基于机器视觉和面向对象分割法的水稻钾营养胁迫快速识别方法

基于机器视觉和面向对象分割法的水稻钾营养胁迫快速识别方法

本文对水稻进行了为期2年的水培试验(提供5个钾营养水平,从极缺到正常),植物表型资讯介绍如下:

水稻缺钾时叶片会出现一些特殊症状,并且在不同钾营养水平下叶片症状表现不同,这为快速诊断水稻营养状况提供了依据。

 

1

不同钾素水平下叶片症状的差异。

本文对水稻进行了为期2年的水培试验(提供5个钾营养水平,从极缺到正常)。通过光学扫描获得4个生长期的叶片图像。为了诊断钾含量,通过面向对象法从叶片图像中分割并量化黄褐色叶缘和坏死斑等特殊症状,并通过MATLAB软件的图像颜色分析功能提取叶片另外6个光谱特征。然后根据钾含量与叶片之间的关系,从整个叶片、叶尖、淡黄色叶片边缘面积以及坏死斑数量计算出G值(RGB颜色模型中G通道的平均值),利用支持向量机(SVM)建立钾胁迫识别模型。结果表明,在生产分蘖期、无效分蘖期、拔节期和孕穗期四个生育期,水稻钾营养含量的总体鉴别正确率分别为90%、94%、94%和96%。利用另一年的数据对模型进行验证,识别正确率分别为94%、78%、80%和84%。

2

在不同比例下进行分割以提取坏死斑。

3

在不同比例下进行分割,以提取黄褐色叶边缘区域。

4

面向对象的分割方法流程图。

综上所述,采用面向对象分割法提取叶片特定症状是机器视觉技术在缺钾诊断中的一种延伸,其在植物营养诊断中的应用对有效特征的量化和识别精度的提高具有重要参考价值。

5

不同钾营养水平之间症状的比较。

 

来源:
Chen L, Huang S, Sun Y, et al. Rapid Identification of Potassium Nutrition Stress in Rice Based on Machine Vision and Object-Oriented Segmentation. Journal of Spectroscopy. https://doi.org/10.1155/2019/4623545

 

扩展阅读:

植物表型资讯两周年目录汇总

植物表型资讯2019年1-9月目录汇总

微信图片_20190924114307