CN111855653A - 一种植物干旱监测方法、监测模块和监测装置 - Google Patents
一种植物干旱监测方法、监测模块和监测装置 Download PDFInfo
- Publication number
- CN111855653A CN111855653A CN201910341089.0A CN201910341089A CN111855653A CN 111855653 A CN111855653 A CN 111855653A CN 201910341089 A CN201910341089 A CN 201910341089A CN 111855653 A CN111855653 A CN 111855653A
- Authority
- CN
- China
- Prior art keywords
- plant
- image
- drought
- area
- time period
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012806 monitoring device Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 abstract description 13
- 241000196324 Embryophyta Species 0.000 description 186
- 230000008569 process Effects 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 10
- 244000038559 crop plants Species 0.000 description 8
- 230000012010 growth Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000209504 Poaceae Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种植物干旱监测方法、监测模块和监测装置，属于农作物气象自动观测技术领域。该监测方法包括：采集植物的图像；处理采集到的植物图像，结合建立的图像特征库，初步得到植物的干旱情况；当初步判断植物有干旱情况时，获取第一设定时间段内植物图像中的植株对应的连通域面积变化情况，并获取第二设定时间段内的植物覆盖度变化情况；当连通域面积在第一设定时间段内没有增长，且植物覆盖度在第二设定时间段内没有增长时，判断植物有干旱情况。与现有的植物干旱监测方法相比，该方法增加了对设定时间段内植物图像中植株对应的连通域面积和植物覆盖度有无增长的判断，降低了对植物干旱情况误判的可能性，从而提高了检测结果的准确性。
Description
技术领域
本发明涉及一种植物干旱监测方法、监测模块和监测装置，属于农作物气象自动观测技术领域。
背景技术
农作物旱情的检测和研究对农作物的生长和国家粮食保障具有重要的意义。
授权公告号为CN105427279B的发明专利文件，公开了一种植物旱情监测方法，首先采集植物的图像信息，并处理和分析植物的图像信息，然后与预设的干旱阈值表进行比较，得到植物的干旱情况。该方法是通过图像识别技术进行干旱监测，相较于人工观测，该方法能够实现自动化监测，节省人工观测成本的同时较人工观测有很大优势，但是，在植物生长过程中，影响植物干旱的因素有很多，仅仅对图像信息进行特征提取并进行相应的处理，然后与预设的干旱阈值表进行比对以进行干旱检测，得到的干旱检测精度较低。
发明内容
本发明的目的是提供一种植物干旱监测方法，用以解决现有的植物干旱监测方法的干旱检测精度较低的问题；本发明还提供一种植物干旱监测模块，用以解决现有的植物干旱监测方法的干旱检测精度较低的问题；本发明还提供一种植物干旱监测装置，用以解决现有的植物干旱监测方法的干旱检测精度较低的问题。
为实现上述目的，本发明提供了一种植物干旱监测方法，包括以下步骤：
(1)采集植物的图像；
(2)处理采集到的植物图像，结合建立的图像特征库，初步得到植物的干旱情况；
(3)当初步判断植物有干旱情况时，计算植物图像中的植株对应的连通域面积，并得到第一设定时间段内的连通域面积变化情况；计算植物覆盖度，得到第二设定时间段内的植物覆盖度变化情况；
(4)当连通域面积在第一设定时间段内没有增长，且植物覆盖度在第二设定时间段内没有增长时，判断植物有干旱情况。
该植物干旱监测方法的有益效果是：该方法首先将采集到的植物图像与建立的图像特征库进行比对，实现对植物的干旱情况的初步判断，在初步判断植物有干旱情况时，进一步判断植物图像中植株对应的连通域面积和植物覆盖度在设定时间段内有无增长。由于正常情况下植株呈现出增大趋势，当干旱情况出现时植株会停止生长或萎缩，因此，若植物图像中植株对应的连通域面积和植物覆盖度在设定时间段内均没有增长，则可判定植物有干旱情况。与现有的植物干旱监测方法相比，该方法在检测植物是否有干旱情况时，增加了对设定时间段内植物图像中植株对应的连通域面积和植物覆盖度有无增长的判断，降低了对植物干旱情况误判的可能性，从而提高了检测结果的准确性，检测精度高。
为了计算出植物图像中的植株对应的连通域面积，以便对第一设定时间段内的连通域面积变化情况进行判断，作为对上述植物干旱监测方法的一种改进，所述植物图像中的植株对应的连通域面积的计算过程包括：采用图像分割方法提取植物图像中的植株，将分割后的植物图像进行二值化处理，得到二值化图像，计算二值化图像中植株对应的连通域面积。
为了计算出植物覆盖度，以便对第二设定时间段内的植物覆盖度变化情况进行判断，作为对上述植物干旱监测方法的另一种改进，所述植物覆盖度的计算过程包括：将植物图像进行二值化处理，得到二值化图像，获取二值化图像中的植物像素以及植物图像的总像素，根据植物像素和植物图像的总像素计算得到植物覆盖度。
为了实现对植物干旱情况的初步判断，作为对上述植物干旱监测方法的又一种改进，步骤(2)中，建立的图像特征库中涉及多组HSV空间颜色直方图特征以及对应的干旱情况；对采集到的植物图像进行HSV空间颜色直方图特征提取，通过将采集到的植物图像对应的HSV空间颜色直方图特征与建立的图像特征库进行比对以初步得到植物的干旱情况。
本发明还提供了一种植物干旱监测模块，包括存储器和处理器，所述处理器用于运行存储在所述存储器中的程序指令，以实现如下步骤：
1)采集植物的图像；
2)处理采集到的植物图像，结合建立的图像特征库，初步得到植物的干旱情况；
3)当初步判断植物有干旱情况时，计算植物图像中的植株对应的连通域面积，并得到第一设定时间段内的连通域面积变化情况；计算植物覆盖度，得到第二设定时间段内的植物覆盖度变化情况；
4)当连通域面积在第一设定时间段内没有增长，且植物覆盖度在第二设定时间段内没有增长时，判断植物有干旱情况。
该植物干旱监测模块的有益效果是：该监测模块实现了对植物干旱情况的判定：首先将采集到的植物图像与建立的图像特征库进行比对，实现对植物的干旱情况的初步判断，在初步判断植物有干旱情况时，进一步判断植物图像中植株对应的连通域面积和植物覆盖度在设定时间段内有无增长。由于正常情况下植株呈现出增大趋势，当干旱情况出现时植株会停止生长或萎缩，因此，若植物图像中植株对应的连通域面积和植物覆盖度在设定时间段内均没有增长，则可判定植物有干旱情况。该监测模块在检测植物是否有干旱情况时，增加了对设定时间段内植物图像中植株对应的连通域面积和植物覆盖度有无增长的判断，降低了对植物干旱情况误判的可能性，从而提高了检测结果的准确性，检测精度高。
为了计算出植物图像中的植株对应的连通域面积，以便对第一设定时间段内的连通域面积变化情况进行判断，作为对上述植物干旱监测模块的一种改进，所述植物图像中的植株对应的连通域面积的计算过程包括：采用图像分割方法提取植物图像中的植株，将分割后的植物图像进行二值化处理，得到二值化图像，计算二值化图像中植株对应的连通域面积。
为了计算出植物覆盖度，以便对第二设定时间段内的植物覆盖度变化情况进行判断，作为对上述植物干旱监测模块的另一种改进，所述植物覆盖度的计算过程包括：将植物图像进行二值化处理，得到二值化图像，获取二值化图像中的植物像素以及植物图像的总像素，根据植物像素和植物图像的总像素计算得到植物覆盖度。
为了实现对植物干旱情况的初步判断，作为对上述植物干旱监测模块的又一种改进，步骤2)中，建立的图像特征库中涉及多组HSV空间颜色直方图特征以及对应的干旱情况；对采集到的植物图像进行HSV空间颜色直方图特征提取，通过将采集到的植物图像对应的HSV空间颜色直方图特征与建立的图像特征库进行比对以初步得到植物的干旱情况。
本发明还提供了一种植物干旱监测装置，包括用于采集植物图像的图像采集模块以及植物干旱监测模块，所述图像采集模块输出连接所述植物干旱监测模块，所述植物干旱监测模块实现的处理过程包括：
采集植物的图像；
处理采集到的植物图像，结合建立的图像特征库，初步得到植物的干旱情况；
当初步判断植物有干旱情况时，计算植物图像中的植株对应的连通域面积，并得到第一设定时间段内的连通域面积变化情况；计算植物覆盖度，得到第二设定时间段内的植物覆盖度变化情况；
当连通域面积在第一设定时间段内没有增长，且植物覆盖度在第二设定时间段内没有增长时，判断植物有干旱情况。
该植物干旱监测装置的有益效果是：该监测装置实现了对植物干旱情况的判定：首先将采集到的植物图像与建立的图像特征库进行比对，实现对植物的干旱情况的初步判断，在初步判断植物有干旱情况时，进一步判断植物图像中植株对应的连通域面积和植物覆盖度在设定时间段内有无增长。由于正常情况下植株呈现出增大趋势，当干旱情况出现时植株会停止生长或萎缩，因此，若植物图像中植株对应的连通域面积和植物覆盖度在设定时间段内均没有增长，则可判定植物有干旱情况。该监测装置在检测植物是否有干旱情况时，增加了对设定时间段内植物图像中植株对应的连通域面积和植物覆盖度有无增长的判断，降低了对植物干旱情况误判的可能性，从而提高了检测结果的准确性，检测精度高。
为了计算出植物图像中的植株对应的连通域面积，以便对第一设定时间段内的连通域面积变化情况进行判断，作为对上述植物干旱监测装置的一种改进，所述植物图像中的植株对应的连通域面积的计算过程包括：采用图像分割方法提取植物图像中的植株，将分割后的植物图像进行二值化处理，得到二值化图像，计算二值化图像中植株对应的连通域面积。
附图说明
图1是本发明方法实施例中植物干旱监测方法原理图；
图2是本发明装置实施例中植物干旱监测装置的结构示意图；
图3是本发明装置实施例中植物干旱监测装置的现场安装效果示意图；
图3中，1是主观测杆，2是机箱，3是高清相机，4是横臂，5是避雷针，6是基础。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例对本发明进行进一步详细说明。
方法实施例：
本发明提供了一种植物干旱监测方法(以下简称监测方法)，利用该方法对植物干旱情况进行监测，能够降低对植物干旱情况误判的可能性，具有监测结果准确性高的优点。需要说明的是，本发明的监测方法，不仅能用于监测普通植物的干旱情况(例如草、树木等)，还能用于监测农作物的干旱情况。
下面详细介绍利用本发明的监测方法对农作物的干旱情况进行监测的过程。
如图1所示，本实施例中，对农作物进行干旱监测时，包含农作物图像采集、图像颜色特征提取、连通域跟踪分析、农作物覆盖度提取和干旱判断5个步骤，具体如下：
步骤1：农作物图像采集
首先，需要确定要监测的农作物种植区域，即选定要监测的样本区域，该样本区域要大小适中且具有代表性，即所选定的样本区域内部只包含一种农作物，且其位置靠近植物干旱监测装置(以下简称监测装置，其结构示意图如图2所示)的安装站点，并保证整个样本区域在监测装置的监测范围内。在满足前述要求的情况下，所选定的样本区域可以是一个连续的区域，也可以是多个不连续的区域。
其次，需要确定监测频率，即设定监测装置一天内采集样本区域内农作物的图像的次数，优选的，设定监测装置一天内自动采集4次样本区域内农作物的图像，采集时间点分别为：8:00、12:00、16:00、20:00。作为其他实施方式，可以根据实际需要调整监测频率，以获得符合要求的农作物图像。
在选定要监测的样本区域和确定监测频率后，即可利用监测装置中的图像采集模块按照设定的时间点自动采集样本区域内的农作物的图像，并实时地将采集到的农作物图像数据传送给监测装置中的植物干旱监测模块，由监测装置中的植物干旱监测模块实现对农作物干旱情况的监测。
步骤2：图像颜色特征提取
该步骤利用农作物的颜色特征来初步判断农作物是否出现干旱情况。
首先，建立图像特征库D，库中涉及n组农作物图像的HSV空间颜色直方图特征以及对应的干旱情况，即每个HSV空间颜色直方图特征均带有自己的标签(即是否干旱)。
令一个HSV空间颜色直方图特征用一个4096维特征向量Di表示，其标签用bi表示，i＝1,2,3,...,n，则图像特征库D可表示为：
D＝[D1,b1
D2,b2
…
Dn,bn]
其次，提取采集到的农作物图像的HSV空间颜色直方图特征，并与图像特征库D进行比对，初步判断农作物干旱情况，具体如下：
首先，对采集到的农作物图像的H、S、V三个颜色通道分别进行16级量化，量化完成后共有4096(16×16×16)个量化值，这4096个量化值组成一个4096维特征向量x，特征向量x即为采集到的农作物图像的HSV空间颜色直方图特征；然后，求特征向量x与图像特征库D中的特征向量Di夹角的余弦值theta：
其中，theta取得最大值时对应的图像特征库D中的特征向量的标签，即为当前农作物图像的干旱判断结果，从而实现对农作物干旱情况的初步判断。
其中，若采集的农作物图像为RGB模式，需要先将RGB模式的农作物图像转换为HSV模式，具体可采用现有技术中的转换方法。
在实际运用过程中，可以通过真实观测数据不断对图像特征库D进行丰富和完善。作为其他实施方式，还可以选择现有技术中的其他图像颜色特征提取方法，实现对农作物干旱情况的初步判断，由于图像特征库的建立与所选用的图像颜色特征提取方法密切相关，因此当图像颜色特征提取方法改变时，图像特征库需要重新建立。
该步骤提供了一种利用农作物的颜色特征来初步判断农作物是否出现干旱情况的方法，作为其他实施方式，还可以采用背景技术部分引用文件中的方法实现农作物是否干旱的初步判断。
步骤3：连通域跟踪分析
正常情况下，在农作物生长早期(农作物植株之间没有重叠的情况下)，随着农作物的生长，农作物植株会呈现出增大的趋势，此时农作物图像中的农作物植株对应的连通域面积也会呈现增大的趋势；但是当干旱情况出现时，农作物植株会停止生长或萎缩，此时农作物图像中的农作物植株对应的连通域面积也会停止增大或变小；因此通过跟踪分析设定时间段内，农作物图像中农作物植株对应的连通域面积的变化情况，能够一定程度上反映出农作物的干旱情况。
本实施例中，首先，采用基于深度学习的语义分割方法，训练农作物图像分割模型；接着，利用训练好的农作物图像分割模型对采集到的农作物图像进行分割；然后，将分割后的农作物图像进行二值化处理，得到二值化图像，计算二值化图像中农作物对应的连通域面积；最后，通过分析第一设定时间段内的连通域面积变化情况，来判断农作物的干旱情况。
具体过程如下：
1)获取足够数量的农作物样本图像，并对样本图像中的农作物像素进行标记，使之与非农作物像素区别开来；然后，将标记好的样本图像输入CNN卷积神经网络模型，对该模型进行训练，训练完成后得到农作物图像分割模型；
2)利用训练好的农作物图像分割模型对采集到的农作物图像进行分割，提取出图像中的农作物植株，并对分割后的农作物图像进行二值化处理，得到二值化图像(1为农作物像素，0为背景像素)；
3)计算二值化图像中农作物植株对应的连通域面积(具体可采用现有技术中计算连通域面积的通用方法)；
4)绘制连通域面积的变化曲线图，当第一设定时间段内，连通域面积没有增大趋势时，可判断农作物存在干旱等停滞生长的状况。
在实际运用过程中，可以通过真实观测数据不断对农作物图像分割模型进行修正。作为其他实施方式，还可以采用现有技术中的其他图像分割方法训练农作物图像分割模型。
步骤4：农作物覆盖度提取
正常情况下，从出苗到成熟，农作物的覆盖度呈增大趋势。当农作物生长不正常时，例如受到干旱的影响，农作物的生长会停止或衰退，与此同时农作物的覆盖度也会停止增大或减小，因此通过分析设定时间段内，农作物的覆盖度变化情况可以一定程度上反映出农作物的干旱情况。
本实施例中，首先，统计HI分割模型；接着，把采集到的农作物图像变换到HIS空间，利用预先统计好的HI分割模型对采集到的农作物图像进行分割和二值化处理，得到二值化图像；然后，获取二值化图像中的农作物像素以及农作物图像的总像素，根据农作物像素和农作物图像的总像素计算得到农作物覆盖度；最后，通过分析第二设定时间段内，农作物覆盖度的变化情况，来判断农作物的干旱情况。
具体过程如下：
1)采集足够数量的农作物样本图像，将样本图像变换到HIS空间，并统计样本图像在HIS空间下，不同I值对应的H值，再计算不同I值对应的H值的均值meanH和标准差standardH，即可获得HI分割模型；
2)利用HI分割模型对采集到的农作物图像进行分割，分割公式为：W＝|H-meanH|＜standardH，其中，|H-meanH|＜standardH时，W＝1，否则W＝0。利用该分割公式可以在完成农作物图像分割的同时，完成图像的二值化处理，得到二值化图像(1为作物，0为背景)。
3)计算二值化图像中的农作物像素以及农作物图像的总像素，计算农作物像素占总像素的比例即可得到农作物的覆盖度；
4)绘制农作物覆盖度的变化曲线图，当第二设定时间段内，农作物覆盖度没有增大趋势时，可判断农作物存在干旱等停滞生长的状况。
在实际运用过程中，可以通过真实观测数据不断对HI分割模型进行修正。作为其他实施方式，还可以采用现有技术中的其他图像分割方法得到HI分割模型，例如AP-HI法。
作为其他实施方式，还可以采用现有技术中的其他方法计算覆盖度，例如：采用名称为《基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价》的论文中记载的覆盖度计算方法。
步骤5：干旱判断
该步骤，综合步骤2、步骤3和步骤4的判断结果，完成农作物干旱情况的判定。具体地，当步骤2中，从农作物的颜色特征初步判断出农作物有干旱情况时，进一步判断步骤3中连通域面积的变化情况和步骤4中农作物覆盖度的变化情况，当在设定时间段内，连通域面积和农作物覆盖度均没有增长时，则判定农作物确实受到干旱的影响，即农作物有干旱情况。
模块实施例：
本实施例提供一种植物干旱监测模块，包括存储器和处理器，处理器用于运行存储在存储器中的程序指令，以实现本发明的植物干旱监测方法，具体方法见方法实施例，此处不再赘述。
装置实施例：
本发明的植物干旱监测装置，包括用于采集植物图像的图像采集模块以及植物干旱监测模块，图像采集模块输出连接植物干旱监测模块，植物干旱监测模块包括存储器和处理器，处理器用于运行存储在存储器中的程序指令，以实现本发明的植物干旱监测方法，具体方法见方法实施例，此处不再赘述。
如图2所示，本实施例中的植物干旱监测装置包括：高清相机(即图像采集模块)和由图像采集器(简称采集器)，以及与采集器连接的USB传输单元、Lan以太网传输单元(即Lan传输单元)、FLASH(非易失型存储介质)和计算单元(即图像处理单元)组成的植物干旱监测模块。
其中，高清相机的型号为Canon1500D，最高可达千万级像素，采集器通过USB传输单元与高清相机相连，并通过USB接口定时发送命令，控制高清相机采集农作物图像。
采集器对采集的农作物图像进行两方面的处理：一是添加时间戳等信息，对采集到的农作物图像进行统一命名，并将图像转换为通用的图像文件格式保存到FLASH中；二是将采集到的农作物图像和之前的农作物干旱情况识别结果(当前计算需要的)送入图像处理单元进行计算，并将当前计算结果即当前农作物的干旱情况识别结果存储到FLASH中。
图像处理单元(具体可采用FPGA实现)，负责根据接收到的农作物图像和之前的农作物干旱情况识别结果(当前计算需要的)，计算出当前农作物的干旱情况，并返回给采集器，由采集器将当前农作物的干旱情况存储到FLASH中。
Lan以太网传输单元负责将图像处理单元的计算结果通过网络传输至客户端，以便操作人员根据接收到的农作物干旱情况采取相应的处理措施。
本实施例的植物干旱监测装置的现场安装效果示意图如图3所示：在农作物生长地打下基础6，基础6用于固定主观测杆1；主观测杆1高6米，高清相机3安装在主观测杆4.5米位置的横臂4上，以一定的俯视角度(例如45度)对地面一定范围内的农作物进行观测和采集农作物图像；机箱2安装在主观测杆1.5米位置，采集器、图像处理单元、FLASH、Lan以太网传输单元等电路元件封装于机箱2中，机箱2具有很好的密闭性，可以防风防水防尘；主观测杆1顶端装有避雷针5。
本实施例中的植物干旱监测装置具备数据存储和管理功能，能够存储近三个月的农作物图像数据和农作物干旱情况数据，并具备检索和查询功能；该监测装置还可以连接互联网，将获取的农作物图像数据和计算出的农作物干旱情况数据通过无线网或有线网传输到远程终端，无需使用者到设备端导出数据，本装置可以实现对农作物图像的连续、自动采集，并自动、实时进行计算，对农作物是否干旱进行不间断监测，通过采集农作物图像和利用图像处理技术，实现了非接触式观测，对农作物生长没有破坏性，提高了观测效率和观测数据的客观性和可靠性。
Claims (10)
1.一种植物干旱监测方法，其特征在于，包括以下步骤：
(1)采集植物的图像；
(2)处理采集到的植物图像，结合建立的图像特征库，初步得到植物的干旱情况；
(3)当初步判断植物有干旱情况时，计算植物图像中的植株对应的连通域面积，并得到第一设定时间段内的连通域面积变化情况；计算植物覆盖度，得到第二设定时间段内的植物覆盖度变化情况；
(4)当连通域面积在第一设定时间段内没有增长，且植物覆盖度在第二设定时间段内没有增长时，判断植物有干旱情况。
2.根据权利要求1所述的植物干旱监测方法，其特征在于，所述植物图像中的植株对应的连通域面积的计算过程包括：采用图像分割方法提取植物图像中的植株，将分割后的植物图像进行二值化处理，得到二值化图像，计算二值化图像中植株对应的连通域面积。
3.根据权利要求1所述的植物干旱监测方法，其特征在于，所述植物覆盖度的计算过程包括：将植物图像进行二值化处理，得到二值化图像，获取二值化图像中的植物像素以及植物图像的总像素，根据植物像素和植物图像的总像素计算得到植物覆盖度。
4.根据权利要求1所述的植物干旱监测方法，其特征在于，步骤(2)中，建立的图像特征库中涉及多组HSV空间颜色直方图特征以及对应的干旱情况；对采集到的植物图像进行HSV空间颜色直方图特征提取，通过将采集到的植物图像对应的HSV空间颜色直方图特征与建立的图像特征库进行比对以初步得到植物的干旱情况。
5.一种植物干旱监测模块，其特征在于，包括存储器和处理器，所述处理器用于运行存储在所述存储器中的程序指令，以实现如下步骤：
1)采集植物的图像；
2)处理采集到的植物图像，结合建立的图像特征库，初步得到植物的干旱情况；
3)当初步判断植物有干旱情况时，计算植物图像中的植株对应的连通域面积，并得到第一设定时间段内的连通域面积变化情况；计算植物覆盖度，得到第二设定时间段内的植物覆盖度变化情况；
4)当连通域面积在第一设定时间段内没有增长，且植物覆盖度在第二设定时间段内没有增长时，判断植物有干旱情况。
6.根据权利要求5所述的植物干旱监测模块，其特征在于，所述植物图像中的植株对应的连通域面积的计算过程包括：采用图像分割方法提取植物图像中的植株，将分割后的植物图像进行二值化处理，得到二值化图像，计算二值化图像中植株对应的连通域面积。
7.根据权利要求5所述的植物干旱监测模块，其特征在于，所述植物覆盖度的计算过程包括：将植物图像进行二值化处理，得到二值化图像，获取二值化图像中的植物像素以及植物图像的总像素，根据植物像素和植物图像的总像素计算得到植物覆盖度。
8.根据权利要求5所述的植物干旱监测模块，其特征在于，步骤2)中，建立的图像特征库中涉及多组HSV空间颜色直方图特征以及对应的干旱情况；对采集到的植物图像进行HSV空间颜色直方图特征提取，通过将采集到的植物图像对应的HSV空间颜色直方图特征与建立的图像特征库进行比对以初步得到植物的干旱情况。
9.一种植物干旱监测装置，包括用于采集植物图像的图像采集模块以及植物干旱监测模块，所述图像采集模块输出连接所述植物干旱监测模块，其特征在于，所述植物干旱监测模块实现的处理过程包括：
采集植物的图像；
处理采集到的植物图像，结合建立的图像特征库，初步得到植物的干旱情况；
当初步判断植物有干旱情况时，计算植物图像中的植株对应的连通域面积，并得到第一设定时间段内的连通域面积变化情况；计算植物覆盖度，得到第二设定时间段内的植物覆盖度变化情况；
当连通域面积在第一设定时间段内没有增长，且植物覆盖度在第二设定时间段内没有增长时，判断植物有干旱情况。
10.根据权利要求9所述的植物干旱监测装置，其特征在于，所述植物图像中的植株对应的连通域面积的计算过程包括：采用图像分割方法提取植物图像中的植株，将分割后的植物图像进行二值化处理，得到二值化图像，计算二值化图像中植株对应的连通域面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910341089.0A CN111855653B (zh) | 2019-04-25 | 2019-04-25 | 一种植物干旱监测方法、监测模块和监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910341089.0A CN111855653B (zh) | 2019-04-25 | 2019-04-25 | 一种植物干旱监测方法、监测模块和监测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111855653A true CN111855653A (zh) | 2020-10-30 |
| CN111855653B CN111855653B (zh) | 2023-11-28 |
Family
ID=72951613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910341089.0A Active CN111855653B (zh) | 2019-04-25 | 2019-04-25 | 一种植物干旱监测方法、监测模块和监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111855653B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102211A (zh) * | 2020-11-18 | 2020-12-18 | 南京农业大学 | 一种基于温度和图像的作物胁迫预警系统及预警方法 |
| CN112330694A (zh) * | 2020-11-16 | 2021-02-05 | 新疆农业科学院粮食作物研究所 | 一种植物萎蔫程度计算方法及系统 |
| CN113916192A (zh) * | 2021-11-05 | 2022-01-11 | 郑州信息科技职业学院 | 喀斯特溶洞图像采集监测与成像系统 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980249A (zh) * | 2010-11-12 | 2011-02-23 | 中国气象局气象探测中心 | 作物发育及长势自动观测方法及装置 |
| CN102564593A (zh) * | 2011-12-30 | 2012-07-11 | 河海大学常州校区 | 基于计算机视觉及物联网的植物生长状况监测系统 |
| CN102628689A (zh) * | 2012-04-19 | 2012-08-08 | 中国气象局气象探测中心 | 作物覆盖度自动在线观测方法及装置 |
| CN102636486A (zh) * | 2012-03-23 | 2012-08-15 | 华中科技大学 | 一种棉花三真叶期的自动检测方法 |
| CN102663397A (zh) * | 2012-03-21 | 2012-09-12 | 华中科技大学 | 一种小麦出苗的自动检测方法 |
| CN102855485A (zh) * | 2012-08-07 | 2013-01-02 | 华中科技大学 | 一种小麦抽穗的自动检测方法 |
| KR20130015278A (ko) * | 2011-08-03 | 2013-02-14 | 솔트웨어 주식회사 | 식물 생장 모니터링 시스템 및 그를 이용한 식물 생장 모니터링 방법 |
| CN105427279A (zh) * | 2015-11-02 | 2016-03-23 | 中国农业大学 | 一种基于计算机视觉及物联网的草原旱情监测系统和方法 |
| CN105574897A (zh) * | 2015-12-07 | 2016-05-11 | 中国科学院合肥物质科学研究院 | 一种基于视觉检测的农作物生长情况监测物联网系统 |
| CN106682570A (zh) * | 2016-11-04 | 2017-05-17 | 东莞市隆声智能科技有限公司 | 一种植物的长势监控方法和装置 |
| CN206772841U (zh) * | 2017-06-02 | 2017-12-19 | 宁夏大学 | 基于机器视觉的农作物数字图像采集与生长监测装备 |
| US9866768B1 (en) * | 2013-04-29 | 2018-01-09 | The United States Of America, As Represented By The Secretary Of Agriculture | Computer vision qualified infrared temperature sensor |
| KR20180109806A (ko) * | 2018-09-28 | 2018-10-08 | 경희대학교 산학협력단 | 다중채널 정전용량형 유전율 변화 감지 장치 및 그 방법과 이를 포함하는 식물 가뭄 모니터링 시스템 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
| CN109115771A (zh) * | 2018-07-03 | 2019-01-01 | 广西壮族自治区气象减灾研究所 | 甘蔗工艺成熟期自动观测方法 |
| JP2019008382A (ja) * | 2017-06-21 | 2019-01-17 | 富士電機株式会社 | 植物の画像領域抽出装置及び植物の画像領域抽出方法 |
| CN109269475A (zh) * | 2018-09-29 | 2019-01-25 | 成都信息工程大学 | 一种空地一体植物自动检测系统及方法 |
| JP2019040520A (ja) * | 2017-08-28 | 2019-03-14 | 東京電力ホールディングス株式会社 | 植生面積判定方法および植生面積判定装置 |
| JP2019037225A (ja) * | 2017-08-24 | 2019-03-14 | 富士電機株式会社 | 植物の生育状況監視装置及び植物の生育状況監視方法 |
| JP2019037198A (ja) * | 2017-08-28 | 2019-03-14 | 東京電力ホールディングス株式会社 | 植生被度判定方法および植生被度判定装置 |
| CN109583378A (zh) * | 2018-11-30 | 2019-04-05 | 东北大学 | 一种植被覆盖度提取方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845497B (zh) * | 2017-01-12 | 2020-08-25 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
-
2019
- 2019-04-25 CN CN201910341089.0A patent/CN111855653B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980249A (zh) * | 2010-11-12 | 2011-02-23 | 中国气象局气象探测中心 | 作物发育及长势自动观测方法及装置 |
| KR20130015278A (ko) * | 2011-08-03 | 2013-02-14 | 솔트웨어 주식회사 | 식물 생장 모니터링 시스템 및 그를 이용한 식물 생장 모니터링 방법 |
| CN102564593A (zh) * | 2011-12-30 | 2012-07-11 | 河海大学常州校区 | 基于计算机视觉及物联网的植物生长状况监测系统 |
| CN102663397A (zh) * | 2012-03-21 | 2012-09-12 | 华中科技大学 | 一种小麦出苗的自动检测方法 |
| CN102636486A (zh) * | 2012-03-23 | 2012-08-15 | 华中科技大学 | 一种棉花三真叶期的自动检测方法 |
| CN102628689A (zh) * | 2012-04-19 | 2012-08-08 | 中国气象局气象探测中心 | 作物覆盖度自动在线观测方法及装置 |
| CN102855485A (zh) * | 2012-08-07 | 2013-01-02 | 华中科技大学 | 一种小麦抽穗的自动检测方法 |
| US9866768B1 (en) * | 2013-04-29 | 2018-01-09 | The United States Of America, As Represented By The Secretary Of Agriculture | Computer vision qualified infrared temperature sensor |
| CN105427279A (zh) * | 2015-11-02 | 2016-03-23 | 中国农业大学 | 一种基于计算机视觉及物联网的草原旱情监测系统和方法 |
| CN105574897A (zh) * | 2015-12-07 | 2016-05-11 | 中国科学院合肥物质科学研究院 | 一种基于视觉检测的农作物生长情况监测物联网系统 |
| CN106682570A (zh) * | 2016-11-04 | 2017-05-17 | 东莞市隆声智能科技有限公司 | 一种植物的长势监控方法和装置 |
| CN206772841U (zh) * | 2017-06-02 | 2017-12-19 | 宁夏大学 | 基于机器视觉的农作物数字图像采集与生长监测装备 |
| JP2019008382A (ja) * | 2017-06-21 | 2019-01-17 | 富士電機株式会社 | 植物の画像領域抽出装置及び植物の画像領域抽出方法 |
| JP2019037225A (ja) * | 2017-08-24 | 2019-03-14 | 富士電機株式会社 | 植物の生育状況監視装置及び植物の生育状況監視方法 |
| JP2019040520A (ja) * | 2017-08-28 | 2019-03-14 | 東京電力ホールディングス株式会社 | 植生面積判定方法および植生面積判定装置 |
| JP2019037198A (ja) * | 2017-08-28 | 2019-03-14 | 東京電力ホールディングス株式会社 | 植生被度判定方法および植生被度判定装置 |
| CN109115771A (zh) * | 2018-07-03 | 2019-01-01 | 广西壮族自治区气象减灾研究所 | 甘蔗工艺成熟期自动观测方法 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
| KR20180109806A (ko) * | 2018-09-28 | 2018-10-08 | 경희대학교 산학협력단 | 다중채널 정전용량형 유전율 변화 감지 장치 및 그 방법과 이를 포함하는 식물 가뭄 모니터링 시스템 |
| CN109269475A (zh) * | 2018-09-29 | 2019-01-25 | 成都信息工程大学 | 一种空地一体植物自动检测系统及方法 |
| CN109583378A (zh) * | 2018-11-30 | 2019-04-05 | 东北大学 | 一种植被覆盖度提取方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 程荣花 等: "大豆幼苗生长势自动监测系统的研究", 《大豆科学》 * |
| 程荣花 等: "大豆幼苗生长势自动监测系统的研究", 《大豆科学》, vol. 33, no. 05, 31 October 2014 (2014-10-31), pages 1 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330694A (zh) * | 2020-11-16 | 2021-02-05 | 新疆农业科学院粮食作物研究所 | 一种植物萎蔫程度计算方法及系统 |
| CN112102211A (zh) * | 2020-11-18 | 2020-12-18 | 南京农业大学 | 一种基于温度和图像的作物胁迫预警系统及预警方法 |
| CN113916192A (zh) * | 2021-11-05 | 2022-01-11 | 郑州信息科技职业学院 | 喀斯特溶洞图像采集监测与成像系统 |
| CN113916192B (zh) * | 2021-11-05 | 2023-06-23 | 郑州信息科技职业学院 | 喀斯特溶洞图像采集监测与成像系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111855653B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111855653B (zh) | 一种植物干旱监测方法、监测模块和监测装置 | |
| CN102759528B (zh) | 一种农作物叶部病害检测方法 | |
| CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
| KR20150000435A (ko) | 작물 생장 단계 인식 및 환경 제어 시스템 및 그 방법 | |
| CN111342391B (zh) | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 | |
| CN107767364B (zh) | 基于红外热图像精准提取树木冠层温度的方法 | |
| CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
| CN105574897A (zh) | 一种基于视觉检测的农作物生长情况监测物联网系统 | |
| CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
| CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
| CN104732564A (zh) | 一种玉米叶面积无损动态监测装置与方法 | |
| CN103090946B (zh) | 果树单树产量测量的方法和系统 | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN106909898A (zh) | 秸秆还田监测中的图像智能分析终端及方法 | |
| CN115953690B (zh) | 用于无人收割机行进校准的倒伏作物识别方法 | |
| CN105574516A (zh) | 可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法 | |
| CN103471514B (zh) | 一种基于机器视觉和一元线性回归分析的大蒜分级方法 | |
| CN113534083A (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
| CN102749290A (zh) | 一种樱桃树冠层树枝生长状态的检测方法 | |
| CN114700941B (zh) | 一种基于双目视觉的草莓采摘方法、机器人系统 | |
| CN110503007B (zh) | 一种基于热成像仪的活体动物监测方法、设备及系统 | |
| CN111860038B (zh) | 一种农作物前端识别装置及方法 | |
| CN205843627U (zh) | 一种牧草覆盖度检测装置 | |
| Feng et al. | Image recognition based on water hyacinth controlled breeding monitoring equipment | |
| CN116912721B (zh) | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
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 |