[發明專利]一種植株水分虧缺程度獲取方法及裝置

有效

• 申請號: 201710192659.5
• 申請日: 2017-03-28
• 公開（公告）號: CN107133634B
• 公開（公告）日: 2020-04-10
• 發明（設計）人: 王志彬;王開義;王書鋒;劉忠強;潘守慧
• 申請（專利權）人: 北京農業信息技術研究中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N20/00;G06T7/00;G06T7/13;G06T7/155;G06T7/194
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 湯財寶

1.一種植株水分虧缺程度獲取方法，其特征在于，包括：

獲取葉片灰度圖像；

基于所述葉片灰度圖像的矩形圖像塊，利用混合深度學習網絡，獲取植株水分虧缺程度。

2.根據權利要求1所述的方法，其特征在于，所述獲取葉片灰度圖像進一步包括：

基于包含植株葉片的彩色圖像，獲取灰度圖像；

對所述灰度圖像進行輪廓檢測，獲取葉片灰度圖像。

3.根據權利要求2所述的方法，其特征在于，所述基于包含植株葉片的彩色圖像，獲取灰度圖像進一步包括：

利用插值方法對所述包含植株葉片的彩色圖像進行歸一化處理；

基于所述歸一化后的彩色圖像在紅、綠、藍三個顏色通道上子圖像，獲取灰度圖像。

4.根據權利要求3所述的方法，其特征在于，所述對所述灰度圖像進行輪廓檢測，獲取葉片灰度圖像進一步包括：

基于所述灰度圖像，獲取邊緣圖像；

基于所述灰度圖像和所述邊緣圖像，獲取葉片前景灰度圖像；

基于所述葉片前景灰度圖像，獲取所述葉片灰度圖像。

5.根據權利要求4所述的方法，其特征在于，所述基于所述灰度圖像，獲取邊緣圖像進一步包括：

利用八方向Sobel模板和四方向Sobel模板，分別對所述灰度圖像進行邊緣提?。?/p>

基于所述邊緣提取得到的圖像，獲取邊緣圖像。

6.根據權利要求5所述的方法，其特征在于，所述基于所述葉片前景灰度圖像，獲取所述葉片灰度圖像進一步包括：

對所述葉片前景灰度圖像進行閾值化處理；

基于閾值化后的所述葉片前景灰度圖像，采用水平集算法，獲取葉片邊緣包含的像素點在所述葉片前景灰度圖像中的位置；

基于所述葉片邊緣包含的像素點在所述葉片前景灰度圖像中的位置，從所述灰度圖像中提取所述葉片灰度圖像。

7.根據權利要求1所述的方法，其特征在于，在所述基于所述灰度圖像的矩形圖像塊，利用混合深度學習網絡，獲取植株的水分虧缺程度之前還包括：

由深度信念網絡(DBN)與深度玻爾茲曼機(DBM)結合構建所述混合深度學習網絡；

基于訓練樣本圖像塊，依次采用無監督的預訓練和有監督的微調，對所述混合深度學習網絡進行訓練。

8.根據權利要求7所述的方法，其特征在于，所述基于訓練樣本圖像塊，依次采用無監督的預訓練和有監督的微調，所述混合深度學習網絡進行訓練進一步包括：

建立預設數目的訓練樣本圖像塊；其中，所述訓練樣本圖像塊標注有水分虧缺程度；

將所述訓練樣本圖像塊的灰度特征值直接輸入DBM中，對灰度特征值進行訓練、降維；將訓練、降維后的灰度特征值輸入到DBN中進行更深度特征的提取與訓練，得到性能更好的權值；

將得到的性能更好的權值作為初始權值，根據所述初始權值從六層到第一層，利用反向傳播網絡，依次對所述混合深度學習網絡進行微調。

9.根據權利要求8所述的方法，其特征在于，所述基于所述灰度圖像的矩形圖像塊，利用混合深度學習網絡，獲取植株的水分虧缺程度進一步包括：

基于所述灰度圖像的矩形圖像塊，采用已訓練好的、由深度信念網絡(DBN)與深度玻爾茲曼機(DBM)結合構建所得的混合深度學習網絡，獲取所述葉片的水分虧缺程度；

基于所述植株不同葉片的水分虧缺程度，獲取所述植株水分虧缺程度。

10.一種植株水分虧缺程度獲取裝置，其特征在于，包括：葉片灰度圖像獲取模塊和植株水分虧缺程度獲取模塊；

所述葉片灰度圖像獲取模塊，用于獲取葉片灰度圖像；

所述植株水分虧缺程度獲取模塊，用于基于所述灰度圖像的矩形圖像塊，利用混合深度學習網絡，獲取植株水分虧缺程度。