【技术实现步骤摘要】
本专利技术涉及植物叶绿素含量检测，尤其涉及基于多输出序数回归模型的叶片叶绿素含量智能检测方法。
技术介绍
1、叶绿素(chlorophyll，简称chl)是陆生植物和藻类光合作用系统中最丰富的色素，是光合作用过程中起着吸收光能和传递电子不可缺少的作用。因此，测量植物叶片叶绿素含量的成为衡量植物健康状况的一个重要指标，叶绿素代谢在植物发育的不同阶段受到严格监视。同时，每叶面积的总叶绿素是对养分有效性和不同环境胁迫反应最灵敏的因素之一，叶绿素与植物所需营养元素之一氮素的关系十分密切，过高或过低的氮素含量对植物的生长发育都会产生负面影响，因此通过测定叶绿素含量可以评估氮素状态，进而指导农业养分管理，提高农业生产效益，降低环境污染风险。
2、在2008年，国家质检总局发布了油菜籽叶绿素含量测定分光光度计法，该方法通过测量663nm和645nm波长的吸光度值来测定叶绿素浓度，被广泛认可为叶绿素浓度的标准测量方法，但是这种体外测量方法耗时、成本高、且具有破坏性。自20世纪80年代以来，无损快速估计植物体内叶绿素含量逐渐发展起来，minolta公司开发了一种基于吸收率的手持式双波长叶绿素仪spad-502，该仪器引入了叶绿素含量的相对指标(spad值)，而不能测量出绝对的叶绿素含量。
3、这两种方法都需要能发射及检测特定波长值的光谱信息，这类设备通常成本相对较高，由于上述两种方法均获取了400-700nm波长范围内的光谱信息，这恰好在主流的相机、智能手机摄像头获取的可见光信息范围之内，这也为使用智能手机间接检测叶绿素含
技术实现思路
1、为解决上述技术问题，本专利技术提出了基于多输出序数回归模型的叶片叶绿素含量智能检测方法，该方法可以有效解决rgb图像法只能完成某特定采样条件下估测叶绿素含量的问题，同时实现了采样成本的降低和采样效率的提高，为后续的叙述回归算法扩展研究以及工程应用提供新的思路。
2、为实现上述目的，本专利技术提供了基于多输出序数回归模型的叶片叶绿素含量智能检测方法，包括：
3、采集植物绿色叶片的样本图像集，通过u-net模型对所述样本图像集进行标注，提取叶片主体区域，构建标准数据集；
4、基于所述标准数据集训练swin transformer多输出序数回归模型，获取叶片spad值反演模型；
5、采集待检测叶片图像，输入所述叶片spad值反演模型识别叶片的spad值，并结合不同作物的spad值-叶绿素含量对应模型，获得叶片的叶绿素含量估测值，其中，所述待检测叶片图像为无任何标签的叶片图像。
6、优选地，采集所述植物绿色叶片的样本图像，包括：
7、通过设置镂空标签纸定位植物绿色叶片的主体区域，基于不同型号的智能移动端对所述主体区域进行拍照，获得所述样本图像集。
8、优选地，获得所述样本图像集后还包括对采样方法进行验证，包括：
9、利用spad-502仪对所述样本图像集中叶片主体区域的spad值进行若干次采样，取其平均值作为采样点的spad参考值，对实验所采集的叶绿素含量spad值进行整理，取平均值，并对所述平均值进行直方图绘制，若样本的叶绿素含量呈正态分布，则说明采样方法具有代表性。
10、优选地，以叶片样本上用于定位采样区域的镂空标签形成的主体区域为识别对象，通过u-net模型对所述样本图像集进行标注，包括：
11、通过人工标注预设数量的主体区域，作为所述u-net模型的初始训练集，构建初始的u-net识别模型；
12、对所述样本图像集进行尺寸缩放，将所述样本图像集中未标注的图像样本输入初始的u-net模型，获得识别结果；
13、从所述识别结果中挑选出识别效果好的图像样本扩充到所述初始训练集中，并重新训练得到更准确的标注模型，不断迭代此过程，直至对绝大部分图像进行了准确识别；所述识别效果好的样本为掩码区域覆盖原始图像标签纸镂空区域的95％以上，溢出边界5％以下；
14、最后对未准确识别的叶片主体区域进行手动标注，确保所述图像集中的所有叶片的主体区域均被标注。
15、优选地，构建所述标准数据集，包括：
16、提取所述主体区域内的最大内接矩形，并一一对应叶片的spad值，获得包含不同型号的智能移动端采集的样本矩形叶片图像-spad值标准数据集。
17、优选地，所述u-net模型为三层编码-解码器架构，其中，编码器用于提取图像特征，生成特征图；解码器用于将所述特征图映射回原始输入图像的分辨率，所述编码器中的特征图与所述解码器对应层的特征图连接。
18、优选地，构建所述swin transformer多输出序数回归模型，包括：
19、将所述标准数据集中的图像缩放到预设的分辨率，作为所述多输出序数回归模型的输入要素，随机选取标准数据集中正方形的叶片图像样本为训练集、验证集和测试集，再选择叶片spad值作为输出要素，建立所述swin transformer多输出序数回归模型；
20、其中，对所述叶片主体区域内的最大内接矩形的短边边长随机裁剪为正方形，获得所述正方形的叶片图像。
21、优选地，构建所述叶片spad值反演模型，包括：
22、设置通道数量、类别数量、每个阶段的深度、每个阶段的注意力头数，输入层与layer1连接函数为patchembed，多输出序数回归实现函数为全连接层，迭代次数100次，学习率0.0001，权重衰减系数0.00001，构建所述叶绿素spad反演模型。
23、与现有技术相比，本专利技术具有如下优点和技术效果：
24、(1)与传统的图像法测量叶绿素相比，本专利技术不需要限制环境背景、拍摄距离等条件，也不需要对不同型号智能手机进行色差校正，拓展图像法应用范畴，并且叶片spad值反演模型精度较高且有保证；
25、(2)与已有的分光光度计法或者叶绿素仪spad-502仪相比，本专利技术可以实时、快捷、无损和低成本地检测叶绿素含量，并且依托智能手机，设备损耗小、维护方便；
26、(3)本专利技术可以广泛应用于不同类型植物叶片的spad含量、叶绿素含量和植物氮含量评价研究，进而评估植物的生长状态、养分吸收和生长环境。
本文档来自技高网...【技术保护点】
1.基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，包括：
2.根据权利要求1所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，采集所述植物绿色叶片的样本图像，包括：
3.根据权利要求2所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，获得所述样本图像集后还包括对采样方法进行验证，包括：
4.根据权利要求3所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，以叶片样本上用于定位采样区域的镂空标签形成的主体区域为识别对象，通过U-Net模型对所述样本图像集进行标注，包括：
5.根据权利要求4所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，构建所述标准数据集，包括：
6.根据权利要求4所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，所述U-Net模型为三层编码-解码器架构，其中，编码器用于提取图像特征，生成特征图；解码器用于将所述特征图映射回原始输入图像的分辨率，所述编码器中的特征图与所述解码器对应层的特征图
7.根据权利要求5所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，构建所述Swin Transformer多输出序数回归模型，包括：
8.根据权利要求1或7所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，构建所述叶片SPAD值反演模型，包括：
...【技术特征摘要】
1.基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，包括：
2.根据权利要求1所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，采集所述植物绿色叶片的样本图像，包括：
3.根据权利要求2所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，获得所述样本图像集后还包括对采样方法进行验证，包括：
4.根据权利要求3所述的基于多输出序数回归模型的叶片叶绿素含量智能检测方法，其特征在于，以叶片样本上用于定位采样区域的镂空标签形成的主体区域为识别对象，通过u-net模型对所述样本图像集进行标注，包括：
5.根据权利要求4所述的基于多输出序数回归模型的叶片叶绿素...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。