CN112085725B - 基于启发式迭代算法的残膜残留量检测方法及预警系统 - Google Patents
基于启发式迭代算法的残膜残留量检测方法及预警系统 Download PDFInfo
- Publication number
- CN112085725B CN112085725B CN202010972893.1A CN202010972893A CN112085725B CN 112085725 B CN112085725 B CN 112085725B CN 202010972893 A CN202010972893 A CN 202010972893A CN 112085725 B CN112085725 B CN 112085725B
- Authority
- CN
- China
- Prior art keywords
- residual film
- image
- residual
- algorithm
- heuristic
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000002689 soil Substances 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 5
- 238000013479 data entry Methods 0.000 abstract description 3
- 239000002344 surface layer Substances 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002362 mulch Substances 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000002489 tectorial membrane Anatomy 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于启发式迭代算法的残膜残留量检测方法，包括如下步骤：S1.对整地后的农田采集可见光图像；S2.进行预处理将所述图像二值化；S3.采用启发式填充算法定义二值化后的所述图像的边界阈值，所述启发式填充算法公式为：
，其中，p0为中心像素点的像素值；pi代表与p0相邻的上、下、左、右4个点的像素值；S4.计算农田残膜残留面积；S5.计算残膜残留量；本发明通过启发式迭代算法进行大量建模，可以提高在土壤条件下的数据入场算适应性，自动连通因残膜折叠、光照不均产生的图像断裂区域，提高了算法的鲁棒性，更贴合实际应用场景，增加预测的精度。
Description
技术领域
本发明涉及农田污染监测技术领域，主要指农田土壤中残膜残留量的自动监测与污染预警。
背景技术
地膜技术给我们的粮食生产带来了巨大收益，给干旱节水农业生产提供了有利条件。然而，地膜覆膜后回收困难，给农田土壤造成了严重的污染。污染的治理离不开先进的监控技术，文献1-6采取了人工取样测量方法去监管农田残膜的污染情况，或者监控残膜回收作业质量，这类方法同样具有选定区域随机性，人为影响因素大，影响了最终监测的数据精度。
图像识别检测残膜残留量方法明显具有先进性，文献7记载了一种农田土壤表层残膜残留量的测量方法及系统，该方法首先采用无人机拍照的方式获取农田图像资料，再对图像文件进行预处理后，采用闭合运算与腐蚀运算，将二值化后的残膜形状灰度值进行量化统计相加，获取农田残膜的表层面积，再通过折算公式推出表层残膜残留的质量。另外，表层与深层残膜之间呈现一定数学关系，利用这个关系式，可计算出拍摄区域内的残膜残留值。
然而，通过大量的试验，发现虽然这种方法是先进的，但是在不同的土壤环境、光照条件、拍摄角度，土壤色泽等方面的监测数据是有较大差异的，测量精度不高。因此，亟需一种更高精度的图像识别检测残膜残留量方法。
参考文献
文献1：CN105367887A。
文献2：CN102919087A。
文献3：CN204681800U。
文献4：CN204518352U。
牛瑞坤,王旭峰,胡灿,侯书林,鲁兵,李俊宝.新疆阿克苏地区棉田残膜污染现状分析[J].新疆农业科学,2016,02:283-288。
严昌荣，梅旭荣，何文清，等.农用地膜残留污染的现状与防治[J].农业工程学报，2006，22(11):269－272。
文献7：CN106644939A。
发明内容
本发明的目的是解决目前图像识别检测残膜残留量方法精度不高的问题，提出了一种全新的启发式迭代算法进行残膜残留量的测量方法。
本发明提供了一种残膜残留量的检测方法，其特征在于包括如下步骤：
S1.对整地后的农田采集可见光图像；
S2.进行预处理将所述图像二值化；
S3.采用启发式填充算法定义二值化后的所述图像的边界阈值，所述启发式填充算法公式为：
其中，p0为中心像素点的像素值；pi代表与p0相邻的上、下、左、右4个点的像素值；
S4.计算农田残膜残留面积；
S5.计算残膜残留量。
进一步地，所述预处理包括如下步骤：
S21.对所述图形进行直方图均衡化；
S22.将所述直方图均衡化后的所述图像灰度化；
S23.对经灰度化的所述图像采用迭代自动寻优算法获得最优分割阈值；
S24.根据所述最优分割阈值，将经灰度化的所述图像二值化，
S25.对二值化后的所述图形进行形态学闭操作。
进一步地，残膜残留量的计算公式为：
M1＝SC×11+p
其中，M1为残膜残留量；Sc为残留面积；p为系统误差，取值为0.00154。
进一步地，所述迭代自动寻优算法公式为：
其中，Avgmin代表在最小平均绝对值百分比误差，初始值设为1000；ff代表分割阈值，ff∈[d,u]，其中d是让所有预测值均大于真值的过分割的上界，u 是让所有预测值均小于真值的欠分割的下界；Avgff代表在分割阈值为ff时所算出的平均绝对值百分比误差；
其中，ffg代表最优分割阈值。
进一步地，所述形态学闭操作具体为先进行膨胀操作，迭代一次，然后进行腐蚀操作，迭代一次。
进一步地，所述直方图均衡化具体为：输入所述可见光图像，读取图形边界，应用直方均衡化函数得到直方图。
进一步地，在图像灰度化处理时，通过中值滤波平滑噪声。
进一步地，残膜残留量的计算公式通过如下步骤得出：
S51.对农田整地，将残膜裁剪成标准正方形残膜，采集可见光图像；
S52.通过图像算法得出标准正方形残膜的残留面积；
S53.将采样区域的残膜回收，清洗烘干后称重处理，得到残膜残留量与残留面积的关系。
进一步地，使用无人机采集可见光图像。
本发明还提供了一种残膜残留量的预警系统，其特征在于：
采用如权利要求1～9中任一项所述的检测方法测量残膜残留量；
将所述残膜残留量与分级预警值比较；
显示预警级别。
本发明通过启发式迭代算法进行大量建模，可以提高在土壤条件下的数据入场算适应性，自动连通因残膜折叠、光照不均产生的图像断裂区域，提高了算法的鲁棒性，更贴合实际应用场景，增加预测的精度；并且，本发明提出了对污染的分等定级预警方法，研发一种预警装置，当残膜残留量超过一定阀值时，系统自动产生分等定级的污染预警信号。
附图说明
图1是本发明可见光图像采集示意图。
图2是图像上大块正方体整膜示意图。
图3是图像上散状地膜示意图。
图4是均衡前各像素统计直方图。
图5是均衡后各像素统计直方图。
图6是均衡后的图像。
图7是原始可见光图像。
图8是经二值化处理后的图像。
图9是迭代自动寻优算法流程示意图。
图10是经闭合操作后的残膜图像二值图。
图11启发式填充示意图。
图12是未启发式填充的拍摄原图，圆圈内为地表残膜原样。
图13是只进行闭合操作的图像，圆圈内为地表残膜形状识别图。
图14是经启发式填充后的图像，圆圈内为地表残膜启发式填充后识别图。
1，无人机；2，可见光传感器；3，识别区域；4，农田；5，残膜；6，分等定级预警装置。
具体实施方式
为了更好的解释本发明的技术方案，下面结合附图详细介绍本发明的实施例。
一种残膜残留量的检测方法，具体步骤如下：
图像采用可见光与无人机平台采集，如附图1所示，选取长期覆膜种植农田，农田需进行犁地并整地处理，地面平整，通过整地后，土壤中残膜呈规律性分布，以便于可见光图像采集。可见光图像传感器像素大于600万像素，农田图像信息获取的光照度大于2000lux，采集时间为太阳光与地面垂直，无重影，设置可见光传感器波长为390-780nm之间。无人机设定可见光传感器离农田拍摄高度为 4.5米，环境风速小于5m/s，调整无人机云台，将可见光传感器与农田表面进行垂直90°拍摄，设置记录好拍摄的初始经纬度坐标，沿农田边界进行飞机拍摄，获取农田表层残膜的可见光信息。
首先，在图像识别前，先进行农田表层残膜残留面积与残膜残留量关系的标定。
在整地过后的农田表面，确保土壤表层无残膜及白色反光物体，将田间残膜裁剪成标准正方体形状，如图2及图3所示。图2为大块正方体整膜，边长为 20cm，图3为散状地膜，边长为5cm。设定可见光传感器信息获取的光照度大于2000lux，采集时间为太阳光与地面垂直，无重影，设置可见光传感器波长为 390-780nm之间。无人机可见光传感器离农田拍摄高度为4.5米，环境风速小于 5m/s，调整无人机云台，将可见光传感器与农田表面进行垂直90 ° 拍摄，获取相关图像各两张，通过图像算法得出标准可见光传感器采集图像中的尺寸形状，将采样区域的地膜回收，清洗烘干后称重处理，得出标准面积尺寸与农用残膜质量之间的关系按如下公式计算：
M1＝SC×11+p
其中，M1为可见光传感器采集残膜图像的质量(g)；Sc为所有测量区可见光识别出来的残膜面积(m2)；P为残膜面积计算的误差系统，经多次试验测试取样，取值为0.00154。
假设图像识别出的残膜面积为Sc＝0.25m2，则代入公式可得M1＝2.75154g。
选取需测量的地块再次进行可见光图像采集，对图像的进行预处理。
进行直方图均衡化。如附图4-6所示，直方图均衡化是一种图像增强技术，直方图反映的是一幅图像中各灰度值出现的频率情况，横坐标是256个灰度值，纵坐标是灰度值出现的次数。未经均衡化处理的直方图中景物的灰度区间比较密集，视觉上呈现灰度区间较窄的效果，导致图像的部分细节不能很好的表现出来。均衡化的过程就是把直方图中景物的灰度区间进行拉伸和扩展，降低灰度区间的密集度，增加动态范围，使其变得相对均匀。具体在本文中的做法是，首先提取图像的B、G、R三通道图像，将三通道的图像分别进行直方图均衡化，然后将三通道的图像合成一张彩色图像。如图6所示，白色的残膜均衡化处理后，细节明显，与背景对比明显。
将直方图均衡化后的图像灰度化。
图像直方图均衡化采用的Python程序如下：
image_path＝'D:\project_cm\canmo\\000022.png'
origineImage＝cv2.imread(image_path)
(b,g,r)＝cv2.split(origineImage)
bH＝cv2.equalizeHist(b)
gH＝cv2.equalizeHist(g)
rH＝cv2.equalizeHist(r)
frameH＝cv2.merge((bH,gH,rH))
gimage＝cv2.cvtColor(frameH,cv2.COLOR_BGR2GRAY)
附图7是原始的可见光图像，附图8是二值化后的图像。
采用迭代自动寻优算法找到最优阈值。阈值分割法又被称为全局像素分割法，意为确定阈值(像素值)，就能将整个图像分割成两部分(残膜和背景)，从而得到它们的占比关系，而如何找出最优的阈值就成为了解决此问题的关键。迭代法就是一种有效的算法，在手动设值找到过分割上界d(所有预测值均大于真值) 和欠分割下界u(所有预测值均小于真值)后，通过循环遍历范围内的所有阈值，找到最优阈值。本算法在有标注的较大数据集上的进行迭代寻优，然后在有标注的较小数据集上的进行测试，验证算法有效性。
为了在已标定的数据上寻找最合适的分割阈值，发明了一种评价指标，所需用到的公式做如下：
百分比误差：
Rate＝100*(Prate-Trate)/(Trate)*100％
其中，Rate为误差百分比；Prate为预测值，Trate为表中的真值。
总绝对值百分比误差：考虑到误差有正有负，直接相加求平均不能表征分割阈值设置的优劣。(比如两张图像，一张误差为10％，另一张误差为-10％，如果直接相加求平均，其平均误差就为0，但事实上，它的平均误差应为10％)
Sum＝|Rate1|+|Rate2|+...+|Raten|
其中，Sum为总绝对值百分比误差，|Raten|为第n张图像的绝对值百分比误差。
平均绝对值百分比误差：对一批图像用同样的分割值，求出平均绝对值百分比误差，用以衡量分割值设置的好坏，该值越小越接近真值，并且越稳定。
Avg＝Sum/Pnum
其中，Avg为平均绝对值百分比误差，Sum为总绝对值百分比误差，Pnum为图像数量。
为了使阈值设置的更加科学、合理，发明了一种基于标定数据驱动的迭代自动寻优的算法，最优分割阈值根据平均绝对值百分比误差迭代计算得到得到，算法的核心数学规则按如下分段函数计算。
其中，Avgmin代表在最小平均绝对值百分比误差，初始值设为1000；ff代表分割阈值，ff∈[d,u]，其中d是让所有预测值均大于真值的过分割的上界，u 是让所有预测值均小于真值的欠分割的下界；Avgff代表在分割阈值为ff时所算出的平均绝对值百分比误差。
其中，ffg代表最优分割阈值；ff、Avgff、Avgmin含义与公式4中的相同。
根据以上两个数学函数说明，我们就可以同时循环迭代得到Avgmin最小时对应的ffg。
迭代自动寻优算法程序流程图如图9所示：先进行手工设阈值，寻找过分割上界d(所有预测值均大于真值)和欠分割下界u(所有预测值均小于真值)，阈值范围确定后，然后进入程序自动迭代寻优阶段，外层循环将阈值ff初始化设为 d值，内层循环自动读取文件夹中的图片和Excel表中对应的真值，计算得出该阈值条件的平均绝对值百分比误差Avg，若其小于最小平均绝对值百分比误差 Avgmin(初始值设为1000)，则用Avg替换Avgmin。然后判断此时分割阈值ff 是否满足小于等于上界u，如果条件满足继续循环迭代；否则，输出Avgmin和对应的ff，结束寻优过程。
根据迭代法求出的阈值，将灰度图二值化。
进行形态学闭操作。具体为，定义滑动窗口为3*3矩形框，先进行膨胀操作，迭代一次，是残膜白色像素扩大，填充断裂的区域；然后进行腐蚀操作，迭代一次，是残膜白色像素缩小，去除孤立噪声点。这两次操作前后连起来就叫做闭操作，目的是用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积，效果如图10所示，与图8对比，这种操作使明清淅的残膜边界更加明确和精细。
形态学闭操作采用的Python程序如下：
kernel＝cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
img0＝cv2.dilate(img0,kernel,iterations＝1)
img0＝cv2.erode(img0,kernel,iterations＝1)
对于农田因断裂、折叠、与土壤间的光照对比不鲜明所引起的残膜图像缺失，本发明中采用启发式填充算法进行填充。为了克服闭操作后仍存在的因残膜折叠、光照不均造成部分残膜图像断裂的问题，发明了一种启发式填充算法，算法的核心数学规则按如下分段公式计算。
其中，p0为中心像素点的像素值；pi为p0周围相邻的第i个像素点的像素值，i的取值为1、2、3、4；p1、p2、p3、p4依次代表与p0相邻的上、下、左、右4个像素点的像素值。
先将形态学闭操作后得到的二值图中所有点的像素值存储为二维数组形式，得出二值图的宽为w，长为h。采用从左往右、从上至下的顺序遍历范围内 (横坐标∈[1,w-2]纵坐标∈[1,h-2])的所有像素点，遍历到的像素记为中心像素点p0，与该中心像素点相邻的上、下、左、右像素依次记为p1、p2、p3、p4。若p0＝255且p1+p2+p3+p4>＝765，则将p0周围4个像素点均设置成255；若p0＝0 或p1+p2+p3+p4<765，则p0周围的4个像素点取值均保持原值不变。继续访问下一个像素点，重复使用上述规则，直到范围内的像素点均被遍历到，结束启发式填充。具体的案例如图11所示，该图为启发式像素填充法过程示意。在中心像素点值为255(白色像素时)，遍历其上、下、左、右四个方向，发现有3个白色像素点，触发启发式规则，将右边原本的0像素值也置为255，完成一次启发式填充规则的应用。
启发式填充算法所采用的程序如下：
图14是经启发式填充后的图像，与未启发式填充的图12相比，经过启发式填充后边界膨胀，残缺的地方得到修补，更贴近实际情况。
同时与之前传统闭合操作方法进行对比，如图13所示(图13是传统方法只进行闭合操作的图像)，经过启发式填充后的图像精度更高。
不进行边缘处理，得到的二值图如图10所示，白色面积占比1.48％(真值2.14％)，误差-31％。
只进行闭合操作，我们得到的二值图如图13所示。明显可以看出，右下角部分是断裂的。白色面积占比1.67％(真值2.14％)，误差-22％。
加入启发式填充规则，如图14，可以清楚的看到残膜割裂的地方被连通起来了，并且此时白色面积占比2.15％(真值2.14％)，误差0.4％。
将启发式填充后的残膜二值图定义边界阀值，统计所有残膜相素点的面积，此即为拍报区域内农田残膜残留面积，将此面积代入残膜残留面积与残膜残留量的关系公式中，可计算得出此拍报区域内残膜残留量质量值，定义为残膜残留量值。将实际拍摄图像所获取的残膜残留量值与预警值比较，即可对农田进行分级预警。
其中预警定义如下：根据新疆农田残膜污染情况，预警分为三级，一级预警为轻度污染，设置为标准拍摄区域表层残膜残留量值M1满足5g<M1<8g；二级预警为中度污染，设置为标准拍摄区域表层残膜残留量值M1满足8g< M1<12g；三级预警为重度污染，设置为标准拍摄区域表层残膜残留量值M1满足 M1>12g。当识别结果与预警值进行对比，通过计算机程序分析，自动显示预警级别。
具体到本实施例，通过计算得出此拍报区域内残膜残留量质量值为11.2g，对比农田进行分级预警值，标准拍摄区域表层残膜值属于中度污染。
本发明通过启发式迭代算法进行大量建模，可以提高在土壤条件下的数据入场算适应性，自动连通因残膜折叠、光照不均产生的图像断裂区域，提高了算法的鲁棒性，更贴合实际应用场景，增加预测的精度。并且，本发明提出了对污染的分等定级预警方法，研发一种预警装置，当残膜残留量超过一定阀值时，系统自动产生分等定级的污染预警信号。
以上各个实施例只是用于进一步说明本发明，并不是用来限制本发明的保护范围，凡是基于本发明的构思所作出的等同变换及对本发明的各个技术方案显而易见的改进，均落入本发明的保护范围。
Claims (8)
1.一种基于启发式迭代算法的残膜残留量检测方法，其特征在于包括如下步骤：
S1.对整地后的农田采集可见光图像；
S2.进行预处理将所述图像二值化；
S3.采用启发式填充算法定义二值化后的所述图像的边界阈值，所述启发式填充算法公式为：
其中，p0为中心像素点的像素值；pi代表与p0相邻的上、下、左、右4个点的像素值；
S4.计算农田残膜残留面积；
S5.计算残膜残留量；
所述预处理包括如下步骤：
S21.对所述图像进行直方图均衡化；
S22.将所述直方图均衡化后的所述图像灰度化；
S23.对经灰度化的所述图像采用迭代自动寻优算法获得最优分割阈值；
S24.根据所述最优分割阈值，将经灰度化的所述图像二值化，
S25.对二值化后的所述图像 进行形态学闭操作；
所述残膜残留量的计算公式为：
M1＝SC×11+p
其中，M1为残膜残留量；Sc为残留面积；p为系统误差，取值为0.00154。
2.如权利要求1所述的检测方法，其特征在于：所述迭代自动寻优算法公式为：
其中，Avgmin代表在最小平均绝对值百分比误差，初始值设为1000；ff代表分割阈值，ff∈[d,u]，其中d是让所有预测值均大于真值的过分割的上界，u是让所有预测值均小于真值的欠分割的下界；Avgff代表在分割阈值为ff时所算出的平均绝对值百分比误差；
其中，ffg代表最优分割阈值。
3.如权利要求1所述的检测方法，其特征在于：所述形态学闭操作具体为先进行膨胀操作，迭代一次，然后进行腐蚀操作，迭代一次。
4.如权利要求1所述的检测方法，其特征在于：所述直方图均衡化具体为：输入所述可见光图像，读取图形边界，应用直方均衡化函数得到直方图。
5.如权利要求1所述的检测方法，其特征在于：在图像灰度化处理时，通过中值滤波平滑噪声。
6.如权利要求1所述的检测方法，其特征在于：残膜残留量的计算公式通过如下步骤得出：
S51.对农田整地，将残膜裁剪成标准正方形残膜，采集可见光图像；
S52.通过图像算法得出标准正方形残膜的残留面积；
S53.将采样区域的残膜回收，清洗烘干后称重处理，得到残膜残留量与残留面积的关系。
7.如权利要求1所述的检测方法，其特征在于：使用无人机采集可见光图像。
8.一种基于启发式迭代算法的残膜残留量预警系统，其特征在于：
采用如权利要求1～7中任一项所述的检测方法测量残膜残留量；
将所述残膜残留量与分级预警值比较；
显示预警级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010972893.1A CN112085725B (zh) | 2020-09-16 | 2020-09-16 | 基于启发式迭代算法的残膜残留量检测方法及预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010972893.1A CN112085725B (zh) | 2020-09-16 | 2020-09-16 | 基于启发式迭代算法的残膜残留量检测方法及预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085725A CN112085725A (zh) | 2020-12-15 |
| CN112085725B true CN112085725B (zh) | 2021-08-27 |
Family
ID=73737113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010972893.1A Active CN112085725B (zh) | 2020-09-16 | 2020-09-16 | 基于启发式迭代算法的残膜残留量检测方法及预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085725B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581301B (zh) * | 2020-12-17 | 2023-12-29 | 塔里木大学 | 一种基于深度学习的农田残膜残留量的检测预警方法及系统 |
| CN113295572B (zh) * | 2021-05-20 | 2022-07-29 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107564018A (zh) * | 2017-08-30 | 2018-01-09 | 北京航空航天大学 | 一种利用改进迭代算法提取目标图像的方法 |
| CN107633503A (zh) * | 2017-08-01 | 2018-01-26 | 南京航空航天大学 | 一种自动检测谷粒中残留秸秆的图像处理方法 |
| CN106204617B (zh) * | 2016-07-21 | 2018-10-02 | 大连海事大学 | 基于残差图像直方图循环移位的自适应图像二值化方法 |
| CN106644939B (zh) * | 2016-12-08 | 2019-03-15 | 塔里木大学 | 一种农田土壤表层残膜残留量的测量方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7236724B2 (en) * | 2005-06-21 | 2007-06-26 | Kabushiki Kaisha Toshiba | Method for forming image and image forming apparatus |
| CN109472788B (zh) * | 2018-11-20 | 2022-03-22 | 成都信息工程大学 | 一种飞机铆钉表面的伤痕检测方法 |
| CN110766614B (zh) * | 2019-09-05 | 2022-07-19 | 浙江工业大学 | 一种无线扫描笔的图像预处理方法和系统 |
| CN110717900B (zh) * | 2019-09-27 | 2023-03-31 | 南京理工大学 | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 |
| CN111210454B (zh) * | 2020-01-09 | 2023-04-07 | 山东科技大学 | 基于并行鸽群算法的Otsu图像分割方法 |
-
2020
- 2020-09-16 CN CN202010972893.1A patent/CN112085725B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204617B (zh) * | 2016-07-21 | 2018-10-02 | 大连海事大学 | 基于残差图像直方图循环移位的自适应图像二值化方法 |
| CN106644939B (zh) * | 2016-12-08 | 2019-03-15 | 塔里木大学 | 一种农田土壤表层残膜残留量的测量方法及系统 |
| CN107633503A (zh) * | 2017-08-01 | 2018-01-26 | 南京航空航天大学 | 一种自动检测谷粒中残留秸秆的图像处理方法 |
| CN107564018A (zh) * | 2017-08-30 | 2018-01-09 | 北京航空航天大学 | 一种利用改进迭代算法提取目标图像的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085725A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Isolating individual trees in a savanna woodland using small footprint lidar data | |
| CN109145830B (zh) | 一种智能水尺识别方法 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN112085725B (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
| CN110956101A (zh) | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 | |
| CN112907520B (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| Gleason et al. | A Fusion Approach for Tree Crown Delineation from Lidar Data. | |
| CN109543585A (zh) | 基于卷积神经网络的水下光学目标检测与识别方法 | |
| CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
| CN113469278A (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
| CN113191271A (zh) | 一种基于深度学习的堰塞坝表层颗粒物质检测方法 | |
| CN116109616A (zh) | 基于YOLOv5的路面裂缝检测及小面元拟合检测方法 | |
| CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
| CN110503634B (zh) | 基于图像自动识别的能见度测量方法 | |
| CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
| CN111738278A (zh) | 一种水下多源声学图像特征提取方法及系统 | |
| Chen et al. | An image restoration and detection method for picking robot based on convolutional auto-encoder | |
| CN112581301B (zh) | 一种基于深度学习的农田残膜残留量的检测预警方法及系统 | |
| CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
| Dong et al. | Pixel-level intelligent segmentation and measurement method for pavement multiple damages based on mobile deep learning | |
| CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
| AU2021102276A4 (en) | A Detection Method for Quantity of Residual Plastic Films Based on Heuristic Iterative Algorithm and Its Early Warning System | |
| CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
| Cui et al. | Remote sensing identification of marine floating raft aquaculture area based on sentinel-2A and DEM data |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201215 Assignee: ALAR CITY TIEMAN PLANT PROTECTION SERVICE Co.,Ltd. Assignor: TARIM University Contract record no.: X2023990000886 Denomination of invention: Detection method and warning system for residual film based on heuristic iterative algorithm Granted publication date: 20210827 License type: Common License Record date: 20231023 |
|
| EE01 | Entry into force of recordation of patent licensing contract |