CN113723195A - 基于图像识别技术的农作物旱情识别系统及管理平台 - Google Patents
基于图像识别技术的农作物旱情识别系统及管理平台 Download PDFInfo
- Publication number
- CN113723195A CN113723195A CN202110875620.XA CN202110875620A CN113723195A CN 113723195 A CN113723195 A CN 113723195A CN 202110875620 A CN202110875620 A CN 202110875620A CN 113723195 A CN113723195 A CN 113723195A
- Authority
- CN
- China
- Prior art keywords
- image
- drought
- crop
- color
- data
- 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.)
- Pending
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000003706 image smoothing Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004148 unit process Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 241000196324 Embryophyta Species 0.000 description 11
- 238000011161 development Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 244000105624 Arachis hypogaea Species 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 4
- 244000068988 Glycine max Species 0.000 description 4
- 235000010469 Glycine max Nutrition 0.000 description 4
- 241000219146 Gossypium Species 0.000 description 4
- 241000209140 Triticum Species 0.000 description 4
- 235000021307 Triticum Nutrition 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 244000038559 crop plants Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000020232 peanut Nutrition 0.000 description 4
- 240000007594 Oryza sativa Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000008641 drought stress Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 235000017060 Arachis glabrata Nutrition 0.000 description 2
- 235000010777 Arachis hypogaea Nutrition 0.000 description 2
- 235000018262 Arachis monticola Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像识别技术的农作物旱情识别系统及管理平台,属于农业干旱监测技术领域,包括:数据库用于存储农作物叶面及植株特征数据、农作物图片数据;图像采集单元用于采集农作物图像信息;数据信息传输单元用于信息的传输;控制器内部设置有图像处理单元、图像特征提取、图像识别与干旱等级判断单元;图像处理单元,用于对农作物图像信息进行算术运算和变换处理;图像特征提取单元用于提取图像的颜色和纹理特征;图像识别与干旱等级判断单元用于根据图像的颜色和纹理特征判别干旱等级。该系统通过采集农作物图像信息,并与数据库中存储的数据进行对比分析,以判断作物的干旱状态,实现对农田作物干旱状态的精准识别和动态跟踪。
Description
技术领域
本发明属于农业干旱监测技术领域,具体涉及一种基于图像识别技术的农 作物旱情识别系统及管理平台。
背景技术
农业干旱一般是指在农作物生长期间,因土壤水分供应不足导致农田水量 供需不平衡,使土壤含水量低于农作物的需水量,从而阻碍农作物正常生长发 育的现象。在《农业干旱等级》(GB/T32136-2015)标准中,将农业干旱等 级分为4级,依次是轻旱、中旱、重旱、特旱。不同等级的农业干旱,对不同 生育期的农作物造成的影响不同,使农作物产量降低,最严重的可以导致农作 物绝收。中国1950-2000年统计资料表明,我国农作物年平均受干旱灾害面积 约为2117万公顷,占全国农作物播种总面积的15.1%,其中成灾面积约为917.9万公顷,约占全国农作物播种总面积的7.1%。作为我国主要粮食产区, 农业干旱对其影响更大,不仅会影响其经济社会发展,甚至会威胁到全国的粮 食安全。
农业干旱监测作为减轻农业灾害损失与影响的重要途径,是干旱研究的薄 弱环节之一。目前,农业干旱的监测手段主要包括基于站点监测和基于遥感监 测两种。传统的农业干旱监测主要采取田间定点观测或随机调查等手段。这类 方法在大范围业务应用中需要投入大量的人力和物力,耗费的时间较长,只能 获得空间上离散点的信息。遥感监测技术具有监测范围广、受地面条件限制少、 数据更新频率快、时效性高等优点,主要用来对大面积的农业干旱进行监测和 动态跟踪,但不适合小型农场的实时、小面积监测,精准度也有待进一步提高。
伴随着现代农业从数字农业、精准农业到智慧农业的转变以及农业物联网 技术的发展,基于图像采集单元的图片识别技术在农田监测领域逐渐兴起。因 此,本申请在充分收集、分析、整理相关资料与文献的基础上,提出了一种基 于图像识别技术的农作物旱情识别系统及管理平台。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种基于图像识别技术 的农作物旱情识别系统。
为了实现上述目的,本发明提供如下技术方案:
一种基于图像识别技术的农作物旱情识别系统,包括:
数据库,用于存储农作物叶面及植株特征数据、农作物图片数据,每个所 述农作物图片数据对应一个干旱等级;
图像采集单元,用于采集农作物图像信息;
数据信息传输单元,用于将所述农作物图像信息发送到远程控制器,并将 所述远程控制器下发的操作指令发送到所述图像采集单元;
所述远程控制器内部设置有图像处理单元、图像特征提取单元、图像识别 与干旱等级判断单元;
所述图像处理单元,用于对农作物图像信息进行算术运算和变换处理,消 除图像采集过程中产生的随机噪声和光照因素;
所述图像特征提取单元,用于提取所述图像处理单元处理后所述农作物图 像的颜色和纹理特征;
所述图像识别与干旱等级判断单元,用于将所述农作物图像的颜色和纹理 特征与所述数据库中存储的数据进行对比,根据对比结果判别农作物干旱等级。
优选地,所述图像处理单元对图像的处理包括图像颜色空间转换、灰度变 换、图像平滑和增强;
所述图像颜色变化是将农作物图像信息由RGB格式转化为HSV格式,以 降低颜色特征维数,并效消除自然光照的影响,两者之间转换关系为:
V=max(r,g,b)
if H<0,then H=H+360
所述灰度变换是将农作物图像信息中像素灰度经过数学运算转换成新的灰 度值,计算公式为:
Gray(x,y)=0.299r(x,y)+0.587g(x,y)+0.114b(x,y) (2)
其中,x,y表示每幅图像中当前需要灰度化的像素位置,r、g、b依次为彩 色图像当前像素位置三通道的数值;V为色彩明度;H为色调;S为饱和度;
所述图像平滑采用中值滤波算法,将农作物图像某个邻域内所有像素点按 照大小排列,取排序像素集中位于中间位置的值作为中值滤波后的像素值;像 素点(x,y)对应邻域内所有像素点x1,x2,...,xn按照升序进行排列,得到xi1≤xi2≤,..., ≤Xin,其计算公式为:
y即是中值滤波后的结果;
所述图像增强采用直方图均衡化分析法进行图像增强,给定一幅连续的图 像,a为其原始的灰度级对应的值,就有s=T(a)(0≤a≤1),式中T满足以下条 件:T(a)在区间0≤a≤1单调递增,并且0≤T(a)≤1。
优选地,所述数据信息传输单元的传输过程包括:所述图像采集单元所采 集的图像数据通过WiFi无线技术上传至Sink节点;由Sink节点、网关节点和 4G网络构成的传输子系统负责将采集的图像传输到远程控制器,并转发远程控 制器的指令到所述图像采集单元,以控制图像的采集过程。
优选地,所述图像特征提取单元提取的内容包括HSV颜色特征直方图和纹 理特征直方图;
所述HSV颜色特征直方图的计算方法是对经过预处理的HSV图像颜色进 行量化,将图像颜色空间划分成若干个小的颜色区间,其中H通道分成50个 区间,S和V通道各分成10个区间,用每个小区间内像素点数目除以各分量图 像素点数目,最终得到归一化直方图;
采用改进后的UPLBP算子检测图像的纹理信息,并对其做直方图统计, 提取出纹理特征直方图。
优选地,提取所述纹理特征直方图包括以下步骤:
将输入的彩色图像转换为灰度图像,选用邻域3*3进行中值滤波完成降噪, 然后对滤波后的图像采用直方图均衡化实现图像增强处理;
选取半径为1,采样点个数为8的窗口,计算出图像原始LBP值,然后使 用UPLBP算子进行等价LBP编码,得到图像的纹理特征,其R=3,P=8;
将UPLBP纹理特征图划分成7*7个子区域,计算出每个子区域的直方图, 将上步得到的每一个子区域直方图做归一化处理然后将其按顺序排成一行形成 特征向量。
优选地,所述图像识别与干旱等级判断单元采用基于线性加权距离的K近 邻干旱等级识别方法,分别计算出HSV颜色特征直方图和纹理特征直方图特征 向量之间的距离,对两者分配权重进行加权相加,得到的结果作为最终的距离 值,并以此为依据进行干旱等级判别。
优选地,所述图像采集单元包括光学镜头及控制所述光学镜头的主板,所 述主板通过外围接口连接有传输设备。
优选地,还包括太阳能供电系统,所述太阳能供电系统为所述图像采集单 元供电。
基于同一种发明构思,本申请还提供一种基于图像识别技术的农作物旱情 识别系统的旱情管理平台,包括:
网络管理模块,用于对所述图像采集单元进行管理和配置;
数据采集模块,用于发布图像采集命令并修改采集参数;
数据查询模块,用于查询系统所收集到的农田环境数据和图片数据;
训练库管理模块,用于管理图片数据库;
分析与诊断模块,用于对采集到图片进行处理,根据处理结果做出旱情诊 断;
系统管理和维护模块,用于对所述平台进行管理维护。
本发明提供的基于图像识别技术的农作物旱情识别系统及管理平台具有以 下有益效果:
(1)本发明主要用于小型农场的实时、小面积干旱监测,与传统的基于站 点的监测手段和基于遥感的监测手段相比,具有投资小、精度高、省时省力、 易于推广的优点。
(2)本发明将图像识别技术引入干旱监测领域,提供了一种新的、高精度 的干旱监测手段。
(3)本发明建立了不同程度干旱胁迫下作物植株及叶面形态特征数据库, 并根据干旱等级划分标准将其分类,可为农田干旱程度的判别提供依据。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的 附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领 域普通技术人员来说,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为本发明实施例1的基于图像识别技术的农作物旱情识别系统的识别 流程图;
图2为图像采集单元组成结构;
图3为基于WiFi+4G的监控信息传输系统;
图4为旱情管理平台的结构框图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面 结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地 说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明在充分收集、分析、整理相关资料与文献的基础上,提出了一种基 于图像识别技术的农作物旱情识别系统,以实现对农田作物干旱状态的精准识 别和动态跟踪。该系统包括数据库、图像采集单元、数据信息传输单元和远程 控制器。
数据库用于存储农作物叶面及植株特征数据、农作物图片数据,每个农作 物图片数据对应一个干旱等级(如轻旱、中旱、重旱、特旱)。
农作物叶面及植株特征数据具体为不同程度干旱胁迫下作物植株及叶面形 态数据库,主要包括不同农作物(主要包括冬小麦、玉米、棉花、花生、大豆 等)、不同生长发育阶段、不同覆盖程度的干旱形态指标体系(如作物颜色、 叶面积、纹理、植株高度等)及相应旱情下土壤、作物形态照片所构成的数据 库。
在总结前人成果、进一步查阅文献的基础上,购置试验设备和材料开展 室内试验,参考《农业干旱等级》(GB/T32136-2015)中基于农田与作物干 旱形态指标所划分的干旱等级(轻旱、中旱、重旱、特旱),筛选出不同农 作物(主要包括冬小麦、水稻、夏玉米、棉花、花生、大豆等)、不同生长 发育阶段(播种期、旱地作物出苗期、水稻移栽期、生长发育阶段等)、不 同覆盖程度的干旱形态指标体系(如作物颜色、叶面积、纹理、植株高度等), 建立相应旱情(轻旱、中旱、重旱、特旱)下作物形态照片数据库,本实施 例中数据库的建议包括以下几种情况:
①作物叶面特征及植株特征。叶面特征:叶面形状、纹理特征、颜色特征。 植株特征:高度、叶株夹角、植株形状、植株直径等。
②作物图片数据库:分作物不同生长期建立图片库,包括作物覆盖度图片、 水肥充足条件下图片库、不同旱象条件下的图片库、不同作物种类图片库(小 麦、水稻、玉米、棉花、大豆、花生等)、地表杂草长势图片(分干旱状态和 非干旱状态)、坑塘水情图片库(正常状态、干旱状态、干涸持续时间)等。
在充分分析国内外相关研究的基础上,采用室内实验与野外试验相结合的 方法,开展不同程度干旱胁迫下作物植株及叶面形态学研究,筛选出不同农作 物(主要包括冬小麦、玉米、棉花、花生、大豆等)、不同生长发育阶段、不 同覆盖程度的干旱形态指标体系(如作物颜色、叶面积、纹理、植株高度等), 并建立相应旱情下土壤、作物形态照片数据库。
图像采集单元用于采集农作物图像信息,并将采集到的农作物图像信息通 过数据信息传输单元发送到远程控制器;
图像采集单元作为农作物干旱程度观测的关键组成部分,是进行作物干旱 观测的基础,主要负责作物图像的采集,一般由光学镜头、主板、CCD或CMOS 感光元件、控制电路与外围接口组成,主板用于控制光学镜头主板通过外围接 口连接有传输设备,如图2所示。处理器采用SAMSUNG公司基于ARM11内核 构建的高性能多媒体处理器平台S3C6410,处理器模块通过20针的 CI F(Camera I nterface)接口向图像采集模块发送图像采集命令,并将采集 的数据读入内存,然后进行图像JPEG压缩,最后通过无线通信模块发送到 控制中心的远程控制器。图像采集单元采用豪威科技(Omn iVi s ion)公司的 OS08A10(最大分辨率为800万像素)。供电设备主要为太阳能供电系统,太阳 能供电系统包括太阳能电池板、充放电控制电路和可充电蓄电池三部分,通过 USB接口为图像采集单元供电。对拍摄的图像进行人工的筛选,筛选质量较好 的图像组成图像样本库。
为了获得有利于后期分析处理的图像,注意拍摄的角度以及光照条件。对 拍摄的图像进行人工的筛选,筛选质量较好的农作物图片数据组成图像样本库。
数据信息传输单元用于信息的传输,用于将农作物图像信息发送到远程控 制器,并将远程控制器下发的操作指令发送到图像采集单元。
结合农田监测实际需要,开发基于WiFi+4G的信息传输系统,负责将节点 采集的图像传输到远程服务器。如图3所示,节点的WiFi模块工作在 Infrastructure模式下,汇聚节点或网关节点作为无线AP(Access Point,访问站 点)对采集网络进行控制,向节点发送控制命令和接收节点上传的图像/视频数 据。选用台湾无线城网络科技有限公司生产的IDU-2850UG-2G无线网卡作为 WiFi模块。并在其之上设计了传输控制机制,以保证整个系统的可靠运行。数 据信息传输单元的传输过程包括:图像采集单元所采集的图像数据通过WiFi 无线技术上传至Sink节点;由Sink节点、网关节点和4G网络构成的传输子系 统负责将采集的图像传输到远程控制器,并转发远程控制器的指令到所述图像 采集单元,以控制图像的采集过程。
远程控制器内部设置有图像处理单元、图像特征提取单元、图像识别与干 旱等级判断单元。
图像处理单元用于对农作物图像信息进行算术运算和变换处理,消除图像 采集过程中产生的随机噪声和光照等因素的不利影响,增强主要特征信息的可 检测性。预处理包括图像颜色空间转换、灰度变换、图像平滑、增强等。
图像颜色变化主要是将农作物图像信息由RGB格式转化为HSV格式,以 降低颜色特征维数,并效消除自然光照的影响,两者之间转换关系为:
V=max(r,g,b)
if H<0,thenH=H+360
灰度变换是将农作物图像信息中像素灰度经过数学运算转换成新的灰度值, 可以降低光照的影响,增强图像对比度,计算公式为:
Gray(x,y)=0.299r(x,y)+0.587g(x,y)+0.114b(x,y) (2)
其中,x,y表示每幅图像中当前需要灰度化的像素位置,r、g、b依次为彩 色图像当前像素位置三通道的数值;V为色彩明度;H为色调;S为饱和度。
图像平滑的作用主要是消除图像中的噪声,改善图像质量,采用方法为中 值滤波算法,其原理是将农作物图像某个邻域内所有像素点按照大小排列,取 排序像素集中位于中间位置的值作为中值滤波后的像素值。像素点(x,y)对 应邻域内所有像素点x1,x2,...,xn按照升序进行排列,得到xi1≤xi2≤,...,≤xin,其计 算公式为:
y即是中值滤波后的结果。
采用直方图均衡化分析法进行图像增强,其原理是:给定一幅连续的图像, a为其原始的灰度级对应的值,就有s=T(a)(0≤a≤1),式中T满足以下条件: T(a)在区间0a≤1单调递增,并且0≤T(a)≤1。
图像特征提取单元主要从颜色和纹理两个方面进行特征提取,包括HSV颜 色特征直方图和纹理特征直方图。颜色直方图计算方法是对经过预处理的HSV 图像颜色进行量化,将图像颜色空间划分成若干个小的颜色区间,其中H通道 分成50个区间,S和V通道各分成10个区间,用每个小区间内像素点数目除 以各分量图像素点数目,最终得到归一化直方图。采用改进后的UPLBP算子 检测图像的纹理信息,并对其做直方图统计,提取出纹理特征直方图。
提取纹理特征直方图具体步骤为:
第一步、将输入彩色图像转换为灰度图像,选用邻域3*3进行中值滤波完 成降噪,然后对滤波完图像采用直方图均衡化实现图像增强处理。
第二步、选取半径为1,采样点个数为8的窗口,计算出图像原始LBP值, 然后使用UPLBP算子(R=3,P=8)进行等价LBP编码,得到图像的纹理特征。 第三步、将UPLBP纹理特征图划分成7*7个子区域,计算出每个子区域的直 方图,将上步得到的每一个子区域直方图做归一化处理然后将其按顺序排成一 行形成特征向量。
图像识别与干旱等级判断单元用于将农作物图像的颜色和纹理特征与数据 库中存储的数据进行对比,根据对比结果判别农作物干旱等级。
K近邻算法(KNearest Neighbor,KNN)的工作原理是现有一个样本库, 也称为训练集,并且该样本库中每个数据都已设定好对应标签。对于本发明, 即知道样本库每一张图片所对应的干旱等级(如轻旱、中旱、重旱、特旱)。 在输入一个新的图片数据时,将新数据的特征与样本库中所有数据特征进行相 似度对比,提取出与样本库中特征最相似的数据,选择K个最相似数据中出现 次数最多的分类,作为新数据的分类等级,即采用测量不同特征值之间的距离 (相似度)方法进行干旱等级的判别。本发明采用基于线性加权距离的K近邻干 旱等级识别方法,即分别计算出HSV颜色特征直方图和纹理特征直方图特征向 量之间的距离,对两者分配权重进行加权相加,得到的结果作为最终的距离值, 并以此为依据进行干旱等级判别,其流程图如图1所示。
基于同一个发明构思,如图4所示,本实施例还提供一种基于图像识别技 术的农作物旱情识别系统的旱情管理平台,具体为一种可视化的农田干旱信息 综合管理平台,为了更好地对采集的数据进行存储、管理和应用,方便用户通 过Internet远程访问采集网络和服务器存储的数据,设计一个基于Web的可视 化农田干旱信息综合管理系统,旨在为用户提供远程在线查询、统计、控制等 功能,从而实现用户对农田环境和农作物干旱状态远程、实时和可视化监测。 平台主要由网络管理、数据采集、数据查询、训练库管理、数据分析与智能诊 断、系统管理与维护共6个模块组成。
网络管理模块用来对田间图像采集单元进行管理和配置,包括网络配置和 观测节点配置;数据采集模块用来发布图像采集命令并修改采集参数,包括采 集参数设置和采集命令发布;数据查询模块用来查询系统所收集到的农田环境 数据和图片等多媒体数据,包括农田环境数据查询和多媒体数据查询;训练库 管理模块用来管理图片数据库,包括田间环境指标和作物干旱图片样本;分析 与诊断模块是该平台的核心,即将采集节点采集到图片进行处理,提取相关特 征,并与图片数据库中的图片特征进行对比,判别旱情等级,包括数据分析和 智能诊断,其中数据分析对象包括农田环境数据和多媒体数据,智能诊断包括 田间环境诊断、干旱程度诊断及决策建议;系统管理和维护模块用于平台的日 常维护和管理,包括用户管理、数据库管理和软件维护。
本实施例通过图像采集单元采集到田间土壤、作物的照片,并与数据库中 的数据进行对比分析,以判断作物的干旱状态,实现对农田作物干旱状态的精 准识别和动态跟踪。主要实现作物叶片图像预处理、特征信息提取、分类识别 和旱情等级判断等功能。针对作物图像易受自然光线和角度等因素的影响,采 用颜色空间变换和中值滤波算法对图像进行预处理,然后采用直方图特征提取 算法对作物图像干旱形态指标进行提取并生成对应特征向量,最后采用基于加 权距离K近邻算法对作物图像进行分类识别,将最终诊断结果发送给主控制器 进行干旱等级判定和决策,实现农田干旱实时监测功能。图像识别技术在农业 方面的应用主要集中在病虫害防治方面,在干旱监测方面的应用还未见报道, 本发明将图像识别技术引入干旱监测领域,提供了一种新的、高精度的干旱监 测手段。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限 于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地 得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (9)
1.一种基于图像识别技术的农作物旱情识别系统,其特征在于,包括:
数据库,用于存储农作物叶面及植株特征数据、农作物图片数据,每个所述农作物图片数据对应一个干旱等级;
图像采集单元,用于采集农作物图像信息;
数据信息传输单元,用于将所述农作物图像信息发送到远程控制器,并将所述远程控制器下发的操作指令发送到所述图像采集单元;
所述远程控制器内部设置有图像处理单元、图像特征提取单元、图像识别与干旱等级判断单元;
所述图像处理单元,用于对农作物图像信息进行算术运算和变换处理,消除图像采集过程中产生的随机噪声和光照因素;
所述图像特征提取单元,用于提取所述图像处理单元处理后所述农作物图像的颜色和纹理特征;
所述图像识别与干旱等级判断单元,用于将所述农作物图像的颜色和纹理特征与所述数据库中存储的数据进行对比,根据对比结果判别农作物干旱等级。
2.根据权利要求1所述的基于图像识别技术的农作物旱情识别系统,其特征在于,所述图像处理单元对图像的处理包括图像颜色空间转换、灰度变换、图像平滑和增强;
所述图像颜色变化是将农作物图像信息由RGB格式转化为HSV格式,以降低颜色特征维数,并效消除自然光照的影响,两者之间转换关系为:
V=max(r,g,b)
if H<0,then H=H+360
所述灰度变换是将农作物图像信息中像素灰度经过数学运算转换成新的灰度值,计算公式为:
Gray(x,y)=0.299r(x,y)+0.587g(x,y)+0.114b(x,y) (2)
其中,x,y表示每幅图像中当前需要灰度化的像素位置,r、g、b依次为彩色图像当前像素位置三通道的数值;V为色彩明度;H为色调;S为饱和度;
所述图像平滑采用中值滤波算法,将农作物图像某个邻域内所有像素点按照大小排列,取排序像素集中位于中间位置的值作为中值滤波后的像素值;像素点(x,y)对应邻域内所有像素点x1,x2,...,xn按照升序进行排列,得到xi1≤xi2≤,...,≤xin,其计算公式为:
y即是中值滤波后的结果;
所述图像增强采用直方图均衡化分析法进行图像增强,给定一幅连续的图像,a为其原始的灰度级对应的值,就有s=T(a)(0≤a≤1),式中T满足以下条件:T(a)在区间0a≤1单调递增,并且0≤T(a)≤1。
3.根据权利要求1所述的基于图像识别技术的农作物旱情识别系统,其特征在于,所述数据信息传输单元的传输过程包括:所述图像采集单元所采集的图像数据通过WiFi无线技术上传至Sink节点;由Sink节点、网关节点和4G网络构成的传输子系统负责将采集的图像传输到远程控制器,并转发远程控制器的指令到所述图像采集单元,以控制图像的采集过程。
4.根据权利要求2所述的基于图像识别技术的农作物旱情识别系统,其特征在于,所述图像特征提取单元提取的内容包括HSV颜色特征直方图和纹理特征直方图;
所述HSV颜色特征直方图的计算方法是对经过预处理的HSV图像颜色进行量化,将图像颜色空间划分成若干个颜色区间,其中H通道分成50个区间,S和V通道各分成10个区间,用每个区间内像素点数目除以各分量图像素点数目,最终得到归一化直方图;
采用改进后的UPLBP算子检测图像的纹理信息,并对其做直方图统计,提取出纹理特征直方图。
5.根据权利要求4所述的基于图像识别技术的农作物旱情识别系统,其特征在于,提取所述纹理特征直方图包括以下步骤:
将输入的彩色图像转换为灰度图像,选用邻域3*3进行中值滤波完成降噪,然后对滤波后的图像采用直方图均衡化实现图像增强处理;
选取半径为1,采样点个数为8的窗口,计算出图像原始LBP值,然后使用UPLBP算子进行等价LBP编码,得到图像的纹理特征,其R=3,P=8;
将UPLBP纹理特征图划分成7*7个子区域,计算出每个子区域的直方图,将上步得到的每一个子区域直方图做归一化处理然后将其按顺序排成一行形成特征向量。
6.根据权利要求5所述的基于图像识别技术的农作物旱情识别系统,其特征在于,所述图像识别与干旱等级判断单元采用基于线性加权距离的K近邻干旱等级识别方法,分别计算出HSV颜色特征直方图和纹理特征直方图特征向量之间的距离,对两者分配权重进行加权相加,得到的结果作为最终的距离值,并以此为依据进行干旱等级判别。
7.根据权利要求1所述的基于图像识别技术的农作物旱情识别系统,其特征在于,所述图像采集单元包括光学镜头及控制所述光学镜头的主板,所述主板通过外围接口连接有传输设备。
8.根据权利要求7所述的基于图像识别技术的农作物旱情识别系统,其特征在于,还包括太阳能供电系统,所述太阳能供电系统为所述图像采集单元供电。
9.一种根据权利要求1至8任一项所述的基于图像识别技术的农作物旱情识别系统的旱情管理平台,其特征在于,包括:
网络管理模块,用于对所述图像采集单元进行管理和配置,包括网络配置和观测节点配置;
数据采集模块,用于发布图像采集命令并修改采集参数;
数据查询模块,用于查询系统所收集到的农田环境数据和图片数据;
训练库管理模块,用于管理所述数据库;
分析与诊断模块,用于对采集到图片进行处理,根据处理结果做出旱情诊断;
系统管理和维护模块,用于对所述平台进行管理维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875620.XA CN113723195A (zh) | 2021-07-30 | 2021-07-30 | 基于图像识别技术的农作物旱情识别系统及管理平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875620.XA CN113723195A (zh) | 2021-07-30 | 2021-07-30 | 基于图像识别技术的农作物旱情识别系统及管理平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723195A true CN113723195A (zh) | 2021-11-30 |
Family
ID=78674506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110875620.XA Pending CN113723195A (zh) | 2021-07-30 | 2021-07-30 | 基于图像识别技术的农作物旱情识别系统及管理平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723195A (zh) |
-
2021
- 2021-07-30 CN CN202110875620.XA patent/CN113723195A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN109145848B (zh) | 一种麦穗计数方法 | |
CN112084977B (zh) | 一种融合图像和时间特征的苹果物候期自动识别方法 | |
CN110427798B (zh) | 一种青菜智能识别及叶色环境变化预测的方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
CN115661544B (zh) | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 | |
WO2023197496A1 (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
CN114627467A (zh) | 基于改进神经网络的水稻生育期识别方法及系统 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN116863403B (zh) | 一种农作物大数据环境监测方法、装置及电子设备 | |
Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
CN113723195A (zh) | 基于图像识别技术的农作物旱情识别系统及管理平台 | |
CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN112036397B (zh) | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 | |
Yang et al. | Multi-Growth Period Tomato Fruit Detection Using Improved Yolov5 |
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 |