專利名稱：高光譜圖像技術(shù)診斷作物水分虧缺的方法
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ilycopersicon escuIentumMi 11.)是我國溫室栽培的主要蔬菜作物之一。蕃茄對水分需求量較大，水分的虧缺會使其生理發(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發(fā)生一系列變化，這些變化會引起其反射光譜，視覺圖像的變化，因此，可以通過觀測上述特征的變化，對番茄的水分脅迫狀態(tài)進(jìn)行診斷。光譜診斷技術(shù)和計算機(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，既能對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，又能對植株葉片光譜特性的各向異性分布進(jìn)行評價，進(jìn)而可以提高作物含水率無損檢測的全面性、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)而建立番茄在定植一開花期含水率預(yù)測模型，為利用高光譜圖像技術(shù)實時檢測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)運算進(jìn)一步處理圖像，填補(bǔ)殘留的孤立噪聲點； 最后，將原始圖像與處理后的二值化圖像進(jìn)行像點相乘得到目標(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一開花期含水率預(yù)測模型。按照下述步驟進(jìn)行(1)對樣本進(jìn)行預(yù)處理，確定輸入因子的數(shù)量，針對所提取的灰度、紋理特征變量，對樣本進(jìn)行標(biāo)準(zhǔn)化處理，
(2)將提取的2個灰度特征變量進(jìn)行偏最小二乘相關(guān)分析(PLS)，分別提取到2個PLS 成分，利用所得到的2個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)對提取的8個紋理特征變量進(jìn)行同樣的分析，得到基于原紋理變量的PLS回歸
模型；
(4)利用樣本采集時同時獲取的M個樣本的數(shù)據(jù)，對所建立的兩模型進(jìn)行檢驗；
(5)采用融合灰度、紋理特征來建立番茄定植一開花期含水率預(yù)測模型，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一開花期含水率預(yù)測模型。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軟件對每個樣本特征波長下的圖像進(jìn)行分割，反轉(zhuǎn)以及形態(tài)運算等操作得到目標(biāo)圖像；再從每個目標(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，以減少單個特征變量對含水率檢測的缺陷；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)測值與實測值的相關(guān)系數(shù)為0. 902，精度明顯高于基于灰度特征和紋理特征的預(yù)測模型。本發(fā)明與常規(guī)檢測方法相比，檢測速度快、操作簡便方便；與單一的近紅外光譜或計算機(jī)視覺技術(shù)手段相比，得到的信息更全面，檢測結(jié)果的精確性和穩(wěn)定性都有所提高。本發(fā)明提供的基于高光譜圖像技術(shù)的作物水分虧缺的快速探測方法，可以實現(xiàn)作物生長過程中營養(yǎng)信息快速探測。該發(fā)明為科學(xué)精確灌溉提供參考，對提高智能化管理水平、作物增產(chǎn)和提高作物品質(zhì)都有著直接意義。


圖1.高光譜成像系統(tǒng)，
其中1.光箱；2.光源；3.控制器；4.計算機(jī)；5.近紅外相機(jī)；6.成像光譜儀； 7.鏡頭；8.玻璃光纖性燈；9.位移臺；10番茄葉片。圖2不同水分脅迫下番茄葉片特征圖像，
其中(a) Wl組灌溉水分為100%，即充分灌溉；(b) W2組灌溉含水率分別為標(biāo)準(zhǔn)配方的75%的濃縮液；(c) W3組灌溉含水率分別為標(biāo)準(zhǔn)配方的50%的濃縮液；(d) W4組灌溉含水率分別為標(biāo)準(zhǔn)配方的25%的濃縮液。圖3圖像預(yù)處理過程中對圖像背景的分割，其中圖a 二值化圖；圖b反轉(zhuǎn)和膨脹圖像；圖c目標(biāo)圖像。
圖4番茄葉片含水率PLS模型的預(yù)測值與實測值對比分析。
具體實施例方式下面以番茄為例，結(jié)合附圖對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)描述。本發(fā)明具體實施方式
中所采用的高光譜圖像采集系統(tǒng)參閱圖1。利用圖 1所示的高光譜圖像采集系統(tǒng)采集溫室番茄葉片高光譜圖像，其包括近紅外相機(jī)5 (XEVA-FPA-1. 7-320，XenICs, Leuven, Belgium)，光譜范圍 900_1700nm，成像光譜儀 6(ImspectorN17E, Spectral ImagingLtd. , Finland), ^ )^ 5nm, 150W 丁的；i； 流可調(diào)光源 2 (2900-ER+9596-E, Illumination Technologies, Inc. , East Syracuse, NY, USA)，位移單元由位移臺9 (MTS120，北京光學(xué)儀器廠，北京，中國)和控制器3 (SC100，北京光學(xué)儀器廠，北京，中國)組成，成像光譜儀6的下方裝有鏡頭7，可以采集到番茄葉片10的圖像，傳輸?shù)接嬎銠C(jī)4 (DELL Inspiron 530s，USA)中，玻璃光纖性燈8為圖像的采集提供必要的照明。近紅外相機(jī)5、成像光譜儀6、鏡頭7和玻璃光纖性燈8位于光箱1。本發(fā)明2009年4月至2009年9月在江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)省部共建重點 Venl0型溫室中進(jìn)行實驗。番茄品種選用合作906。為保證前期的基礎(chǔ)性研究能夠?qū)Ψ逊值挠行卣鬟M(jìn)行準(zhǔn)確提取，本發(fā)明采用無土栽培技術(shù)進(jìn)行樣本培育。在保證其他營養(yǎng)元素均衡的情況下，對水分進(jìn)行精確控制，以獲取純正的不同水分脅迫水平的樣本?？紤]到不同層級的葉片，其水分含量差別較大且對光譜反射率貢獻(xiàn)不同，采集葉片是要采集同一層級上的。研究設(shè)四個不同水分處理，每個水平12株，四個水平依次為第1組(Wl)在整個生長期都保證充足的水分供應(yīng)；第2 (W2)、3 (W3)、4 (W4)組灌溉含水率分別為標(biāo)準(zhǔn)配方的 75%、50%、25%的濃縮液。
采用化學(xué)方法測定的含水率，即首先測量番茄葉片樣本的鮮重，并在恒溫80°C烘箱中進(jìn)行1 的烘干處理之后測量其干重。然后計算樣本干基含水率。用于下面的模型建立及校正。(1) 高光譜圖像采集；
高光譜圖像數(shù)據(jù)的采集是基于SpectralCube (Spectral Imaging Ltd. , Finland)軟件平臺；實際采集的光譜范圍為871. 6 1766. 3 nm,空間分辨率為62. 5um，采樣間隔為3. 5 nm, 一次采集可獲取采樣光譜范圍內(nèi)以3. 5nm為間隔的256幅獨立的高光譜圖像。確定近紅外相機(jī)的曝光時間以保證圖像的清晰，同時確定位移臺的速度以避免圖像尺寸和空間分辨率的失真。經(jīng)過分析比較確定曝光時間為為20 ms，位移臺的移動速度為1.25 mm/ s。數(shù)據(jù)采集時，首先進(jìn)行黑場和白場標(biāo)定，設(shè)定反射率范圍，進(jìn)而利用二階巴特沃茨濾波器進(jìn)行數(shù)字濾波，去除噪聲干擾。(2) 特征波長的提取
高光譜圖像數(shù)據(jù)立方體是由波長871. 6 1766.3 nm范圍的256幅圖像(分辨率為 3.5nm)構(gòu)成，包含的數(shù)據(jù)量比二維圖像和一維光譜的數(shù)據(jù)量都要大得多。由于波段相鄰的兩幅圖像之間具有較強(qiáng)的相關(guān)性，造成高光譜圖像數(shù)據(jù)中存在大量的冗余信息。因此，有必要對高光譜數(shù)據(jù)進(jìn)行降維處理以尋找最能表征番茄葉片水分含量的特征圖像，這樣即可以提高數(shù)據(jù)處理的速度，又可以去除數(shù)據(jù)中的冗余信息。
自適應(yīng)波段選擇(adaptive band selection，ABS)是針對最佳指數(shù)因子法方法在實際應(yīng)用中存在的局限性，提出的一種高光譜圖像特征波段選擇方法。該方法充分考慮了各波段的空間相關(guān)性和譜間相關(guān)性。其數(shù)學(xué)模型下
權(quán)利要求
1.高光譜圖像技術(shù)診斷作物水分虧缺的方法，其特征在于按照下述步驟進(jìn)行高光譜圖像采集，特征波長的提取，圖像預(yù)處理，特征提取，模型建立，利用上述模型檢測作物含水率，診斷作物是否發(fā)生水分虧缺。
2.根據(jù)權(quán)利要求1所述的高光譜圖像技術(shù)診斷作物水分虧缺的方法，其特征在于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。
3.根據(jù)權(quán)利要求1所述的高光譜圖像技術(shù)診斷作物水分虧缺的方法，其特征在于其中所述的特征波長的提取是指采用自適應(yīng)波段選擇法進(jìn)行高光譜圖像的特征波長提取。
4.根據(jù)權(quán)利要求1所述的高光譜圖像技術(shù)診斷作物水分虧缺的方法，其特征在于其中所述的圖像預(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)運算進(jìn)一步處理圖像，填補(bǔ)殘留的孤立噪聲點；最后將原始圖像與處理后的二值化圖像進(jìn)行像點相乘得到目標(biāo)圖像。
5.根據(jù)權(quán)利要求1所述的高光譜圖像技術(shù)診斷作物水分虧缺的方法，其特征在于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。
6.根據(jù)權(quán)利要求1所述的高光譜圖像技術(shù)診斷作物水分虧缺的方法，其特征在于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一開花期含水率預(yù)測模型，具體按照下述步驟進(jìn)行(1)對樣本進(jìn)行預(yù)處理，確定輸入因子的數(shù)量，針對所提取的灰度、紋理特征變量，對樣本進(jìn)行標(biāo)準(zhǔn)化處理，(2)將提取的2個灰度特征變量進(jìn)行偏最小二乘相關(guān)分析(PLS)，分別提取到2個PLS成分，利用所得到的2個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)對提取的8個紋理特征變量進(jìn)行同樣的分析，得到基于原紋理變量的PLS回歸模型；(4)利用樣本采集時同時獲取的M個樣本的數(shù)據(jù)，對所建立的兩模型進(jìn)行檢驗；(5)采用融合灰度、紋理特征來建立番茄定植一開花期含水率預(yù)測模型，即將遺傳算法和偏小二乘回歸相結(jié)合，選擇出預(yù)測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一開花期含水率預(yù)測模型。
全文摘要
本發(fā)明涉及診斷作物水分虧缺的方法，特指基于高光譜圖像診斷番茄葉面水分的方法。首先采用自行構(gòu)建的高光譜成像系統(tǒng)采集番茄葉片高光譜圖像數(shù)據(jù)；選用自適應(yīng)波段選擇法優(yōu)選出特征波長，實現(xiàn)多維數(shù)據(jù)降維；然后對每個樣本特征波長下的圖像進(jìn)行分割，反轉(zhuǎn)以及形態(tài)運算得到目標(biāo)圖像，并從目標(biāo)圖像中提取葉片的灰度、紋理特征；最后融合灰度、紋理特征，針對10個特征變量，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)測值與實測值的相關(guān)系數(shù)R為0.902。與常規(guī)檢測方法相比，檢測速度快、操作簡便方便；與單一的近紅外光譜或計算機(jī)視覺技術(shù)手段相比，得到的信息更全面，檢測結(jié)果的精確性和穩(wěn)定性都有所提高。
文檔編號G01N21/25GK102495005SQ20111036366
公開日2012年6月13日 申請日期2011年11月17日 優(yōu)先權(quán)日2011年11月17日
發(fā)明者周瑩, 左志宇, 張曉東, 朱文靜, 毛罕平, 高鴻燕 申請人:江蘇大學(xué)