本发明属于农业自动化领域,具体涉及水稻表型参数自动化测量,尤其涉及一种基于机器视觉的盆栽水稻卷叶程度定量化测量方法。具体特指一种利用相机拍摄水稻的rgb图像,并通过图像处理技术提取水稻的数字化卷叶程度的水稻卷叶程度测量方法。
背景技术:
随着全球气候的变化,干旱已成为制约水稻生产的重要因素之一。培育抗旱品系对于稳定及提高水稻产量有重要的意义。水稻抗旱品系的培育首先要求能科学有效地评价与筛选待鉴定材料的抗旱性。
水稻抗旱性主要通过对抗旱指标的鉴定来实现,因此选择相关性好、有效的抗旱性状指标是抗旱鉴定的关键。卷叶是水稻抗旱研究中的一种重要性状,传统对卷叶程度的衡量主要基于人工观测,将卷叶从不卷到卷曲分为5个等级。0级:无卷叶症状,或20%以下叶片卷曲;1级:20%-40%的叶片面积发生卷曲;2级:41%-60%的叶片面积发生卷曲;3级:61%-80%的叶片面积发生卷曲;4级:81%以上叶片卷成筒状。这种方法具有很大的主观性,不同观测人员得出的结论可能不一样。另外,这种方法仅仅能将卷叶程度分为5级,无法定量化测量卷叶程度。
针对自动化卷叶程度测量方面的研究较少。sirault等(2015)通过拍摄水稻样品的横截面图像,基于叶片的凸壳统计特征或使用三次样条拟合叶片的横截面形状并计算样条的统计特征,测量小麦剑叶的卷曲程度。然而,他们的方法有损,且操作复杂,需要将叶片从植株上剪下,并以最大叶片长度的30%为中心切成30mm的长条,接着将30mm长条切为10个3mm长的小段,将其置于已知渗透压的水中进行人为卷曲,待卷叶平衡时将叶片长条的横截面朝向相机,使相机能拍摄到其横截面的形状,进行成像。最重要的是,他们的研究只能针对作物的单片叶卷曲程度进行研究,而无法研究作物植株整体的卷曲程度。
基于机器视觉实现对作物表型参数的提取是植物学一个新兴的领域。蒋霓(2014,博士论文)通过exg分量分割绿色植株,实现了对单株水稻绿叶面积的无损测量。黄成龙等(2017)通过采集玉米的时间序列图像,由图像分割、叶片骨架提取等算法,实现了对单片叶长、叶角度、叶弯曲度等参数的自动测量。仇瑞承等(2017)利用rgb-d相机获取玉米的彩色图像和深度图像,由cg分量分割玉米植株,实现了对玉米茎粗的自动测量。王全宇等(2016)提出了叶片角度比值的干旱胁迫表型参数计算方法。以上研究中图像处理及参数提取方法都是针对特定环境和特定作物设定,无法直接应用于本研究中的水稻卷叶程度测量。公开号为cn106097372a的发明专利公开了一种基于图像处理的农作物植株水分胁迫表型检测方法,该方法将植株分割得到茎秆图案和叶片图案,通过计算茎秆和叶片的角度值,对农作物的叶片受水平胁迫时的变化进行评估。该方法适合于玉米等株型简单的作物,而水稻为多分蘖作物,无法自动获取茎秆和叶片的角度值。综上,上述方法无法直接应用于水稻卷叶程度的测量。
技术实现要素:
(一)要解决的技术问题
为了克服现有技术有损、操作复杂等问题,本发明提供了一种无损的、基于机器视觉的盆栽水稻卷叶程度定量化测量方法,用于定量化测量盆栽水稻整株水平的卷叶程度。
(二)技术方案
本发明为了解决其技术问题所采用的技术方案,提供了一种基于机器视觉的盆栽单株水稻卷叶程度测量方法,其包括:
步骤a,对每一株水稻,获取其在不同时间点上的水稻图像,盆栽水稻通过输送线自动传输至成像区域,由旋转台带动水稻植株旋转360°,在旋转的过程中,每隔18°,由相机拍摄一张侧视图,共获取20张侧视图像,通过图像采集卡传输至计算机并进行保存;
步骤b,对于每一张水稻rgb图像,将水稻rgb图像转化为hsl颜色空间,分别针对h、s、l三个颜色通道各设置最小阈值和最大阈值,若某个像素点像素值[h,s,l]满足hmin<h<hmax,smin<s<smax,lmin<l<lmax,则该像素点被标记为前景点,否则为背景点;阈值分割后,去除面积小于面积阈值的区域,得到植株二值图像;
步骤c,基于植株二值图像,提取3个卷叶相关图像特征,具体步骤为:
(1)基于植株的二值图,计算前景像素点的数目,作为植株的面积;提取植株的外轮廓,计算外轮廓长,作为植株的周长;
(2)基于植株的二值图,计算植株的最小外接矩形,计算外接矩形的面积;计算植株的凸壳及凸壳面积;
(3)提取三个卷叶相关图像特征:周长面积比(简称par),植株占空比(简称arr),植株凸壳比(简称acr),其中
步骤d,计算每一个时间点上各个角度下卷叶相关图像特征的平均值,作为该时间点上的数字化卷叶值。
该方法也能够应用于其他作物,例如玉米、小麦、大麦等作物的卷叶程度的测量。
(三)有益效果
本发明基于发明人在本领域多年的技术积累和研发,提供了一种无损、操作简单、能在整株水平上进行定量化测量水稻卷叶程度的方法,克服了目前人工检测手段主观性强、仅能对水稻卷叶进行分级记分的缺点,其对提高我国作物表型数字化测量水平、支撑相关领域研究如水稻抗旱性评价与抗旱品种筛选等具有重要科学意义及潜在应用价值。
附图说明
图1为本发明的总体技术方案。
图2为本发明的成像硬件装置示意图。
图3为图像处理获取植株外轮廓、最小外接矩形及凸壳。
图4为水稻干旱胁迫后数字化卷叶值的时间序列变化。(a)数字化卷叶特征随时间变化的序列值,(b)数字化卷叶特征随时间变化的序列值,(c)代表性天数水稻图像。
图5为水稻干旱胁迫及复水后数字化卷叶值的时间序列变化。(a)数字化卷叶特征随时问变化的序列值,(b)代表性天数水稻图像。
图2中,1-输送线,2-侧视相机,3-旋转台,4-图像采集卡,5-计算机。
具体实施方式
为了加深对本发明的理解,下面将结合实施例和附图对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
本发明提供的基于机器视觉的盆栽水稻卷叶程度定量化测量方法的总体技术方案如图1,主要包含以下步骤:
步骤a,对每一株水稻,由图2所示的成像硬件装置,获取其在不同时间点上的水稻图像,盆栽水稻通过输送线自动传输至成像区域,由旋转台带动水稻植株旋转360°,在旋转的过程中,每隔18°,由相机拍摄一张侧视图,共获取20张侧视图像,通过图像采集卡传输至计算机并进行保存;
步骤b,对于每一张水稻rgb图像,将水稻rgb图像转化为hsl颜色空间,分别针对h、s、l三个颜色通道各设置最小阈值和最大阈值,若某个像素点像素值[h,s,l]满足hmin<h<hmax,smin<s<smax,lmin<l<lmax,则该像素点被标记为前景点,否则为背景点;阈值分割后,去除面积小于面积阈值的区域,得到植株二值图像;
步骤c,基于植株二值图像,提取3个卷叶相关图像特征,具体步骤为:
(1)基于植株的二值图,计算前景像素点的数目,作为植株的面积;提取植株的外轮廓,计算外轮廓长,作为植株的周长;
(2)基于植株的二值图,计算植株的最小外接矩形,计算外接矩形的面积;计算植株的凸壳及凸壳面积;
(3)提取三个卷叶相关图像特征:周长面积比(简称par),植株占空比(简称arr),植株凸壳比(简称acr),其中
步骤d,计算每一个时间点上各个角度下卷叶相关图像特征的平均值,作为该时间点上的数字化卷叶值。
实施例
1、水稻干旱胁迫后数字化卷叶值的时间序列变化测试
实验生物材料:处于孕穗期的盆栽水稻
将水稻采用盆栽法种植于大棚,在水稻孕穗期拍摄水稻正常状态下的图像,作为对照。然后进行干旱胁迫,每天拍摄水稻在不同角度下的rgb图像,直至水稻干枯。
图4显示了水稻干旱胁迫后数字化卷叶值的时间序列变化。从图中可以看出,随着胁迫程度的加深,par呈上升趋势,而arr和acr呈下降趋势,与经验相符。另外,当三个数字化卷叶特征变化量较大时,说明正在发生肉眼可见的卷叶。其中,卷叶特征变化量定义为第i个时间点与第i-1个时间点对应卷叶特征的差值。
2、水稻干旱胁迫及复水后数字化卷叶值的时间序列变化
实验生物材料:处于孕穗期的盆栽水稻
将水稻采用盆栽法种植于大棚,在水稻孕穗期拍摄水稻正常状态下的图像,作为对照。然后进行干旱胁迫,根据水稻卷曲情况,每隔一段时间(约30分钟)采集一次水稻在不同角度下的rgb图像,记录水稻从不卷至卷曲的过程,为了保证水稻复水后能恢复,在叶片并未完全卷曲时即复水,再记录水稻从卷曲至叶片舒展的过程。
对获取的图像序列按照所述技术方案进行处理,获取数字化卷叶程度。图5显示了水稻干旱胁迫及复水后时间序列上的数字化卷叶程度。可以看出,随着胁迫程度的加深,par升高,arr和acr下降;复水后,par下降,arr和acr上升;这些都与经验相符。
以上两个实施例说明数字化卷叶程度能客观准确地定量化测量水稻的卷叶程度。
该方法也能够应用于其他作物,例如玉米、小麦、大麦等作物的卷叶程度测量。
本申请中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。