CN117541924A - 一种农作物生长状况的监测方法 - Google Patents
一种农作物生长状况的监测方法 Download PDFInfo
- Publication number
- CN117541924A CN117541924A CN202311526758.4A CN202311526758A CN117541924A CN 117541924 A CN117541924 A CN 117541924A CN 202311526758 A CN202311526758 A CN 202311526758A CN 117541924 A CN117541924 A CN 117541924A
- Authority
- CN
- China
- Prior art keywords
- blade
- curling
- point
- area
- calculating
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000002310 reflectometry Methods 0.000 claims description 39
- 238000005096 rolling process Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 16
- 210000003462 vein Anatomy 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 4
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000002788 crimping Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 235000011330 Armoracia rusticana Nutrition 0.000 description 1
- 240000003291 Armoracia rusticana Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000009746 freeze damage Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及农作物监测领域,具体为一种农作物生长状况的监测方法;通过快速识别获取出现卷叶的单叶片图像,随后对单叶片图像进行旋转以获得旋转图像,之后再根据叶片的卷曲方向对旋转图像进行分类,对于叶片下卷的图像直接提取最大正常区域并计算其面积和曲率半径,而对于叶片发生上卷的叶片,则通过卷曲曲线来预测其初始卷曲线的位置,随后计算其最大面积和曲率半径,从而在叶片部分位置被卷曲区域遮挡的情况下,也实现了对叶片卷曲方向和卷曲程度的有效识别,最后通过统一的方式计算出叶片的卷曲度,为种植户种植措施的改变提供参考;解决了现有技术中由于叶片部分位置被卷曲后的叶片遮挡,导致难以准确判断叶片卷曲程度的问题。
Description
技术领域
本发明涉及农作物监测领域,具体为一种农作物生长状况的监测方法。
背景技术
在种植山葵等生长条件较为严格且价格相对高昂的农作物时,需要保持对该类珍贵农作物的良好监测以保证其成活率,从而获取更好的经济效益,而叶片作为农作物光合作用的重要器官,可以直接反映农作物生长过程的多种生长状况,因此通过监测农作物叶片的卷曲状态来判断农作物的生长状况是否正常显得十分重要。
目前检测农作物叶片卷曲状态的方法主要是通过人工和图像识别的方法,人工的方法比较浪费人力,图像识别的方法一般通过BP神经网络等算法实现对图像中叶片卷曲部位的提取,从而用来判断叶片的卷曲程度,但是这种方法在使用时难以对被卷曲叶片遮挡部位的准确识别,从而也难以准确判断叶片的卷曲状态。
发明内容
针对现有技术的不足,本发明提供了一种农作物生长状况的监测方法,解决了现有技术中由于叶片部分位置被卷曲后的叶片遮挡,导致难以准确判断叶片卷曲程度的问题。
为实现上述目的,本发明提供如下技术方案:
一种农作物生长状况的监测方法,包括:
S1、从多个角度获取农作物的叶片特征为感兴趣区域;
S2、从感兴趣区域中提取卷曲的叶片特征以生成若干个单叶片图像,并获取单叶片图像上包含各像素点坐标和反射率的第一叶片数据;
S3、根据第一叶片数据判断单叶片图像中叶片的卷曲方向,并区分叶片的正常区域和卷曲区域;
S4、根据叶片卷曲方向对单叶片图像进行分类,并根据正常区域、卷曲区域和第一叶片数据计算叶片的最大正常区域的面积和初始卷曲点的曲率半径;
S5、根据最大正常区域的面积、叶片主脉的长度和初始卷曲点的曲率半径计算叶片的卷曲度,并输出农作物生长状况的监测数据。
作为优选,在步骤S3中,具体包括如下步骤:
S31、根据第一叶片数据计算单叶片图像中各个相邻像素点的反射率的反射差;
反射差的计算公式为:
σ(i,i+1)=R(i)-R(i+1)
上式中,σ(i,i+1)表示像素点i和与其相邻的其中一个像素点i+1的反射率的反射差,R(i)表示第像素点i的反射率,R(i+1)表示与像素点i相邻的一个像素点的反射率;
S32、根据任一像素点的反射差,判断叶片的卷曲方向;
若反射差大于第一阈值,则该叶片向上卷曲;
若反射差小于或等于第一阈值,则该叶片向上卷曲;
S33、根据任一像素点的反射差,判断该像素点是否处于卷曲区域;
若反射差大于第二阈值,则该像素点处于卷曲区域;
若反射差小于或等于第二阈值,则该像素点处于卷曲区域;
S34、重复步骤S33依次辨别单叶片图像中的所有像素点,以获得正常区域和若干个卷曲区域。
作为优选,在步骤S4中,具体包括如下步骤:
S41、转动单叶片图像中的叶片特征使正常区域所在平面与遥感设备镜头光轴垂直以生成转动图像,并获取包含各像素点坐标、入射角、反射率、叶片主脉和叶片最大边界线的第二叶片数据;
S42、将转动图像根据叶片卷曲方向分类标记为下卷叶片图像和上卷叶片图像;
S43、依次获取下卷叶片图像并计算正常区域的面积即为最大正常区域的面积,并计算卷曲区域与最大正常区域相邻的像素点的曲率半径;
S44、依次获取上卷叶片图像,并根据第二叶片数据分别获取卷曲区域与最大边界的重合线;
S45、依次在卷曲区域处建立若干个与正常区域所在平面和重合线均垂直的参考面;
S46、根据第二叶片数据拟合计算叶片卷曲区域在参考面上的卷曲曲线;
S47、根据卷曲曲线计算卷曲区域的初始卷曲点和该点处的曲率半径;
S48、拟合若干个初始卷曲点以获得初始卷曲线;
S49、提取由若干个初始卷曲线和叶片最大边界线所围成的最小封闭区域即为最大正常区域,并计算该区域的面积。
作为优选,在步骤S41中,具体包括如下步骤:
S411、在正常区域中选取任一像素点作为参考点,并根据第一叶片数据计算参考点的入射角;入射角与反射率满足下列表达式:
R(α)=R0+(1-R0)(1-cosα)5
上式中,R(α)表示入射角为α时的反射率,R0表示入射角为0时的反射率,α表示光线照射到参考点后被遥感设备接收的入射角;
S412、以参考点为转动基点,转动单叶片图像中的叶片特征使参考点的入射角为0以生成转动图像;
S413、根据第一叶片数据计算转动图像中各像素点的入射角;转动图像中各像素点的入射角的计算公式为:
上式中,θ表示转动图像中任一像素点的入射角,β和γ表示单叶片图像围绕遥感设备坐标系的X轴和Y轴方向转动的角度,根据转动方向定义正负,α为转动图像中任一像素点在转动操作前的入射角,即该像素点位于单叶片图像中时的入射角;
S414、根据转动图像中各像素点的入射角计算该像素点的反射率;
S415、将转动图像中各像素点坐标、入射角、反射率、叶片主脉和叶片最大边界线作为第二叶片数据。
作为优选,在步骤S46中,具体包括如下步骤:
S461、根据第二叶片数据获取卷曲区域内位于参考面上的入射角为0的像素点,并标记为基准点;
S462、对参考面上位于基准点靠近叶片主脉一侧的卷曲区域像素点的入射角取相反数;
S463、从参考面上选取若干个像素点,计算若干个像素点所对应的曲率半径;曲率半径的计算公式为:
上式中,ri表示像素点i处的曲率半径,Lij表示像素点i和与其相邻的像素点j之间的距离,θi表示像素点i处的入射角,θj表示像素点j处的入射角;
S464、根据若干个像素点的入射角和曲率半径拟合获得卷曲区域在参考面上的卷曲曲线;
卷曲曲线的表达式为:
r=a+bθ
上式中,r表示曲率半径,a和b均为系数,θ表示入射角的角度。
作为优选,在步骤S47中,具体包括如下步骤:
S471、在正常区域上选取任一入射角大于0的像素点作为辅助点;
S472、根据辅助点与参考点的入射角分别建立直线方程并计算两个直线方程的交点为遥感设备的焦点;直线方程的表达式为:
Ax+By+Cz+D=0
其中,
上式中,A、B、C和D均为系数,θ表示入射角,将辅助点和参考点的坐标分别带入上述方程即可获得两个直线方程,再通过联立求解即可获得焦点坐标;
S473、连接焦点和基准点,并将其投影到参考面上以获得投影连接线,并计算投影连接线与正常区域所在平面的倾角;倾角的表达式为:
上式中,δ表示基准线的倾角,X2和Y2分别表示焦点的x轴和y轴的坐标值,X1和Y1分别表示基准点的x轴和y轴的坐标值;
S474、根据倾角和卷曲曲线计算叶片初始卷曲点的曲率半径;初始卷曲点的曲率半径满足下列关系式:
r=a+b(π+δ)
上式中,r表示曲率半径的大小,a和b为系数,π+δ表示基准点沿着横截面曲线方向移动的夹角,δ为基准线的倾角,规定基准点移动时从靠近横截面曲线中心的位置向外侧方向移动;
S475、根据初始卷曲点的曲率半径和卷曲曲线计算初始卷曲点的坐标;初始卷曲点的坐标表达式为:
上式中,x和y分别表示初始卷曲点的x轴和y轴坐标,a和b为系数,δ为投影连接线的倾角。
作为优选,在步骤S5中,具体包括如下步骤:
S51、根据最大正常区域的面积、叶片主脉的长度和曲率半径计算叶片的卷曲度;
S52、划分若干个级别的重要区间;
S53、输出包含卷曲度、卷曲方向和重要区间级别的农作物生长状况的监测数据。
作为优选,在步骤S51中,卷曲度的计算公式为:
上式中,P为叶片的卷曲度,S表示最大正常区域的面积,L表示叶片主脉的长度,r表示初始卷曲点的曲率半径,a表示面积重要程度因子,b表示长度重要程度因子,c表示曲率半径重要程度因子。
与现有技术相比,本发明提供了一种农作物生长状况的监测方法,具备以下有益效果:
1、本发明通过快速识别获取出现卷叶的单叶片图像,随后对单叶片图像进行旋转以获得旋转图像,之后再根据叶片的卷曲方向对旋转图像进行分类,对于叶片下卷的图像直接提取最大正常区域并计算其面积和曲率半径,而对于叶片发生上卷的叶片,则通过卷曲曲线来预测其初始卷曲线的位置,随后计算其最大面积和曲率半径,从而在叶片部分位置被卷曲区域遮挡的情况下,也实现了对叶片卷曲方向和卷曲程度的有效识别,最后通过统一的方式计算出叶片的卷曲度,为种植户种植措施的改变提供参考。
2、本发明在对单叶片图像进行转动时,变相的调整了遥感设备镜头与叶片的相对位置,因此也同步的更新旋转图像上各像素点的入射角和反射率,方便后续拟合卷曲曲线时直接进行使用。
3、本发明通过设置若干个参考面,以获得卷曲区域内位于参考面上的若干个像素点,并通过像素点的反射率、入射角和曲率半径拟合获得卷曲曲线的方程,并通过卷曲曲线的方程计算其在初始卷曲线处的曲率半径,从而使上卷叶片和下卷叶片都能够获得在初始卷曲线处的曲率半径,方便进行对比,同时通过初始卷曲线也方便计算下卷叶片的最大正常区域的面积。
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为本发明农作物生长状况的监测方法的流程图;
图2为本发明计算最大正常区域的面积和初始卷曲点的曲率半径的流程图;
图3为本发明叶片最大正常区域和卷曲区域的示意图;
图4为本发明卷曲区域在参考面上的投影图;
图5为本发明卷曲叶片的遥感图像示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现以下实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
当农作物受到外界因素侵害时,部分会从叶片上表现出来,比如出现黄叶、病斑、卷叶等现象,其中,卷叶有上卷和下卷两种两种现象,根据卷叶的类型和程度能够更好的为后续制定的针对性措施提供参考,提高农作物的成活率,一般来说,叶片上卷的原因有高温干旱缺水、喷洒的药物浓度过大、施肥过量、缺少某些元素、修剪管理不当和病害侵染等,叶片下卷的原因一般有长期干旱后突然浇水过量、低温冻害、激素浓度过大等。
当然上述引起叶片卷曲方向不同的原因只是一个大概的总结,对于不同的农作物,叶片翻卷方向的原因可能不同,比如对于病害侵染这一项,不同的病虫导致叶片可能发生下卷,也可能发生上卷,需要根据农作物品种的不同进行针对性统计,从而根据叶片的卷曲程度和卷曲方向结合最近所采取的农业措施判断导致农作物出现异常的原因,从而缩小查找农作物出现异常的原因范围,方便制定合理的对策,提高农作物的成活率,降低损失,比如在现代农业期刊2017年7期中有一篇关于辽北露地番茄常见生理病害识别及防治措施的文章,提到了一些关于辽北露地番茄的叶片状况与原因的分析。
图1-图5为本发明的一个实施例,为了更好的计算因叶片部分位置被卷曲的叶片遮挡而导致无法准确的从图像上计算叶片卷曲部位的大小,从而难以估算叶片的卷曲程度,本发明提供了一种农作物生长状况的监测方法,用来准确的识别叶片的卷曲方向,以及更加准确的计算叶片的卷曲程度,该方法包括:
S1、从多个角度获取农作物的叶片特征为感兴趣区域;农作物在生长过程中,高低存在一定差异,为了保证能够尽量大范围的获取更多的叶片图像,从而使样本数量变大,保证监测的有效性,遥感图像的获取可以根据栽种环境的不同,合理采用不同的移动装置搭载遥感相机从不同的角度获取农作物的叶片特征作为感兴趣区域。
S2、从感兴趣区域中提取卷曲的叶片特征以生成若干个单叶片图像,并获取单叶片图像上包含各像素点坐标和反射率的第一叶片数据;比如通过目前常用的卷积神经网络算法、HOG特征提取算法和LBP算法等实现单叶片的提取,第一叶片数据可以通过matalb或者Trimble eCognition等图像处理软件进行获取。
S3、根据第一叶片数据判断单叶片图像中叶片的卷曲方向,并区分叶片的正常区域和卷曲区域;
为了方便后续准确的识别和分析正常区域的大小,需要先对叶片的正常区域和卷曲区域进行分离,并且由于向上卷曲和向下卷曲的叶片的情况存在一定的不同,由于拍摄遥感图像时是从上方进行拍摄,向下卷曲的叶片可以通过叶片上不同位置反射率的变化幅度判断识别出卷曲区域,但向上卷曲的图像由于卷曲区域本身叶片内卷导致一部分叶片难以拍摄到,同时卷曲区域也会遮挡住正常区域,因此导致卷曲区域和正常区域的大小均难以直接获得,如图5所示,叶片卷曲部位的反射率呈现明显的规律性明暗变化,与正常区域的反射率也存在较为明显的差异。
为了方便后续进一步的对向上卷曲的叶片进行处理,因此需要先对叶片的卷曲方向、卷曲区域和正常区域进行识别,在步骤S3中,具体包括如下步骤:
S31、根据第一叶片数据计算单叶片图像中各个相邻像素点的反射率的反射差;
反射差的计算公式为:
σ(i,i+1)=R(i)-R(i+1)
上式中,σ(i,i+1)表示像素点i和与其相邻的其中一个像素点i+1的反射率的反射差,R(i)表示第像素点i的反射率,R(i+1)表示与像素点i相邻的一个像素点的反射率;
S32、设定第一阔值,并根据单叶片图像中是否存在一像素点与其任一相邻像素点的反射差大于第一阔值,判断叶片的卷曲方向;由于叶片在上卷时,光线会照射到翻卷到上方的叶片背面,叶片背面和正面的反射差一般较大,根据不同农作物叶片的不同,一般反射差大概在0.05~0.1之间,在实际取第一阔值时,一般可以实测该农作物正面和翻面叶片的反射差进行确定,之后在处理图像时一旦发现相邻像素点的反射率发生突变,且幅度大于第一阔值,即可确认该处存在上卷的叶片;
若反射差大于第一阈值,则该叶片向上卷曲;
若反射差小于或等于第一阈值,则该叶片向上卷曲;
S33、设定第二阔值,并根据单叶片图像中一像素点和其中一个相邻像素点的反射差是否大于第二阔值,判断该像素点是否处于卷曲区域;叶片的反射率与入射角呈现一种余弦关系,因此卷曲区域的像素点越多,第二阔值越小,可以按照下式进行计算:
上式中,R'表示第二阔值,τ为调整系数,R0表示入射角为0时的反射率,N表示在卷曲区域的像素点最大数量;
当然也可以通过实际的标准样本进行测算,通过合理设置第二阔值,当两个相邻像素点的反射差大于第二阔值,则可以说明该处叶片发生了翻卷,从而识别出发生翻卷的卷曲区域的像素点;
若反射差大于第二阈值,则该像素点处于卷曲区域;
若反射差小于或等于第二阈值,则该像素点处于卷曲区域;
S34、重复步骤S33依次辨别单叶片图像中的所有像素点,以获得正常区域和若干个卷曲区域。
S4、根据叶片卷曲方向对单叶片图像进行分类,并根据正常区域、卷曲区域和第一叶片数据计算叶片的最大正常区域的面积和初始卷曲点的曲率半径;
在研究过程中发现,卷曲区域由于内部卷绕在一起呈现一种螺旋状,因此难以简单的通过图像识别卷曲区域的大小,而正常区域则比较易于观察和计算,如图3所示,在步骤S3中所获得的正常区域只是能够观测到的未卷曲的区域,还存在被卷曲区域遮挡的未卷曲的区域,需要将两部分结合作为最大正常区域,因此通过计算最大正常区域的面积和曲率半径来方便后续进一步评估叶片的卷曲程度,在步骤S4中,具体包括如下步骤:
S41、转动单叶片图像中的叶片特征使正常区域所在平面与遥感设备镜头光轴垂直以生成转动图像,并获取包含各像素点坐标、入射角、反射率、叶片主脉和叶片最大边界线的第二叶片数据;
在图像转动的过程中,会使正常区域所在平面正对遥感设备镜头,因此,除了像素点坐标等变化之外,其入射角和反射率也应该同步的发生变化,这是目前的图像处理软件尚且不具备的一项功能,因此,在步骤S41中,具体包括如下步骤:
S411、在正常区域中选取任一像素点作为参考点,并根据第一叶片数据计算参考点的入射角;入射角与反射率满足下列表达式:
R(α)=R0+(1-R0)(1-cosα)5
上式中,R(α)表示入射角为α时的反射率,R0表示入射角为0时的反射率,α表示光线照射到参考点后被遥感设备接收的入射角;
S412、以参考点为转动基点,转动单叶片图像中的叶片特征使参考点的入射角为0以生成转动图像;
S413、根据第一叶片数据计算转动图像中各像素点的入射角;转动图像中各像素点的入射角的计算公式为:
上式中,θ表示转动图像中任一像素点的入射角,β和γ表示单叶片图像围绕遥感设备坐标系的X轴和Y轴方向转动的角度,根据转动方向定义正负,α为转动图像中任一像素点在转动操作前的入射角,即该像素点位于单叶片图像中时的入射角;
S414、根据转动图像中各像素点的入射角计算该像素点的反射率;反射率的计算公式为步骤S411中所提及的入射角与反射率满足的表达式;
S415、将转动图像中各像素点坐标、入射角、反射率、叶片主脉和叶片最大边界线作为第二叶片数据。
S42、将转动图像根据叶片卷曲方向分类标记为下卷叶片图像和上卷叶片图像;
S43、依次获取下卷叶片图像并计算正常区域的面积即为最大正常区域的面积,并计算卷曲区域与最大正常区域相邻的像素点的曲率半径;曲率半径的计算公式为:
上式中,ri表示像素点i处的曲率半径,Lij表示像素点i和与其相邻的像素点j之间的距离,θi表示像素点i处的入射角,θj表示像素点j处的入射角;
最大正常区域的面积可以通过统计最大正常区域内像素点的数量和单个像素点的面积进行累计计算,通过matlab等图像软件可以快速获取。
S44、依次获取上卷叶片图像,并根据第二叶片数据分别获取卷曲区域与最大边界的重合线;
S45、依次在卷曲区域处建立若干个与正常区域所在平面和重合线均垂直的参考面;
S46、根据第二叶片数据拟合计算叶片卷曲区域在参考面上的卷曲曲线;
为了准确的找出最大正常区域与卷曲区域的边界,需要根据反射率和入射角拟合出卷曲区域最外圈的螺旋线方程,从而推算出被卷曲区域遮挡住的最大正常区域和卷曲区域的边界线,以准确计算出最大正常区域的面积,如图4所示,在步骤S46中,具体包括如下步骤:
S461、根据第二叶片数据获取卷曲区域内位于参考面上的入射角为0的像素点,并标记为基准点;
S462、对参考面上位于基准点靠近叶片主脉一侧的卷曲区域像素点的入射角取相反数;
S463、从参考面上选取若干个像素点,计算若干个像素点所对应的曲率半径;曲率半径的计算公式与步骤S43中所提及的曲率半径计算公式相同;
S464、根据若干个像素点的入射角和曲率半径拟合获得卷曲区域在参考面上的卷曲曲线;卷曲曲线的表达式为:
r=a+bθ
上式中,r表示曲率半径,a和b均为系数,θ表示入射角的角度。
S47、根据卷曲曲线计算卷曲区域的初始卷曲点和该点处的曲率半径;
由于转动图像中的叶片正常区域正对拍摄设备的镜头,因此初始卷曲点的位置正好是卷曲区域在参考面上的横截面最低点,在步骤S47中,具体包括如下步骤:
S471、在正常区域上选取任一入射角大于0的像素点作为辅助点;
S472、根据辅助点与参考点的入射角分别建立直线方程并计算两个直线方程的交点为遥感设备的焦点;直线方程的表达式为:
Ax+By+Cz+D=0
其中,
上式中,A、B、C和D均为系数,θ表示入射角,将辅助点和参考点的坐标分别带入上述方程即可获得两个直线方程,再通过联立求解即可获得焦点坐标;
S473、连接焦点和基准点,并将其投影到参考面上以获得投影连接线,并计算投影连接线与正常区域所在平面的倾角;倾角的表达式为:
上式中,δ表示基准线的倾角,X2和Y2分别表示焦点的x轴和y轴的坐标值,X1和Y1分别表示基准点的x轴和y轴的坐标值;
S474、根据倾角和卷曲曲线计算叶片初始卷曲点的曲率半径;初始卷曲点的曲率半径满足下列关系式:
r=a+b(π+δ)
上式中,r表示曲率半径的大小,a和b为系数,π+δ表示基准点沿着横截面曲线方向移动的夹角,δ为基准线的倾角,规定基准点移动时从靠近横截面曲线中心的位置向外侧方向移动;
S475、根据初始卷曲点的曲率半径和卷曲曲线计算初始卷曲点的坐标;初始卷曲点的坐标表达式为:
上式中,x和t分别表示初始卷曲点的x轴和y轴坐标,a和b为系数,δ为投影连接线的倾角。
S48、拟合若干个初始卷曲点以获得初始卷曲线;
S49、提取由若干个初始卷曲线和叶片最大边界线所围成的最小封闭区域即为最大正常区域,并计算该区域的面积。
S5、根据最大正常区域的面积、叶片主脉的长度和初始卷曲点的曲率半径计算叶片的卷曲度,并输出农作物生长状况的监测数据。
叶片的大小与叶片主脉的长度呈现正相关,叶片最大正常区域面积与叶片主脉的长度比值越大,则说明叶片卷曲程度越低,而卷曲部位的曲率半径越小,则说明叶片卷曲的越严重,在步骤S5中,具体包括如下步骤:
S51、根据最大正常区域的面积、叶片主脉的长度和曲率半径计算叶片的卷曲度;卷曲度的计算公式为:
上式中,P为叶片的卷曲度,S表示最大正常区域的面积,L表示叶片主脉的长度,r表示初始卷曲点的曲率半径,a表示面积重要程度因子,b表示长度重要程度因子,c表示曲率半径重要程度因子;
S52、划分若干个级别的重要区间;
S53、输出包含卷曲度、卷曲方向和重要区间级别的农作物生长状况的监测数据。
根据计算出的卷曲度的结果所落入的重要区间的级别,使种植人员能够更加快速的从大量的监测数据中优先浏览重要程度较高的数据,以便于及时采取措施,避免情况加剧,从而减少损失。
本发明通过快速识别出农作物上的卷曲叶片,随后通过计算反射差分析单叶片图像中的叶片的卷曲方向,通过叶片特征旋转的方式生成旋转图像,使拍摄设备的镜头正对着叶片正面,此时需要通过更新旋转图像上因拍摄设备的镜头位置变化而造成的入射角和反射率的改变,在计算向下卷曲的叶片时,能够直接计算最大正常区域的面积,在计算向上卷曲的叶片时,方便后续直接使用叶片上卷曲区域像素点的反射角和反射率拟合获得卷曲曲线,进一步通过卷曲曲线预测出初始卷曲点的位置,通过多个初始卷曲点的拟合即可获得一条初始卷曲线,作为最大正常区域和卷曲区域的边界,从而即可根据最大正常区域内的像素点数量计算出其面积,最后通过构建出包含最大正常区域面积、叶片主脉长度和曲率半径的叶片卷曲度评估函数,实现对叶片卷曲度的精确评估,从而获取了叶片的卷曲方向和卷曲程度的信息,并通过设定的预警方式,方便种植户对种植措施进行及时调整,以提高农作物的存活率。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种农作物生长状况的监测方法,其特征在于,包括:
S1、从多个角度获取农作物的叶片特征为感兴趣区域;
S2、从感兴趣区域中提取卷曲的叶片特征以生成若干个单叶片图像,并获取单叶片图像上包含各像素点坐标和反射率的第一叶片数据;
S3、根据第一叶片数据判断单叶片图像中叶片的卷曲方向,并区分叶片的正常区域和卷曲区域;
S4、根据叶片卷曲方向对单叶片图像进行分类,并根据正常区域、卷曲区域和第一叶片数据计算叶片的最大正常区域的面积和初始卷曲点的曲率半径;
S5、根据最大正常区域的面积、叶片主脉的长度和初始卷曲点的曲率半径计算叶片的卷曲度,并输出农作物生长状况的监测数据。
2.根据权利要求1所述的监测方法,其特征在于,在步骤S3中,具体包括如下步骤:
S31、根据第一叶片数据计算单叶片图像中各个相邻像素点的反射率的反射差;
反射差的计算公式为:
σ(i,i+1)=R(i)-R(i+1)
上式中,σ(i,i+1)表示像素点i和与其相邻的其中一个像素点i+1的反射率的反射差,R(i)表示第像素点i的反射率,R(i+1)表示与像素点i相邻的一个像素点的反射率;
S32、根据任一像素点的反射差,判断叶片的卷曲方向;
若反射差大于第一阈值,则该叶片向上卷曲;
若反射差小于或等于第一阈值,则该叶片向上卷曲;
S33、根据任一像素点的反射差,判断该像素点是否处于卷曲区域;
若反射差大于第二阈值,则该像素点处于卷曲区域;
若反射差小于或等于第二阈值,则该像素点处于卷曲区域;
S34、重复步骤S33依次辨别单叶片图像中的所有像素点,以获得正常区域和若干个卷曲区域。
3.根据权利要求1所述的监测方法,其特征在于,在步骤S4中,具体包括如下步骤:
S41、转动单叶片图像中的叶片特征使正常区域所在平面与遥感设备镜头光轴垂直以生成转动图像,并获取包含各像素点坐标、入射角、反射率、叶片主脉和叶片最大边界线的第二叶片数据;
S42、将转动图像根据叶片卷曲方向分类标记为下卷叶片图像和上卷叶片图像;
S43、依次获取下卷叶片图像并计算正常区域的面积即为最大正常区域的面积,并计算卷曲区域与最大正常区域相邻的像素点的曲率半径;
S44、依次获取上卷叶片图像,并根据第二叶片数据分别获取卷曲区域与最大边界的重合线;
S45、依次在卷曲区域处建立若干个与正常区域所在平面和重合线均垂直的参考面;
S46、根据第二叶片数据拟合计算叶片卷曲区域在参考面上的卷曲曲线;
S47、根据卷曲曲线计算卷曲区域的初始卷曲点和该点处的曲率半径;
S48、拟合若干个初始卷曲点以获得初始卷曲线;
S49、提取由若干个初始卷曲线和叶片最大边界线所围成的最小封闭区域即为最大正常区域,并计算该区域的面积。
4.根据权利要求3所述的监测方法,其特征在于,在步骤S41中,具体包括如下步骤:
S411、在正常区域中选取任一像素点作为参考点,并根据第一叶片数据计算参考点的入射角;入射角与反射率满足下列表达式:
R(α)=R0+(1-R0)(1-cosα)5
上式中,R(α)表示入射角为α时的反射率,R0表示入射角为0时的反射率,α表示光线照射到参考点后被遥感设备接收的入射角;
S412、以参考点为转动基点,转动单叶片图像中的叶片特征使参考点的入射角为0以生成转动图像;
S413、根据第一叶片数据计算转动图像中各像素点的入射角;转动图像中各像素点的入射角的计算公式为:
上式中,θ表示转动图像中任一像素点的入射角,β和γ表示单叶片图像围绕遥感设备坐标系的X轴和Y轴方向转动的角度,根据转动方向定义正负,α为转动图像中任一像素点在转动操作前的入射角,即该像素点位于单叶片图像中时的入射角;
S414、根据转动图像中各像素点的入射角计算该像素点的反射率;
S415、将转动图像中各像素点坐标、入射角、反射率、叶片主脉和叶片最大边界线作为第二叶片数据。
5.根据权利要求3所述的监测方法,其特征在于,在步骤S46中,具体包括如下步骤:
S461、根据第二叶片数据获取卷曲区域内位于参考面上的入射角为0的像素点,并标记为基准点;
S462、对参考面上位于基准点靠近叶片主脉一侧的卷曲区域像素点的入射角取相反数;
S463、从参考面上选取若干个像素点,计算若干个像素点所对应的曲率半径;曲率半径的计算公式为:
上式中,ri表示像素点i处的曲率半径,Lij表示像素点i和与其相邻的像素点j之间的距离,θi表示像素点i处的入射角,θj表示像素点j处的入射角;
S464、根据若干个像素点的入射角和曲率半径拟合获得卷曲区域在参考面上的卷曲曲线;
卷曲曲线的表达式为:
r=a+bθ
上式中,r表示曲率半径,a和b均为系数,θ表示入射角的角度。
6.根据权利要求3所述的监测方法,其特征在于,在步骤S47中,具体包括如下步骤:
S471、在正常区域上选取任一入射角大于0的像素点作为辅助点;
S472、根据辅助点与参考点的入射角分别建立直线方程并计算两个直线方程的交点为遥感设备的焦点;直线方程的表达式为:
Ax+By+Cz+D=0
其中,
上式中,A、B、C和D均为系数,θ表示入射角;
S473、连接焦点和基准点,并将其投影到参考面上以获得投影连接线,并计算投影连接线与正常区域所在平面的倾角;倾角的表达式为:
上式中,δ表示基准线的倾角,X2和Y2分别表示焦点的x轴和y轴的坐标值,X1和Y1分别表示基准点的x轴和y轴的坐标值;
S474、根据倾角和卷曲曲线计算叶片初始卷曲点的曲率半径;初始卷曲点的曲率半径满足下列关系式:
r=a+b(π+δ)
上式中,r表示曲率半径的大小,a和b为系数,π+δ表示基准点沿着横截面曲线方向移动的夹角,δ为基准线的倾角,规定基准点移动时从靠近横截面曲线中心的位置向外侧方向移动;
S475、根据初始卷曲点的曲率半径和卷曲曲线计算初始卷曲点的坐标;初始卷曲点的坐标表达式为:
上式中,x和y分别表示初始卷曲点的x轴和y轴坐标,a和b为系数,δ为投影连接线的倾角。
7.根据权利要求1所述的监测方法,其特征在于,在步骤S5中,具体包括如下步骤:
S51、根据最大正常区域的面积、叶片主脉的长度和曲率半径计算叶片的卷曲度;
S52、划分若干个级别的重要区间;
S53、输出包含卷曲度、卷曲方向和重要区间级别的农作物生长状况的监测数据。
8.根据权利要求7所述的监测方法,其特征在于,在步骤S51中,卷曲度的计算公式为:
上式中,P为叶片的卷曲度,S表示最大正常区域的面积,L表示叶片主脉的长度,r表示初始卷曲点的曲率半径,a表示面积重要程度因子,b表示长度重要程度因子,c表示曲率半径重要程度因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526758.4A CN117541924A (zh) | 2023-11-16 | 2023-11-16 | 一种农作物生长状况的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311526758.4A CN117541924A (zh) | 2023-11-16 | 2023-11-16 | 一种农作物生长状况的监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541924A true CN117541924A (zh) | 2024-02-09 |
Family
ID=89787673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311526758.4A Pending CN117541924A (zh) | 2023-11-16 | 2023-11-16 | 一种农作物生长状况的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541924A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104748677A (zh) * | 2015-02-11 | 2015-07-01 | 中国矿业大学(北京) | 采用三维激光扫描方式测量植株形态的方法 |
CN107941802A (zh) * | 2017-10-31 | 2018-04-20 | 华中农业大学 | 基于机器视觉的盆栽水稻卷叶程度测量方法 |
CN109033562A (zh) * | 2018-07-05 | 2018-12-18 | 浙江大学 | 一种卷曲状态下叶片二向反射值的计算方法 |
CN111259321A (zh) * | 2020-01-15 | 2020-06-09 | 杭州电子科技大学 | 一种具有主脉的植物叶片的卷曲程度测定方法 |
CN113607124A (zh) * | 2021-08-02 | 2021-11-05 | 中国农业大学 | 一种基于叶片角质层导度比较的测量作物叶片卷曲程度的方法 |
CN115049853A (zh) * | 2022-04-14 | 2022-09-13 | 鼎云(上海)科技有限公司 | 烟叶卷曲不变特性特征提取方法及存储介质 |
CN115953686A (zh) * | 2023-02-07 | 2023-04-11 | 开封市农林科学研究院 | 一种基于图像处理的花生虫害检测方法及系统 |
CN116223452A (zh) * | 2023-03-21 | 2023-06-06 | 杭州电子科技大学 | 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法 |
WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技(深圳)有限公司 | 农作物长势的监测方法、系统、设备及介质 |
-
2023
- 2023-11-16 CN CN202311526758.4A patent/CN117541924A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104748677A (zh) * | 2015-02-11 | 2015-07-01 | 中国矿业大学(北京) | 采用三维激光扫描方式测量植株形态的方法 |
CN107941802A (zh) * | 2017-10-31 | 2018-04-20 | 华中农业大学 | 基于机器视觉的盆栽水稻卷叶程度测量方法 |
CN109033562A (zh) * | 2018-07-05 | 2018-12-18 | 浙江大学 | 一种卷曲状态下叶片二向反射值的计算方法 |
CN111259321A (zh) * | 2020-01-15 | 2020-06-09 | 杭州电子科技大学 | 一种具有主脉的植物叶片的卷曲程度测定方法 |
CN113607124A (zh) * | 2021-08-02 | 2021-11-05 | 中国农业大学 | 一种基于叶片角质层导度比较的测量作物叶片卷曲程度的方法 |
WO2023165007A1 (zh) * | 2022-03-03 | 2023-09-07 | 平安科技(深圳)有限公司 | 农作物长势的监测方法、系统、设备及介质 |
CN115049853A (zh) * | 2022-04-14 | 2022-09-13 | 鼎云(上海)科技有限公司 | 烟叶卷曲不变特性特征提取方法及存储介质 |
CN115953686A (zh) * | 2023-02-07 | 2023-04-11 | 开封市农林科学研究院 | 一种基于图像处理的花生虫害检测方法及系统 |
CN116223452A (zh) * | 2023-03-21 | 2023-06-06 | 杭州电子科技大学 | 基于卷曲植物叶片辐射传输模型的叶绿素高光谱反演方法 |
Non-Patent Citations (1)
Title |
---|
安江勇;黎万义;李茂松;: "基于Mask R-CNN的玉米干旱卷曲叶片检测", 中国农业信息, no. 05, 25 October 2019 (2019-10-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
US9008409B2 (en) | Method and system for digital image analysis of ear traits | |
CN108040997B (zh) | 一种基于机器视觉的虫害监测方法 | |
US10157472B2 (en) | Apparatus and processes for corn moisture analysis and prediction of optimum harvest date | |
CN114066842A (zh) | 穗头数统计方法、系统、装置及存储介质 | |
WO2021208407A1 (zh) | 目标物检测方法、装置和图像采集方法、装置 | |
CN112614147B (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
CN109522899A (zh) | 咖啡成熟果实的检测方法、装置及电子设备 | |
CN111860150A (zh) | 基于遥感影像的倒伏水稻识别方法与装置 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
KR20180086745A (ko) | 식물 영상 처리 장치 및 방법 | |
CN108122224B (zh) | 一种测算树冠郁闭度的系统 | |
CN117541924A (zh) | 一种农作物生长状况的监测方法 | |
CN108876903B (zh) | 一种基于玉米雄穗三维表型的玉米品种区分方法及系统 | |
CN115953686B (zh) | 一种基于图像处理的花生虫害检测方法及系统 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN111896045A (zh) | 温室作物三维有向感知与细粒度自动采集装置及方法 | |
CN115294482B (zh) | 一种基于无人机遥感图像的食用菌产量估算方法 | |
CN111191543A (zh) | 油菜产量估测方法 | |
CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 | |
van der Heijden et al. | Measuring onion cultivars with image analysis using inflection points | |
CN111144379A (zh) | 基于图像技术的小鼠视动反应自动识别方法 | |
CN110443272B (zh) | 一种基于模糊择近原则的复杂烟株图像分类方法 |
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 |