CN113469112B - 农作物生长状况图像识别方法及系统 - Google Patents
农作物生长状况图像识别方法及系统 Download PDFInfo
- Publication number
- CN113469112B CN113469112B CN202110812122.0A CN202110812122A CN113469112B CN 113469112 B CN113469112 B CN 113469112B CN 202110812122 A CN202110812122 A CN 202110812122A CN 113469112 B CN113469112 B CN 113469112B
- Authority
- CN
- China
- Prior art keywords
- leaf
- crops
- crop
- leaves
- observed
- 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
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种农作物生长状况图像识别方法及系统,利用采集的图片对神经网络进行训练,通过训练后的神经网络识别农作物的品种,并对待测农作物图片进行图像分割,识别出待观测农作物的主干和叶子,得到待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度以及叶片完整度,并与该品种的典型值进行比较,进而确定农作物的生长状况;此外,本发明还对农作物的图像识别进行了改进。本发明可以准确确定农作物品种,高效的图像分割方法提高了图像识别的效率。
Description
技术领域
本发明涉及图像识别领域,尤其涉及农作物生长状况的图像识别。
背景技术
中国是农业大国,农业的发展直接影响着我国经济的发展。但是我国现在的农业水平仍处于较低水平,大多还是以农户为单位进行种植,随着科技水平的提高,我国农业也在逐步向现代农业发展,现在很多科研院所以及企业在研究智慧农业。智慧农业是指利用物联网技术对农作物进行监测,并利用自动化技术对农作物进行管理,以提高农业生产的效率。智慧农业包括了很多内容,例如对农作物生长状况、土壤墒情等进行监测,并实现自动灌溉、自动施肥等。
现在发展较为成熟的技术是利用传感器、遥感技术获取例如光照、温度、湿度、土壤墒情等信息,并根据获取的信息和设置好的参数,实现农作物的自动管理。但是这些信息都是间接的获取农作物的生长状况,而且不同农作物生长的不同阶段,对水肥的需求不同,这就需要种植人员不断的对农田进行巡视,并结合自己的经验做出判断。但是当种植的是大面积的农田时,就需要种植人员深入农田里面查看农作物的具体生长状况。
为了能够远程观察农作物的生长状况,智慧农业的技术人员引入了计算机视觉技术,尤其是图像识别技术。但是利用图像识别技术识别农作物生长状况仍有很多问题需要解决,例如没有针对不同品种的农作物进行区分,现有的农作物生长状况监测系统并不会区分不同的品种,而不同品种的农作物生长的并不相同,有些品种的小麦的页面颜色较浅,如果仍然将所有小麦都归为一类,则会导致判断不准确。此外,现有的图像识别技术识别的效果并不理想,采用同一个方法识别所有阶段的农作物仍然会出现识别不准确的问题,而且效率不高。对不同的农作物以及不同生长阶段的农作物,如何能够高效、准确的识别农作物的生长状况是本领域亟待解决的问题。
发明内容
农作物生长状况的监测是智慧农业的重要内容,现在的智慧农业大多集中在自动灌溉、自动施法以及对土壤墒情的监控等,对于农作物的生长状况大多依靠农技人员的经验,需要农技人员不断在农田巡视,当种植面积大时,农技人员工作繁重。现有的农作物生长状况图像识别一方面无法针对不同品种的农作物进行识别,一方面识别效率较低,如何针对不同品种的农作物较快的识别农作物生长状况是发展智慧农业急需解决的问题。
针对上述问题,本发明一方面提供了一种农作物生长状况图像识别方法,包括以下步骤:
1)采集不同品种农作物在不同环境以及不同生长阶段的图片,基于采集的图片对神经网络进行训练,得到训练后的神经网络;所述不同生长阶段包括:幼苗期、拔节期、成熟期;
2)采用双目立体摄像机获取待观测农作物的图片,利用训练后的神经网络对农作物进行识别,得到待观测农作物的品种;
3)对获取的待观测农作物的图片进行图像分割,识别出待观测农作物的主干和叶子,获取主干的高度和主干高度的中心位置的宽度,并获取叶子的图片;基于所述高度、所述宽度获得待观测农作物的株高、茎秆粗细度;根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度;
4)获取待观测农作物在预设生长曲线中相应位置的典型值,将获得的待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度以及叶片完整度与所述典型值进行比较,在显示器上显示偏差百分比,当所述百分比超过预设值时,向用户发出提示信息。
为了提高对农作物图像识别的效率,本发明还提供了一种对待观测农作物图像进行图像分割的方法,具体包括:
判断待观测农作物的生长阶段,如果处于拔节期或者成熟期,则采用边缘检测的分割方法,如果处于幼苗期,则执行以下步骤:
a1)将图片转化为灰度图,找到灰度值的极大值点,并标记极大值点的坐标;
a2)找到至少一条直线,位于所述直线上的极大值点最多,并判断位于一条直线上的极大值点的间距,保留位于一条直线上且间距在一定范围内的极大值点,其他极大值点及其临近预设范围内的点用临近的极小值点替代;
a3)利用分水岭分割方法和修正后的极大值点和修正后的极小值点对图像进行分割。
优选地,所述根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度,包括:
对于通过图像分割识别出的每个叶子,获取双目立体摄像机拍摄的叶片照片,根据叶片的弯曲度、长度、宽度计算出叶片大小,将所有叶片大小的平均值作为叶片大小;
将双目立体摄像机拍摄的所有叶片照片的R值、G值和B值的平均值分别作为叶片RGB颜色值;
分别待观测农作物四个方向叶片的数量,将四个方向叶片的数量的方差的平均值作为叶片分布均衡度;
统计距离地面一定高度的每个叶片的完整度,将叶片的完整度的平均值作为叶面完整度。
在一个实施例中,识别图片中农作物的叶片长度、宽度、叶片颜色,并获取拍摄照片时的光照强度,将叶片长度、宽度、叶片颜色、光照强度输入神经网络对其进行训练。
优选地,在1)、2)之间还包括:根据农作物的高度和/或茎秆粗细度,构建对应品种农作物的预设生长曲线。
另一方面,本发明还提供了一种农作物生长状况图像识别系统,包括以下模块:
采集及神经网络训练模块,用于采集不同品种农作物在不同环境以及不同生长阶段的图片,基于采集的图片对神经网络进行训练,得到训练后的神经网络;所述不同生长阶段包括:幼苗期、拔节期、成熟期;
农作物品种识别模块,用于采用双目立体摄像机获取待观测农作物的图片,利用训练后的神经网络对农作物进行识别,得到待观测农作物的品种;
图像识别模块,用于对获取的待观测农作物的图片进行图像分割,识别出待观测农作物的主干和叶子,获取主干的高度和主干高度的中心位置的宽度,并获取叶子的图片;基于所述高度、所述宽度获得待观测农作物的株高、茎秆粗细度;根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度;
生长状况判断模块,用于获取待观测农作物在预设生长曲线中相应位置的典型值,将获得的待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度以及叶片完整度与所述典型值进行比较,在显示器上显示偏差百分比,当所述百分比超过预设值时,向用户发出提示信息。
优选地,所述对获取的待观测农作物的图片进行图像分割,包括:
判断待观测农作物的生长阶段,如果处于拔节期或者成熟期,则采用边缘检测的分割方法,如果处于幼苗期,则执行以下步骤:
a1)将图片转化为灰度图,找到灰度值的极大值点,并标记极大值点的坐标;
a2)找到至少一条直线,位于所述直线上的极大值点最多,并判断位于一条直线上的极大值点的间距,保留位于一条直线上且间距在一定范围内的极大值点,其他极大值点及其临近预设范围内的点用临近的极小值点替代;
a3)利用分水岭分割方法和修正后的极大值点和修正后的极小值点对图像进行分割。
优选地,所述根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度,包括:
对于通过图像分割识别出的每个叶子,获取双目立体摄像机拍摄的叶片照片,根据叶片的弯曲度、长度、宽度计算出叶片大小,将所有叶片大小的平均值作为叶片大小;
将双目立体摄像机拍摄的所有叶片照片的R值、G值和B值的平均值分别作为叶片RGB颜色值;
分别待观测农作物四个方向叶片的数量,将四个方向叶片的数量的方差的平均值作为叶片分布均衡度;
统计距离地面一定高度的每个叶片的完整度,将叶片的完整度的平均值作为叶面完整度。
优选地,识别图片中农作物的叶片长度、宽度、叶片颜色,并获取拍摄照片时的光照强度,将叶片长度、宽度、叶片颜色、光照强度输入神经网络对其进行训练。
优选地,所述系统还包括预设生长曲线生成模块,用于根据农作物的高度和/或茎秆粗细度,构建对应品种农作物的预设生长曲线。
本发明提出的农作物生长状况图像识别方法及系统克服了现有农作物生长监控无法识别农作物品种,图像识别效率低的问题,利用神经网络和改进的图像分割方法有针对性的解决了上述问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明的结构示意图;
图2为农作物幼苗期的示意图;
图3为分水岭图像分割灰度值的示意图;
图4为农作物生长曲线和阶段示意图。
具体实施方式
下面将结合附图对本发明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做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。
实施例一
相同的农作物,不同的品种,其生长状况不同,例如豫麦34号茎秆较粗、页面成深绿色,中优9507苗期叶较宽大,淡绿色,本发明通过采集不同生长阶段和不同环境下的农作物图片,利用神经网络对其进行训练,可以识别不同品种的农作物,进而根据不同品种的农作物进行生长状况的监控。
本发明一方面提供了一种农作物生长状况图像识别方法,包括以下步骤:
1)采集不同品种农作物在不同环境以及不同生长阶段的图片,基于采集的图片对神经网络进行训练,得到训练后的神经网络;所述不同生长阶段包括:幼苗期、拔节期、成熟期;
2)采用双目立体摄像机获取待观测农作物的图片,利用训练后的神经网络对农作物进行识别,得到待观测农作物的品种;
3)对获取的待观测农作物的图片进行图像分割,识别出待观测农作物的主干和叶子,获取主干的高度和主干高度的中心位置的宽度,并获取叶子的图片;基于所述高度、所述宽度获得待观测农作物的株高、茎秆粗细度;根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度;
4)获取待观测农作物在预设生长曲线中相应位置的典型值,将获得的待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度以及叶片完整度与所述典型值进行比较,在显示器上显示偏差百分比,当所述百分比超过预设值时,向用户发出提示信息。
农作物有自己的生长曲线,根据农作物的生长状况和/或日期又可以把其分为不同阶段,不同种类的农作物幼苗期、拔节期、成熟期的划分有所不同,对于玉米,一般以叶片的数量划分是否属于幼苗期,根据对应品种的均高划分是否是拔节期或者成熟期;对于冬小麦,以日期划分幼苗期、拔节期、成熟期,例如冬小麦从发芽到来年3月份属于幼苗期,3月-5月中下旬属于拔节期,5月中下旬到收获前属于成熟期。
本发明中不同种类的农作物指不同类型的农作物,例如小麦、玉米、大豆属于不同种类的农作物,而不同品种的农作物指同类农作物的不同品种,例如农华101、登海618、京科968等。
在一个实施例中,叶片分布均衡度指以东西南北为轴线形成的四个区域的叶片分布情况。
由于有些种类的农作物的幼苗期不容易观测其茎秆粗细度,在另外一个实施例中,待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度可以根据农作物的种类以及生长阶段进行选择,例如不用获取幼苗期小麦的茎秆粗细度。
为了提高对农作物图像识别的效率,本发明还提供了一种对待观测农作物图像进行图像分割的方法,具体包括:
判断待观测农作物的生长阶段,如果处于拔节期或者成熟期,则采用边缘检测的分割方法,如果处于幼苗期,则执行以下步骤:
a1)将图片转化为灰度图,找到灰度值的极大值点,并标记极大值点的坐标;
a2)找到至少一条直线,位于所述直线上的极大值点最多,并判断位于一条直线上的极大值点的间距,保留位于一条直线上且间距在一定范围内的极大值点,其他极大值点及其临近预设范围内的点用临近的极小值点替代;
a3)利用分水岭分割方法和修正后的极大值点和修正后的极小值点对图像进行分割。
图2为一种农作物幼苗期的示意图,可以看出由于幼苗期农作物的覆盖率较低,而且由于播种时处于一条直线,本发明对图像分割中的分水岭分割方法进行了改进,实验证明对于幼苗期的农作物,改进的分水岭分割方法有效提高了图像分割的效率。
如图2所示,在采集的图片中,农作物分布在一条直线上,而且其间隔基本相同,本发明将采集的图片转化为灰度图后,得到灰度值的极值分布情况,如图3所示。在图2中,由于农作物幼苗中生长有杂草,当杂草刚好生长在位于极大值最多的直线上时,通过极大值的坐标间距可以直接剔除杂草,如果杂草没有生长在所述直线上,则会直接剔除杂草造成的极大值。如图3所示,杂草生长在所述直线上,通过判断极大值坐标的间距可以剔除第三个极大值,在一个实施例中,挨着被剔除的极大值的两个极小值之间的灰度值会用临近的两个极小值之一或者二者的平均值替代,这样通过对图片灰度曲线的优化,可以有效减少分水岭图像分割方法的计算量,提高对农作物幼苗期图像识别的效率。
优选地,所述根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度,包括:
对于通过图像分割识别出的每个叶子,获取双目立体摄像机拍摄的叶片照片,根据叶片的弯曲度、长度、宽度计算出叶片大小,将所有叶片大小的平均值作为叶片大小;
将双目立体摄像机拍摄的所有叶片照片的R值、G值和B值的平均值分别作为叶片RGB颜色值;
分别待观测农作物四个方向叶片的数量,将四个方向叶片的数量的方差的平均值作为叶片分布均衡度;
统计距离地面一定高度的每个叶片的完整度,将叶片的完整度的平均值作为叶面完整度。
农作物品种的识别是根据叶片大小、株高、叶片颜色和/或光照判断,人工神经网络(artificial neural network,ANN),简称神经网络(neural network,NN),是一种模仿生物神经网络的结构和功能的数学模型或计算模型,目前发展较为成熟。本发明采用多层神经网络,对多层神经网络的训练和使用这里不再赘述。
在一个实施例中,在对农作物品种识别之前,先识别农作物的种类,例如小麦、玉米等,然后根据识别的农作物的种类,选择神经网络的输入进而利用神经网络识别出具体的品种。
由于叶片的颜色受光照影响严重,在另外一个实施例中,识别图片中农作物的叶片长度、宽度、叶片颜色,并获取拍摄照片时的光照强度,将叶片长度、宽度、叶片颜色、光照强度输入神经网络对其进行训练。
为了防止神经网络无法识别具体的农作物品种,在另外一个实施例中,如果神经网络不能识别农作物的品种,则系统提示用户输入农作物品种。
优选地,在1)、2)之间还包括:根据农作物的高度和/或茎秆粗细度,构建对应品种农作物的预设生长曲线,如图4所示,其中X轴为生长阶段,Y轴为农作物高度和/或茎秆粗细度。
实施例二
本发明还提供了一种农作物生长状况图像识别系统,包括以下模块:
采集及神经网络训练模块,用于采集不同品种农作物在不同环境以及不同生长阶段的图片,基于采集的图片对神经网络进行训练,得到训练后的神经网络;所述不同生长阶段包括:幼苗期、拔节期、成熟期;
农作物品种识别模块,用于采用双目立体摄像机获取待观测农作物的图片,利用训练后的神经网络对农作物进行识别,得到待观测农作物的品种;
图像识别模块,用于对获取的待观测农作物的图片进行图像分割,识别出待观测农作物的主干和叶子,获取主干的高度和主干高度的中心位置的宽度,并获取叶子的图片;基于所述高度、所述宽度获得待观测农作物的株高、茎秆粗细度;根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度;
生长状况判断模块,用于获取待观测农作物在预设生长曲线中相应位置的典型值,将获得的待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度以及叶片完整度与所述典型值进行比较,在显示器上显示偏差百分比,当所述百分比超过预设值时,向用户发出提示信息。
优选地,所述对获取的待观测农作物的图片进行图像分割,包括:
判断待观测农作物的生长阶段,如果处于拔节期或者成熟期,则采用边缘检测的分割方法,如果处于幼苗期,则执行以下步骤:
a1)将图片转化为灰度图,找到灰度值的极大值点,并标记极大值点的坐标;
a2)找到至少一条直线,位于所述直线上的极大值点最多,并判断位于一条直线上的极大值点的间距,保留位于一条直线上且间距在一定范围内的极大值点,其他极大值点及其临近预设范围内的点用临近的极小值点替代;
a3)利用分水岭分割方法和修正后的极大值点和修正后的极小值点对图像进行分割。
优选地,所述根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度,包括:
对于通过图像分割识别出的每个叶子,获取双目立体摄像机拍摄的叶片照片,根据叶片的弯曲度、长度、宽度计算出叶片大小,将所有叶片大小的平均值作为叶片大小;
将双目立体摄像机拍摄的所有叶片照片的R值、G值和B值的平均值分别作为叶片RGB颜色值;
分别待观测农作物四个方向叶片的数量,将四个方向叶片的数量的方差的平均值作为叶片分布均衡度;
统计距离地面一定高度的每个叶片的完整度,将叶片的完整度的平均值作为叶面完整度。
优选地,识别图片中农作物的叶片长度、宽度、叶片颜色,并获取拍摄照片时的光照强度,将叶片长度、宽度、叶片颜色、光照强度输入神经网络对其进行训练。
优选地,所述系统还包括预设生长曲线生成模块,用于根据农作物的高度和/或茎秆粗细度,构建对应品种农作物的预设生长曲线。
实施例三
本发明还提供了一种计算机可读存储介质,用于存储计算机程序指令,所述计算机程序指令在被处理器执行时实现实施例一的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、存储盘、磁带)、光介质(例如,DVD)、或者半导体介质。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种农作物生长状况图像识别方法,其特征在于,包括以下步骤:
1)采集不同品种农作物在不同环境以及不同生长阶段的图片,基于采集的图片对神经网络进行训练,得到训练后的神经网络;所述不同生长阶段包括:幼苗期、拔节期、成熟期;
2)采用双目立体摄像机获取待观测农作物的图片,利用训练后的神经网络对农作物进行识别,得到待观测农作物的品种;
3)对获取的待观测农作物的图片进行图像分割,识别出待观测农作物的主干和叶子,获取主干的高度和主干高度的中心位置的宽度,并获取叶子的图片;基于所述高度、所述宽度获得待观测农作物的株高、茎秆粗细度;根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度;
4)获取待观测农作物在预设生长曲线中相应位置的典型值,将获得的待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度以及叶片完整度与所述典型值进行比较,在显示器上显示偏差百分比,当所述百分比超过预设值时,向用户发出提示信息;
所述对获取的待观测农作物的图片进行图像分割,包括:
判断待观测农作物的生长阶段,如果处于拔节期或者成熟期,则采用边缘检测的分割方法,如果处于幼苗期,则执行以下步骤:
a1)将图片转化为灰度图,找到灰度值的极大值点,并标记极大值点的坐标;
a2)找到至少一条直线,位于所述直线上的极大值点最多,并判断位于一条直线上的极大值点的间距,保留位于一条直线上且间距在一定范围内的极大值点,其他极大值点及其临近预设范围内的点用临近的极小值点替代;
a3)利用分水岭分割方法和修正后的极大值点和修正后的极小值点对图像进行分割。
2.如权利要求1所述的方法,其特征在于,所述根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度,包括:
对于通过图像分割识别出的每个叶子,获取双目立体摄像机拍摄的叶片照片,根据叶片的弯曲度、长度、宽度计算出叶片大小,将所有叶片大小的平均值作为叶片大小;
将双目立体摄像机拍摄的所有叶片照片的R值、G值和B值的平均值分别作为叶片RGB颜色值;
分别待观测农作物四个方向叶片的数量,将四个方向叶片的数量的方差的平均值作为叶片分布均衡度;
统计距离地面一定高度的每个叶片的完整度,将叶片的完整度的平均值作为叶面完整度。
3.如权利要求1所述的方法,其特征在于,识别图片中农作物的叶片长度、宽度、叶片颜色,并获取拍摄照片时的光照强度,将叶片长度、宽度、叶片颜色、光照强度输入神经网络对其进行训练。
4.如权利要求1所述的方法,其特征在于,在1)、2)之间还包括:根据农作物的高度和/或茎秆粗细度,构建对应品种农作物的预设生长曲线。
5.一种农作物生长状况图像识别系统,其特征在于,包括以下模块:
采集及神经网络训练模块,用于采集不同品种农作物在不同环境以及不同生长阶段的图片,基于采集的图片对神经网络进行训练,得到训练后的神经网络;所述不同生长阶段包括:幼苗期、拔节期、成熟期;
农作物品种识别模块,用于采用双目立体摄像机获取待观测农作物的图片,利用训练后的神经网络对农作物进行识别,得到待观测农作物的品种;
图像识别模块,用于对获取的待观测农作物的图片进行图像分割,识别出待观测农作物的主干和叶子,获取主干的高度和主干高度的中心位置的宽度,并获取叶子的图片;基于所述高度、所述宽度获得待观测农作物的株高、茎秆粗细度;根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度;
生长状况判断模块,用于获取待观测农作物在预设生长曲线中相应位置的典型值,将获得的待观测农作物的株高、茎秆粗细度、叶片大小、叶片颜色、叶片分布均衡度以及叶片完整度与所述典型值进行比较,在显示器上显示偏差百分比,当所述百分比超过预设值时,向用户发出提示信息;
所述对获取的待观测农作物的图片进行图像分割,包括:
判断待观测农作物的生长阶段,如果处于拔节期或者成熟期,则采用边缘检测的分割方法,如果处于幼苗期,则执行以下步骤:
a1)将图片转化为灰度图,找到灰度值的极大值点,并标记极大值点的坐标;
a2)找到至少一条直线,位于所述直线上的极大值点最多,并判断位于一条直线上的极大值点的间距,保留位于一条直线上且间距在一定范围内的极大值点,其他极大值点及其临近预设范围内的点用临近的极小值点替代;
a3)利用分水岭分割方法和修正后的极大值点和修正后的极小值点对图像进行分割。
6.如权利要求5所述的系统,其特征在于,所述根据获取的叶子的图片,获得叶片大小、叶片颜色、叶片分布均衡度、叶片完整度,包括:
对于通过图像分割识别出的每个叶子,获取双目立体摄像机拍摄的叶片照片,根据叶片的弯曲度、长度、宽度计算出叶片大小,将所有叶片大小的平均值作为叶片大小;
将双目立体摄像机拍摄的所有叶片照片的R值、G值和B值的平均值分别作为叶片RGB颜色值;
分别待观测农作物四个方向叶片的数量,将四个方向叶片的数量的方差的平均值作为叶片分布均衡度;
统计距离地面一定高度的每个叶片的完整度,将叶片的完整度的平均值作为叶面完整度。
7.如权利要求5所述的系统,其特征在于,识别图片中农作物的叶片长度、宽度、叶片颜色,并获取拍摄照片时的光照强度,将叶片长度、宽度、叶片颜色、光照强度输入神经网络对其进行训练。
8.如权利要求5所述的系统,其特征在于,所述系统还包括预设生长曲线生成模块,用于根据农作物的高度和/或茎秆粗细度,构建对应品种农作物的预设生长曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812122.0A CN113469112B (zh) | 2021-07-19 | 2021-07-19 | 农作物生长状况图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812122.0A CN113469112B (zh) | 2021-07-19 | 2021-07-19 | 农作物生长状况图像识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469112A CN113469112A (zh) | 2021-10-01 |
CN113469112B true CN113469112B (zh) | 2022-06-21 |
Family
ID=77881010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110812122.0A Active CN113469112B (zh) | 2021-07-19 | 2021-07-19 | 农作物生长状况图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469112B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743100B (zh) * | 2022-04-06 | 2023-05-23 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品长势监测方法和系统 |
CN115413550B (zh) * | 2022-11-07 | 2023-03-14 | 中化现代农业有限公司 | 甜菜植保方法及甜菜植保设备 |
CN115661551B (zh) * | 2022-12-08 | 2023-06-20 | 中化现代农业有限公司 | 一种基于分裂注意力残差网络的小麦植株识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220647A (zh) * | 2017-06-05 | 2017-09-29 | 中国农业大学 | 一种叶片交叉条件下作物中心点定位方法及系统 |
CN108648190A (zh) * | 2018-05-15 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
CN111696122A (zh) * | 2020-06-12 | 2020-09-22 | 北京数字绿土科技有限公司 | 农作物表型参数提取方法及装置 |
CN111724272A (zh) * | 2020-06-08 | 2020-09-29 | 黑龙江省网络空间研究中心 | 农作物生长状况数据分析系统及方法 |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
CN112930817A (zh) * | 2019-12-10 | 2021-06-11 | 中移(成都)信息通信科技有限公司 | 农作物的智能种植方法、装置、系统、终端设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102948282B (zh) * | 2012-10-31 | 2013-12-25 | 北京农业信息技术研究中心 | 小麦麦穗发芽程度检测方法 |
CN109934158B (zh) * | 2019-03-11 | 2020-03-17 | 合肥工业大学 | 基于局部强化运动历史图和递归卷积神经网络的视频情感识别方法 |
CN110288594B (zh) * | 2019-07-02 | 2021-06-04 | 河北农业大学 | 一种植物冠层结构性状分析方法 |
CN112818749B (zh) * | 2020-12-31 | 2022-09-13 | 中国电子科技集团公司第二十七研究所 | 一年两熟地区大宗粮油作物复种模式遥感监测方法 |
-
2021
- 2021-07-19 CN CN202110812122.0A patent/CN113469112B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220647A (zh) * | 2017-06-05 | 2017-09-29 | 中国农业大学 | 一种叶片交叉条件下作物中心点定位方法及系统 |
CN108648190A (zh) * | 2018-05-15 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
CN112930817A (zh) * | 2019-12-10 | 2021-06-11 | 中移(成都)信息通信科技有限公司 | 农作物的智能种植方法、装置、系统、终端设备及介质 |
CN111724272A (zh) * | 2020-06-08 | 2020-09-29 | 黑龙江省网络空间研究中心 | 农作物生长状况数据分析系统及方法 |
CN111696122A (zh) * | 2020-06-12 | 2020-09-22 | 北京数字绿土科技有限公司 | 农作物表型参数提取方法及装置 |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
Non-Patent Citations (4)
Title |
---|
Weed classification by active shape models[J]. Biosystems engineering;Sogaard H T等;《Biosystems engineering》;20051231;第91卷(第3期);第271-281页 * |
基于图像处理的玉米叶片特征提取与识别系统;邓立苗等;《中国农机化学报》;20141130;第35卷(第6期);摘要、第2-3节 * |
基于梯度边缘增强和极小值填充的分水岭分割算法;王祥等;《电脑知识与技术》;20160930;第12卷(第27期);第131-133页 * |
机器学习在农作物品种识别中的应用研究进展;阳灵燕等;《中国农学通报》;20201231;第36卷(第30期);第158-164页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113469112A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
US10028426B2 (en) | Agronomic systems, methods and apparatuses | |
US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
US20180014452A1 (en) | Agronomic systems, methods and apparatuses | |
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 | |
CN110455340A (zh) | 一种基于大数据的农产品种植环境检测系统 | |
JP2019187259A (ja) | 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム | |
CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CN111915332A (zh) | 一种基于大数据的农产品安全溯源追踪监测管理系统 | |
CN113034301A (zh) | 一种农作物生长管理系统及方法 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN112215522A (zh) | 农作物长势监测系统、方法、计算机设备及存储介质 | |
CN112836623A (zh) | 设施番茄农事决策辅助方法及装置 | |
CN112330149A (zh) | 一种作物管理系统、方法、装置及电子设备 | |
CN108985664A (zh) | 一种智能农场现场监测管理系统及方法 | |
CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CA3196136A1 (en) | Advanced crop manager for crops stress mitigation | |
CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
CN112036313A (zh) | 烟草种植面积检测方法、装置、设备及可读存储介质 | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220301 Address after: 472000 municipal government office building, No. 47, Gushan Road, Hubin District, Sanmenxia City, Henan Province Applicant after: Sanmenxia Rural Revitalization Bureau Address before: 472000 3rd floor, municipal government office building, No. 47, Gushan Road, Sanmenxia City, Henan Province Applicant before: Sanmenxia poverty alleviation and Development Office |
|
GR01 | Patent grant | ||
GR01 | Patent grant |