CN102550374A - 结合计算机视觉和多传感器的作物灌溉系统 - Google Patents

Abstract

本发明涉及图像处理技术、传感器技术和节水灌溉领域，公开一种结合计算机视觉和多传感器的作物灌溉方法，本发明所采用的技术为结合计算机视觉和多传感器的非破坏性的作物缺水检测，系统首先通过作物图像的获取和分割、特征参数的提取等步骤，并参照生长数据模型进行特征参数的计算，然后结合土壤水势传感器、温湿度传感器等传感器数据，最后通过遗传神经网络完成判决，并根据判决结果控制单片机去驱动电磁阀，完成作物的灌溉。本发明的系统可以及时获取作物需水信息，并实现及时的准确灌溉，很好的提高了水资源的利用率。该系统有很好的实用性，可以应用于温室、农田、苗圃等作物种植区域。

Description

结合计算机视觉和多传感器的作物灌溉系统

技术领域

本发明涉及计算机视觉及处理技术和传感器技术领域，特别是涉及一种基于计算机视觉和传感器检测作物形态、颜色变化和环境参数变化并做出判断和灌溉的节水灌溉方法。

背景技术

随着科学技术的发展，农业生产也正在迅速地改变了传统的耕作模式，现代的科学和工业技术已逐渐渗透到农业生产中，农业技术逐渐向科学化、信息化的方向发展，现代设施农业应运而生，并成为当今世界最具活力的产业之一。

在国外，有关节水灌溉控制系统的发展起步较早，自动化程度高，已经形成了比较完善的灌溉控制体系。作为现代农业技术重要组成部分的“精量控制灌溉”是农业节水研究的发展方向。国内在这方面的研究起步较晚，灌溉自动化程度不高，多是基于田间常用传感器的研究，结合计算机视觉和多种传感器的灌溉系统研究很少见。本发明提出了一种结合多传感器和计算机视觉的作物灌溉系统，实现了对作物灌溉的自动监测与控制，对实现农作物的精量灌溉，提高水资源利用效率具有重要意义。

计算机视觉是应用计算机技术模拟人的视觉机理，对所取得的视觉图像中的事物进行识别分类的科学技术。是一种无损测量手段，是作物生长诊断研究中的一种先进技术手段之一。

在灌溉的新技术应用中，现在已有研究人员通过LVDT(差动变压器式)位移传感器对玉米、柑桔等进行测量，取得了一定的节水效果。但LVDT主要是用在机械制造领域工业计量中，测量分辨率和精度虽然可以满足要求，但由于接触点具有刚性，会影响作物的生长，同时也无法很好的满足对作物测量的实际要求。也有学者利用传感器或者千分尺对作物的果实或叶进行测量，但这些方法都需要与作物的果实或叶片进行接触性操作，而通过传感器或机械装置测量植物器官的微量变化，获得需水信息来控制灌溉系统，这些方法由于需要现场操作，费时费力，并且由于是接触性测量，也对作物的生长具有一定的影响。当前，国外也有学者从事利用近距离的红外遥感图像来检测作物需水情况，此项技术成本非常昂贵，而且也没有达到实用化的程度。

作物周围的生长环境、作物生长高度的变化、作物的叶片的生长变化等和作物的水分状况都具有很大的相关性，本发明所提出的技术为结合计算机视觉和土壤水势传感器、温湿度传感器等多种传感器的非破坏性的作物缺水检测，建立并结合作物生长数据模型，将作物的生长环境参数与作物的生长特征参数结合，综合判断出作物缺水状态，并控制电磁阀自动完成作物的灌溉。

发明内容

本发明的目的是提供一种基于计算机视觉技术和多传感器结合的作物智能节水灌溉的方法，它能实现非接触测量，不影响作物生长，并结合了作物本身的生长特征参数和作物周围的环境参数，达到节水灌溉的目的。

针对传统灌溉方式的不足，本发明提出的结合计算机视觉和多传感器的作物智能灌溉系统，首先利用图像获取设备，取得作物图像，并通过计算机对图像进行处理，完成图像的颜色空间转换，图像的分割和特征提取，获取作物的茎、叶、花的特征和颜色变化，同时通过多种传感器获取作物周围农田环境数据，最后结合作物生长数据模型和通过遗传神经网络，计算并判断出作物的需水信息，由单片机去控制电磁阀进行灌溉。系统实现了对灌溉的智能控制，对提高水资源的利用率具有重要的意义。

本发明结合计算机视觉和多传感器的作物灌溉系统是由图像获取设备、多种传感器、计算机、单片机和灌溉系统组成，系统实现包含以下具体步骤：

(1)获取作物的生长原始图像；

(2)将原始图像进行预处理；

(3)分别对图像进行二值化处理和从RGB颜色空间转换到HSI颜色空间，并选取HSI颜色空间中的H和S参数作为作物图像的颜色特征，在HSI颜色空间的作物图像中选择部分像素点作为种子；对种子区域进行生长，将与种子颜色性质相似的相邻像素附加在生长区域的种子上，对整幅图像的多个子块进行扫描，对在颜色上相近，空间上相邻的区域进行合并；

(4)完成作物的分割和作物生长特征参数的提取；

(5)将各种生长特征参数与建立的作物生长数据模型进行数据比较与计算，取得生长特征值；

(6)获取多种传感器的数据并进行计算；

(7)结合多种传感器数据和作物生长特征值，基于遗传神经网络进行计算和判决；

(8)根据计算机判决结果，由单片机控制电磁阀，完成作物的灌溉。

本发明的系统硬件主要由图像获取设备、多种传感器、计算机、单片机和灌溉系统组成，其中多种传感器包括温湿度传感器、土壤水势传感器、蒸发量传感器和土壤电导率传感器。

本发明的计算机图像处理，主要由图像预处理、图像二值化、图像HSI颜色空间变换、图像分割、区域提取和计算等步骤构成。图像处理主要是完成作物的叶、花的颜色特征和作物的生长状态的特征参数的提取，提取出颜色和形态特征参数作为判断灌溉所需要的指标。同时结合作物生长数据模型对所获得的特征参数进行计算和分析，得到判断作物是否缺水的参数值，最后再结合多种传感器的数据，通过遗传神经网络，给出灌溉的决策输出。

农作物在生长过程中，植株形态、植株高低、叶片和花形的大小和颜色、果形等方面的变化均与作物的水分需求和供给紧密相关。本发明建立了合理的多种作物生长特征参数作为灌溉指标，主要参数有：

(1)作物高度参数。作物的生长速度与作物的水份需要有很大的关系，水分的多少影响作物的光合作用，影响作物内营养物质的吸收和转运，作物高度则是作物生长的重要参数。

(2)叶面积参数。叶片变化也是作物生长的一个非常直观而又重要的特征，作物的枝叶生长对水分亏缺很敏感，较轻度的缺水时叶的生长就已受抑，叶片扩展生长提早停止。

(3)幼嫩叶参数。当水分供应不足时，新叶发生速率减缓，因而发生萎蔫，从而引起叶片的曲卷变化。

(4)茎叶的颜色参数。当缺水时植物生长缓慢，叶绿素浓度相对增加，叶色变深，茎叶颜色变红，反映作物受旱时碳水化合物分解大于合成，细胞中积累较多的可溶性糖并转化形成花色素，从而引起茎叶颜色的变化。

(5)茎叶形态参数。实验表明，作物水分的水分过高或过低，会影响作物茎的生长，会造成叶片的运动，如茎粗、叶片的最大展开度、叶片倾角、节距等参数的变化。

本发明采用了HSI颜色空间来对作物的颜色进行判别。通常从图像获取设备获取的图像信息是由RGB分量表示的，而作物图像中的RGB值的分布并无明显的规律可循，直接利用这些分量往往不能得到所需的效果，不利于直接用作识别特征参数。而HSI颜色空间的优点在于它将亮度(Intensity)与反映色彩本质特性的两个参数——色度(Hue)和饱和度(Saturation)分开，色彩表达更接近于人眼的观察，且光线对识别的影响小。

在对作物颜色特征参数的提取中，实验中选取与颜色相关的H和S参数来作为特征参数，对H和S参数采用直方图计算。

记Sum(P，x_i)为图像中某一特征值(如Hue)为x_i的像素数，N为区域P中的总像素数，则区域P的该特征的直方图为

H(P)＝(h_x1，h_x2，........h_xi...h_xn)

其中 $h_{\mathrm{xi}}=\frac{\mathrm{Sum}(p,x_i)}{N}$

并计算出标准差：如(Hue) ${\stackrel{\‾}{S}}_H=\frac{1}{N}\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(H_i-\stackrel{\‾}{H})}^2}$

式中，

为色度均值，H_i为图像中某像素点的色度值，S参数的直方图计算类同。

要了解作物的缺水状态，则必需先掌握作物的正常生长状态，在本发明中，建立了作物生长数据模型，通过对作物的实验和检测，研究了作物的叶、茎、花的形态和颜色变化、作物的生长高度等对缺水所表现出现的现象，找出作物对水分亏缺反应的规律，建立了作物形态变化与水分缺失之间的关系，从而制定了相应的灌溉控制指标。提出如下作物生长数据模型：

(1)作物高度与时间的关系模型

$Y=\frac{A}{1+B\·e^{\mathrm{CX}}}$

式中Y是作物的生长高度，X是累积生长度日(GDD)，A，B，C是作物模型参数，模型参数与作物的种类和生长阶段有关。

(2)作物的叶形关系模型

在作物的生长过程中，作物的叶的生长与水之间的关系也非常紧密，作物的叶形由沿伸展方向的叶宽变化而改变，叶宽lw与叶长ll具有一定的函数关系，可用下式表示：

$\frac{\mathrm{lw}}{\mathrm{LW}}=\mathrm{\α}\·{\left(\frac{\mathrm{ll}}{\mathrm{LL}}\right)}^2+\mathrm{\β}\·\frac{\mathrm{ll}}{\mathrm{LL}}+\mathrm{\γ}$

式中LL是叶片的长度；LW是叶片的最大宽度；lw是叶片在长度为ll处的叶片宽度；α，β，γ为模型参数。

(3)作物的面积关系模型

叶面积与叶长、叶宽之积成正比，可用下式表示：

LA＝j×LW×LL

式中，j为校正系数，其数值与叶片形态相关，随作物品种和叶序略有变化，一般取值范围为0.6～0.9。

(4)作物的叶片颜色特征模型

$C_Y=K_1\·W_{\stackrel{\‾}{H}}+K_2$

其中C_Y为单位重量叶片所含叶绿素总量的值，

为叶片图像H分量的均值，K₁和K₂是模型参数。

本发明采用了结合遗传算法的遗传神经网络来进行训练和判别。根据对实际判别过程模拟与预测的复杂性及其神经网络模型的结构特性，将遗传算法(GeneticAlgorithms)与神经网络相结合，利用遗传算法对神经网络进行训练，取得了较好的效果。

本发明中，设计采用了遗传算法来实现3层神经网络的学习与设计。

(1)遗传算法中个体的变量为神经元网络权值，采用十进制编码方式，每个个体的维数为M(N+O)，其中M，N，O分别为隐层、输入层和输出层神经元个数。

(2)确定网络权值和初始化种群，若W＝(w₁，w₂，，......，w_n)，n为种群数，确定目标函数E为：

$E=\frac{1}{2R}\underset{R=1}{\overset{R}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[y^{\′}\left(i\right)-y\left(i\right)]}^2,$ 而取适应度函数为 $f=\frac{L}{E}$

其中R为训练样本对总数，m为网络节点数，y(i)是第i个训练样本的期望网络输出值，

y′(i)是第i个训练样本的网络输出值，L为模型参数；

(3)进行种群复制，同时保持种群规模的一致性，对适应度值从大到小进行排序，保留最优个体不进行交叉和变异操作。对剩余个体按照交叉算子Pc和变异算子Pm进行交叉和变异操作，重复直到组成新一代种群。

本发明在对传感器数据的计算中，将土壤水势与土壤含水量对应拟合为对数方程：

Q＝C₁Ln(x′)+C₂

式中的Q为土壤含水量的值，x′为土壤水势(kPa)，C₁，C₂为土壤参数。

附图说明

图1作物灌溉系统的结构图

图2作物图像处理的结构图

图3神经网络结构图

具体实施方式

本发明的系统先由工业摄像头或数码相机得到连续的作物生长情况的图像，由计算机进行图像预处理、图像二值化、图像分割、区域提取和计算等步骤得到作物的茎杆直径、嫩芽形态和叶片颜色等作物生长状态参数，同时获取温湿度传感器，土壤水势传感器等多种传感器信息，结合作物生长数据模型，综合作出缺水判断，并由单片机控制电磁阀进行放水灌溉。

利用图像采集设备采集作物的作物图像时，为了解决测量中图像的归一化问题，在测量作物的后部放置座标纸，并在座标纸上进行等距的黑点标注，以便于后期图像的特征参数的处理。

系统硬件主要由计算机和ATMEGA128或M430F2131型微处理器构成、控制电路由AT45DB161存储芯片、DS1302时钟芯片和MAX232串行通信芯片等组成。

为准确的获取作物的生长参数，试验期间可每隔10分钟、半小时、1小时等不同的时间间隔进行图像的获取，连续自动监测作物的高度、茎直径、叶生长等变化。准确得出作物的生长变化状态。使颜色、形态指标的观察及时、快速。由于不同作物生长的特征参数变化不同，所以对作物生长数据模型，要不断实践和总结规律，用作物比较敏感的形态和颜色变化来判断。

本发明的温湿度传感器采用瑞士Sensirion推出的SHT系列数字温湿度传感器，它具有很好的可靠性和稳定性。并具有数字接口，体积微小、响应迅速快(＜4s)、能耗低(＜1μW)、可浸没、抗干扰能力强等特点。

本发明的土壤水势传感器选用压阻式土壤水势传感器，传感器测定精度在1kPa以上，在0～85kPa的范围内，测试精度达±0.5kPa，具有良好的灵敏度。

本发明的蒸发量传感器采用FFZ01型的蒸发传感器，它的编码盘采用了不锈钢材料制作，同时采用了工业级IC芯片和进口半导体光电开关制作读码板组件，使传感器具有良好的机械性能和高低温电气性能。

各种传感器的输出信号先送入隔离放大器，然后将传感器测得的微弱信号进行放大，放大后的信号经A/D变换器转换成数字信号，并由计算机进行信息采集和处理分析。

在实际测试中，对每个灌溉区设一个土壤水势监测点，每支水势传感器的测度部位距离灌溉管道的距离应相等，以保证数据的可对比性。

本发明的系统结合了计算机视觉和多种传感器技术，实现了准确获取作物生长信息和农田环境信息的要求，可以及时获取作物需水信息，并实现及时的精量灌溉，很好的提高了水资源的利用率。系统具有鲁棒性好、扩展灵活等优点。具有很好的实用性，可以应用于温室、农田、苗圃等作物种植区域。

Claims (6)

1.一种结合计算机视觉和多传感器的作物灌溉系统，其特征是系统由图像获取设备、多种传感器、计算机、单片机和灌溉系统组成，系统实现包含以下具体步骤：

(1)获取作物的生长原始图像；

(2)将原始图像进行预处理；

(3)分别对图像进行二值化处理和从RGB颜色空间转换到HSI颜色空间，并选取HSI颜色空间中的H和S参数作为作物图像的颜色特征，在HSI颜色空间的作物图像中选择部分像素点作为种子；对种子区域进行生长，将与种子颜色性质相似的相邻像素附加在生长区域的种子上，对整幅图像的多个子块进行扫描，对在颜色上相近，空间上相邻的区域进行合并；

(4)完成作物的分割和作物生长特征参数的提取；

(5)将各种生长特征参数与建立的作物生长数据模型进行数据比较与计算，取得生长特征值；

(6)获取多种传感器的数据并进行计算；

(7)结合多种传感器数据和作物生长特征值，基于遗传神经网络进行计算和判决；

(8)根据计算机判决结果，由单片机控制电磁阀，完成作物的灌溉。

2.根据权利要求1所述的结合计算机视觉和多传感器的作物灌溉系统，其特征是其多种传感器包含有温湿度传感器、土壤水势传感器、蒸发量传感器和土壤电导率传感器。

3.根据权利要求1所述的结合计算机视觉和多传感器的作物灌溉系统，其特征是在步骤(4)中的作物生长特征参数有：作物高度参数、叶面积参数、幼嫩叶参数、茎叶的颜色参数和茎叶形态参数。

4.根据权利要求1所述的结合计算机视觉和多传感器的作物灌溉系统，其特征是在步骤(5)的作物生长数据模型的建立中，主要建立了如下的模型：

(1)作物高度与时间的关系模型

$Y=\frac{A}{1+B\·e^{\mathrm{CX}}}$

式中Y是作物的生长高度，X是累积生长度日(GDD)，A，B，C是作物模型参数；

(2)作物的叶形关系模型

作物叶宽lw与叶长ll具有一定的函数关系，用下式表示：

$\frac{\mathrm{lw}}{\mathrm{LW}}=\mathrm{\α}\·{\left(\frac{\mathrm{ll}}{\mathrm{LL}}\right)}^2+\mathrm{\β}\·\frac{\mathrm{ll}}{\mathrm{LL}}+\mathrm{\γ}$

式中LL是叶片的长度；LW是叶片的最大宽度；lw是叶片在长度为ll处的叶片宽度；α，β，γ为模型参数；

(3)作物的面积关系模型

叶面积与叶长、叶宽之积成正比，可用下式表示：

LA＝j×LW×LL

其中，j为校正系数，与叶片形态相关，随作物品种的不同而有变化；

(4)作物的叶片颜色特征模型

$C_Y=K_1\·W_{\stackrel{\‾}{H}}+K_2$

其中C_Y为单位重量叶片所含叶绿素总量的值，

为叶片图像H分量的均值，K₁和K₂是模型参数。

5.根据权利要求1所述的结合计算机视觉和多传感器的作物灌溉系统，其特征是在步骤(6)对传感器数据的计算中，采用了如下的计算：

将土壤水势与土壤含水量对应拟合为对数方程：

Q＝C₁Ln(x′)+C₂

式中的Q为土壤含水量的值，x′为土壤水势，C₁，C₂为土壤参数。

6.根据权利要求1所述的结合计算机视觉和多传感器的作物灌溉系统，其特征是在步骤(7)的遗传神经网络设计中，具体有如下设计特征：

(1)遗传算法中个体的变量为神经元网络权值，采用十进制编码方式，每个个体的维数为M(N+O)，其中M，N，O分别为隐层、输入层和输出层神经元个数；

(2)确定网络权值和初始化种群，若W＝(w₁，w₂，，......，w_n)，n为种群数，确定目标函数E为： $E=\frac{1}{2R}\underset{R=1}{\overset{R}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[y^{\′}\left(i\right)-y\left(i\right)]}^2,$ 而取适应度函数为 $f=\frac{L}{E}$

其中R为训练样本对总数，m为网络节点数，y(i)是第i个训练样本的期望网络输出值，y′(i)是第i个训练样本的网络输出值，L为模型参数；

(3)进行种群复制，同时保持种群规模的一致性，对适应度值从大到小进行排序，保留最优个体不进行交叉和变异操作；对剩余个体按照交叉算子Pc和变异算子Pm进行交叉和变异操作，重复直到组成新一代种群。

Images