CN103914786B - 一种大田农业生产情景感知计算方法及装置 - Google Patents

Abstract

本发明提供了一种大田农业生产情景感知计算方法及装置，该方法包括：采集作物的双目图像数据和生长环境数据；根据采集的双目图像数据，进行点云数据处理，计算出作物的株高和株行距；根据采集的双目图像数据，进行数字图像处理，计算出作物的冠层郁闭度和长势信息；计算所得的株高、株行距、冠层郁闭度和长势作为作物的形态结构指标，对作物生长模型进行实时优化；根据生长环境数据，结合优化后的作物生长模型，计算作物器官的生长状态。本发明合理集成计算机图形图像、视觉、自动化技术，对作物的形态结构指标进行检测，作为辅助分析参数，对大田农业生产的产量进行预测，增加了生产管理辅助决策的完整成度，从而提升了大田农业生产管理效率。

Description

一种大田农业生产情景感知计算方法及装置

技术领域

本发明涉及大田农业生产领域，尤其涉及一种情景感知计算方法及装置。

背景技术

农业是我国重要的基础产业，大田生产在我国农业生产中占有很大比重，是我国粮食的主要来源，在粮食安全中占有重要的战略地位。

在我国大田生产过程中，现有的技术手段主要体现在温度、湿度、光照等环境参数，以及作物氮含量、氮积累量等生理指标进行监测。

综合我国大田生产情况，能够基于环境信息进行综合计算和分析，为生产管理提供辅助决策，是当前农业信息化的发展趋势。若只对生理指标进行监测，则不能提供实时、准确、全面的数据支持和依据，从而影响大田农业生产的生产管理辅助决策。

发明内容

(一)要解决的技术问题

本发明的主要目的是提供一种大田农业生产情景感知计算方法及装置，通过监测作物的形态结构指标作为生产管理辅助决策，解决在我国大田生产中，通常只对作物的生理指标，而很少对作物的形态结构指标标进行检测的薄弱环节，从而影响大田农业生产的生产管理辅助决策。

(二)技术方案

本发明的一种大田农业生产情景感知计算方法，包括以下步骤：S1.采集作物的双目图像数据和生长环境数据；S2.根据采集的双目图像数据，进行点云数据处理，计算出作物的株高和株行距；S3.根据采集的双目图像数据，进行数字图像处理，计算出作物的冠层郁闭度和长势信息；S4.计算所得的株高、株行距、冠层郁闭度和长势作为作物的形态结构指标，对作物生长模型进行实时优化；S5.根据生长环境数据，结合优化后的作物生长模型，计算作物器官的生长状态。

进一步地，所述双目图像数据是由双目立体视觉系统径向圆周采集的；所述生长环境数据是由气象墒情监测系统采集的。

进一步地，所述步骤S2进行点云数据处理计算之前，根据双目图像数据重建冠层的三维点云模型。

进步一地，所述步骤S2中点云数据处理包括：建立模型空间直角坐标系，将点云数据正上方定义为Z轴正方向；根据Z轴层次密度法提取地面区域；根据地面区域点云拟合地面，求出地面方程参数；删除地面方程中地面区域以下的点；根据密度聚类算法删除点云中的噪声数据；以Z＝0平面为地面进行坐标变换，提取Z坐标值最大的点作为作物的株高；计算上述密度聚类法所得聚类中所有点的着生位置坐标，结合播种时设定的作物形象，计算各中心点之间的距离，作为株行距。

进一步地，所述步骤S3中数字图像处理包括：使用RGB颜色分量表示图像所有像素，提取颜色分量满足方程aG>R+B；提取像素个数与总像素个数比率，作为冠层郁闭度指标，以此定义出作物长势。

根据本发明的另一面，本发明提供了一种大田农业生产计算装置，包括以下模块：

数据采集模块，用于采集作物的双目图像数据和生长环境数据；

株高和株行距分析模块，用计算出作物的出株高和株行距；

郁闭度和长势信息分析模块，用于计算出作物的冠层郁闭度和长势信息；

生长模型优化模块，用于计算所得的株高、株行距、冠层郁闭度和长势作为作物的形态结构指标，对作物生长模型进行实时优化；

生长状态模块，用于根据生长环境数据，结合优化后的作物生长模型，计算作物器官的生长状态。

进一步地，所述数据采集模块包括双目立体视觉系统和气象墒情监测系统，双目立体视觉系统径向圆周采集双目图像数据；气象墒情监测系统采集生长环境数据。

进一步地，所述株高和株行距分析模块包括三维点云模型构建模块，用于在进行点云数据处理计算之前，根据双目图像数据重建冠层三维点云模型。

进一步地，所述株高和株行距分析模块包括点云数据处理模块，用于计算作物的株高和株行距。

进一步地，所述郁闭度和长势信息分析模块包括数字图像处理模块，用于计算作物的郁闭度和长势。

进一步地，所述双目立体视觉系统包括：支撑立柱，用于支撑和固定转动支撑平台；无线网络发射模块，用于无线传输双目图像数据到计算机的服务器；转动支撑平台，安装在支撑立柱上，用于承载水平横梁导轨、导轨滑块和双目立体相机；水平横梁导轨，安装在转动支撑平台上，用于使转动支撑平台绕支撑立柱在水平面内转动；导轨滑块，安装在水平横梁导轨上，用于沿导轨径向移动；双目立体相机，安装在导轨滑块上，用于拍摄作物的双目图像。

(三)有益效果

根据本发明的技术方案，实现了在大田农业生产中，对作物的形态结构指标监测，计算出株高、株行距、长势和郁闭度作为校验值，优化作物生长模型，综合作物的形态结构指标和生理指标对生产管理决策分析提供出实时、准确、全面的数据支持和决策依据，避免了只对作物的生理指标进行检测，导致数据不全面，影像生产管理辅助决策分析。

附图说明

图1是发明实施例1提供的一种大田农业生产情景感知计算方法流程图；

图2是发明实施例2提供的另一种大田农业生产情景感知计算方法流程图；

图3是发明实施例3提供的一种大田农业生产情景感知计算装置结构示意图；

图4是发明实施例4提供的数据采集模块的一种大田农业生产情景感知数据采集装置；

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1：

本发明实施例提供了一种大田农业生产情景感知计算方法，参见图1，该方法包括：

步骤S1.采集作物的双目图像数据和生长环境数据。利用双目立体视觉系统对作物进行双目图像拍摄，采集作物的图像数据，；同时利用气象墒情监测系统监测作物的生长环境数据，包括光照、温度、水分、土壤参数等指标；

步骤S2.根据采集的双目图像数据，进行点云数据处理，计算出作物的株高和株行距；

步骤S3.根据采集的双目图像数据，进行数字图像处理，计算出作物的冠层郁闭度和长势信息；

步骤S4.计算所得的株高、株行距、冠层郁闭度和长势作为作物的形态结构指标，对作物生长模型进行实时优化。其中，形态结构指标作为校验值，对作物生长模型参数进行线性优化；

步骤S5.根据生长环境数据，结合优化后的作物生长模型，计算作物器官的生长状态。利用大田生产环境监测数据，包括光照、温度、水分、土壤等参数，结合优化后的作物生长模型，算作物生长过程中的主要器官的生长状态，及各主要器官的形态结构参数，如节长、叶长、株高等；以玉米为例，典型的玉米生长模型包括展开叶叶片长度(MLDL)与叶序(N)的关系模型、展开叶叶片宽度(MLDW)与叶序(N)的关系模型、展开叶叶形关系模型、展开叶叶鞘长度(MLSL)与叶序(N)的关系模型、已伸长节间长度(MINL)与叶序(N)的关系模型、器官同伸关系模型等，根据环境因素和品种参数以及栽培管理措施计算出可见叶片之展开叶片的叶序、叶长、节间长、以及各器官之间的相互关系，从而计算出株高、长势等指标。

可选地，双目图像数据是由双目立体视觉径向系统采集的；生长环境数据是由气象墒情监测系统采集的。

可选地，在进行点云数据处理计算之前，根据双目图像数据重建冠层的三维点云模型。利用双目立体视觉方法，通过立体相机参数标定，计算视域空间的三维空间坐标系，利用双目图像重建大田生产环境和作物冠层的三维点云模型。

可选地，点云数据处理包括：

建立模型空间直角坐标系，将点云数据正上方定义为Z轴正方向；根据Z轴层次密度法提取地面区域。沿Z轴方向，在[-4000，4000](单位为毫米)范围内，以200为Z轴计算范围，10为步长，依次计算每个区域内的点云密度，即计算每200mm内的点云密度，每次偏移量取10mm。取200是根据立体视觉系统重建三维点云模型的地面误差范围。取得做大密度的范围即为地面点云分布的范围；

根据地面区域点云拟合地面，求出地面方程参数。用点(x_i,y_i,z_i),i＝0,1,…,n-1；拟合地面方程Ax+By+Cz+D＝0；定义：

拟合计算上述地面方程，则使：

满足：

即

转化为系数矩阵：

求解得出地面方程参数；

删除地面方程中地面区域以下的点。删除地面方程在三维坐标系中Z＝0平面以下的点。

根据密度聚类算法删除点云中的噪声数据。给定单位步长δ，循环点云中所有点，计算点P_i(x_i，y_i，z_i)的各坐标值与步长δ的比值并取整得N_j(x_j,y_j,z_j)，并以N_j(x_j,y_j,z_j)为基点构造包围立方体，边长为δ，作为一个聚类；循环下一点，若其属于某包围立方体，则归为该聚类，则在该立方体内点计数累加1，若不属于既有的任一包围立方体，按上述方法构造新的包围立方体。最后计算所有聚类内点的个数，剔除个数小于K的聚类，实现噪声数据的滤除。具体实施过程中，以玉米小区监测点云数据为例，有效植株数据点云分布区域通常大于100mm，点个数大于1000，可选δ＝100,K＝1000；

以Z＝0平面为地面进行坐标变换，提取Z坐标值最大的点作为作物的株高。结合将点云数据以新的地面法相为Z轴，以新的地面为Z＝0平面，将点云模型进行坐标变换，计算点云中Z坐标值最大的点，取其Z坐标值为监测小区内植株株高值

计算上述密度聚类法所得聚类中所有点的着生位置坐标，结合播种时设定的作物形象，计算各中心点之间的距离，作为株行距。在种植的作物植株较小的时候，植株之间彼此不发生交叉，剔除地面以后，通过设定包围立方体的大小，可实现不同植株的聚类处理，通常可以取包围立方体的大小为当时的株高值。计算每个聚类中所有点的三维坐标均值，作为该植株的中心坐标，取z坐标为0，即为各植株在地面上的着生位置坐标。按播种时设定的作物行向，计算各中心点之间的距离，计算株行距。由于在作物整个生命周期内，通常着生位置不发生变化，所以在本发明中所提到的大田农业生产情景感知计算方法中只需在植株较小时计算一次株行距即可。

可选地，数字图像处理包括：使用RGB颜色分量表示图像所有像素，提取颜色分量满足方程aG>R+B；提取像素个数与总像素个数比率，作为冠层郁闭度指标，以此定义出作物长势。例如：利用监控图像，使用数字图像处理法进行分析，然后使用RGB颜色分量表示图像所有像素，提取图像中颜色分量满足如下方程的区域：aG>R+B。a为计算系数，计算满足条件的像素个数与总像素个数的比率；像素个数与总像素个数的比率作为冠层郁闭度参考指标，以此定义作物长势。

实施例2：

本发明实施例提供了另一种大田农业生产情景感知计算方法，参见图2，该方法包括：

步骤201.采集作物的双目图像数据和生长环境数据。利用双目立体视觉系统对作物进行双目图像拍摄，采集作物的图像数据。利用大田生产环境监测数据，包括光照、温度、水分、土壤等参数指标；

步骤202.采集的作物生长环境数据结合作物生长模型，计算作物生长过程中的主要器官的生长状态，及各主要器官的形态结构参数，如节长、叶长、株高等；以玉米为例，典型的玉米生长模型包括展开叶叶片长度(MLDL)与叶序(N)的关系模型、展开叶叶片宽度(MLDW)与叶序(N)的关系模型、展开叶叶形关系模型、展开叶叶鞘长度(MLSL)与叶序(N)的关系模型、已伸长节间长度(MINL)与叶序(N)的关系模型、器官同伸关系模型等，根据环境因素和品种参数以及栽培管理措施计算出可见叶片之展开叶片的叶序、叶长、节间长、以及各器官之间的相互关系，从而计算出株高、长势等宏观指标；

步骤203.根据双目图像数据重建冠层的三维点云模型；

步骤204.根据冠层的三维点云模型，进行点云数据处理，提取作物的形态结构参数，计算出株行距和株高；

步骤205.对双目图像进行分析，对颜色空间提取，计算出长势和郁闭度；

步骤206.根据计算的监测株行距、株高数据和图像分析得到的长势、郁闭度结果，其一，使用作物生命周期内的监测数据作为校验值，可采用线性方式对作物生长模型参数进行优化；其二，作为生产管理和产量预测的辅助决策分析依据，实现栽培管理措施的辅助决策和产量预测；

步骤207.在田间作物的生命周期内，利用田间情景感知数据的序列，连续进行上述步骤的计算分析，可实现作物整个生育时期内的情景感知计算，从而实现作物生长模型参数的实时优化，从而及时作出栽培管理措施的辅助决策，达到提升生产效率和质量的目的。

实施例3：

本发明实施例提供了一种大田农业生产情景感知计算装置，参见图3，该装置包括：

数据采集模块301，用于采集作物的双目图像数据和生长环境数据。

株高和株行距分析模块302，用计算出作物的出株高和株行距。

郁闭度和长势信息分析模块303，用于计算出作物的冠层郁闭度和长势信息；

生长模型优化模块304，用于计算所得的株高、株行距、冠层郁闭度和长势作为作物的形态结构指标，对作物生长模型进行实时优化；

生长状态模块305，用于根据生长环境数据，结合优化后的作物生长模型，计算作物器官的生长状态。

可选地，数据采集模块包括双目立体视觉系统和气象墒情监测系统，双目立体视觉系统径向圆周采集双目图像数据；气象墒情监测系统采集生长环境数据。双目立体视觉系统的立体相机使用滑块安装在水平横梁导轨上，可沿导轨移动，水平横梁导轨安装在移动平台上，移动平台安装在支撑立柱上，可绕支撑立柱在水平面内转动，实现以半径范围内作物冠层数据的获取和监测。气象墒情监测站可获取大气温度、湿度、风向、风速、太阳辐射量、降雨量以及土壤温度、含水量等数据，布置在监测小区内部或边缘，与立柱不超过一定距离，以保证数据一致性。采集的数据使用无线网络传输的方式向服务器端传输，计算机再根据服务器提供的数据进行分析并计算。

可选地，所述株高和株行距分析模块包括三维点云模型构建模块306，用于在进行点云数据处理计算之前，根据双目图像数据重建冠层三维点云模型。

可选地，所述株高和株行距分析模块包括点云数据处理模块307，用于计算作物的株高和株行距。

可选地，所述郁闭度和长势信息分析模块包括数字图像处理模块308，用于计算作物的郁闭度和长势。

实施例4：

本发明实施例提供了上述实施例3中数据采集模块的一种大田农业生产情景感知数据采集装置，参见图4，该装置包括：

支撑立柱1，高4米，用于支撑和固定转动支撑平台；

无线网络发射模块2，用于无线传输双目图像数据到计算机的服务器；

转动支撑平台3，安装在支撑立柱上，用于承载水平横梁导轨、导轨滑块和双目立体相机；

水平横梁导轨4，长3米，安装在转动支撑平台上，用于使转动支撑平台绕支撑立柱在水平面内转动；

双目立体相机5，使用滑块安装在导轨滑块上，用于拍摄作物的双目图像；

气象墒情监测站6，用于获取大气温度、湿度、风向、风速、太阳辐射量、降雨量以及土壤温度、含水量等数据，安装在双目立体视觉系统区域的内部或边缘，与支撑立柱距离不超过5米，保证数据的一致性；

作物植株7，用于提供采集的双目图像数据，双目立体视觉系统径向圆周采集的对象；

无线网络接收模块8，用于将双目立体视觉系统采集的双目图像数据和由气象墒情监测系统采集生长环境数据，用无线网络传输的方式，发送到服务器；

服务器9；接收并存储采集数据。

由的支撑立柱1、无线网络发射模块2、转动支撑平台3、水平横梁导轨4和双目立体相机5构成双目立体视觉系统，可径向的采集和监测作物冠层的感知数据，实现以支撑立柱为中心，半径为3米范围内的数据采集和监测。

通过上述描述可见，本发明实施例具有如下有益效果：

通过本实施例提供的一种大田农业生产情景感知计算方法及装置，在大田农业生产中增加了作物的形态结构指标的获取与计算，对双目图像监测数据进行处理和计算后，得到作物的形态结构指标，根据作物的形态结构指标对作物的生长模型进行优化，增加了生产管理决策的完整性、准确性。作物的形态结构指标作为决策的辅助分析参数，增加了生产管理辅助决策的全面性，实时性。避免了只对作物的生理指标进行检测，导致数据不全面，影像生产管理辅助决策分析。

Claims (9)

1.一种大田农业生产情景感知计算方法，其特征在于，所述方法包括以下步骤：

S1.采集作物的双目图像数据和生长环境数据；

S2.根据采集的双目图像数据，进行点云数据处理，计算出作物的株高和株行距；

其中，在所述S2中点云数据处理包括：

建立模型空间直角坐标系，将点云数据正上方定义为Z轴正方向；根据Z轴层次密度法提取地面区域；

根据地面区域点云拟合地面，求出地面方程参数；

删除地面方程中地面区域以下的点；

根据密度聚类算法删除点云中的噪声数据；

以Z＝0平面为地面进行坐标变换，提取Z坐标值最大的点作为作物的株高；

计算上述密度聚类法所得聚类中所有点的着生位置坐标，结合播种时设定的作物行向，计算各中心点之间的距离，作为株行距；

其中，根据地面区域点云拟合地面，求出地面方程参数，包括：

用点(x_i,y_i,z_i),i＝0,1,…,n-1；拟合地面方程Ax+By+Cz+D＝0；定义：

$m_0=-\frac{A}{C};m_1=-\frac{B}{C};m_2=-\frac{D}{C}$

拟合计算上述地面方程，则使：

$S=\underset{i=0}{\overset{n-1}{\Σ}}{(m_0{x}_i+m_1{y}_i+m_2-z_i)}^2$

满足：

$\frac{\∂S}{\∂m_k}=0,k=0,1,2$

即

$\left\{\begin{array}{c}{\Σ}_2(m_0{x}_i+m_1{y}_i+m_2-z_i)x_i=0\\ {\Σ}_2(m_0{x}_i+m_1{y}_i+m_2-z_i)y_i=0\\ {\Σ}_2(m_0{x}_i+m_1{y}_i+m_2-z_i)=0\end{array}\right.$

转化为系数矩阵：

$\left|\begin{array}{ccc}\Σ{x_i}^2& \Σx_i{y}_i& \Σx_i\\ \Σx_i{y}_i& \Σ{y_i}^2& \Σy_i\\ \Σx_i& \Σy_i& n\end{array}\right|\left(\begin{array}{c}{m}_0\\ m_1\\ m_2\end{array}\right)=\left(\begin{array}{c}\Σx_i{z}_i\\ \Σy_i{z}_i\\ \Σz_i\end{array}\right)$

求解得出地面方程参数；

S3.根据采集的双目图像数据，进行数字图像处理，计算出作物的冠层郁闭度和长势信息；

S4.计算所得的株高、株行距、冠层郁闭度和长势作为作物的形态结构指标，对作物生长模型进行实时优化；

S5.根据生长环境数据，结合优化后的作物生长模型，计算作物器官的生长状态。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，双目图像数据是由双目立体视觉系统径向圆周采集的；生长环境数据是由气象墒情监测系统采集的。

3.根据权利要求1所述的方法，其特征还在于：

所述步骤S2进行点云数据处理计算之前，根据双目图像数据重建冠层的三维点云模型。

4.根据权利要求1所述的方法，其特征在于，在所述步骤S3中数字图像处理包括：

使用RGB颜色分量表示图像所有像素，提取颜色分量满足方程aG>R+B；其中，a为计算系数，计算满足条件的像素个数与总像素个数的比率；像素个数与总像素个数的比率作为冠层郁闭度参考指标，以此定义作物长势。

5.一种基于情景感知的大田农业生产计算装置，其特征在于，所述装置包括以下模块：

数据采集模块，用于采集作物的双目图像数据和生长环境数据；

株高和株行距分析模块，用计算出作物的株高和株行距；

其中，所述株高和株行距分析模块包括点云数据处理模块，用于计算作物的株高和株行距；

其中，所述点云数据处理模块，具体用于：

建立模型空间直角坐标系，将点云数据正上方定义为Z轴正方向；根据Z轴层次密度法提取地面区域；

根据地面区域点云拟合地面，求出地面方程参数；

删除地面方程中地面区域以下的点；

根据密度聚类算法删除点云中的噪声数据；

以Z＝0平面为地面进行坐标变换，提取Z坐标值最大的点作为作物的株高；

计算上述密度聚类法所得聚类中所有点的着生位置坐标，结合播种时设定的作物行向，计算各中心点之间的距离，作为株行距；

其中，根据地面区域点云拟合地面，求出地面方程参数，包括：

用点(x_i,y_i,z_i),i＝0,1,…,n-1；拟合地面方程Ax+By+Cz+D＝0；定义：

$m_0=-\frac{A}{C};m_1=-\frac{B}{C};m_2=-\frac{D}{C}$

拟合计算上述地面方程，则使：

$S=\underset{i=0}{\overset{n-1}{\Σ}}{(m_0{x}_i+m_1{y}_i+m_2-z_i)}^2$

满足：

$\frac{\∂S}{\∂m_k}=0,k=0,1,2$

即

$\left\{\begin{array}{c}{\Σ}_2(m_0{x}_i+m_1{y}_i+m_2-z_i)x_i=0\\ {\Σ}_2(m_0{x}_i+m_1{y}_i+m_2-z_i)y_i=0\\ {\Σ}_2(m_0{x}_i+m_1{y}_i+m_2-z_i)=0\end{array}\right.$

转化为系数矩阵：

$\left|\begin{array}{ccc}\Σ{x_i}^2& \Σx_i{y}_i& \Σx_i\\ \Σx_i{y}_i& \Σ{y_i}^2& \Σy_i\\ \Σx_i& \Σy_i& n\end{array}\right|\left(\begin{array}{c}{m}_0\\ m_1\\ m_2\end{array}\right)=\left(\begin{array}{c}\Σx_i{z}_i\\ \Σy_i{z}_i\\ \Σz_i\end{array}\right)$

求解得出地面方程参数；

郁闭度和长势信息分析模块，用于计算出作物的冠层郁闭度和长势信息；

生长模型优化模块，用于计算所得的株高、株行距、冠层郁闭度和长势作为作物的形态结构指标，对作物生长模型进行实时优化；

生长状态模块，用于根据生长环境数据，结合优化后的作物生长模型，计算作物器官的生长状态。

6.根据权利要求5所述的大田农业生产计算装置，其特征在于，所述数据采集模块包括双目立体视觉系统和气象墒情监测系统，双目立体视觉系统径向圆周采集双目图像数据；气象墒情监测系统采集生长环境数据。

7.根据权利要求5所述的大田农业生产计算装置，其特征在于，所述株高和株行距分析模块包括三维点云模型构建模块，用于在进行点云数据处理计算之前，根据双目图像数据重建冠层三维点云模型。

8.根据权利要求5所述的大田农业生产计算装置，其特征在于，所述郁闭度和长势信息分析模块包括数字图像处理模块，用于计算作物的郁闭度和长势。

9.根据权利要求6所述大田农业生产计算装置，其特征在于，所述双目立体视觉系统包括：

支撑立柱，用于支撑和固定转动支撑平台；

无线网络发射模块，用于无线传输双目图像数据到计算机的服务器；

转动支撑平台，安装在支撑立柱上，用于承载水平横梁导轨、导轨滑块和双目立体相机；

水平横梁导轨，安装在转动支撑平台上，用于使转动支撑平台绕支撑立柱在水平面内转动；

导轨滑块，安装在水平横梁导轨上，用于沿导轨径向移动；

双目立体相机，安装在导轨滑块上，用于拍摄作物的双目图像。