CN102612892B - 小麦麦穗发芽情况识别方法 - Google Patents
小麦麦穗发芽情况识别方法 Download PDFInfo
- Publication number
- CN102612892B CN102612892B CN201210053700.8A CN201210053700A CN102612892B CN 102612892 B CN102612892 B CN 102612892B CN 201210053700 A CN201210053700 A CN 201210053700A CN 102612892 B CN102612892 B CN 102612892B
- Authority
- CN
- China
- Prior art keywords
- wheat
- germination
- wheat head
- area
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种小麦麦穗发芽情况识别方法，包括以下步骤：S1：采集麦穗高光谱图像；S2：对所述麦穗高光谱图像进行预处理；S3：将预处理后的所述麦穗高光谱图像合成得到RGB图像；S4：在所述RGB图像中选择感兴趣的区域进行分析，得到所述感兴趣区域的平均光谱；S5：在特征波段下判断麦穗是否发芽；S6：计算发芽区域占整个麦穗面积的比例；S7：提取发芽区域的光谱反射率，判断麦穗的发芽程度；S8：根据所述发芽区域占整个麦穗面积的比例和光谱反射率，计算发芽等级。本发明可针对田间正常收获的麦穗，采用高光谱成像技术进行穗发芽检测，可实现穗发芽的快速筛选。
Description
技术领域
本发明涉及农作物育种及图像识别技术领域，尤其涉及一种小麦麦穗发芽情况识别方法。
背景技术
小麦穗发芽是指收获前遇到阴雨天气时籽粒在穗上发芽的现象，穗发芽不仅影响产量，而且严重影响品质(尤其是加工品质)和种用价值。发生可见穗发芽的麦田一般减产10％左右，严重时会绝收。小麦穗发芽不仅使小麦显著减产，而且使其加工、营养品质和种用价值均受到影响，造成严重的经济损失，因此，小麦穗发芽的识别鉴定对于小麦育种具有重要意义。在一些麦区，小麦收获前常遇到连续阴雨天气，导致穗发芽发生。近年来，随着农业种植结构的调整，白皮小麦的种植面积在逐渐扩大，但由于白皮小麦的穗发芽抗性普遍较弱，因此小麦穗发芽问题日益严重。
小麦穗发芽的鉴定方法和指标有多种，现有测试鉴别小麦穗发芽的技术有：人工目测方法，主要依靠人的经验判断小麦穗发芽的状态；以及α-淀粉酶活性测定等方法。
其中，人工目测识别小麦穗发芽方法，早期受主观影响因素较大，识别结果标准化较差；采用生物化学方法破坏性检测，但这些方法过于复杂或鉴定指标可靠性较差，α-淀粉酶活性测定过程比较复杂，效率低；培养皿种子发芽需要较大的实验空间，并要进行水分管理和连续观察监测，缺乏无损的、能连续监测的技术手段。小麦育种家所需要的鉴定方法必须具有简便高效的特点，强调其适用性。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：提供一种快速、有效的小麦麦穗发芽情况识别方法。
(二)技术方案
为解决上述问题，本发明提供了一种小麦麦穗发芽情况识别方法，包括以下步骤：
S1：采集麦穗高光谱图像；
S2：对所述麦穗高光谱图像进行预处理；
S3：将预处理后的所述麦穗高光谱图像合成得到RGB图像；
S4：在所述RGB图像中选择感兴趣的区域进行分析，得到所述感兴趣区域的平均光谱；
S5：在特征波段下判断麦穗是否发芽；
S6：计算发芽区域占整个麦穗面积的比例；
S7：提取发芽区域的光谱反射率，判断麦穗的发芽程度；
S8：根据所述发芽区域占整个麦穗面积的比例和光谱反射率，计算发芽等级。
优选地，所述步骤S2的预处理包括对采集的麦穗高光谱图像进行拼接，形成BSQ格式的图像的步骤。
优选地，所述步骤S2的预处理包括对采集的麦穗高光谱图像进行校正、滤波和增强处理的步骤。
优选地，步骤S3具体包括：对预处理后的所述麦穗高光谱图像提取光谱维对应的特征波长分别为680nm、550nm和450nm的光谱图像并进行积分转换，合成得到所述RGB图像。
优选地，步骤S4中对感兴趣的区域进行分析具体包括：对所述感兴趣区域进行放大，提取所述感兴趣区域内每个像素点的光谱，然后计算平均值。
优选地，所述步骤S1中的高光谱图像的波长范围为400-1000nm。
优选地，步骤S5中所述的特征波段在450～900nm光谱波长范围。
优选地，步骤S5中所述的特征波段为675nm光谱波长。
优选地，步骤S6具体包括：分别对所述感兴趣区域进行阈值分割，提取小麦穗部发芽区域的像素值和整个麦穗的像素值，根据像素值的个数来计算分别计算发芽区域和整个麦穗的面积，再求出发芽区域的总面积占整个麦穗图像面积的百分比，从而得到发芽面积占整个麦穗的百分比。
(三)有益效果
本发明通过结合了光谱技术和图像技术的高光谱成像对小麦穗发芽的形态特征以及小麦穗发芽感兴趣区域的光谱信息提取后进行综合分析，从而实现小麦整个麦穗的穗发芽情况快速识别。相对传统非成像光谱分析，本发明可直观看出发芽的部位；相对于机器视觉成像技术，本发明可通过光谱的反射率判断发芽等级，能够在早期更准确地判断小麦穗发芽情况。
附图说明
图1为根据本发明实施例识别方法的步骤流程示意图。
图2为根据本发明实施例识别方法提取的发芽和未发芽部位的平均光谱图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明如下。
如图1所示，本实施例记载了一种小麦麦穗发芽情况识别方法。
在本实施例中，实验样品分为四组，分别为：每天浇三次水、每天浇一次水、全天24小时浸泡、没有浇水的干燥麦穗，各30株，采集其高光谱图像信息，观测小麦穗发芽情况。在做高光谱图像实验前，把经过浇水的麦穗样品都干燥至与原来小麦穗一致的效果，防止实验过程中小麦进一步发芽，然后再采集其高光谱图像，同时降低水分差异对光谱的影响。
本实施例的识别方法包括以下步骤：
S1：采集麦穗高光谱图像；
在本实施例中，采用400-1000nm波段范围的推扫式高光谱成像仪，对小麦麦穗进行扫描。将麦穗平放，采集小麦穗部正、反两面图谱各一次，保证对麦穗的全方位观测。
其中，本实施例采用的高光谱成像仪为中国科大研制的PIS112二代高光谱成像仪，光谱仪采用了1400(空间维)×1024(光谱维)的CCD进行阵列推扫成像，光谱范围：400～1000nm；光谱分辨率：2nm，采样间隔0.7nm；采样频率：8-30幅/秒；视场角：16°。
S2：对所述麦穗高光谱图像进行预处理；
本实施例中，所述预处理包括对采集的麦穗高光谱图像进行校正、滤波和增强处理的步骤，以消除由于CCD的非线性灵敏度、光谱响应不均匀、以及量子效率不平衡等原因造成的噪声。所述校正处理包括白板和暗电流校正。
所述步骤S2的预处理包括对采集的麦穗高光谱图像进行拼接，形成BSQ格式(波段顺序格式)的图像的步骤。由于成像光谱仪采集的原始数据是BMP格式的图片，首先需要拼接成BSQ格式的图像。本实施例中具体的处理过程为：首先用Matlab软件编写程序把BMP格式的图片拼接成BIL格式的整幅影像；然后用IDL编程进行影像反射率提取，包括基于经验线性法的反射率提取，五步逐步平均法的平滑处理，最后保存为BSQ格式的图像。
S3：将预处理后的所述麦穗高光谱图像合成得到RGB图像；
高光谱图像将传统图像维与光谱维信息融合为一体，在获取小麦穗部空间图像的同时，得到每个穗部像素的连续光谱信息，即成像光谱图像是一个图像立方体，它由三部分组成：空间图像维、光谱维、特征光谱维。本实施例步骤S3对预处理后的所述麦穗高光谱图像提取光谱维对应的特征波长分别为680nm、550nm和450nm(三个波长分别与图像颜色的R分量、G分量和B分量对应)的光谱图像并进行积分转换，合成得到所述RGB图像。
S4：在所述RGB图像中选择感兴趣的区域进行分析，得到所述感兴趣区域的平均光谱；
本实施例中，步骤4具体为：根据合成的RGB图像，选择感兴趣的区域进行放大分析，提取所述感兴趣区域内每个像素点的光谱，然后计算平均值，得到感兴趣区域的平均光谱，为后续对光谱吸收特征参数(吸收波长位置、吸收深度、吸收宽度)等光谱信息挖掘奠定基础。
S5：在特征波段下判断麦穗是否发芽；
所述的特征波段在450～900nm光谱波长范围；优选地，所述的特征波段为675nm光谱波长。
针对提取的麦穗不同部位平均光谱，得出如下特点：在450～900nm波长范围，发芽小麦穗的光谱反射率在675nm处为反射吸收谷，714nm处为反射吸收峰，这与典型植被光谱曲线变化特征基本相似；而未发芽小麦穗在675nm处无光谱吸收谷出现，因此本实施例将675nm的特征吸收作为判断小麦穗发芽与否的依据。如图2所示，本实施例通过提取小麦穗部光谱图像在675nm处的单幅图像可初步判断识别小麦穗部是否发芽。
S6：计算发芽区域占整个麦穗面积的比例；
步骤S6具体包括：分别对所述感兴趣区域进行阈值分割，使用的算法主要有：反色，最大类间方差法二值化，中值滤波；提取小麦穗部发芽区域的像素值和整个麦穗的像素值，根据像素值的个数来计算分别计算发芽区域和整个麦穗的面积，再求出发芽区域的总面积占整个麦穗图像面积的百分比，从而得到发芽面积占整个麦穗的百分比。
S7：提取发芽区域的光谱反射率，判断麦穗的发芽程度；
由于发芽部分含有叶绿素成分信息，其光谱曲线图呈现的曲线图趋势与绿色作物叶绿素光谱反射率曲线图基本相似，具有以下特征：小麦穗发芽部分的叶绿素特征波段在675nm位置处，具有明显的吸收波谷，根据此波段处光谱反射率的大小可判断识别小麦穗发芽的轻重程度。发芽严重的，叶绿素含量高，因此提取的相应光谱反射率会较高。
S8：根据所述发芽区域占整个麦穗面积的比例和光谱反射率，判断识别小麦穗发芽的轻重程度等级，以此综合评判小麦麦穗发芽的情况。穗发芽的等级包括无发芽、轻度发芽、重度发芽三个等级。
本发明通过采集未知的小麦穗发芽样品高光谱图像，提取光谱信息、通过图像处理即可进行小麦穗发芽的监测。本发明可针对田间正常收获的麦穗，采用高光谱成像技术进行穗发芽检测，可实现穗发芽的快速筛选。
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。
Claims (6)
1.一种小麦麦穗发芽情况识别方法，其特征在于，包括以下步骤：
S1：采集麦穗高光谱图像；
S2：对所述麦穗高光谱图像进行预处理，其中，所述预处理包括：对采集的麦穗高光谱图像进行拼接，形成BSQ格式的图像的步骤；或者，对采集的麦穗高光谱图像进行校正、滤波和增强处理的步骤；
S3：将预处理后的所述麦穗高光谱图像合成得到RGB图像；
S4：在所述RGB图像中选择感兴趣的区域进行分析，得到所述感兴趣区域的平均光谱；
S5：在特征波段下判断麦穗是否发芽；
S6：计算发芽区域占整个麦穗面积的比例，具体包括：
分别对所述感兴趣区域进行阈值分割，提取小麦穗部发芽区域的像素值和整个麦穗的像素值，根据像素值的个数来分别计算发芽区域和整个麦穗的面积，再求出发芽区域的总面积占整个麦穗图像面积的百分比，从而得到发芽区域面积占整个麦穗面积的百分比；
S7：提取发芽区域的光谱反射率，判断麦穗的发芽程度；
S8：根据所述发芽区域占整个麦穗面积的比例和光谱反射率，计算发芽等级。
2.如权利要求1所述的小麦麦穗发芽情况识别方法，其特征在于，步骤S3具体包括：对预处理后的所述麦穗高光谱图像提取光谱维对应的特征波长分别为680nm、550nm和450nm的光谱图像并进行积分转换，合成得到所述RGB图像。
3.如权利要求1所述的小麦麦穗发芽情况识别方法，其特征在于，步骤S4中对感兴趣的区域进行分析具体包括：对所述感兴趣区域进行放大，提取所述感兴趣区域内每个像素点的光谱，然后计算平均值。
4.如权利要求1所述的小麦麦穗发芽情况识别方法，其特征在于，所述步骤S1中的高光谱图像的波长范围为400-1000nm。
5.如权利要求1所述的小麦麦穗发芽情况识别方法，其特征在于，步骤S5中所述的特征波段在450～900nm光谱波长范围。
6.如权利要求5所述的小麦麦穗发芽情况识别方法，其特征在于，步骤S5中所述的特征波段为675nm光谱波长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210053700.8A CN102612892B (zh) | 2012-03-02 | 2012-03-02 | 小麦麦穗发芽情况识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210053700.8A CN102612892B (zh) | 2012-03-02 | 2012-03-02 | 小麦麦穗发芽情况识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102612892A CN102612892A (zh) | 2012-08-01 |
| CN102612892B true CN102612892B (zh) | 2014-05-07 |
Family
ID=46553376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210053700.8A Active CN102612892B (zh) | 2012-03-02 | 2012-03-02 | 小麦麦穗发芽情况识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102612892B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855485B (zh) * | 2012-08-07 | 2015-10-28 | 华中科技大学 | 一种小麦抽穗的自动检测方法 |
| CN102948282B (zh) * | 2012-10-31 | 2013-12-25 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
| CN104849287B (zh) * | 2015-06-10 | 2018-05-01 | 国家电网公司 | 一种复合绝缘子污秽程度非接触检测方法 |
| CN105424623B (zh) * | 2015-11-05 | 2017-12-12 | 浙江大学 | 一种利用特征三角形高度预警马铃薯发芽的方法 |
| CN105300895B (zh) * | 2015-11-05 | 2017-12-26 | 浙江大学 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
| CN105424622B (zh) * | 2015-11-05 | 2018-01-30 | 浙江大学 | 一种利用特征三角形面积预警马铃薯发芽的方法 |
| CN109863530B (zh) * | 2016-10-19 | 2022-11-15 | 巴斯夫农化商标有限公司 | 用于确定谷穗的谷粒重量的方法、***和计算机可读存储介质 |
| CN109164014B (zh) * | 2018-06-28 | 2020-11-06 | 浙江理工大学 | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
| WO2020082264A1 (zh) * | 2018-10-24 | 2020-04-30 | 合刃科技（深圳）有限公司 | 基于高光谱光学传感器的涂层区域定位方法和装置、及除胶*** |
| CN110132862B (zh) * | 2019-05-30 | 2021-07-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1900695A (zh) * | 2005-07-21 | 2007-01-24 | 李少昆 | 基于高光谱的小麦氮素含量与籽粒蛋白品质田间快速监测方法 |
-
2012
- 2012-03-02 CN CN201210053700.8A patent/CN102612892B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN102612892A (zh) | 2012-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102612892B (zh) | 小麦麦穗发芽情况识别方法 | |
| US10127451B1 (en) | Method of detecting and quantifying sun-drying crops using satellite derived spectral signals | |
| CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
| Hall et al. | Optical remote sensing applications in viticulture‐a review | |
| CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
| CN102948282B (zh) | 小麦麦穗发芽程度检测方法 | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及*** | |
| CN111612777B (zh) | 一种基于叶片衰老失水指数的大豆制图方法 | |
| CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
| CN105300895B (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
| CN112557393A (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN115953690B (zh) | 用于无人收割机行进校准的倒伏作物识别方法 | |
| CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
| CN114049564A (zh) | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 | |
| CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
| Payne et al. | Machine vision in estimation of fruit crop yield | |
| CN105426585B (zh) | 一种基于正弦函数拟合法的马铃薯发芽预警方法 | |
| CN106683069A (zh) | 农田苗期行内作物-杂草识别方法 | |
| CN105424622B (zh) | 一种利用特征三角形面积预警马铃薯发芽的方法 | |
| CN101911877A (zh) | 基于激光漫反射图像技术的种子生命力鉴别装置和方法 | |
| CN107169940B (zh) | 基于电子识别的单株梨树产量获取方法 | |
| Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
| CN114782843A (zh) | 基于无人机多光谱图像融合的作物产量预测方法及*** | |
| CN108982386B (zh) | 一种檀香叶片全铁含量的多光谱图像确定方法及*** | |
| Shi et al. | Method for crop classification based on multi-source remote sensing data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |