CN114332626A - 一种基于视觉分析的水稻产量预测方法 - Google Patents

Abstract

本发明公开了一种基于视觉分析的水稻产量预测方法，包括以下步骤：S1：利用无人机采集水稻田的视频，并识别视频中的作物种类，确定水稻生长图像；S2：依次识别水稻生长图像中水稻的穗长和穗数；S3：根据水稻的穗长、穗数和颜色，确定水稻田的水稻产量。本发明通过无人机获取水稻图像，依次建立回归模型和水稻产量预测模型，从而进行水稻产量预测，充分考虑水稻颜色、穗长以及穗数对产量的影响，并剔除了水稻瘪粒和水稻倾斜对水稻产量预测的影响，保证预测结果准确。

Description

一种基于视觉分析的水稻产量预测方法

技术领域

本发明属于作物产量预测技术领域，具体涉及一种基于视觉分析的水稻产量预测方法。

背景技术

农作物的产量预测对制订农产品收购计划具有非常重要的参考价值，农作物预测产量是在农作物收获前采取一定方法预先测定的产量。目前，对粮食产量的预测模型总体上分为三大类：时间序列模型和人工神经网络模型回归模型。每个模型都有其优缺点，其中神经网络综合性能更优，但是存在计算复杂度大的问题。目前基于神经网络模型的产量预测方法，由于高计算复杂度导致局限性大，预测速度较慢。

发明内容

本发明的目的是为了解决水稻产量预测的问题，提出了一种基于视觉分析的水稻产量预测方法。

本发明的技术方案是：一种基于视觉分析的水稻产量预测方法包括以下步骤：

S1：利用无人机采集水稻田的视频，并识别视频中的作物种类，确定水稻生长图像；

S2：依次识别水稻生长图像中水稻的穗长和穗数；

S3：根据水稻的穗长、穗数和颜色，确定水稻田的水稻产量。

进一步地，步骤S1包括以下子步骤：

S11：在水稻田的视频中确定存在作物的目标区域，并提取目标区域的初始影像；

S12：对初始影像中的不同波段进行处理，得到不同植被指数的初始指数影像；

S13：在目标区域中，根据不同植被指数的初始指数影像，确定不同植被指数的密度函数，并利用密度函数对初始指数影像进行滤波处理，确定不同植被指数的最终指数影像；

S14：根据不同植被指数的最终指数影像，计算不同植被指数的分类指数，将大于设定分类指数的植被指数对应的作物作为水稻，将水稻所处目标区域的图像作为水稻生长图像。

进一步地，步骤S12中，植被指数NDVI的计算公式为：

NDVI＝(NIR-R)/(NIR+R)

其中，NIR表示初始影像的近红外波段，R表示初始影像的红波段；

步骤S14中，不同植被指数的分类指数的计算公式为：

其中，n表示植被指数的个数，G_i表示第i个植被指数的基尼系数，β_i表示第i个植被指数的最终指数影像的权重。

进一步地，步骤S2中，识别水稻的穗长的具体方法为：

A21：剔除不含稻穗的水稻生长图像，并将水稻生长图像进行竖直旋转，得到水稻标准图像；

A22：对水稻标准图像依次进行灰度化处理和去噪处理，并对去噪处理后的水稻标准图像进行二值化处理，得到水稻二值图像；

A23：从水稻二值图像中提取水稻的稻穗面积，并利用细化算法从水稻二值图像中提取水稻的骨架；

A24：在稻穗面积内，将水稻的骨架中大于设定穗长路径的路径距离作为水稻的穗长。

进一步地，步骤A21中，对水稻生长图像进行竖直旋转的具体方法为：对水稻生长图像进行形态学处理，得到水稻生长图像中的水稻倾斜角度，并将水稻生长图像按照水稻倾斜角度进行竖直旋转，得到水稻标准图像；

步骤A23中，提取水稻的稻穗面积的具体方法为：对水稻二值图像进行预处理，得到水稻的实粒数和瘪粒数，根据实粒数与瘪粒数的差值计算水稻的稻穗面积S，其计算公式为：

S＝(N_real-N_empty)·α·ra²

其中，N_real表示是水稻的实粒数，N_empty表示是水稻的瘪粒数，α表示水稻二值图像中前景像素点个数，ra表示水稻二值图像的分辨率；

步骤A24中，确定水稻的骨架中路径距离的具体方法为：在稻穗面积内，扫描水稻的骨架，确定骨架的边界端点，依次计算每两个边界端点之间的前景像素点个数，将前景像素点个数大于设定像素点个数的值作为骨架的路径距离。

进一步地，步骤S2中，识别水稻的穗数的具体方法为：

B21：利用五点三次平滑滤波方法对水稻的骨架进行平滑滤波处理，并沿穗轴方向按行像素求和，得到像素曲线图；

B22：在像素曲线图中，分离水稻的稻穗和茎秆，并提出茎秆的像素曲线图；

B23：提取稻穗的像素曲线图的极值点，并确定像素曲线图中的极大值点个数；

B24：根据像素曲线图中的极大值点个数，计算水稻的穗数。

进一步地，步骤B24中，水稻的穗数N_spike的计算公式为：

N_spike＝2max_pic+1

其中，max_pic表示像素曲线图中的极大值点个数。

进一步地，步骤S3中，确定水稻田的水稻产量的具体方法为：将水稻的穗长、穗数和颜色，建立回归模型，并对回归模型进行逐步回归分析，得到水稻预测模型，并利用水稻预测模型进行水稻产量预测；

其中，回归模型的表达式为：

y＝colror₁h₁μ₁N_{spike_1}+colror₂h₂μ₂N_{spike_2}+…+colror_ph_pμ_pN_{spike_p}

式中，color_m表示水稻生长图像的颜色权重，h_m表示各株水稻的穗长，N_{spike_m}表示各株水稻的穗数，m＝1,2,…,p，p表示水稻株数。

本发明的有益效果是：

(1)本发明通过波段产量和滤波处理，识别无人机采集的初始图像中的作物种类，将其余干扰作物剔除，保证后期的穗长识别和穗数识别的过程中，无干扰因素，实现对目标区域农作物的精确分类；

(2)本发明对采集的水稻图像进行灰度化、竖直旋转、去噪以及二值化等处理，并提取水稻骨架，得到准确的穗长，极大提高了穗长后期用于建立水稻产量预测模型的准确性；

(3)本发明通过五点三次平滑滤波方法和计算像素曲线图中的极大值点个数，确定水稻的穗数，计算结果精度较高，方便快捷，可以代替人工计数工作；

(4)本发明通过无人机获取水稻图像，依次建立回归模型和水稻产量预测模型，从而进行水稻产量预测，充分考虑水稻颜色、穗长以及穗数对产量的影响，并剔除了水稻瘪粒和水稻倾斜对水稻产量预测的影响，保证预测结果准确。

附图说明

图1为水稻产量预测方法的流程图。

具体实施方式

下面结合附图对本发明的实施例作进一步的说明。

如图1所示，本发明提供了一种基于视觉分析的水稻产量预测方法，包括以下步骤：

S1：利用无人机采集水稻田的视频，并识别视频中的作物种类，确定水稻生长图像；

S2：依次识别水稻生长图像中水稻的穗长和穗数；

S3：根据水稻的穗长、穗数和颜色，确定水稻田的水稻产量。

在本发明实施例中，步骤S1包括以下子步骤：

S11：在水稻田的视频中确定存在作物的目标区域，并提取目标区域的初始影像；

S12：对初始影像中的不同波段进行处理，得到不同植被指数的初始指数影像；

S13：在目标区域中，根据不同植被指数的初始指数影像，确定不同植被指数的密度函数，并利用密度函数对初始指数影像进行滤波处理，确定不同植被指数的最终指数影像；

S14：根据不同植被指数的最终指数影像，计算不同植被指数的分类指数，将大于设定分类指数的植被指数对应的作物作为水稻，将水稻所处目标区域的图像作为水稻生长图像。

在本发明实施例中，步骤S12中，植被指数NDVI的计算公式为：

NDVI＝(NIR-R)/(NIR+R)

其中，NIR表示初始影像的近红外波段，R表示初始影像的红波段；

步骤S14中，不同植被指数的分类指数的计算公式为：

其中，n表示植被指数的个数，G_i表示第i个植被指数的基尼系数，β_i表示第i个植被指数的最终指数影像的权重。

在本发明实施例中，基尼系数是一个度量参数，更快速的确定出作物分类识别结果。目标区域内作物的种类越多，则基尼系数越大，反之则基尼系数越小。设定分类指数则表示分割效果最好时的分割阈值。

在本发明实施例中，步骤S2中，识别水稻的穗长的具体方法为：

A21：剔除不含稻穗的水稻生长图像，并将水稻生长图像进行竖直旋转，得到水稻标准图像；

A22：对水稻标准图像依次进行灰度化处理和去噪处理，并对去噪处理后的水稻标准图像进行二值化处理，得到水稻二值图像；

A23：从水稻二值图像中提取水稻的稻穗面积，并利用细化算法从水稻二值图像中提取水稻的骨架；

A24：在稻穗面积内，将水稻的骨架中大于设定穗长路径的路径距离作为水稻的穗长。

在本发明实施例中，步骤A21中，对水稻生长图像进行竖直旋转的具体方法为：对水稻生长图像进行形态学处理，得到水稻生长图像中的水稻倾斜角度，并将水稻生长图像按照水稻倾斜角度进行竖直旋转，得到水稻标准图像；

步骤A23中，提取水稻的稻穗面积的具体方法为：对水稻二值图像进行预处理，得到水稻的实粒数和瘪粒数，根据实粒数与瘪粒数的差值计算水稻的稻穗面积S，其计算公式为：

S＝(N_real-N_empty)·α·ra²

其中，N_real表示是水稻的实粒数，N_empty表示是水稻的瘪粒数，α表示水稻二值图像中前景像素点个数，ra表示水稻二值图像的分辨率；

步骤A24中，确定水稻的骨架中路径距离的具体方法为：在稻穗面积内，扫描水稻的骨架，确定骨架的边界端点，依次计算每两个边界端点之间的前景像素点个数，将前景像素点个数大于设定像素点个数的值作为骨架的路径距离。

在本发明实施例中，步骤S2中，识别水稻的穗数的具体方法为：

B21：利用五点三次平滑滤波方法对水稻的骨架进行平滑滤波处理，并沿穗轴方向按行像素求和，得到像素曲线图；

B22：在像素曲线图中，分离水稻的稻穗和茎秆，并提出茎秆的像素曲线图；

B23：提取稻穗的像素曲线图的极值点，并确定像素曲线图中的极大值点个数；

B24：根据像素曲线图中的极大值点个数，计算水稻的穗数。

在本发明实施例中，步骤B24中，水稻的穗数N_spike的计算公式为：

N_spike＝2max_pic+1

其中，max_pic表示像素曲线图中的极大值点个数。

在本发明实施例中，步骤S3中，确定水稻田的水稻产量的具体方法为：将水稻的穗长、穗数和颜色，建立回归模型，并对回归模型进行逐步回归分析，得到水稻预测模型，并利用水稻预测模型进行水稻产量预测；

其中，回归模型的表达式为：

y＝colror₁h₁μ₁N_{spike_1}+colror₂h₂μ₂N_{spike_2}+…+colror_ph_pμ_pN_{spike_p}

式中，color_m表示水稻生长图像的颜色权重，h_m表示各株水稻的穗长，N_{spike_m}表示各株水稻的穗数，m＝1,2,…,p，p表示水稻株数。

本发明的有益效果为：

(1)本发明通过波段产量和滤波处理，识别无人机采集的初始图像中的作物种类，将其余干扰作物剔除，保证后期的穗长识别和穗数识别的过程中，无干扰因素，实现对目标区域农作物的精确分类；

(2)本发明对采集的水稻图像进行灰度化、竖直旋转、去噪以及二值化等处理，并提取水稻骨架，得到准确的穗长，极大提高了穗长后期用于建立水稻产量预测模型的准确性；

(3)本发明通过五点三次平滑滤波方法和计算像素曲线图中的极大值点个数，确定水稻的穗数，计算结果精度较高，方便快捷，可以代替人工计数工作；

(4)本发明通过无人机获取水稻图像，依次建立回归模型和水稻产量预测模型，从而进行水稻产量预测，充分考虑水稻颜色、穗长以及穗数对产量的影响，并剔除了水稻瘪粒和水稻倾斜对水稻产量预测的影响，保证预测结果准确。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于视觉分析的水稻产量预测方法，其特征在于，包括以下步骤：

S1：利用无人机采集水稻田的视频，并识别视频中的作物种类，确定水稻生长图像；

S2：依次识别水稻生长图像中水稻的穗长和穗数；

S3：根据水稻的穗长、穗数和颜色，确定水稻田的水稻产量。

2.根据权利要求1所述的视觉分析的水稻产量预测方法，其特征在于，所述步骤S1包括以下子步骤：

S11：在水稻田的视频中确定存在作物的目标区域，并提取目标区域的初始影像；

S12：对初始影像中的不同波段进行处理，得到不同植被指数的初始指数影像；

S13：在目标区域中，根据不同植被指数的初始指数影像，确定不同植被指数的密度函数，并利用密度函数对初始指数影像进行滤波处理，确定不同植被指数的最终指数影像；

S14：根据不同植被指数的最终指数影像，计算不同植被指数的分类指数，将大于设定分类指数的植被指数对应的作物作为水稻，将水稻所处目标区域的图像作为水稻生长图像。

3.根据权利要求2所述的视觉分析的水稻产量预测方法，其特征在于，所述步骤S12中，植被指数NDVI的计算公式为：

NDVI＝(NIR-R)/(NIR+R)

其中，NIR表示初始影像的近红外波段，R表示初始影像的红波段；

所述步骤S14中，不同植被指数的分类指数的计算公式为：

其中，n表示植被指数的个数，G_i表示第i个植被指数的基尼系数，β_i表示第i个植被指数的最终指数影像的权重。

4.根据权利要求1所述的视觉分析的水稻产量预测方法，其特征在于，所述步骤S2中，识别水稻的穗长的具体方法为：

A21：剔除不含稻穗的水稻生长图像，并将水稻生长图像进行竖直旋转，得到水稻标准图像；

A22：对水稻标准图像依次进行灰度化处理和去噪处理，并对去噪处理后的水稻标准图像进行二值化处理，得到水稻二值图像；

A23：从水稻二值图像中提取水稻的稻穗面积，并利用细化算法从水稻二值图像中提取水稻的骨架；

A24：在稻穗面积内，将水稻的骨架中大于设定穗长路径的路径距离作为水稻的穗长。

5.根据权利要求4所述的视觉分析的水稻产量预测方法，其特征在于，所述步骤A21中，对水稻生长图像进行竖直旋转的具体方法为：对水稻生长图像进行形态学处理，得到水稻生长图像中的水稻倾斜角度，并将水稻生长图像按照水稻倾斜角度进行竖直旋转，得到水稻标准图像；

所述步骤A23中，提取水稻的稻穗面积的具体方法为：对水稻二值图像进行预处理，得到水稻的实粒数和瘪粒数，根据实粒数与瘪粒数的差值计算水稻的稻穗面积S，其计算公式为：

S＝(N_real-N_empty)·α·ra²

其中，N_real表示是水稻的实粒数，N_empty表示是水稻的瘪粒数，α表示水稻二值图像中前景像素点个数，ra表示水稻二值图像的分辨率；

所述步骤A24中，确定水稻的骨架中路径距离的具体方法为：在稻穗面积内，扫描水稻的骨架，确定骨架的边界端点，依次计算每两个边界端点之间的前景像素点个数，将前景像素点个数大于设定像素点个数的值作为骨架的路径距离。

6.根据权利要求5所述的视觉分析的水稻产量预测方法，其特征在于，所述步骤S2中，识别水稻的穗数的具体方法为：

B21：利用五点三次平滑滤波方法对水稻的骨架进行平滑滤波处理，并沿穗轴方向按行像素求和，得到像素曲线图；

B22：在像素曲线图中，分离水稻的稻穗和茎秆，并提出茎秆的像素曲线图；

B23：提取稻穗的像素曲线图的极值点，并确定像素曲线图中的极大值点个数；

B24：根据像素曲线图中的极大值点个数，计算水稻的穗数。

7.根据权利要求6所述的视觉分析的水稻产量预测方法，其特征在于，所述步骤B24中，水稻的穗数N_spike的计算公式为：

N_spike＝2max_pic+1

其中，max_pic表示像素曲线图中的极大值点个数。

8.根据权利要求1所述的视觉分析的水稻产量预测方法，其特征在于，所述步骤S3中，确定水稻田的水稻产量的具体方法为：将水稻的穗长、穗数和颜色，建立回归模型，并对回归模型进行逐步回归分析，得到水稻预测模型，并利用水稻预测模型进行水稻产量预测；

其中，回归模型的表达式为：

y＝colror₁h₁μ₁N_{spike_1}+colror₂h₂μ₂N_{spike_2}+…+colror_ph_pμ_pN_{spike_p}

式中，color_m表示水稻生长图像的颜色权重，h_m表示各株水稻的穗长，N_{spike_m}表示各株水稻的穗数，m＝1,2,…,p，p表示水稻株数。

Images