基于图像处理的生菜叶片含水率检测研究及Android平台的实现

发布时间：2020-07-01 17:08

【摘要】：含水率直接影响农作物叶片的生理代谢和生长发育,是其健康生长过程中必不可少的一项重要指标。实现科学、快速、准确的农作物叶片含水率无损检测对实时了解作物水分、指导灌溉具有十分重要的意义。近年来,农作物水分含量无损检测方法主要集中在光谱技术和计算机视觉技术,光谱技术采用的是点采样方式,不能较好的代表整个样本信息,因而会导致检测结果随机性强;计算机视觉技术采集目标对象的各部位图像信息,能够克服光谱分析过程中只采集样本点信息、采样要求严格、采样范围小等缺陷。应用计算机视觉技术检测作物叶片水分含量时,会因为镜头反光影响图像分割效果,因而本文提出了一种基于PSO+Otsu(S)算法的图像分割方法。另外,随着Android技术的快速普及与应用,越来越多的功能能够在Android系统中实现。因此,本文提出了基于Android平台的生菜叶片含水率检测方法,主要研究内容及结论如下:(1)在温室大棚中采用无土栽培技术培育生菜样本,保持营养液相同的情况下分四个水平施水,栽培出呈现一定的含水率梯度的生菜叶片,这为后续研究奠定基础。(2)对生菜叶片图像进行预处理操作,包括图像灰度化、去噪、分割、形态学处理。为解决因镜头反光而造成的图像亮度不均等问题,提出了一种新的PSO+Otsu(S)分割算法,并将该算法与传统Otsu算法进行对比。结果表明,PSO+Otsu(S)算法分割效果较好、算法实现速度较快,程序运行时间约为Otsu算法的1/2。(3)分别从颜色、形状、纹理三个角度提取与生菜叶片含水率相关的26个特征参数,采用Pearson相关系数法对26个特征参数进行筛选。结果表明,相关系数小于0.01时,共筛选出7个与生菜叶片含水率相关度极高的图像特征;相关系数小于0.05时,共筛选出12个与生菜叶片含水率相关度较高的图像特征。(4)分别采用多元线性回归(MLR)、偏最小二乘回归(PLSR)、支持向量回归(SVR)三种数学建模方法建立生菜叶片含水率与图像特征参数之间的关系模型,每一种模型分别对不同的特征参数进行建模,选用决定系数R~2和均方根误差RMSE作为模型性能评判标准。结果表明,基于7个特征参数的PLSR模型预测能力最好,测试集决定系数R~2为0.902,均方根误差RMSE为0.302。(5)根据本文基于Android平台的生菜叶片含水率检测系统的需求分析,将软件分为5个功能模块。针对各个模块设计界面和实现算法,设置三个Button组件、一个ImageView组件、多个TextView组件,并使用XML布局文件编写界面。建立生菜叶片图像特征参数与含水率之间的多元线性回归模型Y=B*0.377-H*185.136+S*23.639+r*86.801+g*102.906+h*145.95+s*52.246-94.315,并将特征数据带入到该模型中。最后,实现了基于Android平台的生菜叶片含水率检测功能。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;S636.2
【图文】：

江苏大学,温室,生菜,样本

江苏大学专业硕士学位论文第 2 章生菜样本培育与叶片图像采集2.1 生菜样本培育试验生菜品种选用意大利全年耐抽苔生菜（Italy annual resistant boltiettuce），生菜样本培育地点设在江苏大学 Venlo 型试验温室，该温室由江苏大代农业装备以及技术省部共同建造，如图 2.1 所示。

生菜,样本,莲座期

(a)生菜幼苗 (b)生菜长势图图 2.2 生菜样本培育Fig.2.2 Lettuce sample culture2.2 生菜叶片图像采集通常情况下，生菜生长共经历发芽期、幼苗期、莲座期、结球期四个周期，其中莲座期生菜长势较好，叶肉饱满、大小适中。因而，本文选取莲座期生菜叶片作为试验样本，采摘过程中遵循叶面平整、大小一致、叶片完整的原则进行采摘，每个水平各摘取 50 片叶片，共采集 200 片叶片。由于生菜叶片叶面积大、蒸腾量大，易受气温影响蒸发水分，因而采摘后立即将其放入保鲜袋中带回实验室，称取鲜叶质量，采用高精度分析天平（如图 2.3 所示）秤取。

【参考文献】