基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

RGB与HSI色彩空间下预测叶绿素相对含量的研究

为探明RGB与HSI两种色彩空间下水稻叶色图像参数与叶绿素相对含量(SPAD)之间的关系,应用支持向量机的方法预测水稻叶片的SPAD值,为快速精准获取植物SPAD值提供理论基础,同时为科学施肥提供理论指导。水稻田间试验于2015—2017年在江西农业大学农学试验站和江西省成新农场进行,供试水稻品种为金优458(JY458)、中早35(ZZ35)和两优培九(LYP9),每个水稻品种均设计4组不同的氮素水平。通过对获取的水稻图像进行叶色参数提取以及叶绿素仪测量的SPAD值来分析水稻叶色图像参数与SPAD值之间的关系,并用支持向量机的方法建立相关模型预测SPAD值。结果显示,较RGB色彩空间下三种水稻品种在HSI色彩空间上预测值的均方根误差分别减少了0.067 5(JY458)、0.020 0(ZZ35)和0.154 2(LYP9),平均相对误差比RGB色彩空间下分别减少了0.084 2(JY458)、0.133 5(ZZ35)和0.238 2百分点(LYP9)。水稻叶片在两种不同色彩空间下的叶色图像参数和水稻叶片SPAD值之间存在显著性相关(P<0.05),利用改进的网格搜索算法优化支持向量机的方法建立水稻叶片SPAD值预测模型,其预测结果误差小,为快速准确无损获取植物SPAD值的预测提供了一种新方法。     

基于图像特征的油菜叶绿素含量快速估算

农业生产中叶片颜色通常被用作植物生长胁迫的诊断指标,叶片颜色与作物叶绿素含量密切相关。当前叶绿素含量的化学测定方法需耗费较多人力物力,而且得到测定结果存在滞后性,不能用于作物田间及时管理。通过油菜叶片图像颜色如R(红)G(绿)B(蓝)空间与Lab空间特征参数,可实现油菜叶绿素含量的估算。本研究表明:基于叶片图像颜色特征参数估算叶绿素a含量的模型精度较高,总叶绿素含量模型次之,叶绿素b含量模型较差。通过颜色空间特征参数的转换与组合能提高叶绿素含量估算模型的精度,如RGB空间内,R+G与叶绿素a含量的相关系数为-0.860,达到极显著相关水平,优于R与叶绿素a含量的相关系数;另外,基于RGB和Lab空间颜色特征值的叶绿素含量估算值与实际测量值有较好的线性关系,测量值与实际值偏离较小,其中基于G值、L值的总叶绿素含量验证线性模型精度R²分别为0.916 5和0.919 9,应用前景较为广阔。     

水稻叶片SPAD值的高光谱估算模型

[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持.     

基于水稻冠层高光谱的叶片SPAD值估算模型研究

为进一步提高水稻冠层光谱对叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值的反演精度,利用光谱仪和叶绿素计实测了水稻全生育期的冠层高光谱反射率和SPAD值,并对原始光谱反射率及一阶导数光谱与叶片SPAD值进行了相关性分析;利用主成分分析(principle component analysis,PCA)对原始光谱数据进行降维,将得到的主成分作为输入变量,分别应用逐步多元线性回归分析法(stepwise multiple linear regression,SMLR)与支持向量回归(support vector regression,SVR)构建叶片SPAD值的高光谱估算模型;另分析322种冠层光谱参数与叶片SPAD值之间的相关关系,筛选相关系数高的14种特征参数作为输入变量,分别应用逐步回归与支持向量回归构建SPAD值的高光谱估算模型,并进行验证。结果表明,叶片SPAD值与水稻冠层原始光谱反射率的相关性在669 nm处高达-0.876,与一阶导数光谱的相关性在543 nm处最高达-0.834;不同模型的精度值各异,以特征参数为输入变量建立的逐步回归模型和SVR模型的均方根误差RMSEv分别为2.926、3.895,相对分析误差RPD分别为2.064、1.55。而基于主成分分析建立的逐步回归模型和SVR模型的RMSEv分别为3.349、2.631,RPD分别为1.803、2.295。对比发现主成分分析结合支持向量机模型可以很好地预测叶片SPAD值。     

不同玉米品种叶片SPAD值估测模型的构建及其差异性研究

【目的】探究玉米叶片SPAD值与其高光谱特征之间的品种差异,构建不同玉米品种叶片SPAD值估测模型,并对模型应用范围进行验证。【方法】通过大田试验,测定多个玉米品种叶片的SPAD值及其高光谱数据,利用相关分析及逐步回归分析等方法,构建和筛选玉米叶片SPAD值与相关光谱参数的回归模型,并利用偏差率对模型精度进行检验。【结果】不同玉米品种叶片的SPAD值与其高光谱反射率及一阶导数的相关波段存在差异,但品种间差异较小,关系最密切的波段均处于560和700nm附近。对不同玉米品种的光谱反射率一阶导数进行比较时,出现"红移"现象,"红移"规律与各品种叶片SPAD值大小表现一致;叶片SPAD值与光谱反射率一阶导数的显著相关波段在510,615,690和740nm附近。在构建估测模型时,以单波段光谱参数构建的模型估测效果较组合波段构建的模型好,且模型类型为多元方程和指数方程。以单一玉米品种叶片光谱参数建立的模型可以对其他玉米品种叶片的SPAD值进行估测,但估测精度在不同品种间存在差异。【结论】以高光谱560nm附近波段反射率建立的模型精度最高,对不同品种的玉米叶片SPAD预测值偏差率普遍小于5.00%。     

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关性,g分量与磷元素含量呈显著相关性,G/R分量与钾元素含量呈极显著相关性。选择叶片颜色特征分量跟元帅系苹果叶片氮、磷、钾元素的最高显著相关特征参数,建立的元帅系苹果叶片氮、磷、钾营养水平估算模型为y=-6.780x+8.913、y=-1.813x+1.158、y=-25.196x+22.872,其中x分别为叶片颜色特征G/B、g、G/R的分量值。氮、磷、钾预测值与实测值相关系数分别达到极显著（0.721）、显著（0.522）、极显著（0.644）水平,能较为可靠的反映元帅系苹果叶片的营养水平。     

不同菌草品种叶片叶绿素含量的光谱特征参数模型研究

【目的】建立各种品种菌草叶片叶绿素光谱模型为快速无损地评估菌草健康状态提供理论依据。【方法】利用多光谱相机拍摄光谱信息，使用RGB和HSV两种颜色空间系统进行NDSI、RSI植被指数指标的建立，并采用4种回归算法进行叶绿素相对含量即SPAD值和光谱信息建模，选出合适菌草的模型。【结果】不同品种的菌草SPAD值差异不显著，主要是健康和干枯叶片的差异。叶片SPAD值和光谱反射值具有良好的相关性，RGB颜色系统红波段是最相关的波段，相关性达到-0.79。试验证明红波段的变化在健康叶片和干枯叶片之间更敏感。2种颜色系统综合评价，建模精度及稳定由高到低依次为：包含5个通道的RGB颜色系统，HSV颜色系统，仅包含R、G、B 3个通道的颜色系统。4种反演方法中，反演效果最好依次为随机森林机器学习方法、支持向量机机器学习和逐步线性回归方法、一元线性统计方法。预测SPAD值拟合效果最好的是RGB-NDSI-RF类型，其拟合数R²为0.95、RMSE为3.04、MRE为0.19，验证R²为0.75、RMSE为8.26、MRE为0.76。【结论】机器学习方法尤其是...     

基于颜色特征的加工番茄叶片氮素评价初步研究

利用数码相机获取加工番茄地上部分彩色图像,通过图像处理软件提取RGB及其组合的颜色特征值,同时与氮素指标叶片叶绿素含量、SPAD值、叶片含氮量及单株吸氮量作回归分析,根据统计性检验,有相当数量的颜色特征与4个氮素指标呈较高的相关性,相关系数达到r=0.7以上.综合筛选出的颜色特征指标,结合地面覆盖度与氮素营养指标建立以叶片含氮量为应变量的估算模型.经模型校验,其预测值与实测值在n=15,P＜0.01水平上达r=0.8以上的极显著相关.因此,可依据颜色特征参数通过建立相应的统计模型进行加工番茄叶片氮素含量的评价,进而为加工番茄氮素营养诊断提供依据.     

机器视觉技术在金莲花灌溉中的应用研究

应用机器视觉技术研究了判断作物缺水状态的方法.在日光条件下采集了金莲花叶片图像,然后分别提取了红绿蓝(RGB)三色分量和它们的相对系数rgb及色度H.在RGB和HSI颜色模型下分析了各分量与作物缺水时间之间的相关特性.分析结果表明红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量都与缺水时间之间有相当高的相关性,可以用作利用机器视觉快速判断金莲花缺水状况的指标,而其他分量与缺水时间之间没有明显的相关性.