CN115546621A

CN115546621A - 一种作物长势分析方法、装置及应用

Info

Publication number: CN115546621A
Application number: CN202211496061.2A
Authority: CN
Inventors: 朱旭华; 陈渝阳; 王闯; 刘荣利; 吕士平; 毛立凤
Original assignee: Zhejiang Top Cloud Agri Technology Co ltd
Current assignee: Zhejiang Top Cloud Agri Technology Co ltd
Priority date: 2022-11-28
Filing date: 2022-11-28
Publication date: 2022-12-30
Anticipated expiration: 2042-11-28
Also published as: CN115546621B

Abstract

本申请提出了一种作物长势分析方法、装置及应用，包括以下步骤：获取包含作物待处理图像，对待处理图像进行图像分割得到分割二值图；对所述分割二值图进行轮廓分析得到仅包含待测量作物区域、间隙区域的第一轮廓二值图，通过所述第一轮廓二值图计算待测量作物的冠层覆盖度；对所述分割二值图进行轮廓分析得到仅包含标定杆完整蓝色色段信息的第二轮廓二值图，通过所述第二轮廓二值图计算所述标定杆的像素比例尺，从而得到所述待测量作物的株高；通过所述待测量作物的冠层覆盖度和株高来分析待测量作物的长势情况。通过本申请实施例可以通过观测覆盖度和株高对作物长势情况进行分析，且不会因为环境、图像畸变等因素导致分析结果出现偏差。

Description

一种作物长势分析方法、装置及应用

技术领域

本申请涉及计算机视觉领域，特别是涉及一种作物长势分析方法、装置及应用。

背景技术

作物株高和冠层覆盖度是分析作物长势的重要依据，作物株高可以查看作物的生长情况，冠层覆盖度代表土壤表面被植物叶片所覆盖的比例，是测量并表征作物活力的重要指标，在生长中具有更大冠层覆盖度的基因型通常能够截获更多的太阳辐射并遮蔽更大比例的土壤，从而减少土壤内水分的蒸发并可能提高水分利用率，但是，较大的冠层覆盖度在较湿润的生长环境中可能具有更大的益处，在干旱环境中则存在着一定的风险，即过早的生长可能会提前耗尽土壤水分，从而在生长季末期面临更严重的干旱胁迫；此外，冠层覆盖度高的作物在面对杂草时会有更强的竞争力，因此有助于对抗耐除草剂杂草；作物冠层覆盖度作为评价作物生长状况的重要指标，也是用于作物生长土壤状况、气候环境分析的重要指标，作物覆盖度也用于研究土壤湿度、地表温度、土壤营养含量、水循环状况。

现有的对作物株高和冠层覆盖度进行测量的主要方案基于半自动测量方式，需要人工定制分析区域，导致分析效率低、自动化程度弱，而纯手动株高测量在高尺度作物中测量难；三维测量、立体测量等方法虽自动化程度高，但精度低、成本高，现阶段主流的测量方法主要分为人工测量法、遥感数据分析法、图像处理分析法，其中，人工测量法通过人工目测或通过尺度测量工具进行测量或估计。人工目测法通过感知方式估计作物冠层覆盖度与株高；尺度测量方式通过对总体地表面积、作物高度进行测量，然后分区域对作物区域进行测量统计分析，最终获取冠层覆盖度与株高信息；遥感数据分析法：通常采用作物生长模型分析法进行模拟，选取输入参数并以冠层覆盖度作为作物生长模型与多源多时相遥感观测数据参数链接，从而实现作物生长预测机制；图像处理分析法：通过常规图像采集设备进行作物图像采集，通常采用两种方案，其一采用垂直拍摄法，其二采用俯拍法，前者特点是所采集图像中基本只包含作物、作物间隙信息，后者特点是不仅包含作物、作物间隙信息，还包含了天空、房屋等作物周边环境信息；

除此之外，在一些其他的测量方法中，RGB-D通常适用于室内且近距离的测量应用；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；激光成像容易受空洞、漫反射影响；基于整体比例关系测量的装置和方法，由于图像采集过程中产生的畸变，通常标定杆表现为从上至下，越接近底部单位像素所表示的比例尺单位越大，这些方法将导致误差较大。

综上所述，现有技术中的测量方法在对作物株高、冠层覆盖度的测量上有如下不足：人工目测估计法主观性强，结果不稳定，作物较高时人工测量困难且劳动成本高、效率低；遥感数据分析法，对数据采集设备要求较高，导致成本较高，且统计模型指数特异性强，适用性较弱，且利用遥感建立关系模型反演的方法，精度有限，反演适应范围有限；现有基于图像处理方式，自动性不足，扩展性差，且冠层覆盖度测量方案又偏于实际测量范围规范。

发明内容

本申请实施例提供了一种作物长势分析方法、装置及应用，在物联网服务云平台中针对待分析作物进行株高测量、冠层覆盖度计算从而得到作物长势，方便技术人员实时了解作物实际情况。

第一方面，本申请实施例提供了一种作物长势分析方法，所述方法包括：

获取包含作物待处理图像，所述包含作物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；

对所述包含作物待处理图像进行图像分割，得到分割二值图，所述分割二值图仅包含待测量作物对应的待测量作物信息和标定杆对应的标定杆信息；

对所述分割二值图进行轮廓分析，得到仅包含待测量作物区域、待测量作物间隙区域的第一轮廓二值图，通过所述第一轮廓二值图计算所述待测量作物的冠层覆盖度；

对所述分割二值图进行轮廓分析，得到仅包含所述标定杆的完整蓝色色段信息的第二轮廓二值图，通过所述第二轮廓二值图计算所述标定杆的像素比例尺，使用所述像素比例尺进行计算得到所述待测量作物的株高；

通过所述待测量作物的冠层覆盖度和株高来分析所述待测量作物的长势情况。

第二方面，本申请实施例提供了一种作物长势分析装置，包括：

获取模块：获取包含作物待处理图像，所述包含作物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；

分割模块：对所述包含作物待处理图像进行图像分割，得到分割二值图，所述分割二值图仅包含待测量作物对应的待测量作物信息和标定杆对应的标定杆信息；

第一计算模块：对所述分割二值图进行轮廓分析，得到仅包含待测量作物区域、待测量作物间隙区域的第一轮廓二值图，通过所述第一轮廓二值图计算所述待测量作物的冠层覆盖度；

第二计算模块：对所述分割二值图进行轮廓分析，得到仅包含所述标定杆的完整蓝色色段信息的第二轮廓二值图，通过所述第二轮廓二值图计算所述标定杆的像素比例尺，使用所述像素比例尺进行计算得到所述待测量作物的株高；

分析模块：通过所述待测量作物的冠层覆盖度和株高来分析所述待测量作物的长势情况。

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作物长势分析方法。

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，所述过程包括一种作物长势分析方法。

本发明的主要贡献和创新点如下:

本申请实施例提供一种作物长势分析方法，其中包括一种作物株高测量方法和作物冠层覆盖度计算方法，采用超绿-超红分析与自适应阈值分割的两步分割法能够准确分割得到包含作物区域的分割二值图，通过超蓝分割算法能够分割得到包含标定杆蓝色色段的区域信息；根据待测量作物的形态特征、结构特征以及分布特征进行非作物区域噪声滤除，保留仅包含作物区域信息的分割二值图；根据标定杆形状特征、区域分布特征滤除非标定杆色段区域；采用本申请实施例所涉及的多区域轮廓融合算法，提取完整作物区域信息，进而保障不同拍摄角度下作物冠层覆盖度的准确测量；采用本申请实施例涉及的标定杆比例尺计算方法以及多点采样测量，能够有效测量作物株高；本申请实施例所提出的测量方案及测量方法对图像信息进行处理和分析，实现了作物冠层覆盖度与株高测量的自动化、简易化，提高了应用及方法的通用性、鲁棒性与操作便利性，为物联网服务云平台作物长势分析提供了参考依据。

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作物长势分析方法的流程图；

图2是根据本申请实施例的包含作物待处理图像的示意图；

图3是根据本申请实施例的初始灰度图；

图4是根据本申请实施例的超蓝二值图；

图5是根据本申请实施例的第一轮廓二值图；

图6是根据本申请实施例的整体作物信息二值图；

图7是根据本申请实施例的第二轮廓二值图；

图8是根据本申请实施例的物联网服务云平台示意图；

图9是根据本申请实施例的一种作物长势分析装置的结构框图；

图10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作物冠层覆盖度与株高测量方法，可以对图像信息进行处理和分析，实现了作物冠层覆盖度与株高测量的自动化、简易化，提高了应用及方法的通用性、鲁棒性与操作便利性，为物联网服务云平台作物长势分析提供了参考依据，具体地，参考图1，所述方法包括：

通过所述待测量作物的冠层覆盖度和株高来判断所述待测量作物的长势情况。

在一些实施例中，所述标定杆为等高色段交替分布的柱形杆，所述标定杆垂直插置于地面并靠近待测物作物设置。

具体的，所述标定杆的一头为圆锥形的插戟，使用时将插戟插入地面，使所述标定杆与地面垂直。具体的，为了考虑室外使用的耐用性问题，本方案的标定杆采用金属制成，且金属表面为磨砂纹路，可以避免所述标定杆上色段的掉色情况，还可以减少反光，使获取的包含作物待处理图像质量更好。

具体的，为了更便于图像的分割，所述标定杆采用等高的蓝色色段和白色色段交替分布。

在一些实施例中，在“得到分割二值图”步骤之前包括，对所述包含作物待处理图像进行RGB通道提取得到R通道图像、G通道图像、B通道图像，对所述包含作物待处理图像进行超绿-超红分析得到初始灰度图，对所述初始灰度图进行自适应阈值分割得到阈值分割二值图；对所述B通道图像进行超蓝分析得到超蓝二值图，将所述阈值分割二值图和所述超蓝二值图进行并运算得到所述分割二值图。

具体的，所述包含作物待处理图像如图2所示，所述标定杆垂直插于地面。

具体的，对所述包含作物待处理图像进行超绿-超红分析过程如下：

1)计算所述包含作物待处理图像中每个像素点的超绿值ExG，ExG(x,y)=2*G(x,y)-R(x,y)-B(x,y)；

2)计算所述包含作物待处理图像中每个像素点的超红值ExR，ExR(x,y)=1.4*R(x,y)-G(x,y)；

3)对所述包含作物待处理图像中的每个像素点进行超绿-超红分析，得到初始灰度图，分析公式如下：

其中，（x，y）为图像点位坐标，ExG(x,y)为所述包含作物待处理图像中(x,y)点位的超绿值，G(x,y)、R(x,y)、B(x,y)分别为所述包含作物待处理图像中(x,y)点位的RGB值。ExR(x,y)为所述包含作物待处理图像中(x,y)点位的超红值。

在一些具体实施例中，对所述包含作物待处理图像中的每一图像点位坐标进行超绿-超红分析过后得到初始灰度图。

其中，当该像素点的超绿值减去超红值的结果小于等于0时，则将该像素点的灰度值设置为0；当该像素点的超绿值减去超红值得结果大于等于255时，则将该像素点的灰度值设置为255；当所述超绿值减去超红值大于0且小于255时，则该点位像素值为超绿值减去超红值；对所有像素点进行上述操作，得到所述初始灰度图。

示例性的，对所述包含作物待处理图像中的每个像素点进行上述的超绿-超红分析得到初始灰度图如图3所示，所述包含作物待处理图像中的作物部分与其他部分已经明显的区分开来了，这是由于作物形状基本全部为绿色系或者红色系，使用超绿-超红分析可以将所述包含作物待处理图像中的作物更明显的与其他干扰像素区分开来。

具体的，对所述初始灰度图进行基于OTSU算法的自适应阈值分割得到阈值分割二值图步骤如下：

1)已知所述初始灰度图的灰度级为1～m，其中，灰度值为i的像素点数量为n_i，灰度图的像素总量N为

，所述初始灰度图的各灰度级概率为

；

2)将对所述初始灰度图进行自适应阈值分割的初始化阈值设为T（0≤T≤m）；

3)将所述初始灰度图的像素点分为两组，

；

4)计算C₀组和C₁组的对应均值ω₀、ω₁与方差μ₀、μ₁，其中：

5)根据所述C₀组和C₁组的对应均值与方差，计算C₀组和C₁组的组间方差：

其中，μ为所述初始灰度图的平均灰度值，当σ最大时，2）中T的值为分割阈值，根据所述分割阈值对所述初始灰度图进行图像分割得到所述阈值分割二值图。

示例性的，通过阈值分割算法可以将所述初始灰度图中的作物部分分割出来，且使用阈值分割算法的分割速度快，效率高，而且可以断开作物部分与其他噪声的若连接，方便进行轮廓分析。

具体的，对所述B通道图像进行超蓝分析得到超蓝二值图的步骤如下：

1)令所述B通道图像中BR(x,y)=B(x,y)/(R(x,y)+1)；

2)令所述B通道图像中BG(x,y)=B(x,y)/(G(x,y)+1)；

3)令所述B通道图像中

4)对所述B通道图像中的每个像素点进行超蓝分析，得到超蓝二值图，分析公式如下：

具体的，当B通道图像中的像素点位满足

时，将该像素点位的像素值赋值为255，否则赋值为0。

其中，width、height为所述B通道图像的宽、高，B(i，j)为图像在位置(i，j)处的B像素值，BR(x,y)为点位坐标（x,y）处的BR值aveB为B通道图像中的平均像素值，1.2和1.8为经验阈值，经验阈值为在该实施例中，经测试得到的最优经验阈值，R、G、B的像素值取值范围为0~255。

示例性的，包含作物的待处理图像中存在标定杆，而在本方案中，所述标定杆使用的是蓝色白色等高色段交替分布的柱形杆，所以对包含作物的待处理图像进行超蓝分析后得到的超蓝二值图如图4所示。

在一些实施例中，对所述分割二值图进行轮廓分析之前包括步骤：对所述分割二值图进行形态学开运算处理后进行轮廓提取得到轮廓集合。

具体的，对所述分割二值图进行形态学开运算处理的目的是初步滤除小区域噪声，并断开弱连接区域。

具体的，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。

在一些实施例中，在“对所述分割二值图进行轮廓分析，得到仅包含待测量作物区域、待测量作物间隙区域的第一轮廓二值图”步骤中，对所述分割二值图进行轮廓分析，得到轮廓集合，根据所述轮廓集合的面积信息进行轮廓筛选后，得到剩余轮廓信息，对所述剩余轮廓信息提取中心点，对所述中心点进行位置分布特征筛选，滤除偏离所述中心点横坐标均值大的区域信息，得到所述第一轮廓二值图。

具体的，计算所述轮廓集合的面积信息，根据所述面积信息对所述轮廓集合进行筛选，滤除面积小于d₁的轮廓信息，所述d₁为超参数，所述d₁的定义原则根据作物生长通常具有区域集中性特征。

具体的，对所述剩余轮廓信息提取中心点，对所述中心点进行位置分布特征筛选，滤除偏离所述中心点横坐标均值大的区域信息，得到所述第一轮廓二值图步骤为:

1)对所述剩余轮廓信息提取中心点

；

2)对所述中心点按照横坐标升序排列得到

；

3)根据升序排列的所述中心点的x坐标取中值坐标值midCenterX；

4)根据所述中值坐标值midCenterX，遍历centerPoint s中的中心点所对应的轮廓信息，当

时，保留该轮廓信息，否则去除该轮廓信息，其中d₁为超参数，为本应用实施例中经大量测试得到的最优值。

示例性的，所述第一轮廓二值图如图5所示，由于已经使用阈值分割的方法对其进行分割，所以当使用上述的轮廓分析算法进行分析后得到如图5所示的第一轮廓二值图，在所述第一轮廓二值图中可以明确的展现作物在图像上的投影信息（图中的白色部分）。

在一些实施例中，在“通过所述第一轮廓二值图计算所述待测量作物的冠层覆盖度”步骤中，对所述第一轮廓二值图提取所有轮廓信息得到轮廓信息集合，提取所述轮廓信息集合中的所有点集，对所述点集进行并集得到单一总轮廓点集，对所述单一总轮廓点集进行凸包计算，得到整体作物信息二值图，通过所述第一轮廓二值图和整体作物信息二值图计算所述作物冠层覆盖度。

具体的，所述作物冠层覆盖度的计算方法为所述待测量作物在地面的垂直投影面积占统计区总面积的百分比，参与计算区域为待测量作物的所在区域，该区域包含所述待测量作物的投影区域，待测量作物间隙区域，所述第一轮廓二值图仅包含待测量作物的投影区域，因此，需要计算包括所述待测量作物投影区域和待测量作物间隙区域的总面积，计算过程如下；

1)根据所述第一轮廓二值图提取所有轮廓信息得到轮廓信息集合；

2)提取所述轮廓信息集合中所有轮廓信息的点集，并计算他们的并集，得到单一轮廓信息点集；

3)对所述单一轮廓信息点集进行凸包计算，得到整体作物信息二值图，所述整体作物信息二值图中包含所述待测量作物的投影信息以及所述待测量作物间隙区域。

具体的，所述凸包计算为一种几何计算方式，通过将所述单一轮廓信息点集中的外层点位连接形成一个封闭的几何图形，所述封闭的几何图形即为凸包信息，所述凸包信息中所包含的图像即为所述整体作物信息二值图。

进一步的，所述作物冠层覆盖度的计算方法如下：

1)计算所述第一轮廓二值图的前景区域的图像像素数量countNum1；

2)计算所述整体作物信息二值图的前景区域的图像像素数量countNum2；

3)所述作物冠层覆盖度coveragr为

。

示例性的，所述整体作物信息二值图如图6所示，图6为经灰度化、阈值分割、轮廓分析之后得到的图像，包含区域内所有的作物信息，图5的前景区域的像素数量一般情况下会比图6的要大，所以使用图6的前景像素数量比上图5的前景像素数量便可以得到该区域的作物冠层覆盖度。

在一些实施例中，“对所述分割二值图进行轮廓分析，得到仅包含所述标定杆完整蓝色色段信息的第二轮廓二值图”步骤包括：对所述分割二值图进行轮廓分析，得到轮廓集合；对所述轮廓集合根据各个轮廓最小外接矩形长宽比、矩形度进行特征选择，得到特征区域二值图；根据所述特征区域二值图提取至少一前景轮廓，并获取各前景轮廓中心点，组成第一前景轮廓中心点集，对所述第一前景轮廓中心点集先进行位置分布特征筛选，得到位置筛选二值图，对所述位置筛选二值图提取至少一前景轮廓，并获取各前景轮廓中心点，组成第二前景轮廓中心点集，对所述第二前景轮廓中心点集进行结构特征筛选，得到第二轮廓二值图。

具体的，为了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标识区域信息特征的部分，对所述轮廓集合进行遍历，根据各个轮廓的最小外接矩形长宽比、矩形度进行特征选择的阈值判断，得到特征区域二值图，所述矩形度（R）计算公式如下：

其中，S₀为当前待判断区域的实际表面积，S_MER为当前待判断区域的最小外接矩形表面积；所述用于阈值判断的阈值根据实际测试所得，与所述分割二值图的图像尺寸、待判断区域在所述分割二值图中的占比有关。

具体的，对所述特征区域二值图提取至少一前景轮廓区域，并获得所述各前景轮廓的中心点，组成第一前景轮廓中心点集，对所述第一前景轮廓中心点集进行位置分布特征筛选，滤除偏离中心点横坐标均值大的区域信息，得到位置筛选二值图，具体步骤如下：

1)提取至少一前景轮廓区域的中心点，组成第一前景轮廓中心点集

；

2)将所述前景轮廓中心点集按照横坐标进行升序排列得到

；

3)根据排序后的所述前景轮廓中心点集取中值坐标值midCenterX；

4)根据所述中值坐标值midCenterX，遍历第一轮廓中心点集所对应的轮廓，当

时保留该区域信息，否则去除该区域信息，其中d₂为经验阈值，为本应用实施例中经大量测试得到的最优值。

进一步的，对所述位置筛选二值图提取至少一前景轮廓区域，并获得所述各前景轮廓的中心点，组成第二前景轮廓中心点集，对所述第二前景轮廓中心点集进行结构特征筛选，滤除与最上方轮廓中心点连线所成角度与纵轴偏差大的轮廓区域，得到第二轮廓二值图，具体步骤如下：

1)提取至少一前景轮廓区域的中心点，组成第二前景轮廓中心点集

；

2)将所述第二前景轮廓中心点集按照纵坐标的升序排序得到

；

3)将

作为基准点，遍历

计算其余中心点与所述基准点的连线角度{angle1,...，anglem}；

4)根据所述其余中心点与所述基准点的连线角度，当

时保留该区域，否则去除该区域，d₃验阈值，为本应用实施例中经大量测试得到的最优值。

在一些实施例中，所述第一轮廓信息二值图仅包含作物区域，所述第二轮廓二值图仅包含标定杆蓝色色段区域。

示例性的，所述第二轮廓二值图如图7所示，所述超蓝二值图与所述第二轮廓二值图是通过不同手段进行提取的，第二轮廓二值图相比于超蓝二值图，图形更加规范，且包含像素数量、像素点位置关系等，使用第二轮廓二值图才可以进行后续比例尺的计算。

在一些实施例中，“通过所述第二轮廓二值图计算所述标定杆的像素比例尺”步骤包括：根据所述第二轮廓二值图提取至少一轮廓信息，组成蓝色色段轮廓信息集合；根据所述蓝色色段轮廓信息集合以及所述标定杆色段物理高度计算像素比例尺；连接所述轮廓二值图中的各个矩形色段，并向两端进行延拓，使其纵向贯穿图像，得到延长第二轮廓二值图；将所述延长第二轮廓二值图与第一轮廓二值图进行交运算得到测量二值图；计算所述第二轮廓二值图与测量二值图最上方像素中心点的坐标的欧式距离；通过所述标定杆的实际物理长度、像素比例尺、所述第二轮廓二值图和测量二值图最上方像素中心点的坐标的欧式距离计算待测量作物株高。

具体的，根据所述第二轮廓二值图提取至少一轮廓信息，组成蓝色色段轮廓信息集，所述蓝色轮廓信息对应所述标定杆蓝色色段的轮廓；计算每个所述蓝色色段轮廓信息的最小外接矩形高度，并对其进行降序排列得到最小外接矩形高度集合；通过所述最小外接矩形高度集合并结合所述标定杆色段的物理高度计算像素比例尺，其公式如下：

其中，scale像素例尺信息，length为标定杆色段的物理高度，height为最小外接矩形的像素高度，γ为对所述待测量作物株高进行测量的像素比例尺，n为有效色段的数量。

具体的，所述第二轮廓二值图最上方像素中心点坐标对应所述标定杆顶端重点；所述测量二值图最上方像素中心点坐标为所述标定杆与所述待测量作物冠层截面中点，计算两点之间的欧氏距离长度，单位为px（像素）。

进一步的，根据所述标定杆总长L，像素比例尺r，两点之间的欧氏距离euclideanDistance计算得到所述待测量作物的株高H=L-γ*euclideanDistance，单位为mm（毫米）。

示例性的，根据第二轮廓二值图中的像素高度信息再结合标定杆每一段的实际高度信息，便可以计算出像素长度与实际长度的比例尺信息，显而易见的，便可以知道作物的株高。

在一些实施例中，所述包含作物待处理图像、待测量作物的冠层覆盖度、待测量作物的株高信息，通过物联网云服务平台进行计算并对所述待测量作物长势分析。

具体的，所述物联网云服务云平台通过计算模块对所采集序列图像进行处理与分析，得到所述待测量作物株高和冠层覆盖度，将所述待测量作物的株高和冠层覆盖度作为输入项输入到作物长势分析模型中进行作物长势分析，根据所述作物长势分析模型特征实现对所述待测量作物进行数据分析，将分析结果、包含作物待处理图像、数据分析过程以规范格式存储在存储单元中，用于前端展示调用或后继数据查询。

具体的，所述物联网云服务平台通过预先建立且训练好的作物长势分析模型进行作物长势自动分析。

进一步的，所述物联网云服务平台能够实现实时对作物信息进行监控，对所述包含作物待处理图像进行计算、分析、传输存储、展示。

示例性的，图8为本申请实施例中基于物联网云服务平台的作物长势分析系统图，所述系统由智能数据采集系统与数据分析系统组成，其中，智能数据采集模块通过数据采集控制器314按照事件序列控制信号自动控制图像采集设备313对目标区域进行图像采集，所述目标区域包括标定杆312、待测量作物311与310；数据分析系统接收来自智能数据采集系统的图像数据并传给云平台315，由计算与分析模块316对作物冠层覆盖度与株高进行自动分析，基于预先建立的作物长势分析模型进行作物长势分析，分析结果用于显示、存储。所述物联网云服务平台系统主要数据流分为两个部分，数据分析系统通过信号控制流控制数据采集时间间隔，再将所采集数据信息传入云平台；云平台将接收到的数据采集系统所采集数据传入计算与分析模块进行分析，并接收分析结果进行存储。

实施例二

基于相同的构思，参考图9，本申请还提出了一种作物长势分析装置，包括：

实施例三

本实施例还提供了一种电子装置，参考图10，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作物长势分析方法。

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，输入的信息可以是包含作物待处理图像、待测量作物的株高、冠层覆盖度等，输出的信息可以是作物的长势情况等。

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、获取包含作物待处理图像，所述包含作物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、对所述包含作物待处理图像进行图像分割，得到分割二值图，所述分割二值图仅包含待测量作物对应的待测量作物信息和标定杆对应的标定杆信息；

S103、对所述分割二值图进行轮廓分析，得到仅包含待测量作物区域、待测量作物间隙区域的第一轮廓二值图，通过所述第一轮廓二值图计算所述待测量作物的冠层覆盖度；

S104、对所述分割二值图进行轮廓分析，得到仅包含所述标定杆的完整蓝色色段信息的第二轮廓二值图，通过所述第二轮廓二值图计算所述标定杆的像素比例尺，使用所述像素比例尺进行计算得到所述待测量作物的株高；

S105、通过所述待测量作物的冠层覆盖度和株高来分析所述待测量作物的长势情况。

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

1.一种作物长势分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种作物长势分析方法，其特征在于，所述标定杆为等高色段交替分布的柱形杆，所述标定杆垂直插置于地面并靠近待测物作物设置。

3.根据权利要求1所述的一种作物长势分析方法，其特征在于，在“得到分割二值图”步骤之前包括，对所述包含作物待处理图像进行RGB通道提取得到R通道图像、G通道图像、B通道图像，对所述包含作物待处理图像进行超绿-超红分析得到初始灰度图，对所述初始灰度图进行自适应阈值分割得到阈值分割二值图；对所述B通道图像进行超蓝分析得到超蓝二值图，将所述阈值分割二值图和所述超蓝二值图进行并运算得到所述分割二值图。

4.根据权利要求1所述的一种作物长势分析方法，其特征在于，在“对所述分割二值图进行轮廓分析，得到仅包含待测量作物区域、待测量作物间隙区域的第一轮廓二值图”步骤中，对所述分割二值图进行轮廓分析得到轮廓集合，根据所述轮廓集合的面积信息进行轮廓筛选得到剩余轮廓信息，对所述剩余轮廓信息提取中心点

，并对所述中心点按照横坐标升序排列得到

，根据升序排列的所述中心点的x坐标取中值坐标值midCenterX，根据所述中值坐标值midCenterX遍历centerPoint s中的中心点所对应的轮廓信息，当

时则保留该轮廓信息，否则去除该轮廓信息得到第一轮廓二值图，d₁为设定的超参数。

5.根据权利要求1所述的一种作物长势分析方法，其特征在于，在“通过所述第一轮廓二值图计算所述待测量作物的冠层覆盖度”步骤中，对所述第一轮廓二值图提取所有轮廓信息得到轮廓信息集合，提取所述轮廓信息集合中的所有点集，对所述点集进行并集得到单一总轮廓点集，对所述单一总轮廓点集进行凸包计算，得到整体作物信息二值图，通过所述第一轮廓二值图和整体作物信息二值图计算所述作物冠层覆盖度。

6.根据权利要求1所述的一种作物长势分析方法，其特征在于，“对所述分割二值图进行轮廓分析，得到仅包含所述标定杆完整蓝色色段信息的第二轮廓二值图”步骤包括：对所述分割二值图进行轮廓分析得到轮廓集合；对所述轮廓集合根据各个轮廓最小外接矩形长宽比、矩形度进行特征选择，得到特征区域二值图；根据所述特征区域二值图提取至少一前景轮廓，并获取各前景轮廓中心点，组成第一前景轮廓中心点集，对所述第一前景轮廓中心点集先进行位置分布特征筛选，得到位置筛选二值图，对所述位置筛选二值图提取至少一前景轮廓，并获取各前景轮廓中心点，组成第二前景轮廓中心点集，对所述第二前景轮廓中心点集进行结构特征筛选，得到第二轮廓二值图。

7.根据权利要求1所述的一种作物长势分析方法，其特征在于，“通过所述第二轮廓二值图计算所述标定杆的像素比例尺”步骤包括：根据所述第二轮廓二值图提取蓝色色段轮廓信息集合；根据所述蓝色色段轮廓信息集合以及所述标定杆的色段物理高度计算像素比例尺；连接所述轮廓二值图中的各个矩形色段，并向两端进行延拓，使其纵向贯穿图像，得到延长第二轮廓二值图；将所述延长第二轮廓二值图与第一轮廓二值图进行交运算得到测量二值图；计算所述第二轮廓二值图与测量二值图最上方像素中心点的坐标的欧式距离；通过所述标定杆的实际物理长度、像素比例尺、所述第二轮廓二值图和测量二值图最上方像素中心点的坐标的欧式距离计算待测量作物株高。

8.一种作物长势分析装置，其特征在于，包括：

9.一种电子装置，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- 7任一所述的一种作物长势分析方法。

10.一种可读存储介质，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1-7任一项所述的一种作物长势分析方法。