快速识别基于机器视觉的钾营养大米中的压力和面向对象分割

文摘

特殊的症状可以观察到在水稻叶子当暴露于缺钾时,这些症状通常显示不同在不同钾水平,提供快速营养诊断的基础。在这个研究,两年的水培试验水稻钾营养水平(提供5从极短正常)进行了和叶图像光学扫描获得的四个发展时期。钾营养诊断内容,特殊的症状包括黄棕色的叶缘和坏死斑点从叶子图像分割和量化的面向对象方法,和叶的6进一步的光谱特征提取的图像颜色MATLAB软件的分析功能。基于钾含量和叶特征之间的关系,G值(平均值G通道在RGB颜色模型)计算出整个叶子和叶子,黄色的叶缘的面积,和坏死斑点的数量用于钾压力的识别模型的建立采用支持向量机(SVM)。结果表明,水稻钾营养的整体识别精度内容分别为90%,94%,94%,和96%在四个不同的生长周期(生产分蘖期、无效的分蘖期、拔节期、孕穗期),分别。从一年获得的数据被用来验证模型,识别精度分别为94%,78%,80%,和84%,分别。一般来说,利用面向对象分割提取的具体症状是机器视觉的延伸技术在诊断缺钾,及其在植物营养诊断中的应用是有价值的有效特征的量化和提高识别精度。

1。介绍

大米的高光谱特征(在水稻叶子和树冠反射率)已被广泛证明身份的大米营养状态(1- - - - - -6]。然而,它的局限性决定了营养状态仅仅通过高光谱信息。例如,当水稻生长在不同的营养条件下,展品的光谱信息波形相似,这使得它很难识别判别临界值的营养状态。此外,外部环境因素如疾病、虫害、干旱和洪涝灾害可能对树叶的反射干扰和树冠。因此,很难准确诊断营养状态只有利用高光谱特性的水稻叶子。

当涉及到的特殊症状,缺钾(K)通常导致深绿色植物黄棕叶利润,有时,深褐色坏死斑点最初出现在老叶子的技巧7]。如图1由于缺K,叶提示显示,黄棕色和症状的变化总是与水稻生长。症状出现在老叶子第一,然后沿叶边,最后在叶基地。如果不及时治疗,缺乏变色会逐渐出现在年轻的叶子。

最近,一些研究已经应用高光谱传感器的识别作物营养,可以同步获得数字和高光谱图像的水稻叶子,但图像分辨率较低。此外,由于外部环境的干扰在图像采集过程中,只有一些明显缺乏症状可能被捕获。因此,很难捕捉和量化这些microsymptoms如黄棕叶利润率和坏死斑点。自扫描进行在一个封闭的环境中,就可以消除外部干扰在成像过程中,因此,颜色和大小繁殖可能增强。扫描图像与普通数码相机相比,没有复杂的背景,multiredundant信息和图像噪声,图像分析过程中减少错误(8,9]。因此,在这个研究中,静态扫描是用来获得大米的数字图像捕捉特殊microsymptoms叶子。

为了探索最敏感的叶特征K营养研究,扫描图像的水稻叶片进行了分析和比较,发现不同的特征在不同钾营养状况。分析植物叶子的颜色已经被证明是有用的在评估植物营养状态(10- - - - - -14]。此外,当水稻遭受K缺乏,树叶也会显示特定的症状:黄棕色叶利润率和深褐色坏死斑点(9]。

最近,图像处理技术已被广泛用于分析数字图像通过使用单个像素的信息而不是像素组(11,12]。整个过程不仅关注逐像素的光谱信息,也忽略了像素间的空间关系,这是至关重要的信息来确定K缺乏通过分析水稻叶片图像。

提取的信息不是一个单一的像素,但空间像素集群定义通过聚合算法称为“multisolution分割。“然而,由于用户设置规模和同质性参数偏差,我们提出的面向对象分类方法分割算法集成了同质性标准通过考虑大小均匀,像素值,和当地对比的元素包含在一个给定的部分(13]。面向对象的分类,提出了从单像素分类方法的不同,其基本单元是对象是由一群相似的像素,和这个对象更符合现实13,14]。此外,附加属性的形状和空间信息可以提取结合光谱信息在这个方法中。

在这项研究中,我们进行了面向对象的分类来有效地提取黄棕色叶利润率和深棕色的面积根据叶坏死斑点信息,比如光谱形状和拓扑性质。然后,结合叶颜色特征,我们提出建立大米的识别规则和模型K营养状态,和支持向量机(SVM)方法使用。鉴于上述分析,本研究可以提供一个新的想法来诊断水稻K营养利用机器视觉技术。

2。材料和方法

2.1。实验设计

为目的的研究,实验是在温室进行在紫金港校区,浙江大学,杭州,中国在2012年和2013年。水稻种子(品种ZheYou-NO.1) pregerminated 3天。7天后,幼苗分别移植到类似的水培条件与前面的研究(10为精确的营养控制)。如图2,理解水稻生长的反应不同K营养条件下,5 K (K治疗水平₂所以₄:0 mg / L (K1), 22.3 mg / L (K2), 44.7 mg / L (K3), 67 mg / L (K4、正常的营养),和114.3 mg / L (K5))通过水培苗提供解决方案。解决方案取代每14天,pH值总是维持在5。

2.2。采集图像和特征提取

前三完全展开叶的生产分蘖期,无效的分蘖期、拔节期、孕穗期扫描使用爱普生GT20000(扫描仪可以创建一个输出图像的16位/像素/内部颜色和1到8位/像素/外部颜色),分辨率为300 dpi(每英寸点)。建立诊断规则和识别模型,600份水稻叶样本包括480 K缺陷)和120年(在4度(与正常营养)收集从4增长阶段。验证识别模型,300个样本收集(60个样本/ K级)7月29日^th,8月13日^th,20^th,31^圣(2012)。如图3,水稻叶出现5 K营养水平下显著不同。类似于植物生长的营养机理,黄棕叶利润率和深褐色坏死斑点首先出现在老的叶子。在严重缺钾,叶提示显示严重的黄棕色。轻微缺K下,坏死斑点显示减少(7]。

2.3。提取叶基于颜色特征值函数

根据水稻生长的营养机理,当遭受不同程度的K不足,差异主要反映在叶子和叶子的颜色提示7]。因此,我们主要选择叶子和叶子的颜色特征提示确定K营养状态。这里,MATLAB中的RGB值函数(MathWorks Inc .)、美国)申请颜色信息的量化。因此,总共有六个颜色特征提取和量化研究(表1)。

如图3K压力的加重,症状越来越明显,和黄棕叶的面积利润率和深褐色坏死斑点也更独特的不同K营养条件下。因此,强调这些差异的特殊症状,一个合适的方法来量化特征信息是必要的,因为黄棕叶利润率和深褐色坏死斑点无法表达单一的像素颜色信息。因此,面向对象分类方法应用于提取和量化的症状的研究。

2.4。基于面向对象方法提取叶片特征

面向对象分类的初步过程是将整幅图像分成的分割异构对象的数量,这里,规模被认为是最重要的参数来决定对象的大小(13,14]。当规模太大的价值,会有混合对象中的错误。但当规模过小的值,分割对象将零碎的,因此使得后继过程更加困难。

在这项研究中,我们旨在分离深褐色坏死斑点区域(图4(图)和黄棕叶利润率5),导致缺K的树叶。multisegmentation是执行以达到两个尺度,来自这两个情况。这导致的选择最优分割的刻度值。

规模的值设置为20时,叶子是分段高度分散;甚至一些景点是oversegmented,违背了我们的初衷,现场被当作主要的对象。然而,当我们设置刻度值为40,许多景点都划分为这些对象还包含了健康区域,减少整个分类的准确性。当我们设置刻度值为30,地点可能是区别于背景,并通过图像融合,我们也可以提取正常健康的地区。因此,30日被选为最终价值尺度的试验和错误。这样,整个叶子图像分割得到满意的点作为分类的目标对象。

提取地点后,我们开始段黄棕叶从叶子边缘。如图5刻度值设置为500时,黄棕叶边缘地区oversegmented完成黄化的区分开,这增加了特征提取困难。分割的结果也表明,结果没有明显的区别,当刻度值是600年和700年。

多尺度分割是通过以下步骤处理,首先识别单个图像对象的一个像素大小,然后合并它与相邻的对象有相同的同质性标准。图像区域的同质性表达的可能是异构的计算(f),这是在形状和颜色异质性异质性,如图6。在这里ω是人工权重15,16]。

因此,除了尺度,颜色和形状也有两个重要的参数来决定对象的同构发生在分割的过程。和其他形状是决定主要是由两部分组成:紧密度和平滑度。然而,针对本研究的目的,我们认为更重要的形状参数与颜色。因此,它的形状被设置为0,这意味着我们只考虑光谱信息。

除了分割,参数选择是一个重要的过程在应用对象的分类。最重要的事实影响黄棕色叶边缘和抽象的深褐色坏死斑点是选择最合适的典型参数构建的区别和量化规则。为了优化参数组合,不同的参数选择的对象构建参数集。表2显示了对象光谱和文本参数利用最近邻分类。

毕竟获得的参数,参与分割过程的流程图如图7。

根据参数利用最近邻分类,图像分割是三个部分:黄色(黄色棕色叶缘),绿色(背景),红(深褐色坏死斑点)。与原始图像相比,黄棕色的叶缘,暗褐色坏死斑点,和背景已经成功地歧视,奠定了基础为进一步量化和分析(图8)。

提取后的黄棕色的叶缘区和暗褐色坏死斑点的叶子,分析之间的关系这两个症状和K营养状态将允许K缺乏诊断的进一步实现。

图9显示1^圣,2^nd,3^{理查德·道金斯}叶缺K下的水稻。图像显示,黄棕色叶缘的面积和数量在不同叶坏死斑点的位置标记不同的在极端K缺乏。缺钾的症状在3^{理查德·道金斯}完全展开叶非常明显,比1^圣叶显示没有特定的症状,导致流动性的水稻钾。因此,只有3^{理查德·道金斯}完全展开叶被选为K营养状态的诊断。

为了进一步验证的具体症状的相关性水稻叶子和K营养内容,数字图像的3^{理查德·道金斯}叶5 K营养水平进行了进一步的比较和分析。

如图10,减少K营养内容,黄棕色叶缘的面积和数量的坏死斑点显示增加的趋势在3^{理查德·道金斯}叶子。

分析水稻叶子的症状后,总共8参数从扫描的图像中提取叶(表3),包括6个颜色参数和额外的2形状参数(面积黄棕色叶缘(AYLM)的数量和坏死斑点(QNSs))。

2.5。支持向量的特征选择方法

支持向量的特征选择(SVFS)方法应用于选择最优特征K营养状态的诊断。SVFS提供了一个有效的和有效的机制来选择最优特征的小训练样本(17,18]。此外,SVFS的核心是SVM(支持向量机)的就业选择最优特征组通过识别高这些特征之间的相关性去除冗余特征,实现最大的分类预测能力(17,18]。因此,可以代表最优特征子集的集合下K缺乏敏感的特征。在这个研究中,SVFS被用来屏幕的最优特征集8 libsvm - 3.12的特征。支持向量机分类有两个步骤:训练和分类19]。在LibSVM平台,RBF核函数(方程(1在这个研究采用):

分类函数 在哪里σ和c都是内核参数计算的一种文件格式。py LibSVM的函数。

3所示。结果与讨论

最敏感的特点,每一个成长阶段缺K表突出显示4。进一步分析是结合所有的增长阶段叶样品生成4普遍特征(LG、LTG, AYLM qn)为了理解识别K营养状态的增长阶段。4特征可能敏感和整体表达之间的差异5 K的压力水平,符合水稻生长的营养机制当患有缺K。

筛选最优特征后,SVM LibSVM平台被用来构建水稻K营养状态的诊断模型。600叶样本所有发展阶段被用来构建识别模型。如表所示5,K营养状态的识别精度在水稻不同叶之间的不同特点不同的叶子的位置。第三片叶子的特征的识别精度最高的增长阶段,90%,94%,94%,和96%,分别。

水稻有效分蘖处于早期发展阶段。此时,现场有足够的营养供应这些分蘖的生长,这没有影响经济增长的新叶子。与此同时,因为第三片叶子经历了相对较长的时间不足,主要症状出现在第三片叶子。然而,第一片叶子是不受压力影响,症状不明显,所以K营养状态的识别精度通过使用信息的第一片叶子是最严重的(74%)。

无效的分蘖期,早期分蘖的持续增长后,水稻的茎开始生长。在这个时候,因为营养供给不能满足新的分蘖和茎的生长,水稻叶片受到更长一段K缺乏和第三片叶子的症状变得更加重要。结果,识别精度的钾营养利用第三片叶子的特征增加到94%。此外,与有效分蘖期相比,第一片叶子显示更明显缺乏症状,因为缺K很长一段时间,因此,识别效果优于生产分蘖期(86%)。

在拔节期、营养主要是提供水稻茎和节点的增长。此时,由于长期K营养缺乏症,K营养在第三叶开始很容易转移到第一片叶子。因为第一片叶子有K供应从老叶子,症状相对较弱,其识别精度K营养是无效分蘖期的低于(78%)。第三片叶子,虽然K营养的一部分被转移到第一个叶,但与无效分蘖期相比,缺没有变得更加严重,所以识别精度是相似的(94%)。

在孕穗期,高峰时间大米营养需求,和营养吸收的大米迅速增加。因为供应不足的K营养很长一段时间,很多的K营养第三片叶子是其增长转移到第一片叶子。这时,第三片叶子的压力症状最明显,和K营养的识别效果最好的(96%)。

知道详细的鉴定结果从每个K营养水平,第三叶进行了进一步分析,整体识别精度最高(表6)。

结果表明,所有的叶子的样本K1, K2,和K3可以识别成功的四个发展阶段,虽然有误判K4速率。这主要是由于黄棕色的叶缘和坏死斑点主要出现在K1、K2、K3。

在考虑可靠性和适用性,诊断模型验证用三大全面扩大水稻的叶子(300个样本),采集2012年四个成长阶段(生产分蘖期、无效的分蘖期、拔节期、孕穗期),与2013年相同。同样,相同的水稻叶4最优特征被用来验证识别模型。验证精度如表所示7。

面向对象分类的结果表明,该方法能够更好地甄别K营养状态的大米,其他农作物,这种方法也有重要的潜在价值。例如,在N不足,大豆叶子将青铜补丁;缺P下,小麦叶子变成黑暗的绿色和紫色,紫色叶鞘尤为突出;缺N下,玉米叶子显示萎黄病从下到上,沿中脉和症状从尖端到基地,形成一个v型的形状。类似于大米,这些缺乏症状也可以捕获并通过机器视觉识别技术诊断他们的营养状况。

4所示。结论

在这项研究中,前三完全展开的叶子被用来识别水稻的K营养状态。在实验室条件下,分析了水稻叶的扫描图像光谱信息。同时,特殊的症状在K缺乏(黄棕色叶边缘区和坏死斑点的叶子)被面向对象的分类方法提取并量化。我们的研究提出了一个具有高度针对性的方法可以快速、准确地检测大米K营养状态,用结果证明特殊症状中扮演一个重要的角色在K营养状态的识别。

在本研究中,选择了最优特征集SVFS诊断模型的建立方法。所选的集包括叶子G,叶子G、黄棕叶边缘区和坏死斑点的数量。支持向量机是用于建立识别模型。K营养状态的大米可以确定采用四个最佳特征,在不同的年份和实验也验证方法根据识别精度的稳定性。

这项研究表明利用现有技术的重要性扫描等创新方式,允许快速和准确识别K营养状态在水稻的叶子。同时,本研究还提出了一种新的方法来提取作物在营养不足的具体症状。该方法的应用可以为农民提供一个重要工具和一些农业企业在理解营养状态。进一步的研究可以专注于将这种技术应用到其他重要营养元素在水稻叶子(如氮、磷)或其他作物营养标识。

数据可用性

作者确认所有可用数据的发现完全没有限制。由于数据的体积,只有选图可以发现网络上分享量(https://share.weiyun.com/53UV1rD)。访问所有图像,作者可以联系(陈傈僳语:cls512@zju.edu.cn)。

的利益冲突

作者宣称没有利益冲突。

确认

这个研究是由中国国家自然科学基金(批准号31801255)的首席研究员浙江省博士后基金(批准号BSH1502132)。

引用

1. f·f·林,x d .叮,z . p .傅j·s·邓,z .问:沈,“应用互信息变量选择在水稻磷营养诊断,”光谱和光谱分析卷,29号9日,第2470 - 2467页,2009年。视图:谷歌学术搜索
2. b . f . Li Mistele, y, x,和美国Schmidhalter,“反射估计树冠冬小麦使用优化氮含量高光谱谱指数和偏最小二乘回归,”欧洲农艺学杂志52卷,第209 - 198页,2014年。视图:出版商的网站|谷歌学术搜索
3. r . Devadas教授d . w .羊肉,d .后面的小屋和s . Simpfendorfer“序贯应用高光谱指数描述小麦条锈病感染和缺氮的”精准农业,16卷,不。5,477 - 491年,2015页。视图:出版商的网站|谷歌学术搜索
4. a . m . Stellacci a . Castrignano a . Troccoli b低音部,和g . Buttafuoco”选择最优的高光谱波段歧视在硬质小麦氮状态:一个比较的统计方法,”环境监测和评估,卷188,不。3、188 - 199年,2016页。视图:出版商的网站|谷歌学术搜索
5. 他x的歌,d, l . et al .,“使用多角度高光谱数据对小麦冠层叶片含氮量监测,“精准农业,17卷,不。6,721 - 736年,2016页。视图:出版商的网站|谷歌学术搜索
6. h . h . Liu朱,p . Wang”定量模拟冬小麦叶片含氮量的使用无人机高光谱数据,”国际遥感杂志》上,38卷,不。8 - 10,2117 - 2134年,2017页。视图:出版商的网站|谷歌学术搜索
7. d·l·阿姆斯特朗:“在水稻营养缺乏症状,”更好的作物国际》16卷,第23 - 25,2002页。视图:谷歌学术搜索
8. l·s·陈和k . Wang”诊断水稻氮素压力基于静态扫描技术和图像信息提取,”土壤科学和植物营养学杂志》上,14卷,不。2、382 - 393年,2014页。视图:出版商的网站|谷歌学术搜索
9. l . l . Chen, g . Cai et al .,“识别的氮、磷、钾不足大米基于静态扫描技术和分层识别方法,”《公共科学图书馆•综合》,9卷,不。11日文章ID e113200, 2014。视图:出版商的网站|谷歌学术搜索
10. l . s . Chen y y太阳,k . Wang”快速诊断水稻氮素营养状况的基于静态扫描和提取叶和鞘特点,“国际农业与生物工程杂志》上,10卷,不。3、158 - 164年,2017页。视图:谷歌学术搜索
11. a·沃尔特·f·Liebisch, a·洪德“植物表型出现:从bean考虑到图像分析,“工厂方法,11卷,不。1,p。2015。视图:出版商的网站|谷歌学术搜索
12. w·Treder k . Klamkowski k·沃尔德,d . sa和k . Wojcik”使用图像分析的可能性估计苹果树的氮营养状况,“Zemdirbyste-Agriculture,卷103,不。3、319 - 326年,2016页。视图:出版商的网站|谷歌学术搜索
13. s . Bhaskaran s Paramananda和m .当中,“逐像素映射城市功能和面向对象分类方法利用ikonos卫星数据,”应用地理,30卷,不。4、650 - 665年,2010页。视图:出版商的网站|谷歌学术搜索
14. m·侯赛因·d·陈,安吉拉,w .回族和d·斯坦利,“从遥感图像变化检测:从基于像素基于对象的方法,”国际摄影测量与遥感卷,80年,第106 - 91页,2013年。视图:谷歌学术搜索
15. z,他研究面向对象的分类技术基于GF-2图像科技大学、安徽淮南,中国,2016。
16. y王研究中的主要地质对象的提取最佳分割尺度、成都理工大学、成都,中国,2017。
17. j·韦斯顿,穆克吉,o .薛潘m .铁棒,方法,和诉Vapnik,“支持向量机的特征选择”,神经信息处理系统》12卷,第674 - 68页,2000年。视图:谷歌学术搜索
18. 通用Fung和o . l . Mangasarian,”一个支持向量机的特征选择牛顿方法分类,“计算优化和应用程序,28卷,不。2、185 - 202年,2004页。视图:出版商的网站|谷歌学术搜索
19. 曾和h . g . Li m . Wang,介绍了支持向量机和其他基于内核的学习方法出版社、电子工业出版社,北京,中国,2004。

版权

版权©2019傈僳族陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。