CN109712110B - 一种基于机器视觉的作物实时耗水量监测方法和装置 - Google Patents
一种基于机器视觉的作物实时耗水量监测方法和装置 Download PDFInfo
- Publication number
- CN109712110B CN109712110B CN201811383235.8A CN201811383235A CN109712110B CN 109712110 B CN109712110 B CN 109712110B CN 201811383235 A CN201811383235 A CN 201811383235A CN 109712110 B CN109712110 B CN 109712110B
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- coverage
- real
- coefficient
- 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
Images
Abstract
本发明实施例提供一种基于机器视觉的作物实时耗水量监测方法和装置,以无损图像方式获取覆盖度,依靠专业蒸渗仪设备获得实时作物系数与覆盖度关系,可扩展到其他种植领域实现作物实时蓄水量、作物系数的测量,为科研和生产提供支撑;运用信息图像预处理技术、分割技术、图像特征的提取和选择算法等图像识别和人工智能技术,监测获取与产量和质量形成密切相关的作物叶片面积、覆盖度以及冠层温度等作物生长和生理状态信息,以提高水分利用效率。
Description
技术领域
本发明实施例涉及生态监测技术领域,更具体地,涉及一种基于机器视觉的作物实时耗水量监测方法和装置。
背景技术
我国是联合国认定的“水资源紧缺”国家,干旱缺水已成为制约中国经济社会发展的最重要的因素。在农业用水中,存在着严重的浪费现象,为更好的促进我国经济的发展,节约用水、合理灌溉势在必行。
现有监测作物耗水信息主要是基于机器视觉的方法,如公布号为CN 1895025A的中国发明专利申请提出了“基于机器视觉的作物需水信息检测新方法”,通过图像采集设备拍得图像,根据与参考物的对比,可以得到作物茎秆或者果实的尺寸,从而得到作物的需水信息,控制灌溉系统,达到节水灌溉的目的;公布号为CN 102524024 A的中国发明专利申请提出了“基于计算机视觉的作物灌溉系统”,首先通过作物图像的获取、颜色空间的转换、图像的分割、特征参数的提取等步骤,然后结合生长数据模型进行特征值参数的计算,通过遗传神经网络完成判决;上述两种方法中,最为关键的一步便是覆盖度信息的提取,覆盖度计算的准确性可以为判定农作物的生育期、生长状况、所需灌溉水量,以及农作物产量的预测提供更为可靠的依据。植被覆盖度是反映作物个体/群体动态变化的重要参考量,是一种衡量作物生长状况的主要指标。
上述基于图像的方法依靠作物作物茎秆或者果实的尺寸、作物生长的个体信息进行监测判断,相关监测对测量精度有较高的要求,同时对设备要求较高,难以推广应用;同时是个体信息会不能够代表群体信息,对指导灌溉精度方面有影响,用作物蒸发蒸腾量计算作物需水量,作物系数都是采用固定模拟值,实际上作物系数在作物生长环境中一直变化的,用固定建议值,会导致作物需水量精度降低;且在覆盖度方面,在需要利用阈值去分割作物和背景的算法中,阈值的选取极为重要,当选取不恰当时会增大分割的误差,在处理不同的图像时,背景分割会由于环境的变化以及作物本身的变化有不同的分割阈值,阈值的选取极为复杂,而阈值的选择也会影响到分割的效果,进而影响到对作物实际水分需求的判断。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种基于机器视觉的作物实时耗水量监测方法和装置。
第一方面,本发明实施例提供一种基于机器视觉的作物实时耗水量监测方法,包括:
获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;
基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
第二方面,本发明实施例提供一种基于机器视觉的作物实时耗水量监测装置,包括:
去噪模块,用于获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;
覆盖度获取模块,用于基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
耗水量监测模块,用于基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提出了一种基于机器视觉的作物实时耗水量监测方法和装置,以无损图像方式获取通过覆盖度依靠专业蒸渗仪设备获得实时作物系数与覆盖度关系,可扩展到其他种植领域实现作物实时蓄水量、作物系数的测量,为科研和生产提供支撑;运用信息图像预处理技术、分割技术、图像特征的提取和选择算法等图像识别和人工智能技术,监测获取与产量和质量形成密切相关的作物叶片面积、覆盖度以及冠层温度等作物生长和生理状态信息,以提高水分利用效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的基于机器视觉的作物实时耗水量监测方法示意图;
图2为根据本发明实施例的采集图像示意图示意图;
图3为根据本发明实施例的图像处理整体步骤示意图;
图4为根据本发明实施例的日覆盖度与作物系数关系曲线示意图;
图5为根据本发明实施例的基于机器视觉的作物实时耗水量监测装置示意图;
图6为根据本发明实施例的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有监测作物耗水信息主要是基于机器视觉的方法中,主要包括图像决策和覆盖度监测两部分,其中,对于图像决策部分,现有技术中依靠作物作物茎秆或者果实的尺寸、作物生长的个体信息进行监测判断,相关监测对测量精度有较高的要求,同时对设备要求较高,难以推广应用;同时是个体信息会不能够代表群体信息,对指导灌溉精度方面有影响;采用作物蒸发蒸腾量计算作物需水量,作物系数都是采用固定模拟值,实际上作物系数在作物生长环境中一直变化的,用固定建议值,会导致作物需水量精度降低;对于覆盖度监测部分,需要选取合适的阈值,在需要利用阈值去分割作物和背景的算法中,阈值的选取极为重要,当选取不恰当时会增大分割的误差。在处理不同的图像时,背景分割会由于环境的变化以及作物本身的变化有不同的分割阈值,阈值的选取极为复杂,而阈值的选择也会影响到分割的效果,进而影响到对作物实际水分需求的判断;利用遥感方法建立的模型反演系统遥感测量范围虽然广但是准确度稍低,在对作物需水信息进行检测时误差偏大,不适用于小范围面积的覆盖度测量工作,也不适于与蒸渗仪等仪器联合建立模型。
基于现有技术中的上述缺陷,本发明各实施例运用信息图像预处理技术、分割技术、图像特征的提取和选择算法等图像识别和人工智能技术,监测获取与产量和质量形成密切相关的作物叶片面积、覆盖度以及冠层温度等作物生长和生理状态信息,结合大田多变的环境特征、蒸渗仪参数、土壤指标,建立实时作物系数、耗水量计算模型,并应用到已有精准灌溉系统中,以提高水分利用效率。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供的一种基于机器视觉的作物实时耗水量监测方法,包括:
S1、获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;
S2、基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
S3、基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
在本实施例中,采用小波自适应比例萎缩去噪算法进行去噪,小波自适应比例萎缩去噪算法具有很强的局部自适应能力,由噪声小波系数特性可知:如果能够根据小波系数的局部特征及时地调整去噪处理方法,使其具有很强的自适应性,去噪效果将会得到很大提高,而局部调整的极限就是对每个小波系数都采用不同的处理方法,小波比例萎缩法的自适应性就很好地做到了这一点;且在本实施例中,,主体分割算法采用自适应步长果蝇算法(IFOA)改进的Kmeans算法对作物图像进行背景分割,综合了自适应果蝇算法的全局最优和Kmeans算法的局部最优特点,使得分割效果达到最优化,可以准确并快速的从复杂的背景中分割出作物图像,分割准确率达到90%以上,同时可以根据像素数求得作物覆盖度,结合由气象数据计算的作物参比蒸散量,求得作物实时蒸散量,即需要灌溉的水量。
在上述实施例的基础上,获取作物图像,具体包括:
在作物上方定期获取作物垂直方向上的作物图像。
具体的,在本实施例中,如图2所示,作物2培养在蒸渗仪4上,蒸渗仪4位于地面1下,地面1下设有地下室5,可在蒸渗仪4上定期采集作物图像数据,蒸渗仪配合比对校准相关参数,当某种作物算法确定,则不需要蒸渗仪。
在本实施例中,如图2所示,使用数码相机/摄像头6对作物处理区域3进行拍摄,选择垂直于地面角度,作物处理区域3位于数码相机/摄像头6正下方。
在上述各实施例的基础上,获取作物图像后,还包括:
将所述作物图像的色彩模式由RGB颜色空间转换到HSV颜色空间。
在本实施例中,整个图像处理算法选择在HSV颜色空间进行,HSV颜色空间是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角椎体模型,这个模型中颜色的参数分别是:色调(H)、饱和度(S)、亮度(V)。选择恰当的彩色空间是进行有效分割的基础,由于在HSV颜色空间中的各分量值范围固定在[0,1]区间内,范围确定而且规则,有利于目标对象特征参数的提取,可以避免之后的果蝇算法的随机搜索时搜索到范围之外,因而选择将图像由RGB颜色空间转换到HSV颜色空间,实现分割空间的选择。转换公式如下:
V=MAX (3)
上式(1)至式(3)中,H、S、V分别为HSV颜色空间的色调、饱和度和亮度;MAX、MIN分别为RGB颜色空间的R、G、B三个分量中的最大值、最小值,且R、G、B的取值都归一化到[0,1]。
在上述各实施例的基础上,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理,具体包括:
在本实施例中,采用小波自适应比例萎缩去噪算法单独对亮度分量进行去噪,小波自适应比例萎缩去噪算法具有很强的局部自适应能力,由噪声小波系数特性可知:如果能够根据小波系数的局部特征及时地调整去噪处理方法,使其具有很强的自适应性,去噪效果将会得到很大提高。而局部调整的极限就是对每个小波系数都采用不同的处理方法,小波自适应比例萎缩法的自适应性就很好地做到了这一点。由于本文所处理的图像环境是自然环境,受光照影响较大,因而只针对亮度分量做去噪处理。具体步骤如下:
1)对加噪后图像y(i,j)做正交小波变换得到小波系数Y(i,j),1≤i≤m,1≤j≤n(设图像的大小为m×n)。
式(4)中,Ω(i,j)为包含Y(i,j)的窗口内小波系数,窗口的大小为M×M。在对边缘系数估计时,还需要根据窗的大小对边缘进行延拓,常用的方法是对称延拓。
在上述各实施例的基础上,基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,具体包括:
基于自适应步长果蝇算法对所述作物图像进行处理,找到最优初始聚类中心;基于Kmeans算法对作物图像的HSV颜色空间分量进行聚类分割,当准则函数收敛时,迭代中止,实现作物图像的背景分割。
在本实施例中,采用自适应步长果蝇算法(Improved Fruit Fly OptimizationAlgorithm,IFOA)改进的Kmeans算法对作物图像进行背景分割,即IFOA-Kmeans算法。果蝇算法是一种基于果蝇觅食行为推演出的寻求全局优化的新方法。果蝇本身在感官知觉上优于其他物种,尤其是在嗅觉与视觉上。果蝇的嗅觉器官能很好地搜集飘浮在空气中的各种气味,然后飞近食物位置后亦可使用敏锐的视觉发现食物与同伴聚集的位置,并且往该方向飞去。在基本的果蝇算法中,迭代寻优是采用固定的步长,不利于算法的收敛和稳定,如果步长取值过小,会降低算法的收敛速度,也会使得收敛的精度降低,但是相反,步长过长就会导致果蝇算法跳过最优解,稳定性降低,极易出现振荡等一系列问题,因而本专利针对果蝇算法的步长进行了改进。
为提高果蝇算法的收敛速度、精度以及稳定性能,提出一种自适应步长的果蝇算法,根据聚类误差的大小来调节下一次迭代的步长,调整原则如下:
1、如果当前迭代得到的聚类中心在图像上的聚类误差(果蝇的味道浓度判定值)越小,则步长应该越小:所以这里使用当前的最小味道浓度(后用loss代替)作为下一次迭代的参考量;
2、如果当前迭代的loss大于上次迭代的loss,则表明上次迭代得到的聚类中心是一个比较好的值(可能是局部最优,也可能是全局最优),单纯从这一点来看,后面的迭代我们应该减小步长。
上述第1点可以保证在loss较大时快速进行大范围搜索,便于找到理想的极小值点,因此有助于跳出不理想的局部极值点;第2点可以保证在理想的局部极值点处有更精确的收敛(即使用更小的步长)。如图3所示,图像处理算法整体步骤如下:
1)首先对图像进行预处理工作:为降低异常点对后续Kmeans分割算法的影响,选择小波比例萎缩去噪方法进行图像的去噪处理,并将图像色彩模式由RGB转变为HSV模式。
2)初始化聚类中心的选择:利用自适应步长果蝇算法找到最优初始聚类中心。
3)分割图像:利用Kmeans算法对作物HSV彩色图像分量进行聚类分割,当准则函数收敛时,迭代中止。
4)利用MATLAB R2017b软件做背景图像的分割,在作物的图像背景去除后,利用分割后的灰度图像计算作物垂直投影面积占总的面积的比例,即作物覆盖度。
针对自然环境下拍摄的作物图像,选择在HSV空间针对亮度分量采用小波按比例萎缩去噪算法,主体分割算法采用自适应步长果蝇算法(IFOA)改进的Kmeans算法对小麦图像进行背景分割,综合了自适应果蝇算法的全局最优和Kmeans算法的局部最优特点,使得分割效果达到最优化。可以准确并快速的从复杂的背景中分割出作物图像,分割准确率达到90%以上,同时可以根据像素数求得作物覆盖度。
在上述各实施例的基础上,基于背景分割后的灰度图计算作物的覆盖度,具体包括:
获取背景分割后的灰度图像,并基于所述灰度图像计算作物垂直投影面积占总面积的比例,得到作物的覆盖度。
在本实施例中,利用分割后的灰度图像计算作物垂直投影面积占总的面积的比例,即作物覆盖度。
在上述各实施例的基础上,基于预先拟合的覆盖度与作物系数之间的关系前,还包括:
基于蒸渗仪获取作物的实际蒸散量,基于气象数据获得参比蒸散量,并基于所述实际蒸散量和所述参比蒸散量获得作物系数;
基于作物图像获取的作物日覆盖度,拟合覆盖度与作物系数之间的关系。
基于气象数据获得作物的参比蒸散量,并根据作物系数和参比蒸散量得到作物的实时蒸散量:
ETc=Kc·ET0 (7)
式中,ETc为作物的实时蒸散量,ET0为作物的参比蒸散量,可通过气象数据获得。
在本实施例中,由覆盖度计算作物系数、需水量,
根据蒸渗仪数据获取的作物实际蒸散量与气象数据获得的参比蒸散量,结合公式(7)计算作物系数,并由图像数据获取的作物日覆盖度,拟合覆盖度与作物系数之间的关系。
通过已经拟合的公式便可根据获取的作物覆盖度拟合出作物系数Kc,结合公式(7)求得作物实时蒸散量。
根据蒸渗仪数据获取的作物实际蒸散量与由气象数据计算的作物参比蒸散量,结合公式(7)获得作物系数值,通过处理图像数据后获得的日覆盖度值即可拟合出日覆盖度与作物系数关系,如公式(8)所示,可决系数R2为0.9531,拟合曲线如图4所示。
f(x)=12.97x3-18.17x2+8.537x-0.8181 (8)
式中,x为日覆盖度,f(x)为作物系数。即可通过公式(8)根据图像数据获取的日覆盖度推算作物任意时刻的作物系数值,再结合对应时刻的参比蒸散量,即是通过图像数据推算的作物实时蒸散量,在没有蒸渗仪的情况下,也可以获得作物的蒸散量,进而灌溉对应的水量,提高灌溉效率。
本实施例中,以无损图像方式获取覆盖度,依靠专业蒸渗仪设备获得实时作物系数与覆盖度关系,可扩展到其他种植领域实现作物实时蓄水量、作物系数的测量,为科研和生产提供支撑。
运用信息图像预处理技术、分割技术、图像特征的提取和选择算法等图像识别和人工智能技术,监测获取与产量和质量形成密切相关的作物叶片面积、覆盖度以及冠层温度等作物生长和生理状态信息,结合大田多变的环境特征、蒸渗仪参数、土壤指标,建立实时作物系数、耗水量计算模型,并应用到已有精准灌溉系统中,以提高水分利用效率。结合由气象数据计算的作物参比蒸散量,求得作物实时蒸散量,即需要灌溉的水量。
本实施例还示出了一种基于机器视觉的作物实时耗水量监测装置,基于上述各实施例中的基于机器视觉的作物实时耗水量监测方法,如图5所示,包括去噪模块40、覆盖度获取模块50和耗水量监测模块60,其中:
去噪模块40获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;
覆盖度获取模块50基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
耗水量监测模块60基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
图6为本发明实施例提供的电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序,以执行上述各实施例提供的基于机器视觉的作物实时耗水量监测方法,例如包括:
S1、获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;
S2、基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
S3、基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于机器视觉的作物实时耗水量监测方法,例如包括:
S1、获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;
S2、基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
S3、基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
本发明实施例还提供本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行如上述的基于机器视觉的作物实时耗水量监测方法,例如包括:
S1、获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;
S2、基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
S3、基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
综上所述,本发明实施例提供的一种基于机器视觉的作物实时耗水量监测方法和装置,以无损图像方式获取通过覆盖度依靠专业蒸渗仪设备获得实时作物系数与覆盖度关系,可扩展到其他种植领域实现作物实时蓄水量、作物系数的测量,为科研和生产提供支撑;运用信息图像预处理技术、分割技术、图像特征的提取和选择算法等图像识别和人工智能技术,监测获取与产量和质量形成密切相关的作物叶片面积、覆盖度以及冠层温度等作物生长和生理状态信息,以提高水分利用效率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于机器视觉的作物实时耗水量监测方法,其特征在于,包括:
获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理,具体为仅针对所述作物图像的亮度分量做去噪处理,具体为:
对所述作物图像y(i,j)做正交小波变换获取小波系数Y(i,j),1≤i≤m,1≤j≤n;m×n为作物图像的大小;
选用正方形窗口,将所述小波系数放在所述窗口的中央;
其中,在获取图像后,还包括:将所述作物图像的色彩模式由RGB颜色空间转换到HSV颜色空间;其转换公式为:
V=MAX;
其中,H、S、V分别为HSV颜色空间的色调、饱和度和亮度;MAX、MIN分别为RGB颜色空间的R、G、B三个分量中的最大值、最小值,且R、G、B的取值都归一化到[0,1];
基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
所述基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,具体包括:
基于自适应步长果蝇算法对所述作物图像进行处理,找到最优初始聚类中心;基于Kmeans算法对作物图像的HSV颜色空间分量进行聚类分割,当准则函数收敛时,迭代中止;
基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
2.根据权利要求1所述的基于机器视觉的作物实时耗水量监测方法,其特征在于,获取作物图像,具体包括:
在作物上方定期获取作物垂直方向上的作物图像。
3.根据权利要求1所述的基于机器视觉的作物实时耗水量监测方法,其特征在于,基于背景分割后的灰度图计算作物的覆盖度,具体包括:
获取背景分割后的灰度图像,并基于所述灰度图像计算作物垂直投影面积占总面积的比例,得到作物的覆盖度。
4.根据权利要求1所述的基于机器视觉的作物实时耗水量监测方法,其特征在于,基于预先拟合的覆盖度与作物系数之间的关系前,还包括:
基于蒸渗仪获取作物的实际蒸散量,基于气象数据获得参比蒸散量,并基于所述实际蒸散量和所述参比蒸散量获得作物系数;
基于作物图像获取的作物日覆盖度,拟合覆盖度与作物系数之间的关系。
5.根据权利要求4所述的基于机器视觉的作物实时耗水量监测方法,其特征在于,并基于作物系数和参比蒸散量得到作物的实时蒸散量,具体包括:
基于气象数据获得作物的参比蒸散量,并根据作物系数和参比蒸散量得到作物的实时蒸散量:
ETc=Kc·ET0
式中,ETc为作物的实时蒸散量,ET0为作物的参比蒸散量。
6.一种基于机器视觉的作物实时耗水量监测装置,其特征在于,包括:
去噪模块,用于获取作物图像,基于小波自适应比例萎缩去噪方法对所述作物图像进行去噪处理;具体为仅针对所述作物图像的亮度分量做去噪处理,具体为:
对所述作物图像y(i,j)做正交小波变换获取小波系数Y(i,j),1≤i≤m,1≤j≤n;m×n为作物图像的大小;
选用正方形窗口,将所述小波系数放在所述窗口的中央;
其中,在获取图像后,还包括:将所述作物图像的色彩模式由RGB颜色空间转换到HSV颜色空间;其转换公式为:
V=MAX;
其中,H、S、V分别为HSV颜色空间的色调、饱和度和亮度;MAX、MIN分别为RGB颜色空间的R、G、B三个分量中的最大值、最小值,且R、G、B的取值都归一化到[0,1];
覆盖度获取模块,用于基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,基于背景分割后的灰度图计算作物的覆盖度;
所述基于自适应步长果蝇算法改进的Kmeans算法对所述作物图像进行背景分割,具体包括:
基于自适应步长果蝇算法对所述作物图像进行处理,找到最优初始聚类中心;基于Kmeans算法对作物图像的HSV颜色空间分量进行聚类分割,当准则函数收敛时,迭代中止;
耗水量监测模块,用于基于预先拟合的覆盖度与作物系数之间的关系,得到作物系数,并基于作物系数和参比蒸散量得到作物的实时蒸散量。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述的方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811383235.8A CN109712110B (zh) | 2018-11-20 | 2018-11-20 | 一种基于机器视觉的作物实时耗水量监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811383235.8A CN109712110B (zh) | 2018-11-20 | 2018-11-20 | 一种基于机器视觉的作物实时耗水量监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712110A CN109712110A (zh) | 2019-05-03 |
CN109712110B true CN109712110B (zh) | 2020-12-29 |
Family
ID=66254965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811383235.8A Active CN109712110B (zh) | 2018-11-20 | 2018-11-20 | 一种基于机器视觉的作物实时耗水量监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712110B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796114B (zh) * | 2019-11-07 | 2022-08-26 | 贵州大学 | 基于生物视觉的智能视频监控与预警系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598587A (zh) * | 2009-07-31 | 2009-12-09 | 北京师范大学 | 多段水位植被蒸散发测定装置 |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1292253C (zh) * | 2003-07-16 | 2006-12-27 | 西北农林科技大学 | 作物蒸发蒸腾仪 |
CN103914755A (zh) * | 2014-03-18 | 2014-07-09 | 北京农业信息技术研究中心 | 一种确定田间调查及田间管理的空间尺度的方法及系统 |
-
2018
- 2018-11-20 CN CN201811383235.8A patent/CN109712110B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598587A (zh) * | 2009-07-31 | 2009-12-09 | 北京师范大学 | 多段水位植被蒸散发测定装置 |
CN107945042A (zh) * | 2017-11-29 | 2018-04-20 | 上海华维节水灌溉股份有限公司 | 一种作物生长灌溉决策控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109712110A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Detection of fruit-bearing branches and localization of litchi clusters for vision-based harvesting robots | |
Xie et al. | Image de-noising algorithm based on Gaussian mixture model and adaptive threshold modeling | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统 | |
Malik et al. | Detection and counting of on-tree citrus fruit for crop yield estimation | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
CN111339921A (zh) | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 | |
Pastrana et al. | Novel image processing approach for solving the overlapping problem in agriculture | |
CN111784597A (zh) | 一种植保机器人自主导航路径检测方法及服务器、存储介质 | |
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
CN113034301A (zh) | 一种农作物生长管理系统及方法 | |
JP7450838B1 (ja) | 背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法および装置 | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN116188465A (zh) | 基于图像处理技术的作物生长状态检测方法 | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
CN109712110B (zh) | 一种基于机器视觉的作物实时耗水量监测方法和装置 | |
CN103226709B (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
CN109190571B (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
CN109166127A (zh) | 一种可穿戴式植物表型感知系统 | |
Yang et al. | Detection of maize navigation centerline based on machine vision | |
CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
CN111610159A (zh) | 地表温度降尺度估算方法及植被水分胁迫监测方法 | |
Wang et al. | A simplified pulse-coupled neural network for cucumber image segmentation | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
Wu et al. | Field crop extraction based on machine vision |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |