專利名稱：小麥麥穗發(fā)芽情況識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及農(nóng)作物育種及圖像識別技術(shù)領(lǐng)域，尤其涉及一種小麥麥穗發(fā)芽情況識別方法。
背景技術(shù)：
小麥穗發(fā)芽是指收獲前遇到陰雨天氣時籽粒在穗上發(fā)芽的現(xiàn)象，穗發(fā)芽不僅影響產(chǎn)量，而且嚴重影響品質(zhì)(尤其是加工品質(zhì))和種用價值。發(fā)生可見穗發(fā)芽的麥田一般減產(chǎn)10%左右,嚴重時會絕收。小麥穗發(fā)芽不僅使小麥顯著減產(chǎn),而且使其加工、營養(yǎng)品質(zhì)和種用價值均受到影響，造成嚴重的經(jīng)濟損失，因此，小麥穗發(fā)芽的識別鑒定對于小麥育種具有重要意義。在一些麥區(qū)，小麥收獲前常遇到連續(xù)陰雨天氣，導致穗發(fā)芽發(fā)生。近年來，隨著農(nóng)業(yè)種植結(jié)構(gòu)的調(diào)整，白皮小麥的種植面積在逐漸擴大，但由于白皮小麥的穗發(fā)芽抗性普遍較弱，因此小麥穗發(fā)芽問題日益嚴重。小麥穗發(fā)芽的鑒定方法和指標有多種，現(xiàn)有測試鑒別小麥穗發(fā)芽的技術(shù)有人工目測方法，主要依靠人的經(jīng)驗判斷小麥穗發(fā)芽的狀態(tài)；以及α -淀粉酶活性測定等方法。其中，人工目測識別小麥穗發(fā)芽方法，早期受主觀影響因素較大，識別結(jié)果標準化較差；采用生物化學方法破壞性檢測，但這些方法過于復雜或鑒定指標可靠性較差，α -淀粉酶活性測定過程比較復雜，效率低；培養(yǎng)皿種子發(fā)芽需要較大的實驗空間，并要進行水分管理和連續(xù)觀察監(jiān)測，缺乏無損的、能連續(xù)監(jiān)測的技術(shù)手段。小麥育種家所需要的鑒定方法必須具有簡便高效的特點，強調(diào)其適用性。

發(fā)明內(nèi)容
(一 )要解決的技術(shù)問題本發(fā)明要解決的技術(shù)問題是提供一種快速、有效的小麥麥穗發(fā)芽情況識別方法。( 二 )技術(shù)方案為解決上述問題，本發(fā)明提供了一種小麥麥穗發(fā)芽情況識別方法，包括以下步驟SI :采集麥穗高光譜圖像；S2 :對所述麥穗高光譜圖像進行預處理；S3 :將預處理后的所述麥穗高光譜圖像合成得到RGB圖像；S4 :在所述RGB圖像中選擇感興趣的區(qū)域進行分析，得到所述感興趣區(qū)域的平均光譜；S5 :在特征波段下判斷麥穗是否發(fā)芽；S6 :計算發(fā)芽區(qū)域占整個麥穗面積的比例；S7 :提取發(fā)芽區(qū)域的光譜反射率，判斷麥穗的發(fā)芽程度；S8:根據(jù)所述發(fā)芽區(qū)域占整個麥穗面積的比例和光譜反射率，計算發(fā)芽等級。優(yōu)選地，所述步驟S2的預處理包括對采集的麥穗高光譜圖像進行拼接，形成BSQ格式的圖像的步驟。優(yōu)選地，所述步驟S2的預處理包括對采集的麥穗高光譜圖像進行校正、濾波和增強處理的步驟。
優(yōu)選地，步驟S3具體包括對預處理后的所述麥穗高光譜圖像提取光譜維對應的特征波長分別為680nm、550nm和450nm的光譜圖像并進行積分轉(zhuǎn)換，合成得到所述RGB圖像。優(yōu)選地，步驟S4中對感興趣的區(qū)域進行分析具體包括對所述感興趣區(qū)域進行放大，提取所述感興趣區(qū)域內(nèi)每個像素點的光譜，然后計算平均值。優(yōu)選地，所述步驟SI中的高光譜圖像的波長范圍為400_1000nm。優(yōu)選地，步驟S5中所述的特征波段在450 900nm光譜波長范圍。優(yōu)選地，步驟S5中所述的特征波段為675nm光譜波長。優(yōu)選地，步驟S6具體包括分別對所述感興趣區(qū)域進行閾值分割，提取小麥穗部發(fā)芽區(qū)域的像素值和整個麥穗的像素值，根據(jù)像素值的個數(shù)來計算分別計算發(fā)芽區(qū)域和整個麥穗的面積，再求出發(fā)芽區(qū)域的總面積占整個麥穗圖像面積的百分比，從而得到發(fā)芽面積占整個麥穗的百分比。(三)有益效果本發(fā)明通過結(jié)合了光譜技術(shù)和圖像技術(shù)的高光譜成像對小麥穗發(fā)芽的形態(tài)特征以及小麥穗發(fā)芽感興趣區(qū)域的光譜信息提取后進行綜合分析，從而實現(xiàn)小麥整個麥穗的穗發(fā)芽情況快速識別。相對傳統(tǒng)非成像光譜分析，本發(fā)明可直觀看出發(fā)芽的部位；相對于機器視覺成像技術(shù)，本發(fā)明可通過光譜的反射率判斷發(fā)芽等級，能夠在早期更準確地判斷小麥穗發(fā)芽情況。


圖I為根據(jù)本發(fā)明實施例識別方法的步驟流程示意圖。圖2為根據(jù)本發(fā)明實施例識別方法提取的發(fā)芽和未發(fā)芽部位的平均光譜圖。
具體實施例方式下面結(jié)合附圖及實施例對本發(fā)明進行詳細說明如下。如圖I所示，本實施例記載了一種小麥麥穗發(fā)芽情況識別方法。在本實施例中，實驗樣品分為四組，分別為每天澆三次水、每天澆一次水、全天24小時浸泡、沒有澆水的干燥麥穗，各30株，采集其高光譜圖像信息，觀測小麥穗發(fā)芽情況。在做高光譜圖像實驗前，把經(jīng)過澆水的麥穗樣品都干燥至與原來小麥穗一致的效果，防止實驗過程中小麥進一步發(fā)芽，然后再采集其高光譜圖像，同時降低水分差異對光譜的影響。本實施例的識別方法包括以下步驟SI :采集麥穗高光譜圖像；在本實施例中，采用400_1000nm波段范圍的推掃式高光譜成像儀，對小麥麥穗進行掃描。將麥穗平放，采集小麥穗部正、反兩面圖譜各一次，保證對麥穗的全方位觀測。其中，本實施例采用的高光譜成像儀為中國科大研制的PIS112 二代高光譜成像儀，光譜儀采用了 1400(空間維)X1024(光譜維)的C⑶進行陣列推掃成像，光譜范圍400 IOOOnm ;光譜分辨率2nm，采樣間隔O. 7nm ;采樣頻率8_30幅/秒；視場角16°。S2 :對所述麥穗高光譜圖像進行預處理； 本實施例中，所述預處理包括對采集的麥穗高光譜圖像進行校正、濾波和增強處理的步驟，以消除由于CCD的非線性靈敏度、光譜響應不均勻、以及量子效率不平衡等原因造成的噪聲。所述校正處理包括白板和暗電流校正。所述步驟S2的預處理包括對采集的麥穗高光譜圖像進行拼接，形成BSQ格式(波段順序格式)的圖像的步驟。由于成像光譜儀采集的原始數(shù)據(jù)是BMP格式的圖片，首先需要拼接成BSQ格式的圖像。本實施例中具體的處理過程為首先用Matlab軟件編寫程序把BMP格式的圖片拼接成BIL格式的整幅影像；然后用IDL編程進行影像反射率提取，包括基于經(jīng)驗線性法的反射率提取，五步逐步平均法的平滑處理，最后保存為BSQ格式的圖像。S3 :將預處理后的所述麥穗高光譜圖像合成得到RGB圖像；高光譜圖像將傳統(tǒng)圖像維與光譜維信息融合為一體，在獲取小麥穗部空間圖像的同時，得到每個穗部像素的連續(xù)光譜信息，即成像光譜圖像是一個圖像立方體，它由三部分組成空間圖像維、光譜維、特征光譜維。本實施例步驟S3對預處理后的所述麥穗高光譜圖像提取光譜維對應的特征波長分別為680nm、550nm和450nm(三個波長分別與圖像顏色的R分量、G分量和B分量對應)的光譜圖像并進行積分轉(zhuǎn)換，合成得到所述RGB圖像。S4 :在所述RGB圖像中選擇感興趣的區(qū)域進行分析，得到所述感興趣區(qū)域的平均光譜；本實施例中，步驟4具體為根據(jù)合成的RGB圖像，選擇感興趣的區(qū)域進行放大分析，提取所述感興趣區(qū)域內(nèi)每個像素點的光譜，然后計算平均值，得到感興趣區(qū)域的平均光譜，為后續(xù)對光譜吸收特征參數(shù)(吸收波長位置、吸收深度、吸收寬度)等光譜信息挖掘奠定基礎(chǔ)。S5 :在特征波段下判斷麥穗是否發(fā)芽；所述的特征波段在450 900nm光譜波長范圍；優(yōu)選地，所述的特征波段為675nm
光譜波長。針對提取的麥穗不同部位平均光譜，得出如下特點在450 900nm波長范圍，發(fā)芽小麥穗的光譜反射率在675nm處為反射吸收谷，714nm處為反射吸收峰，這與典型植被光譜曲線變化特征基本相似；而未發(fā)芽小麥穗在675nm處無光譜吸收谷出現(xiàn)，因此本實施例將675nm的特征吸收作為判斷小麥穗發(fā)芽與否的依據(jù)。如圖2所示，本實施例通過提取小麥穗部光譜圖像在675nm處的單幅圖像可初步判斷識別小麥穗部是否發(fā)芽。S6 :計算發(fā)芽區(qū)域占整個麥穗面積的比例；步驟S6具體包括分別對所述感興趣區(qū)域進行閾值分割，使用的算法主要有反色，最大類間方差法二值化，中值濾波；提取小麥穗部發(fā)芽區(qū)域的像素值和整個麥穗的像素值，根據(jù)像素值的個數(shù)來計算分別計算發(fā)芽區(qū)域和整個麥穗的面積，再求出發(fā)芽區(qū)域的總面積占整個麥穗圖像面積的百分比，從而得到發(fā)芽面積占整個麥穗的百分比。S7 :提取發(fā)芽區(qū)域的光譜反射率，判斷麥穗的發(fā)芽程度；由于發(fā)芽部分含有葉綠素成分信息，其光譜曲線圖呈現(xiàn)的曲線圖趨勢與綠色作物葉綠素光譜反射率曲線圖基本相似，具有以下特征小麥穗發(fā)芽部分的葉綠素特征波段在675nm位置處，具有明顯的吸收波谷，根據(jù)此波段處光譜反射率的大小可判斷識別小麥穗發(fā)芽的輕重程度。發(fā)芽嚴重的，葉綠素含量高，因此提取的相應光譜反射率會較高。S8:根據(jù)所述發(fā)芽區(qū)域占整個麥穗面積的比例和光譜反射率，判斷識別小麥穗發(fā)芽的輕重程度等級，以此綜合評判小麥麥穗發(fā)芽的情況。穗發(fā)芽的等級包括無發(fā)芽、輕度發(fā)芽、重度發(fā)芽三個等級。本發(fā)明通過采集未知的小麥穗發(fā)芽樣品高光譜圖像，提取光譜信息、通過圖像處理即可進行小麥穗發(fā)芽的監(jiān)測。本發(fā)明可針對田間正常收獲的麥穗，采用高光譜成像技術(shù)進行穗發(fā)芽檢測，可實現(xiàn)穗發(fā)芽的快速篩選。
以上實施方式僅用于說明本發(fā)明，而并非對本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護范圍應由權(quán)利要求限定。
權(quán)利要求
1.一種小麥麥穗發(fā)芽情況識別方法，其特征在于，包括以下步驟 Si:采集麥穗高光譜圖像； 52:對所述麥穗高光譜圖像進行預處理； 53:將預處理后的所述麥穗高光譜圖 像合成得到RGB圖像； 54:在所述RGB圖像中選擇感興趣的區(qū)域進行分析，得到所述感興趣區(qū)域的平均光譜； 55:在特征波段下判斷麥穗是否發(fā)芽； 56:計算發(fā)芽區(qū)域占整個麥穗面積的比例； 57:提取發(fā)芽區(qū)域的光譜反射率，判斷麥穗的發(fā)芽程度； 58:根據(jù)所述發(fā)芽區(qū)域占整個麥穗面積的比例和光譜反射率，計算發(fā)芽等級。
2.如權(quán)利要求I所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，所述步驟S2的預處理包括對采集的麥穗高光譜圖像進行拼接，形成BSQ格式的圖像的步驟。
3.如權(quán)利要求I所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，所述步驟S2的預處理包括對采集的麥穗高光譜圖像進行校正、濾波和增強處理的步驟。
4.如權(quán)利要求I所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，步驟S3具體包括對預處理后的所述麥穗高光譜圖像提取光譜維對應的特征波長分別為680nm、550nm和450nm的光譜圖像并進行積分轉(zhuǎn)換，合成得到所述RGB圖像。
5.如權(quán)利要求I所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，步驟S4中對感興趣的區(qū)域進行分析具體包括對所述感興趣區(qū)域進行放大，提取所述感興趣區(qū)域內(nèi)每個像素點的光譜，然后計算平均值。
6.如權(quán)利要求I所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，所述步驟SI中的高光譜圖像的波長范圍為400-1000nm。
7.如權(quán)利要求I所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，步驟S5中所述的特征波段在450 900nm光譜波長范圍。
8.如權(quán)利要求7所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，步驟S5中所述的特征波段為675nm光譜波長。
9.如權(quán)利要求I所述的小麥麥穗發(fā)芽情況識別方法，其特征在于，步驟S6具體包括分別對所述感興趣區(qū)域進行閾值分割，提取小麥穗部發(fā)芽區(qū)域的像素值和整個麥穗的像素值，根據(jù)像素值的個數(shù)來計算分別計算發(fā)芽區(qū)域和整個麥穗的面積，再求出發(fā)芽區(qū)域的總面積占整個麥穗圖像面積的百分比，從而得到發(fā)芽面積占整個麥穗的百分比。
全文摘要
本發(fā)明公開了一種小麥麥穗發(fā)芽情況識別方法，包括以下步驟S1采集麥穗高光譜圖像；S2對所述麥穗高光譜圖像進行預處理；S3將預處理后的所述麥穗高光譜圖像合成得到RGB圖像；S4在所述RGB圖像中選擇感興趣的區(qū)域進行分析，得到所述感興趣區(qū)域的平均光譜；S5在特征波段下判斷麥穗是否發(fā)芽；S6計算發(fā)芽區(qū)域占整個麥穗面積的比例；S7提取發(fā)芽區(qū)域的光譜反射率，判斷麥穗的發(fā)芽程度；S8根據(jù)所述發(fā)芽區(qū)域占整個麥穗面積的比例和光譜反射率，計算發(fā)芽等級。本發(fā)明可針對田間正常收獲的麥穗，采用高光譜成像技術(shù)進行穗發(fā)芽檢測，可實現(xiàn)穗發(fā)芽的快速篩選。
文檔編號A01C1/02GK102612892SQ201210053700
公開日2012年8月1日 申請日期2012年3月2日 優(yōu)先權(quán)日2012年3月2日
發(fā)明者侯瑞峰, 吳瓊, 朱大洲, 王紀華, 羅斌, 高權(quán) 申請人:北京農(nóng)業(yè)信息技術(shù)研究中心