技术领域
[0001] 涉及植物光合作用评估技术领域，特别涉及利用图像处理技术进行叶片光合速率的预测。
相关背景技术
[0002] 光合作用是植物生长发育过程中至关重要的生理过程，直接影响植物的生长速度和产量。因此，准确地评估植物的光合速率对于农业生产、作物育种以及环境监测等领域具有重要意义。目前，植物光合速率的测量方法主要依赖于物理测量设备，如LI‑6800光合测量仪等。这些设备通常能够提供准确的光合速率数据，但其价格昂贵、操作复杂，且不适合大规模测量，限制了其在农业生产中的广泛应用。
[0003] 随着图像处理技术的不断发展，一些研究人员开始探索通过叶片图像特征来预测光合速率的方法，这种基于图像的技术因其低成本和便捷性而受到广泛关注。现有的基于图像的预测方法主要集中在分析叶片的颜色、形态等单一特征上，通常采用简单的统计模型或经验公式来预测光合速率。然而，这些方法在处理复杂生理数据时存在较大误差，难以实现对光合速率的高精度预测，特别是在野外环境或大规模农业生产的应用场景中，现有方法的可靠性和准确性仍然不足。
[0004] 综上所述，现有技术在光合速率测量方面存在以下主要问题：传统物理测量设备成本高且难以大规模应用；基于图像的预测方法缺乏对叶片图像全面特征的有效分析，导致预测精度不高。因此，亟须一种既能够降低成本，又能够实现高精度光合速率预测的新方法，以解决现有技术中的这些问题。
具体实施方式
[0023] 为使本发明提供的技术方案的优点和有益之处体现得更清楚，现结合附图对本发明提供的技术方案进行进一步详细地描述，具体的：实施方式一、本实施方式提供了一种基于图像的叶片光合速率预测模型构建方
法，方法包括：
对采集的训练图像进行预处理，包括划分多个区间的步骤；
对预设测量区域内的，所述区间中，像素个数进行统计的步骤；
基于最小二乘法，得到所述像素个数与光合速率之间的量化关系的步骤；
根据所述量化关系，构建光合速率预测模型的步骤。
[0024] 实施方式二、本实施方式是对实施方式一提供的一种基于图像的叶片光合速率预测模型构建方法的进一步限定，所述预处理还包括对所述采集的待测图像的绿色通道进行提取。
[0025] 实施方式三、本实施方式是对实施方式一提供的一种基于图像的叶片光合速率预测模型构建方法的进一步限定，基于最小二乘法，得到所述像素个数与光合速率之间的权重系数，将误差最小的权重系数，作为所述量化关系。
[0026] 实施方式四、本实施方式是对实施方式三提供的一种基于图像的叶片光合速率预测模型构建方法的进一步限定，通过线性回归数据处理方法，得到拟合误差最小的权重系数。
[0027] 实施方式五、本实施方式提供了一种基于图像的叶片光合速率预测模型构建装置，装置包括：对采集的待测图像进行预处理，包括划分多个区间的模块；
对预设测量区域内的，所述区间中，像素个数进行统计的模块；
基于最小二乘法，得到所述像素个数与光合速率之间的量化关系的模块；
根据所述量化关系，构建光合速率预测模型的模块。
[0028] 实施方式六、本实施方式提供了一种基于图像的叶片光合速率预测方法，方法包括：根据实施方式一提供的光合速率预测模型，对采集的待测图像的光合速率进行预测的步骤。
[0029] 具体的，本实施方式公开了一种基于图像的叶片光合速率预测方法，通过获取叶片的图像数据并进行图像预处理，提取有效特征，然后建立数学模型，最终实现光合速率的预测。该方法利用相机采集叶片的RGB图像数据，结合光合仪器测得的实际净光合速率，通过最小二乘法建立叶片净光合速率与图像像素值之间的数学关系模型，以实现对叶片净光合速率的无损预测。本实施方式旨在通过精确、快速、低成本的方式提高对植物光合作用状态的评估效率。
[0030] 具体步骤描述：步骤1：叶片样本的采集
选取绿色叶片作为测量对象，将样本划分为校准集和测试集，校准集包括已知净光合速率的样本，测试集包括待测量净光合速率的样本。在样本准备时，确保叶片表面无明显污渍，如有必要，可以对叶片表面进行清洁处理。采集时间应选择在晴天的上午，避开光合作用午休时间（11:00‑14:00），以获取叶片的最佳光合作用状态。
[0031] 步骤2：图像采集和光合速率测量在实验环境中搭建一个暗室，避免外部光线的干扰。在暗室中使用遮光布遮盖，并将实验桌周围放置无影灯以消除反光。桌面正前方固定安装佳能700D相机和LI‑6800光合仪，保持相机与叶片之间的距离、角度和焦距固定，以确保拍摄的图像清晰和一致。在测量过程中，首先使用相机对叶片进行拍摄，获取叶片的RGB图像数据，同时使用光合仪测量叶片的净光合速率。待光合仪显示的数据稳定后，记录测量值。
[0032] 步骤3：图像数据预处理对获取的RGB图像数据进行处理，首先对测量区域进行标记并截取感兴趣区域
（ROI），将区域保存为PNG格式图像。使用Photoshop或类似软件对截取的图像进行处理，提取图像的绿色通道，这是因为绿色通道的像素值与叶片的光合活性密切相关。将提取的绿色通道图像像素值划分为五个区间，分别为0‑50、51‑100、101‑150、151‑200、201‑255，用于进一步分析。
[0033] 步骤4：特征提取和统计对提取的绿色通道图像进行像素统计，将2cm²测量区域内的各区间像素值进行计数。具体来说，对五个像素区间内的像素数量进行统计，分别记录属于每个区间的像素数量。这些数据将用于建立叶片净光合速率与像素值之间的数学关系模型。
[0034] 步骤5：建立数学模型利用最小二乘法对已获取的净光合速率和像素值数据进行数据处理。假设叶片净光合速率与各区间像素值之间存在线性关系，构建线性关系方程组。设定回归系数来量化各像素区间值对净光合速率的影响。通过最小化拟合误差的方法求解这些系数，从而建立出数学模型。该数学模型表示叶片的净光合速率与绿色通道像素值之间的线性量化关系。
[0035] 步骤6：光合速率预测将待测量叶片的绿色通道像素值输入已建立的数学模型，预测该叶片的净光合速率。对于测试集中的每个叶片样本，计算其像素数据，并代入数学模型得到净光合速率预测值，通过这种方式，可以对未进行光合测量的叶片进行无损的净光合速率预测。
[0036] 步骤7：误差评估与模型优化基于实际净光合速率和预测的净光合速率，计算预测误差值。使用决定系数和相对误差评估模型的预测精度。决定系数用于衡量模型对数据的拟合程度，而相对误差提供了预测值与真实值之间的标准化偏差度量。根据误差分析结果，对数学模型中的权重系数和截距项进行相应调整，优化数学模型，以进一步提高预测的准确性和稳定性。
[0037] 步骤8：实际应用在优化后的模型建立后，可以将其用于快速、无损地测量叶片光合速率，适用于实验室内研究、农业生产管理以及其他需要快速评估光合作用状态的场景。通过持续监测叶片光合速率，可以帮助农作物的精准生长管理，优化水肥等资源投入，并且实现对植物健康状况的实时监测和预警。
[0038] 实施方式七、本实施方式提供了一种基于图像的叶片光合速率预测装置，装置包括：根据实施方式一提供的光合速率预测模型，对采集的待测图像的光合速率进行预测的模块。
[0039] 实施方式八、本实施方式提供了计算机储存介质，用于储存计算机程序，当所述计算机程序被计算机读取时，所述计算机执行实施方式一提供的方法。
[0040] 实施方式九、本实施方式提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行实施方式一提供的方法。
[0041] 实施方式十、本实施方式提供了计算机程序产品，作为计算机程序，当所述计算机程序被计算机读取时，实现实施方式一提供的方法。
[0042] 实施方式十一、结合图1说明本实施方式，本实施方式通过具体实施例，对上述提供的技术方案进行进一步详细地描述，具体的：本实施方式的目的在于针对现有测量技术完全依赖光合仪设备的技术问题，提出了一种基于图像的叶片光合速率预测方法。既节省了时间和成本，又能保持测量结果的科学性和准确性。
[0043] 为实现上述目的，本申请第一方面提供了一种基于图像的叶片光合速率预测方法，所述方法包括：获取叶片的光合速率数据和叶片图像数据；
在对所述叶片进行获取数据时，选择晴天的上午进行，避开11：00‑14：00叶片光合午休时间。
[0044] 对所获得的图像数据进行处理，对测量前测量后进行拍照。
[0045] 对所获得的光合数据进行筛选，对于异常值进行剔除。
[0046] 利用Photoshop对于获得的图像进行处理，截取测量区域的png图像，对截取的png图像进行绿色通道的提取。
[0047] 把像素值分为五个区间，0‑50为A区间、51‑100为B区间、101‑150为C区间、151‑200为D区间、201‑255为E区间。
[0048] 对所截取得2cm²绿色通道图像中各区间像素值个数进行统计。
[0049] 利用最小二乘法对所获得的光合数据与像素值数据进行数据处理，获得权重系数。像素值与光合速率的权重系数表示像素值与光合速率的量化关系。
[0050] 所述叶片所测量区域像素值与净光合速率之间的数学模型：假设叶片实际的净光合速率与各区间像素值之间存在线性关系，建立线性关系方程组，并根据实际的净光合速率和各区间像素值对所述线性关系方程组求解，得到所述数学模型。
[0051] 在一种实施方式中，所述线性关系方程组包括：；
式中， 为实际的净光合速率的数值，是因变量，为LI‑6800光合仪所测得的净光合速率数据； 是回归系数，表示区间0‑50的权重系数， 表示区间51‑100的权重系数， 表示区间101‑150的权重系数， 表示区间151‑200的权重系数，
表示区间201‑255的权重系数； 为自变量，表示0‑50区间像素值个数，
为自变量，表示51‑100区间像素值个数， 为自变量，表示101‑150区间像素值个数，为自变量，表示151‑200区间像素值个数， 为自变量，表示201‑255区间像
素值个数，为截距项。
[0052] 通过所述数学模型得到样本的净光合速率预测值；基于净光合速率预测值和实际的净光合速率计算所述数学模型的预测误差值包
括：
2
基于净光合速率预测值pni和实际的净光合速率Pni计算决定系数R：
[0053] 通过决定系数得到所述数学模型的预测误差值。
[0054] 本实施方式提供了一种基于图像的叶片净光合速率预测方法，既节省了时间和成本，又能保持测量结果的科学性和准确性；并且，利用构建的数学模型，能够对未知的叶片进行快速无损的净光合速率预测，大幅提升了测量效率，实现了对大量样本的快速评估，既节省了时间和成本，又能保持测量结果的科学性和准确性。同时，该方法可实现实时监测，有助于及时了解叶片的生理状况并指导精准农业管理，可用于生长过程中的生长监测、品质评估以及病虫害预警等方面，具有重要价值。
[0055] 在具体实施例中：实施例一
本实施例提供了一种基于图像的叶片净光合速率预测方法，如图1所示，该方法包括：
选取叶片作为样本，将样本划分为校准集和测试集，其中，校准集包括已知净光合速率的样本，测试集包括待测量净光合速率的样本；
可选的，选取若干合适的叶片并清洁其表面污渍后作为样本。
[0056] 使用遮光布搭建一个四面不透光的暗室，中间放置一张桌子用来摆放实验叶片，桌子四周放四个无影灯防止叶片反光。桌子正前方放置佳能700D相机与LI‑6800光合仪，相机固定拍摄角度，固定相机与叶片距离，固定相机焦距，固定相机拍摄高度以确保图像清晰。
[0057] 实验使用佳能700D相机对待测量数据的叶片进行拍摄，获取叶片图像初始数据。
[0058] 在对所述叶片进行获取数据时，选择晴天的上午进行，避开11：00‑14：00叶片光合午休时间。
[0059] 使用Li‑6800光合仪对待测叶片进行测量，等光合仪数据显示平稳再进行记录。
[0060] 对测量后叶片的测量区域进行标记，并进行拍照获取测量后图像数据。
[0061] 对所获取的净光合速率数据进行筛选，对异常值进行剔除。
[0062] 利用Photoshop对于获得的图像进行处理，比对测量后图像标记的位置，对初始图像截取测量区域的png图像，对截取的png图像进行绿色通道的提取。
[0063] 对像素值进行划分为五个区间，0‑50为A区间、51‑100为B区间、101‑150为C区间、151‑200为D区间、201‑255为E区间。
[0064] 对所截取2cm²图像中各区间像素个数进行统计。
[0065] 利用最小二乘法对所获得的净光合速率数据与像素值数据进行数据处理，获得权重系数。净光合速率与像素值的权重系数表示净光合速率与像素值的量化关系。
[0066] 所述叶片所测量区域像素值与净光合速率之间的数学模型：假设叶片实际的净光合速率与各区间像素值之间存在线性关系，建立线性关系方程组，并根据实际的净光合速率和各区间像素值对所述线性关系方程组求解，得到所述数学模型。
[0067] 在一种实施方式中，所述线性关系方程组包括：
[0068] 式中， 为实际的净光合速率的数值，是因变量，为LI‑6800所测得的净光合速率数据； 是回归系数，表示区间0‑50的权重系数， 表示区间51‑100的权重系数，表示区间101‑150的权重系数， 表示区间151‑200的权重系数， 表示区间201‑255的权重系数； 为自变量，表示0‑50区间像素值个数， 为自变量，表示51‑100区间像素值个数， 为自变量，表示101‑150区间像素值个数， 为自变量，表示151‑200区间像素值个数， 为自变量，表示201‑255区间像素值个数，为截距项。
[0069] 通过所述数学模型得到样本的净光合速率预测值；基于净光合速率预测值和实际的净光合速率计算所述数学模型的预测误差值包
括：
基于所获取的净光合速率预测值pni与实际的净光合速率Pni，通过计算决定系数
2
R计算数学模型的预测误差值，计算公式如下：
[0070] 其中，R2为决定系数，是衡量模型对数据拟合程度的一个关键指标，反映了模型解释因变量变化的能力；基于以上数学模型计算出的预测误差值，基于所述权重系数
与截距项 对数学模型进行调整，得
到优化后的数学模型。
[0071] 另外通过计算相对误差进行模型的误差值预测，计算公式如下：
[0072] 其中，n为校准集样本数量。相对误差RE提供了预测值与真实值之间偏差的一种标准化度量，不受数据尺度的影响，便于跨不同尺度的数据集进行比较。
[0073] 本实施例通过计算决定系数和相对误差建立对数学模型的调整过程，可以从不同层面评估模型预测的可信度和实用性，进而对模型进行必要的优化和调整，以减小预测误差并提高预测精度，同时，也可以通过分析两者来设定合理的误差容忍范围，帮助判断模型是否满足实际应用的需求，以确认模型的稳定性和有效性。
[0074] 将测试集样本的像素值数据输入至所述数学模型，得到测试集样本的净光合速率预测值。
[0075] 在一种实施方式中，将待测量叶片的像素值数据输入优化后的数学模型，对其净光合速率进行预测，即可得到待测量叶片的净光合速率预测值pni。
[0076] 以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细地描述，是为了突出本发明提供的技术方案的优点和有益之处，不过以上所述的几个具体实施方式并不用于作为对本发明的限制，任何基于本发明的精神和原则范围内的，对本发明的合理修改和改进、实施方式的组合和等同替换等，均应当包含在本发明的保护范围之内。
