叶片湿润时间监测方法及系统的利记博彩app
【专利摘要】本发明公开一种叶片湿润时间监测方法及系统，能够较为准确地计算叶片的湿润时间，而且整个过程不需要根据植株生长发育的情况进行设备调整，计算过程较为简便。方法包括：S1、采集叶片的荧光图像；S2、利用K均值聚类对所述荧光图像进行聚类分割，并对所述聚类分割的结果进行二值化，得到二值化图像；S3、采用开闭交替滤波的方式对所述二值化图像进行校正；S4、将预设的水滴形状特征和面积大小作为叶片湿润与否的判别标准，采用基于统计学习理论的支持向量机作为区分叶片荧光图像湿润与否的分类器，对所述校正后的图像进行识别，得到叶片湿润的图像数量；S5、根据所述叶片湿润的图像数量及拍照时间间隔计算叶片的湿润时间。
【专利说明】
叶片湿润时间监测方法及系统
技术领域
[0001] 本发明设及植物病害监测技术领域，具体设及一种叶片湿润时间监测方法及系 统。
【背景技术】
[0002] 叶片湿润是许多植物叶部病害侵染和流行的主导因子之一，运也就让叶片湿润时 间成为溫室蔬菜病害预警中十分关键的环境输入因子之一。近年来，人们对于叶片湿润时 间的研究取得了一定的进展。目前，目前监测叶片湿润时间的方法主要有两种:传感器测量 和模型预测。其中，电子型的叶片传感器实际应用较多。基于电阻的叶片传感器将叶片湿润 情况转化为电压或电流的数值，从而确定一个干湿阔值，W统计叶片湿润时间。但此类传感 器尚无法完全模拟植物组织的特性，不能准确反映吐水等原因造成的叶片湿润，而且传感 器在实际应用中布置复杂，由于需要保持和叶片时刻接触，使得在作物生长过程中需要经 常根据叶方位、叶倾角等移动传感器，在实际应用中面临诸多不便。模型预测的方法主要分 为机理型和经验型。模型预测是要将空气相对湿度、蒸发、福射、溫度和风速输入到模型中， W此来估算叶片湿润时间。机理型模型复杂，要求输入的参数较多，有些参数在现有条件下 难W获得。经验型虽然要求的输入参数较少，但是受地域性和人为主观因素的限制。而目前 巧光成像技术地蓬勃发展，其在植物病害检测方面发挥了重要的作用。Wulf等使用波长为 337nm的激光激发，获得苹果和胡萝h在远红外、红、绿、蓝波段的巧光光谱，分析了苹果和胡 萝h在储藏过程中新鲜度的变化。Wetterich等用Lm)灯作为激光光源采集患黄龙病的相橘 叶片巧光图像，并通过图像分割，纹理特征提取，支持向量机等步骤，实现病害叶片和正常 叶片的分割时识别。杨吴谕等分别用4种激光强度激发黄瓜活体叶片巧光，获取黄瓜叶片 504.080~899.872nm波段的巧光光谱，结合主成分分析，对光谱数据进行特征提取，建立支 持向量机检测分析模型，该模型可W鉴别黄瓜霜霉病和晒虫危害引起的症状。陈兵等研究 了黄萎病对棉花叶片的叶绿素巧光特性的影响，通过对巧光参数的分析发现，病害严重程 度与叶绿素巧光具有很好的相关性，证明巧光技术可W用于棉花黄萎病的检测。
【发明内容】
[0003] 有鉴于此，本发明提供一种叶片湿润时间监测方法及系统，能够较为准确地计算 叶片的湿润时间，而且整个过程不需要根据植株生长发育的情况进行设备调整，计算过程 较为简便。
[0004] -方面，本发明实施例提出一种叶片湿润时间监测方法，包括：
[0005] S1、采集叶片的巧光图像；
[0006] S2、利用K均值聚类对所述巧光图像进行聚类分割，并对所述聚类分割的结果进行 二值化，得到二值化图像；
[0007] S3、采用开闭交替滤波的方式对所述二值化图像进行校正；
[000引S4、将预设的水滴形状特征和面积大小作为叶片湿润与否的判别标准，采用基于 统计学习理论的支持向量机作为区分叶片巧光图像湿润与否的分类器，对所述校正后的图 像进行识别，得到叶片湿润的图像数量；
[0009] S5、根据所述叶片湿润的图像数量及拍照时间间隔计算叶片的湿润时间。
[0010] 另一方面，本发明实施例提出一种叶片湿润时间监测系统，包括：
[0011] 采集单元，用于采集叶片的巧光图像；
[0012] 分割单元，用于利用K均值聚类对所述巧光图像进行聚类分割，并对所述聚类分割 的结果进行二值化，得到二值化图像；
[0013] 滤波单元，用于采用开闭交替滤波的方式对所述二值化图像进行校正；
[0014] 识别单元，用于将预设的水滴形状特征和面积大小作为叶片湿润与否的判别标 准，采用基于统计学习理论的支持向量机作为区分叶片巧光图像湿润与否的分类器，对所 述校正后的图像进行识别，得到叶片湿润的图像数量；
[0015] 计算单元，用于根据所述叶片湿润的图像数量及拍照时间间隔计算叶片的湿润时 间。
[0016] 本发明实施例提供的叶片湿润时间监测方法及系统，利用K均值聚类、二值化和开 闭交替滤波的方式对叶片的巧光图像进行分割，然后将预设的水滴的形状特征和面积大小 作为特征变量，再应用支持向量机识别湿润的叶片，能够较为准确地计算叶片的湿润时间， 而且整个过程不需要根据植株生长发育的情况进行设备调整，计算过程较为简便。
【附图说明】
[0017] 图1为本发明叶片湿润时间监测方法一实施例的流程示意图；
[0018] 图2为本发明叶片湿润时间监测方法另一实施例的部分流程示意图；
[0019] 图3为本发明叶片湿润时间监测系统一实施例的结构示意图。
【具体实施方式】
[0020] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明 一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有 做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0021] 如图1所示，本实施例公开一种叶片湿润时间监测方法，包括：
[0022] S1、采集叶片的巧光图像；
[0023] S2、利用K均值聚类对所述巧光图像进行聚类分割，并对所述聚类分割的结果进行 二值化，得到二值化图像；
[0024] S3、采用开闭交替滤波的方式对所述二值化图像进行校正；
[0025] S4、将预设的水滴形状特征和面积大小作为叶片湿润与否的判别标准，采用基于 统计学习理论的支持向量机作为区分叶片巧光图像湿润与否的分类器，对所述校正后的图 像进行识别，得到叶片湿润的图像数量；
[0026] S5、根据所述叶片湿润的图像数量及拍照时间间隔计算叶片的湿润时间。
[0027] 本发明可W使用配有蓝光探头的便携式巧光成像仪采集叶片的巧光图像。图像采 集时，标准探头镜头与叶片间的距离约为7cm，整个巧光成像仪可W和电脑相连接，W获取 和存储叶片巧光图像。
[0028] 因为水滴的特殊性:透明、体积小、且分布范围分散，叶脉干扰等原因，自然光下， 普通的数码相机采集的数字图像要做到精确分割十分困难。而绿色植物叶片在光合作用中 吸收红光、蓝光，反射绿光（约20%)和近红外光（约50%)，而水则强烈吸收红光反射蓝绿 光。巧光成像仪选配蓝光版的Lm)光源，叶绿素分子吸收蓝光后得到能量，电子跃迁到较高 的能级，叶绿素巧光一般位于红光区，故而叶片在巧光成像仪中所成的图像呈红色;而水对 蓝光吸收较少，电子不会发生跃迁现象，因此叶片上的水在接受光照一段时间后的实时巧 光成像多呈现蓝绿色。上述特性增强了目标和背景的对比，有利于图像的有效分割，带蓝光 L邸的巧光成像技术即可提供此类图像采集方法。
[0029] 采集到的图像，观察其目标和背景的颜色对比较显著，平滑、滤波等操作后发现巧 光图像的对比度并没有显著的提高，同时还增强了叶脉的干扰，因此直接选择采集的巧光 图像进行后续的图像分割。
[0030] 叶片的巧光图像属于RGB图像，为了更好的依据颜色对图像聚类分割，将图像从 RGB颜色空间转换到L*a*b*颜色空间。L*a*b*颜色空间的优势在于：它所描述的非设备（显 示器或是数码相机)生成颜色所需要的特定颜色，不依赖于设备本身。人的肉眼可感知的色 彩，都能通过L相帥*颜色空间表现出来。另外，L相*b*颜色空间的优点还在于它弥补了 RGB 色彩模型色彩分布不均的不足，所W在依据不同的颜色块来进行聚类的分割算法中，L*a* b*颜色空间要优于RGB颜色空间。RGB颜色空间到L相帥*颜色空间不能直接转换，需要先转 换到別Z颜色空间，再由別Z颜色空间转换至L柄冲*颜色空间，转换公式如下：
[0031]
[0032]
[0033]
[0034]
[0035] 考白点，
[0036]
[0037] 在L相补颜色空间中利用a*b*二维数据空间的颜色差异，W欧式距离度量像素间 的相似度，使用K均值对图像进行聚类，聚类过程的流程图如图2所示。具体的，均值聚类算 法的实现步骤如下：
[003引1 )给定像素大小为n的样本空间数据集，随机选K个初始聚类中屯、， Zfi，Zf，…，巧Ii，其中括号内的序号为寻找聚类中屯、的迭代运算的次序号。
[0039] 2)逐个将需分类的样本空间{X}按最小距离准则分配给K个聚类中屯、中的某一个 Zf。计算样本空间{X}中每个像素Xi与Z;"的欧式距离，并将其作为相似度距离 DCY,，Zf)，其中，i = l，2，...，n，j = l，2，...，Ko计算各个样本到聚类中屯、的距离，把样本归 到离它最近的那个聚类中屯、所在的类。其中L为迭代运算的次序号，第一次迭代L=I，Sj表 示第j个聚类域，其聚类中屯、为Zj。计算该次聚类后的聚类准则函数Jt,计算公式为
[0040] 3)按照下式计算各个聚类中屯、的所有像素的均值巧:
[0041]
[0042] 其中，j = l，2,…，K，叫为第j个聚类域S冲所包含的像素的数量，将为新的聚 类中屯、进行聚类，并计算该次聚类后的聚类准则函数Jfwl。
[0043] 4)判断聚类准则函数是否收敛。若存在tG U，2,…，K}，使得严，则返回 第2)步，将样本空间数据集逐个重新分类，重复迭代运算;老
，则 算法收敛，迭代运算结束。
[0044] K-means聚类算法用于叶片巧光图像分割的基本思路是根据图像的颜色特征，先 要从给定大小的图像数据对象中选择初始聚类中屯、，对于叶片上有水滴的图像，观察图像 主要分为3个颜色块，随机从图像数据中选择3个区域的初始聚类中屯、，分别为水珠区域、背 景区域一、背景区域二，对于剩下的其他对象，则根据它们与聚类中屯、的相似度将其分配给 与其最为相似的聚类并进行标记，从而产生=种新聚类标记区域，然后再计算新聚类区域 的聚类中屯、（聚类中所有数据对象的均值），继续进行聚类，不断地重复运一过程直到聚类 准则函数收敛，运算结束。对于叶缘有水滴的巧光图像分为4个颜色块，分别为水珠区域、背 景区域一、背景区域二，背景区域=，需要选择4个初始聚类中屯、，其他算法步骤不变。最终 产生不同的聚类标记区域即为图像聚类的结果。聚类完成之后，根据聚类的结果将水滴从 图像中分割出来，得到聚类分割图像，此时的图像是彩色的，首先对其二值化，然后用数学 形态学中的开闭交替滤波方法进行校正，最终完成图像分割。
[0045] 聚类分割生成的图像对其进行二值化W后，图像存在毛刺、孤立点及空桐等情况， 采用形态学的方法对二值化图像进一步处理。结构元素选择大小为3X3的圆盘型结构元 素，开运算可起到去除分割后区域内形成的孔噪声，闭运算可W去除图像中的点噪声，一次 开运算或是闭运算处理图像的效果不理想，二者皆可W起到平滑图像的效果，结合可W得 到更理想的目标图像。因此选用开闭运算的复合方式对其进行多次滤波，最终得到比较平 滑的水滴图像。开闭运算的数学表达形式定义如下：
[0046] 令输入的原始图像为A，结构元素为B，0为腐蚀操作，e为膨胀操作，开运算定义 为：
[0047]
[0048] 开运算的作用通常为是消除细小物体，在纤细点处分离物体和平滑较大物体又不 明显改变其大小。
[0049] I'tFM方管宙皆电.
[(K)加 ]
[0051]闭运算的作用是填充物体内细小空桐、连接邻近物体，平滑边缘。
[0052] K均值聚类和开闭交替滤波运算得到二值化的目标图像，此时如果想判别给定的 叶片巧光图像是否湿润，选择水滴图像的形状特征W及面积大小，W此来作为叶片湿润与 否的判别标准。基于统计学习理论的支持向量机对小样本有很好的分类，选用其作为区分 叶片巧光图像湿润与否的分类器。分类器判别为叶片湿润的图片，输出为1，否则为-1，统计 叶片湿润图像的数量为N，巧光成像仪进行图像采集时，相邻的图片之间有固定的拍照时间 间隔，设定为t，则叶片的湿润时间可表示为T=(N-l)*t，至此算法结束。
[0053] 本发明实施例提供的叶片湿润时间监测方法，利用K均值聚类、二值化和开闭交替 滤波的方式对叶片的巧光图像进行分割，然后将预设的水滴的形状特征和面积大小作为特 征变量，再应用支持向量机识别湿润的叶片，最终计算叶片的湿润时间，能够较为准确地计 算叶片的湿润时间，而且整个过程不需要根据植株生长发育的情况进行人力调整，计算过 程较为简便。
[0054] 可选地，在本发明叶片湿润时间监测方法的另一实施例中，在所述S2之前，还包 括：
[0055] 对所述巧光图像进行是叶片上有水滴还是叶缘有水滴的检测；
[0化6] 其中，所述S2,包括：
[0057] 根据所述检测结果，利用K均值聚类对所述巧光图像进行聚类分割，其中，若所述 巧光图像中的叶片上有水滴，则所述K均值聚类所使用的聚类中屯、的数量为3个，包括1个水 滴区域的聚类中屯、和2个背景区域的聚类中屯、，或者若所述巧光图像中的叶缘有水滴，则所 述K均值聚类所使用的聚类中屯、的数量为4个，包括1个水滴区域的聚类中屯、和3个背景区域 的聚类中屯、。
[0058] 如图3所示，本实施例公开一种叶片湿润时间监测系统，包括：
[0059] 采集单元1，用于采集叶片的巧光图像；
[0060] 分割单元2,用于利用K均值聚类对所述巧光图像进行聚类分割，并对所述聚类分 割的结果进行二值化，得到二值化图像；
[0061] 滤波单元3,用于采用开闭交替滤波的方式对所述二值化图像进行校正；
[0062] 识别单元4,用于将预设的水滴形状特征和面积大小作为叶片湿润与否的判别标 准，采用基于统计学习理论的支持向量机作为区分叶片巧光图像湿润与否的分类器，对所 述校正后的图像进行识别，得到叶片湿润的图像数量；
[0063] 计算单元5,用于根据所述叶片湿润的图像数量和拍照时间间隔计算叶片的湿润 时间。
[0064] 本发明实施例提供的叶片湿润时间监测系统，利用K均值聚类、二值化和开闭交替 滤波的方式对叶片的巧光图像进行分割，然后将预设的水滴的形状特征和面积大小作为特 征变量，再应用支持向量机识别湿润的叶片，能够较为准确地计算叶片的湿润时间，而且整 个过程不需要根据植株生长发育的情况进行设备调整，计算过程较为简便。
[0065] 虽然结合附图描述了本发明的实施方式，但是本领域技术人员可W在不脱离本发 明的精神和范围的情况下做出各种修改和变型，运样的修改和变型均落入由所附权利要求 所限定的范围之内。
【主权项】
1. 一种叶片湿润时间监测方法，其特征在于，包括： 51、 采集叶片的荧光图像； 52、 利用K均值聚类对所述荧光图像进行聚类分割，并对所述聚类分割的结果进行二值 化，得到二值化图像； 53、 采用开闭交替滤波的方式对所述二值化图像进行校正； 54、 将预设的水滴形状特征和面积大小作为叶片湿润与否的判别标准，采用基于统计 学习理论的支持向量机作为区分叶片荧光图像湿润与否的分类器，对所述校正后的图像进 行识别，得到叶片湿润的图像数量； 55、 根据所述叶片湿润的图像数量及拍照时间间隔计算叶片的湿润时间。2. 根据权利要求1所述的叶片湿润时间监测方法，其特征在于，在所述S2之前，还包括： 对所述荧光图像进行是叶片上有水滴还是叶缘有水滴的检测； 其中，所述S2,包括： 根据所述检测结果，利用K均值聚类对所述荧光图像进行聚类分割，其中，若所述荧光 图像中的叶片上有水滴，则所述K均值聚类所使用的聚类中心的数量为3个，包括1个水滴区 域的聚类中心和2个背景区域的聚类中心，或者若所述荧光图像中的叶缘有水滴，则所述K 均值聚类所使用的聚类中心的数量为4个，包括1个水滴区域的聚类中心和3个背景区域的 聚类中心。3. 根据权利要求2所述的叶片湿润时间监测方法，其特征在于，在所述S2之前，还包括： 将所述荧光图像从RGB颜色空间转换到L*a*b*颜色空间。4. 根据权利要求1所述的叶片湿润时间监测方法，其特征在于，所述S3所进行的开运算 的表达式为J。丑=(淑仿Θ丑)， 所进行的闭运算的表达式为= 5?)，其中，A为原始图像，B为结构元素，Θ为 腐蚀操作，?为膨胀操作。5. 根据权利要求1所述的叶片湿润时间监测方法，其特征在于，所述S5，包括： 计算叶片的湿润时间Τ，计算公式为T=(N-l)*t，其中，N为叶片湿润的图像数量，t为所 述荧光图像采集的时间间隔。6. 根据权利要求1所述的叶片湿润时间监测方法，其特征在于，所述Sl，包括： 使用配有蓝光版MINI-探头的便携式IMAGING-PAM荧光成像仪采集所述荧光图像。7. -种叶片湿润时间监测系统，其特征在于，包括： 采集单元，用于采集叶片的荧光图像； 分割单元，用于利用K均值聚类对所述荧光图像进行聚类分割，并对所述聚类分割的结 果进行二值化，得到二值化图像； 滤波单元，用于采用开闭交替滤波的方式对所述二值化图像进行校正； 识别单元，用于将预设的水滴形状特征和面积大小作为叶片湿润与否的判别标准，采 用基于统计学习理论的支持向量机作为区分叶片荧光图像湿润与否的分类器，对所述校正 后的图像进行识别，得到叶片湿润的图像数量； 计算单元，用于根据所述叶片湿润的图像数量及拍照时间间隔计算叶片的湿润时间。
【文档编号】G06K9/62GK106022370SQ201610326752
【公开日】2016年10月12日
【申请日】2016年5月17日
【发明人】李明, 孙文娟, 陈梅香, 明楠, 赵丽, 杨信廷
【申请人】北京农业信息技术研究中心