一种绣球花色品质快速估测方法与流程

1.本发明涉及一种对绣球花色品质的评估方法，具体涉及一种基于多色彩空间模型进行快速估测的方法。


背景技术：

2.绣球(hydrangea macrophylla)又名八仙花、草绣球，虎耳草科(saxifragaceae)绣球属(hydrangea)，原产我国长江流域，全国各地均有栽培，喜半荫环境，自然花期集中在5～7月。绣球品种繁多，花型饱满，花色多变可控，在世界范围内广受欢迎，在应用方面既可在园林绿化中应于景观造景，也可在花卉市场中作为盆花、切花销售产生较高的经济效益，市场前景良好。
3.花色是观赏类植物的重要品质指标，其形成受温度、光照等环境因素及营养水平的调节。绣球在开花过程中花色变化明显，在花萼发育后期会出现明显的褪色现象，并且常因不合理的养护管理或采收措施导致花色品质快速下降，观赏时间缩短。例如绣球光照过强导致花萼出现焦边，花色褪色速率加快，花期变短，过度遮荫则导致花色变浅，总花青素苷含量降低，而适度的遮荫有利于总花青素苷累积，延缓花色褪色。目前有关绣球在盆花和切花质量产品等级方面已出台相应标准(ly/t 1732—2008；gb/t28680—2012)，对绣球花序品质等级划分方法为目测法，其中花色品质评估方面仍采用定性描述，如“花色均匀、纯正、变色自然、有光泽”等，尚缺乏快速、无损、定量化的估测方法。花色素及其代谢产物是影响植物花色的关键因子，对环境变化的响应较外在花色表型更为敏感迅速。近年来的研究发现，绣球花色品质与内在生理代谢指标总花青素苷、总黄酮、总酚的含量密切相关。schreiber等(2011)的研究表明随着绣球开花进程的推进，花青素苷逐渐累积，在盛花期含量达到最大值，褪色后含量降低。总黄酮和总酚对花青素苷具有辅助效应，可使花色更为饱满。peng等(2021)的研究表明随着开花进程的推进，绣球总黄酮、总酚含量均表现为下降的趋势，在花蕾期最高，其后逐渐下降，在末花期最低。现有研究中或通过肉眼观测或使用测色仪基于单一色彩空间模型(lab)进行外在花色表型评估,而以花青素苷、总黄酮、总酚含量作为花色品质评估依据，不仅更为科学、全面、准确，还能够预判绣球在开花过程中的花色品质变化，为生产者及时调整后续管养、采收、运输策略提供依据。但是目前针对绣球花萼内总花青素苷、总黄酮、总酚含量测定方法，虽然准确度较高、通用性较好，但存在耗时长、专业性强、花费高昂等问题。因此如何快速、无损、定量化地对绣球花色品质进行估测、分级，成为当前亟待解决的重要问题。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，提供一种快速、无损、定量化的绣球花色品质估测方法。
5.为了实现上述目的，本发明提供的技术方案如下：
6.一种绣球花色品质快速估测方法，包括以下步骤：
7.(1)样本采集
8.选取不同绣球花序样本，对花色变化进行持续观测，于盛花期、盛花末期和末花期从选取的绣球花序样本中采集新鲜花萼备用；
9.(2)获取绣球花序图像，提取多颜色空间分量值
10.对步骤(1)选取的绣球花序样本，在采集新鲜花萼前获取其对应的花序图像，从中提取3个色彩空间lab、hsv和rgb的颜色分量值：明度l、红度a、黄度b、色相h、饱和度s、亮度v、红r、绿g、蓝b；
11.(3)测定花萼内花色品质指标，计算花色品质综合得分
12.取步骤(1)采集的新鲜花萼，测定花色品质指标：总花青素苷、总黄酮和总酚含量；将获得的花色品质指标归一化处理后，通过熵权法计算各指标权重，计算得出花色品质综合得分；
13.(4)构建花色品质估算模型
14.以步骤(2)中获得的颜色分量值明度l、红度a、黄度b、色相h、饱和度s、亮度v、红r、绿g、蓝b作为自变量，对应的花色品质综合得分作为因变量，构建花色品质估算模型；
15.(5)绣球花色品质分级
16.依据花色品质综合得分对绣球花品质进行分级，对采集图像进行标注，划分为训练集和测试集，并利用随机森林分类进行花色品质分级；
17.(6)绣球花色评估
18.采集需要评估的绣球花序图像，按照步骤(2)的方法获取颜色分量值，根据步骤(4)的花色品质估算模型计算花色品质综合得分，并依据步骤(5)进行花色品质分级。
19.更为详细的，本发明绣球花色品质快速估测方法具体步骤如下：
20.(1)田间样本采集：选取不同绣球花序样本挂牌，对花色变化进行持续观测，于盛花期、盛花末期和末花期从挂牌花序中采集新鲜花萼备用，以获取不同花色品质样本。
21.具体地，盛花期指绣球花萼完全展开，整个花序着色完成；盛花末期指花萼和花序花色渐褪，末花期指花萼和花序基本褪色完成。
22.(2)获取绣球花序图像，提取多颜色空间分量值：获取绣球花序图像：用单反相机(佳能，eos90d)获取高清晰度(分辨率:6960
×
4640)绣球花序图像，图像格式为raw。使用python pl库将图片统一为rgb模式的jpg图片，将图片统一为100px的图片。提取基于图像k均值聚类方法分割绣球花序图像，使用image color summarizer开源工具提取3个色彩空间lab、hsv和rgb的颜色分量值l、a、b、h、s、v、r、g、b。
23.具体地l为明度，a为红度，b为黄度；h为色相,s为饱和度,v为亮度；r为红，g为绿，b为蓝。
24.(3)测定总花青素苷、总黄酮和总酚含量，建立花色品质综合得分：通过常规测定方法获取花色品质指标。花青素苷测定采取高效液相色谱质谱联用技术(lc-ms)，总黄酮的测定采取比色法测定，总酚的测定采取folin-ciocalteau方法测定。将测得指标值归一化处理后，通过熵权法计算各测定指标权重，得出花色品质综合指标值
25.(4)构建花色品质估算模型：以颜色分量值l、a、b、h、s、v、r、g、b作为自变量，花色品质综合得分作为因变量，通过随机森林、支持向量机、bp神经网络回归构建花色品质估算模型。
26.(5)绣球花色品质分级：依据花色品质综合得分对绣球花色品质进行分级，对采集图像进行标注，划分为训练集和测试集，并利用随机森林分类进行花色品质分级。
27.(6)绣球花色评估
28.采集需要评估绣球的花序图像，按照步骤(2)的方法获取颜色分量值，根据步骤(4)的花色品质估算模型计算花色品质综合得分，并依据步骤(5)进行花色品质分级。
29.本发明相比现有技术具有以下优点：本发明基于多色彩空间模型提取颜色分量值，结合影响花色内在生理代谢指标的测定，利用机器学习模型构建花色品质估算模型，定量估测绣球花色品质，判别分类花色品质等级，现场对花色品质进行估测时直接通过获取色彩信息即可快速、无损、定量化地对绣球花色品质进行估测、分级，为优化生产实践中绣球养护管理技术和产品质量等级划分方法提供依据。
30.采用本发明估测方法可定量描述绣球花色品质，预测花色品质变化，与常规的主观观察进行分级相比，通过测试和统计得到的数据更加科学、全面、准确。
31.本发明估测方法可进一步应用于施肥、温度等栽培养护技术影响下花色品质的监测，以及不同苗圃、不同品种的绣球花色品质评估，对绣球产品生产规范化、标准化，推动行业高质量发展具有重要意义。
附图说明
32.图1为本发明绣球花色品质快速估测方法的流程图；
33.图2为对选取绣球花色样本多颜色空间分量值获取示意图；
34.图3为本发明效果实施例中不同栽培处理下绣球花色变化对比图；t1：全光照；t2：50％遮荫。
具体实施方式
35.下面结合附图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，还可以做出若干变形和改进。这些都属于本发明的保护范围。
36.实施例1
37.本发明一种绣球花色品质快速估测方法，包括以下步骤：
38.(1)田间样本采集：以红色系绣球品种
‘
花手鞠’(hydrangea macrophylla
39.‘
hanatemari’)为供试材料，挑选长势一致的植株分别置于苗圃大棚内。设置2个不同栽培处理，即全光照(t1)和50％遮荫(t2)，对花色变化进行持续观测，以获取不同花色品质的样本。50％遮荫由遮荫网(4针，透光率50％)控制光照强度。实验开始前用照度计(dt-8809a，深圳华盛昌)于晴朗天气测定光照强度，确保遮荫度准确；50％遮荫强度为736μmol
·
m-2
·
s-1
，全光照为1471μmol
·
m-2
·
s-1
。对花色变化进行持续观测，于不同开花时期从挂牌花序中采集新鲜花萼备用。图3为t1、t2处理不同时期的花色变化，可以发现不同光照强度下绣球花序花色表型特征具有明显差异，为后续模型建立提供了可靠的样本数据。
40.(2)获取绣球花序图像，提取多颜色空间分量值：用单反相机(佳能，eos90d)获取高清晰度(分辨率:6960
×
4640)绣球花序图像，图像格式为raw。使用python pl库将图片统
一为rgb模式的jpg图片，将图片统一为100px的图片。由于光照不均、复杂背景的干扰会影响图像分割效果，需要寻找能够有效提取完整目标的颜色空间。获取的图像中存在着丰富的颜色信息，绣球花序图像在色彩空间中有明显的颜色差异。基于图像k均值聚类方法可有效分割绣球花序图像，将绣球花序与土壤、叶片等背景较好分割开。使用image color summarizer开源工具提取3个色彩空间lab、hsv和rgb颜色分量值，k均值聚类数目为5，以平均像素值作为各分量的基础颜色特征参数值，构建数据集(如图2所示)。
41.(3)总花青素苷、总黄酮、总酚含量测定。从挂牌花序中采集不同开花时期的新鲜花萼。准确称取新鲜花萼0.5g，液氮充分研磨后，用500μl 2％的甲酸甲醇浸提，避光4℃条件静置24h，以13500rpm转速离心9min后，取上清液用0.22μm微孔滤膜过滤后备用。利用高效液相色谱质谱联用技术(lc-ms)测定总花青素苷含量，比色法测定总黄酮含量，folin-ciocalteau法测定总酚含量。(4)建立花色品质综合得分：熵权法是一种根据各项指标的变异的大小来计算指标权重的方法，属于客观赋权法，能更准确地判断各变量对整体的影响。对当指标的变异程度越大，其反映的信息量也越多，相应权重也越高。按照公式(1)计算权重值，按照公式(2)计算熵值，按照公式(3)计算熵权值权重，按照公式(4)计算每个样本的花色品质综合指标值。通过熵权法计算总花青素苷、总黄酮、总酚各指标权重，得出花色品质综合指标值，公式如下：
42.计算权重：
43.计算熵值：
44.计算熵权：
45.计算花色品质综合得分：
46.式(1)中：x
ij
为第i个样本的第j项指标值，y
ij
为x
ij
离差标准化后的值；p
ij
为第i个样本的第j项指标权重，e
ij
为第i个样本第j项指标熵值，wj为第j项指标值熵值权重，fqci为花色品质综合得分值。各指标权重见表1，熵权法的权重计算结果显示，总花青素苷对花色品质综合指标起主导作用，占比59.284％。
47.表1基于熵权法的各指标权重计算结果
[0048][0049]
(5)构建花色品质估算模型：以颜色分量值l、a、b、h、s、v、r、g、b作为自变量，花色品质综合得分作为因变量，通过随机森林、支持向量机、bp
[0050]
神经网络回归构建花色品质估算模型。回归算法的环境为windows 10，ram 16gb，cpu amd ryzen 75800h，编程语言为python3.9，工具为pycharm。将数据集划分为训练集和测试集(7:3),进行3折交叉验证。
[0051]
随机森林、支持向量机、bp神经网络回归均为经典的机器学习算法。随机森林回归是决策树的集成，通过对建模数据集的样本观测和特征变量分别进行随机抽样，每次抽样结果均为一棵树，且每棵树都会生成符合自身属性的规则和判断值，最终集成所有决策树
的规则和判断值，实现随机森林算法的回归。支持向量机回归用非线性映射将数据映射到高维数据特征空间中,从而将非线性转为线性。bp神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。bp神经网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。模型评价使用决定系数(r2)，和均方根误差(rmse)量化指标来衡量。当r2结果越靠近1模型准确度越高，而rmse取值越小，模型准确度越高。
[0052]
结果表明，3种模型的r2值bp神经网络大于支持向量机和随机森林，而rmse小于支持向量机和随机森林，表明bp神经网络的拟合能力最优(表2)。
[0053]
表2不同模型花色品质估算模型结果
[0054][0055][0056]
(6)绣球花色品质分级：根据花色品质综合得分对绣球花色品质进行分级，根据花色品质综合得分值在0.7～1的划分为一级，0.3～0.7划分为二级，0～0.3划分为三级(表3)。对采集图像按照一级、二级、三级进行标注，对不同类别标签进行随机过采样处理，使不同类别的占比达到一致，并在一定程度上增加样本的数量。为了使模型的训练效果更好，对过采样处理后达到分类平衡的变量数据进行标准化，再按7:3的比例将数据划分为训练集和测试集，利用随机森林分类进行花色品质分级。分类算法的环境为windows 10，ram 16gb，cpu amd ryzen 75800h，编程语言为python3.9，工具为pycharm。
[0057]
(7)分类效果通过准确率、召回率、精确率和综合估测率(f1-score)来衡量。准确率预测正确的结果占总样本的百分比。精确率为模型对正样本结果中的预测准确程度，召回率(recall)是对模型覆盖度的度量，与精确率是一组相对的指标。综合估测率是精确率与召回率的加权调和平均值，在评价模型性能时能同时考虑精确率与召回率，相较单一指标而言更为合理。
[0058]
(8)混淆矩阵也称误差矩阵，是一种特定的表格显示方式，根据测试集的拟合结果输出混淆矩阵，可以看出模型是否混淆了3个类别，对角线为预测正确值。结果如表4所示，可以发现测试集标签和预测结果大部分情况相符，绝大部分样本预测正确，其中一级花色品质预测正确的概率为0.73，二级花色品质为0.5，三级预测正确概率更高，达到0.96，有效区分了不同花色品质样本。根据测试数据(真实值)和预测数据(预测值)计算得到随机森林分类的拟合结果，由表5可知随机森林模型在测试集和训练集中对不同花色品质等级综合估测率分别为0.667、0.907，在训练集中达到了理想水平(f1-score≥0.9)，总体上估测效果较为可观。
[0059]
表3花色品质等级划分
[0060][0061]
注：表中，花色品质综合得分的划分范围均包含上限值、不包含下限值
[0062]
表4基于随机森林分类的花色品质混淆矩阵
[0063][0064]
表5基于随机森林分类的花色品质拟合结果
[0065][0066]
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
[0067]
效果实施例2
[0068]
采用本发明估测方法对绣球养护管理技术进行优化
[0069]
采用实施例1估测方法对不同处理(全光照、50％遮荫)花色品质的综合值见表2-1,结果显示不同处理花色品质出现了明显差异。随着时间的变化，花色品质综合值逐渐降低，整体上全光照处理下花色品质综合指标值低于遮荫，表明遮荫有效提升了花色品质，延缓了花色品质下降。
[0070]
表2-1不同养护管理绣球花色品质评估
[0071]

技术特征：
1.一种绣球花色品质快速估测方法，其特征在于，包括以下步骤：(1)样本采集选取不同绣球花序样本，对花色变化进行持续观测，于盛花期、盛花末期和末花期从选取的绣球花序样本中采集新鲜花萼备用；(2)获取绣球花序图像，提取多颜色空间分量值对步骤(1)选取的绣球花序样本，在采集新鲜花萼前获取其对应的花序图像，从中提取3个色彩空间lab、hsv和rgb的颜色分量值：明度l、红度a、黄度b、色相h、饱和度s、亮度v、红r、绿g、蓝b；(3)测定花萼内花色品质指标，计算花色品质综合得分取步骤(1)采集的新鲜花萼，测定花色品质指标：总花青素苷、总黄酮和总酚含量；将获得的花色品质指标归一化处理后，通过熵权法计算各指标权重，计算得出花色品质综合得分；(4)构建花色品质估算模型以步骤(2)中获得的颜色分量值明度l、红度a、黄度b、色相h、饱和度s、亮度v、红r、绿g、蓝b作为自变量，对应的花色品质综合得分作为因变量，构建花色品质估算模型；(5)绣球花色品质分级依据花色品质综合得分对绣球花品质进行分级，对采集图像进行标注，划分为训练集和测试集，并利用随机森林分类进行花色品质分级；(6)绣球花色评估采集需要评估的绣球花序图像，按照步骤(2)的方法获取颜色分量值，根据步骤(4)的花色品质估算模型计算花色品质综合得分，并依据步骤(5)进行花色品质分级。2.根据权利要求1所述的绣球花色品质快速估测方法，其特征在于，所述步骤(2)中在进行颜色分量值提取前，先将采集的图像统一为rgb模式的jpg图片，同时统一为100px的图片，再采用基于图像k均值聚类方法分割图片。3.根据权利要求1所述的绣球花色品质快速估测方法，其特征在于，所述步骤(3)中总花青素苷含量的测定采取高效液相色谱质谱联用技术，总黄酮含量的测定采取比色法，总酚含量的测定采取folin-ciocalteau方法。4.根据权利要求1的绣球花色品质快速估测方法，其特征在于，所述步骤(3)中花色品质综合得分的计算公式如下：计算权重：计算熵值：计算熵权：计算花色品质综合得分：式中：x
ij
为第i个样本的第j项指标值，y
ij
为x
ij
离差标准化后的值；p
ij
为第i个样本的第j项指标权重，e
ij
为第i个样本的第j项指标熵值，w
j
为第j项指标值熵值权重，fqci为花色品质综合得分值。5.根据权利要求4所述的绣球花色品质快速估测方法，其特征在于，各指标的权重分别
为：总花青素苷59.2884％、总黄酮16.544％、总酚24.172％。6.根据权利要求1所述的绣球花色品质快速估测方法，其特征在于，步骤(4)中采用bp神经网络回归构建花色品质估算模型。7.根据权利要求1所述的绣球花色品质快速估测方法，其特征在于，所述步骤(6)中花色品质分级为：花色品质综合得分值在0.7～1之间为一级，花色品质综合得分值在0.3～0.7之间为二级，花色品质综合得分值在0～0.3之间为三级。

技术总结
本发明公开了一种绣球花色品质快速估测方法，包括以下步骤：(1)样本采集；(2)获取绣球花序图像，提取多颜色空间分量值：L、a、b、H、S、V、R、G、B；(3)测定花萼内花色品质指标，计算花色品质综合得分；(4)构建花色品质估算模型：以颜色分量值明度L、a、b、H、S、V、R、G、B作为自变量，对应的花色品质综合得分作为因变量，构建花色品质估算模型；(5)绣球花色品质分级：依据花色品质综合得分对绣球花品质进行分级；(6)绣球花色评估：采集需要评估的绣球花序图像，获取颜色分量值，计算花色品质综合得分，进行花色品质分级。采用本发明方法可快速、无损、定量化地进行绣球花色品质估测。量化地进行绣球花色品质估测。量化地进行绣球花色品质估测。


技术研发人员：秦俊 杨君 孔羽 叶康 邢强
受保护的技术使用者：上海辰山植物园
技术研发日：2023.05.19
技术公布日：2023/8/9