發(fā)布時(shí)間：2021-04-15 14:47

　　葉綠素含量影響植物的各種生理機(jī)能,準(zhǔn)確測(cè)定水稻葉綠素含量有利于了解水稻的光合作用能力,為高產(chǎn)育種和栽培提供依據(jù)。葉綠素含量的測(cè)定方法有多種,傳統(tǒng)測(cè)定方法步驟繁瑣且耗時(shí)費(fèi)力,而便攜式葉綠素儀只能進(jìn)行點(diǎn)測(cè)定。計(jì)算機(jī)視覺是一種快速便捷的圖像處理技術(shù),可以用于作物的色素含量測(cè)定和營養(yǎng)狀況診斷。為此,設(shè)計(jì)了一種基于計(jì)算機(jī)視覺的水稻葉綠素含量測(cè)定方法,葉片圖像通過掃描獲得,經(jīng)過處理并提取葉片輪廓后以G-R、B-R和R/（G+B）等3個(gè)顏色特征參數(shù)建立葉綠素含量的估算模型。結(jié)果表明:以G-R和R/（G+B）建立的模型精度較高,對(duì)檢驗(yàn)樣本SPAD值擬合方程的決定系數(shù)和斜率都接近1,可以用來準(zhǔn)確測(cè)定水稻的葉綠素含量。 

【文章來源】：農(nóng)機(jī)化研究. 2020,42(04)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

水稻葉片的原始圖像

目標(biāo)為綠色夾雜少量黃色，背景完全為白色，二者之間的區(qū)別明顯。圖像中沒有其它顏色干擾對(duì)目標(biāo)的識(shí)別，也不存在畸變，因此無需對(duì)圖像的色彩做特殊處理。水稻葉中原始圖像如圖1所示。圖像中的識(shí)別目標(biāo)與背景顏色之間差異明顯，可以基于ＲGB色彩模型對(duì)圖像進(jìn)行分析。水稻葉片的基本顏色為綠色，因此在ＲGB色彩空間中G分量的特征峰值最為顯著，以G分量作為顏色參數(shù)可以得到準(zhǔn)確的目標(biāo)識(shí)別結(jié)果�；贕分量對(duì)圖像做灰度化處理后，圖像黑白效果更加明顯，顏色差異也得到增強(qiáng)，有利于對(duì)目標(biāo)區(qū)域的提齲水稻葉片灰度化圖像如圖2所示。圖1水稻葉片的原始圖像Fig．1Originalimageofriceleaves圖2水稻葉片的灰度化圖像Fig．2Grayimageofriceleaves灰度化圖像經(jīng)過HIS加權(quán)的二值化處理，可以消除小塊陰影和微弱噪音，然后根據(jù)水稻葉片的顏色特征將其從背景中分離出來。圖像分割是利用顏色或亮度特征識(shí)別目標(biāo)的關(guān)鍵步驟，一般需要根據(jù)目標(biāo)特征選擇合適的分割方法。閾值分割法的模型簡(jiǎn)單，運(yùn)行速度較快，被用于本文的目標(biāo)識(shí)別。閾值是通過分析直方圖獲得的，合適的閾值對(duì)圖像分割效果有著重要影響。水稻葉片的顏色特征可以通過亮度來反映，因此在ＲGB色彩空間中分析灰度化圖像G分量的直方圖，獲得目標(biāo)特征的閾值，然后依照最大閾值分割圖像。分割獲得的圖像中背景表示為白色，水稻葉片表示為黑色，如圖3所示。·422·2020年4月農(nóng)機(jī)化研究第4期

圖3水稻葉片的分割圖像Fig．3Segmentedimageofriceleaves3顏色特征參數(shù)選擇和模型構(gòu)建參考之前的研究，本文選擇G－Ｒ、B－Ｒ和Ｒ/(G+B)等3個(gè)顏色特征參數(shù)。其中，Ｒ、G、B分別表示在ＲGB色彩空間中彩色圖像紅、綠、藍(lán)3種基本顏色的亮度值。通過改變?nèi)南鄬?duì)數(shù)量，可以混合出其它的各種顏色。針對(duì)單個(gè)葉片，上述值表示該葉片圖像區(qū)域中所有像素點(diǎn)的均值。取20個(gè)水稻葉片，在每個(gè)葉片上均勻選擇5個(gè)點(diǎn)，用葉綠素儀測(cè)定SPAD值，以5個(gè)點(diǎn)的平均數(shù)作為該葉片葉綠素相對(duì)含量的實(shí)際值;然后，用計(jì)算機(jī)視覺提取各個(gè)葉片的顏色特征參數(shù)，分析特征參數(shù)與SPAD值的相關(guān)性。隨機(jī)選取10個(gè)樣本組成建模集，用于構(gòu)建預(yù)測(cè)模型;剩余的10個(gè)樣本組成檢驗(yàn)集，用于檢驗(yàn)估算的精度。SPAD值的顏色特征參數(shù)估算模型通過SPSS軟件中的一元線性回歸建立，然后在ENVI環(huán)境中反演檢驗(yàn)樣本的SPAD值。特征參數(shù)與SPAD值的相關(guān)性及模型對(duì)檢驗(yàn)樣本的估算精度以擬合方程的決定系數(shù)Ｒ2衡量，Ｒ2值越大，代表相關(guān)性和估算精度越高。4結(jié)果與分析建模樣本的3個(gè)顏色特征參數(shù)與SPAD值回歸分析結(jié)果如圖4所示。由圖4可知:所有顏色特征參數(shù)的回歸方程都達(dá)到了顯著水平，表明這3個(gè)參數(shù)都可以用來估算SPAD值;3個(gè)參數(shù)中基于G－Ｒ和Ｒ/(G+B)建立的模型精度較高，建模決定系數(shù)Ｒ2分別為0．840和0．884，可以用于檢驗(yàn)樣本SPAD實(shí)測(cè)值和估算值的擬合分析。圖4顏色特征參數(shù)與水稻葉片SPAD值的相關(guān)性Fig．4ThecorrelationbetweencolorcharacteristicindexesandriceleafSPADvalue分別用基于G－Ｒ和Ｒ/(G+B)建立的模型對(duì)10個(gè)檢驗(yàn)樣本的SPAD實(shí)測(cè)值和估算值進(jìn)行擬合分析，擬合方程的決定系數(shù)Ｒ2和斜率越接近1，表明模型的精度越高。分析結(jié)果如圖5所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于無人機(jī)成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演[J]. 田明璐,班松濤,常慶瑞,馬文君,殷紫,王力.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(11)
[2]采用灰板校正的計(jì)算機(jī)視覺預(yù)測(cè)棉花葉綠素含量[J]. 王娟,危常州,王肖娟,朱齊超,朱金龍,王金鑫.  農(nóng)業(yè)工程學(xué)報(bào). 2013(24)
[3]計(jì)算機(jī)視覺視域中水稻葉片葉綠素含量的數(shù)學(xué)建模[J]. 陳誠,廖桂平,史曉慧,李錦衛(wèi).  湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(05)
[4]錦橙葉片葉綠素含量診斷模型—基于數(shù)字圖像分析技術(shù)[J]. 易時(shí)來,鄧烈,何紹蘭,鄭永強(qiáng),王亮,趙旭陽,牛廷香.  農(nóng)機(jī)化研究. 2011(04)
[5]機(jī)器視覺技術(shù)在大豆葉片葉綠素含量測(cè)算上的應(yīng)用[J]. 費(fèi)麗君,譚峰.  農(nóng)機(jī)化研究. 2010(03)
[6]水稻上部葉片葉綠素含量的高光譜估算模型[J]. 楊杰,田永超,姚霞,曹衛(wèi)星,張玉森,朱艷.  生態(tài)學(xué)報(bào). 2009(12)
[7]基于計(jì)算機(jī)視覺技術(shù)的番茄葉片葉綠素含量的檢測(cè)[J]. 柴阿麗,李寶聚,王倩,石延霞,黃海洋.  園藝學(xué)報(bào). 2009(01)
[8]計(jì)算機(jī)視覺技術(shù)在辣椒紅色素測(cè)定中的應(yīng)用[J]. 張甫生,龐杰,王雅立.  辣椒雜志. 2005(04)
[9]基于計(jì)算機(jī)視覺技術(shù)的溫室黃瓜葉片營養(yǎng)信息檢測(cè)[J]. 張彥娥,李民贊,張喜杰,張建平,徐增輝.  農(nóng)業(yè)工程學(xué)報(bào). 2005(08)
[10]利用高光譜參數(shù)預(yù)測(cè)水稻葉片葉綠素和籽粒蛋白質(zhì)含量[J]. 孫雪梅,周啟發(fā),何秋霞.  作物學(xué)報(bào). 2005(07)



本文編號(hào)：3139540