CN115546208A - 一种大田作物株高测量方法、装置及应用 - Google Patents

一种大田作物株高测量方法、装置及应用 Download PDF

Info

Publication number
CN115546208A
CN115546208A CN202211486982.0A CN202211486982A CN115546208A CN 115546208 A CN115546208 A CN 115546208A CN 202211486982 A CN202211486982 A CN 202211486982A CN 115546208 A CN115546208 A CN 115546208A
Authority
CN
China
Prior art keywords
image
binary image
crop
calibration rod
segmentation
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
Application number
CN202211486982.0A
Other languages
English (en)
Other versions
CN115546208B (zh
Inventor
陈渝阳
朱旭华
王闯
赵飞
吕士平
傅林锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Top Cloud Agri Technology Co ltd
Original Assignee
Zhejiang Top Cloud Agri Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Top Cloud Agri Technology Co ltd filed Critical Zhejiang Top Cloud Agri Technology Co ltd
Priority to CN202211486982.0A priority Critical patent/CN115546208B/zh
Publication of CN115546208A publication Critical patent/CN115546208A/zh
Application granted granted Critical
Publication of CN115546208B publication Critical patent/CN115546208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/70—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in 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 Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出了一种大田作物株高测量方法、装置及应用，包括以下步骤：获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；对所述待处理图像进行处理后得到标杆二值图；根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。通过本发明实施例可以快速得到所述待测量作物株高，且装置成本低、操作简单，不会因为环境、图像畸变等因素导致测量图片分割困难从而致使测量结果出现问题。

Description

一种大田作物株高测量方法、装置及应用
技术领域
本申请涉及计算机视觉领域，特别是涉及一种大田作物株高测量方法、装置及应用。
背景技术
在进行农业种植时，常常需要不断对农作物测量株高以便观察农作物的长势情况，现有的对农作物株高的测量方案主要有人工手动测量法、人工半交互式测量法、遥感图像分析法、多光谱图像分析法等，人工手动测量法、人工半交互式测量法对人力资源要求较高，且费时费力；遥感图像分析法、多光谱图像分析法对硬件设备要求高，且易受作物与背景色彩对比度差异造成分割困难问题。
现有的通过计算机视觉领域来测量作物株高的方法中，有通过标定杆结合成像装置来预测作物株高的方法，在一定程度上降低了株高测量难点与成本，但其最大的不足是未考虑到图像畸变对比例尺求解的影响，通常标定杆表现未从上至下，越接近底部单位像素所表示的比例尺单位越大，因此测量精度受测量条件影响较大；有通过一种基于RGB-D设备成像装置以及标定物参照综合方法进行作物测量的方法，但由于RGB-D设备的通常使用环境未室内近距离，所以在较为宽阔的地方效果不是很好；有一种基于单目相机的三维测量方法，但三维测量对设备性能要求较高，且点云求解过程中对物体特征的提取较为敏感；有通过激光成像来测量物体高度的方法，但激光成像容易受空洞、漫反射影响，测量结果也不准确。
发明内容
本申请实施例提供了一种大田作物株高测量方法、装置及应用，用来对农作物的高度进行测量，以达到对农作物的长势进行分析的目的。
第一方面，本申请实施例提供了一种大田作物株高测量方法，所述方法包括：
获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；
对所述待处理图像进行分割处理后得到分割二值图；
处理所述分割二值图得到包含标定杆各标识区域的交界线的标杆二值图，并依上至下的顺序区分不同色段；
根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；
通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。
第二方面，本申请实施例提供了一种大田作物株高测量装置，包括：
获取模块：获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；
第一图像处理模块：对所述待处理图像进行分割处理后得到分割二值图；
第二图像处理模块：处理所述分割二值图得到包含标定杆各标识区域的交界线的标杆二值图，并依上至下的顺序区分不同色段；
模型建立模块：根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；
计算模块：通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。
第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行一种大田作物株高测量方法。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括一种大田作物株高测量方法。
本发明的主要贡献和创新点如下：
本申请实施例使用一种标定杆，使用时将所述标定杆的标定杆踏板与地面平行的方式插在地上，该标定杆表面具有交替等高色段，安装简便、成本低，结合后继测量方案精度较高；在通过图像获取方式获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆对所述待测量作物进行标定，即可根据图像识别出待测量作物的高度，在对所述待处理图像进行识别的过程中，依次对所述待识别图像进行通过多通道图像分割与融合实现目标分割，所述目标包含标定杆及其各暴露色段、大田作物信息，之后通过整合、Blob分析降噪得到处理后图像，通过所述处理后图像结合一个线性模型可以得到所述待处理图像中的标定杆像素长度与实际标定杆中色段长度的像素比例尺信息，该标定杆比例尺计算方法，能够有效消除因畸变造成作物高度测量不准的问题，通过所述像素比例尺信息即可计算得出待测量作物高度。
本申请实施例解决了传统测量方法设备装置成本高、操作频繁、使用便利性差、因环境复杂及图像畸变导致测量方法鲁棒性差的缺点，能够实现复杂场景条件下对待测量作物株高的准确测量。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种大田作物株高测量方法的流程图；
图2是根据本申请实施例的一种大田作物株高测量方法中标定杆的构造图；
图3是根据本申请实施例的一种大田作物株高测量方法中待处理图像效果图；
图4是根据本申请实施例的一种大田作物株高测量方法中处理后图像效果图；
图5是根据本申请实施的一种大田作物株高测量装置的结构框图；
图6是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请实施例提供了一种大田作物株高测量方法，可以根据拍照功能成像设备获取的包含标定杆及待测量作物的图像信息来准确测量所述待测量作物的株高。具体地，参考图1，所述方法包括：
获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；
对所述待处理图像进行分割处理后得到分割二值图；
处理所述分割二值图得到包含标定杆各标识区域的交界线的标杆二值图，并依上至下的顺序区分不同色段；
根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；
通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。
在一些实施例中，所述标定杆由标定杆主体、标定杆插戟和标定杆踏板三部分组成，所述标定杆主体上交替分布有等高的不同色段，所述标定杆主体与标定杆插戟的交界处设由标定杆踏板。
具体的，所述标定杆的构造图如图2所示，在使用所述标定杆时，要将所述标定杆插戟插入地面，并使所述标定杆踏板与地面平行后对所述待测量作物进行标定。
具体的，在“所述标定杆主体上交替分布有等高的不同色段”步骤中，所述色段可以为蓝白交替色段，采用蓝白交替色段可以将所述标定杆与待测量作物、背景分开，在本方案中，也可以使用与所述待测量作物和背景区分的其他具有高对比度的颜色。
在一些实施例中，在“对所述待处理图像进行分割处理后得到分割二值图”步骤中，对所述待处理图像分别进行提取对应的R、G、B通道图像，记为红色通道图像、绿色通道图像、蓝色通道图像；并根据所述红色通道图像、绿色通道图像、蓝色通道图像的图像信息转换为色调通道图像、饱和度通道图像、明度通道图像。
具体的，RGB为光学三原色，自然界中肉眼所能看到的任何色彩都可以由这三种色彩混合叠加而成，R表示红色、G表示绿色、B表示蓝色，在计算机定义颜色时，通过设置R、G、B的值即可得到任何颜色，R、G、B的取值范围为0-255，当R、G、B均为255时，则呈现为白色，当R、G、B均为0时，则呈现为黑色；HSV为颜色模型，H代表色调，用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°，它们的补色是：黄色为60°，青色为180°,紫色为300°；S代表饱和度，饱和度S表示颜色接近光谱色的程度，一种颜色，可以看成是某种光谱色与白色混合的结果，其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高，饱和度高，颜色则深而艳，光谱色的白光成分为0，饱和度达到最高，通常取值范围为0%～100%，值越大，颜色越饱和；V代表明度，明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关，对于物体色，此值和物体的透射比或反射比有关，通常取值范围为0%（黑）到100%（白）。
具体的，所述待处理图像如图3所示，对所述待处理图像分别进行提取对应的R、G、B通道图像需要对所述待处理图像的R、G、B的值进行更改，将所述待处理图像中R的值设为255，G、B的值不变，则得到红色通道图像；将所述待处理图像中G的值设置为255，R、B的值不变，则得到绿色通道图像；将所述B的值设置为255，R、G的值不变，则得到蓝色通道图像，公式为：
R'=R/255
G'=G/255
B'=B/255
其中，R’表征红色通道图像，G’表征绿色通道图像，B’表征蓝色通道图像。
进一步的，可以根据所述R、G、B通道图像信息获取HSV通道图像，具体步骤如下：
Cmax=max(R', G', B')
Cmin=min(R', G', B')
Δ =Cmax- Cmin
其中，该公式用来计算R、G、B通道图像信息的最大值Cmax、最小值Cmin和他们的差值Δ。
H通道图像的计算方式为：
Figure DEST_PATH_IMAGE002
S通道图像的计算方式为：
Figure DEST_PATH_IMAGE004
V通道图像的计算方式为：
V=Cmax
在一些实施例中，对所述处理后的图像进行分割的步骤还包括，对所述色调通道图像进行自适应阈值分割得到第一分割二值图；对所述蓝色通道图像进行固定阈值分割得到第二分割二值图，对第一分割二值图和第二分割二值图进行并运算得到分割二值图。
具体的，对所述色调通道图像进行自适应阈值分割的目的是用于实现对所述标定杆色段交界处、所述待测量作物与所述标定杆截面处的边缘提取，其自适应阈值分割原理如下：
T xy =a×σ xy +b×m xy
其中，Txy为自适应阈值，mxy、σxy是所述色调通道图像以（x，y）为中心的邻域Sxy所包含像素的均值和方差，a，b为非负数，a，b的大小与所述色调通道图像的分辨率大小成正相关，所述蓝色通道图像的分辨率越大，则a，b的值越大。
进一步的，根据上式对所述色调通道图像进行分割，其分割方法为：
Figure DEST_PATH_IMAGE006
其中，g(x,y) 为输出图像，f(x,y)为输入图像，所述输出图像则为第一分割二值图。
进一步的，依据所述色调通道图像的邻域所包含均值和方差来计算自适应阈值，当所述色调通道图像的像素点的像素值大于自适应阈值，则将该像素点的像素值修改为255，反之，则将该像素点的像素值修改为；固定阈值为所述色调通道图像的像素点的最大类间方差最大时对应的阈值。
具体的，对所述蓝色通道图像进行固定阈值分割的目的是用于实现对所述待测量作物的提取，在本方案的应用场景中由于所述待测量作物通常呈现区域性，且与其他物体对比度较高，所以使用固定阈值分割，所述固定阈值分割的原理为：
使用固定阈值对所述蓝色通道图像进行分割得到第二分割二值图，其中固定阈值为所述蓝色通道图像的像素点的最大类间方差最大时对应的阈值。具体的，求解固定阈值的方式如下；
已知所述蓝色通道图像所包含的灰度级为0~m，所述灰度值为i的像素数量为ni（i∈[0,m]），所述蓝色通道图像的像素总数为
Figure DEST_PATH_IMAGE008
，各个灰度级的概率为
Figure DEST_PATH_IMAGE010
。
具体的，设定一个初始化固定阈值T（0≤T≤m），根据所述初始化固定阈值将所述蓝色通道图像的像素按照灰度级分为两组，C0= |1～T|，C1=|T+1～m|，灰度区间在|1～T|之间的像素为C0组，灰度区间在|T+1～m|之间的像素为C1组，计算所述C0组和C1组的灰度值对应均值ω0、ω1与方差μ0、μ1，计算方法为：
Figure DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE014
之后，计算所述C0组和C1组的组间方差σ2=ω0(μ0-μ)2+ω1(μ1-μ)2，其中μ为所述蓝色通道图像的像素平均灰度值，当使得σ2最大时的所述初始化固定阈值T为对所述蓝色通道图像进行所述固定阈值分割时的阈值，使用T对所述蓝色通道图像进行阈值分割得到所述第二分割二值图。
在一些实施例中，对所述分割二值图进行降噪处理的步骤包括：对所述分割二值图进行形态学运算处理得到第三分割二值图；对所述第三分割二值图提取第一前景轮廓，根据所述前景轮廓最小外接矩形的长宽比和矩形度进行特征选择，得到第四分割二值图；对所述第四分割二值图提取第二前景轮廓，根据所述第二前景轮廓提取轮廓中心点，构成轮廓中心点集，对所述轮廓中心点集进行位置分布特征筛选，得到第五分割二值图；对所述第五分割二值图提取第三前景区域轮廓，根据所述第三前景轮廓提取轮廓中心点，构成轮廓中心点集，对所述轮廓中心点进行结构特征筛选，得到第六分割二值图。
具体的，对所述分割二值图进行处理的目的是初步滤除小区域噪声，并断开弱连接区域得到第四分割二值图。
进一步的，所述小区域噪声一般指图像中椒盐噪声或因光照强度等原因造成目标区域高亮，或者由于作物个别部位异常、环境中进入了小型其他颜色物体等导致分割结果出现问题；所述弱连接区域指所述标定杆与所述待测量作物或者与天空背景在边缘处发生对比度较低时，可能存在窄像素连接的情况，需要对所述弱连接区域进行断开，使后续的比例尺计算更为精确。
具体的，对所述第三分割二值图进行处理的目的是滤除不符合标定杆形态特征的区域信息，得到仅包含类似于标定杆识别区域信息的第四分割二值图，所述矩形度的计算公式如下：
Figure DEST_PATH_IMAGE016
其中，S0为当前待判别区域的实际表面积，SMER为当前区域最小外接矩形表面积，当所述矩形度R大于一个设定阈值时，则保留所述待判别区域的区域信息，所述设定阈值与图像分辨率大小、所述标定杆在图像中的占比有关。
具体的，对所述第四分割二值图进行处理的目的是滤除偏离所述轮廓中心点横坐标均值较大的区域信息得到第五分割二值图，其中，对所述轮廓中心点集进行位置分布特征筛选的思路为：
步骤一：提取所述第二前景轮廓区域的轮廓中心点，并组成轮廓中心点集合centerPoint s={(x 1 , y 1),(x 2 , y 2),...,(x n , y n )}
步骤二：将步骤一中所述轮廓中心点集合按照横坐标进行升序排序得到centerPoint s'={(x 1 , y 1)',(x 2 , y 2)',...,(x n , y n )'}；
步骤三：对步骤二中升序排序后的轮廓中心点集合的横坐标取中值坐标值midCenterX；
步骤四：根据所述中值坐标值midCenterX，遍历所述轮廓中心点所对应的轮廓，当
Figure DEST_PATH_IMAGE018
时，则保留所述前景轮廓，其中Xi为某个轮廓中心点的横坐标，d为经验阈值。
具体的，所述前景轮廓由多个坐标点组成，将多个坐标点中的x，y进行均值计算，得出所述前景轮廓的轮廓中心点。
示例性的，所述经验阈值可以通过所述标定杆的倾斜情况进行数据收集与汇总得到，在本申请实施例中，经验阈值可以为将横坐标升序排列后得到的轮廓中心点集中的横坐标中值。
具体的，对所述第五分割二值图进行处理的目的是滤除与最上方轮廓中心点连线所成角度与纵轴偏差较大的轮廓区域得到第六分割二值图，对所述轮廓中心点进行结构特征筛选的过程为：
步骤一：提取所述第三前景轮廓区域的轮廓中心点，并组成轮廓中心点集合centerPoint s1={(x 1 , y 1),(x 2 , y 2),...,(x n , y n )}；
步骤二：将步骤一中所述轮廓中心点集合基于纵坐标的升序排列得到centerPoint s1'={(x 1 , y 1)',(x 2 , y 2)',...,(x m , y m )'}；
步骤三：将步骤二中所述升序排序后的轮廓中心点集合中的
Figure DEST_PATH_IMAGE019
作为基准点；
步骤四：对步骤二中所述升序排序后的轮廓中心点集合中除所述基准点之外的所有点位进行遍历，计算所述基准点与除所述基准点之外的所有点位的连线角度{angle1,...，angle m}；
步骤五：根据所述连线角度，当|angle-90|<= d'时则保留该轮廓区域，当|angle-90|>d'时，则去除该轮廓区域，最终得到所述第六分割二值图，所述第六分割二值图为所述标杆二值图，所述标杆二值图包含所述标定杆的蓝白交替部分的分界线。
在一些实施例中，根据所述标杆二值图的保留区域对所述标定杆进行像素比例尺计算，根据从上至下不同区域的比例尺的差值建立一个线性模型预测所述标定杆被遮挡区域的像素比例尺。
具体的，将所述处理后图像的完整保留区域从上至下进行编号为1、2、…、x，所述处理后图像的完整保留区域对应的是所述标定杆的白色色段，则两个所述白色色段之间的距离即为蓝色色段，已知所述标定杆各色段的物理长度为L，所述各色段对应的像素高度为pixelHeight1、pixelHeight1、...、pixelHeight n，计算得到各色段像素比例尺为λ1、λ2、…、λn，计算方法为
Figure DEST_PATH_IMAGE021
，所述像素比例尺的单位为mm/pixel，根据所述已知色段的比例尺搭建一个线性模型，所述线性模型的搭建步骤为：
步骤一：计算所述已知相邻色段的像素比例尺的差值Δi，其计算方法为Δi=λi -λ i+1；
步骤二：建立线性模型y=kx+b，其中，x∈1,2,…,n-1；y∈Δ1,Δ2, …, Δ(n-1)，根据最小二乘算法对所述线性模型进行优化，求得k、b的值；
步骤三：根据优化后的线性模型求被遮挡色段的像素比例尺，所述被遮挡色段为（n+1）段，则根据所述线性模型求出其对应的比例尺差值为Δn，则(n+1)段的像素比例尺为λn+Δn。
进一步的，根据步骤三，求出所述标定杆中所有色段对应的像素比例尺。
在一些实施例中，所述参考点的坐标为所述待测量作物平面与所述标定杆截面位置的交点的坐标和被遮挡色段与相邻完整色段交界点的坐标。
进一步的，通过所述分割二值图和所述标杆二值图的基本信息得到所述参考点坐标，根据所述参考点坐标结合所述像素比例尺计算所述待测量作物的株高。
具体的，提取所述标杆二值图的最下方交界线的线条L如图4所示的灰、白交界处，并提取所述分割二值图中所有在L线条下的区域集合信息R，并使用超绿特征检测对所述区域集合信息R在所述待处理图像的对应位置进行遍历，筛选出满足所述超绿特征检测分布的最大面积区域r，画出所述标杆二值图中各个交界线的中点的延长线与r所在平面的交点为所述待测量作物平面与所述标定杆截面位置的交点的坐标；被遮挡色段与相邻完整色段交界点的坐标为与所述线条L最近的一条线条中，与所述待测量作物平面与所述标定杆截面位置的交点的坐标的X轴相同的坐标点。
进一步的，所述超绿特征检测可以使植物图像更加突出，所述超绿特征检测判定公式为(2g-r-b)>超绿判定阈值，其中r、g、b分别表示所述待处理图像中对应位置像素点在R、G、B通道的像素值。
具体的，根据所述交点坐标结合所述像素比例尺计算所述待测量作物的株高步骤包括：
步骤一：获取所述标定杆色段总数量n，各段物理长度为L；
步骤二：按照从上至下的顺寻获取所有完整色段，记为色段1，色段2，…，色段m，与第m段相邻被遮挡色段比例尺为λ（单位为mm/pixel）；
步骤三：获取所述待测量作物平面与所述标定杆截面位置的交点的坐标(x 1 , Y)，获取被遮挡色段与相邻完整色段交界点的坐标为(x 1 , Y')；
步骤四：所述待测量作物株高为H=L*(n-m)-λ*(Y-Y')，单位为mm。
实施例二
基于相同的构思，参考图5，本申请还提出了一种大田作物株高测量装置，包括：
获取模块：获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；
第一图像处理模块：对所述待处理图像进行分割处理后得到分割二值图；
第二图像处理模块：处理所述分割二值图得到包含标定杆各标识区域的交界线的标杆二值图，并依上至下的顺序区分不同色段；
模型建立模块：根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；
计算模块：通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。
实施例三
本实施例还提供了一种电子装置，参考图6，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种大田作物株高测量方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是待处理图片、RGB的值、标定杆的实际物理信息等，输出的信息可以是像素比例尺信息、待测量作物的株高等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
S101、获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；
S102、对所述待处理图像进行分割处理后得到分割二值图；
S103、处理所述分割二值图得到包含标定杆各标识区域的交界线的标杆二值图，并依上至下的顺序区分不同色段。
S104、根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；
S105、通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (13)

1.一种大田作物株高测量方法，其特征在于，包括以下步骤：
获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；
对所述待处理图像进行分割处理后得到分割二值图；
处理所述分割二值图得到包含标定杆各标识区域的交界线的标杆二值图，并依上至下的顺序区分不同色段；
根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；
通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。
2.根据权利要求1所述的一种大田作物株高测量方法，其特征在于，所述标定杆由标定杆主体、标定杆插戟和标定杆踏板三部分组成，所述标定杆主体上交替分布有等高的不同色段，所述标定杆主体与标定杆插戟的交界处设由标定杆踏板。
3.根据权利要求1所述的一种大田作物株高测量方法，其特征在于，对所述待处理图像分别进行提取对应的R、G、B通道图像，记为红色通道图像、绿色通道图像、蓝色通道图像；并根据所述红色通道图像、绿色通道图像、蓝色通道图像的图像信息转换为色调通道图像、饱和度通道图像、明度通道图像。
4.根据权利要求1所述的一种大田作物株高测量方法，其特征在于，对所述待处理图像进行分割的步骤还包括，对所述蓝色通道图像进行固定阈值分割得到第一分割二值图；对所述色调通道图像进行自适应阈值分割得到第二分割二值图；将所述第一分割二值图和第二分割二值图进行与运算得到分割二值图。
5.根据权利要求4所述的一种大田作物株高测量方法，其特征在于，依据所述色调通道图像的邻域所包含的均值和方差来计算所述自适应阈值，当所述色调通道图像的像素点的像素值大于所述自适应阈值，则将该像素点的像素值修改为255，反之，则将该像素点的像素值修改为0；固定阈值为所述蓝色通道图像的像素点的最大类间方差最大时对应的阈值。
6.根据权利要求1所述的一种大田作物株高测量方法，其特征在于，对所述分割二值图进行降噪处理的步骤包括：对所述分割二值图进行形态学运算处理得到第三分割二值图；对所述第三分割二值图提取第一前景轮廓，根据所述前景轮廓最小外接矩形的长宽比和矩形度进行特征选择，得到第四分割二值图；对所述第四分割二值图提取第二前景轮廓，根据所述第二前景轮廓提取轮廓中心点，构成轮廓中心点集，对所述轮廓中心点集进行位置分布特征筛选，得到第五分割二值图；对所述第五分割二值图提取第三前景区域轮廓，根据所述第三前景轮廓提取轮廓中心点，构成轮廓中心点集，对所述轮廓中心点进行结构特征筛选，得到第六分割二值图。
7.根据权利要求1所述的一种大田作物株高测量方法，其特征在于，根据所述处理后图像的保留区域对所述标定杆进行像素比例尺计算，根据从上至下不同区域的比例尺的差值建立一个线性模型预测所述标定杆被遮挡区域的像素比例尺。
8.根据权利要求1所述的一种大田作物株高测量方法，其特征在于，所述参考点的坐标为所述待测量作物平面与所述标定杆截面位置的交点的坐标和被遮挡色段与相邻完整色段交界点的坐标。
9.根据权利要求8所述的一种大田作物株高测量方法，其特征在于，提取所述标杆二值图中最下方交界线线条，选取分割二值图中位于所述最下方交界线线条的集合区域，并对所述待处理图像中的集合区域进行超绿特征检测，以获取超绿特征分布最大的面积区域，取所述面积区域和所述标杆二值图中的各个交界线的中点连线延长线的交点作为所述待测量作物平面与所述标定杆截面位置的交点；与所述线条L最近的一条线条中，与所述待测量作物平面与所述标定杆截面位置的交点的坐标的X轴相同的坐标点为所述被遮挡色段与相邻完整色段交界点的坐标。
10.根据权利要求1所述的一种大田作物株高测量方法，其特征在于，通过所述分割二值图和所述标杆二值图并结合所述待处理图像的基本信息得到所述参考点坐标，根据所述参考点坐标结合所述像素比例尺计算所述待测量作物的株高。
11.一种大田作物株高测量装置，其特征在于，包括：
获取模块：获取待处理图像，所述待处理图像中包含标定杆与待测量作物，所述标定杆用于对所述待测量作物进行标定；
第一图像处理模块：对所述待处理图像进行分割处理后得到分割二值图；
第二图像处理模块：处理所述分割二值图得到包含标定杆各标识区域的交界线的标杆二值图，并依上至下的顺序区分不同色段；
模型建立模块：根据所述标杆二值图中各个色段的像素比例尺信息建立一个线性模型，通过所述线性模型预测被遮挡色段的像素比例尺信息；
计算模块：通过所有色段的所述像素比例尺信息、所述标定杆的实际物理信息以及参考点坐标计算得到所述待测量作物株高。
12.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1-10任一所述的一种大田作物株高测量方法。
13.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1-10任一项所述的一种大田作物株高测量方法。
CN202211486982.0A 2022-11-25 2022-11-25 一种大田作物株高测量方法、装置及应用 Active CN115546208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211486982.0A CN115546208B (zh) 2022-11-25 2022-11-25 一种大田作物株高测量方法、装置及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211486982.0A CN115546208B (zh) 2022-11-25 2022-11-25 一种大田作物株高测量方法、装置及应用

Publications (2)

Publication Number Publication Date
CN115546208A true CN115546208A (zh) 2022-12-30
CN115546208B CN115546208B (zh) 2023-07-25

Family

ID=84721480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211486982.0A Active CN115546208B (zh) 2022-11-25 2022-11-25 一种大田作物株高测量方法、装置及应用

Country Status (1)

Country Link
CN (1) CN115546208B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003009664A (ja) * 2001-06-29 2003-01-14 Minolta Co Ltd 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体
CN107610172A (zh) * 2017-09-19 2018-01-19 江苏省无线电科学研究所有限公司 一种基于图像识别的大宗作物株高测量方法
CN109029588A (zh) * 2018-09-11 2018-12-18 南京都宁大数据科技有限公司 一种基于气候影响的农作物长势预测方法
CN114494017A (zh) * 2022-01-25 2022-05-13 北京至简墨奇科技有限公司 根据比例尺进行图像dpi调整的方法和装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003009664A (ja) * 2001-06-29 2003-01-14 Minolta Co Ltd 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体
CN107610172A (zh) * 2017-09-19 2018-01-19 江苏省无线电科学研究所有限公司 一种基于图像识别的大宗作物株高测量方法
CN109029588A (zh) * 2018-09-11 2018-12-18 南京都宁大数据科技有限公司 一种基于气候影响的农作物长势预测方法
CN114494017A (zh) * 2022-01-25 2022-05-13 北京至简墨奇科技有限公司 根据比例尺进行图像dpi调整的方法和装置、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙翔: "基于FPGA标尺图像识别的作物株高测量系统设计", 《硕士论文库》, 15 January 2022 (2022-01-15), pages 1 - 2 *
张震 *
张震, pages: 42 - 49 *

Also Published As

Publication number Publication date
CN115546208B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN112419250B (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN109978890B (zh) 基于图像处理的目标提取方法、装置及终端设备
US9466103B2 (en) Biomarker evaluation through image analysis
CN108364280A (zh) 结构裂缝自动化描绘及宽度精准测量方法与设备
CN108629761B (zh) 一种乳腺癌图像识别方法、装置和用户终端
CN103957771A (zh) 图像处理装置、图像处理方法和图像处理程序
US20130342694A1 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
CN110909640A (zh) 水位线的确定方法及装置、存储介质、电子装置
US20170178341A1 (en) Single Parameter Segmentation of Images
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN105046701A (zh) 一种基于构图线的多尺度显著目标检测方法
JP4747122B2 (ja) 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
CN112053371A (zh) 一种遥感图像中的水体提取方法和装置
CN115880586A (zh) 基于混合特征网络的卫星遥感影像云雪检测方法
CN106558044A (zh) 影像模组的解像力测量方法
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
CN107239761B (zh) 基于骨架角点检测的果树拉枝效果评价方法
CN115546208B (zh) 一种大田作物株高测量方法、装置及应用
CN111738984A (zh) 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
CN116485801A (zh) 基于计算机视觉的胶管质量在线检测方法及系统
JP2015501968A (ja) 固有画像の生成を改良するための後処理
CN116071665B (zh) 基于卫星影像的松材线虫病病害木提取方法和装置
CN115546621B (zh) 一种作物长势分析方法、装置及应用
WO2020107196A1 (zh) 一种对拍摄装置的拍摄质量评测方法、装置及终端设备
Schwalbe et al. Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems

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