CN109308464A - 一种基于数码相机图像的水稻穗子识别方法 - Google Patents

一种基于数码相机图像的水稻穗子识别方法 Download PDF

Info

Publication number
CN109308464A
CN109308464A CN201811066132.9A CN201811066132A CN109308464A CN 109308464 A CN109308464 A CN 109308464A CN 201811066132 A CN201811066132 A CN 201811066132A CN 109308464 A CN109308464 A CN 109308464A
Authority
CN
China
Prior art keywords
rice
tassel
image
digital camera
atural object
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
Application number
CN201811066132.9A
Other languages
English (en)
Inventor
李广
韩文霆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Hepu Aviation Technology Co Ltd
Original Assignee
Nanjing Hepu Aviation Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Hepu Aviation Technology Co Ltd filed Critical Nanjing Hepu Aviation Technology Co Ltd
Priority to CN201811066132.9A priority Critical patent/CN109308464A/zh
Publication of CN109308464A publication Critical patent/CN109308464A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及作物冠层图像识别领域，具体为一种基于数码相机图像水稻穗子识别方法，包括以下步骤：用数码相机获取水稻冠层彩色图像；对水稻冠层图像进行纹理滤波获取纹理特征参数；建立地物在不同纹理特征参数组合坐标系的散点图；地物在二阶概率滤波获取的绿色均值B1和蓝色均值B2组合坐标系存在明显分界线，可拟合分界线Fen=B1‑1.3182*B2‑3.6594，作为特征参数对图像进行波段计算获取结果；对计算结果图设定阈值提取水稻穗子，计算结果图的像元值小于0为水稻穗子，大于0为非穗子。本发明利用计算机图像处理技术，提取水稻穗子，相比现常用的分类法，对样本依赖低，识别精度高，该方法将在水稻田间调查和管理得到广泛应用，为实现精准农业提供支持。

Description

一种基于数码相机图像的水稻穗子识别方法
技术领域
本发明涉及图像处理技术领域，具体为一种基于数码相机图像的水稻穗子识别方法。
背景技术
水稻是我国最重要的粮食作物之一。水稻精准种植、智能化管理能够加快推进我国农业现代化发展，实现农业可持续发展。在水稻生产中，产量预测对于农业决策具有重要意义。科学而准确地预测水稻的产量，不但能够提供及时、准确的农情信息，而且对粮食的供需平衡、农业政策的制定具有重要的意义。对于谷类作物产量预测最直接的就是对其穗子进行研究，常用分析测定法进行产量的预测，主要对穗形态、单位面积穗数、单穗粒数、千粒重、营养转运与分布进行分析测定。这种方法基本依靠人工调查，费时费力，遥感图像分析可以快速低成本分析水稻穗子相关情况。
遥感图像分析，通常指对获取的卫星遥感影像、相机图像、扫描仪图像，从光谱、颜色、纹理等特征方面进行特征目标的分析提取。近年来，随着无人机的快速发展，利用无人机机载数码相机近地获取水稻冠层图像已相当方便快捷，因此，利用数码相机进行作物研究具有很大的应用前景。目前，利用可见光图像进行水稻穗子识别的方法主要有两种，一是利用图像处理软件，人为手工在图像区域进行水稻穗子区域的选择，存在费时费力，人为误差较大等缺点；二是监督分类法，如支持向量机、神经网络模型、最大似然法、马氏距离法等，此类方法需要人工选取监督分类的训练样本，分析计算各类地物样本的分离性，当分离性达到1.8以上，说明所选取的样本能够用来作为监督分类的训练样本，确定分类依据；此方法的缺点在于，过于依赖样本的选取，且没有一个具体量化解决问题的过程。
发明内容
针对以上问题，本发明通过一种基于数码相机图像的水稻穗子识别方法，利用数码相机图像进行二阶概率统计滤波获取纹理特征，根据水稻冠层图中穗子、叶片和土壤纹理的不同，建立地物在不同纹理特征组合坐标系的散点图，拟合散点分界线，获取地物的分界函数，逐步实现冠层水稻穗子提取的目的。相比现有的水稻穗子识别方法，该方法受训练样本影响较小，计算简单，分类的精度较高。
本发明的目的通过以下技术方案实现：
（1）用数码相机获取水稻冠层彩色图像；
（2）对获取的水稻冠层图像进行纹理滤波得到图像纹理特征空间；
（3）对变换得到的纹理特征空间影像，提取不同地物纹理特征集；
（4）并建立地物在不同纹理特征参数组合坐标系的散点图；
（5）用地物在纹理特征参数组合坐标中散点分界线，识别水稻穗子。
进一步的，水稻籽粒的长、宽、高大约为5mm、2mm、1-1.5mm左右，因此需获取分辨率在1mm以上的水稻冠层彩色图像，具体方法为：用canon ESO 750D相机，在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，相机相关参数都用自动调节值，垂直向下，距地高度小于5m拍摄水稻冠层，获取水稻冠层图像。
进一步的，获取图像的纹理特征空间方法为：使用图像处理软件，对所述水稻冠层彩色图像分别用卷积滤波、形态滤波、概率统计滤波、二阶概率统计滤波的方式获取图像不同的纹理特征空间。
进一步的，提取不同地物类别的纹理特征集方法为：在RGB色彩空间影像中提取多个不同地物的感兴趣区域；根据在RGB色彩空间影像中提取的地物感兴趣区域，在纹理特征空间中选择对应位置地物的纹理特征集。
进一步的，建立地物不同纹理特征参数组合坐标系散点图方法为：用二阶概率统计滤波方式获取多种纹理特征参数，将不同纹理特征参数通过两两组合的方式构建纹理特征参数坐标系；选取各地物感兴趣区域为散点主体，建立各地物在上文构建的不同纹理特征参数组合坐标系所对应的散点图。
进一步的，根据地物在纹理特征参数组合坐标系中散点分界线，进行水稻穗子识别方法为：以各地物在纹理特征参数组合坐标系中有明确的分界线，来获取可以区分地物的纹理特征参数；以获取的纹理特征参数，对分界线进行线性或者非线性拟合获取地物的分界函数；通过设定分界函数的阈值可以进行，水稻穗子识别。
本发明还提供一种基于数码相机图像的水稻穗子识别系统，包括数码相机、图像纹理特征处理模块、地物散点处理模块和水稻穗子判断模块。
所述数码相机用于获取水稻冠层图像；
所述图像纹理特征处理模块用于获取图像不同的纹理特征空间，提取感兴趣区域，在纹理特征空间中选择对应位置地物的纹理特征集；
所述地物散点处理模块用于构建地物在特征参数组合坐标系的散点图，并根据地物散点图分界线确定特征参数及分界函数。
具体的通过线性拟合的方式获取分界函数Fen：
Fen=B1-1.3182*B2-3.6594；
式中B1、B2分别是二阶概率滤波的绿色均值和蓝色均值。
所述水稻穗子判断模块用于根据得到的特征参数及分界函数进行水稻穗子的识别。
进一步的，所述水稻穗子判断模块具体功能根据经过Fen波段计算后像元值的大小进行水稻穗子判定，像元值小于0的为水稻穗子，像元值大于0的为非穗子。
本发明的有效益效果是：本发明水稻穗子识别方法通过纹理特征构建地物散点图，拟合地物分界函数，设置阈值从而达到识别水稻穗子的目的。其中，纹理特征选取绿色均值B1和蓝色均值B2构建散点坐标系，通过线性拟合得到分界函数Fen= B1-1.3182*B2-3.6594,将图像数据按Fen进行波段计算得到的结果，以设置阈值的方式提取水稻穗子。本发明方法可以有效排除人为因素干扰，计算稳定性高，识别率也高于现有技术。
附图说明
图1是本发明基于数码相机图像的水稻穗子识别方法的流程图；
图2是本发明基于数码相机图像的水稻穗子识别系统的原理图；
图3是本发明对比试验相机拍摄原图；
图4是本发明对原RGB图进行二阶概率滤波获取的纹理特征空间，其中（a）是均值结果图，（b）是方差结果图，（c）是协同性结果图，（d）是对比度结果图，（e）相异性结果图，（f）是信息熵结果图，（g）是二阶矩阵结果图，（h）是相关性结果图；
图5是本发明获取的穗子与非穗子的纹理特征空间集结果图；
图6是本发明获取的不同地物在绿色均值和蓝色均值组合坐标系的散点分布图；
图7是本发明拟合的穗子与非穗子的散点分界函数结果图；
图8是本发明根据散点分界函数波段计算结果图；
图9是本发明根据不同地物散点分布确定阈值的结果图；
图10是本发明对比试验目视解译结果图；
图11是本发明对比试验本专利方法穗子提取结果图；
图12是本发明对比试验支持向量机穗子提取结果图；
图13是本发明对比试验最小距离法穗子提取结果图；
图14是本发明对比试验马氏距离法穗子提取结果图；
图15是本发明对比试验神经网络穗子提取结果图。
具体实施方式
实施例1
如图1，一种基于数码相机图像的水稻穗子识别方法，包括：
（1）在晴天光线充足的情况下，设置数码相机闪光灯关闭状态，使用自动拍照模式，相机相关参数都用自动调节值，垂直向下,距地面高度2m拍摄水稻冠层，获取水稻冠层图像。
（2）使用图像处理软件ENVI，对所述水稻冠层彩色图像用二阶概率统计滤波器，设置纹理滤波窗口为3×3，共生矩阵X和Y的变换量都为1，获取图像的纹理特征空间。
（3）在RGB色彩空间影像中提取多个不同地物的感兴趣区域；根据在RGB色彩空间影像中提取的地物感兴趣区域，在纹理特征空间中选择对应位置地物的纹理特征集。
（4）用不同滤波方式获取多种纹理特征参数，将不同纹理特征参数通过两两组合的方式构建纹理特征参数坐标系；选取各地物感兴趣区域为散点主体，建立各地物在上文构建的不同纹理特征参数组合坐标系所对应的散点图。
（5）以各地物在纹理特征参数组合坐标系中有明确的分界线，来获取可以区分地物的纹理特征参数；以获取的纹理特征参数，对分界线进行线性或者非线性拟合获取地物的分界函数Fen= B1-1.3182*B2-3.6594；通过设定分界函数的阈值进行水稻穗子识别。
上述B1、B2分别是二阶概率滤波的绿色均值和蓝色均值。
实施例2
如图2，一种基于数码相机图像的水稻穗子识别系统，包括数码相机、图像纹理特征处理模块、地物散点处理模块和水稻穗子判断模块。
所述数码相机用于获取水稻冠层图像；
所述图像纹理特征处理模块用于获取图像不同的纹理特征空间，提取感兴趣区域，在纹理特征空间中选择对应位置地物的纹理特征集；
所述地物散点处理模块用于构建地物在特征参数组合坐标系的散点图，并根据地物散点图分界线确定特征参数及分界函数。
具体的通过线性拟合的方式获取分界函数Fen：
Fen=B1-1.3182*B2-3.6594；
式中B1、B2分别是二阶概率滤波的绿色均值和蓝色均值。
所述水稻穗子判断模块用于根据得到的特征参数及分界函数识别水稻穗子。
进一步的，所述水稻穗子判断模块具体功能根据经过Fen波段计算后像元值的大小进行水稻穗子判定，像元值小于0的为水稻穗子，像元值大于0的为非穗子。
实施例3
为了验证本发明方法的分类效果，将数码相机获取的图像进行目视解译，并将目视解译的结果，作为方法精度验证的真值图像。同时还用其他方法（支持向量机、神经网络、最小距离法、马氏距离法）进行水稻穗子提取，分别用目视解译结果进行精度对比验证。
在原图中分别选取穗子、叶片和其他3类的纯净像素区作为分类算法学习样本。支持向量机采用Sigmoid函数为核函数,核参数Bias为1，核参数δ为0.333，惩罚因子为100。最小距离法，标准差阈值选择“None”，最大距离误差选择“None”。马氏距离法，最大距离误差选择“None”。神经网络活化函数采用Logistic函数，训练贡献阈值为0.9，权重调节速度为0.2，训练步幅为0.9，期望误差最小值为0.1，隐藏层为1，训练迭代次数为1000。
各个分类方法的验证结果如表1所示。其中，准确率分为非穗子区准确率，穗子区准确率，以及合计准确率，分别表示真值图像中非冠层像素、冠层像素及全部像素被准确识别的百分比。Kappa系数用来评价图像精度指标，通常Kappa系数结果在-1～1间，当两幅图差异很大时Kappa系数小，当两幅图完全一致时Kappa系数为1。一般认为Kappa≥0.75时，一致性好；0.4≤Kappa＜0.75时，一致性一般；Kappa＜0.4时，一致性差。
表1.各分类方法验证结果
分类方法 非穗子准确率(%) 穗子准确率(%) 合计准确率(%) Kappa系数
实施例1 91.12 97.38 92.03 0.73
支持向量机 82.65 88.14 83.42 0.52
最小距离法 91.52 71.78 88.65 0.58
马氏距离法 87.83 84.32 87.31 0.59
神经网络 77.07 95.52 80.68 0.48
验证结果显示，本发明的方法对冠层识别的准确率为97.38%，合计准确率为92.03%，Kappa系数0.73，是各方法中最高。因此，相比现有的水稻穗子提取方法，该方法受训练样本影响较小，计算简单，分类的精度较高。

Claims (3)

1.一种基于数码相机图像的水稻穗子识别方法，其特征在于，包括：用数码相机获取符合要求的水稻冠层彩色图像；对获取的水稻冠层图像进行纹理滤波得到图像的纹理特征空间；在获取的纹理特征空间影像中，提取不同地物类别的纹理特征集；建立地物在不同纹理特征参数组合坐标系的散点图；根据地物在纹理特征参数组合坐标系中散点分界线，通过设定阈值的方式进行水稻穗子识别。
2.一种基于数码相机图像的水稻穗子识别系统，包括数码相机、图像纹理特征处理模块、地物散点处理模块和水稻穗子判断模块。
3.根据权利要求2所述基于数码相机图像的水稻穗子识别系统，其特征在于，所述地物散点处理模块具体功能为以绿色均值B1和蓝色均值B2为特征参数建了分割函数Fen= B1-1.3182*B2-3.6594对图像像素进行计算处理；所述水稻穗子判断模块具体功能根据经过Fen波段计算后像元值的大小进行水稻穗子判定，像元值小于0的为水稻穗子，像元值大于0的为非穗子。
CN201811066132.9A 2018-09-13 2018-09-13 一种基于数码相机图像的水稻穗子识别方法 Pending CN109308464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811066132.9A CN109308464A (zh) 2018-09-13 2018-09-13 一种基于数码相机图像的水稻穗子识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811066132.9A CN109308464A (zh) 2018-09-13 2018-09-13 一种基于数码相机图像的水稻穗子识别方法

Publications (1)

Publication Number Publication Date
CN109308464A true CN109308464A (zh) 2019-02-05

Family

ID=65224621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811066132.9A Pending CN109308464A (zh) 2018-09-13 2018-09-13 一种基于数码相机图像的水稻穗子识别方法

Country Status (1)

Country Link
CN (1) CN109308464A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109794431A (zh) * 2019-03-19 2019-05-24 广东省农业科学院农业生物基因研究中心 一种智能化筛选高活力作物种子的技术
WO2020248311A1 (zh) * 2019-06-11 2020-12-17 上海交通大学 基于深度学习的水稻穗株谷粒原位无损计数方法
CN112287876A (zh) * 2020-11-18 2021-01-29 广东新禾道信息科技有限公司 基于区块链的无人机环境污染遥测数据处理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130173042A1 (en) * 2011-12-28 2013-07-04 Hitachi High-Technologies Corporation Semiconductor manufacturing equipment
CN107016401A (zh) * 2017-02-20 2017-08-04 广西壮族自治区农业科学院 一种基于数码相机图像的水稻冠层识别方法
CN107727581A (zh) * 2017-08-18 2018-02-23 中国彩棉（集团）股份有限公司 一种天然棉花颜色分类的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130173042A1 (en) * 2011-12-28 2013-07-04 Hitachi High-Technologies Corporation Semiconductor manufacturing equipment
CN107016401A (zh) * 2017-02-20 2017-08-04 广西壮族自治区农业科学院 一种基于数码相机图像的水稻冠层识别方法
CN107727581A (zh) * 2017-08-18 2018-02-23 中国彩棉（集团）股份有限公司 一种天然棉花颜色分类的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王蕊 等: "《棉花异性纤维中羽毛与麻绳的分类特征研究》", 《中国棉花加工》 *
韩文霆 等: "《基于无人机遥感技术的玉米种植信息提取方法研究》", 《农业机械学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109794431A (zh) * 2019-03-19 2019-05-24 广东省农业科学院农业生物基因研究中心 一种智能化筛选高活力作物种子的技术
WO2020248311A1 (zh) * 2019-06-11 2020-12-17 上海交通大学 基于深度学习的水稻穗株谷粒原位无损计数方法
CN112287876A (zh) * 2020-11-18 2021-01-29 广东新禾道信息科技有限公司 基于区块链的无人机环境污染遥测数据处理方法及系统

Similar Documents

Publication Publication Date Title
Xiong et al. Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method
CN103971115B (zh) 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法
CN107316289B (zh) 基于深度学习和超像素分割的大田稻穗分割方法
Ruiz-Ruiz et al. Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA)
Sadeghi-Tehran et al. Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
CN106845497B (zh) 基于多特征融合的玉米前期图像旱情识别方法
CN110569747A (zh) 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法
CN113221765B (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN108710864B (zh) 基于多维度识别及图像降噪处理的冬小麦遥感提取方法
CN112766155A (zh) 一种基于深度学习的海水养殖区提取方法
CN109308464A (zh) 一种基于数码相机图像的水稻穗子识别方法
CN110363246A (zh) 一种高时空分辨率植被指数ndvi的融合方法
Li et al. SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation
Sun et al. Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network
CN110263735A (zh) 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN110765977A (zh) 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法
Liu et al. Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data
CN113610035A (zh) 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法
CN114965501A (zh) 基于冠层参数处理的花生病害检测与产量预测方法
Meng et al. Fine hyperspectral classification of rice varieties based on attention module 3D-2DCNN
CN113724339B (zh) 一种基于颜色空间特征的少样本瓷砖分色方法
Lin et al. A novel approach for estimating the flowering rate of litchi based on deep learning and UAV images

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190205