当前位置:首页 期刊杂志

基于计算机视觉数据对大棚作物生长趋势的挖掘

时间:2024-05-24

任硕果

(柳州铁道职业技术学院 信息工程系,广西 柳州 545616)

0 引言

农业生产高度依赖自然环境和气候条件,受自然因素多变的影响,具有明显的季节性。我国是农业大国,农业生产顺利进行可以为国民经济的正常发展提供保障。为了打破多变的自然因素限制,人们发明并设计了各种新型的农业生产技术和设施。

设施农业利用各种设施获得可控的环境条件,并通过工程技术手段实现动植物的高效生产。设施农业涵盖作物种植、动物养殖和食用菌种植,具体形式主要有玻璃温室和塑料大棚。设施农业的作物产量是常规种植的3.5倍,因此特别适合于我国人均耕地面积少的国情,是解决我国农业受土地面积制约、实现可持续发展的有效手段。目前,我国设施农业面积占世界总面积超过了85%,且开始从数量优势向质量提升转变,技术上日益接近世界先进水平。

与温室相比,大棚的保温性能较差,使用年限也短;但是,大棚结构简单,制造和维护成本也较低,适合在一些农业基础设施相对薄弱的地区推广应用。大棚是作物、蔬菜和花卉的种植场所,能够显著提高作物的抗灾减灾和反季节生产能力,在农业的发展史上具有里程碑的意义。

经过长期的发展,大棚在实践应用中也暴露出一些问题,对农产品的产量质量及种植效益都造成了不利影响。大棚的封闭性强,内部温湿度较大,利于各种农业害虫和病菌的滋生繁殖,因此大棚内的农业病虫害极为严重[1]。另外,棚内的环境与外界隔离,土壤经过长期使用后的连作障碍日益明显,肥料利用率降低,营养成分流失严重,成为制约大棚持续利用的关键[2]。最后,由于受总体制造成本的限制,早期的大棚内较少安装高技术含量的仪器设备,影响了大棚的自动化和智能化水平。以上的因素都不利于大棚作物的正常生长,增加了大棚种植效益提升和持续应用的难度,引起种植者和农业研究人员的重视。

为此,人们设计了各种新型的大棚管理技术和方法,部分已经开始在实践应用中发挥作用。侯玉佳等针对大棚病虫害严重的问题,设计了一种大棚作物的病虫害监控系统,实现了对病虫害发生面积和动态等信息的采集[3]。另外,司凤霞认为对大棚作物的病虫害应以综合防治为基础,包括农业防治、物理防治、药剂防治和生物防治,才能将危害降至最低,从而获得较高种植收益[4]。喻景权等探讨了连作障碍在蔬菜设施栽培中形成的基础,提出了耕作制度、生物防治和肥料施用等方面的解决办法,并对其可行性进行了分析[5]。近年来,无线通信、微电子、传感器和嵌入式等技术的发展使得无线传感网络的成本和功率消耗大幅度降低,以之为基础建立起来的物联网开始应用于大棚的远程监控和生产管理中,提高了大棚的智能化水平[6-9]。

作物的生长状况是大棚监控的重要内容,可以反映大棚生产管理的效果,并作为病虫害防治、水肥管理和产量预测的依据。作物生长状况通常由种植者观察获得,并依靠经验判断生长趋势,所做出的决策受主观因素影响会出现偏差,导致作物无法达到预期产量。为此,刘砚菊等采用模糊神经网络处理植物生长数据,获得植物最佳生长状态所对应的环境数据,为大棚的参数控制提供依据[10]。

随着各种新技术的出现,对于作物生长信息的采集和生长趋势挖掘方法也出现变革,较为典型的是计算机视觉技术。计算机视觉是图像分析技术,从拍摄的图像中提取信息进行分析识别,获得有价值的结果。计算机视觉在农业上可以分析田间作物图像,具有监测农田杂草、作物长势和病虫草害发生程度的功能[11-13]。本文以大棚作物为对象,拍摄作物图像并通过计算机视觉获取生长信息,然后在专家系统中分析挖掘植株大小、叶片颜色和发育阶段等信息数据,以此为依据评判作物的生长状况,用于指导大棚的农艺操作和预测作物产量,从而提高大棚生产的智能化水平。

1 设计原理及硬件组成

1.1 设计原理

安装在大棚中的摄像头拍摄作物的图像,由A/D转换器进行模数转换,成为计算机可识别的数码信号。数码信号以无线形式发送给核心计算机,经过去噪处理、灰度化和阈值分割等视觉分析步骤后提取目标特征。计算机视觉分析的结果输入到专家系统的知识库中,对作物的植株大小、叶片颜色和发育阶段数据进行挖掘,依据专家经验评判作物的生长状况,并预测后续生长趋势和最终产量。分析结果输出在显示屏上,并进行存储,具体的过程如图1所示。

图1 生长趋势挖掘的流程

1.2 硬件组成

摄像头为中星C301高清芯片型,得益于CMOS感光元件,其成像的像素较高,且具有较好的兼容性和可靠性,能够满足大棚图像采集的要求。摄像头在大棚里的安装高度1.3m,通过电机驱动实现了180°拍摄视角,并能适应大棚高温高湿的工作环境。

A/D转换器为天创UB570型图像采集卡,可以把原始图像信号转换为数字信号以供计算机分析。大棚与核心计算机之间的连接采用无线WIFI技术,其通讯带宽大,数据实时传输能力强。接收装置与计算机之间通过UART接口有线连接,接收采集的图像。

核心计算机是联想扬天M4700型,配制包括Intel i6中央处理器以及10GB的DDR4内存。安装的操作系统为Windows10软件,图像分析软件为MatLab工具箱,能够进行计算机视觉的实时处理和分析。

专家系统中的推理机和知识库功能由1台联想X3550M5型服务器完成,服务器配置16GB的DDR4型内存以及2TB的硬盘,各种数据库和信息库存储在其中。服务器外接P64CD1型LCD显示屏用于实时显示作物生长数据,以及北京宏空HK-CRAM型存储器用于保存分析的结果。

2 图像处理

以种植黄瓜的大棚为例,拍摄的时间为结果前期。摄像头与拍摄目标之间相对静止,避免了运动对于图像质量的影响。但是,拍摄的瞬间摄像头可能正在转动,加上大棚中存在的水汽和灰尘,导致图像中仍然带有噪音,会对后续分析造成影响。研究通过对图像进行5×5的中值滤波平滑处理去除噪音,从而获得较高质量的原始图像,如图2(A)所示。由于拍摄角度的影响,距离摄像头不同位置上的物体在图像上存在畸变,影响了后续对黄瓜各种器官面积计算的准确性。文本参考相关文献,对图像畸变进行了校正。

大棚内的光线较自然条件下弱,且光线的直射少,漫反射多。根据上述特点,选用HSI模型的颜色空间对图像进行分析,在色调H、饱和度S和亮度I这3个分量上处理,获得了HSI颜色空间下对I分量灰度化的图像,如图2(B)所示。

黄瓜结果前期的植株器官包括叶片、茎、果实和花,它们都是黄瓜生长状态的外部反映,也是后期生长趋势和产量形成的基础。其中,叶片和茎的颜色可以反映水分和营养状况,果实和花的数量可以反映生长发育阶段和最终产量。叶片、茎和果实为绿色,花为黄色,因此计算机视觉可以通过颜色的差异首先将花识别出来。对于果实,则利用其形状的特征从绿色背景中进行分割。

在H、S和I这3个分量中,将I分量灰度图做最大类间方差分析,再进行二值化和直方图分析,从而获得最大阈值T1和T2。依据T1和T2进行阈值分割,得到茎叶、果实和花的图像区域,茎叶表示为灰色,果实表示为黑色,花表示为白色,如图2(C)所示。统计的数据信息包括茎叶区域中绿色像素的数量、果实区域的数量及面积、花的数量。

A.原始图像 B.灰度化图像 C.目标识别图像

3 数据挖掘和生长趋势判定

作物的生长状况可以分为良好、中等和较差,主要体现在各营养和生殖器官的颜色和大小上;生长阶段包括营养生长和生殖生长,主要体现在生殖器官的数量上。通过在专家系统中挖掘作物图像的计算机视觉数据,可以评判作物当前的生长状况和后续的生长趋势。专家系统包括知识库和推理机:知识库中存入了关于作物生长信息的专家知识;推理机根据模糊隶属函数,进行作物生长数据和生长状态及趋势的训练,并依据专家知识获得各项参数和阈值,也存入到知识库中。在实际应用中,推理机将计算机视觉数据录入输入层,运行数值计算过程,最后结合专家知识库推理计算得到作物生长状况和后续生长趋势的结果。

4 试验结果和分析

2017年,在本单位的大棚内以黄瓜为对象进行了试验,选用的3个黄瓜品种为中农16、早青2号和粤秀1号。在各品种的结果前期拍摄图像,进行计算机视觉分析,挖掘分析的数据后评判生长状况,并预测后续的生长趋势。后续生长趋势的反映指标为成熟时期和产量,将数据挖掘所获得的结果与人工调查获得的实际值比较,评价这种方法的准确性。

试验的结果如表1所示。基于计算机视觉数据的挖掘可以准确评判3个黄瓜品种的生长状况,对于成熟时期的预测与实际数值仅相差1天,还能较为准确地预测最终产量。

表1 生长趋势挖掘的准确性

5 结论

以大棚作物为对象,拍摄作物的图像并通过计算机视觉分析作物颜色和发育阶段等生长信息,然后利用专家系统挖掘视觉分析数据,评判作物的生长状况,预测后续生长趋势和最终产量。对大棚黄瓜的试验结果表明:基于计算机视觉数据的挖掘可以准确评判黄瓜的生长状况,还能够较为准确地预测成熟时期和最终产量,提高了大棚生产的智能化水平。

免责声明

我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!