TWI838787B - 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 - Google Patents
利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 Download PDFInfo
- Publication number
- TWI838787B TWI838787B TW111125609A TW111125609A TWI838787B TW I838787 B TWI838787 B TW I838787B TW 111125609 A TW111125609 A TW 111125609A TW 111125609 A TW111125609 A TW 111125609A TW I838787 B TWI838787 B TW I838787B
- Authority
- TW
- Taiwan
- Prior art keywords
- rice leaf
- data
- nitrogen content
- rice
- leaf
- Prior art date
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 278
- 241000209094 Oryza Species 0.000 title claims abstract description 221
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 214
- 235000009566 rice Nutrition 0.000 title claims abstract description 214
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 139
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 19
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 33
- 238000010295 mobile communication Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 1
- 238000012628 principal component regression Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 12
- 238000010238 partial least squares regression Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 8
- 238000009395 breeding Methods 0.000 description 6
- 230000004720 fertilization Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000001488 breeding effect Effects 0.000 description 5
- 230000001066 destructive effect Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000010903 husk Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241000371652 Curvularia clavata Species 0.000 description 1
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- 244000184734 Pyrus japonica Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
Images
Landscapes
- Color Image Communication Systems (AREA)
- Image Processing (AREA)
Abstract
一種水稻葉片氮含量檢測方法包含：於一預定期間利用一影像攝取單元選擇一水稻葉片進行攝取一水稻葉片影像資料；自該水稻葉片影像資料擷取數個像素顏色資料，且該像素顏色資料包含一像素值資料；將數個該像素顏色資料以一檢量轉換校正工具進行校正，以便獲得數個已校正像素顏色資料；將數個該已校正像素顏色資料之像素值資料進行對應轉換成一氮含量量測資料，以便建立一已校正數學檢量模式；及將一待估測水稻葉片影像資料利用該已校正數學檢量模式進行計算，以便獲得一氮含量估測資料。
Description
本發明係關於一種利用水稻葉片影像〔rice leaf image〕之水稻葉片氮含量〔nitrogen content〕檢測方法及其系統；特別是關於一種利用水稻葉片RGB影像之水稻葉片氮含量檢測方法及其系統；更特別是關於一種非破壞性利用水稻葉片影像之水稻葉片氮含量檢測方法、其系統及其〔施肥〕管理系統。
有關習用依水稻葉色相對值追施氮肥技術，例如：中國專利公告第CN-106171222號〝一種依據水稻葉色相對值追施氮肥的方法〞之發明專利，其揭示一種依據水稻葉色相對值追施氮肥的方法。該依據水稻葉色相對值追施氮肥的方法包含：在水稻分蘖期、穗分化始期、雌雄蕊形成期和抽穗始期分別用葉綠素測定儀測定莖上頂部第1完全展開葉與莖上頂部第3完全展開葉的葉色。
承上，前述專利公告第CN-106171222號之該依據水稻葉色相對值追施氮肥的方法：計算SPAD相對值，且根據SPAD相對值確定氮素施用量SPAD相對值二莖上頂部第1完全展開葉的SPAD測定值/莖上頂部第3完全展開葉的SPAD測定值。
承上，前述專利公告第CN-106171222號之該依據水稻葉色相對值追施氮肥的方法：根據SPAD相對值確定氮素施用量為：
一、對於移栽時秧苗葉齡≧5的中、大苗移栽水稻，各時期的追施氮肥量為：
1、分蘖期：於移栽後6至8天獲得SPAD相對值，若：
(1)SPAD相對值≦1，氮肥施用量占總施氮量的5%；
(2)1.1>SPAD相對值>1，氮肥施用量占總施氮量的10%；
(3)SPAD相對值≧1.1，氮肥施用量占總施氮量的15%；
2、穗分化始期：於水稻葉齡餘數為3.5時，獲得SPAD相對值，若：
(1)SPAD相對值≦1，氮肥施用量占總施氮量的15%；
(2)1.1>SPAD相對值>1，氮肥施用量占總施氮量的20%；
(3)SPAD相對值≧1.1，氮肥施用量占總施氮量的25%；
3、雌雄蕊形成期：於水稻葉齡餘數為1.5時，獲得SPAD相對值，若：
(1)SPAD相對值≦1，氮肥施用量占總施氮量的15%；
(2)1.1>SPAD相對值>1，氮肥施用量占總施氮量的20%；
(3)SPAD相對值≧1.1，氮肥施用量占總施氮量的25%；
4、抽穗始期：於全田有5%的稻穗露出頂葉葉鞘時，獲得SPAD相對值，若：
(1)SPAD相對值≦1.05，不追施氮肥；
(2)SPAD相對值>1.05，氮肥施用量占總施氮量的5%；
二、對於移栽時秧苗葉齡<5的小苗移栽水稻，各時期的追施氮肥量為：
1、分蘖期：
於移栽後的6至8天，獲得SPAD相對值，若：
(1)SPAD相對值≦1，氮肥施用量占總施氮量的10%；
(2)1.1>SPAD相對值>1，氮肥施用量占總施氮量的15%；
於移栽後的12至14天，獲得SPAD相對值，若：
(1)SPAD相對值≦1，氮肥施用量占總施氮量的5%；
(2)1.1>SPAD相對值>1，氮肥施用量占總施氮量的10%；
2、穗分化始期：於水稻葉齡餘數為3.5時，獲得SPAD相對值，若：
(1)SPAD相對值≦1，氮肥施用量占總施氮量的15%；
(2)1.1>SPAD相對值>1，氮肥施用量占總施氮量的20%；
(3)SPAD相對值≧1.1，氮肥施用量占總施氮量的25%；
3、雌雄蕊形成期：於水稻葉齡餘數為1.5時，獲得SPAD相對值，若：
(1)SPAD相對值≦1，氮肥施用量占總施氮量的15%；
(2)1.1>SPAD相對值>1，氮肥施用量占總施氮量的20%；
(3)SPAD相對值≧1.1，氮肥施用量占總施氮量的25%；
4、抽穗始期：於全田有5%的稻穗露出頂葉葉鞘時，獲得SPAD相對值，若：
(1)SPAD相對值≦1.05，不追施氮肥；
(2)SPAD相對值>1.05，氮肥施用量占總施氮量的5%。
然而，前述專利公告第CN-106171222號僅揭示該依據水稻葉色相對值追施氮肥的方法而已，其並未進一步揭示如何以適當技術手段進行非破壞性水稻葉片氮含量檢測技術或計算水稻葉片氮含量〔例如，其相關如何應用水稻葉片影像〕之估算氮含量技術。
另一習用水稻品種的選育技術，例如：中國專利公告第CN-106982733號〝一種粉紅色葉片水稻品種的選育方法〞之發明專利，其揭示一種粉紅色葉片水稻品種的選育方法。該粉紅色葉片水稻品種的選育方法包含：
(1)選擇粉紅色葉片水稻為親本A、金黃色穀殼水稻為親本B，黑米水稻為親本C，將親本A分別與親本B和親本C雜交，獲得2個單交F1代種子；
(2)種植2個單交F1代，並相互雜交，以獲得雙交F1代種子；
(3)種植雙交F1代，並採用花藥培養構建加倍單倍體群體，且按單株收穫種子；
(4)種值DH1代，於苗期和營養生長期選留粉紅色葉片的株系，並在成熟時選留金黃色穀殼的株系，且在收穫時選留種皮為黑色的株系；
(5)按品系種植DH2代，並採用分子標記鑒定秈粳稻類型，且選擇偏粳型優良品系；
(6)種植DH3代，並選擇畝產350公斤以上的優良品系；
(7)種植DH4代，並選擇生育期為130至140天的優良品系；
(8)種植DH5代，並選育粉紅色葉片、金黃色穀殼、黑色種皮、畝產350公斤以上及生育期為130至140天的定型水稻，即獲得園藝型水稻。
然而，前述專利公告第CN-106982733號僅揭示該粉紅色葉片水稻品種的選育方法而已，其並未進一步揭示如何以適當技術手段進行非破壞性水稻葉片氮含量檢測技術或計算水稻葉片氮含量〔例如，其相關如何應用水稻葉片影像〕之估算氮含量技術。
另一習用水稻水稻葉色卡裝置及其技術，例如：中國專利公告第CN-2323578號〝水稻葉色卡〞之新型專利，其揭示一種水稻葉色卡。該水稻葉色卡為診斷水稻營養狀態的水稻葉色卡，且該水稻葉色卡包含一蓋面、一底板、一色片及數個通孔。
承上，前述專利公開第CN-2323578號之該蓋面包含七個色片，並於在該蓋面上之七個該色片為標示
至
之色片，且該色片具有一水稻葉脈狀的紋路，且該水稻葉脈狀的紋路呈現傾斜，且七個該色片為按自黃綠色至
濃綠色之七個範圍之七級色片。
承上，前述專利公開第CN-2323578號之該水稻葉色卡另包含一方框，並將該方框卡掣在該底板上，且該方框相對應於該蓋面。該七級色片依序以一透明雙面不乾膠固定於該方框內，並在該蓋面及底板處鑽設兩個該通孔，且在該底板及蓋面以不乾膠進行黏接。
然而，前述專利公告第CN-2323578號僅揭示該水稻葉色卡而已，其並未進一步揭示如何以適當技術手段進行非破壞性水稻葉片氮含量檢測技術或計算水稻葉片氮含量〔例如，其相關如何應用水稻葉片影像〕之估算氮含量技術如何結合資訊化的水稻葉色技術〔例如：如何校正水稻葉色影像之像素〕。
顯然，前述中國專利公告第CN-106171222號之依水稻葉色相對值追施氮肥技術、中國專利公告第CN-106982733號之水稻品種的選育技術及中國專利公開第CN-2323578號之水稻葉色卡裝置仍存在進一步改良之需求，以便提供非破壞性水稻葉片氮含量檢測技術，或提供計算水稻葉片氮含量〔例如，其相關如何應用水稻葉片影像〕之估算氮含量技術，並進一步如何結合資訊化的水稻葉色技術。
簡言之，前述中國專利公告第CN-106171222號之發明專利、中國專利公告第CN-106982733號之發明專利及中國專利公告第CN-2323578號之新型專利申請案之揭露僅為本發明技術背景之參考及說明目前技術發展狀態而已，其並非用以限制本發明之範圍。
有鑑於此，本發明為了滿足上述技術問題及需求，其提供一種利用水稻葉片影像之水稻葉片氮含量檢測方法、其系統及其〔施肥〕管理系統，其於一預定期間利用一影像攝取單元選擇一水稻葉片進行攝取一水稻葉片影
像資料，並自該水稻葉片影像資料擷取數個像素顏色資料，且該像素顏色資料包含一像素值資料，且將數個該像素顏色資料以一檢量轉換校正工具進行校正，以便獲得數個已校正像素顏色資料，且將數個該已校正像素顏色資料之像素值資料進行對應轉換成一氮含量量測資料，以便建立一已校正〔像素顏色〕數學檢量模式，且將一待估測水稻葉片影像資料利用該已校正數學檢量模式進行計算，以便獲得一氮含量估測資料，因此相對於習用水稻栽培管理系統可達成提升水稻葉片氮含量之估測準確率之目的。
本發明之主要目的係提供一種利用水稻葉片影像之水稻葉片氮含量檢測方法、其系統及其管理系統，其於一預定期間利用一影像攝取單元選擇一水稻葉片進行攝取一水稻葉片影像資料，並自該水稻葉片影像資料擷取數個像素顏色資料，且該像素顏色資料包含一像素值資料，且將數個該像素顏色資料以一檢量轉換校正工具進行校正，以便獲得數個已校正像素顏色資料，且將數個該已校正像素顏色資料之像素值資料進行對應轉換成一氮含量量測資料，以便建立一已校正〔像素顏色〕數學檢量模式，且將一待估測水稻葉片影像資料利用該已校正數學檢量模式進行計算，以便獲得一氮含量估測資料，以便達成提升水稻葉片氮含量之估測準確率之目的及功效。
為了達成上述目的，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法包含：
於一預定期間利用一影像攝取單元選擇一水稻葉片進行攝取一水稻葉片影像資料；
自該水稻葉片影像資料擷取數個像素顏色資料，且該像素顏色資料包含一像素值資料；
將數個該像素顏色資料以一檢量轉換校正工具進
行校正，以便獲得數個已校正像素顏色資料；
將數個該已校正像素顏色資料之像素值資料進行對應轉換成一氮含量量測資料，以便建立一已校正數學檢量模式；及
將一待估測水稻葉片影像資料利用該已校正數學檢量模式進行計算，以便獲得一氮含量估測資料。
本發明較佳實施例之該數學檢量模式選自一PCR多變量檢量模式或一PLSR多變量檢量模式。
本發明較佳實施例之該水稻葉片具有一預定攝取檢測位置，且該預定攝取檢測位置為自一葉片尖端位置形成至少一總長度之1/6、1/5、1/4、1/3、1/2或其它距離。
本發明較佳實施例之該氮含量估測資料用以計算一待估測水稻葉片是否為氮素缺乏狀態。
本發明較佳實施例之該氮含量估測資料用以計算一氮肥施肥量或一氮肥施肥時間。
為了達成上述目的，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統包含：
一影像攝取單元，其於一預定期間選擇一水稻葉片進行攝取一水稻葉片影像資料；
數個像素顏色資料，其擷取自該水稻葉片影像資料，且該像素顏色資料包含一像素值資料；
一檢量轉換校正工具，其將數個該像素顏色資料進行校正，以便獲得數個已校正像素顏色資料；
至少一數學檢量模式，其將數個該已校正像素顏色資料之像素值資料進行對應轉換成一氮含量量測資料，以便建立一已校正數學檢量模式；及
一計算機單元，其連接通訊於該影像攝取單元，且該計算機單元具有該已校正數學檢量模式；
其中於該計算機單元將一待估測水稻葉片影像資料利用該已校正數學檢量模式進行計算，以便獲得一氮含量估測資料。
本發明較佳實施例之該影像攝取單元選自一照相機裝置、一行動通訊裝置、一空拍機裝置、一監控影像攝取裝置或其任意組合。
本發明較佳實施例之該檢量轉換校正工具可選擇以一SR-based方程式或一ND-based方程式進行校正數個該像素顏色資料。
本發明較佳實施例之該檢量轉換校正工具另可選擇一標準葉色板裝置、一標準葉色表格、一標準葉色像素數據檔案或其任意組合，以便進行校正數個該像素顏色資料。
本發明較佳實施例之該氮含量量測資料選自一凱氏氮測定葉片氮含量方法或其它氮測定葉片氮含量方法。
本發明較佳實施例之該計算機單元選自一工作站電腦、一桌上型電腦、一筆記型電腦、一平板電腦、一行動通訊裝置、一智慧型手機或其任意組合。
1:影像攝取單元
11:像素顏色資料
100:水稻植株
2:計算機單元
21:數學檢量模式
22:檢量轉換校正工具
3:氮含量量測資料
9:氮含量估測資料
第1圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統之方塊示意圖。
第2圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法之流程示意圖。
第3A圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於RGB之主成分回歸及偏最小二乘回歸處理後獲得特徵值之陡坡示意圖。
第3B圖：本發明較佳實施例之利用水稻葉片影像之水
稻葉片氮含量檢測系統經基於SR之主成分回歸及偏最小二乘回歸處理後獲得特徵值之陡坡示意圖。
第3C圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於ND之主成分回歸及偏最小二乘回歸處理後獲得特徵值之陡坡示意圖。
第4A圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於RGB之主成分回歸模型處理後獲得驗證之示意圖。
第4B圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於SR之主成分回歸模型處理後獲得驗證之示意圖。
第4C圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於ND之主成分回歸模型處理後獲得驗證之示意圖。
第5A圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於RGB之偏最小二乘回歸模型處理後獲得驗證之示意圖。
第5B圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於SR之偏最小二乘回歸模型處理後獲得驗證之示意圖。
第5C圖：本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於ND之偏最小二乘回歸模型處理後獲得驗證之示意圖。
為了充分瞭解本發明，於下文將舉例較佳實施例並配合所附圖式作詳細說明，且其並非用以限定本發明。
本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法、其系統及其〔施肥〕管理系統適用於各種稻米品種〔例如：台稉9號、台農71號、台南
11號、高雄147號或其它稻米品種〕之水稻栽培管理系統，且本發明較佳實施例之水稻幼穗分化期之估計方法、其系統及其管理系統可選擇結合應用執行於各種自動化設備、各種半自動化設備或各種非自動化設備〔例如：施肥設備〕，但其並非用以限制本發明之應用範圍。
本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法、其系統及其〔施肥，例如：氮肥〕管理系統適合應用於各種智慧型農業栽培管理系統、各種農業推廣或試驗改良單位、各種水稻栽培業或其它相關農業栽培研究單位，但其並非用以限制本發明之範圍。
第1圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統之方塊示意圖。請參照第1圖所示，舉例而言，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統可選擇為一水稻栽培管理系統、一水稻施肥時間估計管理系統或其它具類似水稻栽培功能之系統，且該利用水稻葉片影像之水稻葉片氮含量檢測系統可應用於單一或數個水稻植株100，如第1圖之右側所示。
請再參照第1圖所示，舉例而言，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統主要包含一影像攝取單元〔image-capturing unit〕1、至少一像素顏色資料〔pixel color data〕11、一計算機單元〔calculator unit〕2、一數學檢量模式〔mathematical digital model〕21、一檢量轉換校正工具〔conversion correction tool〕22及一氮含量量測資料〔nitrogen-contained measuring data〕3。
請再參照第1圖所示，舉例而言，該影像攝取單元1於一水稻田單元〔未繪示〕之一適當位置可選擇攝影適當取得至少一個或數個該像素顏色資料11，而該像素
顏色資料11包含至少一個或數個像素值資料，且將該影像攝取單元1以適當技術手段〔例如：固定架或其它固定設備〕固定於該水稻田單元之任何適當位置上。
請再參照第1圖所示，舉例而言，該影像攝取單元1及其周邊設備一般可選擇採用一影像攝影單元、一影像錄影裝置或其它具影像攝取功能之單元及其周邊設備，但其並非用以限制本發明之範圍。
請再參照第1圖所示，舉例而言，該影像攝取單元1亦可選自一照相機裝置〔camera device〕、一行動通訊裝置〔mobile communication device〕、一空拍機裝置〔drone camera device〕、一監控影像攝取裝置〔monitoring camera device〕或其任意組合。
請再參照第1圖所示，舉例而言，該計算機單元2以適當技術手段〔例如：自動化方式、半自動化方式或手動方式〕連接通訊〔例如：有線連接通訊或無線連接通訊〕於該影像攝取單元1、其周邊設備或其它相關裝置單元。
請再參照第1圖所示，舉例而言，該計算機單元2以適當技術手段連接該影像攝取單元1，而該計算機單元2可選自一工作站電腦〔workstation computer〕、一桌上型電腦〔desktop computer〕、一筆記型電腦〔notebook或laptop computer〕、一平板電腦〔tablet personal computer〕、一行動通訊裝置〔mobile communication device〕、一智慧型手機〔smart phone〕或其它具計算機功能之裝置，但其並非用以限定本發明之範圍。
請再參照第1圖所示，舉例而言，該計算機單元2可選擇用以適當技術手段〔例如：雲端演算、傳輸或其它處理作業〕配置該數學檢量模式21、檢量轉換校正工
具22及氮含量量測資料3或其它相關收集數據資料〔例如：統計數據資料〕。
請再參照第1圖所示，舉例而言，該數學檢量模式21可選自一PCR〔principal component regression〕多變量檢量模式、一PLSR〔partial least square regression〕多變量檢量模式或其它類似多變量檢量模式，以便建立一預測模式。
請再參照第1圖所示，舉例而言，該檢量轉換校正工具22可選擇以一SR-based〔simple ratio-based〕方程式或一ND-based〔normalized difference-based〕方程式進行校正數個該像素顏色資料11，以便用以適當校正處理該像素顏色資料11及其像素值資料，例如：標準葉色板裝置之像素資料為基準。
請再參照第1圖所示，舉例而言，該檢量轉換校正工具22另可選擇一標準葉色板裝置〔standard Leaf Color Chart，LCC〕、一標準葉色表格、一標準葉色像素數據檔案或其任意組合，以便進行適當校正〔例如：SR-based校正、ND-based校正或其它校正手段〕數個該像素顏色資料11。
請再參照第1圖所示，舉例而言，本發明另一較佳實施例之該檢量轉換校正工具22可選擇結合應用於該影像攝取單元1，並在該影像攝取單元1攝取該水稻植株100之水稻葉片影像資料時，可利用該檢量轉換校正工具22〔例如：標準葉色板裝置之像素資料〕校正數個該像素顏色資料11。
本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法採用圖像數據處理之方程式〔Eq.1-3〕如下：
在處理該像素顏色資料11及其像素值資料上，圖像數據採用原始像素值〔RGB-based〕方程式〔Eq.1〕，亦可選擇以SR-based方程式〔Eq.2〕及ND-based方程式〔Eq.3〕進行計算，並選擇以一LCC裝置進行校正，且選擇並分別以該PCR多變量檢量模式及PLSR多變量檢量模式建立一預測模型。
請再參照第1圖所示，舉例而言，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法採用主成份數量〔principal component〕之選擇則以可解釋變異比率〔PVE，proportion of variance explained〕趨緩為依據，且其數據以7：3比例分為訓練與測試數據集。
請再參照第1圖所示，舉例而言，該氮含量量測資料3可選自一凱氏氮測定葉片氮含量方法或其它氮測定葉片氮含量方法及其相關量測設備，且該氮含量量測資料3以一適當量測氮含量方法量測自該水稻植株100之至少一葉片部位之顏色表現量。
第2圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法之流程示意圖，其對應於第1圖所示之利用水稻葉片影像之水稻葉片氮含量檢測系統。請參照第1及2圖所示，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法包含步驟S1：首
先，舉例而言，於該水稻田單元〔未繪示〕以適當技術手段〔例如：自動化方式、半自動化方式或手動方式〕於一預定期間利用該影像攝取單元1選擇該水稻值株100之一水稻葉片進行攝取單一或一系列水稻葉片影像資料，例如：RGB影像資料。
請再參照第1及2圖所示，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法包含步驟S2：接著，舉例而言，於該計算機單元2以適當技術手段〔例如：自動化方式、半自動化方式或手動方式〕自該水稻葉片影像資料擷取數個該像素顏色資料11，且該像素顏色資料11包含至少一像素值資料，例如：3x3影像像素資料或其它影像像素資料。
請再參照第1及2圖所示，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法包含步驟S3：接著，舉例而言，於該計算機單元2以適當技術手段〔例如：自動化方式、半自動化方式或手動方式〕將數個該像素顏色資料11適當以該檢量轉換校正工具22進行校正，以便獲得數個已校正像素顏色資料。
請再參照第1及2圖所示，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法包含步驟S4：接著，舉例而言，於該計算機單元2以適當技術手段〔例如：自動化方式、半自動化方式或手動方式〕將該像素顏色資料11之已校正像素顏色資料〔像素值資料〕進行對應轉換成該氮含量量測資料3〔例如：凱氏氮測定〕，以便建立一已校正〔像素〕數學檢量模式，例如：PCR多變量檢量模式或PLSR多變量檢量模式。
請再參照第1圖所示，舉例而言，該數學檢量模式21、檢量轉換校正工具22及其已校正數學檢量模式或其相關模型之執行方式係屬皆可利用電腦執行之程序步
驟〔computer-executable process step〕，其可執行於各種電腦設備，例如：工作站電腦、桌上型電腦、筆記型電腦、平板電腦、行動通訊裝置、智慧型手機或其它具計算機功能之裝置，但其並非用以限定本發明之範圍。
請再參照第1及2圖所示，本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測方法包含步驟S5：接著，舉例而言，於該計算機單元2以適當技術手段〔例如：自動化方式、半自動化方式或手動方式〕將一待估測水稻葉片影像資料〔未繪示〕利用該已校正數學檢量模式進行計算，以便獲得一氮含量估測資料9。
請再參照第1及2圖所示，舉例而言，該水稻植株100之水稻葉片〔或待估測水稻葉片〕具有一預定攝取檢測位置，且該預定攝取檢測位置為自一葉片尖端位置形成至少一總長度之1/6、1/5、1/4、1/3、1/2距離、其任意兩者之間或其它比例距離。
請再參照第1及2圖所示，舉例而言，該待估測水稻葉片影像資料可選擇任一影像攝取單元進行拍攝而取得及傳輸至該計算機單元2，且該影像攝取單元可選自一照相機裝置、一行動通訊裝置、一空拍機裝置、一監控影像攝取裝置或其任意組合，且將該氮含量估測資料9由該計算機單元2輸出至一預定裝置，例如：顯示器單元、資料儲存單元、自動操作單元或雲端伺服器裝置。
請再參照第1及2圖所示，舉例而言，該氮含量估測資料9可選擇用以計算一待估測水稻葉片是否為氮素缺乏狀態，或該氮含量估測資料9可選擇用以計算一氮肥施肥量或一氮肥施肥時間。
第3A圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於RGB之主成分回歸及偏最小二乘回歸處理後獲得特徵值之陡坡示意圖。
請參照第3A圖所示，舉例而言，本發明較佳實施例可選擇自RGB-based之PCR多變量檢量模式及PLSR多變量檢量模式中選取第一主成分即達成97%之解釋能力，因此RGB-based模型僅採用第一主成份。
第3B圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於SR之主成分回歸及偏最小二乘回歸處理後獲得特徵值之陡坡示意圖。請參照第3B圖所示，舉例而言，本發明較佳實施例可選擇自SR-based之PCR多變量檢量模式採用前三主成份，而自SR-based之PLSR多變量檢量模式則採用前四主成份。
第3C圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於ND之主成分回歸及偏最小二乘回歸處理後獲得特徵值之陡坡示意圖。請參照第3C圖所示，舉例而言，如同SR-based模型，本發明較佳實施例可選擇自NR-based之PCR多變量檢量模式採用前三主成份，而自NR-based之PLSR多變量檢量模式則採用前四主成份。
第4A圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於RGB之主成分回歸模型處理後獲得驗證〔validation〕之示意圖。請參照第4A圖所示，舉例而言，本發明較佳實施例可選擇自RGB-based之PCR多變量檢量模式，並直接利用葉片RGB像素值進行葉片氮素預估，其建立之RGB-based之PCR多變量檢量模式表現效益為rPCR=0.667ns。
第4B圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於SR之主成分回歸模型處理後獲得驗證之示意圖。請參照第4B圖所示，舉例而言，本發明較佳實施例可選擇利用LCC作為標準色版進行SR-based方程式校正後，其所建立之SR-based之
PCR多變量檢量模式表現效能為rPCR=0.721ns。
第4C圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於ND之主成分回歸模型處理後獲得驗證之示意圖。請參照第4C圖所示，舉例而言，本發明較佳實施例可選擇同樣以LCC作為標準色板進行ND-based方程式校正後，其所建立之ND-based PCR多變量檢量模式表現效能提升為rPCR=0.837*，但可能發生過度高估或低估的情形〔slope PCR=0.114〕。
第5A圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於RGB之偏最小二乘回歸模型處理後獲得驗證之示意圖。請參照第5A圖所示，舉例而言，本發明較佳實施例可選擇自RGB-based之PLSR多變量檢量模式，並直接利用葉片RGB像素值進行葉片氮素預估，其建立之RGB-based之PLSR多變量檢量模式表現效益為rPCR=0.685ns。
第5B圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於SR之偏最小二乘回歸模型處理後獲得驗證之示意圖。請參照第4B圖所示，舉例而言，本發明較佳實施例可選擇利用LCC作為標準色版進行SR-based方程式校正後，其所建立之SR-based之PLSR多變量檢量模式表現效能為rPLSR=0.746ns。
第5C圖揭示本發明較佳實施例之利用水稻葉片影像之水稻葉片氮含量檢測系統經基於ND之偏最小二乘回歸模型處理後獲得驗證之示意圖。請參照第4C圖所示，舉例而言，本發明較佳實施例可選擇同樣以LCC作為標準色板進行ND-based方程式校正後，其所建立之ND-based PLSR多變量檢量模式表現效能提升為rPLSR=0.908*，且其預估效能亦佳〔slope PLSR=1.304，RMSE
=0.44〕。
上述實驗數據為在特定條件之下所獲得的初步實驗結果，其僅用以易於瞭解或參考本發明之技術內容而已，其尚需進行其他相關實驗。該實驗數據及其結果並非用以限制本發明之權利範圍。
前述較佳實施例僅舉例說明本發明及其技術特徵，該實施例之技術仍可適當進行各種實質等效修飾及/或替換方式予以實施；因此，本發明之權利範圍須視後附申請專利範圍所界定之範圍為準。本案著作權限制使用於中華民國專利申請用途。
1:影像攝取單元
11:像素顏色資料
100:水稻植株
2:計算機單元
21:數學檢量模式
22:檢量轉換校正工具
3:氮含量量測資料
9:氮含量估測資料
Claims (10)
- 一種利用水稻葉片影像之水稻葉片氮含量檢測方法，其包含：於一預定期間利用一影像攝取單元選擇一水稻葉片進行攝取一水稻葉片影像資料；自該水稻葉片影像資料擷取數個像素顏色資料，且該像素顏色資料包含一像素值資料；將數個該像素顏色資料以一檢量轉換校正工具進行校正，以便獲得數個已校正像素顏色資料；將數個該已校正像素顏色資料之像素值資料進行對應轉換成一氮含量量測資料，以便建立一已校正數學檢量模式；及將一待估測水稻葉片影像資料利用該已校正數學檢量模式之氮含量量測資料進行計算，以便獲得一氮含量估測資料。
- 依申請專利範圍第1項所述之利用水稻葉片影像之水稻葉片氮含量檢測方法，其中該數學檢量模式選自一PCR多變量檢量模式或一PLSR多變量檢量模式。
- 依申請專利範圍第1項所述之利用水稻葉片影像之水稻葉片氮含量檢測方法，其中該水稻葉片具有一預定攝取檢測位置，且該預定攝取檢測位置為自一葉片尖端位置形成至少一總長度之1/6、1/5、1/4、1/3或1/2距離。
- 依申請專利範圍第1項所述之利用水稻葉片影像之水稻葉片氮含量檢測方法，其中該氮含量估測資料用以計算一待估測水稻葉片是否為氮素缺乏狀態。
- 依申請專利範圍第1項所述之利用水稻葉片影像之水稻葉片氮含量檢測方法，其中該氮含量估測資料用以計算一氮肥施肥量、一氮肥施肥時間或其組合。
- 一種利用水稻葉片影像之水稻葉片氮含量檢測系統，其包含： 一影像攝取單元，其於一預定期間選擇一水稻葉片進行攝取一水稻葉片影像資料；數個像素顏色資料，其擷取自該水稻葉片影像資料，且該像素顏色資料包含一像素值資料；一檢量轉換校正工具，其將數個該像素顏色資料進行校正，以便獲得數個已校正像素顏色資料；至少一數學檢量模式，其將數個該已校正像素顏色資料之像素值資料進行對應轉換成一氮含量量測資料，以便建立一已校正數學檢量模式；及一計算機單元，其連接通訊於該影像攝取單元，且該計算機單元具有該已校正數學檢量模式；其中於該計算機單元將一待估測水稻葉片影像資料利用該已校正數學檢量模式之氮含量量測資料進行計算，以便獲得一氮含量估測資料。
- 依申請專利範圍第6項所述之利用水稻葉片影像之水稻葉片氮含量檢測系統，其中該影像攝取單元選自一照相機裝置、一行動通訊裝置、一空拍機裝置、一監控影像攝取裝置或其任意組合。
- 依申請專利範圍第6項所述之利用水稻葉片影像之水稻葉片氮含量檢測系統，其中該檢量轉換校正工具可選擇以一SR-based方程式或一ND-based方程式進行校正數個該像素顏色資料。
- 依申請專利範圍第6項所述之利用水稻葉片影像之水稻葉片氮含量檢測系統，其中該檢量轉換校正工具另選擇一標準葉色板裝置、一標準葉色表格、一標準葉色像素數據檔案或其任意組合，以便進行校正數個該像素顏色資料。
- 依申請專利範圍第6項所述之利用水稻葉片影像之水稻葉片氮含量檢測系統，其中該氮含量量測資料選自一凱氏氮測定葉片氮含量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111125609A TWI838787B (zh) | 2022-07-07 | 2022-07-07 | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111125609A TWI838787B (zh) | 2022-07-07 | 2022-07-07 | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202403285A TW202403285A (zh) | 2024-01-16 |
| TWI838787B true TWI838787B (zh) | 2024-04-11 |
Family
ID=90457445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111125609A TWI838787B (zh) | 2022-07-07 | 2022-07-07 | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI838787B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8391565B2 (en) * | 2010-05-24 | 2013-03-05 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
| US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| CN109827957A (zh) * | 2018-12-17 | 2019-05-31 | 南京邮电大学 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
| CN113063739A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 |
| CN114342627A (zh) * | 2022-01-05 | 2022-04-15 | 山东农业大学 | 一种智能果园有机肥化肥混合精量施肥方法和系统 |
-
2022
- 2022-07-07 TW TW111125609A patent/TWI838787B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8391565B2 (en) * | 2010-05-24 | 2013-03-05 | Board Of Trustees Of The University Of Arkansas | System and method of determining nitrogen levels from a digital image |
| US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| CN109827957A (zh) * | 2018-12-17 | 2019-05-31 | 南京邮电大学 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
| CN113063739A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 |
| CN114342627A (zh) * | 2022-01-05 | 2022-04-15 | 山东农业大学 | 一种智能果园有机肥化肥混合精量施肥方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 期刊 S. Sunoj et al Color calibration of digital images for agriculture and other applications ISPRS Journal of Photogrammetry and Remote Sensing Volume 146, Version of Record 21 October 2018 Pages 221-234 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202403285A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102506772B (zh) | 一种基于手机的快速检测叶片面积的方法及装置 | |
| CN109827957B (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
| CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
| CN104132897B (zh) | 一种基于手持设备的植物叶片含氮量测量方法和装置 | |
| KR20190069648A (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
| CN113866104B (zh) | 一种基于数码相机检测温室番茄氮素营养状况的方法 | |
| Sunoj et al. | Digital image analysis estimates of biomass, carbon, and nitrogen uptake of winter cereal cover crops | |
| CN111881864A (zh) | 一种智慧农业种植农作物生长全周期全动态监测管理系统 | |
| CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
| TWI838787B (zh) | 利用水稻葉片影像之水稻葉片氮含量檢測方法及其系統 | |
| CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
| CN112345467B (zh) | 利用遥感技术估算水稻生理参数的模型及其应用 | |
| CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
| KR102201595B1 (ko) | 딸기의 이미지 분석을 통한 생육 진단 방법 | |
| Fraas et al. | Novel imaging-based phenotyping strategies for dissecting crosstalk in plant development | |
| CN110619417A (zh) | 基于大田水稻冠层穗部图像特征的理论测产方法 | |
| Raju et al. | Advances in plant phenomics: From data and algorithms to biological insights | |
| CN114494689A (zh) | 番茄干旱胁迫的识别方法 | |
| Balbin et al. | Development of scientific farming in determining the harvest time of NSIC 2010 Rc226 rice grain using image processing algorithms | |
| Rajkumar et al. | Analysis of Seed Testing to Improve Cultivation using Image Processing Techniques | |
| Govindasamy et al. | The comparison of Canopeo and samplepoint for measurement of green canopy cover for forage crops in India | |
| CN202084060U (zh) | 水稻害虫实时分类系统 | |
| Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time | |
| Joosen et al. | The germinator automated germination scoring system |