CN114646625A - 一种基于植株全三维信息的水分状况诊断方法及装置 - Google Patents

一种基于植株全三维信息的水分状况诊断方法及装置 Download PDF

Info

Publication number
CN114646625A
CN114646625A CN202210425997.XA CN202210425997A CN114646625A CN 114646625 A CN114646625 A CN 114646625A CN 202210425997 A CN202210425997 A CN 202210425997A CN 114646625 A CN114646625 A CN 114646625A
Authority
CN
China
Prior art keywords
plant
chlorophyll fluorescence
soil
water content
dimensional
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
Application number
CN202210425997.XA
Other languages
English (en)
Other versions
CN114646625B (zh
Inventor
王纪章
王旭
周静
王悦辰
姚承志
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 CN202210425997.XA priority Critical patent/CN114646625B/zh
Publication of CN114646625A publication Critical patent/CN114646625A/zh
Application granted granted Critical
Publication of CN114646625B publication Critical patent/CN114646625B/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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供了一种基于植株全三维信息的水分状况诊断方法及装置，包括冠层叶绿素荧光成像仪、RGB相机、阵列光源、叶绿素荧光成像仪、三维扫描仪、X射线发射器和射线接收器，计算机将采集到的植株图像进行三维重构及处理计算，得到植株全三维叶绿素荧光重构图、植株叶片下垂角度、叶片数量、叶绿素荧光分布、根系分布面积、冠层分布面积和叶绿素荧光参数，并初步判断植株可能处于缺水状态，将叶绿素荧光参数、冠层分布面积、根系分布面积、土壤有效含水、易于被植物利用的土壤含水量代入植株水分状况判断模型，协同诊断植物水分状况；本发明方法诊断的植株水分状况更为精准。

Description

一种基于植株全三维信息的水分状况诊断方法及装置
技术领域
本发明属于植物检测技术领域，尤其涉及一种基于植株全三维信息的水分状况诊断方法及装置。
背景技术
利用无损检测技术获取植物表型信息一直是研究的热点之一。早期的植物表型分析主要使用红、绿、蓝(RGB)成像技术作为分析植物性状的方法。随着成像传感器的发展，高光谱成像技术、红外热成像技术、三维成像技术、高分辨率成像技术和叶绿素荧光成像技术等被用于分析植物的结构及生理特征。
传统的RGB成像技术只能提供植物的结构信息，但叶片重叠，植物颜色与背景颜色相似，可见光和冠层阴影等一系列问题很容易影响RGB成像结果；高光谱成像技术在植物表型分析中非常有效且准确，但其检测过程中产生的大量数据在后续分析过程中较难处理，且高昂的设备费用进一步限制了技术的普及；红外热成像技术在比较植物冠层温度差异方面较为高效，但对于形态复杂的植物，热成像相机需要经过繁琐的校准及角度调整；叶绿素荧光成像技术在研究植物胁迫方面较为高效，但大多数叶绿素荧光图像研究仅限于盆栽作物的幼苗水平。
发明内容
针对现有技术中存在不足，本发明提供了一种基于植株全三维信息的水分状况诊断方法及装置，实现植物三维叶绿素荧光图像和生理数据协同分析，使用便捷，检测过程自动化。
本发明是通过以下技术手段实现上述技术目的的。
一种基于植株全三维信息的水分状况诊断方法，具体为：
采集不同角度的植株冠层RGB图像和植株叶绿素荧光图像并进行分割，得到植株冠层RGB分割图和叶绿素荧光分割图，同时计算此时的冠层分布面积Carea和叶绿素荧光参数ETR；
对叶绿素荧光分割图和植株三维表型结构图像进行定位重构，得到植株叶绿素荧光三维重构图像；植株叶绿素荧光三维重构图像与植物根系CT图进行匹配定位，获取植株全三维叶绿素荧光重构图；
根据植株全三维叶绿素荧光重构图，获取植株叶片下垂角度、叶片数量、叶绿素荧光分布和根系分布情况，从而对植株水分状况进行综合判别，当植株可能处于缺水状态时，将叶绿素荧光参数ETR、冠层分布面积Carea、根系分布面积Rarea、土壤有效含水量Taw、易于被植物利用的土壤含水量Raw带入植株水分状况判断模型，判断植株水分状况；
所述植株水分状况判断模型为：
Figure BDA0003609600850000021
其中，Dws为植株土壤水分利用率，Iwstd为植株土壤水分利用率，Cwd为作物水分耗散量；
所述
Figure BDA0003609600850000022
γ为公式系数；
所述Iwstd＝1-Ks，
Figure BDA0003609600850000023
Ks为水分胁迫指数，Dr为水分亏缺量。
进一步地，当Dws∈(0,0.1)时，植株为正常状态；Dws∈(0.1,0.4)时，植株为轻度缺水状态；Dws∈(0.4,0.7)时，植株为中度缺水状态；当Dws∈(0.7,1)时，植株为严重缺水状态。
进一步地，对植株水分状况进行综合判别，具体为：当叶片平均下垂角度大于预设值、叶片数量小于预设值、叶绿素荧光分布不规则和根系分布面积小于预设值出现一种或多种情况时，则植株可能处于缺水状态。
进一步地，所述预设值根据不同植物进行设置，所述叶绿素荧光分布不规则通过观察叶绿素荧光三维重构图获取。
进一步地，对叶绿素荧光分割图和植株三维表型结构图像进行定位重构，具体为：将叶绿素荧光分割图与植株三维表型结构图像相匹配的特征点的位置及尺度进行定位重构。
进一步地，所述不同角度的植株冠层RGB图像和植株叶绿素荧光图像，包括旋转平台(13)的旋转角度为0°、90°、180°和270°。
更进一步地，所述根系分布面积通过计算所述旋转角度的植株根系CT图的平均根系面积得到。
进一步地，所述土壤有效含水量Taw和易于被植物利用的土壤含水量Raw，是通过获取植株土壤不同深度的含水量，得到土壤浅层含水量θf和根系部位土壤含水量θi，由土壤浅层含水量θf计算土壤有效含水量Taw，由土壤有效含水量Taw计算易于被植物利用的土壤含水量Raw，所述Taw＝θf-θwp、Raw＝pTaw，其中θwp为土壤萎焉系数，p为大气蒸发力系数。
一种基于植株全三维信息的水分状况诊断装置，包括：
相机旋转平台，可移动设置在待测植株顶部，所述相机旋转平台底部安装有RGB相机、冠层叶绿素荧光成像仪和阵列光源；
叶绿素荧光成像仪，可移动设置在待测植株上部一侧；
三维扫描仪，可移动设置在待测植株上部另一侧；
X射线发射器和射线接收器，分别设置在待测植株下部两侧；
旋转平台，用于放置待测植物；
计算机，接收所述RGB相机、冠层叶绿素荧光成像仪、叶绿素荧光成像仪、三维扫描仪、X射线发射器和射线接收器采集的信息；
所述待测植物根部设有土壤含水量测定仪。
上述技术方案，还包括避光罩；
所述避光罩顶部设有顶部相机移动轨道，所述顶部相机移动轨道上安装相机旋转平台；
所述避光罩两侧均设有相机移动轨道，所述相机移动轨道上分别设有叶绿素荧光成像仪和三维扫描仪；
所述X射线发射器和射线接收器均设置在避光罩底部。
本发明的有益效果为：本发明不仅能够根据植株全三维叶绿素荧光重构图中的植株叶片下垂角度、叶片数量、叶绿素荧光分布和根系分布情况对植株水分状况进行综合判别，而且可以结合植物冠层分布面积、植株叶绿素荧光参数、根系表型数据和土壤不同深度含水量进一步诊断植物水分状况，实现植株全三维叶绿素荧光重构图与植株生理信息协同分析，使得最终诊断结果更为精准。
附图说明
图1为本发明所述基于植株全三维信息的水分状况诊断装置结构示意图；
图2为本发明所述相机旋转平台结构示意图；
其中，1、避光罩；2、顶部相机移动轨道；3、相机旋转平台；4、冠层叶绿素荧光成像仪；5、RGB相机；6、左侧相机移动轨道；7、叶绿素荧光成像仪；8、右侧相机移动轨道；9、三维扫描仪；10、X射线发射器；11、射线接收器；12、土壤含水量测定仪；13、旋转平台；14、计算机；15、阵列光源。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1和图2所示，本发明基于植株全三维信息的水分状况诊断装置包括避光罩1，避光罩1顶部设有顶部相机移动轨道2，顶部相机移动轨道2上安装有相机旋转平台3，相机旋转平台3能够沿顶部相机移动轨道2进行移动，实现根据植物位置动态调整相机拍摄位置；冠层叶绿素荧光成像仪4、RGB相机5以及阵列光源15均安装于相机旋转平台3底部，冠层叶绿素荧光成像仪4和RGB相机5分别用于采集植株叶绿素荧光图像、冠层RGB图像，阵列光源15采用PWM控制，产生三种波长为460-470nm的不同强度的蓝色光，分别为：测量光(1μmol/m2/s)、光化光(500-3000μmol/m2/s)和饱和脉冲光(>4000μmol/m2/s)。
避光罩1两侧上部分别设有左侧相机移动轨道6、右侧相机移动轨道8，叶绿素荧光成像仪7安装于左侧相机移动轨道6上，实现不同高度植物叶片叶绿素荧光图像的检测；三维扫描仪9安装于右侧相机移动轨道8上，实现植株不同高度植株三维表型结构图像的采集。
避光罩1两侧底部安装有X射线发射器10和射线接收器11，通过发射X射线，采集植物根系CT图。
避光罩1的底部设有用于放置待测植物的旋转平台13，旋转平台13旋转植物，实现不同角度的检测。
待测植物根部设有土壤含水量测定仪12，用于测量土壤不同深度的含水量。
RGB相机5、冠层叶绿素荧光成像仪4、叶绿素荧光成像仪7、三维扫描仪9、X射线发射器10和射线接收器11均将采集的信息传输给计算机14，计算机14用于将采集到的植株图像进行三维重构及处理计算，得到植株全三维叶绿素荧光重构图和植株生理数据(包括植株叶片下垂角度、叶片数量、叶绿素荧光分布、根系分布面积、冠层分布面积和叶绿素荧光参数)，根据植株全三维叶绿素荧光重构图的表型信息结合植株水分状况判断模型协同诊断植物水分状况。
本实施例中：为了减少外部环境光的干扰，保证检测结果的准确，避光罩1采用不透光材料制成且内壁涂有吸光涂层；阵列光源15为圆环形构造，安装于相机旋转平台3上，以照射旋转平台上的植物。
本发明一种基于植株全三维信息的水分状况诊断方法，具体包括如下步骤：
步骤(1)，将待测植物放置于旋转平台13上；
步骤(2)，旋转角度为0°时，阵列光源15打开光化光照射25s，RGB相机5和冠层叶绿素荧光成像仪4分别采集此时植株冠层RGB图像、植株冠层叶绿素荧光图像，叶绿素荧光成像仪7采集植株叶片叶绿素荧光图像，三维扫描仪9采集植株三维表型结构图像，X射线发射器10和射线接收器11采集植株根系CT图；阵列光源15关闭光化光，打开饱和脉冲光持续700ms，采集此时植株冠层和植株叶片的叶绿素荧光图像。
步骤(3)，在旋转角度分别为90°、180°、270°时，重复步骤(2)，得到不同角度下的植株冠层RGB图像、叶绿素荧光图像、植株三维表型结构图像及根系CT图，并在旋转角度为360°时开始控制土壤含水量测定仪12插入土壤内，获取土壤不同深度的含水量，进一步得到土壤浅层含水量θf和根系部位土壤含水量θi，由土壤浅层含水量θf计算土壤有效含水量Taw(Taw＝θf-θwp，土壤萎焉系数θwp为已知参数)，由土壤有效含水量Taw计算易于被植物利用的土壤含水量Raw(Raw＝pTaw，大气蒸发力系数p为已知参数)。
步骤(4)，计算机14使用Background Matting图像分割算法分割植物冠层RGB图像及叶绿素荧光图像；
在Background Matting图像分割算法中，前景图像(即植物冠层RGB图像及叶绿素荧光图像)为F、预先载入的背景图为B、混合参数β，则输出图像I：
I＝βF+(1-β)B
同时在Adobe数据集上进行监督训练，表达为：
Figure BDA0003609600850000051
当
Figure BDA0003609600850000052
X＝{I,B,S,M}时混合参数β更为精准；
其中：X为网络组合输入、
Figure BDA0003609600850000053
为判别器网络的权重、S为软分割结果、M为前后帧序列，β*为训练图像中手动提取的物体对象图、
Figure BDA0003609600850000054
为梯度算子、F*为训练图像中的前景图像、‖‖1为1-范数、
Figure BDA0003609600850000055
为前景预测结果、
Figure BDA0003609600850000056
为Adobe数据集上的监督训练；
同时采用最小二乘生成对抗网络(LSGAN)训练的方法，对预先载入的背景图B和前景预测结果
Figure BDA0003609600850000057
进行训练，得到生成网络的回归目标
Figure BDA0003609600850000058
其中生成器的部分目标函数为：
Figure BDA0003609600850000059
其中：
Figure BDA00036096008500000510
为LSGAN训练、D为鉴别器网络、
Figure BDA00036096008500000511
是生成由D鉴别的合成的给定背景、μ为训练阈值、
Figure BDA00036096008500000512
为对抗训练模拟的物体对象图、
Figure BDA00036096008500000513
为对抗训练模拟的前景图、B′为训练背景图；
且μ的初始值设为0.05，每两个训练周期μ的值减少1/2，训练结束后，得到的植株冠层RGB分割图和待三维重构的叶绿素荧光分割图；
计算四个角度的植株冠层RGB分割图的平均冠层面积，得到此时的冠层分布面积Carea；四个角度的叶绿素荧光分割图的叶片区域内灰度值求和后，除以叶片区域面积，得到对应的平均灰度值，最后对四个平均灰度值求平均值，得到叶绿素荧光参数ETR；计算四个角度的植株根系CT图的平均根系面积，得到此时的根系分布面积Rarea。
步骤(5)，计算机14使用SURF(Speeded Up Robust Features)算法并引入Hessian矩阵，获取叶绿素荧光分割图与植株三维表型结构图像相匹配的特征点的位置及尺度，并进行定位重构，得到植株叶绿素荧光三维重构图像；使用SIFT(Scale Invariant FeatureTransform)算法实现植株叶绿素荧光三维重构图像与植物根系CT图的特征点匹配定位，两者合成得到最终的植株全三维叶绿素荧光重构图。SURF算法匹配点数不少于400个且匹配准确率达到91％以上，SIFT算法匹配点数不少于200个且匹配率达到90％以上。
步骤(6)，根据植株全三维叶绿素荧光重构图，获取植株叶片下垂角度、叶片数量、叶绿素荧光分布和根系分布情况，从而对植株水分状况进行综合判别，当出现叶片平均下垂角度大于预设值、叶片数量小于预设值、叶绿素荧光分布不规则(通过观察叶绿素荧光三维重构图)和根系分布面积小于预设值等一种或多种情况时(预设值根据不同植物进行设置)，则植株可能处于缺水状态；
当植株可能处于缺水状态时，将叶绿素荧光参数ETR、冠层分布面积Carea、根系分布面积Rarea、土壤有效含水量Taw、易于被植物利用的土壤含水量Raw带入植株水分状况判断模型：
Figure BDA0003609600850000061
其中，Dws为植株土壤水分利用率，Iwstd为植株土壤水分利用率，Cwd为作物水分耗散量；且作物水分耗散量Cwd：
Figure BDA0003609600850000062
其中，γ为公式系数，Carea为冠层分布面积，Rarea为根系分布面积；
且植株土壤水分利用率Iwstd：
Iwstd＝1-Ks，
Figure BDA0003609600850000063
Taw＝θf-θwp，Dr＝θf-θi，Raw＝pTaw
其中，Ks为水分胁迫指数，Taw为土壤有效含水量，θf为土壤含水量，θwp为土壤萎焉系数，Dr为水分亏缺量，θi为根系部位土壤含水量，Raw为易于被植物利用的土壤含水量，p为大气蒸发力系数；
当Dws∈(0,0.1)时，植株为正常状态；Dws∈(0.1,0.4)时，植株为轻度缺水状态；Dws∈(0.4,0.7)时，植株为中度缺水状态；当Dws∈(0.7,1)时，植株为严重缺水状态。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种基于植株全三维信息的水分状况诊断方法，其特征在于：
采集不同角度的植株冠层RGB图像和植株叶绿素荧光图像并进行分割，得到植株冠层RGB分割图和叶绿素荧光分割图，同时计算此时的冠层分布面积Carea和叶绿素荧光参数ETR；
对叶绿素荧光分割图和植株三维表型结构图像进行定位重构，得到植株叶绿素荧光三维重构图像；植株叶绿素荧光三维重构图像与植物根系CT图进行匹配定位，获取植株全三维叶绿素荧光重构图；
根据植株全三维叶绿素荧光重构图，获取植株叶片下垂角度、叶片数量、叶绿素荧光分布和根系分布情况，从而对植株水分状况进行综合判别，当植株可能处于缺水状态时，将叶绿素荧光参数ETR、冠层分布面积Carea、根系分布面积Rarea、土壤有效含水量Taw、易于被植物利用的土壤含水量Raw带入植株水分状况判断模型，判断植株水分状况；
所述植株水分状况判断模型为：
Figure FDA0003609600840000011
其中，Dws为植株土壤水分利用率，Iwstd为植株土壤水分利用率，Cwd为作物水分耗散量；
所述
Figure FDA0003609600840000012
γ为公式系数；
所述Iwstd＝1-Ks，
Figure FDA0003609600840000013
Ks为水分胁迫指数，Dr为水分亏缺量。
2.根据权利要求1所述的水分状况诊断方法，其特征在于，当Dws∈(0,0.1)时，植株为正常状态；Dws∈(0.1,0.4)时，植株为轻度缺水状态；Dws∈(0.4,0.7)时，植株为中度缺水状态；当Dws∈(0.7,1)时，植株为严重缺水状态。
3.根据权利要求1所述的水分状况诊断方法，其特征在于，对植株水分状况进行综合判别，具体为：当叶片平均下垂角度大于预设值、叶片数量小于预设值、叶绿素荧光分布不规则和根系分布面积小于预设值出现一种或多种情况时，则植株可能处于缺水状态。
4.根据权利要求3所述的水分状况诊断方法，其特征在于，所述预设值根据不同植物进行设置，所述叶绿素荧光分布不规则通过观察叶绿素荧光三维重构图获取。
5.根据权利要求1所述的水分状况诊断方法，其特征在于，对叶绿素荧光分割图和植株三维表型结构图像进行定位重构，具体为：将叶绿素荧光分割图与植株三维表型结构图像相匹配的特征点的位置及尺度进行定位重构。
6.根据权利要求1所述的水分状况诊断方法，其特征在于，所述不同角度的植株冠层RGB图像和植株叶绿素荧光图像，包括旋转平台(13)的旋转角度为0°、90°、180°和270°。
7.根据权利要求6所述的水分状况诊断方法，其特征在于，所述根系分布面积通过计算所述旋转角度的植株根系CT图的平均根系面积得到。
8.根据权利要求1所述的水分状况诊断方法，其特征在于，所述土壤有效含水量Taw和易于被植物利用的土壤含水量Raw，是通过获取植株土壤不同深度的含水量，得到土壤浅层含水量θf和根系部位土壤含水量θi，由土壤浅层含水量θf计算土壤有效含水量Taw，由土壤有效含水量Taw计算易于被植物利用的土壤含水量Raw，所述Taw＝θf-θwp、Raw＝pTaw，其中θwp为土壤萎焉系数，p为大气蒸发力系数。
9.一种实现权利要求1-8任一项所述的水分状况诊断方法的装置，其特征在于，包括：
相机旋转平台(3)，可移动设置在待测植株顶部，所述相机旋转平台(3)底部安装有RGB相机(5)、冠层叶绿素荧光成像仪(4)和阵列光源(15)；
叶绿素荧光成像仪(7)，可移动设置在待测植株上部一侧；
三维扫描仪(9)，可移动设置在待测植株上部另一侧；
X射线发射器(10)和射线接收器(11)，分别设置在待测植株下部两侧；
旋转平台(13)，用于放置待测植物；
计算机(14)，接收所述RGB相机(5)、冠层叶绿素荧光成像仪(4)、叶绿素荧光成像仪(7)、三维扫描仪(9)、X射线发射器(10)和射线接收器(11)采集的信息；
所述待测植物根部设有土壤含水量测定仪(12)。
10.根据权利要求9所述的装置，其特征在于，还包括避光罩(1)；
所述避光罩(1)顶部设有顶部相机移动轨道(2)，所述顶部相机移动轨道(2)上安装相机旋转平台(3)；
所述避光罩(1)两侧均设有相机移动轨道，所述相机移动轨道上分别设有叶绿素荧光成像仪(7)和三维扫描仪(9)；
所述X射线发射器(10)和射线接收器(11)均设置在避光罩(1)底部。
CN202210425997.XA 2022-04-22 2022-04-22 一种基于植株全三维信息的水分状况诊断方法及装置 Active CN114646625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210425997.XA CN114646625B (zh) 2022-04-22 2022-04-22 一种基于植株全三维信息的水分状况诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210425997.XA CN114646625B (zh) 2022-04-22 2022-04-22 一种基于植株全三维信息的水分状况诊断方法及装置

Publications (2)

Publication Number Publication Date
CN114646625A true CN114646625A (zh) 2022-06-21
CN114646625B CN114646625B (zh) 2023-01-17

Family

ID=81997698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210425997.XA Active CN114646625B (zh) 2022-04-22 2022-04-22 一种基于植株全三维信息的水分状况诊断方法及装置

Country Status (1)

Country Link
CN (1) CN114646625B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912432A (zh) * 2023-09-14 2023-10-20 安徽农业大学 一种高通量植物表型成像方法及成像系统
CN117517222A (zh) * 2023-11-08 2024-02-06 江西省农业科学院农业工程研究所 一种基于光谱图像的红壤花生监测诊断仪
CN118551341A (zh) * 2024-07-30 2024-08-27 北京市农林科学院智能装备技术研究中心 玉米作物系数测算方法、装置、设备、介质及程序产品

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050072935A1 (en) * 2001-09-27 2005-04-07 Robert Lussier Bio-imaging and information system for scanning, detecting, diagnosing and optimizing plant health
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及系统
CN103308665A (zh) * 2013-05-30 2013-09-18 北京市园林科学研究所 一种城市绿地植物-土壤水分传输分析的方法及装置
CN105717115A (zh) * 2016-01-31 2016-06-29 浙江大学 基于光学成像技术的高通量植物表型分析装置和方法
CN106546567A (zh) * 2016-10-31 2017-03-29 浙江大学 基于叶绿素荧光成像技术的植物干旱胁迫诊断方法及装置
CN106546568A (zh) * 2016-10-31 2017-03-29 浙江大学 一种获取植物三维叶绿素荧光图像信息的方法及装置
CN109239027A (zh) * 2018-07-19 2019-01-18 江苏大学 一种作物生理性缺水诊断方法及系统
CN109324051A (zh) * 2018-11-08 2019-02-12 北方民族大学 一种植物水分检测方法及系统
CN111551530A (zh) * 2020-04-23 2020-08-18 江苏大学 一种作物群体冠层叶绿素荧光三维分布信息获取方法与装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050072935A1 (en) * 2001-09-27 2005-04-07 Robert Lussier Bio-imaging and information system for scanning, detecting, diagnosing and optimizing plant health
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及系统
CN103308665A (zh) * 2013-05-30 2013-09-18 北京市园林科学研究所 一种城市绿地植物-土壤水分传输分析的方法及装置
CN105717115A (zh) * 2016-01-31 2016-06-29 浙江大学 基于光学成像技术的高通量植物表型分析装置和方法
CN106546567A (zh) * 2016-10-31 2017-03-29 浙江大学 基于叶绿素荧光成像技术的植物干旱胁迫诊断方法及装置
CN106546568A (zh) * 2016-10-31 2017-03-29 浙江大学 一种获取植物三维叶绿素荧光图像信息的方法及装置
CN109239027A (zh) * 2018-07-19 2019-01-18 江苏大学 一种作物生理性缺水诊断方法及系统
CN109324051A (zh) * 2018-11-08 2019-02-12 北方民族大学 一种植物水分检测方法及系统
CN111551530A (zh) * 2020-04-23 2020-08-18 江苏大学 一种作物群体冠层叶绿素荧光三维分布信息获取方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈家宙等: ""玉米对持续干旱的反应及红壤干旱阈值"", 《中国农业科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912432A (zh) * 2023-09-14 2023-10-20 安徽农业大学 一种高通量植物表型成像方法及成像系统
CN117517222A (zh) * 2023-11-08 2024-02-06 江西省农业科学院农业工程研究所 一种基于光谱图像的红壤花生监测诊断仪
CN118551341A (zh) * 2024-07-30 2024-08-27 北京市农林科学院智能装备技术研究中心 玉米作物系数测算方法、装置、设备、介质及程序产品

Also Published As

Publication number Publication date
CN114646625B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN114646625B (zh) 一种基于植株全三维信息的水分状况诊断方法及装置
US11436824B2 (en) Water stress detection method for tomatoes in seedling stage based on micro-CT and polarization-hyperspectral imaging multi-feature fusion
CN101936882B (zh) 一种作物氮素和水分无损检测方法及装置
Jonckheere et al. Allometry and evaluation of in situ optical LAI determination in Scots pine: a case study in Belgium
CN108717044B (zh) 一种去除植被覆盖影响的表层土壤含水量卫星遥感估算方法
CN104939848B (zh) 单色图像的生成
CN101849836A (zh) 乳腺含有率推算设备、方法和记录介质
CN115495703B (zh) 一种基于机载多光谱数据的烟草成熟度检测方法及系统
Facchi et al. Comparing opticaland direct methods for leafarea index determination in a maize crop
Baker et al. Digital image analysis to estimate leaf area
WO2018122793A1 (en) Method and device for a three-dimensional mapping of a patient's skin for supporting the melanoma diagnosis
Barré et al. Automated phenotyping of epicuticular waxes of grapevine berries using light separation and convolutional neural networks
Suo et al. Artificial neural network to predict leaf population chlorophyll content from cotton plant images
Price et al. Computer imaging and its application to some problems in agriculture and plant science
CN105232050A (zh) 一种人体舌苔厚度的无创检测装置
Peddle et al. Spectral mixture analysis of airborne remote sensing imagery for improved prediction of leaf area index in mountainous terrain, Kananaskis Alberta
CN114391857A (zh) 一种基于移动最小二乘算法的双能x射线骨密度检测方法
CN115049902B (zh) 柑橘叶片含水量可视化预测方法、系统、设备及存储介质
CN115541032A (zh) 基于无人机热红外遥感影像的烟株温度提取方法
Ducournau et al. High throughput phenotyping dataset related to seed and seedling traits of sugar beet genotypes
CN111257854B (zh) 一种通用的基于遥感影像分割单元的地形校正优化方法
Rozenbergar et al. Comparison of four methods for estimating relative solar radiation in managed and old-growth silver fir-beech forest
CN114092376A (zh) 一种禾本科作物穗部生长发育的无损监测方法
CN104457842A (zh) 基于高光谱同步扫描成像技术的凤梨无损检测装置及方法
CN214010539U (zh) 一种多光谱模式下植株病变分析装置

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