CN116188465B - 基于图像处理技术的作物生长状态检测方法 - Google Patents

基于图像处理技术的作物生长状态检测方法 Download PDF

Info

Publication number
CN116188465B
CN116188465B CN202310457183.9A CN202310457183A CN116188465B CN 116188465 B CN116188465 B CN 116188465B CN 202310457183 A CN202310457183 A CN 202310457183A CN 116188465 B CN116188465 B CN 116188465B
Authority
CN
China
Prior art keywords
value
pixel points
soil
marked
pixel
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
Application number
CN202310457183.9A
Other languages
English (en)
Other versions
CN116188465A (zh
Inventor
李群
王玮
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.)
Jining Chuankang Agricultural Technology Co ltd
Original Assignee
Jining Baotian Agricultural Machinery Technology Promotion Professional Cooperative
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 Jining Baotian Agricultural Machinery Technology Promotion Professional Cooperative filed Critical Jining Baotian Agricultural Machinery Technology Promotion Professional Cooperative
Priority to CN202310457183.9A priority Critical patent/CN116188465B/zh
Publication of CN116188465A publication Critical patent/CN116188465A/zh
Application granted granted Critical
Publication of CN116188465B publication Critical patent/CN116188465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于图像处理技术的作物生长状态检测方法，该方法包括：对光谱图像进行阈值分割处理得到农作物区域和土壤区域，获取优选图像；根据像素点在优选图像与光谱图像对应的像素值得到增强差异值；根据增强差异值得到细节差异指标；获取土壤区域内各像素点在设定波段对应的反射值的均值，根据均值与细节差异指标得到土壤物质丰富度；根据增强差异值对像素点进行标记得到标记像素点，利用设定尺寸的窗口对标记像素点进行处理，获取修正系数，对土壤物质丰富度进行修正得到优选土壤物质丰富度；获取农作物生长状态指数以及生长状态。本发明受环境的影响较小，可在实现无损检测的同时精确评价作物生长状态。

Description

基于图像处理技术的作物生长状态检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于图像处理技术的作物生长状态检测方法。
背景技术
近年来人工智能技术的不断发展，在生活生产中的应用场景日渐增多。而图像处理技术是人工智能的分支，越来越多的研究人员考虑在农产品检测中使用图像处理技术。因为传统的检测方法重复度低且对作物有损，而且分析成本高、时效性差且难以反映群体特征。鉴于此，有研究人员利用可见光图像处理技术实现对作物生长状态的检测，该方法相对于传统检测方法方便快捷，而且对作物无损害。但是基于可见光图像的检测方法只对作物是否缺水等较为明显的特征精度较高，对作物含氮量、微量元素含量、作物虫害等问题较为轻微时的检测精确度不高，往往只有这些问题非常严重、植株呈现出外在表现时才较为精准。
而光谱遥感依据作物内不同元素和物质对不同波段的光谱反射程度不同进行检测，准确快速，但目前的研究主要利用卫星等提供的高光谱信息，在针对范围较大作物大面积估产、农业资源探查和农业灾害监测时，因卫星影像的清晰度容易受天气影响，所以往往存在时间或空间分辨率不足，进而导致检测结果不准确等缺点。
然而，通过改善影像采集设备来提高影像清晰度的方法成本太高，因此，需要一种新的图像处理方法对影像进行处理来获得高清晰度的影像，使其检测结果不容易受天气影响，在实现无损检测的同时精确评价作物的生长状态。
发明内容
为了解决上述技术问题，本发明提供了基于图像处理技术的作物生长状态检测方法，使用新的图像处理技术，使得检测结果不容易受天气影响，实现作物生长状态的精准检测。所采用的技术方案具体如下：
采集农作物在近红外波段的光谱图像，对该光谱图像进行阈值分割处理得到农作物区域和土壤区域，对光谱图像进行增强处理得到优选图像；根据像素点在优选图像中对应的像素值与光谱图像对应的像素值得到像素点的增强差异值；
根据像素点的增强差异值与该像素点的邻域内像素点的增强差异值得到细节差异指标；获取土壤区域内各像素点在设定波段对应的反射值的均值，根据所述反射值的均值与细节差异指标得到土壤物质丰富度；
根据增强差异值对像素点进行标记得到标记像素点，利用设定尺寸的窗口对标记像素点进行处理，根据窗口内像素点的增强差异值获得特征值序列；根据相邻两个标记像素点对应的特征值序列得到条纹一致度；获取邻域内标记像素点的数量，根据所述数量与条纹一致度得到修正系数；利用修正系数对土壤物质丰富度进行修正，得到优选土壤物质丰富度；
根据农作物区域内像素点的增强差异值以及植被指数得到农作物生长状态指数；根据土壤物质丰富度、优选土壤物质丰富度以及作物生长状态指数得到光谱图像对应的农作物生长特征矩阵，利用所述农作物生长特征矩阵获得农作物的生长状态。
优选地，所述对光谱图像进行增强处理得到优选图像具体为：利用高斯滤波对光谱图像进行卷积得到优选图像。
优选地，所述细节差异指标的获取方法具体为：
Figure SMS_1
其中，
Figure SMS_2
表示第i行第j列像素点对应的细节差异指标，
Figure SMS_3
表示第i行第j列像素 点对应的增强差异值，
Figure SMS_4
表示邻域像素点
Figure SMS_5
对应的增强差异值，
Figure SMS_6
表示第i行第j列像素点 的邻域范围，
Figure SMS_7
表示邻域像素点的数量。
优选地，所述根据所述反射值的均值与细节差异指标得到土壤物质丰富度具体为：根据所述反射值的均值与细节差异指标的乘积的倒数得到土壤物质丰富度。
优选地，所述根据窗口内像素点的增强差异值获得特征值序列具体为：
将窗口内像素点的增强差异值的最大值记为第一特征值，将窗口内像素点的增强差异值的最小值记为第二特征值，将窗口内所有像素点的增强差异值的标准差记为第三特值；计算窗口内像素点的灰度共生矩阵，获取灰度共生矩阵的自相关值记为第四特征值；将第一、第二、第三和第四特征值构成特征值序列。
优选地，所述条纹一致度的获取方法具体为：
计算标记像素点窗口内第一特征值与第二特征值的差值，根据该标记像素点与其相邻的标记像素点对应的特征值序列中对应位置元素的相似度以及所述差值得到条纹一致度。
优选地，所述修正系数的获取方法具体为：
Figure SMS_8
其中，
Figure SMS_9
表示第i行第j列标记像素点对应的修正系数，
Figure SMS_10
表示第i行第j列标 记像素点邻域内标记像素点的数量，sc表示标记像素点的条纹一致度，ent表示第i行第j列 标记像素点对应的窗口的灰度共生矩阵的熵值，
Figure SMS_11
为常数系数。
优选地，所述优选土壤物质丰富度的获取方法具体为：
Figure SMS_12
其中，
Figure SMS_13
表示第i行第j列标记像素点对应的优选土壤物质丰富度，
Figure SMS_14
表示第i行 第j列标记像素点对应的修正系数，
Figure SMS_15
表示第i行第j列标记像素点对应的土壤物质丰富 度，
Figure SMS_16
为常数系数。
本发明至少具有如下有益效果：
本发明通过获取农作物在近红外波段的光谱图像，并对光谱图像分割为农作物区域和土壤区域，分别对土壤区域中物质含量进行分析以及对农作物中物质含量进行分析，可以更详细精确地评价农作物的生长状态；利用增强后的图像与光谱图像获得像素点的增强差异值，能够反映增强后像素点的细节信息，根据像素点和邻域像素点的增强差异值得到细节差异指标，能够说明像素点在邻域范围内的细节信息，根据像素点在设定波段对应的反射值以及细节差异指标得到土壤物质丰富度，通过分析土壤中物质的反射值，同时考虑了可能由于土壤受雨水冲刷使得细节差异指标反映土壤的流失纹理；并对像素点进行标记得到标记像素点，对标记像素点的窗口内进行分析获得修正系数，并利用修正系数对土壤物质丰富度进行修正，充分考虑了由于土壤受雨水冲刷对土壤中有机物含量的影响，并对存在误差的部分进行修正，得到精确的土壤物质丰富度，进而进行农作物状态检测。本发明受环境的影响较小，可在实现无损检测的同时精确评价作物生长状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1是本发明的基于图像处理技术的作物生长状态检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于图像处理技术的作物生长状态检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像处理技术的作物生长状态检测方法的具体方案。
实施例：
请参阅图1，其示出了本发明一个实施例提供的基于图像处理技术的作物生长状态检测方法的方法流程图，该方法包括以下步骤：
步骤一，采集农作物在近红外波段的光谱图像，对该光谱图像进行阈值分割处理得到农作物区域和土壤区域，对光谱图像进行增强处理得到优选图像；根据像素点在优选图像中对应的像素值与光谱图像对应的像素值得到像素点的增强差异值。
首先，根据种植的农作物的种类和地形等实际情况，在种植田内设置合适高度以及位置的农作物生长感知节点，在该节点位置处架设高光谱仪，利用高光谱仪获取农作物在近红外波段的光谱图像。其中，农作物生长感知节点的设置高度以及位置实施者可根据实际情况进行设置。
在本实施例中，以种植农作物为小麦为例进行说明，小麦的高光谱的采集过程为现有公知技术，具体采集过程的设置实施者可根据实际情况自行设定。选取高光谱对应的在近红外波段的光谱，得到小麦近红外图像。为避免噪声对图像的影响，使用中值滤波对小麦近红外图像进行去噪，得到小麦的光谱图像。
然后，需要说明的是，对农作物生长状态的检测一般仅基于农作物的形态和某些物质的含量进行分析，但农作物的生长状态有滞后性。例如，当农作物的某种物质含量在逐步降低但仍高于最低标准值时，此时检测的结果仍为该物质不缺乏，但由于检测结果一般不考虑物质的变化规律与时间的规律性，检测一般也无法实现间隔时间较短或连续监测，当这些农作物的某些物质含量被检测到低于最低标准值时，由于农作物吸收也需要一定的时间，所以往往呈现出农作物生长状态和状态改善的滞后性。
农作物内部的物质含量减少是因为从土壤中无法吸收足够的该物质，所以这种滞后性可通过对种植农作物的土壤进行分析弥补。即当农作物生长状态良好但土壤已表现出无法继续提供足够的营养成分时，即提示农作物生长状态需要改善，及时对环境做出干预，以达到减少或消除滞后性的作用。
而现有技术中通过对种植的农作物的形态和某些物质的含量进行分析，获得该农作物的生长状态，由于土壤中存在物质的影响，使得农作物呈现出生长状态好状态改善点滞后性，进而导致农作物该生长状态的检测结果并不准确。故本发明通过对土壤以及农作物两个方面进行分析，能够获得准确的农作物的生长状态检测结果。
最后，为了分别对采集到的光谱图像中的土壤部分和农作物部分进行分析，故需先对光谱图像进行分割得到农作物区域和土壤区域。在本实施例中，由于植物在在近红外波段有强反射特性，而土壤在可见光至近红外的光谱反射率总体较低，因此，在小麦对应的光谱图像中，存在农作物的部分与存在土壤的部分对应的像素值有明显的差异。则可以利用大津阈值分割法对光谱图像进行处理将图像划分为两个部分，具体地，利用大津阈值分割法获取最佳分割阈值，将光谱图像中大于最佳分割阈值的部分记为农作物区域，将光谱图像中小于最佳分割阈值的部分记为土壤区域。实施者也可根据具体实施场景选择其他合适的阈值分割方法对图像进行处理。
进一步的，将小麦的光谱图像中每个位置对应的像素值数据按照其在图像中的位置构成光谱图像对应的原始矩阵，表示为：
Figure SMS_17
其中，A表示光谱图像对应的原始矩阵，
Figure SMS_18
表示光谱图像中第1行第1列像素点对 应的像素值，
Figure SMS_19
表示光谱图像中第1行第n列像素点对应的像素值，
Figure SMS_20
表示光谱图像中第m 行第1列像素点对应的像素值，
Figure SMS_21
表示光谱图像中第m行第n列像素点对应的像素值，即f为 光谱图像中每个像素点对应的像素值，其角标为像素点在光谱图像中对应的位置，即原始 矩阵中的元素的取值为光谱图像中对应位置像素点的像素值。
对光谱图像进行增强处理得到优选图像，在本实施例中，使用高斯滤波对光谱图像进行卷积，强化光谱图像中的细节部分，实施者可根据实际情况选择其他合适的方法对光谱图像进行增强。将得到的优选图像中每个位置对应的像素值数据构成光谱图像对应的优选矩阵，将优选矩阵与原始矩阵中对应位置的数值相减，得到光谱图像对应的增强矩阵，表示为：
Figure SMS_22
其中，B表示光谱图像对应的增强矩阵，
Figure SMS_23
表示优选图像中第1行第1列像素点对 应的像素值，
Figure SMS_24
表示优选图像中第1行第n列像素点对应的像素值，
Figure SMS_25
表示优选图像中第m 行第1列像素点对应的像素值，
Figure SMS_26
表示优选图像中第m行第n列像素点对应的像素值。
根据像素点在优选图像中对应的像素值与光谱图像对应的像素值得到像素点的 增强差异值，具体地，将增强矩阵中每个像素点对应位置的像素值记为像素点对应的增强 差异值，表示为
Figure SMS_27
，
Figure SMS_28
表示第i行第j列像素点对应的增强差异值，
Figure SMS_29
表示优 选图像中第i行第j列像素点对应的像素值，
Figure SMS_30
表示光谱图像中第i行第j列像素点对应的像 素值。
步骤二，根据像素点的增强差异值与该像素点的邻域内像素点的增强差异值得到细节差异指标；获取土壤区域内各像素点在设定波段光谱图像中对应的反射值的均值，根据所述反射值的均值与细节差异指标得到土壤物质丰富度。
首先，由于像素点对应的细节信息越明显时，该像素点增强后的像素值与增强前的像素值之间的差异越大，即该像素点对应的增强差异值的取值就越大。通过分析像素点和其邻域像素点的增强差异值，进而分析像素点在其邻域范围内的细节增强信息。当像素点的邻域内的邻域像素点的增强差异值的取值越大，说明其邻域像素点对应的细节信息越明显，同时该像素点的增强差异值的取值越大时，该像素点对应的细节信息越明显，进而该像素点对应的细节差异指标的取值越大。
基于此，根据像素点的增强差异值与该像素点的邻域内像素点的增强差异值得到细节差异指标，用公式表示为：
Figure SMS_31
其中，
Figure SMS_32
表示第i行第j列像素点对应的细节差异指标，
Figure SMS_33
表示第i行第j列像素 点对应的增强差异值，
Figure SMS_34
表示邻域像素点
Figure SMS_35
对应的增强差异值，
Figure SMS_36
表示第i行第j列像素点 的邻域范围，
Figure SMS_37
表示邻域像素点的数量。在本实施例中，选择像素点的8邻域进行计算，实施 者可根据实际情况进行调整。
Figure SMS_38
表示像素点的邻域像素点的增强差异值的均值，该值越大，说明像素点的 邻域像素点的增强差异值越大，该像素点的邻域内细节信息越明显，同时，像素点的增强差 异值越大时，像素点的细节信息越明显，则
Figure SMS_39
的取值越大，像素点对应的细节差异指标越 大，说明像素点在其周围一定范围内的细节信息均较为明显。
然后，需要说明的是，由于氨氮自身带正电性质和土壤特性，氨氮在土壤中垂向分布较均匀，且在小麦生长季的变化较为平稳，一般在种植过程中土壤的施肥量足够农作物所需。但是土壤中氨氮的流失原因主要为降雨时机和降雨强度。当降雨强度较大时，土壤中的氨氮下渗严重，进而导致作物无法吸收足量的氨氮。当降雨强度较大时，水流会带着泥土向较低的地方流动，由于雨水的冲刷，在雨后土壤干燥后其余土壤原始纹理消失，呈现出土壤流失的纹理。
进而在土壤区域中像素点对应的细节差异指标能够反应土壤经过雨水冲刷后的流失纹理，同时，由于光谱中55-100nm的光对土壤中的有机物较为敏感，土壤中的有机物含量越高，折射率越低，故利用像素点在高光谱中55-100nm的光对应的反射值获取像素点对应的土壤物质丰富度，像素点在设定波段对应的反射值越小，说明在该像素点位置处的有机物含量越高，则对应的土壤物质丰富度就越大。其中，设定波段的取值实施者可根据研究有机物的不同而进行设置。
基于此，根据所述反射值的均值与细节差异指标的乘积的倒数得到土壤物质丰富度，用公式表示为：
Figure SMS_40
其中，
Figure SMS_41
表示第i行第j列像素点对应的土壤物质丰富度，
Figure SMS_42
表示第i行第j列像素 点对应的细节差异指标，
Figure SMS_43
表示第i行第j列像素点在设定波段的反射值的均值，在本实施 例中设定波段的取值为55-100nm。
当像素点在55-100nm波段的光对应的反射值越小，像素点对应的细节差异指标越小，则该像素点的土壤物质丰富度的取值越大，说明土壤区域内该像素点的位置处对应的氨氮含量越高，农作物可能越不缺乏生长所需的氨氮。当像素点在当像素点在55-100nm波段的光对应的反射值越大，像素点对应的细节差异指标越大，则该像素点的土壤物质丰富度的取值越小，说明土壤区域内该像素点的位置处对应的含氨氮量越低，农作物可能越缺乏生长所需的氨氮。
步骤三，根据增强差异值对像素点进行标记得到标记像素点，利用设定尺寸的窗口对标记像素点进行处理，根据窗口内像素点的增强差异值获得特征值序列；根据相邻两个标记像素点对应的特征值序列得到条纹一致度；获取邻域内标记像素点的数量，根据所述数量与条纹一致度得到修正系数；利用修正系数对土壤物质丰富度进行修正，得到优选土壤物质丰富度。
首先，由于当雨水冲刷使得土壤呈现出的纹理越深时，对应土壤中的氨氮流失也越为严重，故需考虑受雨水冲刷时土壤区域对应的图像中的纹理信息，进而分析土壤中的氨氮流失情况。
获取所有像素点的增强差异值的均值，对光谱图像中像素点对应的增强差异值大于所述均值的像素点进行标记，得到标记像素点。对每个标记像素点继续分析，对标记像素点的8邻域范围内的邻域像素点对应的增强差异值大于所述均值的邻域像素点也进行标记，记为邻域标记像素点，获取标记像素点邻域内被标记的像素点的数量，所述数量即为标记像素点的8邻域内的邻域标记像素点的数量。
由于增强差异值的取值越大，说明对应的像素点位置处的细节信息越明显，故可通过设置阈值，将增强差异值大于阈值对应的像素点看作是由于雨水冲刷而呈现的细节纹理，并对这些大于阈值的像素点进行标记，进而后续对较为深的纹理部分进行分析。即获取标记像素点邻域内被标记的像素点的数量，当该数量的取值越大时，则标记像素点周围的细节纹理越多，该标记像素点越可能是由于雨水冲刷而呈现的细节纹理。
其中，在本实施例中，阈值的取值为所有像素点的增强差异值的均值，实施者可根据实际情况进行设置。
然后，以标记像素点为中心，建立设定尺寸的窗口，在本实施例中，设定尺寸具体为7*7，实施者可根据实际情况进行设置。将窗口内像素点的增强差异值的最大值记为第一特征值，将窗口内像素点的增强差异值的最小值记为第二特征值，将窗口内所有像素点的增强差异值的标准差记为第三特值；计算窗口内像素点的灰度共生矩阵，获取灰度共生矩阵的自相关值记为第四特征值；将第一、第二、第三和第四特征值构成特征值序列。特征值序列反映了该标记像素点对应的纹理的显著程度。
其中，在本实施例中，分别取灰度共生矩阵中水平方向、45°方向、竖直方向、135° 方向对应的自相关值，分别记为
Figure SMS_44
，
Figure SMS_45
，
Figure SMS_46
，
Figure SMS_47
，即在本实施例中第四特征值包括灰度 共生矩阵在四个设定方向上对应的四个自相关值，同时，灰度共生矩阵的自相关值的计算 方法为公知技术，在此不再过多介绍。
灰度共生矩阵中的自相关值能够反映图像纹理的一致性，反映了对应方向上的相似程度，自相关值大小反映了图像中局部灰度相关性，局部灰度相关性越大，则自相关值越大，则说明在对应方向上越可能存在由于雨水冲刷而呈现的细节纹理。图像中土壤受雨水冲刷时对应出现的水纹方向、宽度等特征一致，所以每个标记像素点附近的局部灰度相关性也应较大。
由于水流经过土壤而产生的水纹一般较为宽大，宏观上为条状，但对于每个标记像素点而言，其对应的窗口内每个标记像素点与相邻的像素点间对应的像素值差异较小，所以每个标记像素点对应的窗口与相邻像素点对应的窗口内的特征值较为相近，故通过标记像素点与其相邻的标记像素点之间的特征值的相似性获取条纹一致度。
具体地，计算标记像素点窗口内第一特征值与第二特征值的差值，根据该标记像素点与其相邻的标记像素点对应的特征值序列中对应位置元素的相似度以及所述差值得到条纹一致度，用公式表示为：
Figure SMS_48
其中，sc表示标记像素点的条纹一致度，
Figure SMS_49
表示标记像素点对应的第一特征值，即 窗口内像素点的增强差异值的最大值；
Figure SMS_50
表示标记像素点对应的第二特征值，即窗口内像 素点的增强差异值的最小值；
Figure SMS_51
表示标记像素点对应的第三特征值，即窗口内所有像素点 的增强差异值的标准差；
Figure SMS_52
、
Figure SMS_53
、
Figure SMS_54
和
Figure SMS_55
均为标记像素点对应的第四特征值，分别表 示灰度共生矩阵在四个设定方向上对应的四个自相关值，min()表示求最小值的函数，dtw ()表示取标记像素点与其相邻的标记像素点对应的特征值序列中对应位置元素的dtw距 离，且dtw距离的计算方法为公知技术，在此不再过多介绍。
Figure SMS_56
表示标记像素点对应的窗口内之前差异值的最大值与最小值的差值，该标 记像素点对应的窗口内各之前差异值最大值与最小值的差异越大时，该标记像素点对应的 条纹一致度
Figure SMS_57
越小。标记像素点对应的窗口内的特征值与其相邻的标记像素点对应的窗口 内的特征值之间的相似度的最小值越大时，说明标记像素点对应的窗口与相邻像素点对应 的窗口内的特征值均较为相近，则该标记像素点的条纹一致度的取值越大。
需要说明的是，在本实施例中，将与标记像素点的距离最近的标记像素点记为与其相邻的标记像素点，实施者可根据实际情况进行设置。
最后，获取灰度共生矩阵对应的熵。当灰度共生矩阵中各数值分散分布时，熵较大，熵体现了图像中纹理的非均匀程度或复杂程度。土壤中受雨水冲刷纹理较深的位置形成的水痕规律性较强，即标记像素点对应的窗口的灰度共生矩阵对应的熵较小。
由于标记像素点与其邻域内的邻域标记像素点的增强差异值的取值较大，则对应的像素点位置处的细节信息越明显，故可根据邻域内标记像素点的数量获得修正系数，即修正系数表征了土壤中受雨水冲刷的纹理的显著程度，则所述数量的取值越大，则土壤中受雨水冲刷的纹理的显著程度越大，修正系数越大。
由于条纹一致度反映了在标记像素点位置处存在水纹理的一致程度，该取值越大，则土壤中受雨水冲刷的纹理的显著程度越大，修正系数越大。由于度共生矩阵对应的熵反映了图像中纹理的非均匀程度或复杂程度，该取值越小，土壤中受雨水冲刷纹理较深的位置形成的水痕规律性较强，修正系数越大。
基于上述关系，计算修正系数用公式表示为：
Figure SMS_58
其中，
Figure SMS_59
表示第i行第j列标记像素点对应的修正系数，
Figure SMS_60
表示第i行第j列标 记像素点邻域内标记像素点的数量，sc表示标记像素点的条纹一致度，ent表示第i行第j列 标记像素点对应的窗口的灰度共生矩阵的熵值，
Figure SMS_61
为常数系数，经验值为1，作用是为了防 止标记像素点的邻域内标记像素点的数量为0使得对应的修正系数为0。
标记像素点的邻域内的标记像素点的数量越多，说明标记像素点位置处的细节信息越明显，标记像素点的条纹一致度的取值越大，说明在标记像素点位置处存在水纹理的一致程度越大，标记像素点对应的窗口的灰度共生矩阵的熵值越小，说明纹理的非均匀程度或复杂程度较低，则土壤中受雨水冲刷的纹理的显著程度越大，对应的纹理修正值越大，即修正系数的取值越大。
进一步的，由于土壤中受雨水冲刷的纹理的显著程度越大，说明由于雨水的冲刷，在雨后土壤干燥后其余土壤原始纹理消失，呈现出土壤流失的纹理，则土壤中的有机物含量由于雨水冲刷而下降。基于此，利用修正系数对土壤物质丰富度进行修正，得到优选土壤物质丰富度，用公式表示为：
Figure SMS_62
其中，
Figure SMS_63
表示第i行第j列标记像素点对应的优选土壤物质丰富度，
Figure SMS_64
表示第i行 第j列标记像素点对应的修正系数，
Figure SMS_65
表示第i行第j列标记像素点对应的土壤物质丰富 度，
Figure SMS_66
为常数系数，经验值为1。
当标记像素点对应的修正系数取值越小时，说明该标记像素点位置处越不可能存在由于雨水冲刷呈现的土壤流失纹理，标记像素点位置处对应的土壤物质丰富度的取值越大时，说明土壤区域内该像素点的位置处对应的有机物含量越高，则标记像素点对应的优选土壤物质丰富度的取值越大，说明土壤区域中有机物的含量越多，农作物可能越不缺乏生长所需的有机物。
步骤四，根据农作物区域内像素点的增强差异值以及植被指数得到农作物生长状态指数；根据土壤物质丰富度、优选土壤物质丰富度以及作物生长状态指数得到光谱图像对应的农作物生长特征矩阵，利用所述农作物生长特征矩阵获得农作物的生长状态。
具体地，在农作物区域中，每个像素点对应的增强差异值反映了农作物的生长纹理，例如新长出的较为娇嫩的叶片叶脉较浅，时间较长的老叶叶脉粗而深。同时，由于农作物对近红外光的反射较强，不同颜色、新生程度的叶片、树枝对应的不同像素点的像素值相差较大，而像素点的细节差异指标反映了像素点的细节信息变化，故每个像素点对应的细节差异指标和归一化植被指数即可很好的反映测量时刻该位置的农作物生长状态。
进而计算农作物区域内像素点对应的细节差异指标和归一化植被指数之和得到农作物生长状态指数。其中，植被指数是对地表植被状况的简单、有效和经验的度量，为公知技术，在此不再过多介绍。归一化植被指数是反映农作物长势和营养信息的重要参数，当农作物区域中的像素点对应的归一化植被指数和细节差异指标越大时，该农作物区域内像素点对应的农作物生长状态指数越大，反映了该像素点对应位置处的农作物长势特征。
进一步的，根据光谱图像中各像素点对应的指标值构建农作物生长特征矩阵，具体地，将农作物区域内像素点对应的农作物生长状态指数作为农作物生长特征矩阵中对应位置的元素值，将土壤区域中标记像素点对应的优选土壤物质丰富度作为农作物生长特征矩阵中对应位置的元素值，将土壤区域中除标记像素点外其他像素点对应的土壤物质丰富度作为农作物生长特征矩阵中对应位置的元素值，构成的矩阵即为农作物生长特征矩阵。
将农作物生长特征矩阵输入现有的神经网络中，对农作物的生长状态进行分析，网络的输出为农作物的生长状态，在本实施例中，类别为良好不需改善，可改善和亟需改善，也可以根据作物生长状态的实际情况自定义设置，以方便对作物生长状态的检测。其中，网络训练的损失函数采用均方差损失函数，通过均方差损失函数对网络迭代训练。同时，对农作物生长状态进行分析的神经网络实施者可根据具体实施场景进行设置。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.基于图像处理技术的作物生长状态检测方法，其特征在于，该方法包括以下步骤：
采集农作物在近红外波段的光谱图像，对该光谱图像进行阈值分割处理得到农作物区域和土壤区域，对光谱图像进行增强处理得到优选图像；根据像素点在优选图像中对应的像素值与光谱图像对应的像素值得到像素点的增强差异值；
根据像素点的增强差异值与该像素点的邻域内像素点的增强差异值得到细节差异指标；获取土壤区域内各像素点在设定波段对应的反射值的均值，根据所述反射值的均值与细节差异指标得到土壤物质丰富度；
根据增强差异值对像素点进行标记得到标记像素点，利用设定尺寸的窗口对标记像素点进行处理，根据窗口内像素点的增强差异值获得特征值序列；根据相邻两个标记像素点对应的特征值序列得到条纹一致度；获取邻域内标记像素点的数量，根据所述数量与条纹一致度得到修正系数；利用修正系数对土壤物质丰富度进行修正，得到优选土壤物质丰富度；
根据农作物区域内像素点的增强差异值以及植被指数得到农作物生长状态指数；根据土壤物质丰富度、优选土壤物质丰富度以及作物生长状态指数得到光谱图像对应的农作物生长特征矩阵，利用所述农作物生长特征矩阵获得农作物的生长状态；
所述细节差异指标的获取方法具体为：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示第i行第j列像素点对应的细节差异指标，/>
Figure QLYQS_3
表示第i行第j列像素点对应的增强差异值，/>
Figure QLYQS_4
表示邻域像素点/>
Figure QLYQS_5
对应的增强差异值，/>
Figure QLYQS_6
表示第i行第j列像素点的邻域范围，/>
Figure QLYQS_7
表示邻域像素点的数量；
所述修正系数的获取方法具体为：
Figure QLYQS_8
其中，
Figure QLYQS_9
表示第i行第j列标记像素点对应的修正系数，/>
Figure QLYQS_10
表示第i行第j列标记像素点邻域内标记像素点的数量，sc表示标记像素点的条纹一致度，ent表示第i行第j列标记像素点对应的窗口的灰度共生矩阵的熵值，/>
Figure QLYQS_11
为常数系数。
2.根据权利要求1所述的基于图像处理技术的作物生长状态检测方法，其特征在于，所述对光谱图像进行增强处理得到优选图像具体为：利用高斯滤波对光谱图像进行卷积得到优选图像。
3.根据权利要求1所述的基于图像处理技术的作物生长状态检测方法，其特征在于，所述根据所述反射值的均值与细节差异指标得到土壤物质丰富度具体为：根据所述反射值的均值与细节差异指标的乘积的倒数得到土壤物质丰富度。
4.根据权利要求1所述的基于图像处理技术的作物生长状态检测方法，其特征在于，所述根据窗口内像素点的增强差异值获得特征值序列具体为：
将窗口内像素点的增强差异值的最大值记为第一特征值，将窗口内像素点的增强差异值的最小值记为第二特征值，将窗口内所有像素点的增强差异值的标准差记为第三特值；计算窗口内像素点的灰度共生矩阵，获取灰度共生矩阵的自相关值记为第四特征值；将第一、第二、第三和第四特征值构成特征值序列。
5.根据权利要求4所述的基于图像处理技术的作物生长状态检测方法，其特征在于，所述条纹一致度的获取方法具体为：
计算标记像素点窗口内第一特征值与第二特征值的差值，根据该标记像素点与其相邻的标记像素点对应的特征值序列中对应位置元素的相似度以及所述差值得到条纹一致度。
6.根据权利要求1所述的基于图像处理技术的作物生长状态检测方法，其特征在于，所述优选土壤物质丰富度的获取方法具体为：
Figure QLYQS_12
其中，
Figure QLYQS_13
表示第i行第j列标记像素点对应的优选土壤物质丰富度，/>
Figure QLYQS_14
表示第i行第j列标记像素点对应的修正系数，/>
Figure QLYQS_15
表示第i行第j列标记像素点对应的土壤物质丰富度，/>
Figure QLYQS_16
为常数系数。
CN202310457183.9A 2023-04-26 2023-04-26 基于图像处理技术的作物生长状态检测方法 Active CN116188465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310457183.9A CN116188465B (zh) 2023-04-26 2023-04-26 基于图像处理技术的作物生长状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310457183.9A CN116188465B (zh) 2023-04-26 2023-04-26 基于图像处理技术的作物生长状态检测方法

Publications (2)

Publication Number Publication Date
CN116188465A CN116188465A (zh) 2023-05-30
CN116188465B true CN116188465B (zh) 2023-07-04

Family

ID=86433089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310457183.9A Active CN116188465B (zh) 2023-04-26 2023-04-26 基于图像处理技术的作物生长状态检测方法

Country Status (1)

Country Link
CN (1) CN116188465B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117223459B (zh) * 2023-11-14 2024-02-02 江苏汉菱肥业有限责任公司 一种基于数据分析的肥料自动混配系统
CN117237384B (zh) * 2023-11-16 2024-02-02 潍坊科技学院 一种智慧农业种植作物的视觉检测方法及系统
CN117435940B (zh) * 2023-12-20 2024-03-05 龙建路桥股份有限公司 一种面向冬季混凝土养护过程中光谱检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020103570A4 (en) * 2020-11-20 2021-02-04 College of Grassland and Environmental Science, Xinjiang Agricultural University Grassland soil degradation evaluation method
CN115131683A (zh) * 2022-08-25 2022-09-30 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于高分辨率遥感影像的林业信息识别方法
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150254800A1 (en) * 2014-03-06 2015-09-10 F12 Solutions, Llc Nitrogen status determination in growing crops
CN104198397B (zh) * 2014-07-30 2017-09-05 江苏大学 氮磷钾交互作用下温室作物营养含量检测的方法
WO2016154106A1 (en) * 2015-03-20 2016-09-29 Nokia Technologies Oy Optimized signaling for wlan/3gpp aggregation
US9881214B1 (en) * 2016-07-13 2018-01-30 The Climate Corporation Generating pixel maps from non-image data and difference metrics for pixel maps
CN112561883A (zh) * 2020-12-17 2021-03-26 成都亚讯星科科技股份有限公司 农作物rgb图像重建高光谱图像的方法
CN113029971B (zh) * 2021-02-10 2023-01-31 北京农业信息技术研究中心 一种作物冠层氮素监测方法及系统
CN115372282B (zh) * 2022-10-19 2023-04-18 深圳大学 一种基于无人机高光谱影像的农田土壤含水量监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020103570A4 (en) * 2020-11-20 2021-02-04 College of Grassland and Environmental Science, Xinjiang Agricultural University Grassland soil degradation evaluation method
CN115131683A (zh) * 2022-08-25 2022-09-30 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于高分辨率遥感影像的林业信息识别方法
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法

Also Published As

Publication number Publication date
CN116188465A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116188465B (zh) 基于图像处理技术的作物生长状态检测方法
US11734925B2 (en) Large-scale crop phenology extraction method based on shape model fitting method
Duan et al. Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
CN110288647B (zh) 一种基于高分辨率卫星数据监测灌区灌溉面积方法
CN112348812B (zh) 林分年龄信息测量方法及装置
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN112164062A (zh) 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN106778629B (zh) 大棚识别方法及装置
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN113223040B (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
CN112711989A (zh) 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
Pang et al. Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery
CN113963260A (zh) 一种冬小麦种植区的提取方法、装置和计算机设备
Li et al. An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision
CN114708490A (zh) 水稻种植提取及复种指数监测方法、系统、终端及存储介质
Sabzchi-Dehkharghani et al. Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing
CN115641504A (zh) 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法
CN110929222A (zh) 基于遥感植被冠层水分指数的灌溉农田识别方法
CN111751286B (zh) 基于变化检测算法的土壤水分提取方法
Wang et al. Application of image technology to simulate optimal frequency of automatic collection of volumetric soil water content data
CN115690580A (zh) 一种玉米倒伏遥感监测方法、系统、电子设备及介质
CN115661674A (zh) 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240402

Address after: No. 020 Xiaokang Road, Siqian Fourth Village, Nanwang Town, Wenshang County, Jining City, Shandong Province, 272500

Patentee after: Jining Chuankang Agricultural Technology Co.,Ltd.

Country or region after: China

Address before: Yu Tun Zhen Nan Licun 272000 Shandong province Jining City

Patentee before: Jining Baotian Agricultural Machinery Technology Promotion Professional Cooperative

Country or region before: China