，基于以下公式，得到HSV色彩空间模型：
V＝255max(R，G，B)；
若H＜0则
其中，R为所述RGB色彩空间模型中红色分量值，G为所述RGB色彩空间模型中绿色分量值，B为所述RGB色彩空间模型中蓝色分量值，H为所述HSV色彩空间模型中色度分量值，S为所述HSV色彩空间模型中饱和度分量值，V为所述HSV色彩空间模型中明度分量值，max(R，G，B)表示R，G，B中的最大值，min(R，G，B)表示R，G，B中的最小值。
4.根据权利要求2所述的植物叶片含氮量检测方法，其特征在于，基于以下公式，计算各所述待定区域图像的质心坐标：
其中mp，q为各所述待定区域图像的轮廓的p+q阶矩，I为各所述待定区域图像的轮廓像素点的值，n为各所述待定区域图像的轮廓点的个数，p和q分别为所述HSV色彩空间模型的x方向阶距值和y方向阶距值，m00为各所述待定区域图像的轮廓的零阶矩，m10为各所述待定区域图像的轮廓x方向一阶矩，m01为各所述待定区域图像的轮廓y方向的一阶矩。
5.根据权利要求1所述的植物叶片含氮量检测方法，其特征在于，基于所述CIELAB色彩空间模型，计算所述植物叶片的图像与各所述比色卡的图像的色差值的步骤中，包括：
基于所述CIELAB色彩空间模型，确定所述植物叶片的图像的Lab值以及各所述比色卡的图像的Lab值；
根据所述植物叶片的图像的Lab值、各所述比色卡的图像的Lab值以及校正参数，计算所述植物叶片的图像与各所述比色卡的图像的色差值。
6.根据权利要求5所述的植物叶片含氮量检测方法，其特征在于，基于所述CIELAB色彩空间模型，确定所述植物叶片的图像的Lab值以及各所述比色卡的图像的Lab值的步骤，包括：
根据所述CIELAB色彩空间模型，分别获取所述植物叶片的图像和各所述比色卡的图像的分量分布直方图；所述分量分布直方图包括L分量分布直方图、a分量分布直方图和b分量分布直方图；
根据所述分量分布直方图，确定所述植物叶片的图像和各所述比色卡的图像的Lab值；所述Lab值包括L值、a值和b值；其中，所述植物叶片的图像和各所述比色卡的图像的L值为所述植物叶片的图像和各所述比色卡的图像的L分量分布直方图的峰值，所述植物叶片的图像和各所述比色卡的图像的a值为所述植物叶片的图像和各所述比色卡的图像的a分量分布直方图的峰值，所述植物叶片的图像和各所述比色卡的图像的b值为所述植物叶片的图像和各所述比色卡的图像的b分量分布直方图的峰值。
7.根据权利要求1所述的植物叶片含氮量检测方法，其特征在于，根据各所述色差值，确定所述植物叶片对应的目标比色卡的步骤中，包括：
将所述植物叶片的图像与各所述比色卡的图像的色差值进行排序，得到最小色差值；
将所述最小色差值对应的比色卡确定为所述目标比色卡。
8.一种植物叶片含氮量检测装置，其特征在于，包括：
获取模块，用于获取植物叶片的图像和各比色卡的图像；
转换模块，用于将获取的所述植物叶片的图像的RGB色彩空间模型和各所述比色卡的图像的RGB色彩空间模型转换为CIELAB色彩空间模型；
色差值计算模块，用于基于所述CIELAB色彩空间模型，计算所述植物叶片的图像与各所述比色卡的图像的色差值；
目标比色卡确定模块，用于根据各所述色差值，确定所述植物叶片对应的目标比色卡；
氮素含量获取模块，用于根据所述植物叶片对应的目标比色卡的色彩等级，以及预设的比色卡色彩等级与含氮量的对应关系，得到所述植物叶片的含氮量。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910222605.8A CN110097535B (zh) | 2019-03-22 | 2019-03-22 | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910222605.8A CN110097535B (zh) | 2019-03-22 | 2019-03-22 | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110097535A true CN110097535A (zh) | 2019-08-06 |
| CN110097535B CN110097535B (zh) | 2021-05-07 |
Family
ID=67444031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910222605.8A Active CN110097535B (zh) | 2019-03-22 | 2019-03-22 | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097535B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210410A (zh) * | 2019-12-31 | 2020-05-29 | 深圳市优必选科技股份有限公司 | 一种信号灯状态检测方法与装置 |
| CN111445346A (zh) * | 2020-04-07 | 2020-07-24 | 北京农业信息技术研究中心 | 作物长势检测装置及方法 |
| CN112595678A (zh) * | 2020-11-26 | 2021-04-02 | 中国科学院苏州生物医学工程技术研究所 | 基于rgb的图像比色的浓度测定方法、系统、存储介质 |
| CN113109331B (zh) * | 2021-04-12 | 2021-10-01 | 生态环境部卫星环境应用中心 | 水体色度快速检测方法和装置 |
| CN114047139A (zh) * | 2021-11-10 | 2022-02-15 | 四川省农业科学院园艺研究所 | 表征叶片不同氮浓度的标准曲线色卡及其制备方法和应用 |
| CN114821120A (zh) * | 2022-04-13 | 2022-07-29 | 云南省农业科学院质量标准与检测技术研究所 | 基于神经网络的植物颜色识别方法及装置 |
| CN115346213A (zh) * | 2022-07-26 | 2022-11-15 | 中国农业大学 | 基于植物染色图像的木质素和纤维素的检测方法及系统 |
| CN115346213B (zh) * | 2022-07-26 | 2024-10-29 | 中国农业大学 | 基于植物染色图像的木质素和纤维素的检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101210876A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于可见/近红外多光谱成像的水稻养分信息测量方法 |
| CN102175626A (zh) * | 2010-12-31 | 2011-09-07 | 北京京鹏环球科技股份有限公司 | 一种基于光谱图像分析的黄瓜叶片含氮量预测方法 |
| US20110286636A1 (en) * | 2010-05-24 | 2011-11-24 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
| CN102338738A (zh) * | 2010-07-16 | 2012-02-01 | 上海海洋大学 | 作物植株及叶片氮素含量现场快速检测方法及装置 |
| CN102445421A (zh) * | 2011-09-26 | 2012-05-09 | 黑龙江省科学院自然与生态研究所 | 一种用于快速诊断烤烟氮素叶色卡的制备方法 |
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| CN103942555A (zh) * | 2014-04-11 | 2014-07-23 | 海南大学 | 一种植物氮素含量丰缺图像检测方法 |
| CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
-
2019
- 2019-03-22 CN CN201910222605.8A patent/CN110097535B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101210876A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于可见/近红外多光谱成像的水稻养分信息测量方法 |
| US20110286636A1 (en) * | 2010-05-24 | 2011-11-24 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
| CN102338738A (zh) * | 2010-07-16 | 2012-02-01 | 上海海洋大学 | 作物植株及叶片氮素含量现场快速检测方法及装置 |
| CN102175626A (zh) * | 2010-12-31 | 2011-09-07 | 北京京鹏环球科技股份有限公司 | 一种基于光谱图像分析的黄瓜叶片含氮量预测方法 |
| CN102445421A (zh) * | 2011-09-26 | 2012-05-09 | 黑龙江省科学院自然与生态研究所 | 一种用于快速诊断烤烟氮素叶色卡的制备方法 |
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| CN103942555A (zh) * | 2014-04-11 | 2014-07-23 | 海南大学 | 一种植物氮素含量丰缺图像检测方法 |
| CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| HENGBIAO ZHENG等: ""Evaluation of RGB, Color-Infrared and Multispectral Images Acquired from Unmanned Aerial Systems for the Estimation of Nitrogen Accumulation in Rice"", 《REMOTE SENSING》 * |
| 刘双喜等: ""基于色调差的自然光照条件下苹果树叶片含氮量快速检测"", 《中国农机化学报》 * |
| 杨玮等: ""温室黄瓜叶片近红外图像消噪算法与含氮量快速检测"", 《农机机械学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210410A (zh) * | 2019-12-31 | 2020-05-29 | 深圳市优必选科技股份有限公司 | 一种信号灯状态检测方法与装置 |
| CN111445346A (zh) * | 2020-04-07 | 2020-07-24 | 北京农业信息技术研究中心 | 作物长势检测装置及方法 |
| CN112595678A (zh) * | 2020-11-26 | 2021-04-02 | 中国科学院苏州生物医学工程技术研究所 | 基于rgb的图像比色的浓度测定方法、系统、存储介质 |
| CN113109331B (zh) * | 2021-04-12 | 2021-10-01 | 生态环境部卫星环境应用中心 | 水体色度快速检测方法和装置 |
| CN114047139A (zh) * | 2021-11-10 | 2022-02-15 | 四川省农业科学院园艺研究所 | 表征叶片不同氮浓度的标准曲线色卡及其制备方法和应用 |
| CN114821120A (zh) * | 2022-04-13 | 2022-07-29 | 云南省农业科学院质量标准与检测技术研究所 | 基于神经网络的植物颜色识别方法及装置 |
| CN114821120B (zh) * | 2022-04-13 | 2023-02-03 | 云南省农业科学院质量标准与检测技术研究所 | 基于神经网络的植物颜色识别方法及装置 |
| CN115346213A (zh) * | 2022-07-26 | 2022-11-15 | 中国农业大学 | 基于植物染色图像的木质素和纤维素的检测方法及系统 |
| CN115346213B (zh) * | 2022-07-26 | 2024-10-29 | 中国农业大学 | 基于植物染色图像的木质素和纤维素的检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110097535B (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097535B (zh) | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 | |
| Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
| CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
| CN101283604B (zh) | 具有自动白平衡的图像处理设备 | |
| CN108875621B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN110930352A (zh) | 物体色差缺陷检测方法、装置、计算机设备及存储介质 | |
| CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
| EP1915737A2 (en) | Systems, methods, and apparatus for image processing, for color classification, and for skin color detection | |
| CN108279238A (zh) | 一种果实成熟度判断方法及装置 | |
| Arefi et al. | Wheat class identification using computer vision system and artificial neural networks | |
| CN107563976A (zh) | 美颜参数获取方法、装置、可读存储介质和计算机设备 | |
| CN210090288U (zh) | 植物叶片夹持装置 | |
| Singh et al. | Automated color prediction of paddy crop leaf using image processing | |
| CN112435290B (zh) | 基于饱和度分割的叶面积图像测量方法 | |
| CN105139408A (zh) | 一种基于Kinect传感器的植株绿色特征识别方法 | |
| CN103974053A (zh) | 一种基于灰点提取的自动白平衡矫正方法 | |
| CN109274948A (zh) | 图像色彩校正方法、装置、存储介质和计算机设备 | |
| CN110660060A (zh) | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 | |
| CN108805144A (zh) | 基于形态学矫正的弹孔识别方法及系统、报靶设备 | |
| CN112465893A (zh) | 一种植被叶片面积测量方法、装置、终端及存储介质 | |
| US20220270206A1 (en) | Devices, systems and methods for digital image analysis | |
| CN109738438B (zh) | 一种小麦叶片衰老程度快速测量方法 | |
| Setyawan et al. | Comparison of hsv and lab color spaces for hydroponic monitoring system | |
| CN109903275A (zh) | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 | |
| CN112699760A (zh) | 一种脸部目标区域检测方法、装置和设备 |
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 |