CN112950700B - 基于深度学习和图像处理的植物叶片气孔导度测量方法 - Google Patents
基于深度学习和图像处理的植物叶片气孔导度测量方法 Download PDFInfo
- Publication number
- CN112950700B CN112950700B CN202110213709.XA CN202110213709A CN112950700B CN 112950700 B CN112950700 B CN 112950700B CN 202110213709 A CN202110213709 A CN 202110213709A CN 112950700 B CN112950700 B CN 112950700B
- Authority
- CN
- China
- Prior art keywords
- image
- stomata
- mth
- plant leaf
- plant
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 241000196324 Embryophyta Species 0.000 claims abstract description 63
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 235000000177 Indigofera tinctoria Nutrition 0.000 claims description 3
- 229940097275 indigo Drugs 0.000 claims description 3
- COHYTHOBJLSHDF-UHFFFAOYSA-N indigo powder Natural products N1C2=CC=CC=C2C(=O)C1=C1C(=O)C2=CC=CC=C2N1 COHYTHOBJLSHDF-UHFFFAOYSA-N 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 abstract description 7
- 230000029553 photosynthesis Effects 0.000 abstract description 6
- 238000010672 photosynthesis Methods 0.000 abstract description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 abstract description 4
- 230000001766 physiological effect Effects 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000000243 photosynthetic effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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)
- Geometry (AREA)
- Image Analysis (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种基于深度学习和图像处理的植物叶片气孔导度测量方法，包括：1在待测植物叶片的固定位置采样得到植物叶片气孔图像；2使用Mask R‑CNN算法对植物叶片气孔图像中的气孔进行实例分割得到气孔的掩膜图像；3对掩膜图像进行图像处理得到气孔的二值图像；4计算每个采样周期上的植物叶片的图像中气孔的总面积；5计算植物叶片在各采样周期上的气孔导度。本发明能简单有效地计算出植物叶片气孔导度，适用于对植物的光合、呼吸、蒸腾等生理活动进行研究及其应用。
Description
技术领域
本发明涉及智慧农林领域，具体涉及基于深度学习和图像处理的植物叶片气孔导度测量方法，适用对植物的光合、呼吸、蒸腾等生理活动进行研究，对植物的水分利用、胁迫以及光合同化率、产量形成等进行管理。
背景技术
气孔在植物呼吸作用、光合作用、蒸腾作用等气体代谢中扮演着与外界进行物质交换的主要门户的角色。气孔导度反映了气孔的开闭程度，影响着物质交换的速率，关系到植物的蒸腾速率、光合效率和光合产量。植物在光下进行光合作用，经由气孔吸收CO2，所以气孔必须张开，但气孔开张又不可避免地发生蒸腾作用。光合作用与蒸腾作用之间的比值被定义为植物水分利用率(WUE)。高的气孔导度会提高植物水分利用率，然而，较高的植物水分利用率同时又意味着气孔导度的降低，导致光合产量下降，最终体现为作物产量降低。所以要平衡气孔导度与植物水分利用率之间的关系，达到相对较高的植物水分利用率，提高作物产量，就要测量计算气孔导度。
文献(“冷国强.活体植物叶片气孔成像仪的研制[D].中国计量大学,2017.”)设计了新型的活体植物叶片气孔成像仪，可以获得活体植物的气孔图像，但是并没有提出气孔导度的测量方法。文献(“蔡金玲.基于改进遗传算法的叶片气孔开度测量方法研究[D].东北林业大学,2016.”)提出了改进遗传算法的叶片气孔开度的测量方法，但是在实验中其忽略了植物细胞的细胞核对实验结果的影响，而且其最终效果也不是很好，此方法没有普适性。一些传统的气孔导度测量方法，如近似值法和网格获取法不仅操作困难而且计算结果误差较大。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度学习和图像处理的植物叶片气孔导度测量方法，以期能快速准确地测量植物叶片气孔导度，简化过程并提高测量精度。
本发明为解决技术问题采取如下技术方案：
本发明一种基于深度学习和图像处理的植物叶片气孔导度测量方法的特点是按如下步骤进行：
步骤1：利用高倍体视显微镜在M个采样周期上获取某一植物叶片中同一采样区域的M张植物叶片气孔图像，其中，第m个采样周期所获取的植物叶片气孔图像记为pm，m∈[1,M]；
步骤2：使用深度学习中的MaskR-CNN算法对M张植物叶片气孔图像分别进行实例分割，并将分割出来的气孔标记为一种固定颜色，且所述固定颜色与植物叶片气孔图像中的颜色均不同，从而获得M张气孔的掩膜图像；
步骤3：对M张掩膜图像分别进行图像处理，从而得到M张气孔的二值图像：
步骤3.1、使用非局部均值去噪算法对第m张掩膜图像进行处理，得到第m张去噪后的掩膜图像；
步骤3.2、将第m张去噪后的掩膜图像的颜色空间由RGB转换为HSV，从而得到第m张HSV图像；
步骤3.3、对所述第m张HSV图像中的气孔的颜色进行色彩过滤，从而得到第m张二值图像，所述第m张二值图像中的白色区域表示气孔；
步骤3.4、对所述第m张二值图像取反得到第m张新的气孔二值图像，所述第m张新的气孔二值图像中的黑色区域为气孔；
步骤4：将第m张新的气孔二值图像中黑色区域的像素数作为第m张植物叶片气孔图像中气孔的总面积Sm；
步骤5：根据式(1)计算第m张植物叶片气孔图像中植物叶片气孔导度gm：
式(1)中，Smax是M张植物叶片气孔图像中气孔的总面积中的最大值。
与现有技术相比，本发明的有益效果在于：
1、本发明通过MaskR-CNN算法可以快速准确地标记叶片气孔，提高了计算结果的准确率，解决了传统人工测量困难，计算存在误差的问题。
2、本发明经过MaskR-CNN算法标记后的掩膜图像，再使用非局部均值去噪、RGB转换为HSV和色彩过滤等图像处理技术处理图片可以消除叶片细胞间和细胞内其他组织对最后处理结果的影响。
3、本发明使用深度学习方法，训练出的植物叶片气孔的深度学习模型适用于多种植物叶片气孔导度的测量，提高了植物叶片气孔导度测量的普适性。
4、本发明能简单有效地计算出植物叶片气孔导度，从而对植物的光合、呼吸、蒸腾等生理活动进行研究，对植物的水分利用、胁迫以及光合同化率、产量形成等进行管理。
附图说明
图1为本发明方法的总体流程图；
图2为本发明图像处理过程示意图。
具体实施方式
本实施例中，如图1所示，一种基于深度学习和图像处理的植物叶片气孔导度测量方法是按如下步骤进行：
步骤1：使用高倍体视显微镜采集多种植物叶片气孔的图像；把这些种类的植物的叶片气孔图像作为初始数据集；
步骤2：用图像标注软件labelimg对初始数据集中的所有气孔进行标注，并将初始数据集按8：1：1的比例划分为训练集、测试集和验证集；
步骤3：选择MaskR-CNN深度学习算法对训练集进行训练，并用测试集测试、验证集验证训练结果，动态调整学习率及置信度等参数，得到最佳的植物叶片气孔深度学习模型；
步骤4：利用高倍体视显微镜在M个采样周期上获取植物叶片气孔深度学习模型中所有植物种类中某一种植物的叶片上同一采样区域的M张植物叶片气孔图像，其中，第m个采样周期所获取的植物叶片气孔图像记为pm，m∈[1,M]，图像pm如图2中的标注①所示。
步骤5：使用深度学习中的MaskR-CNN算法对M张植物叶片气孔图像分别进行实例分割，并将分割出来的气孔标记为一种固定颜色，且所述固定颜色与植物叶片气孔图像中的颜色均不同，从而获得M张气孔的掩膜图像。如图2中的标注②所示，在实例分割时把被分割出来的气孔标记为靛蓝色；
步骤6：对M张掩膜图像分别进行图像处理，从而得到M张气孔的二值图像，图像处理过程示意图如图2所示，具体操作如下：
步骤6.1、使用非局部均值去噪算法对第m张掩膜图像进行处理，得到第m张去噪后的掩膜图像，如图2中的标注③所示；
步骤6.2、将第m张去噪后的掩膜图像的颜色空间由RGB转换为HSV，从而得到第m张HSV图像，如图2中的标注④所示；
步骤6.3、对第m张HSV图像中的气孔的颜色进行色彩过滤，过滤掉图像中的靛蓝色区域——气孔，从而得到第m张二值图像，如图2中的标注⑤所示，第m张二值图像中的白色区域表示气孔；
步骤6.4、对第m张二值图像取反得到第m张新的气孔二值图像，第m张新的气孔二值图像中的黑色区域为气孔，如图2中的标注⑥所示。
步骤7：将第m张新的气孔二值图像中黑色区域的像素数作为第m张植物叶片气孔图像中气孔的总面积Sm，从而得到各采样周期上植物叶片气孔图像中气孔的总面积；
步骤8：根据式(1)计算第m张植物叶片气孔图像中植物叶片气孔导度gm，从而得到各采样周期上植物叶片的气孔导度；
式(1)中，Smax是M张植物叶片气孔图像中气孔的总面积中的最大值。
Claims (1)
1.一种基于深度学习和图像处理的植物叶片气孔导度测量方法，其特征是按如下步骤进行：
步骤1：利用高倍体视显微镜在M个采样周期上获取某一植物叶片中同一采样区域的M张植物叶片气孔图像，其中，第m个采样周期所获取的植物叶片气孔图像记为pm，m∈[1,M]；
步骤2：使用深度学习中的MaskR-CNN算法对M张植物叶片气孔图像分别进行实例分割，并将分割出来的气孔标记为一种固定颜色，且所述固定颜色与植物叶片气孔图像中的颜色均不同，从而获得M张气孔的掩膜图像；
步骤3：对M张掩膜图像分别进行图像处理，从而得到M张气孔的二值图像：
步骤3.1、使用非局部均值去噪算法对第m张掩膜图像进行处理，得到第m张去噪后的掩膜图像；
步骤3.2、将第m张去噪后的掩膜图像的颜色空间由RGB转换为HSV，从而得到第m张HSV图像；
步骤3.3、对所述第m张HSV图像中的气孔的颜色进行色彩过滤，过滤掉图像中的靛蓝色区域所表示的气孔，从而得到第m张二值图像，所述第m张二值图像中的白色区域表示气孔；
步骤3.4、对所述第m张二值图像取反得到第m张新的气孔二值图像，所述第m张新的气孔二值图像中的黑色区域为气孔；
步骤4：将第m张新的气孔二值图像中黑色区域的像素数作为第m张植物叶片气孔图像中气孔的总面积Sm；
步骤5：根据式(1)计算第m张植物叶片气孔图像中植物叶片气孔导度gm：
式(1)中，Smax是M张植物叶片气孔图像中气孔的总面积中的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110213709.XA CN112950700B (zh) | 2021-02-25 | 2021-02-25 | 基于深度学习和图像处理的植物叶片气孔导度测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110213709.XA CN112950700B (zh) | 2021-02-25 | 2021-02-25 | 基于深度学习和图像处理的植物叶片气孔导度测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112950700A CN112950700A (zh) | 2021-06-11 |
| CN112950700B true CN112950700B (zh) | 2022-10-04 |
Family
ID=76246302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110213709.XA Active CN112950700B (zh) | 2021-02-25 | 2021-02-25 | 基于深度学习和图像处理的植物叶片气孔导度测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950700B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063453B (zh) * | 2022-06-24 | 2023-08-29 | 南京农业大学 | 植物叶片气孔个体行为检测分析方法、系统及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556569A (zh) * | 2016-11-11 | 2017-04-05 | 北京林业大学 | 一种基于红外成像的植物缺水状况诊断方法 |
| CN112052836A (zh) * | 2020-10-09 | 2020-12-08 | 南京农业大学 | 一种植物叶片气孔开闭状态的实时监测系统及方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8126268B2 (en) * | 2005-12-30 | 2012-02-28 | Telecom Italia S.P.A. | Edge-guided morphological closing in segmentation of video sequences |
| CN102524024B (zh) * | 2012-02-16 | 2013-04-03 | 四川农业大学 | 基于计算机视觉的作物灌溉系统 |
| CN105761259B (zh) * | 2016-02-15 | 2018-08-21 | 江苏大学 | 一种基于显微图像的小麦叶片气孔密度测量方法 |
| CN106097372A (zh) * | 2016-06-23 | 2016-11-09 | 北京农业信息技术研究中心 | 基于图像处理的农作物植株水分胁迫表型检测方法 |
| CN108537777A (zh) * | 2018-03-20 | 2018-09-14 | 西京学院 | 一种基于神经网络的作物病害识别方法 |
| NL1043218B1 (en) * | 2019-04-03 | 2020-10-08 | Lomasgrow Holding Bv | Thermal image analyser for crops |
| CN110245691A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆外观颜色变色改装的智能识别方法 |
| CN110569859B (zh) * | 2019-08-29 | 2020-09-01 | 杭州光云科技股份有限公司 | 一种服装图像的颜色特征提取方法 |
| CN111402247B (zh) * | 2020-03-23 | 2023-04-18 | 华南理工大学 | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 |
| CN111798470A (zh) * | 2020-07-20 | 2020-10-20 | 成都快乐猴科技有限公司 | 一种应用于智能农业的农作物图像实体分割方法及系统 |
| CN111860459B (zh) * | 2020-08-05 | 2024-02-20 | 武汉理工大学 | 一种基于显微图像的禾本科植物叶片气孔指数测量方法 |
| CN112330688A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技（深圳）有限公司 | 基于人工智能的图像处理方法、装置和计算机设备 |
-
2021
- 2021-02-25 CN CN202110213709.XA patent/CN112950700B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556569A (zh) * | 2016-11-11 | 2017-04-05 | 北京林业大学 | 一种基于红外成像的植物缺水状况诊断方法 |
| CN112052836A (zh) * | 2020-10-09 | 2020-12-08 | 南京农业大学 | 一种植物叶片气孔开闭状态的实时监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112950700A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
| CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
| CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
| CN109284771A (zh) | 一种番茄生长模型判定方法及装置 | |
| CN112881293A (zh) | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 | |
| CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
| CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
| CN108710766A (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
| Chen et al. | Diagnosing of rice nitrogen stress based on static scanning technology and image information extraction | |
| CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| CN112950700B (zh) | 基于深度学习和图像处理的植物叶片气孔导度测量方法 | |
| Yang et al. | Water droplets fluorescence image segmentation of cucumber leaves based on K-means clustering with opening and closing alternately filtering | |
| CN116941380A (zh) | 基于多光谱图像分析的水稻种子活力检测方法 | |
| 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 | |
| CN114677033B (zh) | 一种实验室培育数据全周期流程智能监测分析管理系统 | |
| CN116188793A (zh) | 一种基于卫星遥感影像的紫云英种植面积监测方法 | |
| CN105761259A (zh) | 一种基于显微图像的小麦叶片气孔密度测量方法 | |
| CN111781183A (zh) | 一种利用叶绿素荧光估算植物叶片叶绿素含量的方法 | |
| CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
| CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
| CN107886497A (zh) | 一种基于图像的小麦旗叶无损自动检测及测量方法 | |
| CN112330672B (zh) | 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法 | |
| CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
| Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
| Wang et al. | Study on estimation method of plant leaf area based on image processing technology |
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 |