基于计算机视觉的水稻叶色－氮营养诊断机理与建模

应用计算机视觉技术诊断植物营养与品质被认为是一种快速无损诊断的有效方法，但其诊断精度和实用化程度急需提高。为此，本项目集成农学与计算机视觉技术的研究方法，以不同株型水稻品种为材料，通过水稻大田和盒栽氮素营养试验，研究水稻图像成像及后续处理中的影响因子及机理，建立一整套适合水稻图像采集、处理与分析的计算机视觉技术；研究水稻叶片、植株冠层和群体冠层在品种、施肥水平、时空变异等方面的叶色差异及其形成机理，确定有效和敏感颜色域和空间域；利用水稻叶色时空变化规律与氮素营养的定量化关系，构建基于敏感颜色域和空间域的水稻叶色－氮素营养计算机视觉定量估测和定性诊断模型；探讨建立基于计算机视觉的水稻叶色－氮营养自动诊断方法，并实现配套的计算机软件；为氮素营养快速无损诊断奠定新的方法学基础。

诊断精度和实用化程度低限制了植物营养与品质计算机视觉诊断技术的发展和广泛应用。本项目对作物叶色-氮营养诊断技术的图像光照及分析技术、诊断机理及建模分析进行了试验研究和理论分析。水稻图像光照研究表明，图像光照亮度不一致和色偏是影响诊断精度的一个关键因素，但均可通过本项目所提出的几种图像预处理方法来消除或减少其对后续处理和建模结果的影响。水稻图像分析技术研究表明，图像分析方法能干扰诊断模型精度及结果，本项目提出的多元组合方法、超绿组合方法、十色组合方法和网格分析法等多种新方法，不仅能解决常规图像分析方法中存在的误差较大问题，也能有效提高诊断模型精度。水稻图像诊断机理与建模研究表明，水稻叶色-氮营养诊断在时间域、颜色域和空间域中均存在着敏感域的特性，发现了水稻氮营养计算机视觉诊断中存在的有效敏感区域，基于水稻叶片敏感域提取的特征可显著提高诊断模型精度(10%以上)。在此基础上，提出了作物营养计算机视觉诊断中的敏感区域思想。此思想在油菜叶色-氮营养计算机视觉诊断应用中亦得到类似结果。此外，本项目还探讨了叶片图像多重分形特征在作物氮营养计算机视觉诊断的应用情况，发现作物氮营养状况与叶片图像多重分形特征存在显著相关。在以上研究基础上，开发完成了作物数字图像分析软件和数据处理软件。