大豆叶片视觉信息提取及氮素缺超诊断模型研究

论文摘要

大豆是我国重要的粮食兼油料作物,在人们的生活中占有很大的比重。中国是大豆生产及进口的大国,大豆的产量直接影响人们的生活质量,而保证大豆产量的前提条件是氮肥正确和及时的实施。大豆植株氮肥缺失或者超量会在其形态上表现出来,有研究报道缺氮的大豆叶片会出现青铜色斑块,叶片会变黄而干枯,茎瘦长等症状。通过跟踪大豆叶片的生长情况来确定在大豆生长的不同时期所需的氮肥量,从而来正确和及时的指导氮肥施加量,对大豆的增产起了推动作用。目前,对大豆缺失及超量氮肥的信息获取主要依靠人工目测的方法,由于个人知识水平和实践经验的差异,所以诊断过程精度低、主观性强、存在误判的情况,甚至会出现对于同一症状不同人给出不同结论的现象。针对这种情况,本文将大豆叶片的形态同数字图像处理技术、数理统计技术等相结合,研究并实现了大豆叶片氮元素缺失及超量的自动、准确、高精度的检测。本文采用沙培方法培育了含氮量为0%、50%、100%以及150%的大量样本,在其生长的不同阶段采集大豆叶片,通过扫描仪对叶片进行扫描获取各个时期的大豆叶片样本。大豆的生长可分V期和R期。V是营养生长期,V2指两片叶子期,V3指三片叶子期;R是生殖生长期,R1是初花期,R2是盛花期,R3初荚期,R4盛荚期,R5鼓粒初期,R6鼓粒盛期。本研究主要采集V2,V3和R1~R4期的叶片为研究对象,分别采集了这六个不同时期中不同含氮量的大豆叶片作为研究对象,建立样本库以便后期的叶片的特征提取。对采集的图片进行图像灰度化,图像滤波等预处理,分析比较常用的几种分割方法,运用改进的最大类间方差法确定阈值T对叶片进行背景分割。为了减少由光照变化产生的干扰,经比较提出了在RGB颜色模型下选取B分量进行叶片分割的方法。通过对叶片特征的分析,综合颜色、形状和纹理三方面特征对叶片进行了有效的描述,提取了叶片RGB、HSV和Lab颜色分量的均值、偏差、三阶矩27个颜色特征值;能量均值、能量偏差、相关性均值、相关性偏差、同次性均值、同次性偏差、差异性均值、差异性偏差8个纹理特征值;平均椭长短轴比、紧实度均值、平均内外径比、畸形度均值、圆形度均值5个形状特征值,共40个特征值。建立了基于BP神经网络的大豆叶片缺超素识别系统,将提取到的特征参数进行了标准化处理和主成份分析,达到了数据降维的目的。通过对大豆生长的六个不同时期的叶片样本进行训练,其中每个时期选取160幅叶片作为神经网络输入,并对每个时期120幅实验样本进行测试。系统的平均识别精度达到93.6%,可以满足实际生产中的识别需要。

论文目录

• 摘要
• 英文摘要
• 1 前言
• 1.1 研究的目的与意义
• 1.2 机器视觉概述
• 1.3 图像处理技术在农业中的研究现状
• 1.3.1 图像处理在作物营养及病虫害检测中的应用
• 1.3.2 图像处理在农业机器人中的应用
• 1.3.3 图像处理在农产品外观检测中的应用
• 1.4 研究的主要内容与方法
• 1.5 可行性研究
• 1.6 本章小结
• 2 样本图像的采集
• 2.1 大豆叶片样本的培育
• 2.2 大豆样本采集系统的设计
• 2.2.1 图像采集部分的组成
• 2.2.2 图像采集
• 2.3 本章小结
• 3 图像预处理方法的研究
• 3.1 彩色图像灰度化
• 3.2 图像滤波
• 3.3 图像分割
• 3.3.1 图像分割概述
• 3.3.2 阈值分割法
• 3.3.3 形态学运算
• 3.4 本章小结
• 4 样本特征提取的研究
• 4.1 特征提取和选择
• 4.2 颜色特征提取
• 4.2.1 颜色系统的选择
• 4.2.2 颜色特征值提取
• 4.3 纹理特征提取
• 4.3.1 纹理的概念
• 4.3.2 纹理的统计分析法
• 4.3.3 纹理特征提取
• 4.4 形状特征提取
• 4.5 本章小结
• 5 大豆叶片缺超素的识别
• 5.1 神经网络系统简介
• 5.2 BP 神经网络的实现
• 5.2.1 特征值的降维处理
• 5.2.2 神经网络的创建
• 5.3 不同时期大豆叶片的识别
• 5.3.1 V2 期叶片识别
• 5.3.2 V3 期叶片识别
• 5.3.3 R1 期叶片识别
• 5.3.4 R2 期叶片识别
• 5.3.5 R3 期叶片识别
• 5.3.6 R4 期叶片识别
• 5.3.7 结果分析
• 5.4 本章小结
• 6 结论与展望
• 6.1 结论
• 6.2 研究特色
• 6.3 展望
• 致谢
• 参考文献
• 附录
• 攻读学位期间发表的学术论文