植物幼苗综合性状活体无损检测方法

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明，但不用来限制本发明的范围。

高光谱成像技术是在可见/近红外光谱分析技术和机器视觉技术的基础上发展起来的，它将光谱分析技术和图像处理技术完美结合在一起。高光谱成像技术在获得样品空间信息的同时，还为每个图像上每个像素点提供数百至数千个窄波段的光谱信息，这样任何一个波长的光谱数据都能生成一幅图像，从而实现“图谱合一”，它获得的数据是一种高维的数据立方体。本发明实施例提供一种基于高光谱成像的植物幼苗综合性状活体无损检测方法，其检测原理为：通过数据挖掘分析，即可对样品的形态、成分含量、存在状态、空间分布及动态变化进行检测；高光谱成像具有较高的空间分辨率和光谱分辨率，对于植物幼苗检测时，通过准确提取不同波段下幼苗的图像，选择特征波段下的图像，即可提取幼苗的形态、病虫害信息；通过获取幼苗任意部位的高分辨率光谱，预测组分信息，获取幼苗的组分分布特征，从而实现对幼苗综合性状的活体无损检测。

所述的基于高光谱成像的植物幼苗综合性状活体无损检测方法，包括幼苗外观形态参数测量、幼苗营养组分参数预测、幼苗病虫害识别三部分。三个方面的综合性状可通过算法从高光谱成像数据立方体中同时获得。

所述幼苗外观形态参数测量方法中，由于每个波长下都对应一幅图像，需要对高维度光谱图像进行降维处理。首先从高光谱成像数据立方体中提取RGB图像，再对RGB图像进行常规的灰度处理、二值化、背景分割处理，然后提取幼苗的形态参数，包括叶长、叶宽、叶面积、茎粗、株高灯。所述高光谱成像数据的立方体由三部分组成：空间X维、空间Y维、光谱维的数据。空间X维和空间Y维构成图像维。目前，在图像处理中大多采用RGB图像，以CCD技术为核心的图像采集设备可以直接感知色彩的R、G、B三个分量，这也使得三基色模型成为图像成像的基础。R、G、B三原色的波长分别为700nm、546.1nm、435.8nm。本发明实施例可以采用两种方法从高光谱数据立方体中提取RGB图像。其中一种是直接从立方体的光谱维中提取700nm、546.1nm、435.8nm对应的图像数据进行分析。另外一种方法是通过对立方体进行积分实现。积分公式为：

$\left(\begin{array}{c}R={\int }_{\lambda }I\left(\lambda \right)r\left(\lambda \right)\mathrm{d\lambda }\\ G={\int }_{\lambda }I\left(\lambda \right)g\left(\lambda \right)\mathrm{d\lambda }\\ B={\int }_{\lambda }I\left(\lambda \right)b\left(\lambda \right)\mathrm{d\lambda }\end{array}\right)$

其中I(λ)为反射率光谱，r(λ)、g(λ)、b(λ)为敏感度曲线，可通过测量或查表获得，λ为可见光谱波长范围(可取400-780nm)。通过对高光谱图像维中每个像素点进行积分计算，即可获得该点的RGB分量，进而获得植物幼苗的整幅RGB图像。然后采用现有的幼苗图像处理算法，获取幼苗的叶长、叶宽、叶面积、茎粗、株高等形态外观参数。

所述的幼苗营养组分参数预测方法中，根据光谱特征与作物幼苗化学成份之间的密切关联关系，对光谱特征参数(波长位置、吸收深度、吸收宽度)进行信息挖掘，建立预测模型。分别提取幼苗叶片、茎秆在图像维上的对应区域，进行背景分割，然后提取这些区域对应的光谱维，并计算平均光谱。精确截取对应区域的叶片或茎秆，采用国标规定的方法测定叶片或茎秆的氮、叶绿素、水分含量，所选样本的数量及特征应该具有代表性，覆盖将来的应用范围。采用化学计量学方法建立平均光谱和营养组分之间的定量预测模型。所用于建模的平均光谱可采用全谱，也可采用经过特征波段选择后的若干个波段。特征波段选择方法包括目前常用的相关系数法和遗传算法。用于建模的光谱需要经过预处理，预处理方法包括中心化、归一化、求导变换、去噪声、正交信号校正。所述化学计量学方法包括线性回归、多项式回归、对数回归、指数回归、多元线性回归、偏最小二乘回归、人工神经网络、支持向量回归。所述光谱特征波段选择、预处理及回归方法的具体计算过程为现有技术，在此不详细描述。

所述幼苗营养组分参数的国标测定方法中，由于幼苗体积、重量都较小，在生长初期，采集单个叶片测量时可能达不到国标方法的样品最小用量。因此，本发明实施例针对这一问题，采集大小、颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似样本放在一起用国标方法测量组分参数，再建立模型。模型建立之后，采用模型对单一叶片的平均组分含量进行预测，并实现对叶片、茎秆每个像素点组分的预测，获得组分分布图。

所述的幼苗病虫害识别方法中，通过分析不同品种植物发生不同病虫害时高光谱图像的特征并进行识别分析。幼苗在发生病虫害时，其器官形态、营养成分都会发生相应变化，从而引起光谱特征及图像特征的变化。针对正常幼苗及发生不同病虫害的幼苗，通过寻找它们在多个特征波段下的图像维的变化，比较它们在特征波段下的光谱图像差异，然后计算并提取相关特征波段下的图像直方图特征参数及最大值、最小值、平均值、标准差、方差等统计学特征参数，采用模式识别方法建立病害识别模型。另外，从光谱维角度出发，采用距离法、光谱角度匹配法和相关系数法对病斑样本的光谱信息进行识别分类。

所述基于高光谱成像的植物幼苗综合性状活体无损检测方法，在获得幼苗外观形态参数、幼苗营养组分参数、幼苗病虫害信息之后，采用特征级信息融合及模糊综合评判，对上述三种单一性状作综合分析，实现幼苗长势的综合检测。

所述信息融合方法采用人工神经网络实现，首先，从高光谱图像数据中提取出植物幼苗叶面积、茎粗、株高等外观形态参数信息及幼苗氮素、叶绿素、水分等内部营养参数信息(组分含量信息)，结合病虫害识别信息参数，由于这些数据的单位、格式差异很大，对其进行归一化处理，然后输入到人工神经网络中进行训练，建立幼苗综合性状评估模型。或者对上述三个方面的参数进行主成分分析，提取若干主成分输入到人工神经网络中来建立评估模型。所述模糊综合评判，针对外观、组分、病虫害等三方面的参数，根据专家经验赋以合适的权值，然后根据隶属度建立幼苗综合长势的模糊评价模型。

由以上实施例可以看出，本发明的关键点在于：

1、从高光谱成像获得的高维数据立方体中，采用直接或积分的方法准确提取RGB图像数据，实现高维数据的降维，以进行植物幼苗外观形态参数的测量。

2、分别提取幼苗叶片、茎秆在图像维上对应区域，进行背景分割，然后提取这些区域对应的光谱维，并计算平均光谱，然后建立光谱和营养组分之间的预测模型。

3、针对幼苗样品量太少而达不到国标方法最小用量的问题，采集大小、颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似样本放在一起用国标方法测量组分参数，再建立模型。

4、对于幼苗病虫害的识别，需确定不同病虫害的特征波段，并得出合适的病害描述参数。

5、采用特征级信息融合及模糊综合评判，根据高光谱图像计算得出的各个性状作综合分析，实现幼苗长势的综合检测。

以下举例说明：

现在结合实例对上述实施例进行说明。流程见图1，具体如下：

采用中国科技大学研制的PIS112高光谱成像仪(波长范围在400-1000nm)对小麦幼苗进行测定，获取其高光谱图像(参见图2)。

选取3个指定特征波段的光谱图像的光谱积分转换作为RGB分量，合成彩色图像。采用图像处理算法获取幼苗形态参数。利用MATLAB图像处理软件获取植物幼苗的形态参数，包括幼苗叶长、叶宽、叶面积、叶片夹角、株形、颜色、茎粗等外观参数，使用的算法主要有：反色、最大类间方差法二值化、中值滤波、对图像进行标定、背景分割等。

幼苗的营养组分参数的国标测定方法：由于幼苗体积、重量都较小，在生长初期，采集单个叶片测量时达不到国标方法的样品最小用量。因此，采集大小、颜色相似的叶片或茎秆，分别测量其高光谱图像并进行平均光谱的计算，然后将这些相似样本放在一起用国标方法测量组分参数，根据国标测定方法采用化学方法测量，按器官分离，用滤纸拭去叶表尘土，折成三分之一处剪取中部用于称重后，采用凯氏定氮法进行氮的测定。

剪去后的剩余三分之一的两片叶，按剪去的方向叠加，根据叶片的长度大小，适当细碎剪取10下左右，进行称重，放入试管中，分离后立即进行叶绿素提取，采用紫光分光光度法进行叶绿素及类胡萝卜素的提取测量。同时剩下的叶片装入纸袋中标记好，进行水分含量的测定。

结合国家标准法测量得到的组分参数的真实值，采用化学计量学中的偏最小二乘回归法，建立幼苗组分的光谱预测模型，模型结果见表1。

表1幼苗高光谱成像分析结果

然后通过光谱成像技术，利用各种自然条件下小麦的生理特征，包括形态组分及病虫害信息，结合温度、湿度、光照、CO₂浓度等环境因素等校正因子，进行特征级信息融合，本实施例中利用人工神经网络方法建立植物幼苗长势预测模型。

对未知的幼苗样品，采集高光谱图像，利用光谱仪软件在图像上选点，采集有效光谱信息及图像信息进行幼苗外观形态监测，利用建立的幼苗预测长势模型进行验证，输出预测结果，实现对幼苗生长的连续监测及植物幼苗综合性状活体无损检测的技术方法。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。