基于图像边缘检测的作物倒伏面积评估系统

汤 东,喻衣鑫,刘 波

(1.重庆化工职业学院,重庆 401220;2.重庆电信职业学院,重庆 400900)

0 引言

经不完全统计,每年因作物面积倒伏影响产量的损失可达21.5%左右,为有效降低作物倒伏事件发生带来的人力、机械及收获产量的损失,致力于研究作物倒伏面积的预测与评估系统尤为重要。近年来,相关学者已经利用遥感技术等对作物倒伏的信息进行提前预知性获取,以便采取相关防控措施,笔者在借鉴关键研究成果的基础上,采取边缘数据信息的获取、滤波、处理、增强等手段,利用图像边缘检测技术对作物倒伏信息及图像特征展开了研究。

1 图像边缘检测原理

图像边缘检测技术原理可简要描述为:在处理器中央控制调节之下,由高清晰度的摄像装置实现作物田间图像信息的采集,核心控制算法经不同要求的处理与筛选,获取检测所需数据。其中,检测过程中若发生图像相异的区域边界,则呈现出图像灰度变化梯度性,需进一步进行作物倒伏面积成像识别。表1为常规性作物(玉米)在倒伏状态下的图像特征指标。其主要包括红色灰度、绿色灰度、蓝色灰度、色度、亮度和饱和度6大关键指标,将其与正常生长状态下的图像特征进行对比可知:在倒伏状态下的均值、方差及变异系数等都存在明显的对比性,这一特点便于整体图像边缘检测系统的融入与利用。

表1 常规性作物(玉米)在倒伏状态下的图像特征指标

为了准确利用图像边缘检测技术进行作物的倒伏面积评估系统设计,明确农作物单体图像检测跟踪流程(见图1):首先通过作物所具备的本体特征序列和图像检测合力传送至作物目标位置获取模块,经关键参数初始化和核心算法跟踪匹配后,进而筛选出作物倒伏类似目标,并进行图像的检测匹配,实现图像检测准确跟踪。

2 作物倒伏面积系统评估

2.1 理论模型建立

进行作物倒伏面积系统的识别与评估,设置核心算法,以对图像灰度变化进行跟踪为原则,充分体现图像边缘检测技术的准确性与单像素边缘控制性。综合匹配图像检测算法的适应性,建立该作物倒伏面积检测的理论模型为

E(x,y)=∑u,vwu,v[Ix+u,y+v-Iu,v]2

(1)

式中wu,v—选定的作物图像窗口;

(u,v) —作物图像窗口中像素点坐标;

Iu,v—像素点移动后的灰度值;

Ix+u,y+—像素点移动后的灰度值。

利用高斯函数算法,得出像素点的自相关矩阵,即

(2)

式中G(s) —高斯函数;

Ix—作物图像水平灰度梯度;

Iy—作物图像垂直灰度梯度。

将式(1)、式(2)联立化简后得

E(x,y)=(x,y)M(x,y)T

(3)

式中 (x,y) —作物图像像素点;

M(x,y) —作物图像像素点的自相关矩阵。

从而得出作物倒伏图像检测的响应函数为

CRF=det(M)-k[trace(M)]2

(4)

式中det(M)—M的行列式值;

trace(M) —M的轨迹;

k—经验常数,取k=0.05。

同时,对该图像边缘检测技术引领下的作物倒伏面积评估系统进行整体设计规划,如图2所示。

图2 作物倒伏面积评估系统整体框架设计

依次从图像智能化采集模块、滤波处理驱动模块、PLL模块、控制模块和数据信息接口模块进行协调布局,以满足检测倒伏面积的系统性能要求与功能实现。

2.2 倒伏评估系统硬件配置

倒伏面积评估系统硬件配置以传感器控制为机理,压力与倾角为测定参数,作物倒伏面积评估系统中嵌入检测平台,如图3所示。

图3 基于图像边缘检测的作物倒伏面积评估系统硬件结构配置

该系统的电压转换控制电路一方面直接将信号传递至MTK嵌入式检测平台,另一方面通过压力与倾角传感经相应的信号处理转换电路后到达MTK嵌入式检测平台,内部具有PID自适应的图像数据对比与调整。

为进一步提高作物倒伏图像识别与处理的准确性,对采集到的初始图像进行功能化的增强,加入噪声调节和径向模糊处理技术,对一些明显图像不平衡板块进行简化;同时,对于需要重点处理位置进行图像增强,降低拟合的过度现象发生。图4为作物倒伏面积评估系统的GS变换融合简图。由图4可知:在多光谱影像识别与全色影像的配合下进行GS变换,变换的核心控制环节在于高分辨率全色波段的插入,与第一主分量实现波段高度匹配进而进行参数替换,实现GS逆变换全过程。此变换融合是后期图像检测与面积评估的重要条件之一。

2.3 倒伏评估系统软件运行

根据实际作物倒伏的不同程度,作物倒伏面积评估系统检测的对象选择为重度与中度倒伏的场合。进行软件系统配置首先需要创建核心控制服务器,之后选择蓝牙通信方式将作物图像采集装置与后台软件显示界面实现实时沟通连接;然后,依照系统运行过程中对作物倒伏图像及面积的识别检测流程(见图5),给定准确的作物倒伏特征信息,再经过OTSU阈值处理与二值化图像操作化,结合作物形态控制学计算,得到匹配度符合要求的新二值化图像,从而实现农作物倒伏图像分割与检测,并最终实现倒伏面积的估算处理。

图5 农作物倒伏面积识别检测流程简图

此处给出作物进行图像倒伏识别过程中数据的采集驱动程序片段:

sbit ADDOUT = P1^5;

sbit ADSCK = P0^0;

unsigned long RCount(void)

{

unsigned long Count;

unsigned char j;

ADSCK=0;

Number=0;

while (ADDOUT);

for (j=24;j>0;j--)

{

ADSCK=1;

Number = Number <<1;

ADSCK=0;

if(ADDOUT) Number ++;

}

ADSCK=1;

Number = Number ^0x800000;

ADSCK=0;

return (Number);

}

3 基于图像边缘检测的评估试验

3.1 条件设置

在保证评估系统界面友好性的基础上,以Visual Basic 2010 环境为试验载体,进行识别处理模块的性能参数设置,如表2所示。

表2 图像边缘检测的识别处理模块性能参数设置

选定主要颜色波段6项,确定各自的中心波长和半最大值宽度指标进行作物倒伏面积评估系统的检测试验。

3.2 过程分析

在图像检测的滤波环节,通过给定指令输出如图6所示的农作物倒伏面积评估系统的图像滤波处理界面,通过该界面可以对作物的图像特征进行掌握和观测。当滤波出现与正常逻辑判断相异,则表示倒伏现象发生,从而连锁其他相关的图像处理算法进行个别化输出。

待整体倒伏面积评估试验完毕可输出整体倒伏面积分布图,如图7所示。图7为两块试验面积,左侧占60%以上的灰色部分为作物倒伏,右侧10%左右的灰色部分为作物倒伏,通过该倒伏面积评估系统可以清晰了解及预测倒伏的位置及分布。

对比作物图像的纹理特征数据,并进行倒伏面积图像的检测成功率测算,形成如表3所示的关键评价参数对比。在忽略影响度较小的作物生长环境因素前提下,基于图像边缘检测技术的面积评估误差率可控制在10%以内,此时作物倒伏图像的检测成功率也保持在78%以上,相比较传统的人工预估与面积评估方法精确度得到明显提高。

图6 农作物倒伏面积评估系统图像检测滤波界面

图7 基于图像边缘检测的作物倒伏面积评估系统下倒伏分布图

表3 作物倒伏面积评估系统试验数据对比

4 结论

1)以作物本体图像纹理特征、单体图像跟踪原理为出发点,建立作物倒伏面积评估理论模型,规划图像边缘检测对作物倒伏应用的识别与跟踪流程。

2) 针对该作物倒伏面积评估系统,进行硬件配置与软件运程序控制设计,实现作物倒伏图像及面积的准确化检测,并进行面积评估试验。试验表明:该评估系统下的图像检测成功率较高,倒伏面积评估误差率可控制在3%～10%范围内,评估系统运行可靠。