基于图像处理的水稻秧苗生长状态监测

范位龙，董志茹，金家铭，代奇缘，贺春梅，崔 明

（江苏农林职业技术学院，江苏 镇江 212400）

0 引言

随着物联网技术与农业生产的结合，水稻育秧技术逐渐向工厂化和智能化方向发展，其中封闭式温控箱因受外界因素影响较小成为育秧栽培的首选模式。水稻秧苗的生长环境控制需要依赖秧苗的实际生长状态参数，否则会出现调控不及时造成秧苗生长异常等情况。秧苗生长状态的传统监测方法靠人工完成，人力成本较高，且人眼的评价标准无法量化，不同人作出的标准也不同，因此秧苗状态监测的标准化和自动化监测有利于推动水稻育秧技术的工厂化和智能化发展。

随着图像处理技术的快速发展，当前农作物生长信息监测逐渐向信息化、智能化方向转变[1]。陈信新[2]针对秧苗发育形态进行研究，提出了一种协方差聚类算法结合Hough变换的图像分割方法，形态指标参数准确率为87.5%。曾勇[3]提出了一种基于傅里叶变换的形态学处理方法，获取秧苗的叶轮廓，在此基础上采用改进后的逆投影法实现了水稻苗列位置定位。迟德霞[4]针对大田里的水稻秧苗图像分割方法进行研究，提出了一种基于超绿颜色因子灰度图像的最大类间方差法的图像分割方法，实现了大田水稻秧苗的有效分割。

虽然当前对农作物的生长信息监测已经取得了一定的成果，但针对水稻秧苗育秧环境下的状态监测方面的研究仍较少，亟需进一步的研究。本文针对秧苗的生长状态进行研究，采用图像处理方法，通过对秧苗叶片图像分割，获取秧苗的生长状态参数，实现秧苗的状态监测。

1 系统构成

针对水稻秧苗育秧生长环境特点，水稻秧苗生长状态监测系统主要包括摄像头、处理器等设备，检测系统在温室灯光环境下完成数据采集。水稻秧苗状态监测系统能够获取正常生长环境下的秧苗图像，并进行秧苗状态的自主分析，实现秧苗生长状态的判别。

（1）育秧温室。育秧温室的环境直接影响了秧苗的生长状态，这里育秧温室采用物联网系统进行控制，控制温度为28℃±2℃。除了温度外，日施水量也会影响秧苗的生长状态，这里根据秧苗种植密度，控制日施水量为450g，采用有机基质进行培育。

（2）摄像头。摄像头是图像采集的核心硬件，摄像头的选择要综合考虑检测精度和视野范围。

（3）处理器。处理器对摄像头采集到的图像数据进行图像算法处理分析，并输出分析结果。

2 图像检测算法

图像检测算法是秧苗状态检测系统的核心，主要包括图像采集和图像处理。

2.1 图像采集及预处理

图像采集是通过感光元件获取目标信息并传输到处理器的过程，图像采集后需要预处理去除噪声以提高图像的采集质量[5]。经实验对比发现高斯滤波在去除噪声信号的同时，可以更好的保存目标信息，在采集到的秧苗图像中，除了苗盘目标区域外，还有背景区域。在苗盘与相机位置固定的条件下，图像中的背景区域也是固定的，为了提高图像处理速度，同时降低背景区域对于目标检测的干扰，这里对苗盘区域图像设置图像感兴趣区域（ROI），如图1所示，红色矩形区域为图像感兴趣区域。

图1 图像感兴趣区域

2.2 颜色空间图像提取

不同的颜色空间模型能够体现图像的不同颜色特征，在实际的图像处理过程不同颜色空间模型环境下的目标与背景对比度不同。通过对比不同颜色空间分量图像结果，发现HIS特征空间中的I颜色空间分量图像的叶片分割效果最好，图像分割效果如图2所示。

图2 I空间分量图像

2.3 图像分割

常用的图像阈值分割方法有全局阈值法和局部阈值法，这里选择全局自动阈值法。考虑到秧苗在生长过程中的图像变化较大，特别是育秧初期图像与后期图像差距较大，采用自动阈值方法会影响对于目标阈值的判断。考虑到育秧温室的灯光环境比较稳定，图像采集亮度保持一致，因此针对秧苗图像特点这里采用手动阈值法，经过测试，阈值设置为30最为合适，秧苗I空间分量图像分割效果如图3所示。

图3 图像分割结果

2.4 量化分析

经过图像分割，已经获取到了秧苗叶片目标区域，下一步对秧苗目标区域进行分析。经过图像分割的图像包含了目标区域和噪声，即其中Zi表示第i个连通区域。根据连通区域的常用定义规则，这里将像素灰度值相同，且满足8邻接的区域判定为同一连通区域。考虑到秧苗的重叠情况较为复杂，这里不对秧苗重叠情况进行分析。通过计算连通区域面积可以获取叶片的二维平面覆盖率，并根据秧苗叶片覆盖率判断秧苗的生长状态，计算方式如式（1）所示。

式中，M和N分别为图像ROI区域的高和宽；X为连通区域面积。

3 结果分析

为了验证算法的实现效果，本文基于上述算法开发了水稻秧苗状态监测系统，软件界面如图4所示。通过监测系统软件可以实时显示秧苗采集图像与图像分割结果图像，并能够设置图像算法参数，实现秧苗生长状态的动态监测和叶片覆盖率自动分析，同时能够实现数据和图像的保存分析。

图4 水稻秧苗状态监测系统

为了验证算法的实现效果，这里选用野香优2号秧苗种子进行培育实验，为了提高秧苗覆盖率的变化对比度，分别获取秧苗种下后2、4、8、10、12、14、16天的图像进行秧苗叶片覆盖率计算，为了提高秧苗覆盖率的计算准确率，每天采集秧苗的五张图像，进行平均叶片覆盖率的计算，计算秧苗叶片覆盖率变化趋势结果如图5所示。

图5 秧苗叶片覆盖率变化趋势

由图5可以看出，秧苗叶片覆盖率随时间逐渐增加，且秧苗覆盖率在6天前的变化率较大，6天后的变化率较小，即秧苗叶片覆盖率的变化曲线为非线性曲线。经过分析，前期秧苗覆盖率变化较大；在秧苗生长后期叶片存在遮挡和重叠，时间越长，重叠越严重，导致叶片覆盖率变化不明显，这也符合秧苗的正常生长情况。

4 结束语

本文针对秧苗生长状态进行图像分析，采用图像处理技术，在对图像颜色I空间特征提取的基础上进行阈值分割，通过连通区域面积计算获取秧苗叶片覆盖率，并开发了秧苗生长状态监测系统。实验结果表明，文中方法能够实现秧苗叶片区域分割，并能够准确检测秧苗覆盖率的变化趋势，可以应用于秧苗的状态监测中。