植物幼苗綜合性狀活體無損檢測方法

專利名稱：植物幼苗綜合性狀活體無損檢測方法
技術領域：
本發明涉及光譜分析及圖像處理技術領域，尤其涉及一種植物幼苗綜合性狀活體 無損檢測方法。
背景技術：
植物種子從萌發開始到幼苗生長是一個復雜的生理生化、物質代謝過程，受其內 部或外部物質的調控作用，而表現出種子活力、幼苗生長、形態特征、細胞組織、物質代謝等 方面的效應，直接或間接影響作物的營養生長和生殖生長，進而影響最終的生物產量、經濟 產量、營養品質及其安全性等。因此，許多農藝學家、育種家、生物化學家都非常關注植物苗 期生長特性。大田里的植物觀測側重于群體參數，而幼苗監測更側重于個體的分析。目前對 于植物群體監測的技術已比較成熟，而幼苗由于個體差異性很大，尚缺乏有效的檢測方法， 現有的幼苗檢測方法大多是根據經驗用目測的方法或者化學方法進行。作物在不同的營養狀況下表現出不同的莖葉顏色和形態，它們是表征作物長勢 的重要信息，運用圖象處理技術獲取作物的外部形態信息，并進行分類識別和決策診斷， 可反映作物的生長。非專利文獻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中介紹了一種基于計算機圖像處理技術的大豆幼苗評價系 統，用于大豆種子活力的輔助分析。首先用掃描儀掃描在棕色紙巾上黑暗垂直發芽的幼苗 圖像，利用系統提取幼苗圖像，并轉換成數字化信息，根據這些信息將大豆幼苗分成正常幼 苗和不正常幼苗兩大類。然后對正常幼苗進行細化，將大豆幼苗的胚軸、胚根和子葉的長度 分成6種類型，根據每個幼苗所屬的類型將子葉去除，然后根據幼苗形狀的類別，使用不同 的算法來決定幼苗骨架中需測量的部分，計算幼苗生長速率及生長均一性，利用幼苗總長 度和均一度來表征幼苗長勢。作物的光譜特征是由作物的生理特征決定其對光的吸收、透射和反射的變化，而 作物的生理特征又反映了它的長勢情況，因而可以根據光譜差異來監測作物的生長狀況。 程苗苗等于《生態學報》，2009. 2. 9，pp 5953-5962，上發表的文章“不同演替階段典型樹種 幼苗對酸脅迫響應的高光譜監測”中介紹了一種典型樹種幼苗的高光譜測定分析方法，其 采用ASD地物光譜儀測量3種樹種幼苗的葉片反射光譜，通過一階導數處理后，實現對葉片 葉綠素含量的預測。目前幼苗檢測多采用人工及簡單工具完成，或者采用生物化學方法進行檢測，生 化方法具有破壞性，不能進行活體連續監測。基于機器視覺技術的幼苗檢測方法僅能準確 獲取外觀信息，在用RGB圖通過圖像色澤判斷幼苗營養信息時，由于對光強直接感光，環境 光的強弱直接影響圖像質量，因此在預測成分時存在很大誤差。基于地物光譜分析的作物 組分檢測方法，目前主要應用于遙感分析，在大田里針對大尺度的植物進行冠層光譜分析， 獲取群體組分信息，針對樹木等大型植物的幼苗檢測時也具有較好效果。但對于植物幼苗， 由于幼苗尺寸很小，并且幼苗的組分分布均勻性較差，葉尖、葉中、葉基部分的營養成分差異很大。現有地物光譜儀只能在葉片不同部位測量多個點取平均光譜進行計算，這樣仍難 以準確反映葉片不同部位營養組分的運輸及分布特征。因此，現有技術難以對植物幼苗進行小尺度、個體綜合性狀的檢測，從而對幼苗生 長特征進行綜合評價。

發明內容
(一)要解決的技術問題本發明要解決的技術問題是如何實現對幼苗外觀形態、營養組分及病蟲害信息 三者的同時獲取與綜合評價，且克服組分測量時不均勻性造成的誤差。( 二 )技術方案針對現有技術的不足，本發明提供了一種植物幼苗綜合性狀活體無損檢測方法， 包括以下步驟Si，對植物幼苗進行高光譜成像，獲得高光譜成像的數據立方體，從所述數據立方 體中提取RGB圖像，從所述RGB圖像中提取幼苗的形態參數；所述數據立方體由空間X維、 空間Y維和光譜維的數據組成，其中，所述空間X維和空間Y維組成圖像維；S2，分別提取幼苗葉片或莖稈在所述圖像維上的對應區域，進行背景分割，然后截 取這些區域的葉片或莖稈，計算所截取葉片或莖稈的平均光譜，采用國標規定的方法測定 其組分含量，并采用化學計量學方法建立所述平均光譜和組分之間的定量預測模型，采用 該模型對單一葉片或莖稈的平均組分含量進行預測，并對葉片或莖稈上每個像素點的組分 進行預測，獲得組分含量及分布圖；S3，針對正常幼苗及發生不同病蟲害的幼苗，通過尋找它們在多個特征波段下的 圖像維的變化，比較它們在特征波段下的光譜圖像差異，然后計算并提取相關特征波段下 的圖像直方圖的特征參數及統計特征參數，利用所提取的直方圖的特征參數采用模式識別 方法建立病蟲害模型；S4，利用步驟Si、S2、S3所獲得的幼苗的形態參數、組分含量以及病蟲害信息，通 過特征級信息融合方法和模糊綜合評判方法建立植物幼苗預測長勢模型。其中，在步驟Sl中，從所述數據立方體中提取RGB圖像的方法具體為從所述數據立方體的光譜維中提取RGB分量的光譜特征波段，從而得到幼苗的 RGB圖像；或者對所述圖像維中每個像素點的光譜值進行積分計算，以獲得該點的RGB分 量，從而獲得幼苗的整幅RGB圖像。其中，在步驟S2中，分別提取待分析區域的幼苗葉片或莖稈的光譜，然后在所述 圖像維上的對應區域進行背景分割，截取這些區域的葉片或莖稈，計算所截取葉片或莖稈 的平均光譜。可以針對每個葉片、不同層位的葉片、葉片的不同部位、不同節位的莖稈來提 取光譜。通過調整區域的大小和相似程度來盡量降低不均勻性對光譜的影響。其中，在步驟S2中，采用國標規定的方法測定所截取的葉片或莖稈的組分含量的 方法具體為采集大小和顏色相似的葉片或莖稈，分別測量其高光譜圖像并進行平均光譜 的計算，然后將這些相似的葉片或莖稈放在一起用國標規定的方法測量組分含量。其中，所述通過特征級信息融合方法和模糊綜合評判方法建立植物幼苗長勢模型 的方法具體為首先，從高光譜圖像數據中提取出植物幼苗的形態參數、組分含量，以及病蟲害信息，對三者進行歸一化處理，然后輸入到人工神經網絡中進行訓練，以建立幼苗綜合 性狀評估模型；或者對上述三個方面的參數進行主成分分析，提取若干主成分輸入到人工 神經網絡中建立幼苗綜合性狀評估模型，然后對上述三個方面的參數賦以經驗權值，根據 隸屬度建立植物幼苗預測長勢模型。其中，所述對植物幼苗檢測的高光譜成像的光譜范圍為400-1100nm。其中，在步驟S2中，所述化學計量學方法為線性回歸、多項式回歸、對數回歸、指 數回歸、多元線性回歸、偏最小二乘回歸、人工神經網絡以及支持向量回歸方法之一。其中，在步驟S3中，所述特征波段的選擇方法為相關系數法或遺傳算法。其中，在建立所述平均光譜和組分之間的定量預測模型之前，對所述評價光譜進 行預處理，預處理的方法包括中心化、歸一化、求導變換、去噪聲、正交信號校正之一或其任 思組合。(三)有益效果本發明的技術方案通過在測量外觀形態的同時測量幼苗組分及病蟲害信息，并對 三者進行特征級信息融合及模糊綜合評判，實現了對植物幼苗生長特征的綜合評價；通過 提取葉片、莖稈每個像素點的光譜用于組分測量，克服了組分測量時不均勻性造成的誤差。


圖1是本發明實施例的方法流程圖；圖2是本發明實施例的方法中對小麥幼苗進行測定，獲取的高光譜圖像。
具體實施例方式下面結合附圖和實施例，對本發明的具體實施方式
作進一步詳細說明。以下實施 例用于說明本發明，但不用來限制本發明的范圍。高光譜成像技術是在可見/近紅外光譜分析技術和機器視覺技術的基礎上發展 起來的，它將光譜分析技術和圖像處理技術完美結合在一起。高光譜成像技術在獲得樣品 空間信息的同時，還為每個圖像上每個像素點提供數百至數千個窄波段的光譜信息，這樣 任何一個波長的光譜數據都能生成一幅圖像，從而實現“圖譜合一”，它獲得的數據是一種 高維的數據立方體。本發明實施例提供一種基于高光譜成像的植物幼苗綜合性狀活體無損 檢測方法，其檢測原理為通過數據挖掘分析，即可對樣品的形態、成分含量、存在狀態、空 間分布及動態變化進行檢測；高光譜成像具有較高的空間分辨率和光譜分辨率，對于植物 幼苗檢測時，通過準確提取不同波段下幼苗的圖像，選擇特征波段下的圖像，即可提取幼苗 的形態、病蟲害信息；通過獲取幼苗任意部位的高分辨率光譜，預測組分信息，獲取幼苗的 組分分布特征，從而實現對幼苗綜合性狀的活體無損檢測。所述的基于高光譜成像的植物幼苗綜合性狀活體無損檢測方法，包括幼苗外觀形 態參數測量、幼苗營養組分參數預測、幼苗病蟲害識別三部分。三個方面的綜合性狀可通過 算法從高光譜成像數據立方體中同時獲得。所述幼苗外觀形態參數測量方法中，由于每個波長下都對應一幅圖像，需要對高 維度光譜圖像進行降維處理。首先從高光譜成像數據立方體中提取RGB圖像，再對RGB圖像 進行常規的灰度處理、二值化、背景分割處理，然后提取幼苗的形態參數，包括葉長、葉寬、葉面積、莖粗、株高燈。所述高光譜成像數據的立方體由三部分組成空間X維、空間Y維、 光譜維的數據。空間X維和空間Y維構成圖像維。目前，在圖像處理中大多采用RGB圖像， 以CXD技術為核心的圖像采集設備可以直接感知色彩的R、G、B三個分量，這也使得三基色 模型成為圖像成像的基礎。R、G、B三原色的波長分別為700nm、546. lnm、435. 8nm。本發明 實施例可以采用兩種方法從高光譜數據立方體中提取RGB圖像。其中一種是直接從立方體 的光譜維中提取700nm、546. lnm、435. 8nm對應的圖像數據進行分析。另外一種方法是通過 對立方體進行積分實現。積分公式為 R= ^Ι(λ)τ{λ) λ 其中Ι(λ)為反射率光譜，rU)、gU)、bU)為敏感度曲線，可通過測量或查表 獲得，λ為可見光譜波長范圍(可取400-780nm)。通過對高光譜圖像維中每個像素點進行 積分計算，即可獲得該點的RGB分量，進而獲得植物幼苗的整幅RGB圖像。然后采用現有的 幼苗圖像處理算法，獲取幼苗的葉長、葉寬、葉面積、莖粗、株高等形態外觀參數。所述的幼苗營養組分參數預測方法中，根據光譜特征與作物幼苗化學成份之間的 密切關聯關系，對光譜特征參數(波長位置、吸收深度、吸收寬度)進行信息挖掘，建立預測 模型。分別提取幼苗葉片、莖稈在圖像維上的對應區域，進行背景分割，然后提取這些區域 對應的光譜維，并計算平均光譜。精確截取對應區域的葉片或莖稈，采用國標規定的方法測 定葉片或莖稈的氮、葉綠素、水分含量，所選樣本的數量及特征應該具有代表性，覆蓋將來 的應用范圍。采用化學計量學方法建立平均光譜和營養組分之間的定量預測模型。所用于 建模的平均光譜可采用全譜，也可采用經過特征波段選擇后的若干個波段。特征波段選擇 方法包括目前常用的相關系數法和遺傳算法。用于建模的光譜需要經過預處理，預處理方 法包括中心化、歸一化、求導變換、去噪聲、正交信號校正。所述化學計量學方法包括線性回 歸、多項式回歸、對數回歸、指數回歸、多元線性回歸、偏最小二乘回歸、人工神經網絡、支持 向量回歸。所述光譜特征波段選擇、預處理及回歸方法的具體計算過程為現有技術，在此不 詳細描述。所述幼苗營養組分參數的國標測定方法中，由于幼苗體積、重量都較小，在生長初 期，采集單個葉片測量時可能達不到國標方法的樣品最小用量。因此，本發明實施例針對 這一問題，采集大小、顏色相似的葉片或莖稈，分別測量其高光譜圖像并進行平均光譜的計 算，然后將這些相似樣本放在一起用國標方法測量組分參數，再建立模型。模型建立之后， 采用模型對單一葉片的平均組分含量進行預測，并實現對葉片、莖稈每個像素點組分的預 測，獲得組分分布圖。所述的幼苗病蟲害識別方法中，通過分析不同品種植物發生不同病蟲害時高光譜 圖像的特征并進行識別分析。幼苗在發生病蟲害時，其器官形態、營養成分都會發生相應變 化，從而引起光譜特征及圖像特征的變化。針對正常幼苗及發生不同病蟲害的幼苗，通過尋 找它們在多個特征波段下的圖像維的變化，比較它們在特征波段下的光譜圖像差異，然后 計算并提取相關特征波段下的圖像直方圖特征參數及最大值、最小值、平均值、標準差、方 差等統計學特征參數，采用模式識別方法建立病害識別模型。另外，從光譜維角度出發，采用距離法、光譜角度匹配法和相關系數法對病斑樣本的光譜信息進行識別分類。所述基于高光譜成像的植物幼苗綜合性狀活體無損檢測方法，在獲得幼苗外觀形 態參數、幼苗營養組分參數、幼苗病蟲害信息之后，采用特征級信息融合及模糊綜合評判， 對上述三種單一性狀作綜合分析，實現幼苗長勢的綜合檢測。所述信息融合方法采用人工神經網絡實現，首先，從高光譜圖像數據中提取出植 物幼苗葉面積、莖粗、株高等外觀形態參數信息及幼苗氮素、葉綠素、水分等內部營養參數 信息(組分含量信息)，結合病蟲害識別信息參數，由于這些數據的單位、格式差異很大，對 其進行歸一化處理，然后輸入到人工神經網絡中進行訓練，建立幼苗綜合性狀評估模型。或 者對上述三個方面的參數進行主成分分析，提取若干主成分輸入到人工神經網絡中來建立 評估模型。所述模糊綜合評判，針對外觀、組分、病蟲害等三方面的參數，根據專家經驗賦以 合適的權值，然后根據隸屬度建立幼苗綜合長勢的模糊評價模型。由以上實施例可以看出，本發明的關鍵點在于1、從高光譜成像獲得的高維數據立方體中，采用直接或積分的方法準確提取RGB 圖像數據，實現高維數據的降維，以進行植物幼苗外觀形態參數的測量。2、分別提取幼苗葉片、莖稈在圖像維上對應區域，進行背景分割，然后提取這些區 域對應的光譜維，并計算平均光譜，然后建立光譜和營養組分之間的預測模型。3、針對幼苗樣品量太少而達不到國標方法最小用量的問題，采集大小、顏色相似 的葉片或莖稈，分別測量其高光譜圖像并進行平均光譜的計算，然后將這些相似樣本放在 一起用國標方法測量組分參數，再建立模型。4、對于幼苗病蟲害的識別，需確定不同病蟲害的特征波段，并得出合適的病害描 述參數。5、采用特征級信息融合及模糊綜合評判，根據高光譜圖像計算得出的各個性狀作 綜合分析，實現幼苗長勢的綜合檢測。以下舉例說明現在結合實例對上述實施例進行說明。流程見圖1，具體如下采用中國科技大學研制的PIS112高光譜成像儀(波長范圍在400-1000nm)對小 麥幼苗進行測定，獲取其高光譜圖像(參見圖2)。選取3個指定特征波段的光譜圖像的光譜積分轉換作為RGB分量，合成彩色圖像。 采用圖像處理算法獲取幼苗形態參數。利用MATLAB圖像處理軟件獲取植物幼苗的形態參 數，包括幼苗葉長、葉寬、葉面積、葉片夾角、株形、顏色、莖粗等外觀參數，使用的算法主要 有反色、最大類間方差法二值化、中值濾波、對圖像進行標定、背景分割等。幼苗的營養組分參數的國標測定方法由于幼苗體積、重量都較小，在生長初期， 采集單個葉片測量時達不到國標方法的樣品最小用量。因此，采集大小、顏色相似的葉片或 莖稈，分別測量其高光譜圖像并進行平均光譜的計算，然后將這些相似樣本放在一起用國 標方法測量組分參數，根據國標測定方法采用化學方法測量，按器官分離，用濾紙拭去葉表 塵土，折成三分之一處剪取中部用于稱重后，采用凱氏定氮法進行氮的測定。剪去后的剩余三分之一的兩片葉，按剪去的方向疊加，根據葉片的長度大小，適當 細碎剪取10下左右，進行稱重，放入試管中，分離后立即進行葉綠素提取，采用紫光分光光 度法進行葉綠素及類胡蘿卜素的提取測量。同時剩下的葉片裝入紙袋中標記好，進行水分含量的測定。結合國家標準法測量得到的組分參數的真實值，采用化學計量學中的偏最小二乘 回歸法，建立幼苗組分的光譜預測模型，模型結果見表1。表1幼苗高光譜成像分析結果 然后通過光譜成像技術，利用各種自然條件下小麥的生理特征，包括形態組分及 病蟲害信息，結合溫度、濕度、光照、CO2濃度等環境因素等校正因子，進行特征級信息融合， 本實施例中利用人工神經網絡方法建立植物幼苗長勢預測模型。對未知的幼苗樣品，采集高光譜圖像，利用光譜儀軟件在圖像上選點，采集有效光 譜信息及圖像信息進行幼苗外觀形態監測，利用建立的幼苗預測長勢模型進行驗證，輸出 預測結果，實現對幼苗生長的連續監測及植物幼苗綜合性狀活體無損檢測的技術方法。以上實施方式僅用于說明本發明，而并非對本發明的限制，有關技術領域的普通 技術人員，在不脫離本發明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有 等同的技術方案也屬于本發明的范疇，本發明的專利保護范圍應由權利要求限定。
權利要求
一種植物幼苗綜合性狀活體無損檢測方法，其特征在于，包括以下步驟S1，對植物幼苗進行高光譜成像，獲得高光譜成像的數據立方體，從所述數據立方體中提取RGB圖像，從所述RGB圖像中提取幼苗的形態參數；所述數據立方體由空間X維、空間Y維和光譜維的數據組成，其中，所述空間X維和空間Y維組成圖像維；S2，分別提取幼苗葉片或莖稈在所述圖像維上的對應區域，進行背景分割，然后截取這些區域的葉片或莖稈，計算所截取葉片或莖稈的平均光譜，采用國標規定的方法測定其組分含量，并采用化學計量學方法建立所述平均光譜和組分之間的定量預測模型，采用該模型對單一葉片或莖稈的平均組分含量進行預測，并對葉片或莖稈上每個像素點的組分進行預測，獲得組分含量及分布圖；S3，針對正常幼苗及發生不同病蟲害的幼苗，通過尋找它們在多個特征波段下的圖像維的變化，比較它們在特征波段下的光譜圖像差異，然后計算并提取相關特征波段下的圖像直方圖的特征參數及統計特征參數，利用所提取的直方圖的特征參數采用模式識別方法建立病蟲害模型；S4，利用步驟S1、S2、S3所獲得的幼苗的形態參數、組分含量以及病蟲害信息，通過特征級信息融合方法和模糊綜合評判方法建立植物幼苗預測長勢模型。
2.如權利要求1所述的植物幼苗綜合性狀活體無損檢測方法，其特征在于，在步驟Sl 中，從所述數據立方體中提取RGB圖像的方法具體為從所述數據立方體的光譜維中提取RGB分量的光譜特征波段，從而得到幼苗的RGB圖 像；或者對所述圖像維中每個像素點的光譜值進行積分計算，以獲得該點的RGB分量，從而 獲得幼苗的整幅RGB圖像。
3.如權利要求1所述的植物幼苗綜合性狀活體無損檢測方法，其特征在于，在步驟S2 中，分別提取幼苗葉片或莖稈在所述圖像維上的對應區域，進行背景分割，然后截取這些區 域的葉片或莖稈，計算所截取葉片或莖稈的平均光譜，通過調整區域的大小和相似程度來 降低不均性對光譜的影響。
4.如權利要求1所述的植物幼苗綜合性狀活體無損檢測方法，其特征在于，在步驟S2 中，采用國標規定的方法測定所截取的葉片或莖稈的組分含量的方法具體為采集大小和 顏色相似的葉片或莖稈，分別測量其高光譜圖像并進行平均光譜的計算，然后將這些相似 的葉片或莖稈放在一起用國標規定的方法測量組分含量。
5.如權利要求1所述的植物幼苗綜合性狀活體無損檢測方法，其特征在于，所述通過 特征級信息融合方法或模糊綜合評判方法建立植物幼苗長勢模型的方法具體為首先，從 高光譜圖像數據中提取出植物幼苗的形態參數、組分含量，以及病蟲害信息，對三者進行歸 一化處理，然后輸入到人工神經網絡中進行訓練，以建立幼苗綜合性狀評估模型；或者對上 述三個方面的參數進行主成分分析，提取若干主成分輸入到人工神經網絡中建立幼苗綜合 性狀評估模型；或者對上述三個方面的參數賦以經驗權值，根據隸屬度建立植物幼苗長勢 模糊綜合評判模型。
6.如權利要求1所述的植物幼苗綜合性狀活體無損檢測方法，其特征在于，所述對植 物幼苗檢測的高光譜成像的光譜范圍為400-1100nm。
7.如權利要求1所述的植物幼苗綜合性狀活體無損檢測方法，其特征在于，在步驟S2 中，所述化學計量學方法為線性回歸、多項式回歸、對數回歸、指數回歸、多元線性回歸、偏最小二乘回歸、人工神經網絡以及支持向量回歸方法之一。
8.如權利要求1所述的植物幼苗綜合性狀活體無損檢測方法，其特征在于，在步驟S3 中，所述特征波段的選擇方法為相關系數法或遺傳算法。
9.如權利要求1 8之任一項所述的植物幼苗綜合性狀活體無損檢測方法，其特征在 于，在建立所述平均光譜和組分之間的定量預測模型之前，對所述評價光譜進行預處理，預 處理的方法包括中心化、歸一化、求導變換、去噪聲、正交信號校正之一或其任意組合。
全文摘要
本發明涉及一種植物幼苗綜合性狀活體無損檢測方法，包括以下步驟對植物幼苗進行高光譜成像，從高光譜數據立方體中提取RGB圖像及特定區域的光譜，通過圖像處理及光譜分析獲得幼苗的形態參數、組分含量分布以及病蟲害信息；采用特征級信息融合方法和模糊綜合評判方法建立植物幼苗長勢預測模型。本發明能夠實現對幼苗外觀形態、營養組分及病蟲害信息三方面性狀的綜合評價；且克服了組分測量時不均勻性造成的誤差。
文檔編號G01N21/33GK101881726SQ20101021045
公開日2010年11月10日 申請日期2010年6月18日 優先權日2010年6月18日
發明者朱大洲, 畢昆, 王成, 王曉冬, 趙春江 申請人:北京農業智能裝備技術研究中心