植物幼苗综合性状活体无损检测方法技术

本发明专利技术涉及一种植物幼苗综合性状活体无损检测方法，包括以下步骤：对植物幼苗进行高光谱成像，从高光谱数据立方体中提取ＲＧＢ图像及特定区域的光谱，通过图像处理及光谱分析获得幼苗的形态参数、组分含量分布以及病虫害信息；采用特征级信息融合方法和模糊综合评判方法建立植物幼苗长势预测模型。本发明专利技术能够实现对幼苗外观形态、营养组分及病虫害信息三方面性状的综合评价；且克服了组分测量时不均匀性造成的误差。

【技术实现步骤摘要】

本专利技术涉及光谱分析及图像处理
，尤其涉及一种植物幼苗综合性状活体 无损检测方法。
技术介绍
植物种子从萌发开始到幼苗生长是一个复杂的生理生化、物质代谢过程，受其内 部或外部物质的调控作用，而表现出种子活力、幼苗生长、形态特征、细胞组织、物质代谢等 方面的效应，直接或间接影响作物的营养生长和生殖生长，进而影响最终的生物产量、经济 产量、营养品质及其安全性等。因此，许多农艺学家、育种家、生物化学家都非常关注植物苗 期生长特性。大田里的植物观测侧重于群体参数，而幼苗监测更侧重于个体的分析。目前对 于植物群体监测的技术已比较成熟，而幼苗由于个体差异性很大，尚缺乏有效的检测方法， 现有的幼苗检测方法大多是根据经验用目测的方法或者化学方法进行。作物在不同的营养状况下表现出不同的茎叶颜色和形态，它们是表征作物长势 的重要信息，运用图象处理技术获取作物的外部形态信息，并进行分类识别和决策诊断， 可反映作物的生长。非专利文献Hoffmaster，A L, Fujimura K, McDonald M B，等，An automated systemfor vigor testing three-day-old soybean seed-lings, Seed Sci. and Technol. 2003,31 :701_713中介绍了一种基于计算机图像处理技术的大豆幼苗评价系 统，用于大豆种子活力的辅助分析。首先用扫描仪扫描在棕色纸巾上黑暗垂直发芽的幼苗 图像，利用系统提取幼苗图像，并转换成数字化信息，根据这些信息将大豆幼苗分成正常幼 苗和不正常幼苗两大类。然后对正常幼苗进行细化，将大豆幼苗的胚轴、胚根和子叶的长度 分成6种类型，根据每个幼苗所属的类型将子叶去除，然后根据幼苗形状的类别，使用不同 的算法来决定幼苗骨架中需测量的部分，计算幼苗生长速率及生长均一性，利用幼苗总长 度和均一度来表征幼苗长势。作物的光谱特征是由作物的生理特征决定其对光的吸收、透射和反射的变化，而 作物的生理特征又反映了它的长势情况，因而可以根据光谱差异来监测作物的生长状况。 程苗苗等于《生态学报》，2009. 2. 9，pp 5953-5962，上发表的文章“不同演替阶段典型树种 幼苗对酸胁迫响应的高光谱监测”中介绍了一种典型树种幼苗的高光谱测定分析方法，其 采用ASD地物光谱仪测量3种树种幼苗的叶片反射光谱，通过一阶导数处理后，实现对叶片 叶绿素含量的预测。目前幼苗检测多采用人工及简单工具完成，或者采用生物化学方法进行检测，生 化方法具有破坏性，不能进行活体连续监测。基于机器视觉技术的幼苗检测方法仅能准确 获取外观信息，在用RGB图通过图像色泽判断幼苗营养信息时，由于对光强直接感光，环境 光的强弱直接影响图像质量，因此在预测成分时存在很大误差。基于地物光谱分析的作物 组分检测方法，目前主要应用于遥感分析，在大田里针对大尺度的植物进行冠层光谱分析， 获取群体组分信息，针对树木等大型植物的幼苗检测时也具有较好效果。但对于植物幼苗， 由于幼苗尺寸很小，并且幼苗的组分分布均勻性较差，叶尖、叶中、叶基部分的营养成分差异很大。现有地物光谱仪只能在叶片不同部位测量多个点取平均光谱进行计算，这样仍难 以准确反映叶片不同部位营养组分的运输及分布特征。因此，现有技术难以对植物幼苗进行小尺度、个体综合性状的检测，从而对幼苗生 长特征进行综合评价。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是如何实现对幼苗外观形态、营养组分及病虫害信息 三者的同时获取与综合评价，且克服组分测量时不均勻性造成的误差。( 二 )技术方案针对现有技术的不足，本专利技术提供了一种， 包括以下步骤Si，对植物幼苗进行高光谱成像，获得高光谱成像的数据立方体，从所述数据立方 体中提取RGB图像，从所述RGB图像中提取幼苗的形态参数；所述数据立方体由空间X维、 空间Y维和光谱维的数据组成，其中，所述空间X维和空间Y维组成图像维；S2，分别提取幼苗叶片或茎秆在所述图像维上的对应区域，进行背景分割，然后截 取这些区域的叶片或茎秆，计算所截取叶片或茎秆的平均光谱，采用国标规定的方法测定 其组分含量，并采用化学计量学方法建立所述平均光谱和组分之间的定量预测模型，采用 该模型对单一叶片或茎秆的平均组分含量进行预测，并对叶片或茎秆上每个像素点的组分 进行预测，获得组分含量及分布图；S3，针对正常幼苗及发生不同病虫害的幼苗，通过寻找它们在多个特征波段下的 图像维的变化，比较它们在特征波段下的光谱图像差异，然后计算并提取相关特征波段下 的图像直方图的特征参数及统计特征参数，利用所提取的直方图的特征参数采用模式识别 方法建立病虫害模型；S4，利用步骤Si、S2、S3所获得的幼苗的形态参数、组分含量以及病虫害信息，通 过特征级信息融合方法和模糊综合评判方法建立植物幼苗预测长势模型。其中，在步骤Sl中，从所述数据立方体中提取RGB图像的方法具体为从所述数据立方体的光谱维中提取RGB分量的光谱特征波段，从而得到幼苗的 RGB图像；或者对所述图像维中每个像素点的光谱值进行积分计算，以获得该点的RGB分 量，从而获得幼苗的整幅RGB图像。其中，在步骤S2中，分别提取待分析区域的幼苗叶片或茎秆的光谱，然后在所述 图像维上的对应区域进行背景分割，截取这些区域的叶片或茎秆，计算所截取叶片或茎秆 的平均光谱。可以针对每个叶片、不同层位的叶片、叶片的不同部位、不同节位的茎秆来提 取光谱。通过调整区域的大小和相似程度来尽量降低不均勻性对光谱的影响。其中，在步骤S2中，采用国标规定的方法测定所截取的叶片或茎秆的组分含量的 方法具体为采集大小和颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱 的计算，然后将这些相似的叶片或茎秆放在一起用国标规定的方法测量组分含量。其中，所述通过特征级信息融合方法和模糊综合评判方法建立植物幼苗长势模型 的方法具体为首先，从高光谱图像数据中提取出植物幼苗的形态参数、组分含量，以及病虫害信息，对三者进行归一化处理，然后输入到人工神经网络中进行训练，以建立幼苗综合 性状评估模型；或者对上述三个方面的参数进行主成分分析，提取若干主成分输入到人工 神经网络中建立幼苗综合性状评估模型，然后对上述三个方面的参数赋以经验权值，根据 隶属度建立植物幼苗预测长势模型。其中，所述对植物幼苗检测的高光谱成像的光谱范围为400-1100nm。其中，在步骤S2中，所述化学计量学方法为线性回归、多项式回归、对数回归、指 数回归、多元线性回归、偏最小二乘回归、人工神经网络以及支持向量回归方法之一。其中，在步骤S3中，所述特征波段的选择方法为相关系数法或遗传算法。其中，在建立所述平均光谱和组分之间的定量预测模型之前，对所述评价光谱进 行预处理，预处理的方法包括中心化、归一化、求导变换、去噪声、正交信号校正之一或其任 思组合。(三)有益效果本专利技术的技术方案通过在测量外观形态的同时测量幼苗组分及病虫害信息，并对 三者进行特征级信息融合及模糊综合评判，实现了对植物幼苗生长特征的综合评价；通过 提取叶片、茎秆每个像素点的光谱用于组分测量，克服了组分测量时不均勻性造成的误差。附图说明图1是本专利技术实施例的方法流程图；图本文档来自技高网...

【技术保护点】
一种植物幼苗综合性状活体无损检测方法，其特征在于，包括以下步骤：Ｓ１，对植物幼苗进行高光谱成像，获得高光谱成像的数据立方体，从所述数据立方体中提取ＲＧＢ图像，从所述ＲＧＢ图像中提取幼苗的形态参数；所述数据立方体由空间Ｘ维、空间Ｙ维和光谱维的数据组成，其中，所述空间Ｘ维和空间Ｙ维组成图像维；Ｓ２，分别提取幼苗叶片或茎秆在所述图像维上的对应区域，进行背景分割，然后截取这些区域的叶片或茎秆，计算所截取叶片或茎秆的平均光谱，采用国标规定的方法测定其组分含量，并采用化学计量学方法建立所述平均光谱和组分之间的定量预测模型，采用该模型对单一叶片或茎秆的平均组分含量进行预测，并对叶片或茎秆上每个像素点的组分进行预测，获得组分含量及分布图；Ｓ３，针对正常幼苗及发生不同病虫害的幼苗，通过寻找它们在多个特征波段下的图像维的变化，比较它们在特征波段下的光谱图像差异，然后计算并提取相关特征波段下的图像直方图的特征参数及统计特征参数，利用所提取的直方图的特征参数采用模式识别方法建立病虫害模型；Ｓ４，利用步骤Ｓ１、Ｓ２、Ｓ３所获得的幼苗的形态参数、组分含量以及病虫害信息，通过特征级信息融合方法和模糊综合评判方法建立植物幼苗预测长势模型。...

【技术特征摘要】

【专利技术属性】
技术研发人员：赵春江，朱大洲，王成，毕昆，王晓冬，
申请(专利权)人：北京农业智能装备技术研究中心，
类型：发明
国别省市：11[中国|北京]