基于高光谱成像的整株水稻叶绿素含量测量装置及方法

摘要

本发明公开了一种基于高光谱成像的整株水稻叶绿素含量测量装置及方法，测量装置包括暗室、第一光源、第二光源、光源控制器、工作站计算机、高光谱相机、第一接近开关、第二接近开关、平移台以及平移台控制器等；测量方法建立高光谱成像系统；使用所述的高光谱成像系统采集每盆水稻的光谱数据；人工测量每盆水稻的叶绿素含量；对叶绿素和光谱指数进行建模等步骤。本发明利用高光谱成像的方法，用数据分析和图像处理技术处理所拍摄的光谱数据，经过分析得到整株水稻的叶绿素含量，将采集、提取、计算等步骤集成到同一个系统中，具有在线无损、测量结果准确可靠、操作简单等优点。

说明书

技术领域

本发明涉及机器视觉检测技术领域，具体为一种基于高光谱成像的整 株水稻叶绿素含量测量装置及方法。

背景技术

水稻是中国的主要粮食作物，解决粮食问题主要依靠提高水稻的单产。 水稻表型参数的高通量数字化测量为筛选和鉴定水稻品种提供了强有力的 技术支撑。在水稻表型测量研究中，叶绿素含量是一个非常重要的指标。 它是植物细胞组成的基本物质，广泛的分布在细胞的叶绿体中，是植物进 行光合作用的最基本色素，并且与植物的营养吸收密切相关，被广泛作为 检测植物状态的重要指示因子。如何快速、准确和方便的测量植物叶片叶 绿素含量，对于遗传育种和作物栽培研究具有十分重要的意义。目前叶绿 素的测量方法主要分为直接测量方法和间接测量法。直接测量方法主要是 使用分光光度法，对植物有损，且操作繁琐，不适用于高通量大规模在线 检测平台上。间接测量法则利用了色素的生物化学特点，主要有光谱指数 法和便携式叶绿素仪法。很多光谱指数不具有适应性，测量结果可推广性 差。且一般获取光谱指数的方法是是使用分光辐射度计或者多光谱，数据 较少，分辨率较低。便携式叶绿素仪则需直接与叶片接触，不适用于高通 量表型在线检测平台。

发明内容

本发明的目的是为了克服上述不足提供一种基于高光谱成像的整株水 稻叶绿素含量测量装置及方法。

一种基于高光谱成像的整株水稻叶绿素含量测量装置，包括用于提供 稳定的成像环境的暗室、第一光源、第二光源、用于调整第一光源和第二 光源的亮度和发散角度的光源控制器、工作站计算机、高光谱相机、第一 接近开关、第二接近开关、平移台以及平移台控制器，所述高光谱相机、 第一光源、第二光源、第一接近开关、第二接近开关以及平移台均位于暗 室内，所述第一光源和第二光源均与光源控制器相连，所述平移台与平移 台控制器相连，所述第一接近开关、第二接近开关、高光谱相机、平移台 控制器以及光源控制器均与工作站计算机相连。

基于高光谱成像的整株水稻叶绿素含量测量方法包括以下步骤：

001、建立高光谱成像系统；

002、使用所述的高光谱成像系统采集每盆水稻的光谱数据；

003、人工测量每盆水稻的叶绿素含量；

004、根据步骤002和步骤003得到数据，由工作站计算机3对光谱数 据进行处理，提取光谱指数，对叶绿素和光谱指数进行建模，得到叶绿素 的预测模型，在之后的实验中，只需拍摄光谱数据，即可计算得到整株水 稻的叶绿素含量。

所述步骤001包括以下步骤：

011、装配好所述的测量装置，计算物距和平移台的移动速度，物距的 计算公式为(其中f为相机焦距，H为需要拍摄的像平面物体高度， h为相机CCD的高度，L为物距)，如果需要拍摄无形变的物体，则平移台 在相机采集完当前帧需要移动的距离为(其中H为需要拍摄的像 平面物体高度，N_h为相机CCD在高度方向的像素个数)，此时平移台的移动 速度为如果需要拍摄无冗余数据的物体，则平移 台需要移动的距离为(其中S为相机狭缝宽度，w为相机CCD单 个像素的宽度)，此时平移台的移动速度为

012、设置高光谱相机的参数，由于曝光时间和单帧重复次数对系统 采集速度的影响最大，空间分辨率对采集速度无影响，所以保持高光谱相 机在空间方向最大分辨率。

所述步骤002包括以下步骤：

021、打开光源控制器、平移台控制器、高光谱相机和工作站计算机；

022、使用高光谱相机拍摄暗电流I_b和白板I_w数据；

023、将盆栽水稻置于平移台上，并控制平移台匀速移动，高光谱相机 开始拍摄，EMCCD输出的原始灰度数据为I_o，将采集到的原始灰度数据进行 暗电流和白板校正，最后系统保存的数据为I，即物体的反射率并将校正后的结果不断存入二进制数据流；

024、拍摄完一株盆栽水稻后，平移台回到原点，同时检查步骤023中 的缓存数据是否全部存储完毕；

025、将新的样本重复步骤023和024。

所述步骤003包括以下步骤：

031、将整株水稻的每片叶片取下；

032、使用叶绿素含量测定仪测量每片叶片的叶绿素含量，对每片叶片 的同一个区域测量两次；

033、计算整株水稻的所有叶片测量值的平均值，作为被测整株水稻的 叶绿素含量。

6.根据权利要求2或3所述的基于高光谱成像的整株水稻叶绿素含量 测量方法，其特征在于所述步骤004包括以下步骤：

041、将步骤023中的二进制数据流重新整合提取为不同波长下的图像；

042、取步骤041其中的一张图像进行图像处理，提取出图像的感兴趣 区域ROI，并图像的感兴趣区域ROI应用步骤041的所有图像上，得到一批 只有感兴趣区域ROI的各波长图像；

043、计算步骤042中各波长图像下的光谱指数；

044、将步骤043中得到的光谱指数作为自变量，叶绿素含量测定仪测 到的叶绿素含量作为因变量，进行逐步回归分析，得到叶绿素的预测模型 并进行验证；

045、采集新样本的光谱指数，根据将步骤044的叶绿素预测模型来 计算新样本的叶绿素含量。

本发明利用高光谱成像的方法，用数据分析和图像处理技术处理所拍 摄的光谱数据，经过分析得到整株水稻的叶绿素含量。无需再对水稻进行 化学分析方法或单片叶相夹的方法来得到叶绿素含量，将采集、提取、计 算等步骤集成到同一个系统中，具有在线无损、测量结果准确可靠、操作 简单等优点。

附图说明

图1为本发明装置俯视结构示意图；

图2为高光谱相机各项设置参数对相机采集速度的影响；

图3为高光谱相机的采集流程图；

图4为高光谱相机采集时的时序图；

图5为高光谱相机保存的二进制数据流内部格式。

具体实施方式

下面结合附图及实施例进一步说明本发明。

实施例：本发明基于高光谱成像的整株水稻叶绿素含量测量装置，包 括用于提供稳定的成像环境的暗室1、第一光源6、第二光源7、用于调整 第一光源6和第二光源7的亮度和发散角度的光源控制器2、工作站计算机 3、高光谱相机5、第一接近开关8、第二接近开关9、平移台10以及平移 台控制器4，所述高光谱相机5、第一光源6、第二光源7、第一接近开关8、 第二接近开关9以及平移台10均位于暗室1内，所述第一光源6和第二光 源7均与光源控制器2相连，所述平移台10与平移台控制器4相连，所述 第一接近开关8、第二接近开关9、高光谱相机5、平移台控制器4以及光 源控制器2均与工作站计算机3相连。高光谱相机5的品牌型号信息为 Hyperspec^TM VNIR,with EMCCD,Headwall Photonics,USA,400-1000nm。 工作站计算机3用于数据采集、存储和分析。除平移台10的载物台可移动， 其他所有装置均固定。

基于高光谱成像的整株水稻叶绿素含量测量方法包括以下步骤：

001、建立高光谱成像系统；002、使用所述的高光谱成像系统采集每盆水 稻的光谱数据；003、人工测量每盆水稻的叶绿素含量；004、根据步骤002 和步骤003得到数据，由工作站计算机3对光谱数据进行处理，提取光谱 指数，对叶绿素和光谱指数进行建模，得到叶绿素的预测模型。在之后的 实验中，只需拍摄光谱数据，即可计算得到整株水稻的叶绿素含量。

基于高光谱成像的整株水稻叶绿素含量测量方法，所述步骤001包括 以下步骤：011、装配好所述的测量装置，计算物距和平移台10的移动速 度，物距的计算公式为其中f为相机焦距，H为需要拍摄的像平面 物体高度，h为相机CCD的高度，L为物距，如果需要拍摄无形变的物体， 则平移台10在相机采集完当前帧需要移动的距离为(其中H为需 要拍摄的像平面物体高度，N_h为相机CCD在高度方向的像素个数)，此时平 移台的移动速度为如果需要拍摄无冗余数据的物 体，则平移台10需要移动的距离为(其中S为相机狭缝宽度，w 为相机CCD单个像素的宽度)，此时平移台的移动速度为 其中，实际曝光时间、单帧采集时间和单次采集 时间需通过高光谱相机5驱动计算归一化值。如果设置的曝光时间、单帧 采集时间和单次采集时间大于或等于允许值，高光谱相机5将会使用设置 值进行后续的步骤；如果设置的曝光时间和单帧采集时间设置小于允许值 或其他不可能的值，例如忘了设置的时候值为0这种情况，这时高光谱相 机5驱动会根据设置值自动分配一个最接近的值，这是高光谱相机5厂家 自带的功能；012、设置高光谱相机5的参数，由于曝光时间和单帧重复次 数对系统采集速度的影响最大，空间分辨率对采集速度无影响，所以保持 高光谱相机5在空间方向最大分辨率。高光谱相机5需要设置的参数包括 图像读取模式、触发模式、图像大小、采集模式、单帧重复次数、快门模 式、快门时间、曝光时间、单帧采集时间、采集次数和单次采集时间，其 中，图像大小又包括横向合并和纵向合并，横向合并与光谱分辨率相关， 纵向合并与空间分辨率相关，合并越大，分辨率会越小。经过程序计算和 实验验证，曝光时间和单帧重复次数对系统采集速度的影响最大，空间分 辨率对采集速度无影响，如图2所示，这意味着我们可以保持相机在空间 方向最大分辨率情况下而又不会增加采集时间。光谱分辨率相对于曝光时 间而言，对采集速度影响较小。同理，较小的曝光时间有更高的采集速度， 但同时，如果曝光时间过小，得到的图像质量会非常差，对后续分析会造 成很大的困难。根据这些关系，可以对相机进行合理的控制，如横向合并 设置为1，保持相机最大的空间分辨率，并且不会增加采集时间，以便合理 的利用时间，采集到质量更好的图像。综合考虑采集速度和成像质量两方 面的因素，需设置合适的参数来采集数据，本实施例主要设置参数为：温 度-19℃，横向合并1，纵向合并4，曝光时间50ms，单帧重复次数3，单 帧采集时间100ms，单次采集时间300ms，快门时间30ms。图3所示的高光 谱相机的采集流程主要分为三个单元：准备单元、采集单元和保存单元， 其中，准备单元包括初始化、设置制冷温度、设置相机参数、暗电流校正、 白板校正，采集单元包括平移台匀速移动和相机按设置参数采集数据，保 存单元包括产生头文件、数据归一化和持续将数据存入二进制数据流)

所述步骤002包括以下步骤：021、打开光源控制器2、平移台控制器 4、高光谱相机5和工作站计算机3；022、使用高光谱相机5拍摄暗电流 I_b和白板I_w数据；023、将盆栽水稻置于平移台10上，并控制平移台10匀 速移动，高光谱相机5开始拍摄，EMCCD输出的原始灰度数据为I_o，将采集 到的原始灰度数据进行暗电流和白板校正，最后系统保存的数据为I，即物 体的反射率并将校正后的结果不断存入二进制数据流，本发明 中采用的二进制数据流的格式为波段按行交叉格式BIL；024、拍摄完一株 盆栽水稻后，平移台10回到原点，同时检查步骤023中的缓存数据是否全 部存储完毕；025、将新的样本重复步骤023和024。本发明中数据存储格 式采用波段交叉格式即BIL(数据流格式如图5所示)，因为BIL存储速度 最快，对采集时间无影响，可实现大数据的采集和存储。

所述步骤003包括以下步骤：031、将整株水稻的每片叶片取下；032、 使用SPAD-502叶绿素含量测定仪(Minolta Camera Co.,Osaka,Japan) 测量每片叶片的叶绿素含量，对每片叶片的同一个区域测量两次；033、计 算整株水稻的所有叶片测量值的平均值，作为被测整株水稻的叶绿素含量。 最好取每片叶片的中部区域进行测量，每个区域测量两次。

所述步骤004包括以下步骤：041、将步骤023中的二进制数据流重新 整合提取为不同波长下的图像，数据格式如图5所示，本实施例的高光谱 成像系统的波长范围是400-1000nm，波长分辨率为2.4nm，共有250个波 段，即数据重整合后可以得到250张图像，本系统采用的是边采集边保存 的方式，采集的原始数据为二进制数据流，相邻的数据为同一条线的不同 波段数据，平移台移动后相机继续采集，所以接着是下一条线的不同波段 数据，数据重新整合需要做的工作是将同波段的所有线提取出来拼接在一 起，这样可以得到该波段下的光谱图像；042、取步骤041其中的一张图像 进行图像处理，提取出图像的感兴趣区域ROI，并图像的感兴趣区域ROI应 用步骤041的所有图像上，得到一批只有感兴趣区域ROI的各波长图像； 043、计算步骤042中各波长图像下的光谱指数，具体有总反射率、平均反 射率、一阶导数、二阶导数和基于光谱位置和面积的光谱特征参数，总反 射率的计算方法是当前波长图像的ROI区域反射率相加，平均反射率是使 用总反射率除以ROI面积，分别对总反射率和平均反射率求导即可得到一 阶导数和二阶导数，基于光谱位置和面积的光谱特征参数有红边、蓝边、 绿边等等，主要从反射率曲线特征计算；044、将步骤043中得到的光谱指 数作为自变量，SPAD-502测量的叶绿素含量作为因变量，进行逐步回归分 析，得到叶绿素的预测模型，并进行验证，如分蘖盛期的叶绿素含量模型 为y＝-0.002dT₁₂₃-0.348ddT₂₁₀+6714.709ddA₁₃₄+0.01dT₆+54.188，其中dT₁₂₃为 总反射率在第123波段下的一阶导数，ddT₂₁₀为总反射率在第210波段的下 的二阶导数，ddA₁₃₄为平均反射率在第134波段下的二阶导数，dT₆为总反射 率在第6波段下的一阶导数；045、采集新样本的光谱指数，根据将步骤 044的叶绿素预测模型来计算新样本的叶绿素含量。

实验案例如下：

实验材料：水稻核心种质资源品种，随机挑选96个品种，每个品种种 植3盆。最后，由于自然灾害等原因，分蘖期得到96份数据，抽穗期得到 75份数据，成熟期得到74份数据。

使用SPAD-502测量每盆水稻的叶绿素含量。使用以上所述的方法提取 光谱变量，进行逐步回归分析后，得到的模型结果为分蘖盛期R＝0.890， MAPE＝3.27％，RMSE＝1.76；抽穗期为R＝0.899，MAPE＝4.49％，RMSE＝1.99；成 熟期为R＝0.887，MAPE＝10.32％，RMSE＝3.08。从结果可以看出，模型的R均 接近0.9，MAPE和RMSE均比较小。