(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210428296.1 (22)申请日 2022.04.22 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 冯雷　肖沁林　张初　吴娜　何勇　 刘羽飞　刘飞　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G01N 21/84(2006.01) G01N 21/55(2014.01) G01N 21/01(2006.01) G06T 7/00(2017.01) G06T 7/90(2017.01)G06T 7/62(2017.01) G06T 7/45(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种棉花叶片叶绿素及氮素含量的检测仪 器及检测方法 (57)摘要 本发明涉及一种棉花叶片叶绿素及氮素含 量的检测仪器及检测方法， 属于光谱分析及植物 表型技术领域。 利用RGB相机获取被光源照射的 待测棉花叶片的RGB图像， 利用光谱探头获取被 光源照射的待测棉花叶片的光谱 数据， 然后提取 RGB图像的颜色特征、 形态特征和纹理特征， 提取 光谱数据的光谱特征， 再将颜色特征、 形态特征、 纹理特征和光谱特征进行融合， 得到融合特征， 最后以融合特征作为输入， 利用预测模 型计算待 测棉花叶片的叶绿素含量和氮素含量， 可实现棉 花叶片叶绿素及氮素含量表型数据的快速自动 获取， 可以克服现有植物叶片表型平台难以携 带、 田间棉花叶片叶绿素及氮素含量无法快速实 地获取的问题。 权利要求书2页 说明书7页 附图2页 CN 114755228 A 2022.07.15 CN 114755228 A 1.一种棉花叶片叶绿素及氮素含量的检测仪器， 其特征在于， 所述检测仪器包括： 遮光 外壳、 控制芯片以及位于所述遮光外壳内部的反射率板、 光源、 RGB相机和光谱探头； 所述反 射率板位于所述遮光外壳的底面； 所述控制芯片分别与所述RGB相 机和所述光谱探头通信 连接； 待测棉花叶片位于所述反射率板上； 所述光源用于照射所述待测棉花叶片； 所述RGB相 机用于获取被所述光源照射的所述待测棉花叶片的RGB图像； 所述光谱探头用于获取被所 述光源照射的所述待测棉花叶片的光谱数据； 所述控制芯片用于基于所述RGB图像和所述光谱数据， 计算所述待测棉花叶片的叶绿 素含量和氮素含量。 2.根据权利要求1所述的检测仪器， 其特征在于， 所述遮光外 壳内侧底部设置有底部盛 样抽屉； 所述底部盛样抽屉与所述遮光外壳滑动连接； 所述底部盛样抽 屉的底面为黑色， 所 述反射率板位于所述底部盛样抽屉的底面。 3.根据权利要求1所述的检测仪器， 其特征在于， 所述检测仪器还包括移动部件， 所述 移动部件位于所述遮光外壳内部； 所述 RGB相机和所述光谱探头安装于所述移动部件上； 所 述移动部件用于驱动所述RGB相机和所述 光谱探头水平移动及升降。 4.根据权利要求3所述的检测仪器， 其特征在于， 所述移动部件包括驱动件和控制杆； 所述驱动件与所述控制杆驱动连接； 所述控制杆包括水平轴和纵轴； 所述 RGB相机和所述光 谱探头安装于所述纵轴上。 5.根据权利要求1所述的检测仪器， 其特征在于， 所述检测仪器还包括风扇， 所述风扇 位于所述遮光外壳 内部； 所述 风扇用于进行散热。 6.根据权利要求1所述的检测仪器， 其特征在于， 所述检测仪器还包括电源； 所述电源 用于为所述 光源、 所述RGB相机和所述 光谱探头供电。 7.一种棉花叶片叶绿素及氮素含量的检测方法， 控制权利要求1 ‑6任一项所述的检测 仪器进行工作， 其特 征在于， 所述检测方法包括： 接收RGB相机获取的RGB图像和光谱探 头获取的光谱数据； 提取所述RGB图像的颜色特征、 形态特征和纹理特征， 提取所述光谱数据的第一光谱特 征和第二 光谱特征； 将所述颜色特征、 所述形态特征、 所述纹理特征和所述第 一光谱特征进行融合， 得到第 一融合特征； 将所述颜色特征、 所述形态特征、 所述纹理特征和所述第二光谱特征进行融 合， 得到第二融合特 征； 以所述第一融合特征作为输入， 利用第 一预测模型计算所述待测棉 花叶片的叶绿素含 量； 以所述第二融合特 征作为输入， 利用第二预测模型计算所述待测棉花叶片的氮素含量。 8.根据权利要求7所述的检测方法， 其特征在于， 所述提取所述RGB图像的颜色特征、 形 态特征和纹理特征具体包括： 对所述RGB图像进行阈值分割， 得到二值图像； 所述二值图像包括叶片像素点和背景像 素点； 将所述RGB图像分别转换至HSV颜色空间和LAB颜色空间， 确定每一所述叶片像素点的 R、 G、 B、 H、 S、 V、 L、 A、 B分量值； 根据所有所述叶片像素点的R、 G、 B、 H、 S、 V、 L、 A、 B分量值 分别计 算每一种分量的平均值， 得到所述RGB图像的颜色特征； 所述颜色特征包括R、 G、 B、 H、 S、 V、 L、权　利　要　求　书 1/2 页 2 CN 114755228 A 2A、 B分量的平均值； 基于所述叶片像素点的数量计算所述RGB图像的形态特征； 所述形态特征包括叶片的 面积、 周长、 宽度、 高度、 MajorAxisLength、 MinorAxisLength、 Eccentricity和 EquivDiameter； 计算所述二值图像的灰度共生矩阵， 基于所述灰度共生矩阵计算所述RGB图像的纹理 特征； 所述纹 理特征包括最大概率、 相关度、 对比度、 能量、 同质性和熵。 9.根据权利要求7所述的检测方法， 其特征在于， 所述提取所述光谱数据的第 一光谱特 征和第二 光谱特征具体包括： 将所述RGB图像和所述光谱数据进行像素级对应， 得到所述RGB图像中每一像素点的光 谱数据； 对所述RGB图像进行阈值分割， 得到二值图像； 所述二值图像包括叶片像素点和背景像 素点； 根据所有所述叶片像素点的光谱数据计算得到叶片平均光谱， 并选取第 一特征波长对 应的叶片平均光谱作为所述光谱数据的第一光谱特征， 选取第二特征波长对应的叶片平均 光谱作为所述 光谱数据的第二 光谱特征。 10.根据权利要求7所述的检测方法， 其特征在于， 所述第一预测模型和所述第二预测 模型均采用深度卷积神经网络模型； 所述深度卷积神经网络模型包括依 次连接的输入层、 特征提取层、 全连接网络层和输出层； 所述特征提取层包括依次连接的多个卷积块； 每一所述卷积块均包括一个卷积层、 一 个ReLU激活函数和一个最大池化层； 所述全连接网络层包括依次连接的多个全连接层。权　利　要　求　书 2/2 页 3 CN 114755228 A 3