植物叶面颗粒物定量方法及系统

1.本发明涉及图像处理技术和生态环境的多学科交叉领域，具体地，涉及植物叶面颗粒物定量方法及系统，更为具体地，涉及结合扫描电镜图像和机器学习的植物叶面颗粒物定量方法及系统。


背景技术：

2.现有技术公开了大气中颗粒物的识别，但是还没有针对植被叶面颗粒物的识别的研究。
3.专利文献cn113095109a(申请号：201911337953.6)公开了一种农作物叶面识别模型训练方法、识别方法及装置，涉及图像处理领域。农作物叶面识别模型训练方法包括：获取训练样本集，训练样本集包括多个训练样本，对每个所述训练样本，分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中，得到识别结果；根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像，判断是否满足预设训练停止条件；若不满足，调整农作物叶面识别模型的模型参数，直至满足预设训练停止条件，得到训练后的农作物叶面识别模型。能够适应农田的复杂环境，通过提高农作物叶面边缘特征的识别精度，实现自动准确识别出目标农作物叶面。


技术实现要素：

4.针对现有方法中的不足和缺陷，本发明的目的是提供高效准确的植物叶面颗粒物定量方法及系统。
5.根据本发明提供的一种植物叶面颗粒物定量方法，包括：
6.步骤s1：制备植物叶片样本；
7.步骤s2：基于制备的植物叶片样本获取扫描电镜图像；
8.步骤s3：对获取的扫描电镜图像进行分割得到图像对象；
9.步骤s4：在得到的图像对象中选择训练样本，结合图像对象的参数特征构建和筛选自动识别叶面颗粒物的最优分类决策树，对扫描电镜图像中的叶面颗粒物进行自动识别和信息提取；
10.步骤s5：基于自动识别和提取的叶面颗粒物，对每个颗粒物进行数量统计和形状特征的定量表征。
11.优选地，所述步骤s1采用：在自然环境中选取健康植物叶片，将植物叶片放置于无菌操作台上，沿叶片对角线，避开叶脉，在每个植物叶片上剪取叶片样本。
12.优选地，所述步骤s2采用：将制备的植物叶片样本放置于电子扫描电镜平台上，选择不同的图像放大倍数，依次对叶片样本进行拍摄成像，生成扫描电镜图像。
13.优选地，所述步骤s3采用：扫描电镜图像利用ecognition develope软件，选择多分辨率分割算法，设置相应的分割参数，对扫描电镜图像进行图像分割，得到图像对象。
14.优选地，所述步骤s4中的图像对象的参数特征包括：波段均值、波段亮度、波段标
准差、色调、颜色饱和度、颜色强度、椭圆拟合度、矩形拟合度、图像对象面积、正圆度、紧凑度、形状指数、边界指数、长宽比、空间密度、非对称性以及灰度共生矩阵。
15.根据本发明提供的一种植物叶面颗粒物定量系统，包括：
16.模块m1：基于植物叶片样本获取扫描电镜图像；
17.模块m2：对获取的扫描电镜图像进行分割得到图像对象；
18.模块m3：在得到的图像对象中选择训练样本，结合图像对象的参数特征构建和筛选自动识别叶面颗粒物的最优分类决策树，对扫描电镜图像中的叶面颗粒物进行自动识别和信息提取；
19.模块m4：基于自动识别和提取的叶面颗粒物，对每个颗粒物进行数量统计和形状特征的定量表征。
20.优选地，在自然环境中选取健康植物叶片，将植物叶片放置于无菌操作台上，沿叶片对角线，避开叶脉，在每个植物叶片上剪取叶片样本。
21.优选地，所述模块m1采用：利用电子扫描电镜平台，选择不同的图像放大倍数，依次对叶片样本进行拍摄成像，生成扫描电镜图像。
22.优选地，所述模块m2采用：扫描电镜图像利用ecognition develope软件，选择多分辨率分割算法，设置相应的分割参数，对扫描电镜图像进行图像分割，得到图像对象。
23.优选地、形状指数、边界指数、长宽比、空间密度、非对称性以及灰度共生矩阵。
24.与现有技术相比，本发明具有如下的有益效果：通过采用植被叶片的扫描电镜成像，结合图像处理技术和机器学习算法，在植物叶片扫描电镜图像上实现了叶面颗粒物的自动识别和信息提取，解决了传统方法在判别颗粒物和定量颗粒物数量和形状特征上的效率低下和信息单一的问题，显著提高了植物叶面颗粒物的识别精度和效率，丰富了叶面颗粒物形状特征的评价指标体系，明显节约经济成本和时间成本。
附图说明
25.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
26.图1为不同分类参数下的图像分割结果示意图。
27.图2为不同放大倍数下的扫描电镜图像。
28.图3为颗粒物识别结果示意图。
29.图4为颗粒物形状特征的量化和表征示意图。
具体实施方式
30.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
31.实施例1
32.本发明提供了一种植物叶面颗粒物定量方法及系统，包括：结合植物叶片扫描电镜图片和机器学习算法，利用图像信息识别和自动提取技术，识别植物叶面颗粒物并精确
表征其数量、位置、大小、形状等特征，显著提高了叶面颗粒物的识别效率和特征丰富度。
33.所述植物叶面颗粒物定量方法，包括：
34.步骤s1：制备植物叶片样本；
35.具体地，所述步骤s1采用：在自然环境中选取健康植物叶片，采集叶片并迅速带回实验室。将植物叶片放置于无菌操作台上，沿叶片对角线，避开叶脉，在每个植物叶片上剪取5个1cm2大小的叶片样本；
36.步骤s2：基于制备的植物叶片样本获取扫描电镜图像；
37.具体地，所述步骤s2采用：将制备的叶片样本放置于电子扫描电镜(scanning electron microscope)平台上，选择不同的图像放大倍数，依次对叶片样本进行拍摄成像，生成扫描电镜图像；其中，放大倍数包括：200倍、500倍、1000倍、2000倍。
38.步骤s3：对获取的扫描电镜图像进行分割得到图像对象；
39.具体地，所述步骤s3采用：：将扫描电镜图像导入ecognition develope软件，选择多分辨率分割(multi-resolution segmentation)算法，设置合适的分割参数，对扫描电镜图像进行图像分割，得到图像对象(image object)；其中，所述分割参数包括：尺寸、颜色、形状、紧密度和平滑度。
40.步骤s4：在得到的图像对象中选择训练样本，结合图像对象的参数特征构建和筛选自动识别叶面颗粒物的最优分类决策树，对扫描电镜图像中的叶面颗粒物进行自动识别和信息提取；其中，图像对象的参数特征包括：波段均值、波段亮度、波段标准差、色调、颜色饱和度、颜色强度、椭圆拟合度、矩形拟合度、图像对象面积、正圆度、紧凑度、形状指数、边界指数、长宽比、空间密度、非对称性、灰度共生矩阵等。
41.步骤s5：基于自动识别和提取的叶面颗粒物，对每个颗粒物进行数量统计和形状特征的定量表征。其中，所述颗粒物数量和形状特征包括：总数；密度；面积；大小；直径；重量；形状指数；边界长度；分形指数等。
42.所述植物叶面颗粒物定量系统，如图1至4所示，包括：
43.模块m1：基于植物叶片样本获取扫描电镜图像；
44.具体地，所述模块m1采用：将制备的叶片样本放置于电子扫描电镜(scanning electron microscope)平台上，选择不同的图像放大倍数，依次对叶片样本进行拍摄成像，生成扫描电镜图像；其中，放大倍数包括：200倍、500倍、1000倍、2000倍。
45.其中，叶片样本包括：在自然环境中选取健康植物叶片，采集叶片并迅速带回实验室。将植物叶片放置于无菌操作台上，沿叶片对角线，避开叶脉，在每个植物叶片上剪取5个1cm2大小的叶片样本；
46.模块m2：对获取的扫描电镜图像进行分割得到图像对象；
47.具体地，所述模块m2采用：：将扫描电镜图像导入ecognition develope软件，选择多分辨率分割(multi-resolution segmentation)算法，设置合适的分割参数，对扫描电镜图像进行图像分割，得到图像对象(image object)；其中，所述分割参数包括：尺寸、颜色、形状、紧密度和平滑度。
48.模块m3：在得到的图像对象中选择训练样本，结合图像对象的参数特征构建和筛选自动识别叶面颗粒物的最优分类决策树，对扫描电镜图像中的叶面颗粒物进行自动识别和信息提取；其中，图像对象的参数特征包括：波段均值、波段亮度、波段标准差、色调、颜色
饱和度、颜色强度、椭圆拟合度、矩形拟合度、图像对象面积、正圆度、紧凑度、形状指数、边界指数、长宽比、空间密度、非对称性、灰度共生矩阵等。
49.模块m4：基于自动识别和提取的叶面颗粒物，对每个颗粒物进行数量统计和形状特征的定量表征。其中，所述颗粒物数量和形状特征包括：总数；密度；面积；大小；直径；重量；形状指数；边界长度；分形指数等。
50.本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
51.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种植物叶面颗粒物定量方法，其特征在于，包括：步骤s1：制备植物叶片样本；步骤s2：基于制备的植物叶片样本获取扫描电镜图像；步骤s3：对获取的扫描电镜图像进行分割得到图像对象；步骤s4：在得到的图像对象中选择训练样本，结合图像对象的参数特征构建和筛选自动识别叶面颗粒物的最优分类决策树，对扫描电镜图像中的叶面颗粒物进行自动识别和信息提取；步骤s5：基于自动识别和提取的叶面颗粒物，对每个颗粒物进行数量统计和形状特征的定量表征。2.根据权利要求1所述的植物叶面颗粒物定量方法，其特征在于，所述步骤s1采用：在自然环境中选取健康植物叶片，将植物叶片放置于无菌操作台上，沿叶片对角线，避开叶脉，在每个植物叶片上剪取叶片样本。3.根据权利要求1所述的植物叶面颗粒物定量方法，其特征在于，所述步骤s2采用：将制备的植物叶片样本放置于电子扫描电镜平台上，选择不同的图像放大倍数，依次对叶片样本进行拍摄成像，生成扫描电镜图像。4.根据权利要求1所述的植物叶面颗粒物定量方法，其特征在于，所述步骤s3采用：扫描电镜图像利用ecognition develope软件，选择多分辨率分割算法，设置相应的分割参数，对扫描电镜图像进行图像分割，得到图像对象。5.根据权利要求1所述的植物叶面颗粒物定量方法，其特征在于，所述步骤s4中的图像对象的参数特征包括：波段均值、波段亮度、波段标准差、色调、颜色饱和度、颜色强度、椭圆拟合度、矩形拟合度、图像对象面积、正圆度、紧凑度、形状指数、边界指数、长宽比、空间密度、非对称性以及灰度共生矩阵。6.一种植物叶面颗粒物定量系统，其特征在于，包括：模块m1：基于植物叶片样本获取扫描电镜图像；模块m2：对获取的扫描电镜图像进行分割得到图像对象；模块m3：在得到的图像对象中选择训练样本，结合图像对象的参数特征构建和筛选自动识别叶面颗粒物的最优分类决策树，对扫描电镜图像中的叶面颗粒物进行自动识别和信息提取；模块m4：基于自动识别和提取的叶面颗粒物，对每个颗粒物进行数量统计和形状特征的定量表征。7.根据权利要求6所述的植物叶面颗粒物定量系统，其特征在于，在自然环境中选取健康植物叶片，将植物叶片放置于无菌操作台上，沿叶片对角线，避开叶脉，在每个植物叶片上剪取叶片样本。8.根据权利要求6所述的植物叶面颗粒物定量系统，其特征在于，所述模块m1采用：利用电子扫描电镜平台，选择不同的图像放大倍数，依次对叶片样本进行拍摄成像，生成扫描电镜图像。9.根据权利要求6所述的植物叶面颗粒物定量系统，其特征在于，所述模块m2采用：扫描电镜图像利用ecognition develope软件，选择多分辨率分割算法，设置相应的分割参数，对扫描电镜图像进行图像分割，得到图像对象。
10.根据权利要求6所述的植物叶面颗粒物定量系统，其特征在于，所述模块m3中的图像对象的参数特征包括：波段均值、波段亮度、波段标准差、色调、颜色饱和度、颜色强度、椭圆拟合度、矩形拟合度、图像对象面积、正圆度、紧凑度、形状指数、边界指数、长宽比、空间密度、非对称性以及灰度共生矩阵。

技术总结
本发明提供了一种植物叶面颗粒物定量方法及系统，包括：步骤S1：制备植物叶片样本；步骤S2：基于制备的植物叶片样本获取扫描电镜图像；步骤S3：对获取的扫描电镜图像进行分割得到图像对象；步骤S4：在得到的图像对象中选择训练样本，结合图像对象的参数特征构建和筛选自动识别叶面颗粒物的最优分类决策树，对扫描电镜图像中的叶面颗粒物进行自动识别和信息提取；步骤S5：基于自动识别和提取的叶面颗粒物，对每个颗粒物进行数量统计和形状特征的定量表征。量表征。量表征。


技术研发人员：颜景理 周伟奇 林琳 马克明 殷杉 孙宁骁
受保护的技术使用者：上海交通大学
技术研发日：2023.05.17
技术公布日：2023/7/26