基于Android手機平臺的玉米葉片含氮量無損檢測

(西北農林科技大學機械與電子工程學院， 陜西楊凌 712100)

基于Android手機平臺的玉米葉片含氮量無損檢測

郭文川薛憲法楊彪周超超朱新華

(西北農林科技大學機械與電子工程學院， 陜西楊凌712100)

為了提供一種玉米葉片含氮量無損快速檢測方法，分析了玉米葉片的顏色特征參數與含氮量的關系，并基于Android手機平臺開發了玉米葉片含氮量檢測軟件。首先獲取包含被測玉米葉片與標定色塊組的圖像，利用標定色塊對圖像色彩進行校正，以減小外界光照等因素對圖像色彩造成的失真。進而進行圖像分割、圖像平滑和顏色特征信息提取等處理，分析了各顏色特征參數與玉米葉片含氮量的關系，發現綠光標準化值與含氮量之間線性關系最好。應用Java語言和OpenCV計算機視覺庫在Android手機平臺上實現了玉米葉片的圖像獲取、圖像處理和查看結果等功能。實驗結果表明，該方法對玉米葉片含氮量的絕對測量誤差為-0.40%～0.35%，均方根誤差為0.20%，從采集圖像到給出結果所用時間小于10s。

玉米葉片； 含氮量； Android； 手機； 無損檢測

引言

氮素是植物最重要的營養元素，也被稱為“生命元素”。植物缺氮會造成植株矮小、生長緩慢；氮素過剩又會導致植株修長倒伏、貪青晚熟。實時、精準地獲取植物的氮素含量信息，不僅有利于按需施肥，促進植物更好地生長，還能有效地緩解因過量施肥造成的環境污染問題[1-2]。

傳統的植物含氮量檢測方法主要有凱氏定氮法、奈氏比色法和杜馬斯燃燒法等[3-4]。這些檢測方法具有檢測精度高、可靠性好的優點，但同時存在檢測過程繁瑣、檢測成本較高，且需專業人員操作的缺點。此外，這些方法都很難應用于植物含氮量的現場、無損和快速檢測。相關研究發現，植物在可見光區的光譜反射屬性與葉綠素顯著相關[5-6]，而氮素又是葉綠素的重要組成成分，二者變化趨勢相近，這使得利用SPAD葉綠素儀無損、快速地檢測植物含氮量成為可能[7-9]，然而該方法需要與植物葉片接觸[10]。孫俊等[11]基于高光譜成像技術定性分析了離體生菜葉片氮素水平的豐缺狀況。王巧男等[12]利用高光譜成像技術實現了柑橘冠層氮素水平的定量預測，模型決定系數為0.607 1。但高光譜儀器比較昂貴，目前僅用于實驗室研究中，且測量精度有限。賈良良等[13]利用數碼相機獲取田間冬小麥冠層圖像，利用圖像處理技術提取顏色特征指標，發現其綠色分量與紅綠藍分量和的比值與小麥植株的含氮量具有很好的相關性。張立周等[14]將數字圖像技術應用于夏玉米氮素營養診斷中，研究得出藍光標準化值B/(R+G+B)是進行夏玉米氮素營養診斷的最佳色彩參數指標。但這些研究存在數據處理滯后的問題。

近年來，功能強大、方便實用的智能手機在農業中得到了一定的應用。例如，智能手機被應用于無損、快速檢測生長中的植物葉片面積[15]，用于診斷農作物病蟲害[16]，用于開發農業信息發布平臺等[17-19]。然而，目前尚未有利用智能手機進行無損、非接觸、快速檢測植物葉片含氮量的報道。為此，本文以玉米[20-21]為對象，提出一種基于Android手機平臺實現玉米葉片含氮量無損、非接觸、快速檢測的方法，以期為玉米田間變量施肥及玉米產量的提高提供技術支撐。

1 實驗材料與方法

1.1 實驗材料

以“咸科858”玉米品種為研究對象，實驗地點為西北農林科技大學中國旱區節水農業研究院實驗田。將實驗田均分為4塊，每塊長12 m、寬3.5 m。設置氮肥施用量為4個梯度：不施氮肥、正常施氮肥量的一半、正常施氮肥量和正常施氮肥量的1.5倍。施肥方案為施基肥1次，追肥2次，追肥時間分別在拔節期和抽雄期[22]。其中基肥使用過磷酸鈣和尿素，每塊地過磷酸鈣用量均為2.5 kg，各塊地尿素施肥量按照上述4個梯度設置，其中正常施肥量為1.6 kg，每塊均勻施肥。2次追肥只施尿素，同樣采用上述4個梯度施肥方式，正常情況下尿素用量為1.6 kg。除各塊施肥量不同外，其余栽培條件均相同。分別在玉米拔節期、抽雄期以及乳熟期[23]采集數據。每次實驗分別在4塊實驗田中各隨機抽取不相鄰的10株玉米作為研究對象，共用玉米植株120株進行數據采集。有效實驗樣本數為115株。

1.2 測量方法

以玉米植株中部的葉片為對象，用華為Honor 3C智能手機獲取葉片中部的彩色圖片。然后從玉米植株上剪下該葉片，放入保鮮袋內迅速帶回實驗室后，置于105℃的電熱鼓風干燥箱(WG-71型，天津泰斯特儀器有限公司，天津)中殺青30 min，再于80℃下干燥至恒質量后研磨成粉狀。然后利用FOSS-2300型自動凱氏定氮儀(福斯分析儀器有限公司，瑞典)，按照農業標準NY/T 2017—2011(植物中氮、磷、鉀的測定)測量玉米葉片的含氮量。每個玉米葉片的含氮量重復測量3次，3次測量的平均值作為測量結果。

2 玉米葉片圖像處理及含氮量檢測模型的建立

2.1 圖像獲取

將拍攝玉米葉片的背景設置為不含綠色分量的品紅色(R：255，G：0，B：255)。由于光照、背景和成像系統等因素會造成圖像顏色的失真[24-25]，為克服該問題，在背景板中設置6個色塊以對圖像色彩進行校正。該6個色塊分別是：標準紅(R：255，G：0，B：0)、標準綠(R：0，G：255，B：0)、標準藍(R：0，G：0，B：255)、白(R：255，G：255，B：255)、黑(R：0，G：0，B：0)和灰(R：120，G：120，B：120)。圖像獲取示意圖如圖1所示。

圖1 圖像獲取方法Fig.1 Image acquisition method1.手機 2.背景 3.待測玉米葉片 4.標定色塊

2.2 色彩校正

為克服光照等各種外在因素對圖像色彩的影響，以獲得預測玉米葉片含氮量較精確的模型，對獲得的圖像進行色彩校正。校正過程如下：

(1)采用閾值分割法分割出圖像中的灰度色塊，然后遍歷灰度色塊區域，分別統計該區域R通道的均值RGray、G通道的均值GGray和B通道的均值BGray。

(2)求出RGray、GGray和BGray的均值AGray，再分別求出R、G、B3通道的校正系數Gr、Gg和Gb。

(1)

(3)采用閾值分割法分割出圖像中的標準紅色色塊、標準綠色色塊和標準藍色色塊，并分別統計標準紅色色塊R通道的均值RRed、標準綠色色塊G通道的均值GGreen和標準藍色色塊B通道的均值BBlue，分別求出標準紅色色塊R通道、標準綠色色塊G通道和標準藍色色塊B通道的色彩校正系數r、g和b，計算式為

(2)

(4)用校正系數Gr、Gg、Gb和色彩校正系數r、g、b分別對玉米葉片圖像的R、G、B通道進行校正。校正方法為

(3)

式中fR(x,y)、fG(x,y)、fB(x,y)、fCR(x,y)、fCG(x,y)、fCB(x,y)為校正前、后圖像中某像素點(x,y)在R、G、B通道的值。

圖像校正前、后的對比效果如圖2a、2b所示。從圖2a中的灰度標定色塊可以看出，色彩校正前圖片顏色明顯偏藍，校正后的顏色與圖1給出的拍攝背景的顏色比較接近。說明該方法能有效地實現色彩校正。

圖2 原始圖像和色彩校正后的圖像Fig.2 Original image and color corrected image

2.3 圖像分割與平滑

由于玉米葉片圖像都是在如圖1所示的背景下采集的，因此葉片區域的R/G小于1，而背景中R/G大于1，因此將R/G設為1作為玉米葉片圖像分割的閾值。

由于拍攝背景中預設有標定色塊，為更好地將玉米葉片分割出來，首先需將標定色塊從圖像中裁減掉，因此需對標定色塊進行識別定位。結果表明，黑色和白色標定色塊均有較好的識別效果，文中選擇黑色色塊用作定位，進而完成圖像裁剪。由于標定色塊整齊地排列于葉片的上側，根據閾值R<70、G<70和B<150可以找到標定色塊中的黑色色塊。再根據黑色色塊在圖像中的坐標，可以很方便地對葉片進行裁剪，裁剪后的圖像如圖3所示。然后利用R/G值進行圖像分割。由于葉片表面顏色不均勻，使得閾值分割后的葉片區域內會出現空洞，為消除此現象，對分割后的圖像進行膨脹、腐蝕和填充空洞等操作，再對葉片區域的輪廓采用線性濾波法進行平滑處理，處理后的結果如圖4所示。

圖3 裁剪后的圖像Fig.3 Image after cutting

圖4 圖像分割及平滑等處理后的玉米葉片區域Fig.4 Maize leaf area after image segmentation and smoothing

對圖4進行二值化處理生成圖像分割的掩膜，將掩膜與原圖像按像素進行“與”操作，最后得到玉米葉片的圖像如圖5所示。

圖5 最終得到的玉米葉片圖像Fig.5 Final maize leaf image

2.4 玉米葉片含氮量檢測模型的建立

遍歷圖5中玉米葉片區域的每一個像素點的R、G、B信息，統計整個葉片區域的顏色特征信息。提取該玉米葉片的R、G和B的均值Rave、Gave和Bave，并計算紅光標準化值RS、綠光標準化值GS和藍光標準化值BS

(4)

將其作為玉米葉片區域的顏色特征值。

將所有樣本按照含氮量由小到大排列，每3個數據為1組，每組中最小和最大含氮量的樣本用作建模，處于中間含氮量的樣本用作驗證。據此方法得到建模樣本77個。求取該77個玉米葉片圖像的Rave、Gave、Bave、RS、GS和BS。分別建立Rave、Gave、Bave、RS、GS、BS與玉米葉片含氮量的線性關系式。各顏色特征參數與含氮量的線性相關系數r見表1。表1說明，GS與含氮量的線性相關性最高，線性相關系數為0.775。圖6為玉米葉片的GS與含氮量N的關系圖，其線性擬合關系為

GS=6.74×10-2N+0.237

(5)

因此，在已知玉米葉片GS條件下，可根據式(5)很方便地求出玉米葉片的含氮量。

表1 玉米葉片顏色特征參數與含氮量之間的線性相關系數Tab.1 Linear correlation coefficient between color parameters and nitrogen content of maize leaves

圖6 玉米葉片含氮量與GS的關系Fig.6 Relationship between nitrogen content and GS of maize leaves

3 軟件設計

3.1 系統硬件平臺

基于Android 手機平臺的玉米葉片含氮量無損快速檢測系統硬件部分采用智能手機華為Honor 3C(華為技術有限公司)，其操作系統為Android 4.2.2，CPU為QSD8255(高通公司，美國)，主頻1 GHz，2 GB RAM。

3.2 軟件開發平臺

在Windows 7操作系統下，搭建基于Android SDK(Software development kit)+ Java JDK 7(Java development kit)+ Eclipse 4.2.1 + ADT 21.1(Android development tools)+ OpenCV(Open source computer vision library)的應用程序開發環境。

OpenCV為Android軟件開發提供了異步初始化與靜態初始化2種使用方式。由于靜態初始化下的開發過程比較繁瑣，為此本研究采用異步初始化方式。在異步初始化下需要在Android手機中安裝合適版本的OpenCV Manager，軟件運行時，鏈接OpenCV Manager即可調用OpenCV庫文件。

3.3 系統軟件

為實現良好的人機交互，通過編寫XML文件對軟件的用戶界面進行了設計，檢測軟件的主界面如圖7所示。通過Java語言編寫軟件算法，實現基于Android手機的OpenCV Manager鏈接、圖像獲取、圖像處理和含氮量計算等功能。

圖7 開發系統的用戶界面Fig.7 User interface of developed system

3.3.1圖像獲取

軟件啟動后，以異步初始化方式實現OpenCV庫的鏈接，避免了靜態初始化下繁瑣的開發過程。軟件提供了2種圖像獲取方式，用戶既可以通過“拍攝圖像”功能調用手機攝像頭來完成圖像的實時采集，也可以通過“加載圖像”功能對本地圖像進行顯示、處理，進一步提高了軟件的實用性。為方便用戶對圖像數據的管理，還對軟件的存儲功能進行了設計。在拍攝圖像時，軟件可自動獲取系統當前時間，并以當前時間命名圖像，保存至手機SD卡所建立的工作目錄下。“拍攝圖像”和“加載圖像”通過Android系統提供的Intent對象和ListView控件實現。

3.3.2圖像處理

圖像處理過程包括色彩校正、圖像分割、圖像平滑和顏色特征信息提取等步驟，相關算法同2.2～2.4節。軟件將待處理圖像轉換成Mat類型的數據結構，再借助于OpenCV庫提供的函數實現圖像處理過程。收到圖像處理命令后，軟件通過new Thread()方法創建子線程，子線程每完成1個圖像處理步驟，向主線程發送消息，使主線程做出相應的響應。在圖像處理過程中，主線程主要處理人機交互信息和根據消息隊列中不同的信息更新UI界面，從而快速、有序地完成以上圖像處理步驟。

3.3.3結果查看

軟件經顏色特征信息提取后得到當前玉米葉片的綠光標準化值，利用式(5)便可計算出該玉米葉片的含氮量。通過編寫結果顯示布局文件實現結果顯示界面的設計，并運用setContentView()方法加載此界面，最后由TextView組件將含氮量計算結果顯示出來，如圖8所示。

圖8 含氮量計算結果顯示界面Fig.8 Display interface of calculated nitrogen content

4 系統驗證

為驗證該系統的操作性和可行性，以及該方法的可靠性，對式(5)建模中未用到的38個玉米葉片進行驗證。圖9所示是采用凱氏定氮法實測的玉米葉片含氮量與利用該軟件計算的含氮量的比較。結果表明，含氮量的計算值與實測值之間的絕對誤差為-0.40%～0.35%，均方根誤差為0.20%，從采集圖像到給出含氮量測量結果所需時間小于10 s。表明該方法可以方便、快速、準確地測量玉米葉片的含氮量。

圖9 玉米葉片含氮量實測值與計算值的比較Fig.9 Comparison between measured and calculated nitrogen contents of maize leaves

5 結論

(1)開發了一種基于Android手機平臺的玉米葉片含氮量無損、快速、便攜式檢測系統，有助于實現按需施肥。

(2)提出了基于標定色塊的圖像色彩校正方法，有效地克服了因光照條件、成像系統等因素造成的圖像色彩失真問題。

(3)分析了玉米葉片的6個顏色特征參數與含氮量的關系，發現綠光標準化值與玉米葉片的含氮量相關性最好，其線性相關系數為0.775。對該方法的驗證結果表明，含氮量計算值與實測值之間的絕對誤差為-0.40%～0.35%，均方根誤差為0.20%，本研究具有較好的檢測效果。

1 INTARAVANNE Y, SUMRIDDETCHKAJORN S. Android-based rice leaf color analyzer for estimating the needed amount of nitrogen fertilizer[J]. Computers & Electronics in Agriculture, 2015, 116: 228-233.

2 銀敏華, 李援農, 李昊, 等. 氮肥運籌對夏玉米根系生長與氮素利用的影響[J/OL]. 農業機械學報, 2016, 47(6): 129-138.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160617&flag=1. DOI:10.6041/j.issn.1000-1298.2016.06.017. YIN Minhua, LI Yuannong, LI Hao, et al. Effects of nitrogen application rates on root growth and nitrogen use of summer maize[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 129-138. (in Chinese)

3 高鳳梅, 武際. 2種植株全氮測定方法比較[J]. 現代農業科技, 2012(14): 204-205. GAO Fengmei, WU Ji. Comparison of determining the plant total nitrogen with two methods[J]. Modern Agricultural Science and Technology, 2012(14): 204-205. (in Chinese)

4 范志影, 劉慶生, 張萍. 用凱氏法和杜馬斯法測定植物樣品中的全氮[J]. 現代科學儀器, 2007(1): 46-47. FAN Zhiying, LIU Qingsheng, ZHANG Ping. Comparison of the Kjeldahl method and the Dumas method for total nitrogen determination in grasses[J]. Modern Scientific Instruments, 2007(1): 46-47. (in Chinese)

5 THOMAS J R, GAUSMAN H W. Leaf reflectance vs. leaf chlorophyll and carotenoid concentrations for eight crops[J]. Agronomy Journal, 1977, 69(5): 799-802.

6 劉燕婕, 李建設, 高艷明. 可見光波段不同氮處理生菜葉片光譜反射率與葉片全氮、葉綠素的相關性研究[J]. 北方園藝, 2015(22): 12-16. LIU Yanjie, LI Jianshe, GAO Yanming. Correlation between lettuce leaf spectral reflectance in visible light area and leaf nitrogen content and leaf chlorophyll content under different levels of nitrogen[J]. Northern Horticulture, 2015(22): 12-16. (in Chinese)

7 楊亦揚, 馬立鋒, 石元值, 等. 葉綠素儀(SPAD)在茶樹氮素營養診斷中的適用性研究[J]. 茶葉科學, 2008, 28(4): 301-308. YANG Yiyang, MA Lifeng, SHI Yuanzhi, et al. Evaluation of nitrogen status in tea plants by SPAD[J]. Journal of Tea Science, 2008, 28(4): 301-308. (in Chinese)

8 RAMBO L, MA B L, XIONG Y C, et al. Leaf and canopy optical characteristics as crop-N-status indicators for field nitrogen management in corn[J]. Journal of Plant Nutrition & Soil Science, 2010, 173(3): 434-443.

9 王秋紅, 周建朝, 王孝純. 采用SPAD儀進行甜菜氮素營養診斷技術研究[J]. 中國農學通報, 2015, 31(36): 92-98. WANG Qiuhong, ZHOU Jianchao, WANG Xiaochun. Diagnostic technique of sugarbeet nitrogen nutrient status using SPAD-502 chlorophyll meter[J]. Chinese Agricultural Science Bulletin, 2015, 31(36): 92-98. (in Chinese)

10 LI Li, QIN Yonglin, LIU Yanchun, et al. Leaf positions of potato suitable for determination of nitrogen content with a SPAD meter[J]. Plant Production Science, 2012, 15(4): 317-322.

11 孫俊, 衛愛國, 毛罕平, 等. 基于高光譜圖像及ELM的生菜葉片氮素水平定性分析[J/OL]. 農業機械學報, 2014, 45(7): 272-277. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140742&flag=1.DOI:10.6041/j.issn.1000-1298.2014.07.042. SUN Jun, WEI Aiguo, MAO Hanping, et al. Discrimination of lettuce leaves’ nitrogen status based on hyperspectral imaging technology and ELM[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 272-277. (in Chinese)

12 王巧男, 葉旭君, 李金夢, 等. 基于雙波段植被指數(TBVI)的柑橘冠層含氮量預測及可視化研究[J]. 光譜學與光譜分析, 2015, 35(3): 715-718. WANG Qiaonan, YE Xujun, LI Jinmeng,et al. Estimation and visualization of nitrogen content in citrus canopy based on two band vegetation index (TBVI) [J]. Spectroscopy and Spectral Analysis, 2015, 35(3): 715-718. (in Chinese)

13 賈良良, 范明生, 張福鎖, 等. 應用數碼相機進行水稻氮營養診斷[J]. 光譜學與光譜分析, 2009, 29(8): 2176-2179. JIA Liangliang, FAN Mingsheng, ZHANG Fusuo, et al. Nitrogen status diagnosis of rice by using a digital camera[J]. Spectroscopy and Spectral Analysis, 2009, 29(8): 2176-2179. (in Chinese)

14 張立周, 王殿武, 張玉銘, 等. 數字圖像技術在夏玉米氮素營養診斷中的應用[J]. 中國生態農業學報, 2010, 18(6): 1340-1344. ZHANG Lizhou, WANG Dianwu, ZHANG Yuming, et al. Diagnosis of N nutrient status of corn using digital image processing technique[J]. Chinese Journal of Eco-Agriculture, 2010, 18(6): 1340-1344. (in Chinese)

15 郭文川, 周超超, 韓文霆. 基于Android手機的植物葉片面積快速無損測量系統[J/OL]. 農業機械學報, 2014, 45(1): 275-280. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140142&flag=1. DOI:10.6041/j.issn.1000-1298.2014.01.042. GUO Wenchuan, ZHOU Chaochao, HAN Wenting. Rapid and non-destructive measurement system for plant leaf area based on Android mobile phone[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(1): 275-280. (in Chinese)

16 田磊, 李麗, 王明緒. 基于 Android 的玉米病蟲害機器視覺診斷系統研究[J]. 農機化研究, 2017, 39(4): 207-211. TIAN Lei, LI Li, WANG Mingxu. Research on the diagnosis system of maize plant diseases and insect pests based on Android[J]. Journal of Agricultural Mechanization Research, 2017, 39(4): 207-211. (in Chinese)

17 程曼, 袁洪波, 蔡振江. 基于智能手機的農業信息綜合服務平臺的設計[J]. 中國農機化學報, 2013, 34(5): 224-227,242. CHENG Man, YUAN Hongbo, CAI Zhenjiang. The design of agricultural information service platform based on smartphone[J]. Journal of Chinese Agricultural Mechanization, 2013, 34(5): 224-227, 242. (in Chinese)

18 張海峰. 基于Android智能手機的農業信息服務平臺應用展望[J]. 黑龍江農業科學, 2014(8): 126-128. ZHANG Haifeng. Prospect of application of agricultural information service platform based on Android intelligent mobile phone[J]. Heilongjiang Agricultural Sciences, 2014(8): 126-128. (in Chinese)

19 CONFALONIERI R, FOI M, CASA R, et al. Development of an app for estimating leaf area index using a smartphone. Trueness and precision determination and comparison with other indirect methods[J]. Computers & Electronics in Agriculture, 2013, 96(12): 67-74.

20 BO Xiaodong, DU Taisheng, DING Risheng, et al. Stem flow of seed-maize under alternate furrow irrigation and double-row ridge planting in an arid region of Northwest China[J]. Journal of Integrative Agriculture, 2015, 14(7): 1434-1445.

21 SHIFERAW B, PRASANNA B M, HELLIN J, et al. Crops that feed the world 6. Past successes and future challenges to the role played by maize in global food security[J]. Food Security, 2011, 3(3): 307-327.

22 鄭惠玲, 姬變英, 武繼承, 等. 氮肥分期施用對夏玉米生長發育和產量的影響[J]. 河南農業科學, 2007, 36(10): 67-69. ZHENG Huiling, JI Bianying, WU Jicheng, et al. Effects of nitrogen fertilizer application on terms on the growth, development and yield of corn[J]. Journal of Henan Agricultural Sciences, 2007, 36(10): 67-69. (in Chinese)

23 劉景輝, 劉克禮. 春玉米需氮規律的研究[J]. 內蒙古農業大學學報: 自然科學版, 1994, 15(3): 12-18. LIU Jinghui, LIU Keli. A study on the regularity of nitrogen requirement in spring maize[J]. Journal of Inner Mongolia Agricultural University: Natural Science Edition, 1994, 15(3): 12-18. (in Chinese)

24 RIZZI A, GATTA C, MARINI D. A new algorithm for unsupervised global and local color correction[J]. Pattern Recognition Letters, 2003, 24(11): 1663-1677.

25 徐曉昭, 沈蘭蓀, 劉長江. 顏色校正方法及其在圖像處理中的應用[J]. 計算機應用研究, 2008, 25(8): 2250-2254. XU Xiaozhao, SHEN Lansun, LIU Changjiang. Color correction methods and application in image processing[J]. Application Research of Computers, 2008, 25(8): 2250-2254. (in Chinese)

Non-destructiveandRapidDetectionMethodonNitrogenContentofMaizeLeavesBasedonAndroidMobilePhone

GUO Wenchuan XUE Xianfa YANG Biao ZHOU Chaochao ZHU Xinhua

(CollegeofMechanicalandElectronicEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

Maize is widely planted in China and even in the world. Nitrogen is an essential nutrient for the growth and development of maize, which has a significant impact on maize yield. In order to provide a non-destructive and rapid detection method for nitrogen content of maize leaves, the relationship between the color characteristics and nitrogen content of maize leaves was analyzed, and a nitrogen content detection software for maize leaves was developed based on Android platform. The image containing the measured maize leaf and the calibration color block group (red, green, blue, white, black and grey) were obtained. In order to reduce the distortion caused by the external illumination and other factors, the image color was corrected by the calibration color block. After the image segmentation, image smoothing, and color feature information extraction, the relationship between the color features and the nitrogen content of the maize leaves was analyzed. The experimental results showed that the linear relationship between the green standard value and the nitrogen content was the best. Besides, Java programming language and OpenCV were applied to realize image acquisition, image processing and results viewing based on Android platform. The validation results indicated that the absolute error of the method for the nitrogen content of maize leaves was between -0.40% and 0.35%, and the root mean square error was 0.20%. The time from image collection to giving results was less than 10 s. The proposed nitrogen detection method had the advantages of rapidity, economy and portability, and can be used for real-time detection on nitrogen content of maize leaves.

maize leaf; nitrogen content; Android; mobile phone; non-destructive detection

S24； S126

A

1000-1298(2017)09-0137-06

10.6041/j.issn.1000-1298.2017.09.017

2017-02-20

2017-03-14

公益性行業(農業)科研專項(201503137)

郭文川(1969—)，女，教授，博士，主要從事智能化檢測技術與裝備研究，E-mail: guowenchuan69@126.com