[發(fā)明專利]高光譜圖像技術(shù)診斷作物水分虧缺的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201110363667.4
• 申請(qǐng)日: 2011-11-17
• 公開（公告）號(hào): CN102495005A
• 公開（公告）日: 2012-06-13
• 發(fā)明（設(shè)計(jì)）人: 毛罕平;朱文靜;張曉東;周瑩;左志宇;高鴻燕
• 申請(qǐng)（專利權(quán)）人: 江蘇大學(xué)
• 主分類號(hào): G01N21/25
• 分類號(hào): G01N21/25
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 樓高潮

技術(shù)領(lǐng)域

本發(fā)明涉及一種診斷作物水分虧缺的方法；特指一種基于高光譜圖像診斷番茄葉面水分的方法。

背景技術(shù)

番茄(Lycopersicon?esculentumMill.)是我國溫室栽培的主要蔬菜作物之一。蕃茄對(duì)水分需求量較大,水分的虧缺會(huì)使其生理發(fā)生變化,進(jìn)而直接影響到產(chǎn)量的高低。而番茄在水分脅迫條件下，葉片的物理特征和內(nèi)部組織生理生化特性會(huì)發(fā)生一系列變化，這些變化會(huì)引起其反射光譜，視覺圖像的變化，因此，可以通過觀測(cè)上述特征的變化，對(duì)番茄的水分脅迫狀態(tài)進(jìn)行診斷。

光譜診斷技術(shù)和計(jì)算機(jī)視覺技術(shù)已被廣泛應(yīng)用于作物水分虧缺快速診斷研究中，但利用單一的檢測(cè)手段往往不能全面地描述水分脅迫條件下葉片的物理特征與內(nèi)部組織生理生化特性的變化，因此，檢測(cè)精度不高且缺乏普適性。高光譜圖像技術(shù)兼有光譜技術(shù)和圖像技術(shù)的優(yōu)勢(shì)，既能對(duì)植株水分虧缺引起的顏色、紋理、形態(tài)變化等特征進(jìn)行可視化分析，又能對(duì)植株葉片光譜特性的各向異性分布進(jìn)行評(píng)價(jià)，進(jìn)而可以提高作物含水率無損檢測(cè)的全面性、可靠性和靈敏度。近幾年來國內(nèi)外一些學(xué)者主要是將該技術(shù)應(yīng)用于農(nóng)產(chǎn)品質(zhì)量以及作物病害的檢測(cè)中。但未見利用高光譜圖像技術(shù)來診斷作物水分虧缺狀況。?

發(fā)明內(nèi)容

本發(fā)明為了克服上述現(xiàn)有技術(shù)中的不足，利用高光譜成像系統(tǒng)采集番茄葉片的高光譜圖像，并提取特征波長以及特征波長下番茄葉片的灰度、紋理特征，進(jìn)而建立番茄在定植—開花期含水率預(yù)測(cè)模型，為利用高光譜圖像技術(shù)實(shí)時(shí)檢測(cè)作物含水率提供了依據(jù)。?

本發(fā)明高光譜圖像技術(shù)診斷作物水分虧缺的方法，按照下述步驟進(jìn)行：

（1）????高光譜圖像采集，

（2）????特征波長的提取，

（3）????圖像預(yù)處理，

（4）????特征提取，

（5）????模型建立，

（6）????利用上述模型檢測(cè)作物含水率，診斷作物是否發(fā)生水分虧缺。

其中所述的高光譜圖像采集是指利用高光譜圖像采集系統(tǒng)采集溫室番茄葉片的高光譜圖像。

其中所述的特征波長的提取是指采用自適應(yīng)波段選擇法(adaptive?band?selection，ABS)進(jìn)行高光譜圖像的特征波長提取。

其中所述的圖像預(yù)處理，指首先，采用最大類間方差法進(jìn)行分圖像割，然后將二值化圖像進(jìn)行灰度反轉(zhuǎn)，并利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算進(jìn)一步處理圖像,填補(bǔ)殘留的孤立噪聲點(diǎn)；最后，將原始圖像與處理后的二值化圖像進(jìn)行像點(diǎn)相乘得到目標(biāo)圖像。

其中所述的特征提取是指選用灰度共生矩陣法提取紋理特征。

其中所述的模型建立是指采用偏最小二乘回歸建立番茄定植—開花期含水率預(yù)測(cè)模型。

按照下述步驟進(jìn)行：（1）對(duì)樣本進(jìn)行預(yù)處理，確定輸入因子的數(shù)量，針對(duì)所提取的灰度、紋理特征變量，對(duì)樣本進(jìn)行標(biāo)準(zhǔn)化處理，

(2)將提取的2個(gè)灰度特征變量進(jìn)行偏最小二乘相關(guān)分析（PLS），分別提取到2個(gè)PLS成分，利用所得到的2個(gè)PLS成分與干基含水率做相關(guān)分析，得到基于原灰度變量的PLS回歸模型；

???（3）對(duì)提取的8個(gè)紋理特征變量進(jìn)行同樣的分析，得到基于原紋理變量的PLS回歸模型；

（4）利用樣本采集時(shí)同時(shí)獲取的24個(gè)樣本的數(shù)據(jù)，對(duì)所建立的兩模型進(jìn)行檢驗(yàn)；

（5）采用融合灰度、紋理特征來建立番茄定植—開花期含水率預(yù)測(cè)模型，即將遺傳算法（GA）和偏小二乘回歸（PLSR）相結(jié)合，選擇出預(yù)測(cè)精度最高的特征子集，并利用最優(yōu)特征子集建立番茄定植—開花期含水率預(yù)測(cè)模型。

本發(fā)明的有益效果：利用高光譜圖像技術(shù)診斷作物水分虧缺的方法，能兼顧到葉片的內(nèi)部信息與外部特征，以提高檢測(cè)的全面性和可靠性。采用無土栽培培育樣本，利用自行構(gòu)建的高光譜圖像采集系統(tǒng)采集數(shù)據(jù)；通過自適應(yīng)波段選擇法，從海量數(shù)據(jù)中優(yōu)選出特征波長1420nm；然后利用Matlab軟件對(duì)每個(gè)樣本特征波長下的圖像進(jìn)行分割，反轉(zhuǎn)以及形態(tài)運(yùn)算等操作得到目標(biāo)圖像；再從每個(gè)目標(biāo)圖像中提取灰度均值、灰度標(biāo)準(zhǔn)差作為灰度特征，能量、熵、慣性矩、相關(guān)性的均值和標(biāo)準(zhǔn)差作為紋理特征，以減少單個(gè)特征變量對(duì)含水率檢測(cè)的缺陷；最后采用GA-PLS法選出最優(yōu)特征子集，并建立基于最優(yōu)特征的偏最小二乘回歸模型，模型的預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)R為0.902，精度明顯高于基于灰度特征和紋理特征的預(yù)測(cè)模型。