孟丹　 范書國(guó)　康愛贏　甄琢

摘? ?要：針對(duì)當(dāng)前糧食監(jiān)管中存在的安全性、方便性以及成本等問題，利用圖像識(shí)別技術(shù)在大數(shù)據(jù)的環(huán)境下研究了一種糧食圖像識(shí)別技術(shù)，將圖像識(shí)別技術(shù)應(yīng)用到了糧食監(jiān)管中，實(shí)現(xiàn)了糧食庫(kù)存的自動(dòng)監(jiān)管和警報(bào)提醒。通過圖像識(shí)別技術(shù)，對(duì)糧食圖像進(jìn)行預(yù)處理，使得圖像更容易進(jìn)行邊緣檢測(cè)和圖像特征提取，然后對(duì)圖像進(jìn)行二維到三維的轉(zhuǎn)換，再對(duì)得到的三維圖像進(jìn)行體積的計(jì)算以及體積變化的甄別，最后通過手機(jī)app向用戶發(fā)出警報(bào)提醒。通過研究表明此技術(shù)方法可行。

關(guān)鍵詞：糧食監(jiān)管? 圖像識(shí)別? 大數(shù)據(jù)

中圖分類號(hào)：TP391.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2019）10（c）-0115-02

糧食安全是國(guó)家安全的重要組成部分，糧食庫(kù)存是保證糧食安全的重要物質(zhì)基礎(chǔ)。當(dāng)前，儲(chǔ)存糧食的糧倉(cāng)形狀主要有平方倉(cāng)、淺圓倉(cāng)以及散堆倉(cāng)三種形式，糧食在進(jìn)倉(cāng)時(shí)會(huì)記錄生成一份報(bào)告，包括糧食的種類、等級(jí)、容重、水分、體積以及堆積在哪個(gè)糧倉(cāng)中等等，然后主要通過人力進(jìn)行對(duì)糧食庫(kù)存的監(jiān)管。然而這種監(jiān)管方式存在大量的弊端，例如使用人工監(jiān)管的數(shù)量過多導(dǎo)致成本過高，人工監(jiān)管不及時(shí)、不安全，效率低、誤差高等。

針對(duì)這一系列問題，國(guó)家正大力加強(qiáng)糧食監(jiān)管，越來越多地使用現(xiàn)代化技術(shù)。本文對(duì)圖像識(shí)別在糧食監(jiān)管中的應(yīng)用進(jìn)行了研究，提出了一種糧食智能監(jiān)管技術(shù)，通過圖像識(shí)別技術(shù)估算出糧倉(cāng)中糧食的體積后與報(bào)告中的體積進(jìn)行周期性比對(duì)，若誤差超出一定范圍便會(huì)自動(dòng)發(fā)出警報(bào)提醒，使監(jiān)管人員可以對(duì)糧倉(cāng)進(jìn)行遠(yuǎn)程的監(jiān)控。為實(shí)現(xiàn)糧食的智能監(jiān)管提供了新方法。

1? 圖像預(yù)處理

1.1 圖像灰度化處理

在對(duì)糧食圖像的分析過程中首先要將捕獲到的彩色圖片轉(zhuǎn)化為灰色圖片，這樣能夠減少所需要處理的數(shù)據(jù)量，從而有利于加快圖像的處理速度。

通常采用單分量法，最大值法，平均值法以及加權(quán)平均法這四種方法對(duì)圖像進(jìn)行灰度化處理。本文采用了比較簡(jiǎn)單的平均值法，通過計(jì)算彩色圖像的三個(gè)通道分量的平均值，來作為圖像的灰度值。

1.2 圖像二值化處理

采用二值化手段來處理糧食圖像，這樣能夠重點(diǎn)顯示對(duì)象區(qū)域，更加方便地提取糧食形狀等，對(duì)于后續(xù)的分析和辨別非常有利。本文采用大津律法對(duì)葉片圖片進(jìn)行二值化處理。這種方法使用方便、計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度的影響，能很好地區(qū)分前景和背景。

1.3 圖像銳化處理

通過對(duì)圖像的銳化處理可以補(bǔ)償圖像的輪廓，增強(qiáng)糧食圖像的邊緣及灰度跳變的部分，從而使圖像變得更清晰，同時(shí)也提高了地物邊緣與周圍像元之間的反差。目前Sobel算子、Laplace 算子以及Robert算子是圖像銳化過程中經(jīng)常采用的算子，本文在圖像銳化的過程中采用了 Sobel算子。

2? 圖像的三維變換

本文采用一種基于AKAZE算法的多視圖幾何三維重建方法。這種算法使用非線性尺度分解算法，通過非線性擴(kuò)散濾波構(gòu)造任意步長(zhǎng)、穩(wěn)定的尺度空間。采用加性算子分裂算法進(jìn)行非線性擴(kuò)散濾波，使得灰度在平緩的圖像區(qū)域擴(kuò)散快，在邊緣處擴(kuò)散慢，可以較好地保存圖像的邊緣和細(xì)節(jié)。算法的基本步驟為：

（1）圖像特征點(diǎn)提取與匹配。使用 AKAZE算法提取圖像特征點(diǎn)并篩除誤匹配點(diǎn)。

（2）相機(jī)參數(shù)本征矩陣、圖像間旋轉(zhuǎn)矩陣與平移矩陣的計(jì)算。根據(jù)步驟1）得到可靠的二視圖關(guān)系，計(jì)算相機(jī)的本征矩陣、圖像的全局旋轉(zhuǎn)矩陣與全局平移矩陣。

（3）三維點(diǎn)云稀疏重建以及集束調(diào)整。根據(jù)每幅圖像的特征點(diǎn)與圖像間的幾何約束關(guān)系，使用三角化重建方法重建點(diǎn)云模型并使用集束調(diào)整優(yōu)化結(jié)果。

（4）使用PMVS算法擴(kuò)散稀疏點(diǎn)云數(shù)據(jù)并進(jìn)行過濾處理，剔除灰度一致性與幾何一致性比較弱的點(diǎn)，得到稠密點(diǎn)云模型。

（5）模型網(wǎng)格化與紋理映射。對(duì)稠密點(diǎn)云模型進(jìn)行三角網(wǎng)格化，之后會(huì)獲得一個(gè)包含點(diǎn)與面信息的無紋理點(diǎn)云模型，將之前獲取的圖片信息作為紋理信息進(jìn)行映射，最終得到一個(gè)包含紋理的目標(biāo)三維模型。

3? 糧食體積測(cè)量

在上面得到的三維圖像的基礎(chǔ)上可以方便地分析出糧倉(cāng)的幾何形狀、空間分布等三維信息，因此可以方便地計(jì)算出糧食體積。當(dāng)前，糧倉(cāng)的形狀主要有平方倉(cāng)、淺圓倉(cāng)以及散堆倉(cāng)。

（1）平方倉(cāng)體積測(cè)量。

由于平方倉(cāng)形狀比較規(guī)則，所以可以根據(jù)三維圖像得到的長(zhǎng)、寬、高信息利用立方體公式簡(jiǎn)單的計(jì)算出糧食體積。假設(shè)長(zhǎng)為a，寬為b，測(cè)量所得糧面高為c，則體積可表示為：

（2）淺圓倉(cāng)體積測(cè)量。

淺圓倉(cāng)可以近似地看作一個(gè)規(guī)則的圓柱體，因此可以利用圓柱體公式計(jì)算糧食體積。假設(shè)糧倉(cāng)底面積為s，所測(cè)得糧面的高為h，則體積可表示為：

（3）散堆倉(cāng)體積測(cè)量。

散堆倉(cāng)是將糧食隨意堆積到倉(cāng)內(nèi)，得到的是一個(gè)不規(guī)則物體，由于糧食是由上到下堆積到一處，所以可以近似的看成是棱臺(tái)體。假設(shè)所有的截面面積為Si（i=1，2，…n），截面間距為。

則體積可表示為：

由于三維圖像是由二維圖像轉(zhuǎn)化得來的，以及圖像在提取輪廓過程中的誤差，因此所得到的體積是存在一定誤差的，但這個(gè)誤差對(duì)糧食體積變化的甄別不會(huì)產(chǎn)生很大影響。

通過圖像識(shí)別測(cè)量出糧食體積后，以一個(gè)星期為比對(duì)周期，進(jìn)行對(duì)體積變化的甄別，若體積減少超出了一定范圍，會(huì)立即自動(dòng)通過手機(jī)app向糧倉(cāng)管理人員發(fā)送警報(bào)提醒，請(qǐng)求盡快做出處理。

4? 結(jié)語

本文基于圖像識(shí)別技術(shù)研究了一種糧食圖像識(shí)別技術(shù)，通過對(duì)糧食體積的檢測(cè)實(shí)現(xiàn)了對(duì)糧食庫(kù)存的監(jiān)管，為糧食監(jiān)管大大的節(jié)省了人力和財(cái)力，為糧食監(jiān)管人員提供了很大的便利。對(duì)捕獲到的糧食圖片進(jìn)行預(yù)處理后首先進(jìn)行二維到三維的轉(zhuǎn)換，然后利用獲得的三維信息進(jìn)行體積的測(cè)量，最后對(duì)計(jì)算出的糧食體積進(jìn)行周期性的比對(duì)。雖然體積測(cè)量結(jié)果存在一定誤差，但研究的技術(shù)方法是可行的，在此基礎(chǔ)上還有很大的優(yōu)化改進(jìn)空間。

參考文獻(xiàn)

[1] 劉瀟瀟，平雪良，王昕煜.基于圖像顏色信息的C-FAST特征檢測(cè)和匹配算法[J].激光與光電子學(xué)進(jìn)展，2019（27）：1-13.

[2] 孟廣仕.圖像識(shí)別技術(shù)在人工智能中的應(yīng)用[J].信息與電腦，2018（12）：152-153.

[3] 姚天任，孫洪.現(xiàn)代數(shù)字信號(hào)處理[M].武漢：華中理工大學(xué)出版社，2017.

[4] 葉福玲.一種改進(jìn)的圖像骨架提取算法[J].西昌學(xué)院學(xué)報(bào)：自然科學(xué)版，2018，32（3）： 91-93.

[5] 許可樂.圖像局部不變特征檢測(cè)與描述技術(shù)研究[D].國(guó)防科學(xué)技術(shù)大學(xué)，2013.

[6] 吳鵬，于秋則，閔順新.一種快速魯棒的SAR圖像匹配算法[J].計(jì)算機(jī)科學(xué)，2017，44（7）：283-288.

[7] Rojanamontien M.，Watchareeruetai U.Shape recognition by using Scale? Invariant Feature Transform for contour[C].International Joint? Conference on Computer Science and Software Engineering.IEEE， 2017：1-6.

[8] Jia Q.，F(xiàn)an X.，Liu Y.，et al.Hierarchical projective invariant? contexts for shape recognition[J]. Pattern Recognition， 2016（52）：358-374.

[9] SCHONING J，HEIDEMANN G，Evaluation of multi-view 3D reconstruction software[C]// Computer Analysis of Images and Patterns.2015：450-461.