CN107092891A - 一种基于机器视觉技术的水稻估产系统及方法 - Google Patents
一种基于机器视觉技术的水稻估产系统及方法 Download PDFInfo
- Publication number
- CN107092891A CN107092891A CN201710278852.0A CN201710278852A CN107092891A CN 107092891 A CN107092891 A CN 107092891A CN 201710278852 A CN201710278852 A CN 201710278852A CN 107092891 A CN107092891 A CN 107092891A
- Authority
- CN
- China
- Prior art keywords
- paddy rice
- image
- farmland
- yield
- subsystem
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及一种基于机器视觉技术的水稻估产系统,包括:图像采集子系统,通过安装在农田区域内的监测摄像头,采集监测点的水稻图像;水稻估产子系统,用于对采集到的农田水稻图像依次进行预处理、样本图像训练、识别水稻图像中的水稻、估测整个农田的产量;数据存储子系统,采用云端服务器,对云端服务器接收采集的水稻图像,按照地理位置、日期分类,对接收的图像进行统一命名,然后存储在云端服务器上,供用户下载使用;同时,将水稻识别数据和农田估产数据存储在云端服务器上。本系统的整个农田水稻估产过程的实现,完全属于全自动智能化的,无需人工做任何操作或监督,大大节省了人力成本。
Description
技术领域
本发明涉及机器视觉技术领域,尤其是一种基于机器视觉技术的水稻估产系统及方法。
背景技术
机器视觉技术已经在各个领域得到了广泛地应用,机器视觉技术在农业方面的应用非常成功,如作物病虫害检测,能够通过图像识别技术,快速有效地检测农作物的病虫害情况;农作物生长状况监测,能够通过图像识别技术,快速有效地识别出农作物的生长情况;农作物估产,能够通过图像识别技术,快速有效地统计出农作物的生长情况和果实数目,预估农作物的产量。
对农作物的估产,传统方法,一般需要有丰富经验的农民或者专家,实地观察农作物的生长情况,根据以往的农作物收获数据等,预估农作物的产量。由于人工估产的经验性和个人主观预测等不确定性因素影响,预测结果往往与实际结果有不小的偏差,实地考察,人工劳力成本高,效率低下。最大的缺点是,经验丰富的专家和农民的经验分享困难,不利于普通农户的生产和规划。此外,大规模种植的农田,实际上进行人工估产是非常不靠谱的,对于广袤无垠的农田农民一眼都看不到头,不知道面积几许,何谈精确的估产。依靠人力扫描一圈农田,非常不具有操作性,很多农田没有什么田埂或者公路,即使有路,几千亩的农田,环绕一周工作量也是巨大的。
发明内容
本发明的首要目的在于提供一种利用图像识别技术,智能识别农田中的水稻,统计出单位面积的水稻数量,进而估产整个农田,节省了大量劳力成本,不仅提高了效率,而且提高了估产的有效性的基于机器视觉技术的水稻估产系统。
为实现上述目的,本发明采用了以下技术方案:一种基于机器视觉技术的水稻估产系统,包括:
图像采集子系统,通过安装在农田区域内的监测摄像头,采集监测点的水稻图像;
水稻估产子系统,用于对采集到的农田水稻图像依次进行预处理、样本图像训练、识别水稻图像中的水稻、估测整个农田的产量;
数据存储子系统,采用云端服务器,对云端服务器接收采集的水稻图像,按照地理位置、日期分类,对接收的图像进行统一命名,然后存储在云端服务器上,供用户下载使用;同时,将水稻识别数据和农田估产数据存储在云端服务器上。
所述图像采集子系统的第一输出端与水稻估产子系统的输入端相连,所述图像采集子系统的第二输出端与数据存储子系统的第二输入端相连,所述水稻估产子系统的输出端与数据存储子系统的第一输入端相连。
所述水稻估产子系统包括:
图像预处理模块,用于实现对采集到的图像数据进行预处理,预处理过程包括检查图像的采集是否成功,以及采集到的图像质量的好坏;
水稻样本图像训练模块,采用BP神经网络算法对水稻样本图像进行训练,建立水稻识别模型;
水稻图像识别模块,用于识别水稻图像中的水稻,使用系统中训练出来的的水稻识别模型准确识别出图像中的所有水稻,特别是对于有重叠的水稻区域进行识别;
水稻估产模块,用于统计单位面积农田中的水稻数量,根据整个农田的有效种植面积,估测整个农田的产量。
本发明的另一目的在于提供一种基于机器视觉技术的水稻估产系统的估产方法,其特征在于:该方法包括下列顺序的步骤:
(1)通过安装在农田区域内的监控摄像头,采集农田水稻图像数据,并将数据传输到云端服务器;
(2)对采集到的农田水稻图像数据进行预处理,得到预处理图像;
(3)对预处理后的图像进行图像识别,统计出单位面积的水稻数量;
(4)根据单位面积水稻数量,对整个农田进行估产。
所述步骤(4)具体是指:首先需要根据系统识别出的图像中的水稻,对整个图像进行扫描,一个一个识别图像区域,一个一个识别出图像中所有的水稻,并统计识别出的水稻数量;若遇到不可识别的重叠区域,则提醒摄像头,再采集一张辅助图像,即拍摄角度偏转30度情况下该区域的农田水稻图像;再次对图像进行识别,校验重叠水稻区域的识别结果。
由上述技术方案可知,本发明通过摄像头采集获取农田各监测点的水稻图像信息,并将采集到的农田水稻图像通过Internet传输给云端服务器,存放在云端服务器,方便使用和共享;然后通过对所采集的水稻图像进行预处理、水稻建模、水稻识别、计算单位面积的水稻数量、估产整个农田的产量等,对农田进行估产,非常有作用和必要,准确的水稻估产数据,农户可以预知农田的收益情况,知道农田水稻的生长状况,同时可以为投资建设等提供有效的决策信息。
附图说明
图1为本发明的系统组成框图。
具体实施方式
如图1所示,一种基于机器视觉技术的水稻估产系统,包括:图像采集子系统1,通过安装在农田区域内的监测摄像头,采集监测点的水稻图像;水稻估产子系统2,用于对采集到的农田水稻图像依次进行预处理、样本图像训练、识别水稻图像中的水稻、估测整个农田的产量;数据存储子系统3,采用云端服务器,对云端服务器接收采集的水稻图像,按照地理位置、日期分类,对接收的图像进行统一命名,然后存储在云端服务器上,供用户下载使用;同时,将水稻识别数据和农田估产数据存储在云端服务器上。
如图1所示,所述图像采集子系统1的第一输出端与水稻估产子系统2的输入端相连,所述图像采集子系统1的第二输出端与数据存储子系统3的第二输入端相连,所述水稻估产子系统2的输出端与数据存储子系统3的第一输入端相连。
如图1所示,所述水稻估产子系统2包括:
图像预处理模块,用于实现对采集到的图像数据进行预处理,预处理过程包括检查图像的采集是否成功,以及采集到的图像质量的好坏;还包括过滤采集到的图像中的噪声,由摄像头成像原理可知,物理设备采集图像的时候,无法避免噪声的干扰,因此要保证图像使用的质量,保证结果有效性,必须对噪声进行有效的过滤,尽可能地降低噪声干扰对后续图像处理的影响等。
水稻样本图像训练模块,采用BP神经网络算法对水稻样本图像进行训练,建立水稻识别模型;主要使用BP神经网络算法对水稻样本图像进行训练,通过神经网络的训练,可以使得本系统训练出一个模型,即水稻图像所具有的模型,如此之后,本系统就可以识别出图像中的水稻,只有水稻图像出现在系统面前,它就可以成功的识别,就如同人对某东西有了记忆一样,再次看见这个东西,就认识了,系统的水稻识别成功率高达98.78%
水稻图像识别模块,用于识别水稻图像中的水稻,使用系统中训练出来的的水稻识别模型准确识别出图像中的所有水稻,特别是对于有重叠的水稻区域进行识别;使用系统中训练出来的的水稻识别模型准确识别出图像中的水稻,不仅仅是简单的判断图像中是否有水稻,而是需要识别出图像中的所有水稻,特别是对于有重叠的水稻区域的识别,如此才能有效统计单位面积的水稻数目。能否识别什么是水稻,仅仅是系统的第一步智能,系统的核心就是识别出重叠在一起的水稻,水稻会重叠,但是不会完完全全重叠,有区别,可以判断出不是一棵水稻植株,关键技术还是一个角度的图像可能会出现水稻重叠区域较多,但是只要偏转摄像头30度,则基本可以实现将重叠的水稻完全区别,偏转30度的视域下的水稻图像,重叠的水稻不可能依旧重叠在一起。
水稻估产模块,用于统计单位面积农田中的水稻数量,根据整个农田的有效种植面积,估测整个农田的产量。
本方法包括下列顺序的步骤:
(1)通过安装在农田区域内的监控摄像头,采集农田水稻图像数据,并将数据传输到云端服务器;
(2)对采集到的农田水稻图像数据进行预处理,得到预处理图像;
(3)对预处理后的图像进行图像识别,统计出单位面积的水稻数量;
(4)根据单位面积水稻数量,对整个农田进行估产。
所述步骤(4)具体是指:首先需要根据系统识别出的图像中的水稻,对整个图像进行扫描,一个一个识别图像区域,一个一个识别出图像中所有的水稻,并统计识别出的水稻数量;若遇到不可识别的重叠区域,则提醒摄像头,再采集一张辅助图像,即拍摄角度偏转30度情况下该区域的农田水稻图像;再次对图像进行识别,校验重叠水稻区域的识别结果。
数据存储子系统3存储的这些数据具有非常重要的使用价值,比如农田水稻图像,可以创建标准的水稻图像库,方便有关领域的专家和学者使用,为学术研究做贡献,也可以用于系统进一步训练模型,使用的图像数据越多,则模型对于水稻的识别越准确,显然可以提高系统的稳定性和对农田水稻估产的准确性。
综上所述,本发明通过摄像头实时获取远程的农田水稻图像信息,并将该信息通过网络传输给云端服务器,再对农田水稻进行估产。本系统的整个农田水稻估产过程的实现,完全属于全自动智能化的,无需人工做任何操作或监督,大大节省了人力成本。系统产生的估产结果,比农民的经验估产更加有效,对农户的种植也更加有指导意义,而且越是准确的数据,越具有说服力和决策指导作用。
Claims (5)
1.一种基于机器视觉技术的水稻估产系统,其特征在于:包括:
图像采集子系统,通过安装在农田区域内的监测摄像头,采集监测点的水稻图像;
水稻估产子系统,用于对采集到的农田水稻图像依次进行预处理、样本图像训练、识别水稻图像中的水稻、估测整个农田的产量;
数据存储子系统,采用云端服务器,对云端服务器接收采集的水稻图像,按照地理位置、日期分类,对接收的图像进行统一命名,然后存储在云端服务器上,供用户下载使用;同时,将水稻识别数据和农田估产数据存储在云端服务器上。
2.根据权利要求1所述的基于机器视觉技术的水稻估产系统,其特征在于:所述图像采集子系统的第一输出端与水稻估产子系统的输入端相连,所述图像采集子系统的第二输出端与数据存储子系统的第二输入端相连,所述水稻估产子系统的输出端与数据存储子系统的第一输入端相连。
3.根据权利要求1所述的基于机器视觉技术的水稻估产系统,其特征在于:所述水稻估产子系统包括:
图像预处理模块,用于实现对采集到的图像数据进行预处理,预处理过程包括检查图像的采集是否成功,以及采集到的图像质量的好坏;
水稻样本图像训练模块,采用BP神经网络算法对水稻样本图像进行训练,建立水稻识别模型;
水稻图像识别模块,用于识别水稻图像中的水稻,使用系统中训练出来的的水稻识别模型准确识别出图像中的所有水稻,特别是对于有重叠的水稻区域进行识别;
水稻估产模块,用于统计单位面积农田中的水稻数量,根据整个农田的有效种植面积,估测整个农田的产量。
4.根据权利要求1至3中任一项所述的基于机器视觉技术的水稻估产系统的估产方法,其特征在于:该方法包括下列顺序的步骤:
(1)通过安装在农田区域内的监控摄像头,采集农田水稻图像数据,并将数据传输到云端服务器;
(2)对采集到的农田水稻图像数据进行预处理,得到预处理图像;
(3)对预处理后的图像进行图像识别,统计出单位面积的水稻数量;
(4)根据单位面积水稻数量,对整个农田进行估产。
5.根据权利要求4所述的估产方法,其特征在于:所述步骤(4)具体是指:首先需要根据系统识别出的图像中的水稻,对整个图像进行扫描,一个一个识别图像区域,一个一个识别出图像中所有的水稻,并统计识别出的水稻数量;若遇到不可识别的重叠区域,则提醒摄像头,再采集一张辅助图像,即拍摄角度偏转30度情况下该区域的农田水稻图像;再次对图像进行识别,校验重叠水稻区域的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710278852.0A CN107092891A (zh) | 2017-04-25 | 2017-04-25 | 一种基于机器视觉技术的水稻估产系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710278852.0A CN107092891A (zh) | 2017-04-25 | 2017-04-25 | 一种基于机器视觉技术的水稻估产系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107092891A true CN107092891A (zh) | 2017-08-25 |
Family
ID=59637092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710278852.0A Pending CN107092891A (zh) | 2017-04-25 | 2017-04-25 | 一种基于机器视觉技术的水稻估产系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092891A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107980504A (zh) * | 2017-12-18 | 2018-05-04 | 济宁百果生态农业科技有限公司 | 一种智能种植草莓的方法 |
CN111241939A (zh) * | 2019-12-31 | 2020-06-05 | 沈阳农业大学 | 一种基于无人机数码影像的水稻产量估测方法 |
JPWO2020189553A1 (zh) * | 2019-03-18 | 2020-09-24 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
CN103824223A (zh) * | 2014-02-21 | 2014-05-28 | 浙江大学 | 基于MapReduce和神经网络的农作物产量遥感估算方法 |
CN104730981A (zh) * | 2015-02-28 | 2015-06-24 | 江苏徐淮地区淮阴农业科学研究所 | 一种可多参数记录农作物生长的仪器装置 |
CN105181678A (zh) * | 2015-09-07 | 2015-12-23 | 长江大学 | 基于激光诱导击穿光谱的水稻品种鉴别方法 |
CN105427275A (zh) * | 2015-10-29 | 2016-03-23 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
-
2017
- 2017-04-25 CN CN201710278852.0A patent/CN107092891A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
CN103824223A (zh) * | 2014-02-21 | 2014-05-28 | 浙江大学 | 基于MapReduce和神经网络的农作物产量遥感估算方法 |
CN104730981A (zh) * | 2015-02-28 | 2015-06-24 | 江苏徐淮地区淮阴农业科学研究所 | 一种可多参数记录农作物生长的仪器装置 |
CN105181678A (zh) * | 2015-09-07 | 2015-12-23 | 长江大学 | 基于激光诱导击穿光谱的水稻品种鉴别方法 |
CN105427275A (zh) * | 2015-10-29 | 2016-03-23 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
范梦扬等: ""基于机器视觉的大田环境小麦麦穗计数方法"", 《农业机械学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107980504A (zh) * | 2017-12-18 | 2018-05-04 | 济宁百果生态农业科技有限公司 | 一种智能种植草莓的方法 |
JPWO2020189553A1 (zh) * | 2019-03-18 | 2020-09-24 | ||
WO2020189553A1 (ja) * | 2019-03-18 | 2020-09-24 | 株式会社ナイルワークス | 収穫量予測システム、収穫量予測方法、および収穫量予測プログラム、ならびに収穫時期予測システム |
JP7169022B2 (ja) | 2019-03-18 | 2022-11-10 | 株式会社ナイルワークス | 収穫量予測システム、収穫量予測方法、および収穫量予測プログラム、ならびに収穫時期予測システム |
CN111241939A (zh) * | 2019-12-31 | 2020-06-05 | 沈阳农业大学 | 一种基于无人机数码影像的水稻产量估测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Implementation of artificial intelligence in agriculture | |
JP6638121B1 (ja) | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム | |
Khandelwal et al. | Artificial intelligence in agriculture: An emerging era of research | |
CN107463958A (zh) | 昆虫识别预警方法及系统 | |
Awasthi | Press †œA†for Artificial Intelligence in Agriculture: A Review | |
Črtomir et al. | Application of Neural Networks and Image Visualization for Early Forecast of Apple Yield. | |
Raman et al. | Robotic Weed Control and Biodiversity Preservation: IoT Solutions for Sustainable Farming | |
CN107092891A (zh) | 一种基于机器视觉技术的水稻估产系统及方法 | |
Dimililer et al. | Application of back propagation neural networks on maize plant detection | |
CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
Jyothi et al. | Applications of Statistical Machine Learning Algorithms in Agriculture Management Processes | |
AU2020311634A1 (en) | Automated plant monitoring systems and methods | |
Malarvizhi et al. | Machine learning and internet of things based smart agriculture | |
CN114399664A (zh) | 植株种苗生长状态智能监测与控制方法及系统 | |
Lin et al. | IoT-based strawberry disease detection with wall-mounted monitoring cameras | |
CN117575094A (zh) | 一种基于数字孪生的农作物产量预测与优化方法及设备 | |
CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
Han | Big Data Analytics, Data Science, ML&AI for Connected, Data-driven Precision Agriculture and Smart Farming Systems: Challenges and Future Directions | |
Gupta et al. | Artificial intelligence in agriculture | |
Goel et al. | A survey of recent deep learning algorithms used in smart farming | |
De Silva et al. | Towards infield navigation: leveraging simulated data for crop row detection | |
Varsha et al. | Soil classification and crop recommendation using IoT and machine learning | |
WO2020218157A1 (ja) | 予測システム、予測方法、および予測プログラム | |
Hemdeep et al. | Using A Two-Fold Machine Learning Approach for Crop And Fertilizer Recommendation System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170825 |