CN117197556A - 一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置 - Google Patents
一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置 Download PDFInfo
- Publication number
- CN117197556A CN117197556A CN202311139490.9A CN202311139490A CN117197556A CN 117197556 A CN117197556 A CN 117197556A CN 202311139490 A CN202311139490 A CN 202311139490A CN 117197556 A CN117197556 A CN 117197556A
- Authority
- CN
- China
- Prior art keywords
- drought stress
- image
- chlorophyll fluorescence
- plant
- plants
- 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
Links
- 230000008641 drought stress Effects 0.000 title claims abstract description 69
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 59
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 59
- 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 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002073 fluorescence micrograph Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000005284 excitation Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004300 dark adaptation Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000000243 photosynthetic effect Effects 0.000 claims description 9
- 238000010791 quenching Methods 0.000 claims description 7
- 230000000171 quenching effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000019516 nonphotochemical quenching Effects 0.000 claims description 5
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 3
- 238000006862 quantum yield reaction Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 80
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 239000000523 sample Substances 0.000 description 7
- 238000000799 fluorescence microscopy Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000004301 light adaptation Effects 0.000 description 5
- 230000029553 photosynthesis Effects 0.000 description 5
- 238000010672 photosynthesis Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 240000008067 Cucumis sativus Species 0.000 description 4
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000003415 peat Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000008640 plant stress response Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 229910052902 vermiculite Inorganic materials 0.000 description 1
- 235000019354 vermiculite Nutrition 0.000 description 1
- 239000010455 vermiculite Substances 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置，测量各待测植物的冠层灰度图像，并对饱和光激发的冠层灰度图像进行阈值分割，得到mask掩膜图，基于mask掩膜图计算叶绿素荧光参数，将各待测植物的叶绿素荧光参数和对应的异常点占比作为特征参数，输入植物干旱胁迫程度分类模型，确定待测植物的干旱胁迫程度。本发明通过引入异常点占比，提高了干旱胁迫程度分类的准确性。
Description
技术领域
本发明属于植物检测技术领域，具体涉及一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置。
背景技术
叶绿素荧光被誉为植物无损检测的探针，与植物的光合作用密切相关，参与植物光合作用能量的竞争分配。由于叶绿素荧光与参与光合作用的能量相互竞争成反比，因此可以通过检测植物叶绿素荧光强度来间接反映植物的光合作用能力，从而达到监测植物健康状况、生理信息并提前采取措施的目的。
叶绿素荧光成像(Chlorophyll Fluorescence Imaging，CFI)是目前叶绿素荧光技术中的一种可视化检测技术，在植物生长和环境胁迫方面具有很大的研究潜力。叶绿素荧光成像技术能够以非破坏性、简单快速的方式获取叶绿素荧光参数和叶绿素荧光的空间异质性分布图像，已成为分类植物光合作用效应和植物胁迫响应机制的重要方法。
叶绿素荧光成像过程中会使用三种不同强度的激发光：测量光、光化光和饱和脉冲光，会导致不同激发光照射后的植物叶片与背景的对比度相差较大。饱和脉冲光照射后植物叶片和背景之间有明显的区别，非植物叶片区域的反射光较小。整个检测过程中由于待测植物位置基本不会发生任何变化，且非植物区域的反射光较小。
中国专利(CN106546567A)公开了一种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，包括以下步骤：将已知干旱胁迫诊断结果的样本集植株进行暗适应，采集其冠层叶绿素荧光图像数据并提取叶绿素荧光图像的特征参数；根据采集的叶绿素荧光图像数据和特征参数，采用多分类器融合方法建立植株干旱胁迫判定模型；采集待测植株的叶绿素荧光图像数据和特征参数，代入植株干旱胁迫判定模型进行干旱胁迫诊断。
中国专利(CN109239027A)公开了一种作物生理性缺水诊断方法及系统，通过嵌入式系统控制水泵和电磁阀以控制栽培槽中基质含水量，同时利用土壤含水量传感器和叶绿素荧光传感器采集不同基质含水量下叶绿素荧光参数，通过logistic数据拟合分析，得到作物生理性缺水诊断特征值为进入对数下降期的起始值。
发明内容
有鉴于此，本发明提供了一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置，准确地实现了植物叶片分割，同时通过引入异常点占比，提高了干旱胁迫程度分类的准确性。
本发明是通过以下技术手段实现上述技术目的的。
一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法：
步骤(1)，将待测植物分成四组，第一组每两天浇水150ml，第二组每两天浇水100ml，第三组每两天浇水50ml，第四组做持续干旱处理；
步骤(2)，测量待测植物的冠层灰度图像，并计算得到四组叶绿素荧光参数，包括暗适应下最小荧光F0、暗适应下最大荧光Fm、光适应后稳态荧光F和光适应后最大荧光Fm′；
步骤(3)，将叶绿素荧光参数和对应的异常点占比作为特征参数，输入植物干旱胁迫程度分类模型，确定待测植物的干旱胁迫程度。
进一步地，计算得到四组叶绿素荧光参数的过程为：
采集由饱和光激发的冠层灰度图像，并进行阈值分割，获得mask掩膜图；
对mask掩膜图进行像素值矩阵累加，得到叶片区域像素值总数num；
将mask掩膜图分别与F0、Fm、F和Fm′对应的冠层灰度图像进行相乘，得到相应的测量图片，对测量图片分别进行像素值矩阵累加，得到叶片区域像素值总值Data；
计算Data/(num×255)，即得到叶绿素荧光参数。
进一步地，所述阈值分割采用OTSU阈值分割法。
进一步地，所述异常点占比包括：
Fv/Fm图像0.7～0.8异常点占比Fv/Fm_0和Fv/Fm图像0.6～0.7异常点占比Fv/Fm_1；
Y(II)图像0.5～0.6异常点占比Y(II)_0、Y(II)图像0.4～0.5异常点占比Y(II)_1、Y(II)图像0.3～0.4异常点占比Y(II)_2、Y(II)图像0.2～0.3异常点占比Y(II)_3和Y(II)图像0.1～0.2异常点占比Y(II)_4。
更进一步地，所述特征参数还包括PSⅡ最大光合效率Fv/Fm、PSⅡ实际光合效率Y(II)、光化学淬灭qP、非光化学淬灭qN、光化学淬灭qL、非光化学淬灭NPQ和PSⅡ调节性能量耗散的量子产量Y(NPQ)。
更进一步地，所述异常点占比的计算方法为：
遍历测量图片的像素值矩阵，获取所有像素值在0.7-0.8、0.6-0.7之间的数据并进行累加，作为Fv/Fm图像的异常点占比；
遍历测量图片的像素值矩阵，获取所有像素值在0.5-0.6、0.4-0.5、0.3-0.4、0.2-0.3和0.1-0.2之间的数据并进行累加，作为Y(II)图像的异常点占比。
进一步地，所述植物干旱胁迫程度分类模型利用机器学习算法建立。
一种基于叶绿素荧光图像的植物干旱胁迫程度分类的装置，包括：CMOS相机、STM32单片机、LED激发光源、CMOS相机触发模块和笔记本电脑；所述CMOS相机设置在待测植物正上方，用于采集待测植物的冠层灰度图像并发送给笔记本电脑，笔记本电脑对采集的图像进行处理计算；所述LED激发光源对着待测植物设置；STM32单片机分别与笔记本电脑、LED开关电源相连，笔记本电脑依次与CMOS相机触发模块、CMOS相机相连接，LED开关电源与LED激发光源连接，STM32单片机控制CMOS相机和LED激发光源的同步触发。
本发明的有益效果为：
(1)本发明将饱和光照射后的植物叶片图像作为OTSU阈值分割的目标图获得mask的掩膜图，对mask掩膜图进行像素值矩阵累加，得到叶片区域像素值总数num；将mask掩膜图分别与F0、Fm、F和Fm′对应的冠层灰度图像进行相乘，分别得到相应的测量图片，对测量图片分别进行像素值矩阵累加，得到叶片区域像素值总值Data；计算Data/(num×255)，即得到叶绿素荧光参数；饱和光产生的叶绿素荧光参数值较大，可以较好地和背景做区分，实现图像的边缘提取，更精准的计算叶绿素荧光参数。
(2)引入了Fv/Fm图像0.7～0.8异常点占比Fv/Fm_0、Fv/Fm图像0.6～0.7异常点占比Fv/Fm_1、Y(II)图像0.5～0.6异常点占比Y(II)_0、Y(II)图像0.4～0.5异常点占比Y(II)_1、Y(II)图像0.3～0.4异常点占比Y(II)_2、Y(II)图像0.2～0.3异常点占比Y(II)_3、Y(II)图像0.1～0.2异常点占比Y(II)_4，提高分类识别的准确率。
附图说明
图1为本发明基于叶绿素荧光图像的植物干旱胁迫程度分类的装置结构示意图，其中：1-CMOS相机、2-STM32单片机、3-镜头及滤光片、4-LED激发光源、5-待测植物、6-CMOS相机触发模块、7-笔记本电脑。
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所示，本发明一种基于叶绿素荧光图像的植物干旱胁迫程度分类的装置，包括CMOS相机1、STM32单片机2、镜头及滤光片3、LED激发光源4、CMOS相机触发模块6和笔记本电脑7；CMOS相机1设置在待测植物5正上方，用于采集待测植物5的冠层灰度图像发送给笔记本电脑7，笔记本电脑7对采集的图像进行处理计算，根据得到的结果对植株进行干旱胁迫诊断；镜头及滤光片3，安装在CMOS相机1下方且正对着待测植物，选取8mm焦距的镜头，其光圈F/值范围为1.8～16，滤光片采用580nm的长波通滤光片；LED激发光源4对着待测植物5设置，LED激发光源4由四块发射蓝光的LED光源板构成；STM32单片机2分别与笔记本电脑7、LED开关电源相连，笔记本电脑7依次与CMOS相机触发模块6、CMOS相机1相连接，LED开关电源与LED激发光源4连接，STM32单片机2控制CMOS相机1和LED激发光源4的同步触发。
一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，通过设定不同干旱胁迫程度，测定待测植物的冠层灰度图像，进行OTSU阈值分割，获得mask掩膜图，计算叶绿素荧光参数，构建基于深度学习算法的干旱胁迫程度分类模型，将待测植物的特征参数输入干旱胁迫程度分类模型，确定待测植物的干旱胁迫程度。通过该方法，不仅准确的实现了植物叶片分割，同时通过引入叶绿素荧光参数的异常点占比，提高了干旱胁迫程度分类的准确性。具体包括如下步骤：
步骤(1)，将待测植物分成四组，第一组(HW)每两天浇水150ml，第二组(MW)每两天浇水100ml，第三组每两天浇水50ml，第四组(NW)做持续干旱处理。
步骤(2)，先将待测植物经过一段时间的暗适应处理，之后每天夜晚21：00对待测植物样品进行测量，并计算得到四组叶绿素荧光参数；具体过程如下：
将待测植物放置在CMOS相机1正下方，保证待测植物的叶片全部位于CMOS相机1拍摄范围内；暗适应阶段：打开1Hz测量光，CMOS相机1触发拍摄此时的冠层灰度图像，经笔记本电脑7处理后得到暗适应下最小荧光F0，关闭1Hz测量光，饱和光打开随后再关闭；打开20Hz测量光，CMOS相机1触发拍摄此时的冠层灰度图像，经笔记本电脑7处理后得到暗适应下最大荧光Fm，关闭20Hz测量光；光适应阶段：打开光化光随后再关闭，打开10Hz测量光，CMOS相机1触发拍摄此时的冠层灰度图像，经笔记本电脑7处理后得到光适应后稳态荧光F，之后关闭10Hz测量光，饱和光打开随后关闭；打开20Hz测量光，CMOS相机1触发拍摄此时的冠层灰度图像，经笔记本电脑7处理后得到光适应后最大荧光Fm′，最后关闭20Hz测量光，成像流程结束。
叶绿素荧光参数的计算流程为：
步骤(2.1)，采集由饱和光激发的冠层灰度图像，并进行OTSU阈值分割，获得mask掩膜图；
CMOS相机1采集由饱和光激发的四组待测植物的冠层灰度图像，采用阈值(OTSU)分割的方法对由饱和光激发的冠层灰度图像进行分割，得到mask掩膜图，对冠层灰度图像进行OTSU阈值分割，能有效地提取只有植物叶片区域的叶绿素荧光成像图，默认阈值分割得到的mask掩膜图为二值化图片，即叶片区域为白色，对应像素值为1，其他区域为黑色，对应像素值为0。
OTSU阈值分割的具体步骤为：首先计算0-255各灰阶对应的像素个数，第二步遍历0-255各灰阶，设置为阈值T，第三步，计算背景图像的平均灰度和像素数所占比，第四步计算前景图像的平均灰度、像素数所占比，待灰阶遍历完成时，计算平均灰度、像素数所占比对应的类间方差极大值进行保存，最后寻找类间方差极大值，得到阈值结果。
步骤(2.2)，叶绿素荧光参数计算过程如下：
对mask掩膜图进行像素值矩阵累加，得到叶片区域像素值总数num；
将mask掩膜图分别与F0、Fm、F和Fm′对应的冠层灰度图像进行相乘，分别得到相应的测量图片，对测量图片分别进行像素值矩阵累加，得到叶片区域像素值总值Data；
计算Data/(num×255)，即得到叶绿素荧光参数。
步骤(3)，建立植物干旱胁迫程度分类模型，利用叶绿素荧光参数确定植物干旱胁迫程度分类模型的特征参数，实现对植物干旱胁迫程度进行分类。
考虑到植物在遭受干旱胁迫时，叶片边缘部位的叶绿素荧光图像相较于叶片中间区域最先出现变化，因此选择异常点占比也作为特征参数的一部分。
因此，植物干旱胁迫程度分类模型的特征参数包括：暗适应下最小荧光F0、暗适应下最大荧光Fm、PSⅡ最大光合效率Fv/Fm、光适应后稳态荧光F、光适应后最大荧光Fm′、PSⅡ实际光合效率Y(II)、光化学淬灭(基于光合单位“沼泽”模型)qP、非光化学淬灭(需计算F0′)qN、光化学淬灭(基于光合单位“湖泊”模型)qL、非光化学淬灭(不需计算F0′)NPQ、PSⅡ调节性能量耗散的量子产量Y(NPQ)、Fv/Fm图像0.7～0.8异常点占比Fv/Fm_0、Fv/Fm图像0.6～0.7异常点占比Fv/Fm_1、Y(II)图像0.5～0.6异常点占比Y(II)_0、Y(II)图像0.4～0.5异常点占比Y(II)_1、Y(II)图像0.3～0.4异常点占比Y(II)_2、Y(II)图像0.2～0.3异常点占比Y(II)_3和Y(II)图像0.1～0.2异常点占比Y(II)_4。
异常点占比的计算方法为：遍历测量图片的像素值矩阵，获取所有像素值在0.7-0.8、0.6-0.7之间的数据并进行累加，作为Fv/Fm图像的异常点占比；采取同样的方法，获得Y(II)图片中像素值在0.5-0.6、0.4-0.5、0.3-0.4、0.2-0.3和0.1-0.2的异常点占比。
植物干旱胁迫程度分类的方法：使用极端梯度提升算法(XGBoost)、径向基神经网络(RBF)和随机森林(Random Forest)等机器学习算法建立植物干旱胁迫程度分类模型，将四组特征参数分别输入植物干旱胁迫程度分类模型，确定待测植物的干旱胁迫程度，包括正常状态、轻度干旱胁迫、中度干旱胁迫、重度干旱胁迫和完全干旱胁迫。
实施例：
一、实验材料准备。实验使用“荷兰8316”水果黄瓜作为实验测试样品，黄瓜种子培育在育苗穴盘中，其中基质为泥炭土和蛭石3：1混合，待幼苗长至3叶1芯时，转移至人工气候室中移栽培育。人工气候室白天温度设为28℃，夜间温度设为21℃，并利用多个LED补光灯进行补光，PPFD(光合光子通量密度)约为400μmol/m2/s，光照时间设为每天12h(06：00～18：00)。当黄瓜幼苗长出第3片真叶时，进行移栽。实验第一天上午，对4组共24株黄瓜样品分别浇水200mL，记为day1。从移栽之日起，使用称重法记录每天的基质含水量。其中，基质相对含水量≥60％时，记为水分充足；基质相对含水量为60％～50％时，记为轻度干旱；基质相对含水量为50％～40％时，记为中度干旱；基质相对含水量为40％～30％时，记为重度干旱，基质相对含水量为30％～0％时，记为完全干旱。为使用称重法计算得到的不同实验组的基质相对含水率，其中分别在第1、3、5、7和9d对HW、MW和LW浇对应量的水，NW则持续干旱处理。
二、通过改变LED开关电源电压的大小来得到实验所需的三种激发光：测量光、光化光、饱和光。通过STM32单片机2控制CMOS相机1和LED开关电源来进行冠层灰度图像的采集，由于部分叶绿素荧光参数的测量前，植物需要经过一段时间的暗适应处理，因此每天夜晚21:00对植物样品进行冠层灰度图像采集。
三、成像流程结束，进行OTSU阈值分割，获得mask的掩膜图，并计算得到叶绿素荧光参数。
四、为了比较不同机器学习算法对植物不同干旱胁迫程度分类性能和准确性的影响，使用不同的方法对植物干旱胁迫程度进行分类，使用极端梯度提升算法、径向基神经网络和随机森林等机器学习算法进行植物干旱胁迫程度分类模型的建立和测试，实现准确分类植物正常状态、轻度干旱胁迫、中度干旱胁迫、重度干旱胁迫和完全干旱胁迫共5种干旱胁迫程度的目的。实验结果表明，XGBoost算法对植物干旱胁迫程度的分类准确率最高，其次为随机森林算法和RBF神经网络算法，但3种算法对测试集植物轻度干旱胁迫程度的分类时，只有XGBoost算法的准确率较高，RBF神经网络和随机森林算法都将轻度干旱胁迫误分类为正常状态；在对测试集植物中度干旱胁迫程度的分类时，都只有50％左右的准确率，而在重度分类上，3种算法的分类准确率都较高，接近100％；但在完全干旱胁迫程度的分类上只有XGBoost算法的分类准确率最高，接近80％且远超RBF神经网络和随机森林算法的25％分类准确率。表1为不同算法对植物干旱胁迫程度分类结果的评价指标对比。其中Accuracy为准确率指标，表示样本分类的正确率；Precision为精度指标，表示被分为正例的示例中实际为正例的比例；Recall为召回率指标，表示度量有多个正例被分为正例；F1-Measure为一种统计量，是Precision和统计量加权调和平均的一个评价标准。综合表1所示的评价指标，发现XGBoost算法对植物不同干旱胁迫程度的分类效果最好。
表1
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 (8)
1.一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，其特征在于：
步骤(1)，将待测植物分成四组，第一组每两天浇水150ml，第二组每两天浇水100ml，第三组每两天浇水50ml，第四组做持续干旱处理；
步骤(2)，测量待测植物的冠层灰度图像，并计算得到四组叶绿素荧光参数，包括暗适应下最小荧光F0、暗适应下最大荧光Fm、光适应后稳态荧光F和光适应后最大荧光Fm′；
步骤(3)，将叶绿素荧光参数和对应的异常点占比作为特征参数，输入植物干旱胁迫程度分类模型，确定待测植物的干旱胁迫程度。
2.根据权利要求1所述的基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，其特征在于，计算得到四组叶绿素荧光参数的过程为：
采集由饱和光激发的冠层灰度图像，并进行阈值分割，获得mask掩膜图；
对mask掩膜图进行像素值矩阵累加，得到叶片区域像素值总数num；
将mask掩膜图分别与F0、Fm、F和Fm′对应的冠层灰度图像进行相乘，得到相应的测量图片，对测量图片分别进行像素值矩阵累加，得到叶片区域像素值总值Data；
计算Data/(num×255)，即得到叶绿素荧光参数。
3.根据权利要求1所述的基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，其特征在于，所述阈值分割采用OTSU阈值分割法。
4.根据权利要求1所述的基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，其特征在于，所述异常点占比包括：
Fv/Fm图像0.7～0.8异常点占比Fv/Fm_0和Fv/Fm图像0.6～0.7异常点占比Fv/Fm_1；
Y(II)图像0.5～0.6异常点占比Y(II)_0、Y(II)图像0.4～0.5异常点占比Y(II)_1、Y(II)图像0.3～0.4异常点占比Y(II)_2、Y(II)图像0.2～0.3异常点占比Y(II)_3和Y(II)图像0.1～0.2异常点占比Y(II)_4。
5.根据权利要求4所述的基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，其特征在于，所述特征参数还包括PSⅡ最大光合效率Fv/Fm、PSⅡ实际光合效率Y(II)、光化学淬灭qP、非光化学淬灭qN、光化学淬灭qL、非光化学淬灭NPQ和PSⅡ调节性能量耗散的量子产量Y(NPQ)。
6.根据权利要求4所述的基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，其特征在于，所述异常点占比的计算方法为：
遍历测量图片的像素值矩阵，获取所有像素值在0.7-0.8、0.6-0.7之间的数据并进行累加，作为Fv/Fm图像的异常点占比；
遍历测量图片的像素值矩阵，获取所有像素值在0.5-0.6、0.4-0.5、0.3-0.4、0.2-0.3和0.1-0.2之间的数据并进行累加，作为Y(II)图像的异常点占比。
7.根据权利要求1所述的基于叶绿素荧光图像的植物干旱胁迫程度分类的方法，其特征在于，所述植物干旱胁迫程度分类模型利用机器学习算法建立。
8.一种实现权利要求1-7任一项所述的基于叶绿素荧光图像的植物干旱胁迫程度分类的方法的装置，其特征在于，包括：CMOS相机(1)、STM32单片机(2)、LED激发光源(4)、CMOS相机触发模块(6)和笔记本电脑(7)；所述CMOS相机(1)设置在待测植物正上方，用于采集待测植物的冠层灰度图像并发送给笔记本电脑(7)，笔记本电脑(7)对采集的图像进行处理计算；所述LED激发光源(4)对着待测植物设置；STM32单片机(2)分别与笔记本电脑(7)、LED开关电源相连，笔记本电脑(7)依次与CMOS相机触发模块(6)、CMOS相机(1)相连接，LED开关电源与LED激发光源(4)连接，STM32单片机(2)控制CMOS相机(1)和LED激发光源(4)的同步触发。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311139490.9A CN117197556A (zh) | 2023-09-05 | 2023-09-05 | 一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311139490.9A CN117197556A (zh) | 2023-09-05 | 2023-09-05 | 一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197556A true CN117197556A (zh) | 2023-12-08 |
Family
ID=88984435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311139490.9A Pending CN117197556A (zh) | 2023-09-05 | 2023-09-05 | 一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197556A (zh) |
-
2023
- 2023-09-05 CN CN202311139490.9A patent/CN117197556A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stajnko et al. | Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging | |
| CN106596412A (zh) | 利用无人机携带多光谱光源进行植物生长监测的方法 | |
| CN105844632B (zh) | 基于机器视觉的稻株识别与定位方法 | |
| Takayama et al. | Early detection of drought stress in tomato plants with chlorophyll fluorescence imaging–practical application of the speaking plant approach in a greenhouse– | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN101701906A (zh) | 基于近红外超光谱成像技术的仓储害虫检测方法和装置 | |
| CN111476149A (zh) | 一种植物培育控制方法和系统 | |
| CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
| Chang et al. | Quantifying muskmelon fruit attributes with A-TEP-based model and machine vision measurement | |
| CN108037123B (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
| Zhou et al. | Imaging analysis of chlorophyll fluorescence induction for monitoring plant water and nitrogen treatments | |
| CN116058195B (zh) | 一种叶菜生长环境光照调控方法、系统及装置 | |
| CN114269041A (zh) | 一种基于led植物补光智能控制方法及其系统 | |
| TWM567355U (zh) | Multispectral image analysis system architecture | |
| CN106872424A (zh) | 基于光合色素荧光的浮游植物原位在线检测装置 | |
| Desiderio et al. | Health Classification System of Romaine Lettuce Plants in Hydroponic Setup Using Convolutional Neural Networks (CNN) | |
| CN117197556A (zh) | 一种基于叶绿素荧光图像的植物干旱胁迫程度分类的方法及装置 | |
| Chauhan et al. | Classification of Nutritional Deficiencies in Cabbage Leave Using Random Forest | |
| CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
| CN117354988A (zh) | 基于环境光传感的温室led照明闭环控制方法及系统 | |
| CN112179881B (zh) | 基于叶绿素荧光成像的绿豆叶斑病的早期检测方法 | |
| Htet et al. | Smart irrigation: An intelligent system for growing strawberry plants in different seasons of the year | |
| Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
| CN110135481A (zh) | 一种农作物病变检测方法以及检测装置 | |
| Chakraborty et al. | Integrating Neural Network for Pest Detection in Controlled Environment Vertical Farm |
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 |