CN110631995B - 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法 - Google Patents

叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法 Download PDF

Info

Publication number
CN110631995B
CN110631995B CN201910789336.3A CN201910789336A CN110631995B CN 110631995 B CN110631995 B CN 110631995B CN 201910789336 A CN201910789336 A CN 201910789336A CN 110631995 B CN110631995 B CN 110631995B
Authority
CN
China
Prior art keywords
leaf
potassium
nitrogen
chlorophyll
chlorophyll content
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.)
Active
Application number
CN201910789336.3A
Other languages
English (en)
Other versions
CN110631995A (zh
Inventor
石吉勇
邹小波
李志华
黄晓玮
郭志明
张文
张迪
李文亭
胡雪桃
孙悦
石海军
史永强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201910789336.3A priority Critical patent/CN110631995B/zh
Priority to PCT/CN2019/107983 priority patent/WO2021035858A1/zh
Priority to GB2018070.9A priority patent/GB2591565B/en
Priority to CH01498/20A priority patent/CH716708B1/de
Publication of CN110631995A publication Critical patent/CN110631995A/zh
Application granted granted Critical
Publication of CN110631995B publication Critical patent/CN110631995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/002—Determining nitrogen by transformation into ammonia, e.g. KJELDAHL method
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Wood Science & Technology (AREA)
  • Botany (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于一种作物营养元素亏缺诊断技术领域，涉及一种叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法；本发明首先将待测叶片叶面区域分割，将叶片分割为若干个小区域；然后对叶绿素区域分布特征提取，用高光谱图像技术提取叶片叶绿素叶面分布图中小区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值和叶绿素含量最小值；基于此构建氮钾镁亏缺诊断模型；依据模型对待测叶片氮钾镁亏缺诊断。本发明克服了基于叶绿素含量的元素亏缺诊断方法无法同步诊断黄瓜叶片氮钾镁元素亏缺的局限性；可以快速、无损的提取叶绿素叶面分布特征，实现叶片氮钾镁元素亏缺的高效诊断。

Description

叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法
技术领域
本发明属于一种作物营养元素亏缺诊断技术领域，涉及一种叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法。
背景技术
营养元素是叶片合成各种有机化合物的重要成分，参与叶片生长发育过程中的多种代谢，营养元素亏缺往往导致叶片的内部组分和外部形态发生变化。叶绿素是植物叶片的基本组成物质之一，当作物处于营养元素亏缺状态时，叶片中叶绿素等色素的合成与代谢产生障碍，进而导致叶片出现相应的缺素症状。
氮钾镁元素是黄瓜植株生长、发育过程中所必需的大量营养元素，相关研究表明氮钾镁元素亏缺均导致黄瓜叶片叶绿素含量降低并引起叶片颜色褪绿，因此，基于叶绿素含量的元素亏缺诊断方法可以有效区分缺氮叶片与正常叶片、缺钾叶片与正常叶片、缺镁叶片与正常叶片之间的差异，但是难以准确判断缺氮、缺钾与缺镁叶片之间的差异，导致难以高效同步诊断黄瓜叶片氮钾镁元素亏缺。营养元素理化分析方法如凯氏定氮法、原子吸收光谱法等可以精确的分析黄瓜叶片的氮钾镁营养元素含量，进而实现黄瓜叶片氮钾镁元素亏缺的同步诊断，但是营养元素理化分析诊断方法需要破坏检测样本、耗时长、操作过程复杂。
发明内容
本发明从表征叶绿素含量在氮钾镁元素亏缺叶片分布特征的角度出发，提出了一种基于叶片叶绿素叶面分布特征的氮钾镁元素亏缺同步诊断方法。
所述一种基于叶片叶绿素叶面分布特征的氮钾镁元素亏缺同步诊断方法，具体包括如下步骤：
叶片叶面区域分割：
以叶片主叶脉交汇点、叶片轮廓线的主要拐点将叶面分割为大区域，将分割的大区域再分割为小区域。
其中所述大区域的分割方法包括：
以叶片主叶脉交汇点为原点，叶片轮廓线的主要拐点a作为轮廓线分割点，以非端点轮廓线分割点和原点连线得到大区域分割线段，从而将黄瓜叶片叶面区域分割为a-1个大区域，其中所述的a为正整数；
所述小区域的分割方法包括：
在非端点的轮廓线分割点与原点形成的大区域分割线段上确定n个小区域分割点，以靠近轮廓线的小区域分割点为起点，将相邻的两条大区域分割线上的分割点按照叶片轮廓线分割点到叶面交汇点的顺序依次对应，两两相连形成小区域分割线段；小区域分割线段、大区域分割线段与外轮廓线将叶片叶面区域分割为(a-3)(n+1)个小区域；
所述叶片叶面区域分割共将叶片分为m=(a-3)(n+1)+2个区域，其中2为未进行小区域划分的两个大区域；
所述大区域分割线段上n个小区域分割点分割形成的各个线段长度相等；
其中，所述大区域分割线段上n个小区域分割点分割形成的各个线段长度相等。
叶绿素区域分布特征提取：
利用多片叶片作为训练样本，依次检测叶片的叶绿素含量叶面分布图；依次提取叶片叶绿素叶面分布图中m个区域中所有像素点对应的预设的参数，构建自变量数组X。
所述预设的参数包括叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值和叶绿素含量最小值。
氮钾镁亏缺诊断模型构建：
依次检测叶片的氮钾镁元素营养状况，构建因变量数组Y；利用叶片对应的自变量数组X、因变量数组Y，建立氮钾镁亏缺诊断模型Y = F（X）。
其中，所述自变量数组X构建方法具体操作如下：利用j片叶片叶绿素叶面分布图中m个区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值构建j行×4m列的自变量数组X；其中，所述的m、j均为正整数。
其中所述因变量数组Y用于记录j片叶片的氮钾镁元素营养状况，包括：利用营养元素理化分析方法依次检测j片叶片的氮钾镁元素营养状况，构建j行×3列的因变量数组Y；其中，所述的j为正整数。
其中，所述因变量数组Y的第1列用于记录氮元素营养状况，取值为0时代表对应叶片氮元素正常，取值为1时代表对应叶片氮元素亏缺；因变量数组Y的第2列用于记录钾元素营养状况，取值为0时代表对应叶片钾元素正常，取值为1时代表对应叶片钾元素亏缺；因变量数组Y的第3列用于记录镁元素营养状况，取值为0时代表对应叶片镁元素正常，取值为1时代表对应叶片镁元素亏缺。
待测叶片氮钾镁亏缺诊断：
将待测叶片叶面区域分割为m个区域；依次提取待测叶片叶绿素叶面分布图中m个区域中所有像素点对应的预设的参数构建待测叶片自变量数组X’；待测叶片自变量数组X’代入氮钾镁亏缺诊断模型Y = F（X），计算待测叶片因变量数组Y’ = F（X’）。
所述预设的参数包括叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值和叶绿素含量最小值。
本发明的有益效果：
本发明从表征叶绿素含量在氮钾镁元素亏缺叶片分布特征的角度出发，将黄瓜叶片叶面区域分割为m个区域，通过逐一提取每个区域所有像素点处叶绿素含量的均值、方差、最大值以及最小值，实现了黄瓜叶片叶绿素叶面分布特征的精确表征；基于提取的叶绿素叶面分布特征，构建了可同步诊断黄瓜叶片氮钾镁元素亏缺的诊断模型，建立了基于黄瓜叶片叶绿素叶面分布特征的氮钾镁元素亏缺同步诊断方法，克服了基于叶绿素含量的元素亏缺诊断方法无法同步诊断黄瓜叶片氮钾镁元素亏缺的局限性；借助本发明方案以及构建的氮钾镁元素亏缺诊断模型，可以快速、无损的提取叶绿素叶面分布特征，实现叶片氮钾镁元素亏缺的高效诊断。
高光谱图像技术既可获取待测样本的二维图像信息，又可获取二维图像中每个像素点对应的光谱信息。利用像素点光谱信息对待测组分含量的敏感性，可逐一解析每个像素点对应的待测组分含量，进而实现待测组分含量在样本空间中的分布可视化。
附图说明
图1为黄瓜叶片叶面区域分割示意图；
图2为黄瓜叶片叶绿素含量叶面分布图，其中a为图例、b为叶绿素分布图；
图3 为经过区域分割的黄瓜叶片叶绿素含量叶面分布图。
具体的实施方案
为了使本发明的目的、技术方案和优势更加清楚，使本领域技术人员更好的理解本发明的技术方案，下面将结合本发明的附图和具体实施例对本发明的技术方案更加清楚、完成的描述。显然，所描述的实施例是本发明的一部分实施方式，而不是全部，基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例1：一种基于叶片叶绿素叶面分布特征的氮钾镁元素亏缺同步诊断方法
具体包括如下步骤：
叶片叶面区域分割：所述大区域的分割方法包括：
以叶片主叶脉交汇点为原点，叶片轮廓线的主要拐点a作为轮廓线分割点，以非端点轮廓线分割点和原点连线得到大区域分割线段，从而将黄瓜叶片叶面区域分割为a-1个大区域，其中所述的a为正整数；
所述小区域的分割方法包括：
在非端点的轮廓线分割点与原点形成的大区域分割线段上确定n个小区域分割点，以靠近轮廓线的小区域分割点为起点，将相邻的两条大区域分割线上的分割点按照叶片轮廓线分割点到叶面交汇点的顺序依次对应，两两相连形成小区域分割线段；小区域分割线段、大区域分割线段与外轮廓线将叶片叶面区域分割为 (a-3)(n+1)个小区域；
所述叶片叶面区域分割共将叶片分为m=(a-3)(n+1)+2个区域，其中2为未进行小区域划分的两个大区域；
其中所述的a、m、n均为正整数；
所述大区域分割线段上n个小区域分割点分割形成的各个线段长度相等。
叶绿素区域分布特征提取：利用j片叶片作为训练样本，用高光谱图像技术依次检测j片叶片的叶绿素含量叶面分布图；将分割后的m个区域在叶绿素含量叶面分布图上对应的区域用数字进行无重复编号；依次提取j片叶片叶绿素叶面分布图中m个区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值和叶绿素含量最小值。其中叶绿素含量均值的计算方式为提取单个区域中各个像素点对应的叶绿素含量，并计算该区域中所有像素点对应的平均值；叶绿素含量方差的计算方式为提取单个区域中各个像素点对应的叶绿素含量，并计算该区域中所有像素点对应的方差；叶绿素含量最大值及最小值的计算方式为提取单个区域中各个像素点对应的叶绿素含量，分别统计该区域中所有像素点对应的最大值和最小值。
氮钾镁亏缺诊断模型构建：利用j片叶片叶绿素叶面分布图中m个区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值构建j行×4m列的自变量数组X；利用营养元素理化分析方法依次检测j片叶片的氮钾镁元素营养状况，构建j行×3列的因变量数组Y用于记录j片叶片的氮钾镁元素营养状况；利用j片叶片对应的自变量数组X、因变量数组Y，结合K-近邻模式识别算法建立氮钾镁亏缺诊断模型Y =F（X）。
其中，所述的因变量数组Y的第1列用于记录氮元素营养状况，取值为0时代表对应叶片氮元素正常，取值为1时代表对应叶片氮元素亏缺；因变量数组Y的第2列用于记录钾元素营养状况，取值为0时代表对应叶片钾元素正常，取值为1时代表对应叶片钾元素亏缺；因变量数组Y的第3列用于记录镁元素营养状况，取值为0时代表对应叶片镁元素正常，取值为1时代表对应叶片镁元素亏缺。
待测叶片氮钾镁亏缺诊断：对q片待测叶片，利用区域分割线段、大区域分割线段与外轮廓线将每一片待测叶片叶面区域分割为m个区域；依次提取q片待测叶片叶绿素叶面分布图中m个区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值构建q行×4m列的待测叶片自变量数组X’；待测叶片自变量数组X’代入氮钾镁亏缺诊断模型Y = F（X），计算q行×3列待测叶片因变量数组Y’ = F（X’），其中第u片待测叶片的氮钾镁元素营养状况由待测叶片因变量数组Y’的第u行取值Y’u决定。
其中，所述的a、m、n、q、j均为正整数。
实施例2：基于黄瓜叶片叶绿素叶面分布特征的氮钾镁元素亏缺同步诊断
包含黄瓜叶片叶面区域分割、叶绿素区域分布特征提取、氮钾镁亏缺诊断模型构建、待测黄瓜叶片氮钾镁亏缺诊断四个步骤。
S1. 黄瓜叶片叶面区域分割：
(1) 以黄瓜叶片主叶脉交汇点为O点，以黄瓜叶片轮廓线形成的封闭区域为黄瓜叶片叶面待分割区域，依次选择黄瓜叶片轮廓线的九个主要拐点A、B、C、D、E、F、G、H、I作为轮廓线分割点，其中轮廓线分割点E为黄瓜叶片最长主叶脉末端处的叶尖；用线条分别以轮廓线分割点B、C、D、E、F、G、H为起点，以O点为终点作连线，得到大区域分割线段BO、CO、DO、EO、FO、GO、HO；从而将黄瓜叶片叶面区域分割为OAB、OBC、OCD、ODE、OEF、OFG、OGH、OHI八个大区域，如图1所示。
(2)在大区域分割线段BO上确定3（即n = 3）个小区域分割点B1、B2、B3，使得线段BB1、B1B2、B2B3、B3O长度相等；在大区域分割线段CO上确定3个小区域分割点C1、C2、C3，使得线段CC1、C1C2、C2C3、C3O长度相等；在大区域分割线段DO上确定3个小区域分割点D1、D2、D3，使得线段DD1、D1D2、D2D3、D3O长度相等；在大区域分割线段EO上确定3个小区域分割点E1、E2、E3，使得线段EE1、E1E2、E2E3、E3O长度相等；在大区域分割线段FO上确定3个小区域分割点F1、F2、F3，使得线段FF1、F1F2、F2F3、F3O长度相等；在大区域分割线段GO上确定3个小区域分割点G1、G2、G3，使得线段GG1、G1G2、G2G3、G3O长度相等；在大区域分割线段HO上确定3个小区域分割点H1、H2、H3，使得线段HH1、H1H2、H2H3、H3O长度相等。
（3）分别用线条将小区域分割点B1C1、B2C2、B3C3，C1D1、C2D2、C3D3，D1E1、D2E2、D3E3，E1F1、E2F2、E3F3，F1G1、F2G2、F3G3，G1H1、G2H2、G3H3相连而形成小区域分割线段；小区域分割线段、大区域分割线段与外轮廓线将黄瓜叶片叶面区域分割为26个小区域；
S2. 叶绿素区域分布特征提取：
（1）利用无土栽培方式培育60片黄瓜叶片作为训练样本，用高光谱图像技术（ImSpector V10E, Spectral Imaging Ltd., Oulu, Finland）依次检测60（即j = 60）片黄瓜叶片的叶绿素含量叶面分布图K1，K2，……，K59，K60；其中单片黄瓜叶片的叶绿素含量叶面分布图如图2所示，其中叶绿素分布图中像素点的灰度值代表了该像素点处的叶绿素含量值，像素点的灰度值越低，该像素点对应的叶绿素含量越低；像素点的灰度值越高，该像素点对应的叶绿素含量越高；像素点灰度值与叶绿素含量值的对应关系如图2中图例a所示。
（2）将26个小区域在叶绿素含量叶面分布图上对应的区域进行无重复编号，经过区域分割的黄瓜叶片叶绿素含量叶面分布如图3所示，其中26个小区域对应的编号为图3中各小区域内括号中的阿拉伯数字。
（3）依次提取60片黄瓜叶片叶绿素叶面分布图K1，K2，……，K59，K60中26个小区域中所有像素点对应的叶绿素含量均值X_P1_1，X_P1_2，……，X_P1_59，X_P1_60，其中第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量均值X_P1_i = [X_P1_i_1，X_P1_i_2，……，X_P1_i_25，X_P1_i_26]，X_P1_i_v为第i片黄瓜叶片内第v个小区域内所有像素点对应的叶绿素含量均值，且i∈{1，2，……，59，60}，v∈{1，2，……，25，26}。
（4）依次提取60片黄瓜叶片叶绿素叶面分布图K1，K2，……，K59，K60中26个小区域中所有像素点对应的叶绿素含量方差X_P2_1，X_P2_2，……，X_P2_59，X_P2_60，其中第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量方差X_P2_i = [X_P2_i_1，X_P2_i_2，……，X_P2_i_25，X_P2_i_26]，X_P2_i_v为第i片黄瓜叶片内第v个小区域内所有像素点对应的叶绿素含量方差，且i∈{1，2，……，59，60}，v∈{1，2，……，25，26}。
（5）依次提取60片黄瓜叶片叶绿素叶面分布图K1，K2，……，K59，K60中26个小区域中所有像素点对应的叶绿素含量最大值X_P3_1，X_P3_2，……，X_P3_59，X_P3_60，其中第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量最大值X_P3_i = [X_P3_i_1，X_P3_i_2，……，X_P3_i_25，X_P3_i_26]，X_P3_i_v为第i片黄瓜叶片内第v个小区域内所有像素点对应的叶绿素含量最大值，且i∈{1，2，……，59，60}，v∈{1，2，……，25，26}。
（6）依次提取60片黄瓜叶片叶绿素叶面分布图K1，K2，……，K59，K60中26个小区域中所有像素点对应的叶绿素含量最小值X_P4_1，X_P4_2，……，X_P4_59，X_P4_60，其中第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量最小值X_P4_i = [X_P4_i_1，X_P4_i_2，……，X_P4_i_25，X_P4_i_26]，X_P4_i_v为第i片黄瓜叶片内第v个小区域内所有像素点对应的叶绿素含量最小值，且i∈{1，2，……，59，60}，v∈{1，2，……，25，26}。
S3. 氮钾镁亏缺诊断模型构建：
（1）依次利用60片黄瓜叶片叶绿素叶面分布图K1，K2，……，K59，K60中26个小区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值[X_P1_1，X_P2_1，X_P3_1，X_P4_1]，[X_P1_2，X_P2_2，X_P3_2，X_P4_2]，……，[X_P1_59，X_P2_59，X_P3_59，X_P4_59]，[X_P1_60，X_P2_60，X_P3_60，X_P4_60]构建60行×[26个小区域×4个参数（叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值）]行，即60行×104列的自变量数组X；其中自变量数组X中第i行第1列到26列为第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量均值X_P1_i，自变量数组X中第i行第27列到52列为第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量方差X_P2_i，自变量数组X中第i行第53列到78列为第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量最大值X_P3_i，自变量数组X中第i行第79列到104列为第i片黄瓜叶片的叶绿素含量叶面分布图Ki对应的叶绿素含量最小值X_P4_i。
（2）利用营养元素理化分析方法（原子吸收光谱法、凯氏定氮法）依次检测60片黄瓜叶片的氮钾镁元素营养状况，构建60行×3列的因变量数组Y用于记录60片黄瓜叶片的氮钾镁元素营养状况，因变量数组Y的第1列用于记录氮元素营养状况，取值为0时代表对应叶片氮元素正常，取值为1时代表对应叶片氮元素亏缺；因变量数组Y的第2列用于记录钾元素营养状况，取值为0时代表对应叶片钾元素正常，取值为1时代表对应叶片钾元素亏缺；因变量数组Y的第3列用于记录镁元素营养状况，取值为0时代表对应叶片镁元素正常，取值为1时代表对应叶片镁元素亏缺。
如第i片黄瓜叶片为氮钾镁元素均亏缺时，因变量数组Y的第i行Yi = [1 1 1]；当第i片黄瓜叶片为氮钾元素亏缺而镁元素正常时，因变量数组Y的第i行Yi = [1 1 0]；当第i片黄瓜叶片为氮镁元素亏缺而钾元素正常时，因变量数组Y的第i行Yi = [1 0 1]；当第i片黄瓜叶片为钾镁元素亏缺而氮元素正常时，因变量数组Y的第i行Yi = [0 1 1]；当第i片黄瓜叶片为氮元素亏缺而钾镁元素正常时，Yi = [1 0 0]；当第i片黄瓜叶片为钾元素亏缺而氮镁元素正常时，因变量数组Y的第i行Yi = [0 1 0]；当第i片黄瓜叶片为镁元素亏缺而氮钾元素正常时，因变量数组Y的第i行Yi = [0 0 1]；当第i片黄瓜叶片为氮钾镁元素均正常时，因变量数组Y的第i行Yi = [0 0 0]。
（3）利用60片黄瓜叶片对应的自变量数组X、因变量数组Y，结合K-近邻模式识别算法建立氮钾镁亏缺诊断模型Y = F（X）。
实施例3：待测黄瓜叶片氮钾镁亏缺诊断
（1）按照实施例2步骤S1描述的方法，对10（即q = 10）片待测黄瓜叶片，利用小区域分割线段、大区域分割线段与外轮廓线将每一片待测黄瓜叶片叶面区域分割为26个小区域；
（2）按照实施例2步骤S2及S3描述的方法，依次提取10片待测黄瓜叶片叶绿素叶面分布图中26个小区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值[X’_P1_1，X’_P2_1，X’_P3_1，X’_P4_1]，[X’_P1_2，X’_P2_2，X’_P3_2，X’_P4_2]，……，[X’_P1_9，X’_P2_ 9，X’_P3_9，X’_P4_9]，[X’_P1_10，X’_P2_10，X’_P3_10，X’_P4_10]构建10行×104列的待测叶片自变量数组X’；其中第u片待测黄瓜叶片叶绿素叶面分布图中m个小区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值为[X’_P1_u，X’_P2_u，X’_P3_u，X’_P4_u]，其中u = 1，2，……，9，10。
（3）待测叶片自变量数组X’代入氮钾镁亏缺诊断模型Y = F（X），计算10行×3列待测叶片因变量数组Y’ = F（X’），其中第u片待测叶片的氮钾镁元素营养状况由待测叶片因变量数组Y’的第u行取值Y’u决定；若Y’u的第1列取值为0时代表第u片待测叶片氮元素正常，Y’u的第1列取值为1时代表第u片待测叶片氮元素亏缺；若Y’u的第2列取值为0时代表第u片待测叶片钾元素正常，Y’u的第2列取值为1时代表第u片待测叶片钾元素亏缺；若Y’u的第3列取值为0时代表第u片待测叶片镁元素正常，Y’u的第3列取值为1时代表第u片待测叶片镁元素亏缺。
表1. 待测叶片氮钾镁元素亏缺同步诊断结果
Figure DEST_PATH_IMAGE001

Claims (5)

1.一种叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法，其特征在于，包括如下步骤：
叶片叶面区域分割：以叶片主叶脉交汇点、叶片轮廓线的主要拐点将叶面分割为大区域，将分割的大区域再分割为若干个小区域；
所述大区域的分割方法包括：
以叶片主叶脉交汇点为原点，叶片轮廓线的主要拐点a作为轮廓线分割点，以非端点轮廓线分割点和原点连线得到大区域分割线段，从而将黄瓜叶片叶面区域分割为a-1个大区域，其中所述的a为正整数；
所述小区域的分割方法包括：
在非端点的轮廓线分割点与原点形成的大区域分割线段上确定n个小区域分割点，以靠近轮廓线的小区域分割点为起点，将相邻的两条大区域分割线上的分割点按照叶片轮廓线分割点到叶面交汇点的顺序依次对应，两两相连形成小区域分割线段；小区域分割线段、大区域分割线段与外轮廓线将叶片叶面区域分割为 (a-3)(n+1)个小区域；
所述叶片叶面区域分割共将叶片分为m=(a-3)(n+1)+2个区域，其中2为未进行小区域划分的两个大区域；
其中所述的a、m、n均为正整数；
所述大区域分割线段上n个小区域分割点分割形成的各个线段长度相等；
叶绿素区域分布特征提取：利用多片叶片作为训练样本，依次检测叶片的叶绿素含量叶面分布图；依次提取叶片叶绿素叶面分布图中m个区域中所有像素点对应的预设的参数，构建自变量数组X；
氮钾镁亏缺诊断模型构建：依次检测叶片的氮钾镁元素营养状况，构建因变量数组Y；利用叶片对应的自变量数组X、因变量数组Y，建立氮钾镁亏缺诊断模型Y = F（X）；
待测叶片氮钾镁亏缺诊断：将待测叶片叶面区域分割为m个区域；依次提取待测叶片叶绿素叶面分布图中m个区域中所有像素点对应的预设的参数构建待测叶片自变量数组X’；待测叶片自变量数组X’代入氮钾镁亏缺诊断模型Y = F（X），计算待测叶片因变量数组Y’ =F（X’）。
2.根据权利要求1所述的方法，其特征在于，所述预设的参数包括叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值。
3.根据权利要求1所述的方法，其特征在于，
所述自变量数组X构建方法具体操作如下：利用j片叶片叶绿素叶面分布图中m个区域中所有像素点对应的叶绿素含量均值、叶绿素含量方差、叶绿素含量最大值、叶绿素含量最小值构建j行×4m列的自变量数组X；其中，所述的m、j均为正整数。
4.根据权利要求1所述方法，其特征在于，所述因变量数组Y用于记录j片叶片的氮钾镁元素营养状况，包括：
利用营养元素理化分析方法依次检测j片叶片的氮钾镁元素营养状况，构建j行×3列的因变量数组Y；其中，所述的j为正整数。
5.根据权利要求4所述的方法，其特征在于，所述因变量数组Y的第1列用于记录氮元素营养状况，取值为0时代表对应叶片氮元素正常，取值为1时代表对应叶片氮元素亏缺；因变量数组Y的第2列用于记录钾元素营养状况，取值为0时代表对应叶片钾元素正常，取值为1时代表对应叶片钾元素亏缺；因变量数组Y的第3列用于记录镁元素营养状况，取值为0时代表对应叶片镁元素正常，取值为1时代表对应叶片镁元素亏缺。
CN201910789336.3A 2019-08-26 2019-08-26 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法 Active CN110631995B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910789336.3A CN110631995B (zh) 2019-08-26 2019-08-26 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法
PCT/CN2019/107983 WO2021035858A1 (zh) 2019-08-26 2019-09-26 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法
GB2018070.9A GB2591565B (en) 2019-08-26 2019-09-26 Method for synchronously diagnosing nitrogen, potassium, and magnesium deficiency based on chlorophyll distribution characteristics on leaf surface
CH01498/20A CH716708B1 (de) 2019-08-26 2019-09-26 Methode zur Diagnose von Stickstoff, Kalium und Magnesiummangel in Pflanzen basierend auf den Verteilungseigenschaften von Blattchlorophyll auf der Blattoberfläche.

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910789336.3A CN110631995B (zh) 2019-08-26 2019-08-26 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法

Publications (2)

Publication Number Publication Date
CN110631995A CN110631995A (zh) 2019-12-31
CN110631995B true CN110631995B (zh) 2021-09-10

Family

ID=68969067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910789336.3A Active CN110631995B (zh) 2019-08-26 2019-08-26 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法

Country Status (4)

Country Link
CN (1) CN110631995B (zh)
CH (1) CH716708B1 (zh)
GB (1) GB2591565B (zh)
WO (1) WO2021035858A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110631995B (zh) * 2019-08-26 2021-09-10 江苏大学 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法
CN111398198A (zh) * 2020-04-29 2020-07-10 中国农业大学 一种小麦籽粒微量元素快速无损检测方法
CN114486761B (zh) * 2022-01-24 2024-04-12 云南省热带作物科学研究所 一种橡胶树叶片镁含量快速估算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA32191U (uk) * 2007-12-13 2008-05-12 Yuriev Inst Of Plant Science O Спосіб обліку ураженості зернових та зернобобових культур листовими хворобами
CN101692037A (zh) * 2009-09-08 2010-04-07 江苏大学 高光谱图像和独立分量分析植物叶面叶绿素分布的方法
CN110148146A (zh) * 2019-05-24 2019-08-20 重庆大学 一种利用合成数据的植物叶片分割方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100538333C (zh) * 2006-04-30 2009-09-09 武汉大学 便携式植物叶片色素检测仪
CN101382488B (zh) * 2008-10-14 2010-09-29 江苏吟春碧芽茶叶研究所有限公司 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法
BRPI0805608B1 (pt) * 2008-12-15 2018-11-21 Embrapa Pesquisa Agropecuaria método, equipamento e sistema para diagnóstico de estresses e doenças em plantas superiores
CN101915738B (zh) * 2010-06-23 2013-06-12 江苏大学 基于高光谱成像技术的茶树营养信息快速探测方法及装置
CN103868891A (zh) * 2014-03-12 2014-06-18 中国农业科学院油料作物研究所 一种油菜叶片氮素营养快速诊断及推荐追氮的方法
CN105486669A (zh) * 2016-01-12 2016-04-13 丽水学院 一种植物必需营养元素亏缺的叶绿素荧光诊断方法
CN105675821B (zh) * 2016-02-21 2018-11-02 南京农业大学 一种作物氮素营养无损诊断的图像评价指标的建立方法
CN110631995B (zh) * 2019-08-26 2021-09-10 江苏大学 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA32191U (uk) * 2007-12-13 2008-05-12 Yuriev Inst Of Plant Science O Спосіб обліку ураженості зернових та зернобобових культур листовими хворобами
CN101692037A (zh) * 2009-09-08 2010-04-07 江苏大学 高光谱图像和独立分量分析植物叶面叶绿素分布的方法
CN110148146A (zh) * 2019-05-24 2019-08-20 重庆大学 一种利用合成数据的植物叶片分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Nondestructive diagnostics of nitrogen deficiency by cucumber leaf chlorophyll;Shi Ji-Yonga et al;《Scientia Horticulturae》;20121231;第190-197页 *
基于叶绿素叶面分布特征的黄瓜氮镁元素亏缺快速诊断;石吉勇等;《农业工程学报》;20190731;第170-176页 *

Also Published As

Publication number Publication date
GB2591565B (en) 2022-10-12
CH716708B1 (de) 2022-05-13
GB202018070D0 (en) 2020-12-30
CN110631995A (zh) 2019-12-31
GB2591565A8 (en) 2021-08-11
GB2591565A (en) 2021-08-04
WO2021035858A1 (zh) 2021-03-04

Similar Documents

Publication Publication Date Title
CN110631995B (zh) 叶片叶绿素叶面分布特征同步诊断氮钾镁元素亏缺的方法
Chen et al. Diagnosing of rice nitrogen stress based on static scanning technology and image information extraction
Yang et al. A synthetic datasets based instance segmentation network for High-throughput soybean pods phenotype investigation
CN111008664A (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN108519339A (zh) 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法
CN105303566B (zh) 一种基于目标轮廓裁剪的sar图像目标方位角估计方法
CN111562273A (zh) 基于高光谱的鱼水射流除鳞轻微损伤可视化方法
CN118230166A (zh) 基于改进Mask2YOLO网络的玉米冠层器官识别方法及冠层表型检测方法
Yang et al. Classification of sugar beets based on hyperspectral and extreme learning machine methods
CN112329733B (zh) 一种基于gee云平台的冬小麦长势监测及分析方法
CN112184785B (zh) 基于mcd度量和vtm的多模态遥感图像配准方法
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN111932551B (zh) 一种水稻插秧机的漏插率检测方法
Zhang et al. Impact of spectral interval on wavelet features for detecting wheat yellow rust with hyperspectral data
CN113421301B (zh) 一种田间作物中心区域定位方法及系统
CN115909077A (zh) 基于无监督光谱解混神经网络的高光谱图像变化检测方法
CN113433081B (zh) 基于动态神经网络的果蔬干燥过程中品质检测方法及系统
Rao et al. Identification of nutrient deficiency in rice leaves using densenet-121
CN111091087B (zh) 基于多视图协同典型相关森林遥感影像土地覆盖提取算法
CN109145945B (zh) 一种非局部加权联合稀疏表示的高光谱图像分类方法
CN103632148B (zh) 长叶柄轴对称植物叶片中轴及其长度的图像检测方法
Tan et al. Anchor-free deep convolutional neural network for plant and plant organ detection and counting
CN113610965B (zh) 基于点云的植物叶绿素含量三维空间立体分布可视化方法
Wang et al. Feature Selection Method for Open-pit Mine Land Cover Classification Based on Multi-feature Set Using Sentinel-2.
Kolhar et al. Bibliometric review on image based plant phenotyping

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