CN103900498B - 一种棉田苗情自动探测方法及其探测装置 - Google Patents
一种棉田苗情自动探测方法及其探测装置 Download PDFInfo
- Publication number
- CN103900498B CN103900498B CN201210586839.9A CN201210586839A CN103900498B CN 103900498 B CN103900498 B CN 103900498B CN 201210586839 A CN201210586839 A CN 201210586839A CN 103900498 B CN103900498 B CN 103900498B
- Authority
- CN
- China
- Prior art keywords
- cotton
- image
- seedling
- cotton seedling
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
一种棉田苗情自动探测方法及其探测装置,用于对棉田棉苗的苗情进行实时自动探测,该探测方法包括实时采集棉田的棉苗图像信息;对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息。该探测装置包括:固定架,按照区域固定于棉田中;图像采集装置,安装在所述固定架上,用于实时采集棉苗的图像信息;图像传输装置,安装在所述固定架上,用于传输所述图像采集装置实时采集的棉苗图像信息;监控中心,与所述图像传输装置连接,包括:图像接收装置和图像分析系统,采用上述的探测方法对所述棉苗图像信息进行分析以实时探测所述棉田的棉苗苗情信息。
Description
技术领域
本发明涉及一种棉田的自动探测技术,特别是一种棉田苗情自动探测方法及其探测装置。
背景技术
目前,在棉田种植中,棉苗的苗情通常是通过人工对棉苗进行观察,从而作为对棉苗进行除虫喷药、灌溉以及施肥等田间管理的依据。但是人工观察由于受到时间、气候等条件的限制,并不能实时对棉苗的苗情进行分析掌握,并且劳动强度大,受人为因素影响严重,便利性差,在目前的国内外棉苗的种植中,尚未检索到有关对棉苗的生长进行自动探测的研究。
发明内容
本发明所要解决的技术问题是提供一种可对棉田棉苗的苗情进行实时自动探测的棉田苗情自动探测方法及其探测装置。
为了实现上述目的,本发明提供了一种棉田苗情自动探测方法,用于对棉田棉苗的苗情进行实时自动探测,其中,包括如下步骤:
S1、实时采集棉田的棉苗图像信息;
S2、对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息。
上述的棉田苗情自动探测方法,其中,所述步骤S2包括:
S21、棉带覆盖度计算,利用YIQ颜色空间中的Q分量提取所述棉苗图像信息中的棉苗的颜色信息得到处理后的棉苗图像信息,然后用OTSU自动阈值法二值化所述处理后的棉苗图像信息,并根据二值化后的棉苗图像信息计算棉带覆盖度;
S22、棉苗覆盖度计算,对二值化后的棉苗图像信息分别进行垂直和水平投影,并设定边界阈值以确定多个单株棉苗的具体位置,然后分别分割出所述多个单株棉苗并计算每个所述单株棉苗的棉苗覆盖度;
S23、棉苗尺寸特征和/或棉苗形态特征计算,采用最大面积法提取出所述多个单株棉苗中的最大叶片,然后提取所述最大叶片的轮廓以形成所述最大叶片形态,根据所述最大叶片形态计算出棉苗的长势测定指标。
上述的棉田苗情自动探测方法,其中,所述长势测定指标包括所述最大叶片的棉叶面积、棉叶周长、棉叶矩形度、棉叶叶形比和/或棉叶圆形度。
上述的棉田苗情自动探测方法,其中,所述OTSU自动阈值法二值化所述处理后的棉苗图像信息的方法为:设灰度图像灰度级是L,则灰度范围为[0,L-1],利用OTSU算法计算图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)^2+w1(t)*(u1(t)-u)^2)],
其中,当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,使以上表达式值最大的t,即为分割图像的最佳阈值。
上述的棉田苗情自动探测方法,其中,所述最大面积法包括如下步骤:
a、将二值化后的棉苗图像信息中的所有白色像素赋0,所有黑色像素即空穴所在赋值-1,空穴数置0;
b、寻找一个空穴的开始像素,值为-1,并将其值改为当前空穴数,存储,空穴数增加;
c、所有像素的正向搜索,找到值为-1的像素,正向搜索其周围有没有值为当前空穴数的像素,如果有,将当前像素值赋以空穴数的值;
d、所有像素的反向搜索,找到值为-1的像素,反向搜索其周围有没有值为当前空穴数的像素,如果有,将当前像素值赋以空穴数的像素;
e、如果正向和反向都没有像素,表示当前空穴所有像素已被遍历,转步骤b;
f、如果步骤b中没有寻找到开始像素,表示所有的空穴已被遍历;
g、然后检查每个空穴的面积,如果小于阈值,就将当前空穴所有的像素赋以背景值,进行消去。
上述的棉田苗情自动探测方法,其中,所述OTSU自动阈值法二值化后的图像中只包含黑色像素和白色像素,所述棉带覆盖度和/或所述棉苗覆盖度的计算公式为:
黑色像素的总数/(黑色像素总和+白色像素总和)
上述的棉田苗情自动探测方法,其中,所述长势测定指标的计算方法如下:
棉叶面积S:为叶片形态的边界内部及边界上的像素数目之和;
棉叶周长L:为所述叶片形态的边界点像素之和;
棉叶矩形度R:为叶片对其外接矩形的充满程度,等于所述叶片的面积与其最小外接矩形的面积之比:R=Ao/AMER
其中,Ao是所述叶片的面积,AMER是与该叶片外接的矩形的面积;
叶形比r,r=WMER/LMER,其中,
WMER为与该叶片外接的矩形的宽,
LMER为与该叶片外接的矩形的长;
圆形度,为叶片的棉叶周长L的平方和该叶片的棉叶面积S的比值。
为了更好地实现上述目的,本发明还提供了一种棉田苗情自动探测装置,用于对棉田棉苗的苗情进行实时自动探测,其中,包括:
固定架,按照区域固定于棉田中;
图像采集装置,安装在所述固定架上,用于实时采集棉苗的图像信息;
图像传输装置,安装在所述固定架上,用于传输所述图像采集装置实时采集的棉苗图像信息;
监控中心,与所述图像传输装置连接,包括:
图像接收装置,用于接收所述图像传输装置传输的棉苗图像信息;
图像分析系统,与所述图像接收装置连接,采用上述权利要求1-7中任意一项所述的棉田苗情自动探测方法对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息,所述图像分析系统。
上述的棉田苗情自动探测装置,其中,所述图像采集装置为红外摄像机,所述图像传输装置为CDMA无线视频发射装置。
上述的棉田苗情自动探测装置,其中,还包括图像采集调整装置,安装在所述固定架上并与所述图像采集装置连接,所述图像采集调整装置包括方位调节机构、高度调节机构和角度调节机构。
本发明的技术效果在于:
本发明的棉田苗情自动探测装置按照区域固定于田间,通过无线发射装置将摄像机采集的棉苗图像信息传送给异地室内监控计算机,利用图像分析系统对棉苗图像进行分析,从而实时掌握棉田的苗情信息。本发明具有全天候24小时异地监测、视频自动获取与处理、监测范围与面积可调和自动分析棉田苗情等功能。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明一实施例的自动探测装置结构示意图;
图2为本发明一实施例的自动探测方法的流程图;
图3为本发明一实施例的自动探测方法的图像分析过程示意图;
图4A-4H为本发明一实施例的棉带图像处理效果图;
图5A-5F为本发明一实施例的单株棉苗图像处理效果图。
其中,附图标记
1固定架
2图像采集装置
3图像传输装置
4监控中心
41图像接收装置
42图像分析系统
5图像采集调整装置
51方位调节机构
52高度调节机构
53角度调节机构
S1、S2步骤
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述:
参见图1,图1为本发明一实施例的自动探测装置结构示意图。本发明的棉田苗情自动探测装置,用于对棉田棉苗的苗情进行实时自动探测,包括:固定架1,按照区域固定于棉田中;图像采集装置2,安装在所述固定架1上,用于实时采集棉苗的图像信息;图像传输装置3,安装在所述固定架1上,用于传输所述图像采集装置2实时采集的棉苗图像信息;监控中心4,与所述图像传输装置3连接,包括:图像接收装置41,用于接收所述图像传输装置3传输的棉苗图像信息;图像分析系统42,与所述图像接收装置41连接,采用下述的棉田苗情自动探测方法对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息。本实施例中,所述图像采集装置2优选为红外摄像机以实现全天候检测,所述图像传输装置3优选为CDMA无线视频发射装置以便稳定快速地进行图像的即时传输,监控中心4优选由固定IP服务器和监控计算机组成,其图像接收装置41及图像分析系统42可分别设置在其中。为了提高图像质量,取得更好地拍摄效果,本发明还可包括图像采集调整装置5,安装在所述固定架1上并与所述图像采集装置2连接,用于调整所述图像采集装置2的拍摄角度及拍摄位置,所述图像采集调整装置5包括方位调节机构51、高度调节机构52和角度调节机构53。因该距离、高度及角度调节的方法均可采用较成熟的现有技术,只要能达到调节所述图像采集装置2的拍摄角度及拍摄位置得到最佳拍摄效果的目的即可,对该图像采集调整装置5的具体结构不做限制。下面对图像分析系统42所采用的棉田苗情自动探测方法予以详细说明。参见图2,图2为本发明一实施例的自动探测方法的流程图。该探测方法包括如下步骤:
步骤S1、实时采集棉田的棉苗图像信息;
步骤S2、对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息。
其中,所述步骤S2包括:
步骤S21、棉带覆盖度计算,利用YIQ颜色空间中的Q分量提取所述棉苗图像信息中的棉苗的颜色信息得到处理后的棉苗图像信息,然后用OTSU自动阈值法二值化所述处理后的棉苗图像信息,并根据二值化后的棉苗图像信息计算棉带覆盖度;
步骤S22、棉苗覆盖度计算,对二值化后的棉苗图像信息分别进行垂直和水平投影,并设定边界阈值以确定多个单株棉苗的具体位置,然后分别分割出所述多个单株棉苗并计算每个所述单株棉苗的棉苗覆盖度;
步骤S23、棉苗尺寸特征和/或棉苗形态特征计算,采用最大面积法提取出所述多个单株棉苗中的最大叶片,然后提取所述最大叶片的轮廓以形成所述最大叶片形态,根据所述最大叶片形态计算出棉苗的长势测定指标,本实施例中,所述长势测定指标优选包括所述最大叶片的棉叶面积、棉叶周长、棉叶矩形度、棉叶叶形比和/或棉叶圆形度。
在步骤S21中,所述OTSU自动阈值法二值化所述处理后的棉苗图像信息的方法为:设灰度图像灰度级是L,则灰度范围为[0,L-1],利用OTSU算法计算图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)^2+w1(t)*(u1(t)-u)^2)],
其中,当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,使以上表达式值最大的t,即为分割图像的最佳阈值。
所述OTSU自动阈值法二值化后的图像中只包含黑色像素和白色像素,所述棉带覆盖度和/或所述棉苗覆盖度的计算公式为:
黑色像素的总数/(黑色像素总和+白色像素总和)。
在步骤S23中,所述最大面积法包括如下步骤:
a、将二值化后的棉苗图像信息中的所有白色像素赋0,所有黑色像素即空穴所在赋值-1,将空穴数的初始值设为0;
b、从图像左下角开始寻找一个空穴的开始像素(值为-1的第一个点),并将其值改为当前空穴数,存储当前空穴数到一个自定义的数组中,空穴数增加;
c、所有像素的正向搜索,找到下一个值为-1的像素,正向搜索其周围有没有值为当前空穴数的像素,如果有,将当前像素值赋以空穴数的值;
d、所有像素的反向搜索,找到下一个值为-1的像素,反向搜索其周围有没有值为当前空穴数的像素,如果有,将当前像素值赋以空穴数的像素;
e、如果正向和反向都没有像素值为-1的像素,表示当前空穴所有像素已被遍历,转步骤b;
f、如果步骤b中没有寻找到开始像素,表示所有的空穴已被遍历;
g、然后检查每个空穴的面积,如果小于阈值(该阈值可根据经验数值予以确定),就将当前空穴所有的像素赋以背景值(即白色像素值0)。
在步骤S23中,所述长势测定指标的计算方法如下:
棉叶面积S:为叶片形态的边界内部及边界上的像素数目之和;
棉叶周长L:为所述叶片形态的边界点像素之和;
棉叶矩形度R:为叶片对其外接矩形的充满程度,等于所述叶片的面积与其最小外接矩形的面积之比:R=Ao/AMER
其中,Ao是所述叶片的面积,AMER是与该叶片外接的矩形的面积;
叶形比r,r=WMER/LMER,其中,
WMER为与该叶片外接的矩形的宽,
LMER为与该叶片外接的矩形的长;
圆形度,为叶片的棉叶周长L的平方和该叶片的棉叶面积S的比值。
参见图3-图5F,图3为本发明一实施例的自动探测方法的图像分析过程示意图,图4A-4H为本发明一实施例的棉带图像处理效果图,图5A-5F为本发明一实施例的单株棉苗图像处理效果图。下面用一具体实施例详细说明对棉苗图像进行分析的具体步骤:
步骤S1、实时采集棉田的棉苗图像信息,如图4A所示;
步骤S2、对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息,具体如下:
(1)颜色提取,参见图4B
利用YIQ颜色空间中的Q分量提取棉苗的颜色信息,YIQ色彩空间属于NTSC系统,这里Y是指颜色的明视度,即亮度,就是图像灰度值,I和Q都指的是指色调,即描述图像色彩与饱和度的属性,在YIQ颜色空间中,Y分量表示图像的亮度信息,I分量和Q分量则携带着颜色信息,I分量表示从橙色到青色的颜色变化,而Q分量则表示从紫色到黄绿色的颜色变化;
(2)图像分割,参见图4C
采用OTSU自动阈值法二值化图像;
其中,采用OTSU自动阈值法二值化图像的方法为:设灰度图像灰度级是L,则灰度范围为[0,L-1],利用OTSU算法计算图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)^2+w1(t)*(u1(t)-u)^2)],其中的变量说明:当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,使以上表达式值最大的t,即为分割图像的最佳阈值。
(3)棉带覆盖度(苗带宽度)计算
经过二值化的图像中只包含黑色像素和白色像素,棉带覆盖度即为黑色像素的总数/(黑色像素总和+白色像素总和);
(4)投影定位,参见图4D
经过二值化的图像中只包含黑色像素和白色像素,通过垂直和水平投影,根据设定相应的边界阈值来确定出棉苗的具体位置,然后分割出单株棉苗;
(5)棉苗覆盖度(单株棉苗宽度)计算,参见图4E
分割出来的棉苗覆盖度即为黑色像素的总数/(黑色像素总和+白色像素总和);
(6)叶片提取,参见图4F
采用最大面积法提取出棉珠中最大的叶片;
(7)叶片轮廓提取,参见图4G
首先找图像中最左下方的边界点,以这个边界点起始,定义初始的搜索方向为左上方,若果左上方的点是黑点,则为边界点,否则搜索方向顺时针旋转45度,这样一直找到第一个黑点为止,然后把这个黑点作为新的边界点,在当前搜索方向的基础上逆时针旋转90度,继续用同样的方法搜索下一个黑点,直到返回最初的边界点为止;
(8)叶片形态恢复,参见图4H
将最大轮廓的内部均置为黑色,即是整个叶片的基本形态;
(9)棉苗尺寸特征、形态特征计算
分别计算出棉叶面积、棉叶周长、棉叶矩形度、叶形比以及圆形度。
采用如上的技术方案,根据计算出的棉带覆盖度、棉苗覆盖度、单个棉叶面积、单个棉叶周长、单个棉叶矩形度、叶形比和圆形度等棉苗的长势测定指标,即可实时掌握棉苗的苗情的生长信息。
采用上述方法对采集到的图片进行颜色提取以获取绿色棉田的主要信息,通过图像分割提取出棉苗的基本特征,对整幅图像进行水平和垂直投影定位提取出单株棉苗,通过计算面积得到最大棉叶信息,然后提取棉叶的外轮廓特征,最后填充棉叶。通过这样的图像处理过程,即可分布计算出棉带覆盖度(苗带宽度)、棉苗覆盖度(单株棉苗宽度)、单个棉叶面积、单个棉叶周长、单个棉叶矩形度、叶形比和圆形度等棉苗的长势测定指标。
由于单株棉苗定位后图像较小,算法的显示效果不理想,因此可以对单株棉苗(参见图5A)同样利用上述方法进行叶片提取的分析,本实施例中,田间采集的图像分辨率为1024*768,单帧处理时间为348ms(10幅图像平均值)。
(1)颜色提取,参见图5B
利用YIQ颜色空间中的Q分量提取绿色植物的颜色信息。
YIQ色彩空间属于NTSC系统。这里Y是指颜色的明视度,即亮度。其实Y就是图像灰度值,I和Q都指的是指色调,即描述图像色彩与饱和度的属性。在YIQ颜色空间中,Y分量表示图像的亮度信息,I分量和Q分量则携带着颜色信息,I分量表示从橙色到青色的颜色变化,而Q分量则表示从紫色到黄绿色的颜色变化。YIQ颜色空间具有能将图像中的亮度分量分离提取出来的优点,并且YIQ颜色空间与RGB颜色空间之间是线性变换的关系,计算量小,聚类特性也比较好,可以适应光照强度不断变化的场合,因此能够有效地用于彩色图像处理。
RGB和YIQ的对应关系用下面的方程式表示:
Y=0.299R+0.587G+0.114B
I=0.596R-0.275G-0.321B
Q=0.212R-0.523G+0.311B
(2)图像分割,参见图5C
采用Otsu自动阈值法二值化图像。
OTSU算法也称最大类间差法,有时也称之为大津算法,被认为是图像分割中阈值选取的最佳算法,计算简单,不受图像亮度和对比度的影响,因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背景和前景两部分。背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
设灰度图像灰度级是L,则灰度范围为[0,L-1],利用OTSU算法计算图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)^2+w1(t)*(u1(t)-u)^2)]
其中的变量说明:当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值。
使以上表达式值最大的t,即为分割图像的最佳阈值。
(3)棉带覆盖度计算
经过二值化的图像中只包含黑色像素(目标)和白色像素(背景),棉带覆盖度即为黑色像素的总数/(黑色像素总和+白色像素总和)。
(4)投影定位
经过二值化的图像中只包含黑色像素(目标)和白色像素(背景),通过垂直和水平投影,根据设定相应的边界阈值(根据经验确定)来确定出棉苗的具体位置,然后分割出单株棉苗。
(5)棉苗覆盖度计算
分割出来的棉苗覆盖度即为黑色像素的总数/(黑色像素总和+白色像素总和)。
(6)叶片提取,参见图5D
采用最大面积法提取出棉珠中最大的叶片。
(7)叶片轮廓提取,参见图5E
轮廓提取的基本思想为:首先找图像中最左下方的边界点。以这个边界点起始,定义初始的搜索方向为左上方,若果左上方的点是黑点,则为边界点,否则搜索方向顺时针旋转45度。这样一直找到第一个黑点为止。然后把这个黑点作为新的边界点,在当前搜索方向的基础上逆时针旋转90度,继续用同样的方法搜索下一个黑点,直到返回最初的边界点为止。
(8)叶片形态恢复,参见图5F
将最大轮廓的内部均置为黑色,即是整个叶片的基本形态。
(9)棉苗尺寸特征、形态特征计算
单个棉苗的基本特征计算方法如下:
1)棉叶面积
棉叶面积即为边界内部(也包括边界上)的像素数目之和。
2)棉叶周长
周长用边界所占面积表示,也即边界点像素之和。
3)棉叶矩形度
叶片的矩形度反映叶片对其外接矩形的充满程度,用叶片的面积与其最小外接矩形的面积之比来描述,即
R=Ao/AMER
式中,Ao是该物体的面积,而AMER是MER的面积。
R的值在0-1之间,当物体为矩形时,R取得最大值1.0;圆形物体的R取值为二/4:细长的、弯曲的物体的R的取值变小。一般来说,健康的叶片矩形度稍小。
4)叶形比
叶形比r,为MER宽与长的比值。利用r,可以将细长的物体与圆形或方形的物体区分开来。
r=WMER/LMER
5)圆形度
叶片圆形度描述了叶片边界的复杂度。本研究中采用的计算方法为计算周长的平方和面积的比值。
根据计算出的棉带覆盖度、棉苗覆盖度、单个棉叶面积、单个棉叶周长、单个棉叶矩形度、叶形比和圆形度等棉苗的长势测定指标,实时掌握棉苗的苗情的生长信息。
本发明采用棉田苗情自动探测装置进行棉田苗情探测,所述自动探测装置按照区域固定于田间,通过无线视频发射装置将摄像机采集的棉苗图像信息传送给异地室内监控计算机,利用图像分析系统42对棉苗图像进行分析,从而实时掌握棉田的苗情信息。该装置具有全天候24小时异地监测、视频自动获取与处理、监测范围与面积可调和自动分析棉田苗情等功能。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种棉田苗情自动探测方法,用于对棉田棉苗的苗情进行实时自动探测,其特征在于,包括如下步骤:
S1、实时采集棉田的棉苗图像信息;
S2、对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息;
其中,所述步骤S2包括:
S21、棉带覆盖度计算,利用YIQ颜色空间中的Q分量提取所述棉苗图像信息中的棉苗的颜色信息得到处理后的棉苗图像信息,然后用OTSU自动阈值法二值化所述处理后的棉苗图像信息,并根据二值化后的棉苗图像信息计算棉带覆盖度;
S22、棉苗覆盖度计算,对二值化后的棉苗图像信息分别进行垂直和水平投影,并设定边界阈值以确定多个单株棉苗的具体位置,然后分别分割出所述多个单株棉苗并计算每个所述单株棉苗的棉苗覆盖度;
S23、棉苗尺寸特征和/或棉苗形态特征计算,采用最大面积法提取出所述多个单株棉苗中的最大叶片,然后提取所述最大叶片的轮廓以形成最大叶片形态,根据所述最大叶片形态计算出棉苗的长势测定指标;
其中,所述OTSU自动阈值法二值化所述处理后的棉苗图像信息的方法为:设灰度图像灰度级是L,则灰度范围为[0,L-1],利用OTSU算法计算图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)^2+w1(t)*(u1(t)-u)^2)],
其中,当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,使上述表达式值最大的t为分割图像的最佳阈值。
2.如权利要求1所述的棉田苗情自动探测方法,其特征在于,所述长势测定指标包括所述最大叶片的棉叶面积、棉叶周长、棉叶矩形度、棉叶叶形比和/或棉叶圆形度。
3.如权利要求1或2所述的棉田苗情自动探测方法,其特征在于,所述OTSU自动阈值法二值化后的图像中只包含黑色像素和白色像素,所述棉带覆盖度和/或所述棉苗覆盖度的计算公式为:
黑色像素的总数/(黑色像素总和+白色像素总和)。
4.如权利要求3所述的棉田苗情自动探测方法,其特征在于,所述长势测定指标的计算方法如下:
棉叶面积S:为叶片形态的边界内部及边界上的像素数目之和;
棉叶周长L:为所述叶片形态的边界点像素之和;
棉叶矩形度R:为叶片对其外接矩形的充满程度,等于所述叶片的面积与其最小外接矩形的面积之比:R=Ao/AMER
其中,Ao是所述叶片的面积,AMER是与该叶片外接的矩形的面积;
叶形比r,r=WMER/LMER,其中,
WMER为与该叶片外接的矩形的宽,
LMER为与该叶片外接的矩形的长;
圆形度,为叶片的棉叶周长L的平方和该叶片的棉叶面积S的比值。
5.一种棉田苗情自动探测装置,用于对棉田棉苗的苗情进行实时自动探测,其特征在于,包括:
固定架,按照区域固定于棉田中;
图像采集装置,安装在所述固定架上,用于实时采集棉苗的图像信息;
图像传输装置,安装在所述固定架上,用于传输所述图像采集装置实时采集的棉苗图像信息;
监控中心,与所述图像传输装置连接,包括:
图像接收装置,用于接收所述图像传输装置传输的棉苗图像信息;
图像分析系统,与所述图像接收装置连接,采用上述权利要求1-4中任意一项所述的棉田苗情自动探测方法对所述棉苗图像信息进行分析,得到所述棉田的棉带覆盖度信息、棉苗尺寸特征信息和棉苗形态特征信息,以实时探测所述棉田的棉苗苗情信息。
6.如权利要求5所述的棉田苗情自动探测装置,其特征在于,所述图像采集装置为红外摄像机,所述图像传输装置为CDMA无线视频发射装置。
7.如权利要求5或6所述的棉田苗情自动探测装置,其特征在于,还包括图像采集调整装置,安装在所述固定架上并与所述图像采集装置连接,所述图像采集调整装置包括方位调节机构、高度调节机构和角度调节机构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210586839.9A CN103900498B (zh) | 2012-12-28 | 2012-12-28 | 一种棉田苗情自动探测方法及其探测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210586839.9A CN103900498B (zh) | 2012-12-28 | 2012-12-28 | 一种棉田苗情自动探测方法及其探测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103900498A CN103900498A (zh) | 2014-07-02 |
CN103900498B true CN103900498B (zh) | 2016-08-03 |
Family
ID=50991968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210586839.9A Active CN103900498B (zh) | 2012-12-28 | 2012-12-28 | 一种棉田苗情自动探测方法及其探测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103900498B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680114A (zh) * | 2017-09-22 | 2018-02-09 | 交通运输部天津水运工程科学研究所 | 一种基于计算机图像处理的草地盖度测算方法 |
CN109961007A (zh) * | 2019-02-12 | 2019-07-02 | 平安科技(深圳)有限公司 | 水稻分蘖期识别方法及终端设备 |
CN110132144B (zh) * | 2019-07-10 | 2019-10-25 | 常州伊博艾利斯自动化有限公司 | 一种物体尺寸测量方法及系统 |
CN110736426B (zh) * | 2019-10-24 | 2021-05-25 | 深圳市瑞源祥橡塑制品有限公司 | 物体尺寸获取方法、装置、计算机设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945601A (zh) * | 2005-10-08 | 2007-04-11 | 中国农业机械化科学研究院 | 一种自动识别田间杂草的方法与喷药装置 |
CN102103699A (zh) * | 2011-01-27 | 2011-06-22 | 华中科技大学 | 一种基于图像检测棉花吐絮的方法 |
CN201869599U (zh) * | 2010-11-12 | 2011-06-22 | 中国气象局气象探测中心 | 作物发育及长势自动观测装置 |
CN102339378A (zh) * | 2010-07-22 | 2012-02-01 | 中国农业机械化科学研究院 | 一种自动提取棉苗的方法及其装置 |
CN102592118A (zh) * | 2011-12-31 | 2012-07-18 | 华中科技大学 | 一种玉米出苗期的自动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000023508A (ja) * | 1998-07-08 | 2000-01-25 | Bio Oriented Technol Res Advancement Inst | 整列播種機における胚位置判別方法 |
-
2012
- 2012-12-28 CN CN201210586839.9A patent/CN103900498B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945601A (zh) * | 2005-10-08 | 2007-04-11 | 中国农业机械化科学研究院 | 一种自动识别田间杂草的方法与喷药装置 |
CN102339378A (zh) * | 2010-07-22 | 2012-02-01 | 中国农业机械化科学研究院 | 一种自动提取棉苗的方法及其装置 |
CN201869599U (zh) * | 2010-11-12 | 2011-06-22 | 中国气象局气象探测中心 | 作物发育及长势自动观测装置 |
CN102103699A (zh) * | 2011-01-27 | 2011-06-22 | 华中科技大学 | 一种基于图像检测棉花吐絮的方法 |
CN102592118A (zh) * | 2011-12-31 | 2012-07-18 | 华中科技大学 | 一种玉米出苗期的自动检测方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的苗期杂草实时分割算法;毛文华等;《农业机械学报》;20050131;第36卷(第1期);第83-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103900498A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
Xiong et al. | Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
Nuske et al. | Yield estimation in vineyards by visual grape detection | |
CN105184824B (zh) | 基于图像传感网的智能农业驱鸟系统 | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
CN110427922A (zh) | 一种基于机器视觉和卷积神经网络病虫害识别系统和方法 | |
Nielsen et al. | Vision-based 3D peach tree reconstruction for automated blossom thinning | |
CN103900498B (zh) | 一种棉田苗情自动探测方法及其探测装置 | |
CN103903252A (zh) | 棉田虫情自动监测装置及监测方法 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
CN109447945A (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN103914848B (zh) | 一种基于小波变换及最大类间方差的农田图像分割方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN108564021B (zh) | 一种基于数码相片提取荒漠植被盖度的方法 | |
Zhou et al. | Early detection and continuous quantization of plant disease using template matching and support vector machine algorithms | |
CN109684997A (zh) | 一种被遮挡圆形成熟果实的图像识别与定位方法 | |
Zhang et al. | An algorithm for automatic identification of multiple developmental stages of rice spikes based on improved Faster R-CNN | |
Zhang et al. | Yield estimation of citrus fruit using rapid image processing in natural background | |
CN103971199A (zh) | 一种大范围农作物长势的遥感评级方法 | |
Zhang et al. | Verification of improved yolox model in detection of greenhouse crop organs: Considering tomato as example | |
CN110399785B (zh) | 一种基于深度学习与传统算法的树叶遮挡的检测方法 | |
CN108090910B (zh) | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 | |
Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
JP2015021854A (ja) | 植生情報分析装置、植生情報分析方法及び植生情報分析プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |