发明内容
本发明提供一种农作物成熟期智能预测系统,以解决现有的问题。
本发明的一种农作物成熟期智能预测系统采用如下技术方案:
本发明提供了一种农作物成熟期智能预测系统,该系统包括以下模块:
图像采集模块:获取田地图像以及对应的田地灰度图像;
图像分量模块:利用预设农作物色调区间以及道路色调区间,获取田地图像中的农作物区域图像和道路区域图像;
图像地物关系模块:根据农作物区域图像和道路区域图像获得第一图像,根据第一图像获得第一面积,根据农作物区域图像获得第二面积;根据第一面积和第二面积的差异获得缺失或重叠程度;根据农作物区域图像、道路区域图像以及田地灰度图像,获得农作物区域灰度图像和道路区域灰度图像,根据缺失或重叠程度,以及农作物区域灰度图像和道路区域灰度图像中边缘像素点之间的距离,获得贴合程度;
成熟期预测模块:将农作物色调区间和道路色调区间的中点值之间的差值绝对值记为偏移量,预设若干个农作物色调区间以及道路色调区间的范围大小和偏移量,根据农作物色调区间以及道路色调区间的范围大小和偏移量,获得若干个贴合程度,根据贴合程度的大小获得对应的农作物区域RGB图像,利用农作物区域RGB图像实现农作物成熟期的智能预测。
进一步的,所述利用预设农作物色调区间以及道路色调区间,获取田地图像中的农作物区域图像和道路区域图像,包括的具体步骤如下:
首先,将田地图像转换至HSV颜色模型空间中,并获取田地图像对应的色调分量图像;
然后,预设农作物色调区间以及道路色调区间,并获取色调分量图像对应的颜色分布直方图,结合农作物色调区间,将色调分量图像中颜色值在农作物色调区间范围内的像素点的像素值设定为1,将颜色值在农作物色调区间范围外的像素点的像素值设定为0,获得一个二值图像,记为农作物区域图像;根据道路色调区间,将色调分量图像中颜色值在道路色调区间范围内的像素点的像素值设定为1,将颜色值在道路色调区间范围外的像素点的像素值设定为0,获得一个二值图像,记为道路区域图像。
进一步的,所述根据农作物区域图像和道路区域图像获得第一图像,根据第一图像获得第一面积,根据农作物区域图像获得第二面积,包括的具体步骤如下:
首先,将农作物区域图像和道路区域图像进行叠加,记为第一图像;
然后,对第一图像进行凸包检测,获得农作物区域图像和道路区域图像中所形成的凸包区域,凸包区域的面积包含了田地图像中农作物区域的面积、道路区域的面积以及农作物区域缺失部分的面积,记为第一面积;
最后,利用连通域检测获得农作物区域图像中若干个连通域对应的面积,记为第二面积。
进一步的,所述根据第一面积和第二面积的差异获得缺失或重叠程度,包括的具体步骤如下:
将所有第二面积的总和记为第三面积;
将第一面积与第三面积的差值记为缺失或重叠程度。
进一步的,所述贴合程度,获取方法如下:
首先,将道路区域图像作为掩膜,将道路区域图像与田地灰度图像相乘,将相乘后的结果图像记为道路区域灰度图像;将农作物区域图像作为掩膜,将农作物区域图像与田地灰度图像相乘,将相乘后的结果图像记为农作物区域灰度图像;
然后,利用Sobel算子获取道路区域灰度图像和农作物区域灰度图像中的边缘像素点,分别记为道路边缘像素点和农作物边缘像素点;获取任意农作物边缘像素点与所有道路边缘像素点之间欧氏距离的最小值,记为任意农作物边缘像素点的贴合因子,获得若干个贴合因子;
最后,根据农作物区域与道路区域的缺失或重叠程度以及贴合因子,获得农作物区域与道路区域的贴合程度,具体获取方法为:
其中,表示农作物区域与道路区域的贴合程度,/>表示第i个农作物边缘像素点的贴合因子,A表示农作物区域灰度图像中边缘像素点的数量,/>表示农作物区域与道路区域的缺失或重叠程度,exp()表示以自然常数为底的指数函数。
进一步的,所述根据农作物色调区间以及道路色调区间的范围大小和偏移量,获得若干个贴合程度,根据贴合程度的大小获得对应的农作物区域RGB图像,包括的具体步骤如下:
首先,将色调的取值范围大小作为农作物色调区间和道路色调区间的范围和偏移量的取值范围,预设农作物色调区间和道路色调区间范围大小和偏移量,分别记为农作物色调区间的初始范围大小、道路色调区间的初始范围大小和初始偏移量,利用预设步长分别对农作物色调区间的初始范围大小、道路色调区间的初始范围大小和初始偏移量进行迭代增加,获得若干个农作物色调区间的范围大小、道路色调区间的范围大小和偏移量;
然后,所有农作物色调区间的范围大小、道路色调区间的范围大小和偏移量进行组合,将组合的数组记为色调数组,获得若干个色调数组,由于农作物色调区间和道路色调区间的位置没有确定,则每一个色调数组对应若干个农作物色调区间和道路色调区间;
其次,利用所有农作物色调区间和道路色调区间进行图像分量模块、图像地物关系模块中的操作,获得若干个农作物区域与道路区域的贴合程度,将贴合程度最大时对应的农作物色调区间和道路色调区间作为理想的农作物色调区间和道路色调区间;
最后,利用理想的农作物色调区间获取对应的农作物区域图像,将农作物区域图像作为掩膜,将农作物区域图像与田地图像相乘,获得农作物区域RGB图像。
进一步的,所述利用农作物区域RGB图像实现农作物成熟期的智能预测,包括的具体步骤如下:
利用训练好的神经网络对农作物区域RGB图像进行分析,实现农作物成熟期智能预测,具体方法为:
首先,获取大量的不同时间不同地区的农作物区域RGB图像,由相关农业专家将农作物距离成熟剩余的天数,作为每一张农作物区域RGB图像的人工标签,每一张带有人工标签的农作物区域RGB图像作为一个样本,则所有样本构成AlexNet神经网络的数据集;
然后,将数据集输入AlexNet神经网络,采用交叉熵损失函数进行神经网络训练,获得训练完成的神经网络;
最后,将获得的农作物区域RGB图像输入到训练完成的神经网络中,得到农作物距离成熟剩余的天数,实现对农作物成熟期的智能预测。
本发明的技术方案的有益效果是:能够根据图像中的色调范围,对农作物区域提取过程中,对农作物区域获取结果的影响,结合农作物区域与道路区域之间的位置关系,获得不同色调范围下农作物区域与道路区域对应的贴合程度,根据贴合程度的大小获取准确且完整的农作物区域,避免了农作物区域获取不完整时,对农作物整体的成熟期预测准确性不足的问题,提高了对农作物成熟期预测的准确性,实现了农作物成熟期预测的智能化。
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一种农作物成熟期智能预测系统,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一种农作物成熟期智能预测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种农作物成熟期智能预测系统的模块流程图,该系统包括以下模块:
图像采集模块:利用搭载相机的无人机获取农作物田地的遥感图像,记为田地图像;并将田地图像进行灰度化,获得田地灰度图像,如图2所示;
图像分量模块:根据田地图像获取不同区间范围的色调分量图像。
首先,将田地图像转换至HSV颜色模型空间中,并获取田地图像对应的色调分量图像;
需要说明的是,色调分量图像中像素点对应了田地图像中的颜色信息,而在田地图像中存在多种地物信息,包含农作物、建筑、道路以及其他植被。
然后,预设农作物色调区间以及道路色调区间,将农作物色调区间和道路色调区间的中点值之间的差值绝对值记为偏移量;获取色调分量图像对应的颜色分布直方图,结合农作物色调区间,将色调分量图像中颜色值在农作物色调区间范围内的像素点的像素值设定为1,将颜色值在农作物色调区间范围外的像素点的像素值设定为0,获得一个二值图像,记为农作物区域图像,如图3所示;
另外,根据道路色调区间,将色调分量图像中颜色值在道路色调区间范围内的像素点的像素值设定为1,将颜色值在道路色调区间范围外的像素点的像素值设定为0,获得一个二值图像,记为道路区域图像,如图4所示。
需要说明的是,根据经验预设的农作物色调区间以及道路色调区间,本实施例不对其进行限定,具体范围可根据实际情况进行调整。
需要说明的是,本事实例中像素点的颜色值是色调分量图像中的概念,像素值为二值图像中的概念。
由于根据经验预设的农作物色调区间和道路色调区间的准确,分割效果明显不理想,农作物区域图像和道路区域图像中,所对应的实际农作物区域和道路区域都存在着不同程度的缺失,因此不能清晰具体获得农作物区域的位置。
图像地物关系模块:根据田地图像对应的农作物区域图像和道路区域图像中,区域之间的位置关系,获得农作物区域与道路区域的缺失或重叠程度,以及农作物区域与道路区域的贴合程度。
当选取不同范围大小的农作物色调区间和道路色调区间时,分割的效果也会随之改变,当区间范围选取过大时,农作物区域图像和道路区域图像中的部分区域会发生重叠;当区间选取过小时,农作物区域图像和道路区域图像中的部分区域会发生缺失;
因此当农作物区域和道路区域的重叠程度和农作物区域的缺失程度最小时,此时的色调区间对应着最优的农作物色调区间和道路色调区间的一个边界。
步骤(1),获取农作物区域与道路区域的缺失或重叠程度。
首先,将农作物区域图像和道路区域图像进行叠加,记为第一图像,对第一图像进行凸包检测,获得农作物区域图像和道路区域图像中所形成的凸包区域,凸包区域的面积包含了田地图像中农作物区域的面积、道路区域的面积以及农作物区域缺失部分的面积,记为第一面积;
如图5所示为农作物区域、道路区域以及对应的缺失或重叠部分,通常在农作物区域图像中,农作物区域以大量像素聚集的形成呈现,因此对农作物区域图像利用连通域检测获得若干个连通域,记为农作物区域,以及农作物区域对应的面积,记为第二面积,表示第k个农作物区域的面积;
另外,农作物色调区间和道路色调区间选取不合理时,将农作物区域图像和道路区域图像进行叠加后,存在像素值为1的像素点同位置处发生重叠,将发生重叠的像素点记为重叠像素点,利用连通域检测获取重叠像素点形成的连通域,记为重叠区域,如图5所示;
农作物区域与道路区域的缺失或重叠程度获取方法为:
式中,表示农作物区域与道路区域的缺失或重叠程度,/>表示第一面积,/>表示第k个第二面积,K表示农作物区域图像种农作物区域的数量。
第一面积为对第一图像进行凸包检测,得到的农作物区域面积和道路区域与农作物区域的缺失和重叠部分的第一面积,其值越大说明第一图像中道路区域与农作物区域的缺失和重叠部分越多,则农作物区域与道路区域的缺失或重叠程度越大;
第三面积表示所有农作物区域的面积,其值越小,则农作物区域的缺失程度越大,说明此时的色调区间选取过小。
农作物区域与道路区域的缺失或重叠程度的数值越大,则农作物区域与道路区域的缺失或重叠的面积越大,说明农作物色调区间和道路色调区间之间的偏移过大。
步骤(2),获取农作物区域与道路区域的贴合程度。
当通过农作物区域与道路区域的缺失或重叠程度确定农作物色调区间和道路色调区间时,需要同时改变农作物色调区间和道路色调区间的边界,使得农作物区域和道路区域边缘足够贴合,即使农作物区域图像与道路区域图像中,灰度梯度变化大的像素点之间的距离最小,说明对应的农作物色调区间和道路色调区间对田地图像进行分割,提取农作物区域时的分割效果最理想。
首先,将道路区域图像作为掩膜,将道路区域图像与田地灰度图像相乘,将相乘后的结果图像记为道路区域灰度图像;将农作物区域图像作为掩膜,将农作物区域图像与田地灰度图像相乘,将相乘后的结果图像记为农作物区域灰度图像;
然后,利用Sobel算子获取道路区域灰度图像和农作物区域灰度图像中的边缘像素点,分别记为道路边缘像素点和农作物边缘像素点;获取任意农作物边缘像素点与所有道路边缘像素点之间欧氏距离的最小值,记为任意农作物边缘像素点的贴合因子;
最后,根据农作物区域与道路区域的缺失或重叠程度以及贴合因子,获得农作物区域与道路区域的贴合程度,具体获取方法为:
其中,表示农作物区域与道路区域的贴合程度,/>表示第i个农作物边缘像素点的贴合因子,A表示农作物区域灰度图像中边缘像素点的数量,/>表示农作物区域与道路区域的缺失或重叠程度,exp()表示以自然常数为底的指数函数。
贴合因子表示农作物区域中的边缘像素点,与道路区域中边缘像素点之间的欧氏距离,距离数值越小,说明农作物区域边缘距离道路区域边缘的值越大,则农作物区域与道路区域的贴合程度越小,说明此时农作物色调区间和道路色调区间的范围过小,且区间的距离较远;
农作物区域与道路区域的缺失或重叠程度值越大,则农作物区域与道路区域的缺失或重叠程度越大,说明农作物色调区间和道路色调区间的偏移量过小;
农作物区域与道路区域的贴合程度越小,说明农作物色调区间和道路色调区间的偏移量越大。
成熟期预测模块:获取贴合程度最大时对应的农作物色调区间和道路色调区间的范围大小和偏移量,利用土地图像进一步获得农作物区域RGB图像,对农作物区域RGB图像结合神经网络进行分析,实现农作物成熟期的智能预测。
步骤(1),获取贴合程度最大时对应的农作物色调区间和道路色调区间的范围大小和偏移量,利用土地图像进一步获得农作物区域RGB图像。
首先,将色调的取值范围大小作为农作物色调区间和道路色调区间的范围和偏移量的取值范围,预设农作物色调区间和道路色调区间范围大小和偏移量,分别记为农作物色调区间的初始范围大小、道路色调区间的初始范围大小和初始偏移量;
利用预设步长分别对农作物色调区间的初始范围大小、道路色调区间的初始范围大小和初始偏移量进行迭代增加,获得若干个农作物色调区间的范围大小、道路色调区间的范围大小和偏移量;
然后,所有农作物色调区间的范围大小、道路色调区间的范围大小和偏移量进行组合,将组合的数组记为色调数组,获得若干个色调数组,由于农作物色调区间和道路色调区间的位置没有确定,则每一个色调数组对应若干个农作物色调区间和道路色调区间;
其次,利用所有农作物色调区间和道路色调区间进行图像分量模块、图像地物关系模块中的操作,获得若干个农作物区域与道路区域的贴合程度,将贴合程度最大时对应的农作物色调区间和道路色调区间作为理想的农作物色调区间和道路色调区间。
最后,利用理想的农作物色调区间获取对应的农作物区域图像,将农作物区域图像作为掩膜,将农作物区域图像与田地图像相乘,获得农作物区域RGB图像。
步骤(2),利用训练好的神经网络对农作物区域RGB图像进行分析,实现农作物成熟期智能预测,具体方法为:
首先,获取大量的不同时间不同地区的农作物区域RGB图像,由相关农业专家将农作物距离成熟剩余的天数,作为每一张农作物区域RGB图像的人工标签,每一张带有人工标签的农作物区域RGB图像作为一个样本,则所有样本构成AlexNet神经网络的数据集;
然后,将数据集输入AlexNet神经网络,采用交叉熵损失函数进行神经网络训练,获得训练完成的神经网络。
最后,将获得的农作物区域RGB图像输入到训练完成的神经网络中,得到农作物距离成熟剩余的天数,实现对农作物成熟期的智能预测。
需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以exp(-x)模型为例进行叙述,不对其做具体限定,其中x是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。