基于計算機(jī)視覺的油菜生長過程自動識別研究.pdf

1、大田作物生長階段的信息不僅是一項用于分析作物生長過程與不同管理措施之間關(guān)系的重要的基本數(shù)據(jù)，而且在精準(zhǔn)農(nóng)業(yè)的許多方面均有應(yīng)用，如間苗、補(bǔ)苗、施肥、灌溉、修剪、收獲、防治病蟲害等。目前為止，信息的獲取主要依靠人工方式獲得，但是此方法存在諸多缺點(diǎn)，如需要大量的勞動力、過度依賴操作人員的主觀判斷、耗時以及缺乏實(shí)時性等。因此，有必要提出一種非接觸性的，連續(xù)性的且自動化的數(shù)據(jù)獲取方法。
　　計算機(jī)視覺技術(shù)在作物信息采集方面具有精度高、速度快

2、、信息量豐富等顯著的優(yōu)勢和特點(diǎn)，同時在節(jié)約勞動力，降低人為判斷的主觀性方面有很大的潛力，目前已經(jīng)被廣泛用于監(jiān)測作物生長狀況。然而如何利用數(shù)碼相機(jī)對處于不同生長階段的大田作物進(jìn)行連續(xù)性監(jiān)測的研究則開展得較少。
　　本文利用計算機(jī)視覺技術(shù)對油菜的三個關(guān)鍵生長階段（出苗期、三葉期和四葉期）進(jìn)行自動識別提取。主要的研究內(nèi)容及取得的成果從以下四個方面展開:
　　(1)構(gòu)建了基于計算機(jī)視覺的油菜圖像采集系統(tǒng)。討論了該系統(tǒng)的軟硬件組成;并

3、對大田油菜的品種、種植地點(diǎn)、種植方法以及圖像采集方式作了簡要說明。
　　(2)大田油菜的圖像分割。為了識別油菜的不同生長階段，第一個任務(wù)是從圖像中分割出油菜?？紤]了室內(nèi)外的不同天氣狀況以及在大田中復(fù)雜環(huán)境因素的影響，本文研究了一種新的作物分割方法（高斯分布模型的HI-hue intensity顏色分割）。首先采集了不同發(fā)育期去掉背景的油菜圖像作為訓(xùn)練樣本，然后將樣本數(shù)據(jù)從RGB顏色模型轉(zhuǎn)化至HSI顏色模型，接著在HSI顏色模型中計

4、算出所有強(qiáng)度Ⅰ對應(yīng)色調(diào)(Hue)值的均值和方差，建立HI查找表。最后依次判斷每個像素是否屬于作物。本文將基于高斯分布模型的HI顏色分割算法與其它的四種分割算法進(jìn)行了比較，并對分割后的實(shí)驗結(jié)果進(jìn)行了定性和定量的評價。實(shí)驗結(jié)果表明:本文方法的綜合分割精度誤差為2.67％，分割穩(wěn)定性標(biāo)準(zhǔn)差為2.97％，相較之其它方法具有最高性能;并且對光照條件和周圍環(huán)境的變化等具有不敏感性。
　　(3)使用形狀參數(shù)法主動識別出苗期。利用大田油菜分割結(jié)果

5、，對其進(jìn)行一系列形態(tài)學(xué)處理:孔洞補(bǔ)充、開運(yùn)算以及Moore鄰域輪廓追蹤等步驟，以降低其它因素對識別效果的影響。然后計算油菜出苗期子葉的兩個典型幾何形狀特征:面積值和致密度值，并與經(jīng)驗值進(jìn)行對比，從而判斷油菜是否已處于出苗期。本研究提出了正確識別率和誤識別率兩個評價指標(biāo)對實(shí)驗結(jié)果進(jìn)行了評價，實(shí)驗結(jié)果與人工觀測的結(jié)果相符合。
　　(4)利用模式識別中的主動形狀模型—Active shape model(ASM)實(shí)現(xiàn)油菜三葉期和四葉期的

6、自動識別。第一步通過人工標(biāo)定的方法分別獲取三葉期和四葉期的輪廓信息，從而得出三葉期和四葉期的整體植株的幾何形狀信息。再對樣本數(shù)據(jù)的幾何形狀信息進(jìn)行模型統(tǒng)計，分別得到三葉期和四葉期的平均形狀模型。建立局部灰度紋理模型，再對形狀變化權(quán)重因素進(jìn)行約束。最后在圖像中匹配出形狀模型相似的目標(biāo)，從而實(shí)現(xiàn)油菜三葉期和四葉期的自動識別。本文分別利用單株油菜圖像和多株油菜圖像進(jìn)行了實(shí)驗，均能夠?qū)崿F(xiàn)油菜三葉期和四葉期的自動識別。
　　經(jīng)過一系列的實(shí)驗