应用多光谱图像技术进行锦橙叶片氮含量监测

以蓬安100号锦橙为试材,运用多光谱图像技术建立快速监测叶片氮含量的方法。利用多光谱相机MS3100采集蓬安100号锦橙叶片图像,运用Adobe Photoshop软件提取叶片图像的颜色特征参数,对其进行数学变换和归一化处理后的颜色特征参数与叶片氮含量值进行相关分析,并建立二者回归模型。结果表明:6个颜色特征参数G-B、G/(R+B)、(G-B)/(G+B)、G/(R+G+B)、g-b值与叶片氮含量的相关较好,综合评价得出G-B、(G-B)/(G+B)、g-b值所建立的蓬安100号锦橙叶片氮含量监测模型较好,其相关系数均为0.84,决定系数为0.70,预测误差为3.7%。研究结果表明,利用计算机视觉技术进行锦橙叶片氮含量监测是可行的。     

基于RGB模型的脱绒棉种颜色特征与发芽状况的关系

为了得到脱绒棉种质量与其表面颜色特征之间的关系,采用数码相机拍照,利用图像处理技术提取脱绒棉种表面颜色特征,并严格按照GB/T3543.4－1995进行发芽试验,通过线性拟合和逐步回归分析,建立了脱绒棉种质量的颜色特征估算模型,并对其精度进行了评价和验证。结果表明：基于R/(R+G+B)、G/(R+G+B)、(R-G-B)/(R+G)和R/G 4个颜色特征参数,逐步回归模型决定系数R2分别为0.6949和0.7148,且均通过了P=0.01极显著性检验水平。该研究为基于RGB颜色模型对脱绒棉种实施快速、有效的分选提供了理论依据。     

数字图像技术在夏玉米氮素营养诊断中的应用

基于6个不同水平的氮肥田间试验,采用数码相机获取夏玉米6叶期和10叶期的冠层图像,分析了不同供氮水平下夏玉米冠层图像色彩参数指标与施氮量、叶片SPAD值、植株硝酸盐浓度、植株全氮含量、0～90cm土壤硝态氮含量之间的关系。结果表明:在6叶期,玉米冠层数字图像色彩参数指标B/(R+G+B)、G/B、R/B、B/L均与施氮量、叶片SPAD值、植株硝酸盐浓度、植株全氮含量、0～90cm土壤硝态氮含量存在极显著的线性相关关系,其中B/(R+G+B)与各营养参数的相关关系最好,其次是B/L。因此,运用数字图像技术进行玉米的氮素营养诊断是可行的。夏玉米6叶期冠层图像色彩参数指标与上述营养参数间的相关性明显高于10叶期,可作为应用数字图像技术进行氮素营养诊断的关键时期,而蓝光标准化值[B/(R+G+B)]是进行夏玉米氮素营养诊断的最佳冠层图像色彩参数指标。     

基于图像数字处理技术的元帅系苹果叶片营养水平诊断研究

利用图像数字化处理技术,建立元帅系苹果叶片氮磷钾营养元素估算模型.选择不同营养水平的元帅系苹果叶样,通过计算机提取采集叶样的图像特征红R、绿G、蓝B各参数值及其相对的系数r、g、b和简单算术组合.分析RGB、rgb和简单算术组合分量值与叶片氮、磷、钾之间的相关特征.结果表明,叶片颜色特征分量G/B与氮元素含量呈极显著相...     

基于手机相机获取玉米叶片数字图像的氮素营养诊断与推荐施肥研究

本文利用手机相机获取玉米6叶期和9叶期的冠层图像,对图像进行色彩参数的提取与处理,分析了不同生长时期、不同品种间色彩参数的差异性,以及色彩参数与传统玉米氮素营养指标的相关性,选择出适宜的敏感色彩参数,对色彩参数与氮素营养指标进行拟合建模,建立了玉米氮素营养诊断体系,并推荐了不同产量目标下的施肥量,为实现利用智能手机田间拍照进行氮素营养诊断和精准推荐施肥提供参考。结果表明,在玉米6叶期,冠层图像色彩参数与传统氮素营养指标间的相关性优于9叶期,可作为应用数字图像分析技术进行氮素营养诊断的诊断时期;不同品种玉米的冠层图像色彩参数间无显著差异。B/(R+G+B)和G/(R+G+B)与传统氮素诊断指标——叶片SPAD值、第1完全展开叶叶脉硝酸盐浓度均显著相关,且B/(R+G+B)更为敏感,因此可作为玉米氮素营养诊断的色彩参数指标,诊断方程为:玉米叶脉硝酸盐浓度=1.73×10~(10)×[B/(R+G+B)]~(9.43)。并依此给出了不同B/(R+G+B)值下的玉米营养状况以及不同目标产量下的推荐施氮量。本研究结果可为基于手机相机开展玉米氮素营养诊断与推荐施肥技术的推广与应用提供技术支撑。     

基于无人机数码影像的冬小麦叶面积指数探测研究

叶面积指数(LAI)是评价作物长势的重要农学参数之一,利用遥感技术准确估测作物叶面积指数(LAI)对精准农业意义重大。目前,数码相机与无人机系统组成的高性价比遥感监测系统在农业研究中已取得一些成果,但利用无人机数码影像开展作物LAI估测研究还少有尝试。为论证利用无人机数码影像估测冬小麦LAI的可行性,本文以获取到的3个关键生育期(孕穗期、开花期和灌浆期)冬小麦无人机数码影像为数据源,利用数字图像转换原理构建出10种数字图像特征参数,并系统地分析了3个生育期内两个冬小麦品种在4种氮水平下的LAI与数字图像特征参数之间的关联性。结果表明,在LAI随生育期发生变化的同时,10种数字图像特征参数中R/(R+G+B)和本文提出的基于无人机数码影像红、绿、蓝通道DN值以及可见光大气阻抗植被指数(VARI)计算原理构建的数字图像特征参数UAV-based VARIRGB也有规律性变化,说明冬小麦的施氮差异不仅对LAI有影响,也对某些数字图像特征参数有一定影响;在不同条件(品种、氮营养水平以及生育期)下的数字图像特征参数与LAI的相关性分析中,R/(R+G+B)和UAV-based VARIRGB与LAI显著相关。进而,研究评价了R/(R+G+B)和UAV-based VARIRGB构建的LAI估测模型,最终确定UAV-based VARIRGB为估测冬小麦LAI的最佳参数指标。结果表明UAV-based VARIRGB指数模型估测的LAI与实测LAI拟合性较好(R2=0.71,RMSE=0.8,P0.01)。本研究证明将无人机数码影像应用于冬小麦LAI探测是可行的,这也为高性价比无人机遥感系统的精准农业应用增添了新成果和经验。     

温室植物病害的图像处理及特征值提取方法的研究——基于色度的特征值提取研究

为了进行温室植物病害的智能化防治，运用计算机图像处理技术对生产中常见的两种黄瓜病作了研究，比较了几种常见的色度学系统，以色调H作为颜色特征参数的研究域。以色调直方图统计特征参数的计算，和百分率直方图区间值特征作为区分病变叶片与正常叶片的重要依据。结果发现色调H偏度可以较为明显的区分不同病变情况，在进一步研究不同色调区域病变叶片和正常叶片的色调分布情况时，发现在色调(48～50)和(45～47)区间，区分正常叶片与病变叶片的效果最好。该研究为后期的模式识别提供了重要的特征参数。     

基于数码相机图像的甜菜冠层氮素营养监测

为探究数码相机监测甜菜冠层叶片氮素的可行性,2014年于内蒙古赤峰市松山区太平地镇采用不同种植方案设计了田间试验。利用数码相机获取甜菜冠层数字图像,基于灰度值的阈值分割方法提取冠层图像的红光值(R)、绿光值(G)和蓝光值(B),交互调优R、G、B单色分量权重,提出三原色权值调优方法,并挖掘出适宜于表征甜菜冠层LNC(leaf nitrogen content)的基础调优参数BOP(basic optimal parameter)和归一化调优参数NOP(normalized optimal parameter)。结果表明:采用常规方法选取的敏感颜色参数G/R、NRI(R/(R+G+B))与冠层LNC的相关系数分别为0.80和0.79,三原色权值调优方法确定的调优参数BOP、NOP与冠层LNC的相关系数分别为0.83和0.84,算法优化后提高了颜色参数与冠层LNC的相关性。对比常规参数和调优参数对冠层LNC的预测精度,结果显示调优参数BOP、NOP建立模型的预测精度均高于常规参数G/R、NRI,BOP预测模型的决定系数R2和均方根误差RMSE(root mean square error)分别为0.69和2.65,NOP预测模型的R2和RMSE分别为0.68和2.73。该研究表明,在大田自然光照条件下,借助数码相机实时、准确监测甜菜氮素营养丰缺水平具有较高的可行性,数字图像处理技术在作物营养无损诊断中存在很大的应用潜力。     

智能手机RGB图像检测植物叶片叶绿素含量的通用方法

为提高RGB（Red, Green, Blue）图像方法在检测植物叶片叶绿素含量的预测精度、普适性和实用性,该研究提出了一种智能手机结合辅助拍照装置获取植物叶片RGB图像并即时检测叶绿素含量的低成本方法。设计了一种内置主动光源的低成本便携式拍照装置,用以降低环境光及拍照角度等因素对成像质量的影响;并采用了基于24色Macbeth标准色卡的二阶多项式回归法构建色差校正矩阵以减小不同手机所获取图像的色差;最后开发了基于微信小程序的远程诊断系统以实现植物叶片叶绿素含量的原地、实时及无损检测。以甘蔗叶片为例,采用了3款不同品牌的手机进行了试验,首先分析了叶片39种颜色特征与其叶绿素含量的相关性及色差校正方法对其的影响。结果表明,该方法获取的叶片颜色特征与叶绿素含量大多具有较强的相关性（相关系数>0.8）,同时,色差校正可明显提升多手机混合数据集的颜色特征与叶绿素含量的相关系数,其中RGB色彩空间下三个颜色通道亮度值R、G、B的代数运算特征(B-G-R)/(B+G)的提升最明显,达到了0.842 4,比校正前提高了89%。进一步结合主成分分析构建了色差校正前与色差校正后的叶绿素含量多元线性回归（Multivariate Linear Regression,MLR）和支持向量机回归（Support Vector Regression,SVR）预测模型。针对多手机混合数据集的通用预测模型中,色差校正后的SVR通用预测模型精度和稳定性最高,相比校正前的SVR通用预测模型,五折交叉验证的R2均值达到了0.721 4,提高了14.6%,RMSE均值为0.328 8 mg/g,降低了13.3%;同时,该模型五折交叉验证的R2标准差仅为0.004 2,具有更高的稳定性。该研究为不同手机准确预测植物叶片叶绿素含量提供了一种通用方法。     

基于叶片光谱透过特性的植物氮素测定

该文通过不同施氮水平下营养液栽培的水稻和黄瓜叶片在300～1100 nm的分光光谱透过率,与其叶绿素含量和含氮量的相关性分析,确定了560、650和720 nm作为特征波长,940 nm作为参比波长可用于植物营养的快速无损诊断。以上述波长的光谱透过率构建的21组光谱特征参数中,(T940-T560)/(T940+T560)、log(T940/T560)和log(T940/T650)与水稻和黄瓜叶片的叶绿素含量和含氮量的相关性较好,且经回归估测检验的相对误差均小于8%。因此,上述光谱特征参数可作为植物氮素营养指标用于植物叶片的叶绿素含量和含氮量的快速无损估测,从而为植物营养无损诊断提供技术支持。     

应用数字图像进行小麦氮素营养诊断中图像分析方法的研究

简便、快速、经济地诊断作物氮素营养状况是实施氮肥用量调控的关键。利用数码相机对作物冠层进行拍照, 通过图像处理软件获得作物色彩参数, 根据色彩参数与作物氮素营养状况的关系可以对其氮素丰缺进行诊断。针对作物数字图像色彩参数的获取方法, 结合小麦多水平氮肥试验, 采用遥感软件PCI Geomatics的非监督分类功能, 将小麦图像分为土壤、反光叶面和不反光叶面, 与Adobe Photoshop 软件普通图像处理方法对照, 比较分析了小麦图像不同类别叶片的8 种色彩参数与SPAD 值及植株全氮的相关性。结果表明, 返青期小麦反光叶面的G/R 与R/(R+G+B)色彩参数能较好地反映小麦的氮素营养状况; 拔节期不反光叶面和反光叶面的R/(R+G+B)色彩参数与植株全氮相关性较好。利用普通图像处理软件获得色彩参数的方法有待改进, 图像分类后能够提高其色彩参数对作物氮素营养诊断的准确性。     

基于无人机可见光遥感的夏玉米氮素营养动态诊断参数研究

【目的】 近年来应用无人机进行作物生长、营养和植保信息的快速提取受到广泛关注,但其对作物全生育期营养状况的动态诊断需要明确适宜的色彩参数。本研究通过田间氮水平试验,以无人机为平台利用可见光光谱对夏玉米不同生育期的冠层氮素营养进行监测,对基于可见光RGB图像的色彩参数与传统氮素诊断指标的相关性进行分析,并比较色彩参数的变异系数以探明夏玉米不同生育时期氮素营养诊断的最佳色彩参数。 【方法】 于2015年6—10月,在河北省中国农业大学曲周试验基地设置不同氮水平田间试验,以夏玉米郑单958为供试作物,设5个施氮水平:0、102、145、189和250 kg/hm2 (分别以CK、70%OptN、OptN、130%OptN、ConN表示),4次重复。分别在夏玉米六叶期 (V6)、十叶期 (V10)、吐丝期 (VT)、籽粒建成期 (R2)、乳熟期 (R4) 应用无人机可见光遥感技术获取夏玉米冠层图像,采用Adobe Photoshop软件经过一些图像处理后选用直方图程序提取图像的红光值R、绿光值G、蓝光值B、亮度值L,研究由此计算的12个色彩参数与传统氮素诊断指标 (植株氮浓度、生物量和吸氮量) 的相关性,结合相关系数和变异系数的大小综合分析筛选夏玉米不同生育时期氮素营养诊断的最佳色彩参数。 【结果】 红光值 (R)、绿光值 (G)、亮度值 (L)、绿光标准化值[G/(R + G + B)]、蓝光标准化值[B/(R + G + B)]、绿光与红光的比值 (G/R)、绿光与蓝光的比值 (G/B)、绿光与亮度的比值 (G/L)、红绿蓝植被指数 (RGBVI) 等在不同生育时期均与夏玉米的植株氮浓度、生物量和吸氮量有很好且一致的相关性,结合图像色彩参数的变异系数综合分析后,G/(R + G + B)、G/L在各生育时期与夏玉米常规的氮营养诊断指标有极显著的相关性 (P < 0.01),相关系数介于0.641～0.944之间,且变异系数小而稳定,介于0.93%～4.30%之间,优于其他光谱参数,可作为基于无人机可见光技术用于各时期氮素营养动态诊断的最佳色彩参数。 【结论】 应用无人机可见光遥感进行夏玉米氮素营养动态诊断具有结果可靠、便捷、高效、非破坏性的优点,本研究结果对应用该技术进行较大区域的作物氮素营养动态诊断提供了科学依据。      

数字图像诊断技术在冬小麦氮素营养诊断中的应用

本文应用数码相机获取冬小麦冠层图像并对其进行相应色彩参数处理, 结合土壤、植株快速测试技术, 分析了色彩参数与传统氮素营养参数之间的数量关系, 研究了应用数字图像技术进行冬小麦氮素营养诊断的可行性, 建立了应用数字图像技术诊断冬小麦氮素营养状况的图像获取方法, 筛选出了适宜于冬小麦氮素营养诊断的最佳色彩参数以及最佳诊断时期, 建立了冬小麦氮素营养诊断指标体系和推荐施肥方程。研究结果表明, 数字图像技术可以作为冬小麦氮素营养诊断的方法。数字图像获取时, 可将数码相机与冬小麦冠层呈30°~60°角度进行拍摄。在冬小麦拔节期和孕穗期多数冠层图像色彩参数与施氮量、叶片SPAD 值、植株硝酸盐浓度、植株全氮含量、0~90 cm 土壤硝态氮含量之间存在显著或极显著相关关系; 在众多色彩参数中, 拔节期冠层图像绿光标准化值G/(R+G+B)与各项氮素指标的相关性最好, 可作为冬小麦氮素营养诊断的最佳色彩参数指标;拔节期可作为应用数字图像技术进行氮素诊断的关键时期。     

应用数字图像技术进行水稻氮素营养诊断

【目的】研究田间试验条件下水稻不同生育期冠层图像色彩参数(G、NRI、NGI、NBI、G/R和G/B)及植株氮素营养指标(叶片含氮量、植株全氮含量、生物量、氮素累积量和冠层NDVI值)的时空变化特征,并分析两者间的相关性,确立水稻氮素营养诊断的最佳色彩参数和方程模型,为探明数码相机在水稻上的适宜性及精确诊断水稻氮素营养状况提供理论基础。【方法】于2013年5月9月在湖北省武汉市华中农业大学试验基地(30°28'08'N,114°21'36'E)采用不同施氮处理的田间试验,以籼型两系杂交稻"两优6326"为供试作物,设置4个施氮水平:0、75、150和225 kg/hm2(分别以N0、N75、150和N225表示),3次重复,随机区组排列。分别在水稻分蘖期、拔节期、孕穗期和灌浆期采用数码相机(Nikon-D700,1200万像素)获取水稻冠层图像,应用Adobe photoshop7.0软件直方图程序提取图像的红光值R、绿光值G和蓝光值B,研究数码相机进行水稻氮素营养诊断色彩参数,确定植株氮素营养指标诊断模型。【结果】较对照(N0)相比,分蘖期、拔节期、孕穗期和灌浆期3个施氮处理水稻地上部生物量、叶片含氮量、植株全氮含量、氮素累积量、冠层NDVI值和成熟期产量增幅分别平均为40.7%98.0%、42.4%72.4%、36.2%85.3%、125.5%209.1%、51.3%60.6%和60.1%117.0%,差异显著。水稻不同生育期各冠层数字化指标G、NRI、NGI、NBI、G/R和G/B与上述氮素营养参数相关性差异较大,且以数字图像红光标准化值NRI表现最佳,建议作为应用数码相机进行水稻氮素营养诊断的最佳冠层图像色彩参数指标。进一步分析表明,可以用统一的线性回归方程来描述不同生育期、不同氮素水平下水稻植株氮素营养指标随冠层色彩参数NRI的变化模式。【结论】数码相机进行水稻氮素营养诊断测试结果稳定,具有快速、便捷、非破坏性等优点,冠层色彩参数NRI与水稻氮素营养指标和产量之间均表现出较好的相关性,满足氮素营养无损诊断的需求,对实时、快速监测水稻长势状况及氮素营养丰缺水平具有较高的可行性,有望发展成为新时期作物氮素营养无损诊断技术的潜力。     

采用灰板校正的计算机视觉预测棉花叶绿素含量

为了提高计算机视觉技术对棉花叶绿素含量的预测精度,该文应用计算机视觉识别方法,采用灰板校正图像亮度差异,对不同水分背景下棉花叶片叶绿素含量进行预测。结果表明,光谱特征参数DGCI (dark green color index)、R-B与叶绿素含量之间存在极显著线性关系,未使用灰板校正图像的DGCI、R-B与叶绿素含量的相关系数分别为0.8857和-0.8726,使用灰板校正归一化处理后的相关系数分别为0.9073和-0.9016,灰板校正后提高了参数与叶绿素含量的相关性。比较参数DGCI、R-B在校正前后对叶绿素含量的预测精度,结果显示校正后的DGCI、R-B建立的模型预测精度高于校正前,校正后参数DGCI的预测精度大于R-B。采用校正后参数DGCI建立的Chl. a+b预测方程,其预测值与叶绿素实测值间均方根误差和相对误差分别为0.1200和5.28%,决定系数为0.8812,预测精度较高。应用计算机视觉技术预测不同水分处理下棉花叶绿素含量具有可行性,使用灰板校正后参数DGCI可以作为快速无损预测棉花叶绿素含量的最佳参数。     

基于敏感光谱波段图像特征的冬小麦LAI和地上部生物量监测

叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。