计算机图像识别在玉米生长模型中的应用

李 洁,滕振芳,吴伟刚

(1.保定职业技术学院,河北 保定 071000;2.河北北方学院,河北 张家口 075000)

0 引言

玉米具有产量高、生长周期快及对于环境要求较低的特点,是国家支柱型粮食作物[1]。玉米的稳产、高产对于国家的粮食安全起到关键性作用。随着人口老龄化社会的来临及农村青壮年劳动力的流失,从事农业生产的劳动力越来越少[2]。对于大规模种植的玉米等粮食作物,急需实现自动化监控,准确实现产量预计。传统的植株生长模型重点在于记录植株的施肥量[3]、补水量和光照强度等可控因素[4],忽略对玉米果实产量的预测。此类模型可以保证植株养分充足,但会出现植株生长茂盛、果实产量较低的情况[5]。为了准确预测植株产量,以植株成长过程中的形态参数作为研究对象,基于图像识别技术对植株图像进行处理,得到植株形状学参数。同时,记录选定参数随时间的变化规律,拟合果实质量和选定参数之间的关系。结果表明,本模型与实际情况吻合良好。

1 系统组成

系统主要包括图像分析系统、植株生长参数分析系统及玉米分析系统,如图1所示。CCD摄像机采集玉米植株图像,图像分析系统首先进行图像灰度化处理,对数据量进行压缩;其次,进行图像分割(即进行二值化处理)采用中值滤波改进方法对其进行降噪处理;最后,采用图像细化的算法,对图像进行处理,得到玉米植株的骨干图。植物形态学分析表明,植株高度H、宽度W和节结个数N能表明植株的生长状态。因此,利用本系统对玉米植株进行27天图像处理,分别对3个因素与时间进行拟合,探寻之间的关系,最终输出植株高度H、宽度W和节结个数N;以植株高度H、宽度W和节结个数N为自变量,以玉米质量m为应变量,进行拟合,建立3因素与玉米果实质量之间的关系,完成生长模型建立。

图1 系统结构图

2 图像处理

2.1 图像灰度化

图片中的任何一种颜色都由红、蓝、绿3种颜色通过不同强度叠加而成[6]。系统以CCD相机作为检测元件,当被拍摄物体光线进入CCD矩阵时,会在相应的像素点上产生强度向量Pi(R,G,B),在驱动电压和时钟的作用下,输出强度矩阵是像素矩阵数据量的3倍[7]。图像分析时,如果对某一单通道进行分析,造成样本信息不完整,分析结果可靠性差;如果对三通道同时进行分析,就会造成计算量大,算法复杂。因此,提出新的强度量I来综合表征三通道的强度,在保证图像特征的前提下,压缩数据量到原来数据量的1/3。转化公式如式(1)所示。对玉米植株彩色图像进行灰度化处理[8],玉米植株图像完整,轮廓清晰,如图2所示。

I=0.229R+0.578G+0.114B

(1)

图2 图像灰度化

2.2 图像分割与降噪

研究玉米植株的形态重点在于植株的轮廓及轮廓中心线的走向,因此对灰度图像进行进一步化简,只包含植株和背景两部分,植株所在位置像素强度赋值255,背景强度赋值为0。现需确定植株部分判定标准,即阈值T:像素强度大于T,认为该像素为植株部分;像素强度小于T,认为该像素为背景,从而实现图像分割。求解阈值T过程如下:

1)阈值初始化如式(2)所示。其中,Imax为图像中最强灰度值;Imin为图像中最弱灰度值。通常认为,I>Tk的像素点为植株,I

(2)

2)计算步骤1)中植株像素点的平均灰度Iok和背景像素点的平均灰度Ibk,即

(3)

3)迭代计算Tk+1如式(4)所示。当Tk+1=Tk时,迭代结束,Tk即为所求的阈值,像素灰度值大于Tk为植株部分,赋值255;像素灰度值小于Tk为植株部分,赋值0。图像处理结果如图3(a)所示。

(4)

分析图3(a)可知:在局部区域存在孤立的亮点,如植株左侧最下方叶子上部和叶子上边也存在小部分的黑色孤立区域,形成椒盐型噪声;同时,叶子上同样存在黑点云集部分,对于叶子轮廓图像产生影响。

为解决以上噪声,在中值滤波[9]的基础上提出如下降噪方法:①计算像素点P(i,j)周围8个像素点的平均强度Iv;②当|Ip-Iv|>127.5时,Ip翻转;③当|Ip-Iv|≤127.5时,Ip不变。经过滤波降噪后,对整个图像求反,得到玉米植株的二值形貌图,如图3(b)所示。

图3 植株图像分割与降噪

2.3 植株图像细化

植物学研究表明:玉米植株高度、植株宽度及植株节数可以有效表征植物的生长状况,因此要从图像中提取上述有效信息。提取思路为将图像轮廓一层层剥离,最终只剩下骨架,可以有效地表征上述3点。采用图像处理方法为图像细化,为了保证提取信息的有效性,细化算法应满足以下几点:①能改变图像的连接性能;②不提取骨架后叶子的走向和茎的形状不能改变;③叶子和茎的连接处不能发生畸形。为此,选用Hilditch 细化算法[10],即判定P是否为骨架上点,如果不是将其像素设置为空白,原理如图4所示。

图4 图像细化原理

(5)

图像扫描过程为从左向右、从上向下依次进行。当迭代计算完成后,P点满足上述5条件,将P点删除,即B(p)=0;当某个迭代周期中没有点满足上述5条件时,迭代结束,图像细化完成,结果如图5所示。

图5 植株细化

定义植株高度为H,植株最大宽度为W,叶片与植株茎的交汇处个数为植株节数。

3 植株生长参数分析

植物形态学分析表明:植物的株高H、植株宽度W和植株节结数N可以反映植株的生长状况。植株高度对于植物生长具有重要意义,植物过高会造成土壤养分到叶片进行光合作用的转移距离加大,影响光合作用效率,不利于果实坐果与生长,且防风性能变差,容易倒伏;植株高度过低,其他植物会对其造成遮挡,影响植物光照强度,光合作用下降,且气体流动性降低,CO2的获取量下降,会直接影响光合作用效率[11]。植物宽度体现了叶子的伸张程度,宽度越大,植物的伸张程度越好;叶子接收阳光进行光合作用的效果越好。植物节数体现了叶子数量,同时与根系发育相关,茎节密集根系越发大,同时植物的抗倒伏能力越大。因此,选定植株高度为H、植株最大宽度为W和植株节数作为表征玉米植株生产状态的参量,采用本系统对同一玉米植株进行27天观察,3个参数随时间的变化如图6所示。

图6 玉米植株生长参数变化趋势

植株高度在27天内生长速率均匀,在第6天和第16天时是两个生长高峰,如图6(c)所示;植株宽度总体上呈现慢后快,只是由于前期叶子小,光合作用规模受限制,当中后期时叶子数量和大小均不再制约光合作用,体现出加速变大的效果,如图6(b)所示;植物节结数N表现为离散型增长,同时体现出先慢后快的状态,且最为明显;只是由于前期光合作用弱,节结生长受到限制,后期叶片光合作用加强,同时植物高度变大,造成茎中的有效养分与水分运输作用加剧,结节处相应得到的养分变多,结节数量和质量均在发育,如图6(a)所示。

4 玉米生长模型

由图6可知:植株高度总体上随时间成线性分布;植株宽度和节结数虽然上呈现慢后快,总体上与时间成线性分布。以玉米果实的质量m作为衡量玉米生长的标准,引入玉米生长模型形式为

m=aH+bW+cN+k

(6)

对60组样本进行分析,采用逐步回归分析法,求解该模型,步骤如下:

1)对植株高H、植株宽W和节结数N分别和质量m进行拟合, 则

m=Xiβi+ε,i=H,W,N.

(7)

(8)

(9)

3)重复步骤2),每次引入一个变量,直到3个变量全部引入完成。采用植株高H、植株宽W和节结数N,建立的玉米果实质量m模型,即

m=0.7568H+0.3254W+0.4012N+30.2356

(10)

5 结论

为了有效预计玉米产量,基于图像识别技术,设计了玉米植株生长模型系统。工作时,CCD摄像机采集玉米植株图像,进行灰度处理;然后进行图像二值化分割,出现椒盐状噪声,采用中值滤波改进方法进行处理;最后,采用Hilditch 细化算法,得到玉米植株骨架图。采用本系统对同一玉米植株进行27天观察,发现植株高度H、宽度W和节结个数N总体上与时间均呈线性分布。建立玉米生长模型,以植株高度H、宽度W和节结个数N作为自变量,以植株玉米果实质量作为应变量,建立关系式为:m=0.7568H+0.3254W+0.4012N+30.2356。结果表明:植株高度H权重相对较高,宽度W和结节数N对于果实的权重相对较低。