一种评估水稻产量的方法
【专利摘要】本发明公开了一种评估水稻产量的方法，包括如下步骤：步骤(1)：在田间试验中，采集处于灌浆末期的水稻冠层数字图像；获取红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI；获得田间试验水稻实测产量；得到第一拟合方程和第二拟合方程；步骤(2)：在大田验证中，采集灌浆末期的水稻冠层数字图像；获取红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI；将红光标准化值NRI输入第一拟合方程，将蓝光标准化值NBI输入第二拟合方程，得到大田水稻预测产量。本发明对水稻产量进行预测得到的预测产量与实测产量之间符合度较高，能够较好的预测水稻籽粒产量。本发明操作相比现有技术简单，且成本低。
【专利说明】
一种评估水稻产量的方法
技术领域
[0001] 本发明涉及一种评估水稻产量的方法，具体涉及一种基于数字图像评估水稻产量 的方法，本发明属于水稻产量评估领域。
【背景技术】
[0002] 目前市场上评估水稻产量的方法主要有光谱诊断法、遥感评估法等，但是这些方 法均需要价格昂贵的光谱仪或者购买卫星遥感图片，且操作步骤繁琐，从而导致推广和应 用较难。由于其较低的价格走势，数码相机等数码拍摄设备目前已经在各行各业中普遍使 用，且已经与智能手机完全融合。通过数码相机等数码拍摄设备拍摄水稻植株的数字图像， 而根据前人研究，数字图像的RGB值与水稻养分和产量存在密切相关。但是现有技术中尚没 有基于数字图像来实现水稻产量评估的方法。
【发明内容】
[0003] 为解决现有技术的不足，本发明的目的在于提供一种评估水稻产量的方法，从而 降低评估水稻产量的成本和操作难度。
[0004] 为了实现上述目标，本发明的技术方案为：
[0005] -种评估水稻产量的方法，包括如下步骤：
[0006] 步骤(1):在田间试验中，操作如下:采集处于灌浆末期的水稻冠层数字图像;从所 述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值 NGI和蓝光标准化值NBI，其中NRI = R/(R+G+B)，NGI = G/(R+G+B)，NBI = B/(R+G+B);获得田 间试验水稻实测产量;得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红 光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标 准化值NBI与田间试验水稻实测产量的拟合方程；
[0007] 步骤(2):在大田验证中，操作如下:采集灌浆末期的水稻冠层数字图像;从所述数 字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI 和蓝光标准化值呢1:其中冊1 = 1?/(1?+6+8)，如1=6/(1?+6+8)，呢1=8/(1?+6+8);将红光标准 化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方 程，得到大田水稻预测产量。
[0008] 优选的，步骤（1)在田间试验中，设置不同氮肥水平和密度水平，采集处于各种氮 肥水平和密度水平的水稻冠层数字图像。
[0009] 优选的，步骤(1)采用二次曲线分别构建第一拟合方程和第二拟合方程。
[0010] 步骤（1)第一拟合方程可以为:y = -3437 · 4χ2+2465 · 5X-434 · 79，方程中X为红光标 准化值NRI，y为通过第一拟合方程得到的水稻预测产量。
[0011 ] 优选的，步骤（1)第二拟合方程为:y = -1198 · 9χ2+436 · 5x-32 · 612，方程中X为蓝光 标准化值NBI，y为通过第二拟合方程得到的水稻评估产量。
[0012]优选的，所述数字图像的采集工具包括但不限于数码相机。
[0013] 使用数码相机进行数字图像的采集时，拍摄时镜头离水稻冠层为40-60cm，优选 50cm。数字图像采集时间在9:00至15:30之间，优选在10:30至14:30之间。
[0014] 本发明的有益效果为:本发明的评估水稻产量的方法，对水稻产量进行预测得到 的预测产量与实测产量之间符合度较高，能够较好的预测水稻籽粒产量。本发明操作相比 现有技术简单，且成本低，因而具有广阔的市场应用前景。创新了一种基于数字图像来实现 水稻产量评估的方法。
【附图说明】
[0015] 图1是本发明一种评估水稻产量的方法的流程示意图；
[0016] 图2是本发明一种评估水稻产量的方法得到的第一拟合方程示意图；
[0017] 图3是本发明一种评估水稻产量的方法得到的第二拟合方程示意图；
[0018] 图4是本发明一种评估水稻产量的方法基于第一拟合方程得到的预测产量和实测 产量的示意图；
[0019] 图5是本发明一种评估水稻产量的方法基于第二拟合方程得到的预测产量和实测 产量的示意图。
【具体实施方式】
[0020] 下面结合实施例对发明涉及的技术方案进行进一步说明，以便有助于本发明的理 解，但不作为对技术方案的限制，该技术领域的技术工程师可根据上述发明的内容作出一 些非本质性的改进和调整。
[0021 ]实施例1:评估水稻产量的方法，包括如下步骤：
[0022]步骤（1)在田间试验中，步骤如下：采集处于灌浆末期的水稻冠层数字图像;从上 述水稻冠层数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光 标准化值NGI 和蓝光标准化值NB I，其中 NRI = R/ (R+G+B)，NGI = G/ (R+G+B)，NBI = B/ (R+G+ B);获得田间试验水稻实测产量;得到第一拟合方程和第二拟合方程，所述第一拟合方程为 水稻冠层数字图像红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述第二拟合 方程为水稻冠层数字图像蓝光标准化值NBI与田间试验水稻实测产量的拟合方程。
[0023]本实施例是在双季稻区域进行，优选于晴朗无云的10:30至14: 30的时间内，且在 水稻灌浆末期，选择长势均匀的水稻冠层，用数码相机拍摄，拍摄时镜头离水稻冠层50cm左 右，并保持与水稻冠层垂直。拍摄正面图像，重复3次。数字图像以JPEG格式转入计算机。本 实施例设置不同氮肥和密度互作的田间试验，主处理为氮肥水平（〇, 135,180,225kg N/ hm2)，副处理为密度水平(21，27,33,39万穴/111112)。在水稻的分蘖盛期、穗分化期、齐穗期、灌 浆期、灌浆末期、成熟期分别采集数字图像。本实施例中采用Canon IXUS140型数码相机进 行拍摄。表一为在不同氮肥和密度互作的田间试验下，水稻各关键生育期的标准化值。表一 "处理组"一栏中，根据主处理和副处理划分了 16个小组，小组名称分别是：N0D4、N0D3、 N0D2、N0D1、N1D4、N1D3、N1D2、N1D1、N2D4、N2D3、N2D2、N2D1、N3D4、N3D3、N3D2、N3D1。小组命 名时，含有"NO"的小组其氮肥水平为Okg N/hm2，含有"ΝΓ的小组其氮肥水平为135kg N/ hm2，含有"N2"的小组其氮肥水平为180kg N/hm2，含有"N3"的小组其氮肥水平为225kg N/ hm2，含有"D4"的小组其密度水平为21万穴/hm2，含有"D3"的小组其密度水平为27万穴/hm 2， 含有"D2"的小组其密度水平为33万穴/hm2，含有"D1"的小组其密度水平为39万穴/hm2。因 此，每一个小组的名称即指明了此小组的氮肥水平和密度水平。
[0024]图像的处理采用Adobe Photoshop来获得数字图像的红光值R、绿光值G和蓝光值 B，并计算相应的红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI，各标准化值的计 算为:红光标准化值:NRI =R/(R+G+B)，绿光标准化值:NGI =G/(R+G+B)，蓝光标准化值:NBI = B/(R+G+B)。如表一所示，对16个处理组，在水稻的分蘖盛期、穗分化期、齐穗期、灌浆期、 灌浆末期、成熟期分别得到了红光标准化值NRI、绿光标准化值NGI和蓝光标准化值NBI。 [0025]由表一可知，各处理的NRI值均随水稻的生长而逐渐增加，且施氮肥处理（135， 180,225kg N/hm2)在抽穗一灌浆期的NRI显著低于不施氮肥处理;而NGI和NBI的值则随水 稻的生长而逐渐降低，且各处理的NGI不存在显著差异；施氮肥的处理在抽穗一灌浆期的 NBI显著高于不施氮肥处理，与不施氮相比，氮肥用量为135,180,225kg N/hm2处理在灌浆 末期的NBI分别增加了20.1 %、28·7%和19.6%。
[0026] 对水稻各关键生育期的冠层数字图像色彩参数与产量进行拟合分析，结果显示灌 浆末期水稻冠层数字图像中NRI/NBI与产量的关系可以用二次曲线进行拟合。
[0027] 采用二次曲线对红光标准化值NRI与水稻评估产量进行拟合，采用二次曲线对蓝 光标准化值NBI与水稻评估产量进行拟合。
[0028]第一拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，第 二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程。拟合结果为第 一拟合方程y = -3437.4x2+2465.5x-434.79(拟合度R2 = 0.4853)，方程中X为红光标准化值 NRI，y为通过第一拟合方程得到的水稻预测产量。如图2所示。第二拟合方程y = -1198.9x2+ 436.5x-32.612(拟合度R2分别为0.4122)，方程中X为蓝光标准化值NBI，y为通过第二拟合 方程得到的水稻评估产量。如图3所示。而NGI与籽粒产量不存在显著关系。因此，可以用灌 浆末期的NRI和NBI与产量的拟合方程对不同田块的水稻产量进行预测。采用两个拟合方程 中的每一个都可以得到一个水稻预测产量。
[0029]表一:在不同氮肥和密度互作的田间试验下，水稻各关键生育期的标准化值和水 稻实测产量
[0032]在得到拟合在大田验证中，操作如下:采集灌浆末期的水稻冠层数字图像;从所述 数字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值 NGI 和蓝光标准化值 NBI:NRI = R/(R+G+B)，NGI=G/(R+G+B)，NBI = B/(R+G+B)。上述几部操 作时，为了确保采集的图像比较清楚，仍然优选长势均匀的水稻冠层，用数码相机拍摄，拍 摄时镜头离水稻冠层50cm左右，并保持与水稻冠层垂直。拍摄正面图像，重复3次。数字图像 以JPEG格式转入计算机。
[0033]步骤(2)将由大田验证中，由此得到的灌浆末期水稻冠层红光标准化值NRI输入第 一拟合方程，将灌浆末期水稻冠层蓝光标准化值NBI输入第二拟合方程，得到大田水稻预测 产量。
[0034]表二为对拟合方程进行大田验证得到的数据。表二中选取了 16块田块，进行了编 号，每块田块均得到了灌浆末期水稻冠层NRI、NGI、NBI值，将NRI、NBI值输入拟合方程后均 分别得到了基于第一拟合方程的预测产量，以及基于第二拟合方程的预测产量。本实施例 为了验证两个拟合方程的精确度，还得到了 16块田块的实测产量，还分别得到了基于第一 拟合方程的距离误差比率和基于第二拟合方程的距离误差比率。基于第一拟合方程的距离 误差比率=(基于第一拟合方程的预测产量-实测产量)/基于第一拟合方程的预测产量;基 于第二拟合方程的距离误差比率=(基于第二拟合方程的预测产量-实测产量)/基于第二 拟合方程的预测产量。对基于第一拟合方程的距离误差比率进行平均后得到基于第一拟合 方程的预测产量与实际产量之间的平均相对误差为-0.024,对基于第二拟合方程的距离误 差比率进行平均后得到基于第二拟合方程的预测产量与实际产量之间的平均相对误差为-0.028。进一步得到的估算精度为0.4592(基于第一拟合方程)和0.7074(基于第二拟合方 程），估计的RMSE分别为0.5489(基于第一拟合方程)和0.4010(基于第二拟合方程）。如图4， 图5所示。因此，通过大田验证可以得知，用灌浆末期的NRI和NBI与产量的拟合方程对不同 田块的水稻产量进行预测得到的预测产量与实测产量之间符合度较高，说明灌浆末期的 NRI和NBI均能够较好的预测籽粒产量。此外，由于本发明在操作时只需要用数码相机等进 行数字图像的采集，因此具有成本低的优势，而实际操作步骤相对现有技术也大大降低。 [0035]表二:对拟合方程进行大田验证得到的数据
[0037] 实施例2: -种评估水稻产量的方法，包括如下步骤：
[0038] 步骤(1):在田间试验中，操作如下:采集处于灌浆末期的水稻冠层数字图像;从所 述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值 NGI和蓝光标准化值NBI，其中NRI = R/(R+G+B)，NGI = G/(R+G+B)，NBI = B/(R+G+B);获得田 间试验水稻实测产量;得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红 光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标 准化值NBI与田间试验水稻实测产量的拟合方程；
[0039] 步骤(2):在大田验证中，操作如下:采集灌浆末期的水稻冠层数字图像;从所述数 字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI 和蓝光标准化值呢1:其中冊1 = 1?/(1?+6+8)，如1=6/(1?+6+8)，呢1=8/(1?+6+8);将红光标准 化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方 程，得到大田水稻预测产量。
[0040] 实施例3: -种评估水稻产量的方法，包括如下步骤：
[0041]步骤(1):在田间试验中，操作如下:采集处于灌浆末期的水稻冠层数字图像;从所 述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值 NGI和蓝光标准化值NBI，其中NRI = R/(R+G+B)，NGI = G/(R+G+B)，NBI = B/(R+G+B);获得田 间试验水稻实测产量;采用二次曲线分别构建第一拟合方程和第二拟合方程，所述的第一 拟合方程为所述红光标准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合 方程为所述蓝光标准化值NBI与田间试验水稻实测产量的拟合方程;在田间试验中，设置不 同氮肥水平和密度水平，采集处于各种氮肥水平和密度水平的水稻冠层数字图像。
[0042] 第一拟合方程为:y = -3437.4x2+2465.5x-434.79，方程中X为红光标准化值NRI，y 为通过第一拟合方程得到的水稻预测产量。第二拟合方程为：y = -1198.9x2+436.5x-32.612，方程中x为蓝光标准化值NBI，y为通过第二拟合方程得到的水稻评估产量。
[0043]步骤(2):在大田验证中，操作如下:采集灌浆末期的水稻冠层数字图像;从所述数 字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI 和蓝光标准化值呢1:其中冊1 = 1?/(1?+6+8)，如1=6/(1?+6+8)，呢1=8/(1?+6+8);将红光标准 化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方 程，得到大田水稻预测产量。
[0044] 数字图像的采集工具为数码相机，使用数码相机进行数字图像的采集时，拍摄时 镜头离水稻冠层为50cm。数字图像采集时间为10.30到14:30之间。
[0045] 实施例4: 一种评估水稻产量的方法，包括如下步骤：
[0046] 步骤(1):在田间试验中，操作如下:采集处于灌浆末期的水稻冠层数字图像;从所 述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值 NGI和蓝光标准化值NBI，其中NRI = R/(R+G+B)，NGI = G/(R+G+B)，NBI = B/(R+G+B);获得田 间试验水稻实测产量;采用二次曲线分别构建第一拟合方程和第二拟合方程。得到第一拟 合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实 测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产 量的拟合方程；
[0047]步骤(2):在大田验证中，操作如下:采集灌浆末期的水稻冠层数字图像;从所述数 字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI 和蓝光标准化值呢1:其中冊1 = 1?/(1?+6+8)，如1=6/(1?+6+8)，呢1=8/(1?+6+8);将红光标准 化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方 程，得到大田水稻预测产量。
[0048] 步骤（1)第一拟合方程为:y = -3437.4x2+2465.5x-434.79，方程中X为红光标准化 值NRI，y为通过第一拟合方程得到的水稻预测产量。
[0049] 第二拟合方程为:y = -1198.9x2+436.5x-32.612，方程中X为蓝光标准化值NBI，y 为通过第二拟合方程得到的水稻评估产量。
[0050]数字图像的采集工具为数码相机或智能手机的摄像头，拍摄时镜头离水稻冠层为 40-60cm，数字图像采集时间在9:00至15:30之间。
[0051 ]实施例5:-种评估水稻产量的方法，包括如下步骤：
[0052]步骤(1):在田间试验中，操作如下:采集处于灌浆末期的水稻冠层数字图像;设置 不同氮肥水平和密度水平，采集处于各种氮肥水平和密度水平的水稻冠层数字图像。从所 述数字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值 NGI和蓝光标准化值NBI，其中NRI = R/(R+G+B)，NGI = G/(R+G+B)，NBI = B/(R+G+B);获得田 间试验水稻实测产量;采用二次曲线分别构建第一拟合方程和第二拟合方程。得到第一拟 合方程和第二拟合方程，所述的第一拟合方程为所述红光标准化值NRI与田间试验水稻实 测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化值NBI与田间试验水稻实测产 量的拟合方程；
[0053] 步骤(2):在大田验证中，操作如下:采集灌浆末期的水稻冠层数字图像;从所述数 字图像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI 和蓝光标准化值呢1:其中冊1 = 1?/(1?+6+8)，如1=6/(1?+6+8)，呢1=8/(1?+6+8);将红光标准 化值NRI输入步骤(1)中的第一拟合方程，将蓝光标准化值NBI输入步骤(1)中的第二拟合方 程，得到大田水稻预测产量。
[0054] 以上实施例说明了本发明的详细步骤和优点。本行业的技术人员应该了解，上述 实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案， 均落在本发明的保护范围内。
【主权项】
1. 一种评估水稻产量的方法，其特征在于，包括如下步骤： 步骤（1):在田间试验中，操作如下:采集处于灌浆末期的水稻冠层数字图像;从所述数 字图像中分别获取红光值R、绿光值G和蓝光值B，以及红光标准化值NRI、绿光标准化值NGI 和蓝光标准化值NBI，其中NRI = R/(R+G+B)，NGI=G/(R+G+B)，NBI=B/(R+G+B);获得田间试 验水稻实测产量;得到第一拟合方程和第二拟合方程，所述的第一拟合方程为所述红光标 准化值NRI与田间试验水稻实测产量的拟合方程，所述的第二拟合方程为所述蓝光标准化 值NBI与田间试验水稻实测产量的拟合方程； 步骤(2):在大田验证中，操作如下:采集灌浆末期的水稻冠层数字图像;从所述数字图 像中分别获取红光值R、绿光值G和蓝光值B，计算红光标准化值NRI、绿光标准化值NGI和蓝 光标准化值NBI:其中NRI = R/ (R+G+B)，NGI = G/ (R+G+B)，NBI = B/ (R+G+B);将红光标准化值 NRI输入步骤（1)中的第一拟合方程，将蓝光标准化值NBI输入步骤（1)中的第二拟合方程， 得到大田水稻预测产量。2. 根据权利要求1所述的一种评估水稻产量的方法，其特征在于，步骤（1)在田间试验 中，设置不同氮肥水平和密度水平，采集处于各种氮肥水平和密度水平的水稻冠层数字图 像。3. 根据权利要求1所述的一种评估水稻产量的方法，其特征在于，步骤（1)采用二次曲 线分别构建第一拟合方程和第二拟合方程。4. 根据权利要求1至3任一所述的一种评估水稻产量的方法，其特征在于，步骤(1)第一 拟合方程为:y = -3437.4x2+2465.5x-434.79，方程中X为红光标准化值NRI，y为通过第一拟 合方程得到的水稻预测产量。5. 根据权利要求4所述的一种评估水稻产量的方法，其特征在于，步骤（1)第二拟合方 程为:y = -1198.9x2+436.5x-32.612，方程中X为蓝光标准化值NBI，y为通过第二拟合方程 得到的水稻评估产量。6. 根据权利要求1至3任一项所述的一种评估水稻产量的方法，其特征在于，所述数字 图像的采集工具包括但不限于数码相机。7. 根据权利要求6所述的一种评估水稻产量的方法，其特征在于，使用数码相机进行数 字图像的采集时，拍摄时镜头离水稻冠层为40-60cm。8. 根据权利要求7所述的一种评估水稻产量的方法，其特征在于，拍摄时镜头离水稻冠 层为50cm。9. 根据权利要求6所述的一种评估水稻产量的方法，其特征在于，数字图像采集时间在 9:00 至 15:30 之间。10. 根据权利要求9所述的一种评估水稻产量的方法，其特征在于，数字图像采集时间 在10:30至14:30之间。
【文档编号】G01N21/84GK105842245SQ201610236111
【公开日】2016年8月10日
【申请日】2016年4月15日
【发明人】张会民, 柳开楼, 李亚贞, 王亮亮
【申请人】中国农业科学院农业资源与农业区划研究所, 江西省红壤研究所