服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例>>农业环境
基于图像处理烤烟鲜烟叶含水率诊断研究

基于图像处理烤烟鲜烟叶含水率诊断研究


image.png


0引 言

烤烟是贵州省各地区农户的主要经济作物之一,种植质量的好坏直接影响其产量和侬户的收成。叶片作为作物进行光合作用和蒸腾作用的主要器官,其大小、纹理和颜色 等外观形态特征反映了作物的生长状态。如在生长期水分不足时,会在叶片大小和颜色等外部形态上表现出来,此时利用图像处理的方法可以发现肉眼很难分辨出的一些细小差别,及早对烤烟叶片含水率进行诊断,以降低缺水对烟叶生长的影响。

图像处理与分析技术在作物水分检测方面得到了一定的研究与应用。目前,相关的研究主要集中在葡萄、玉米、棉花、黄瓜等作物的水分检测上。颜色作为图像最直观的视觉特征之一,在基于颜色特征的水分亏缺诊断研究中,大多是提取农作物的图像 R、G、B、H、I、S分量的值,对其进行多种组合变换,从而分析它们与作物水分状况的相关关系,建立相应的数学模型。劳东青等是取温棚葡萄叶片的灰度均值,基于 MATLAB 软件,建立了均值与叶片含水率的估算模型,结果表明,叶片图像灰度均值可以对葡萄叶片的含水率进行诊断。徐腾飞等通过改变灌溉不同水量的盆栽试验,利用玉米叶片图像的灰度直方图提取叶片的各种特征值,采用线性回归的方法建立各种特征值与叶片含水率之间的关系模型,结果表明,叶片灰度直方图均值参数可以对玉米的叶片含水率进行预测。王方永等分析了颜色参数与棉花水分含量及水分含量指数的预测模型,预测精度达到了90%以上,证明了基于数字化图像技术诊断棉花水分状况是可行的。孙瑞东等座绘制了最适合背景光下黄瓜叶片含水量与图像特征参数关系曲线,并采用非线性最小二乘拟合 法建立了叶片含水量与特征区域图像灰度梯度的回归模型,实现了通过黄瓜叶片图像特征判断缺水状态的无损检测目的。

本文以需要高水量的旺长期烤烟鲜烟叶为例,对基于图像处理的烤烟叶片含水率诊断方法进行探讨,旨在探讨图像处理应用于烟叶水分检测的可行性,为实现农户种植烤烟的精准灌溉提供技术依据。

1材料与方法

1.1 试验概况

试验在黔西南州兴义市黔龙古镇落红组进行,供试烤烟品种是本地区使用比较广的云烟87。采用田间覆膜种植,土壤质地为黄土壤。采摘处于旺长期的烟叶,并进行编号。

此时土壤相对含水量为 73.68%,晴,气温为 24℃。

1.2 图像采集

使用数码相机在晴天室外自然光条件下采集烟叶叶片图像。拍摄时,将叶片平放置于水平白板上,在叶片上方垂直高度约为 0.6m 处拍摄图像,相机平面与叶片平面平行,每次拍摄均采用自动曝光模式控制曝光时间和色彩平衡,避免阳光直射,也避免身体及其他物体在叶片上产生阴影。采集时间为北京时间 9:00—11:00, 图像采用 JPG 的统一存储格式。

1.3 烟叶含水率测定

图像采集后,量取最大叶长度与最大叶宽度,随后迅速放入保鲜袋中密封,带回实验室测定烟叶含水率。首先利用精度为0.01g 的电子天平称取烟叶的鲜重,再放入、电热鼓风烘箱中,调整烘干机温度为 107℃,进行烘干,由于叶片的大小不一,所以烘干时间为 5-8 h, 当间隔1h重晕恒定时,此重量即为叶片的干重。根据下式计算烤烟叶片的含水率。

image.png

式中,w0为叶片含水率,w1为叶片湿重,w2为叶片干重。

1.4 图像预处理

将数码相机中的图像文件导入计算机,并调整摆放方向使所有的图像统一。由于图像在采集、传输和量化等过程中可能会引入各种噪声,会导致图像质量下降,降低分析结果的准确性,所以必须对图像进行滤波降噪处理。

采用线性空间滤波来对图像进行滤波处理。这一过程可以使用Matlab图像处理工具箱中的imfilter函数来实现滤波降噪处理后,利用ACDsee软件中编辑功能的魔术棒工具和快速选择工具选择叶片部分,去除多余且复杂的背景和阴影。处理前后的图像对比如图1和图2所示。

image.png

1 滤波降噪后的叶片

image.png

2 去除背景后的叶片

1.5 图像特征参数提取

采用Matlab中的imread()函数读取经过预处理的叶片 图像,用rgb2gray()函数将彩色图像转化为灰度图像如图3 所示,然后对灰度图像取反如图4所示,再利用Matlab的图 像处理中的灰度直方图提取其灰度均值和反映灰度均匀性的嫡值特征值。

image.png

3 叶片灰度

image.png

图3 叶片取反



结果与分析

2.1 叶片的含水率和对应的特征值

各烟叶叶片的含水率、灰度均值和嫡值如表1所示。

1 叶片含水率及其对应特征值

image.png

2.2 预测参数提取

测量并计算出叶片的各种参数(叶片的最大宽度、最大长度、伸缩率、湿重、含水率、灰度均值和嫡值)。烟叶样本含水率处于84%-87%之间,根据含水率大小分成2组共15个样本进行参数分析。

从图5可以看出,叶片不同含水率的灰度均值特征参数的区分效果比较理想,而其他参数(叶片的最大宽度、最大长度、伸缩率、湿重和嫡值)的区分效果都不太明显。并且含水率大的叶片灰度均值较含水率小的叶片的灰度均值要大,2条曲线没有交叉,可以利用均值作为区分叶片含水率的特征值。因此,提取灰度均值参数作为对烟叶叶片含水率 预测的特征值。


image.png

5 叶片宽度(a)、长度(b)、灰度均值(c)、嫡值(d)、湿重(e)及伸缩率(f)对比

2.3 预测模型建立

为了分析烟叶含水率与灰度均值之间的关系,采用一元一次多项式和一元二次多项式拟合,拟合结果如图6和图7所示。

叶片含水率与其灰度均值之间的一元一次多项式预测模型为:

y=0.0534x+83.12,R2=0.7965

叶片含水率与其灰度均值之间的一元二次多项式预测 模型为:

y=0.0005x2+0.002lx+84.31,R2=0.8038。

式中,x为提取的灰度均值,y为根据灰度均值预测的

叶片含水率。相关系数越接近1,说明回归线对观测值的拟合效果越好。

image.png

6 一元一次多项式拟合结果

 

image.png

7 一元一次多项式拟合结果

从图6和图7可以看出,烟叶叶片的灰度均值与其含水率呈正相关关系,灰度均值越大,含水率越大。一次多项式和二次多项式拟合的相关系数值表明,使用二次多项式拟合的效果较一次多项式的拟合效果要好些,但2次的相关系数的值差别很小,而一次多项式预测模型运算要简单些。因此,选择一元一次多项式预测模型作为烤烟烟叶含水率的预测和评价指标。



3 结  论

研究结果表明,在烤烟叶片的最大长度、最大宽度、伸缩率、品重、含水率、灰度均值和墒值等参数中,灰度直方图中的灰度均值可以对烤烟叶片含水率进行预测;并建立了灰度均值与烤烟叶片含水率的线性拟合预测模型;该模型的预测结果相对比较理想,所以应用图像处理诊断烟叶的含水率是可行的。今后可对图像的预处理方法和更多的灰度特征值与叶片含水率的相关关系等进行研究,以期建立拟合程度更高的叶片含水率预测模型。


Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1