CN112614147A - 一种基于rgb影像的作物苗期植株密度估算的方法及系统 - Google Patents
一种基于rgb影像的作物苗期植株密度估算的方法及系统 Download PDFInfo
- Publication number
- CN112614147A CN112614147A CN202011550232.6A CN202011550232A CN112614147A CN 112614147 A CN112614147 A CN 112614147A CN 202011550232 A CN202011550232 A CN 202011550232A CN 112614147 A CN112614147 A CN 112614147A
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- target cell
- row
- binary image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000002689 soil Substances 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 61
- 238000011160 research Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 244000037666 field crops Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000012360 testing method 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
- G06T7/10—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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于RGB影像的作物苗期植株密度估算的方法及系统，方法包括：获取目标田地的RGB影像，根据目标田地中作物的种类对RGB影像进行裁剪，得到多个目标小区的第一RGB影像；将第一RGB影像进行二值化图像处理得到作物和土壤背景的第一二值图像；应用形态学开操作消除第一二值图像中细小目标像素；从每个目标小区的第一二值图像提取出作物的每个作物行的行图像；检测每个行图像得到每个行图像中作物的植株数量，并统计得到每个第一二值图像对应目标小区的植株数量，利用目标小区的植株数量和目标小区面积计算得到目标小区的作物苗期植株密度。本发明实现同时对目标田地中的多种作物苗期植株密度估算，不仅准确度高，而且具有通用性，方法简单，适用范围广。
Description
技术领域
本发明涉及作物苗期植株密度估算领域，主要涉及一种基于RGB影像的作物苗期植株密度估算的方法及系统。
背景技术
面对耕地面积的日益减少以及城镇化程度的不断提升加快，我国的粮食安全问题面临巨大的挑战，因此需要增加粮食单产以满足人民需求，保障粮食安全可持续发展；其中，作物生长苗期对提升和保障产量起着重要作用。作物苗期生长状况的好坏不仅是作物自身能否健壮生长且具有良好抗逆性的重要决定因素，而且是作物群体协调生长、形成良好群体结构、决定产量形成的关键。因此，对于作物苗期植株密度的监测一直是研究者们的研究重点。
传统的农业田间生产以及作物研究工作，建立在有经验的田间工作者对田间作物生长情况进行调研记录的基础上，面对需要测量的海量指标数据，这个过程费时费力且效率低下；且当面对群体密度大的农场以及大面积的农田时，由于数量巨大以及植株间的遮挡，易造成错数、误数，导致测量的作物密度不准确、误差大。
为了提高工作效率和准确度，机器视觉估算密度的方法应运而生，但其研究主体一般只针对单一品种作物，密度估测所使用的算法也主要针对某一作物研发的，而在实际应用中，作物所处的环境复杂，同时不同作物间具有的属性(颜色、形态、体积等)特征存在较大差异，现有的机器视觉估算密度在应用时需要对应用环境和作物种类进行针对性的调整和修改，方法复杂，适用范围小，不利于广泛推广。
发明内容
本发明要解决的技术问题是现有的机器视觉估算密度在应用时需要对应用环境和作物种类进行针对性的调整和修改，方法复杂，适用范围小，不利于广泛推广。
为了解决上述技术问题，本发明提供了一种基于RGB影像的作物苗期植株密度估算的方法，包括：
获取目标田地每种作物播种的行距、株距和行数；
获取目标田地的RGB影像；
根据目标田地中作物的种类对所述RGB影像进行裁剪，得到多个目标小区的第一RGB影像，其中，每个所述目标小区对应一种作物；
将每个所述目标小区的所述第一RGB影像进行二值化图像处理，得到目标小区的作物和土壤背景的第一二值图像；
应用形态学开操作消除所述第一二值图像中的细小目标像素；
根据目标小区对应作物的行数，从每个所述目标小区的所述第一二值图像提取出作物的每个作物行的行图像；
检测每个所述行图像得到每个所述行图像中作物的植株数量，并统计得到每个所述第一二值图像对应目标小区的植株数量，利用目标小区的植株数量和目标小区面积计算得到所述目标小区的作物苗期植株密度。
在上述方法中，还包括计算所述RGB影像的分辨率，所述RGB影像的分辨率Resolution的计算公式为：
其中，L为所述RGB影像长边对应的地面实际距离；P为所述RGB影像长边对应的像素数；H为所述RGB影像的拍摄高度，θ为所述RGB影像拍摄的视场角。
在上述方法中，所述第一二值图像中像素点的像素值为1时表示作物，像素点的像素值为0时表示无效背景；
进行二值化图像处理的二值化公式为：
其中，Im为目标小区的第一RGB影像，Im(:,:,1)为目标小区的第一RGB影像中红色(R)波段像素值大小，Im(:,:,2)为目标小区的第一RGB影像中绿色(G)波段像素值大小；Im(:,:,3)为目标小区的第一RGB影像中蓝色(B)波段像素值大小；Gthreshold为像素阈值分割的方法设定的像素阈值。
在上述方法中，所述应用形态学开操作消除所述第一二值图像中的细小目标像素，包括以下步骤：
创建一个指定半径R1的平面的圆盘形的第一结构元素，其中，半径R1计算公式如下：
其中，
为细小目标像素大小，Resolution为影像分辨率；
利用创建的所述第一结构元素对第一二值图像进行形态学开操作，以消除小目标像素。
在上述方法中，所述根据目标小区对应作物的行数，从每个所述目标小区的所述第一二值图像提取出作物的每个作物行的行图像，包括以下步骤：
根据目标小区对应作物的行数，通过霍夫变换检测出每个目标小区的第一二值图像中作物的所有作物行，并确定作物行的行方向；
根据第一二值图像中所有作物行的行方向计算第一二值图像旋转角度，并根据旋转角度旋转第一二值图像，使所有作物行的行方向平行于y轴的方向；其中，所述旋转角度为第一二值图像中所有作物行的行方向的平均值；
统计旋转后第一二值图像对应横坐标上作物像素点的像素值总和，在相同坐标系中，绘制第一二值图像对应横坐标上作物像素点的像素值总和的第一波形图；
获取所述第一波形图中所有波峰位置坐标信息，并以通过波峰位置与x轴相交的直线作为作物行的中心线；
根据所述中心线的横坐标，计算第一二值图像中所有相邻两作物行的中心线的间距，并求间距的中位数，以间距的所述中位数作为相邻两作物行的实际行距；
根据所述实际行距和所述中心线的横坐标裁剪旋转后的所述第一二值图像，得到所述第一二值图像中每个作物行的行图像。
在上述方法中，在所述通过霍夫变换检测出每个目标小区的第一二值图像中作物的所有作物行之前，还包括对所述第一二值图像中作物的作物行进行形态学闭操作处理，具体为：
创建一个指定半径R2的平面圆盘形的第二结构元素，利用第二结构元素对第一二值图像进行形态学闭操作处理；所述第二结构元素的半径大小R2的计算公式为：
其中，
为膨胀系数，初始值为0.2；
为第一二值图像对应作物的行距，Resolution为目标田地的RGB影像的分辨率。
在上述方法中，在所述获取所述第一波形图中所有波峰位置坐标信息中，所述波峰为符合作物行图像特征的波峰；
其中，判断所述第一波形图中波峰是否为符合作物行图像特征的波峰，包括：
设置第一距离和第一波峰值；
当所述第一波形图中的波峰与相邻波峰之间的距离大于等于所述第一距离、且波峰值大于等于索虎第一波峰值时，所述波峰为符合作物行图像特征的波峰；
所述第一距离minpeakdistance1的计算公式为：
其中，
为第一二值图像对应目标小区作物的行距；Resolution为所述RGB影像的分辨率；
所述第一波峰值minpeakheight的计算公式为：
其中，MaxSumgreen为第一二值图像每列作物像素点的像素值总和中的最大值；
为对应作物行最大峰值高度分数，是预设的参数。
在上述方法中，所述检测每个所述行图像得到每个所述行图像中作物的植株数量，并统计得到每个所述第一二值图像对应目标小区的植株数量，利用目标小区的植株数量和目标小区面积计算得到所述目标小区的作物苗期植株密度，包括以下步骤：
基于从第一二值图像中提取的每个作物行的行图像，旋转使行图像中作物行的行方向平行于x轴；
以旋转后行图像对应横坐标为位置坐标，统计每个位置坐标上作物像素点的像素值总和，并在相同坐标系中绘制每个位置坐标上作物像素点的像素值总和的第二波形图；
检测统计获取第二波形图中的第一波峰数量，并以第一波峰数量为对应行图像中作物的植株数量；
将每个第一二值图像中每个行图像的植株数量累加，得到每个第一二值图像对应目标小区的植株数量；
利用植株数量和对应目标小区面积计算出该目标小区的作物苗期植株密度。
在上述方法中，所述第一波峰数量为所述第二波形图中符合植株属性的波峰的数量；
其中，判断所述第二波形图中波峰是否为符合植株属性的波峰，包括：
设置第二距离；
当检测到所述第二波形图中的波峰与相邻波峰间距离大于等于所述第二距离时，将所述波峰统计进所述第一波峰数量；
所述第二距离minipeakdistance2的计算公式如下：
其中，
为对应目标小区内作物的株距；
为可容忍的株距误差系数，根据测量精度要求设定值；
为对应目标小区内作物的行距；
为对应目标小区内作物的实际行距。
本发明还提供了一种基于RGB影像的作物苗期植株密度估算的系统，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计算机程序时实现如上述任意一项所述的基于RGB影像的作物苗期植株密度估算的方法。
本发明利用目标田地的RGB影像，并通过按照作物种类对RGB影像进行裁剪得到对应数量的目标小区，并通过对每个目标小区的第一RGB影像进行植株数量识别，实现同时对目标田地中的多种作物苗期植株密度进行估算，不仅植株数量识别方法准确度高，而且基于第一RGB影像的植株数量识别具有通用性，不需要根据每种作物进行调整，方法简单，适用范围广，利于被广泛应用于对不同场景的作物苗期植株密度估算。
附图说明
图1为本发明实施例提供的一种基于RGB影像的作物苗期植株密度估算的方法的流程图；
图2为本发明实施例中步骤S600的流程图；
图3为本发明实施例中步骤S700的流程图。
具体实施方式
本发明公开了一种基于RGB影像的作物苗期植株密度估算的方法及系统，本领域技术人员可以借鉴本文内容，适当改进工艺参数实现。需要特别指出的是，所有类似的替换和改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明，并且相关人员明显能在不脱离本发明内容、精神和范围的基础上对本文所述内容进行改动或适当变更与组合，来实现和应用本发明技术。
在本发明中，除非另有说明，否则本文中使用的科学和技术名词具有本领域技术人员所通常理解的含义。
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施例对本发明作进一步的详细说明。
近年来，随着轻型多源传感器的飞速发展，为无人机遥感引入了更加强大的工具，而国内外众多研究机构和学者针对基于无人机拍摄的RGB影像的作物表型研究也开展了大量研究工作，能够及时快速有效地获取农业生产中的高通量作物表型信息，这使得基于田间作物苗期的RGB影像，利用计算机图像处理技术，准确高效的估算田间作物苗期植株密度成为可能。
如图1所示，本发明实施例提供了一种基于RGB影像的作物苗期植株密度估算的方法，应用于进行作物苗期植株密度估算的系统，包括以下步骤：
步骤S100、获取目标田地每种作物的行距、株距和行数数据，单位为cm；每种作物在采用机器播种时，行距、株距是固定的，所以在本实施例中，在播种时会将每种作物的播种数据(包括行距、株距和行数)存入存储模块，这样目标田地每种作物的行距、株距可以直接从存储设备中获取，也可以人工采集，然后存储至存储模块，本实施例的存储模块为进行作物苗期植株密度估算的系统的一个模块。
步骤S200、获取目标田地的RGB影像(不包括非目标田地的RGB影像)，计算RGB影像的分辨率。本实施例中，目标田地的RGB影像是通过在同一高度同一视场角连续拍摄目标田地(保证目标田地被完全拍摄到)得到的多张影像拼接得到，本实施例利用搭载高清的数码相机的无人机拍摄目标田地，无人机可以将拍摄得到的RGB影像实时传输至进行作物苗期植株密度估算的系统服务器的，也可以拍摄完成后传送至服务器；本实施例的目标田地的RGB影像的分辨率Resolution的计算公式为：
其中，L为目标田地的RGB影像长边对应的地面实际距离；P为目标田地的RGB影像长边对应的像素数；H为影像的拍摄高度，θ为影像拍摄的视场角。
在本实施例中，在通过在同一高度同一视场角连续拍摄目标田地得到的多张影像拼接得到目标田地的RGB影像前，过滤掉通过搭载高清的数码相机的无人机拍摄的数多张影像中低质量或者无效影像数据，保留高质量或者有效RGB影像，其中，高质量或者有效RGB影像的判别条件为相同场景下RGB影像具有字节数最大的影像为高质量或者有效RGB影像。
步骤S300、根据目标田地中作物的种类对目标田地的RGB影像进行裁剪，得到多个目标小区的第一RGB影像，每个目标小区的第一RGB影像对应一种作物，在目标田地只有一种作物时，可以不对目标田地的RGB影像进行裁剪；在本实施例中，可以通过调用修图软件(如photoshop)裁剪出目标小区，也可以直接通过自编程序方法裁剪出目标小区。
步骤S400、将每个目标小区的第一RGB影像进行二值化图像处理，得到目标小区的第一RGB影像的作物和土壤背景的第一二值图像；步骤S400是对得到的每个目标小区的第一RGB影像进行作物和土壤背景的区分处理，应用像素阈值分割的方法，分类出作物和土壤背景的二值影像。在本实施例中，像素阈值分割的方法的阈值设置方式包括但不限于经验阈值法、自动阈值法、色彩空间变换等方法。利用设置的像素阈值对目标小区的第一RGB影像中的作物和土壤背景进行分类，分类结果为第一二值图像，如作物像素点的像素值用1表示，土壤等无效背景像素点的像素值用0表示。二值化公式为：
其中，Im为目标小区的第一RGB影像，Im(:,:,1)为目标小区的第一RGB影像中红色(R)波段像素值大小，Im(:,:,2)为目标小区的第一RGB影像中绿色(G)波段像素值大小；Im(:,:,3)为目标小区的第一RGB影像中蓝色(B)波段像素值大小；Gthreshold为像素阈值分割的方法设定的像素阈值。
步骤S500、应用形态学开操作消除第一二值图像中的细小目标(杂草、秸秆碎等)像素。在本实施例中，步骤S500包括以下步骤：
创建一个指定半径R1的平面的圆盘形的第一结构元素，其中，半径R1计算公式如下：
其中，
为细小目标像素大小(根据背景噪声像素大小设置，例如设定为0.375)，Resolution为影像分辨率。
利用创建的圆盘形的第一结构元素对第一二值图像进行形态学开操作，以消除小目标像素。
步骤S600、根据目标小区对应作物的行数，从每个目标小区的第一二值图像提取出作物的每个作物行的行图像。
步骤S700、检测从每个第一二值图像中提取的每个行图像，得到每个行图像中作物的植株数量，从而统计得到每个第一二值图像对应目标小区的植株数量，利用植株数量和目标小区面积计算出该目标小区的作物苗期植株密度。
在本实施例中，如图2所示，步骤S600包括以下步骤：
步骤S601、根据目标小区对应作物的行数，通过霍夫变换检测出每个目标小区的第一二值图像中作物的所有作物行，并确定作物行的行方向；在本实施例中，为了便于检测出第一二值图像中作物的作物行，对作物行做进一步的形态学闭操作处理，膨胀作物行，具体为创建一个指定半径R2的平面圆盘形的第二结构元素，利用第二结构元素对第一二值图像进行形态学闭操作处理，第二结构元素的半径大小R2的计算公式为：
其中，
为膨胀系数，初始值为0.2，用于提升行提取的准确率；
为第一二值图像对应作物的行距(步骤S100中获取的)，Resolution为目标田地的RGB影像的分辨率。
在本实施例中，步骤S601具体包括：
通过霍夫直线检测方法分别检测出每个第一二值图像中存在的直线和直线与x轴的夹角，即利用霍夫变换得到路径数组(直线组)ρ和对应的角度数组(直线与x轴的夹角)φ以及含有对应ρ、φ的数组H；
根据每个第一二值图像对应作物的行数，通过霍夫峰值检测方法，从路径数组中筛选出为作物行的直线，并以直线对应的角度为作物行的行方向。
步骤S602、根据第一二值图像中所有作物行的行方向计算第一二值图像旋转角度，并根据旋转角度旋转第一二值图像，使所有作物行的行方向平行于y轴的方向；在本实施例中，旋转角度为第一二值图像中所有作物行的行方向的平均值，即所有作物行对应角度求和，然后用和除以行数得到旋转角度，然后应用最邻近法旋转第一二值图像相应的旋转角度，此时认为第一二值图像中所有作物行与y轴方向平行，为从第一二值图像中提取出行图像做准备。
步骤S603、统计旋转后第一二值图像对应横坐标上作物像素点的像素值总和，在相同坐标系中绘制第一二值图像对应横坐标上作物像素点的像素值总和的第一波形图，即第一波形图的横坐标为旋转后第一二值图像对应横坐标，纵坐标为第一二值图像对应横坐标上作物像素点的像素值总和。
步骤S604、获取第一波形图中所有波峰位置坐标信息，并以通过波峰位置与x轴相交的直线作为作物行的中心线，即中心线方程为y＝c，c为波峰横坐标；由于一些干扰像素的影响，波峰的数量可能多于作物的实际行数，所以本实施例采用峰值检测方法筛选出第一波形图中符合作物行图像特征的波峰，从而减小作物行的行图像提取误差。峰值检测方法为设置第一距离和第一波峰值，第一距离为相邻两波峰之间的最小距离，第一波峰值为波峰的最小峰值，当第一波形图中的波峰与相邻波峰之间的距离小于第一距离和\或波峰值小于第一波峰值，此时，该波峰不属于作物行图像特征的波峰，即通过限定相邻两波峰之间的最小距离以及波峰的最小峰值作为能代表作物行图像的条件。本实施例第一距离minpeakdistance1的计算公式为：
其中，
为第一二值图像对应目标小区作物的行距；Resolution目标田地的RGB影像的分辨率。
本实施例第一波峰值minpeakheihht的计算公式为：
其中，MaxSumgreen为第一二值图像每列作物像素点的像素值总和中的最大值；
为对应作物行最大峰值高度分数，是预设的参数，一般推荐为0.1。
步骤S605、根据中心线横坐标，计算第一二值图像中所有相邻两作物行的中心线的间距(相邻两中心线的横坐标差的绝对值)，并求间距的中位数(即所有间距求和，然后除以作物的行数，得到的值就为间距的中位数)以间距的中位数作为相邻两作物行的实际行距。
步骤S606、根据相邻两作物行的实际行距和中心线横坐标裁剪旋转后的第一二值图像，得到第一二值图像中每个作物行的行图像，即基于中心线横坐标，以作物行中心线左右各一半实际行距的距离，裁剪旋转后的第一二值图像。
在本实施例中，如图3所示，步骤S700包括以下步骤：
步骤S701、基于从第一二值图像中提取的每个作物行的行图像，旋转使行图像中作物行的行方向平行于x轴，为从行图像中检测出植株做准备。
步骤S702、以旋转后行图像对应横坐标为位置坐标，统计每个位置坐标上作物像素点的像素值总和，并在相同坐标系中绘制每个位置坐标上作物像素点的像素值总和的第二波形图，即第二波形图的横坐标为旋转后行图像对应横坐标，纵坐标为行图像每个位置坐标上作物像素点的像素值总和。
步骤S703、检测统计获取第二波形图中的第一波峰数量，并以第一波峰数量为对应行图像中作物的植株数量。为了避免干扰像素影像，本实施例在检测统计获取第二波形图中的第一波峰数量时通过限定相邻波峰间最小距离过滤掉不符合植株属性的波峰，从而减小植株数量统计误差。本实施例预设第二距离minipeakdistance2，以第二距离为相邻波峰间最小距离，当第二波形图中波峰与相邻波峰间距离小于第二距离时，不将该波峰统计至第一波峰数量，只有波峰与相邻波峰间距离大于等于第二距离时，才符合植株属性特征条件，对其进行统计；本实施例第二距离minipeakdistance2的计算公式如下：
其中，
为对应目标小区内作物的株距(步骤S100获取的株距)；
为可容忍的株距误差系数，根据测量精度要求设定值；
为对应目标小区内作物的行距(步骤S100获取的行距)；
为对应目标小区内作物的实际行距(步骤S605计算得到的实际行距)。
步骤S704、将每个第一二值图像中每个行图像的植株数量累加，得到每个第一二值图像对应目标小区的植株数量。
步骤S705、利用植株数量和对应目标小区面积计算出该目标小区的作物苗期植株密度。
测试结果表明，本发明实施例提出的作物苗期植株密度估算的方法不仅能够同时估测出目标田地多种作物的作物苗期植株密度，而且估测得到的作物的作物苗期植株密度与实际情况接近，能够反映真实的田间植株的株数情况。
本实施例提供的作物苗期植株密度估算的方法，还包括：
根据最终的每个目标小区的作物苗期植株密度生成的目标田地幼苗分布情况，本实施例生成的目标田地幼苗分布情况与实际非常相似，能够较好的描述田间幼苗的空间分布特征。
另外，本发明实施例还提供了一种基于RGB影像的作物苗期植株密度估算的系统，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计算机程序时实现如上述一种基于RGB影像的作物苗期植株密度估算的方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于RGB影像的作物苗期植株密度估算的方法，其特征在于，包括：
获取目标田地每种作物播种的行距、株距和行数；
获取目标田地的RGB影像；
根据目标田地中作物的种类对所述RGB影像进行裁剪，得到多个目标小区的第一RGB影像，其中，每个所述目标小区对应一种作物；
将每个所述目标小区的所述第一RGB影像进行二值化图像处理，得到目标小区的作物和土壤背景的第一二值图像；
应用形态学开操作消除所述第一二值图像中的细小目标像素；
根据目标小区对应作物的行数，从每个所述目标小区的所述第一二值图像提取出作物的每个作物行的行图像；
根据所述株距和所述行距检测每个所述行图像得到每个所述行图像中作物的植株数量，并统计得到每个所述第一二值图像对应目标小区的植株数量，利用目标小区的植株数量和目标小区面积计算得到所述目标小区的作物苗期植株密度。
2.根据权利要求1所述的方法，其特征在于，该方法还包括计算所述RGB影像的分辨率，所述RGB影像的分辨率Resolution的计算公式为：
其中，L为所述RGB影像长边对应的地面实际距离；P为所述RGB影像长边对应的像素数；H为所述RGB影像的拍摄高度，θ为所述RGB影像拍摄的视场角。
3.根据权利要求2所述的方法，其特征在于，所述第一二值图像中像素点的像素值为1时表示作物，像素点的像素值为0时表示无效背景；
进行二值化图像处理的二值化公式为：
其中，Im为目标小区的第一RGB影像，Im(:,:,1)为目标小区的第一RGB影像中红色(R)波段像素值大小，Im(:,:,2)为目标小区的第一RGB影像中绿色(G)波段像素值大小；Im(:,:,3)为目标小区的第一RGB影像中蓝色(B)波段像素值大小；Gthreshold为像素阈值分割的方法设定的像素阈值。
4.根据权利要求2所述的方法，其特征在于，所述应用形态学开操作消除所述第一二值图像中的细小目标像素，包括以下步骤：
创建一个指定半径R1的平面的圆盘形的第一结构元素，其中，半径R1计算公式如下：
其中，
为细小目标像素大小，Resolution为影像分辨率；
利用创建的所述第一结构元素对第一二值图像进行形态学开操作，以消除小目标像素。
5.根据权利要求3所述的方法，其特征在于，所述根据目标小区对应作物的行数，从每个所述目标小区的所述第一二值图像提取出作物的每个作物行的行图像，包括以下步骤：
根据目标小区对应作物的行数，通过霍夫变换检测出每个目标小区的第一二值图像中作物的所有作物行，并确定作物行的行方向；
根据第一二值图像中所有作物行的行方向计算第一二值图像旋转角度，并根据旋转角度旋转第一二值图像，使所有作物行的行方向平行于y轴的方向；其中，所述旋转角度为第一二值图像中所有作物行的行方向的平均值；
统计旋转后第一二值图像对应横坐标上作物像素点的像素值总和，在相同坐标系中，绘制第一二值图像对应横坐标上作物像素点的像素值总和的第一波形图；
获取所述第一波形图中所有波峰位置坐标信息，并以通过波峰位置与x轴相交的直线作为作物行的中心线；
根据所述中心线的横坐标，计算第一二值图像中所有相邻两作物行的中心线的间距，并求间距的中位数，以间距的所述中位数作为相邻两作物行的实际行距；
根据所述实际行距和所述中心线的横坐标裁剪旋转后的所述第一二值图像，得到所述第一二值图像中每个作物行的行图像。
6.根据权利要求5所述的方法，其特征在于，在所述通过霍夫变换检测出每个目标小区的第一二值图像中作物的所有作物行之前，还包括对所述第一二值图像中作物的作物行进行形态学闭操作处理，具体为：
创建一个指定半径R2的平面圆盘形的第二结构元素，利用第二结构元素对第一二值图像进行形态学闭操作处理；所述第二结构元素的半径大小R2的计算公式为：
其中，
为膨胀系数，初始值为0.2；
为第一二值图像对应作物的行距，Resolution为目标田地的RGB影像的分辨率。
7.根据权利要求5所述的方法，其特征在于，在所述获取所述第一波形图中所有波峰位置坐标信息中，所述波峰为符合作物行图像特征的波峰；
其中，判断所述第一波形图中波峰是否为符合作物行图像特征的波峰，包括：
设置第一距离和第一波峰值；
当所述第一波形图中的波峰与相邻波峰之间的距离大于等于所述第一距离、且波峰值大于等于索虎第一波峰值时，所述波峰为符合作物行图像特征的波峰；
所述第一距离minpeakdiStance1的计算公式为：
其中，
为第一二值图像对应目标小区作物的行距；Resolution为所述RGB影像的分辨率；
所述第一波峰值minpeakheight的计算公式为：
其中，MaxSumgreen为第一二值图像每列作物像素点的像素值总和中的最大值；
为对应作物行最大峰值高度分数，是预设的参数。
8.根据权利要求5所述的方法，其特征在于，所述检测每个所述行图像得到每个所述行图像中作物的植株数量，并统计得到每个所述第一二值图像对应目标小区的植株数量，利用目标小区的植株数量和目标小区面积计算得到所述目标小区的作物苗期植株密度，包括以下步骤：
基于从第一二值图像中提取的每个作物行的行图像，旋转使行图像中作物行的行方向平行于x轴；
以旋转后行图像对应横坐标为位置坐标，统计每个位置坐标上作物像素点的像素值总和，并在相同坐标系中绘制每个位置坐标上作物像素点的像素值总和的第二波形图；
检测统计获取第二波形图中的第一波峰数量，并以第一波峰数量为对应行图像中作物的植株数量；
将每个第一二值图像中每个行图像的植株数量累加，得到每个第一二值图像对应目标小区的植株数量；
利用植株数量和对应目标小区面积计算出该目标小区的作物苗期植株密度。
9.根据权利要求8所述的方法，其特征在于，所述第一波峰数量为所述第二波形图中符合植株属性的波峰的数量；
其中，判断所述第二波形图中波峰是否为符合植株属性的波峰，包括：
设置第二距离；
当检测到所述第二波形图中的波峰与相邻波峰间距离大于等于所述第二距离时，将所述波峰统计进所述第一波峰数量；
所述第二距离minipeakdistance2的计算公式如下：
其中，
为对应目标小区内作物的株距；
为可容忍的株距误差系数，根据测量精度要求设定值；
为对应目标小区内作物的行距；
为对应目标小区内作物的实际行距。
10.一种基于RGB影像的作物苗期植株密度估算的系统，其特征在于，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计算机程序时实现如权利要求1至9中任意一项所述的基于RGB影像的作物苗期植株密度估算的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011550232.6A CN112614147B (zh) | 2020-12-24 | 2020-12-24 | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011550232.6A CN112614147B (zh) | 2020-12-24 | 2020-12-24 | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112614147A true CN112614147A (zh) | 2021-04-06 |
| CN112614147B CN112614147B (zh) | 2024-03-22 |
Family
ID=75244731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011550232.6A Active CN112614147B (zh) | 2020-12-24 | 2020-12-24 | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112614147B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421301A (zh) * | 2021-07-08 | 2021-09-21 | 浙江大学 | 一种田间作物中心区域定位方法及系统 |
| CN113643231A (zh) * | 2021-06-24 | 2021-11-12 | 河南农业大学 | 一种基于深度图像的作物出苗质量检测方法 |
| CN116246225A (zh) * | 2023-05-12 | 2023-06-09 | 青岛农业大学 | 一种基于图像处理的作物育种监测方法及系统 |
| CN116823918A (zh) * | 2023-08-30 | 2023-09-29 | 北京市农林科学院信息技术研究中心 | 作物苗株数测量方法、装置、电子设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102102988B (zh) * | 2009-12-22 | 2012-12-26 | 中国农业科学院农业环境与可持续发展研究所 | 农作物产量信息实时测量方法、系统及装置 |
| CN104091175B (zh) * | 2014-07-15 | 2017-08-01 | 中国科学院合肥物质科学研究院 | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 |
| CN105844632B (zh) * | 2016-03-21 | 2018-10-16 | 华南农业大学 | 基于机器视觉的稻株识别与定位方法 |
| CN109886094A (zh) * | 2019-01-08 | 2019-06-14 | 中国农业大学 | 一种作物苗情苗势采集分析方法和装置 |
-
2020
- 2020-12-24 CN CN202011550232.6A patent/CN112614147B/zh active Active
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643231A (zh) * | 2021-06-24 | 2021-11-12 | 河南农业大学 | 一种基于深度图像的作物出苗质量检测方法 |
| CN113643231B (zh) * | 2021-06-24 | 2024-04-09 | 河南农业大学 | 一种基于深度图像的作物出苗质量检测方法 |
| CN113421301A (zh) * | 2021-07-08 | 2021-09-21 | 浙江大学 | 一种田间作物中心区域定位方法及系统 |
| CN113421301B (zh) * | 2021-07-08 | 2022-08-05 | 浙江大学 | 一种田间作物中心区域定位方法及系统 |
| CN116246225A (zh) * | 2023-05-12 | 2023-06-09 | 青岛农业大学 | 一种基于图像处理的作物育种监测方法及系统 |
| CN116823918A (zh) * | 2023-08-30 | 2023-09-29 | 北京市农林科学院信息技术研究中心 | 作物苗株数测量方法、装置、电子设备及存储介质 |
| CN116823918B (zh) * | 2023-08-30 | 2023-12-22 | 北京市农林科学院信息技术研究中心 | 作物苗株数测量方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112614147B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112614147B (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 | |
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| CN113012150A (zh) | 一种特征融合的高密度稻田无人机图像稻穗计数方法 | |
| CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
| WO2021226900A1 (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
| CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
| Grocholsky et al. | A camera and laser system for automatic vine balance assessment | |
| Ma et al. | Automatic detection of crop root rows in paddy fields based on straight-line clustering algorithm and supervised learning method | |
| CN115272187A (zh) | 一种基于车载动态视场帧间关联性的田间稻麦倒伏全局评估方法 | |
| CN114066022A (zh) | 基于计算机视觉和深度学习技术的小麦单产观测方法 | |
| CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
| Li et al. | Image detection and verification of visual navigation route during cotton field management period | |
| CN108037123B (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
| CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
| He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
| Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
| CN116576863A (zh) | 一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质 | |
| CN111369497A (zh) | 一种行走式树上果实连续计数方法及装置 | |
| CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 | |
| CN113111892B (zh) | 一种基于无人机影像的作物种植行提取方法 | |
| CN116402879A (zh) | 玉米穗位高测量方法、装置、系统及存储介质 | |
| CN115358991A (zh) | 一种秧苗的漏秧数量和漏秧位置的识别方法及系统 | |
| CN114612899A (zh) | 基于改进YOLOv3的麦苗行中心线检测方法 | |
| Chen et al. | Measurement of the distance from grain divider to harvesting boundary based on dynamic regions of interest. | |
| CN111179303B (zh) | 基于粒子滤波的谷物收获机器人视觉导航方法及其应用 |
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 |