基于圖像邊緣檢測的作物倒伏面積評估系統

湯 東,喻衣鑫,劉 波

(1.重慶化工職業學院,重慶 401220;2.重慶電信職業學院,重慶 400900)

0 引言

經不完全統計,每年因作物面積倒伏影響產量的損失可達21.5%左右,為有效降低作物倒伏事件發生帶來的人力、機械及收獲產量的損失,致力于研究作物倒伏面積的預測與評估系統尤為重要。近年來,相關學者已經利用遙感技術等對作物倒伏的信息進行提前預知性獲取,以便采取相關防控措施,筆者在借鑒關鍵研究成果的基礎上,采取邊緣數據信息的獲取、濾波、處理、增強等手段,利用圖像邊緣檢測技術對作物倒伏信息及圖像特征展開了研究。

1 圖像邊緣檢測原理

圖像邊緣檢測技術原理可簡要描述為:在處理器中央控制調節之下,由高清晰度的攝像裝置實現作物田間圖像信息的采集,核心控制算法經不同要求的處理與篩選,獲取檢測所需數據。其中,檢測過程中若發生圖像相異的區域邊界,則呈現出圖像灰度變化梯度性,需進一步進行作物倒伏面積成像識別。表1為常規性作物(玉米)在倒伏狀態下的圖像特征指標。其主要包括紅色灰度、綠色灰度、藍色灰度、色度、亮度和飽和度6大關鍵指標,將其與正常生長狀態下的圖像特征進行對比可知:在倒伏狀態下的均值、方差及變異系數等都存在明顯的對比性,這一特點便于整體圖像邊緣檢測系統的融入與利用。

表1 常規性作物(玉米)在倒伏狀態下的圖像特征指標

為了準確利用圖像邊緣檢測技術進行作物的倒伏面積評估系統設計,明確農作物單體圖像檢測跟蹤流程(見圖1):首先通過作物所具備的本體特征序列和圖像檢測合力傳送至作物目標位置獲取模塊,經關鍵參數初始化和核心算法跟蹤匹配后,進而篩選出作物倒伏類似目標,并進行圖像的檢測匹配,實現圖像檢測準確跟蹤。

2 作物倒伏面積系統評估

2.1 理論模型建立

進行作物倒伏面積系統的識別與評估,設置核心算法,以對圖像灰度變化進行跟蹤為原則,充分體現圖像邊緣檢測技術的準確性與單像素邊緣控制性。綜合匹配圖像檢測算法的適應性,建立該作物倒伏面積檢測的理論模型為

E(x,y)=∑u,vwu,v[Ix+u,y+v-Iu,v]2

(1)

式中wu,v—選定的作物圖像窗口;

(u,v) —作物圖像窗口中像素點坐標;

Iu,v—像素點移動后的灰度值;

Ix+u,y+—像素點移動后的灰度值。

利用高斯函數算法,得出像素點的自相關矩陣,即

(2)

式中G(s) —高斯函數;

Ix—作物圖像水平灰度梯度;

Iy—作物圖像垂直灰度梯度。

將式(1)、式(2)聯立化簡后得

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

(3)

式中 (x,y) —作物圖像像素點;

M(x,y) —作物圖像像素點的自相關矩陣。

從而得出作物倒伏圖像檢測的響應函數為

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

(4)

式中det(M)—M的行列式值;

trace(M) —M的軌跡;

k—經驗常數,取k=0.05。

同時,對該圖像邊緣檢測技術引領下的作物倒伏面積評估系統進行整體設計規劃,如圖2所示。

圖2 作物倒伏面積評估系統整體框架設計

依次從圖像智能化采集模塊、濾波處理驅動模塊、PLL模塊、控制模塊和數據信息接口模塊進行協調布局,以滿足檢測倒伏面積的系統性能要求與功能實現。

2.2 倒伏評估系統硬件配置

倒伏面積評估系統硬件配置以傳感器控制為機理,壓力與傾角為測定參數,作物倒伏面積評估系統中嵌入檢測平臺,如圖3所示。

圖3 基于圖像邊緣檢測的作物倒伏面積評估系統硬件結構配置

該系統的電壓轉換控制電路一方面直接將信號傳遞至MTK嵌入式檢測平臺,另一方面通過壓力與傾角傳感經相應的信號處理轉換電路后到達MTK嵌入式檢測平臺,內部具有PID自適應的圖像數據對比與調整。

為進一步提高作物倒伏圖像識別與處理的準確性,對采集到的初始圖像進行功能化的增強,加入噪聲調節和徑向模糊處理技術,對一些明顯圖像不平衡板塊進行簡化;同時,對于需要重點處理位置進行圖像增強,降低擬合的過度現象發生。圖4為作物倒伏面積評估系統的GS變換融合簡圖。由圖4可知:在多光譜影像識別與全色影像的配合下進行GS變換,變換的核心控制環節在于高分辨率全色波段的插入,與第一主分量實現波段高度匹配進而進行參數替換,實現GS逆變換全過程。此變換融合是后期圖像檢測與面積評估的重要條件之一。

2.3 倒伏評估系統軟件運行

根據實際作物倒伏的不同程度,作物倒伏面積評估系統檢測的對象選擇為重度與中度倒伏的場合。進行軟件系統配置首先需要創建核心控制服務器,之后選擇藍牙通信方式將作物圖像采集裝置與后臺軟件顯示界面實現實時溝通連接;然后,依照系統運行過程中對作物倒伏圖像及面積的識別檢測流程(見圖5),給定準確的作物倒伏特征信息,再經過OTSU閾值處理與二值化圖像操作化,結合作物形態控制學計算,得到匹配度符合要求的新二值化圖像,從而實現農作物倒伏圖像分割與檢測,并最終實現倒伏面積的估算處理。

圖5 農作物倒伏面積識別檢測流程簡圖

此處給出作物進行圖像倒伏識別過程中數據的采集驅動程序片段:

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 基于圖像邊緣檢測的評估試驗

3.1 條件設置

在保證評估系統界面友好性的基礎上,以Visual Basic 2010 環境為試驗載體,進行識別處理模塊的性能參數設置,如表2所示。

表2 圖像邊緣檢測的識別處理模塊性能參數設置

選定主要顏色波段6項,確定各自的中心波長和半最大值寬度指標進行作物倒伏面積評估系統的檢測試驗。

3.2 過程分析

在圖像檢測的濾波環節,通過給定指令輸出如圖6所示的農作物倒伏面積評估系統的圖像濾波處理界面,通過該界面可以對作物的圖像特征進行掌握和觀測。當濾波出現與正常邏輯判斷相異,則表示倒伏現象發生,從而連鎖其他相關的圖像處理算法進行個別化輸出。

待整體倒伏面積評估試驗完畢可輸出整體倒伏面積分布圖,如圖7所示。圖7為兩塊試驗面積,左側占60%以上的灰色部分為作物倒伏,右側10%左右的灰色部分為作物倒伏,通過該倒伏面積評估系統可以清晰了解及預測倒伏的位置及分布。

對比作物圖像的紋理特征數據,并進行倒伏面積圖像的檢測成功率測算,形成如表3所示的關鍵評價參數對比。在忽略影響度較小的作物生長環境因素前提下,基于圖像邊緣檢測技術的面積評估誤差率可控制在10%以內,此時作物倒伏圖像的檢測成功率也保持在78%以上,相比較傳統的人工預估與面積評估方法精確度得到明顯提高。

圖6 農作物倒伏面積評估系統圖像檢測濾波界面

圖7 基于圖像邊緣檢測的作物倒伏面積評估系統下倒伏分布圖

表3 作物倒伏面積評估系統試驗數據對比

4 結論

1)以作物本體圖像紋理特征、單體圖像跟蹤原理為出發點,建立作物倒伏面積評估理論模型,規劃圖像邊緣檢測對作物倒伏應用的識別與跟蹤流程。

2) 針對該作物倒伏面積評估系統,進行硬件配置與軟件運程序控制設計,實現作物倒伏圖像及面積的準確化檢測,并進行面積評估試驗。試驗表明:該評估系統下的圖像檢測成功率較高,倒伏面積評估誤差率可控制在3%～10%范圍內,評估系統運行可靠。