CN114494689A - 番茄干旱胁迫的识别方法 - Google Patents

番茄干旱胁迫的识别方法 Download PDF

Info

Publication number
CN114494689A
CN114494689A CN202210100703.6A CN202210100703A CN114494689A CN 114494689 A CN114494689 A CN 114494689A CN 202210100703 A CN202210100703 A CN 202210100703A CN 114494689 A CN114494689 A CN 114494689A
Authority
CN
China
Prior art keywords
tomato
drought stress
important
image
spectral
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.)
Pending
Application number
CN202210100703.6A
Other languages
English (en)
Inventor
高会议
贺露
万莉
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202210100703.6A priority Critical patent/CN114494689A/zh
Publication of CN114494689A publication Critical patent/CN114494689A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种番茄干旱胁迫的识别方法，该识别方法主要包括：采集不同干旱状态的番茄样本的高光谱图像，选取感兴趣区域，获得原始光谱数据；对原始光谱数据降维去噪，并提取重要波段光谱特征以及重要纹理特征；融合所述重要波段光谱特征和重要纹理特征，建立并训练番茄干旱胁迫分类模型；采集待识别番茄的高光谱图像，并提取其光谱特征和纹理特征作为输入量输入所述番茄干旱胁迫分类模型中，获得番茄干旱胁迫的识别结果。该识别方法操作简单使用性强、检测精度高能实现番茄干旱状态的快速无损识别，能够判断整个植株状态，评估植株干旱程度，以实现对苗期番茄干旱胁迫状态的快速无损精确监测，为指导番茄农业生产水分灌溉管理提供依据。

Description

番茄干旱胁迫的识别方法
技术领域
本发明属于作物非生物胁迫识别技术领域，特别涉及一种基于高光谱成像技术的番茄干旱胁迫的识别方法。
背景技术
番茄是一年生或多年生草本植物，番茄果实营养丰富，含有糖、有机酸、维他命C等营养物质，可以生吃、煮熟、加工番茄酱等。原产于南美洲，目前在中国广泛栽培，中国番茄产量位居全球第一，2019年西红柿产量占比达到34.78％。番茄的生长发育对于水分要求比较高，干旱胁迫指的是由于干旱使植物可利用水分缺乏而生长明显受到抑制的现象，快速并准确的识别干旱胁迫，对于作物的有效灌溉管理具有一定的指导意义。
高光谱成像是一种全新的作物生物物理参数监测技术，不同作物的叶绿素含量、氮磷钾含量以及体内细胞水分含量均有较大差异，导致不同作物叶片具有不同的光谱反射率，根据作物光谱特征可以识别作物对应的不同生理特征，进而完成对作物生理参数的研究。它作为一种新型作物信息监测手段，被广泛应用于监测作物水分含量。在目前对作物含水量监测研究中，大多数人均是基于土壤光谱，但是不同土壤内部构成不同，必然会影响不同土壤之间建立的图像分析模型的通用性，而叶片表现是植株水分亏缺的最直接证据之一，直接通过作物叶片自身光谱识别干旱胁迫更具有实用性也更准确。
本发明致力于阐明一种通过作物自身的光谱特征结合纹理特征判断作物的干旱胁迫状态的技术方案。
发明内容
有鉴于此，本发明有必要提供一种番茄干旱胁迫的识别方法，通过高光谱成像结合叶片纹理特征分析番茄叶片，从而能够快速判断整个植株状态，评估植株干旱程度。
为了实现上述目的，本发明采用以下技术方案：
本发明提供了一种番茄干旱胁迫的识别方法，包括以下步骤：
采集不同干旱状态的番茄样本的高光谱图像，选取感兴趣区域，获得原始光谱数据；
对原始光谱数据降维去噪，并提取重要波段光谱特征；
提取重要纹理特征；
融合所述重要波段光谱特征和重要纹理特征，建立并训练番茄干旱胁迫分类模型；
采集待识别番茄的高光谱图像，并提取其光谱特征和纹理特征作为输入量输入所述番茄干旱胁迫分类模型中，获得番茄干旱胁迫的识别结果。
进一步方案，在采集高光谱图像之前，对高光谱图像进行黑白板校正，校正公式如下：
Figure BDA0003492234900000021
其中，I为校正后番茄叶片图像反射率，I0为原始图像反射率，B为黑板图像反射率，W为白板图像反射率。
进一步方案，所述感兴趣区域的选取具体为：首先对获取的高光谱图像进行格式转换得到灰度图像，通过均值处理转化为二值化图像然后进一步分割得到感兴趣区域，对其进行提取，获得原始光谱数据。
进一步方案，所述原始光谱数据的降维去噪采用标准正态变量变换法进行。
进一步方案，所述重要波段光谱特征的提取采用竞争性自适应重加权算法结合连续投影算法进行。
进一步方案，在提取所述重要纹理特征前，还包括提取纹理特征的步骤，其中，所述纹理特征的提取，具体为：将获取的高光谱图像进行格式转换得到灰度图像，通过均值处理转化为二值化图像；选取目标叶片，对目标叶片采用灰度梯度共生矩阵提取纹理特征。
进一步方案，所述重要纹理特征采用连续投影算法提取。
进一步方案，所述重要纹理特征包括：小梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度分布的均方差、梯度熵、混合熵和逆差矩。
进一步方案，所述番茄干旱胁迫分类模型的建立是通过将融合的重要波段光谱特征和重要纹理特征数据结合支持向量机模型建立分类模型实现的。
与现有技术相比，本发明具有以下有益效果：
本发明通过利用高光谱成像技术获得番茄嫩叶自身的光谱与纹理特征，将两者融合后再结合支持向量机(SVM)模型识别番茄的干旱程度，该识别方法操作简单使用性强、检测精度高能实现番茄干旱状态的快速无损识别，能够判断整个植株状态，评估植株干旱程度，以实现对苗期番茄干旱胁迫状态的快速无损精确监测，为指导番茄农业生产水分灌溉管理提供依据。
附图说明
图1为本发明实施例中番茄干旱胁迫的识别方法的流程示意图；
图2为本发明实施例中高光谱图像采集装置的结构示意图；
图3为本发明实施例中番茄干旱胁迫分类模型的分类结果图。
图中：10-高光谱成像仪、20-光源、30-升降台、40-支架、50-计算机。
具体实施方式
下面通过具体实施例对本发明进行说明，需要说明的是，下面的具体实施例仅仅是用于说明的目的，而不以任何方式限制本发明的范围，另外，如无特别说明，未具体记载条件或者步骤的方法均为常规方法。
图1中示出了本发明实施例中基于高光谱成像技术的番茄干旱胁迫的识别方法的流程示意图，主要有以下步骤：
S100、提供不同干旱程度的番茄，设置番茄样本。
具体的说，本实施例中采用的实验品种为红樱桃番茄，选取12株长势相同的番茄幼苗同批次在室内盆栽种植，需要说明的是，由于氮磷钾等营养物质的影响主要表现在成熟叶片上，为了消除无关要素的影响，本实施例中选取番茄幼苗嫩叶为研究对象。进一步的，通过土壤温湿度传感器测量土壤水分，三次测量取平均值，在本实施例中，番茄的干旱状态是逐渐发生的，在保证各盆栽施肥时间与施肥量相同，管理措施也相同的基础上通过控制施水量来控制番茄的胁迫状态。以土壤含水率为15％-20％作为适宜条件、土壤含水率为8％-15％为中度干旱，土壤含水率在8％以下为重度干旱，其标签分别记为1、2、3。
S200、采集番茄样本的高光谱图像。
本实施例中分批次采集不同干旱条件下的番茄样本幼苗期嫩叶400-1000nm范围的高光谱图像，具体的说，每株选取顶部四片嫩叶，每片嫩叶采集一个光谱，并将番茄样本按照一定的比例划分为训练集与预测集，在本实施例中，每类各采集100片番茄叶片，共采集300个样本数据按照1：2划分为预测集与训练集，随机选取100个样本数据被选为预测集，200个样本数据作为训练集。
需要说明的是，为了降低外界光线的影响，本实施例中的高光谱图像的采集在黑暗的环境中进行，具体的说，首先打开光源将高光谱仪器进行30min的预热，30min后将样本放在升降台上进行图像获取，固定样本与高光谱镜头距离为30cm；并且采集图像之前，需要对高光谱图像进行黑白板校正，以减少暗电流、噪声等不稳定因素的影响，校正公式如下：
Figure BDA0003492234900000031
其中，I为校正后番茄叶片图像反射率；I0为原始图像反射率；B为黑板图像反射率；W为白板图像反射率。
图2中示出了本实施例中采用的高光谱数据采集装置的结构示意图，其包括高光谱成像仪10(美国Headwall Photonics公司生产)、光源20、升降台30、支架40和计算机50，其中，本实施例中，高光谱成像仪10的波长采集范围在400-1000nm之间，波段数为272个波段；光源20采用功率为75W的卤素灯，且卤素灯的支架可调节，从而确保实验样本光源均匀；升降台30用于放置样本盆栽，拍摄时将样本盆栽放置在升降台30上，并调整样本叶片与高光谱镜头距离为30cm；支架40用于放置黑色PVC板，其可调节，具体测量时将样本叶片放置在黑色PVC板上，以隔绝其他叶片，防止其他叶片对目标叶片产生干扰；计算机50内装载有相关软件，用于对采集的高光谱图像做进一步处理。
进一步的，对采集的叶片图像进行格式转换得到灰度图像，通过均值处理转化为二值化图像然后进一步分割得到感兴趣区域，计算感兴趣区域的平均反射率，获得原始光谱数据。
S300、提取重要光谱特征。
对步骤S200中感兴趣区域提取的原始光谱数据，进行预处理以减少冗余信息，提高模型的准确性。在本实施例中，采用标准正态变量变换(SNV)对光谱数据进行预处理，可以理解的是，SNV是一种常规的光谱预处理方法，其主要是用来消除固体颗粒大小、表面散射以及光程度变化对光谱的影响，主要原理是计算每个样本相对于平均值的差，除以所有样本的均方差，从而得到每个样本处理后的光谱值。由于SNV为常规光谱预处理方法，故这里不再具体阐述。
进一步的，本实施例中为了减少光谱数据中的冗余信息，提高模型的分类准确度，采用竞争性自适应重加权算法结合连续投影算法(CARS-SPA)选取28个特征波段，具体步骤为：首先对步骤S300中预处理之后的光谱数据使用竞争性自适应重加权(CARS)进行第一次筛选，CARS算法是通过自适应重加权采样技术选择出PLS模型中回归系数绝对值大的波长点，利用交互验证选出RESECV值最低的点，有效选出最优波段组合，代入数据后多次试验得到RESECV值最低为0.241，获得的波段数为67个，在此基础上进一步使用SPA算法，设置波段数选择区间为2-45，获得RMSE最小值为0.282，最终得到28个重要特征波段如下。
本实施例中选取的28个特征波段分别为：18，32，34，36，38，42，49，51，55，56，60，62，68，81，82，90，92，126，133，138，145，199，205，207，229，242，256，265。
S400、提取重要纹理特征。
本实施例中采用灰度梯度共生矩阵(GLGCM)提取目标叶片的15个纹理特征，GLGCM集中反映了图像中灰度与边缘的相互关系，体现了图像的主要信息，并在此基础上采用连续投影算法(SPA)提取8个重要纹理特征，从而进一步提高模型的准确性，具体步骤为：对于步骤S200中获取的番茄叶片感兴趣区域图像，对其使用灰度梯度共生矩阵(GLGCM)提取纹理特征，由于纹理特征总数较少因此对获得的特征数据进一步采用连续投影算法(SPA)提取去除不重要的数据提高模型准确度,设置纹理特征数量选择区间为8-13，获得RMSE最小值为0.418。最终提取的8个重要纹理特征分别为：
(1)小梯度优势：
Figure BDA0003492234900000051
(2)灰度分布的不均匀性：
Figure BDA0003492234900000052
(3)梯度分布的不均匀性：
Figure BDA0003492234900000053
(4)能量：
Figure BDA0003492234900000054
(5)灰度分布的均方差：
Figure BDA0003492234900000055
(6)梯度熵：
Figure BDA0003492234900000056
(7)混合熵：
Figure BDA0003492234900000057
(8)逆差矩：
Figure BDA0003492234900000058
S500、特征融合。
具体的说，将步骤S300中得到的重要波段光谱特征与步骤S400中得到的重要纹理特征进行组合融合，得到光谱与纹理数据的组合数据。
S600、构建并训练模型。
本实施例中将步骤S500中融合所得的特征与支持向量机(SVM)建立分类模型实现番茄干旱胁迫分类。
S700、番茄干旱胁迫的识别结果。
采集待识别番茄样本的高光谱图像，获得待识别番茄样本的光谱特征和纹理特征，并将其作为输入变量输入训练后的模型中，得到番茄干旱胁迫的识别结果，识别结果为步骤S100中三个标签中的其中一个。
图3中示出了本实施例中番茄干旱胁迫的识别方法的预测集分类结果图，本实施例中的训练集与预测集精度分别为94.5％与95％，说明该方法可以有效识别番茄干旱胁迫，且误差相对较小。
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个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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种番茄干旱胁迫的识别方法，其特征在于，包括以下步骤：
采集不同干旱状态的番茄样本的高光谱图像，选取感兴趣区域，获得原始光谱数据；
对原始光谱数据降维去噪，并提取重要波段光谱特征；
提取重要纹理特征；
融合所述重要波段光谱特征和重要纹理特征，建立并训练番茄干旱胁迫分类模型；
采集待识别番茄的高光谱图像，并提取其光谱特征和纹理特征作为输入量输入所述番茄干旱胁迫分类模型中，获得番茄干旱胁迫的识别结果。
2.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，在采集高光谱图像之前，对高光谱图像进行黑白板校正，校正公式如下：
Figure FDA0003492234890000011
其中，I为校正后番茄叶片图像反射率，I0为原始图像反射率，B为黑板图像反射率，W为白板图像反射率。
3.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，所述感兴趣区域的选取具体为：首先对获取的图像进行格式转换得到灰度图像，通过均值处理转化为二值化图像，然后进一步分割得到感兴趣区域，对其进行提取，获得原始光谱数据。
4.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，所述原始光谱数据的降维去噪采用标准正态变量变换法进行。
5.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，所述重要波段光谱特征的提取采用竞争性自适应重加权算法结合连续投影算法进行。
6.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，在提取所述重要纹理特征前，还包括提取纹理特征的步骤，其中，所述纹理特征的提取，具体为：将获取的图像进行格式转换得到灰度图像，通过均值处理转化为二值化图像；选取目标叶片，对目标叶片采用灰度梯度共生矩阵提取纹理特征。
7.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，所述重要纹理特征采用连续投影算法提取。
8.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，所述重要纹理特征包括：小梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度分布的均方差、梯度熵、混合熵和逆差矩。
9.如权利要求1所述的番茄干旱胁迫的识别方法，其特征在于，所述番茄干旱胁迫分类模型的建立是通过将融合的重要波段光谱特征和重要纹理特征数据结合支持向量机模型建立分类模型实现的。
CN202210100703.6A 2022-01-27 2022-01-27 番茄干旱胁迫的识别方法 Pending CN114494689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210100703.6A CN114494689A (zh) 2022-01-27 2022-01-27 番茄干旱胁迫的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210100703.6A CN114494689A (zh) 2022-01-27 2022-01-27 番茄干旱胁迫的识别方法

Publications (1)

Publication Number Publication Date
CN114494689A true CN114494689A (zh) 2022-05-13

Family

ID=81477244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210100703.6A Pending CN114494689A (zh) 2022-01-27 2022-01-27 番茄干旱胁迫的识别方法

Country Status (1)

Country Link
CN (1) CN114494689A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661544A (zh) * 2022-11-08 2023-01-31 吉林农业大学 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661544A (zh) * 2022-11-08 2023-01-31 吉林农业大学 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法
CN115661544B (zh) * 2022-11-08 2024-04-05 吉林农业大学 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法

Similar Documents

Publication Publication Date Title
Zhang et al. High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion
Li et al. Modern imaging techniques in plant nutrition analysis: A review
CN101718683B (zh) 快速检测叶片叶绿素含量的建模方法及检测方法
CN109916838B (zh) 一种水稻种子发芽能力的检测方法
Zhou et al. Qualification of soybean responses to flooding stress using UAV-based imagery and deep learning
CN102495005A (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
CN104749134A (zh) 一种检测叶菜类作物冠层水分含量的方法
Liang et al. Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery
Wenting et al. Detecting maize leaf water status by using digital RGB images
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
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
CN114821321A (zh) 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法
CN116108318B (zh) 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
CN112557393A (zh) 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法
Fan et al. A simple visible and near-infrared (V-NIR) camera system for monitoring the leaf area index and growth stage of Italian ryegrass
CN103278503A (zh) 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统
Xuefeng et al. Estimation of carbon and nitrogen contents in citrus canopy by low-altitude remote sensing
Tavakoli et al. Evaluation of different sensing approaches concerning to nondestructive estimation of leaf area index (LAI) for winter wheat
CN114494689A (zh) 番茄干旱胁迫的识别方法
Lyu et al. UAV time-series imagery with novel machine learning to estimate heading dates of rice accessions for breeding
CN112668404B (zh) 一种大豆病虫害的有效鉴定方法
Khuimphukhieo et al. The use of UAS-based high throughput phenotyping (HTP) to assess sugarcane yield
CN114219795A (zh) 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统
CN115728249A (zh) 一种番茄幼苗的叶绿素含量的预测方法及处理终端

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