湯 東,喻衣鑫,劉 波

(1.重慶化工職業(yè)學(xué)院,重慶 401220;2.重慶電信職業(yè)學(xué)院,重慶 400900)

0 引言

經(jīng)不完全統(tǒng)計(jì),每年因作物面積倒伏影響產(chǎn)量的損失可達(dá)21.5%左右,為有效降低作物倒伏事件發(fā)生帶來(lái)的人力、機(jī)械及收獲產(chǎn)量的損失,致力于研究作物倒伏面積的預(yù)測(cè)與評(píng)估系統(tǒng)尤為重要。近年來(lái),相關(guān)學(xué)者已經(jīng)利用遙感技術(shù)等對(duì)作物倒伏的信息進(jìn)行提前預(yù)知性獲取,以便采取相關(guān)防控措施,筆者在借鑒關(guān)鍵研究成果的基礎(chǔ)上,采取邊緣數(shù)據(jù)信息的獲取、濾波、處理、增強(qiáng)等手段,利用圖像邊緣檢測(cè)技術(shù)對(duì)作物倒伏信息及圖像特征展開(kāi)了研究。

1 圖像邊緣檢測(cè)原理

圖像邊緣檢測(cè)技術(shù)原理可簡(jiǎn)要描述為:在處理器中央控制調(diào)節(jié)之下,由高清晰度的攝像裝置實(shí)現(xiàn)作物田間圖像信息的采集,核心控制算法經(jīng)不同要求的處理與篩選,獲取檢測(cè)所需數(shù)據(jù)。其中,檢測(cè)過(guò)程中若發(fā)生圖像相異的區(qū)域邊界,則呈現(xiàn)出圖像灰度變化梯度性,需進(jìn)一步進(jìn)行作物倒伏面積成像識(shí)別。表1為常規(guī)性作物(玉米)在倒伏狀態(tài)下的圖像特征指標(biāo)。其主要包括紅色灰度、綠色灰度、藍(lán)色灰度、色度、亮度和飽和度6大關(guān)鍵指標(biāo),將其與正常生長(zhǎng)狀態(tài)下的圖像特征進(jìn)行對(duì)比可知:在倒伏狀態(tài)下的均值、方差及變異系數(shù)等都存在明顯的對(duì)比性,這一特點(diǎn)便于整體圖像邊緣檢測(cè)系統(tǒng)的融入與利用。

表1 常規(guī)性作物(玉米)在倒伏狀態(tài)下的圖像特征指標(biāo)

為了準(zhǔn)確利用圖像邊緣檢測(cè)技術(shù)進(jìn)行作物的倒伏面積評(píng)估系統(tǒng)設(shè)計(jì),明確農(nóng)作物單體圖像檢測(cè)跟蹤流程(見(jiàn)圖1):首先通過(guò)作物所具備的本體特征序列和圖像檢測(cè)合力傳送至作物目標(biāo)位置獲取模塊,經(jīng)關(guān)鍵參數(shù)初始化和核心算法跟蹤匹配后,進(jìn)而篩選出作物倒伏類(lèi)似目標(biāo),并進(jìn)行圖像的檢測(cè)匹配,實(shí)現(xiàn)圖像檢測(cè)準(zhǔn)確跟蹤。

2 作物倒伏面積系統(tǒng)評(píng)估

2.1 理論模型建立

進(jìn)行作物倒伏面積系統(tǒng)的識(shí)別與評(píng)估,設(shè)置核心算法,以對(duì)圖像灰度變化進(jìn)行跟蹤為原則,充分體現(xiàn)圖像邊緣檢測(cè)技術(shù)的準(zhǔn)確性與單像素邊緣控制性。綜合匹配圖像檢測(cè)算法的適應(yīng)性,建立該作物倒伏面積檢測(cè)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(diǎn)坐標(biāo);

Iu,v—像素點(diǎn)移動(dòng)后的灰度值;

Ix+u,y+—像素點(diǎn)移動(dòng)后的灰度值。

利用高斯函數(shù)算法,得出像素點(diǎn)的自相關(guān)矩陣,即

(2)

式中G(s) —高斯函數(shù);

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(lián)立化簡(jiǎn)后得

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

(3)

式中 (x,y) —作物圖像像素點(diǎn);

M(x,y) —作物圖像像素點(diǎn)的自相關(guān)矩陣。

從而得出作物倒伏圖像檢測(cè)的響應(yīng)函數(shù)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(jīng)驗(yàn)常數(shù),取k=0.05。

同時(shí),對(duì)該圖像邊緣檢測(cè)技術(shù)引領(lǐng)下的作物倒伏面積評(píng)估系統(tǒng)進(jìn)行整體設(shè)計(jì)規(guī)劃,如圖2所示。

圖2 作物倒伏面積評(píng)估系統(tǒng)整體框架設(shè)計(jì)

依次從圖像智能化采集模塊、濾波處理驅(qū)動(dòng)模塊、PLL模塊、控制模塊和數(shù)據(jù)信息接口模塊進(jìn)行協(xié)調(diào)布局,以滿足檢測(cè)倒伏面積的系統(tǒng)性能要求與功能實(shí)現(xiàn)。

2.2 倒伏評(píng)估系統(tǒng)硬件配置

倒伏面積評(píng)估系統(tǒng)硬件配置以傳感器控制為機(jī)理,壓力與傾角為測(cè)定參數(shù),作物倒伏面積評(píng)估系統(tǒng)中嵌入檢測(cè)平臺(tái),如圖3所示。

圖3 基于圖像邊緣檢測(cè)的作物倒伏面積評(píng)估系統(tǒng)硬件結(jié)構(gòu)配置

該系統(tǒng)的電壓轉(zhuǎn)換控制電路一方面直接將信號(hào)傳遞至MTK嵌入式檢測(cè)平臺(tái),另一方面通過(guò)壓力與傾角傳感經(jīng)相應(yīng)的信號(hào)處理轉(zhuǎn)換電路后到達(dá)MTK嵌入式檢測(cè)平臺(tái),內(nèi)部具有PID自適應(yīng)的圖像數(shù)據(jù)對(duì)比與調(diào)整。

為進(jìn)一步提高作物倒伏圖像識(shí)別與處理的準(zhǔn)確性,對(duì)采集到的初始圖像進(jìn)行功能化的增強(qiáng),加入噪聲調(diào)節(jié)和徑向模糊處理技術(shù),對(duì)一些明顯圖像不平衡板塊進(jìn)行簡(jiǎn)化;同時(shí),對(duì)于需要重點(diǎn)處理位置進(jìn)行圖像增強(qiáng),降低擬合的過(guò)度現(xiàn)象發(fā)生。圖4為作物倒伏面積評(píng)估系統(tǒng)的GS變換融合簡(jiǎn)圖。由圖4可知:在多光譜影像識(shí)別與全色影像的配合下進(jìn)行GS變換,變換的核心控制環(huán)節(jié)在于高分辨率全色波段的插入,與第一主分量實(shí)現(xiàn)波段高度匹配進(jìn)而進(jìn)行參數(shù)替換,實(shí)現(xiàn)GS逆變換全過(guò)程。此變換融合是后期圖像檢測(cè)與面積評(píng)估的重要條件之一。

2.3 倒伏評(píng)估系統(tǒng)軟件運(yùn)行

根據(jù)實(shí)際作物倒伏的不同程度,作物倒伏面積評(píng)估系統(tǒng)檢測(cè)的對(duì)象選擇為重度與中度倒伏的場(chǎng)合。進(jìn)行軟件系統(tǒng)配置首先需要?jiǎng)?chuàng)建核心控制服務(wù)器,之后選擇藍(lán)牙通信方式將作物圖像采集裝置與后臺(tái)軟件顯示界面實(shí)現(xiàn)實(shí)時(shí)溝通連接;然后,依照系統(tǒng)運(yùn)行過(guò)程中對(duì)作物倒伏圖像及面積的識(shí)別檢測(cè)流程(見(jiàn)圖5),給定準(zhǔn)確的作物倒伏特征信息,再經(jīng)過(guò)OTSU閾值處理與二值化圖像操作化,結(jié)合作物形態(tài)控制學(xué)計(jì)算,得到匹配度符合要求的新二值化圖像,從而實(shí)現(xiàn)農(nóng)作物倒伏圖像分割與檢測(cè),并最終實(shí)現(xiàn)倒伏面積的估算處理。

圖5 農(nóng)作物倒伏面積識(shí)別檢測(cè)流程簡(jiǎn)圖

此處給出作物進(jìn)行圖像倒伏識(shí)別過(guò)程中數(shù)據(jù)的采集驅(qū)動(dòng)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(cè)的評(píng)估試驗(yàn)

3.1 條件設(shè)置

在保證評(píng)估系統(tǒng)界面友好性的基礎(chǔ)上,以Visual Basic 2010 環(huán)境為試驗(yàn)載體,進(jìn)行識(shí)別處理模塊的性能參數(shù)設(shè)置,如表2所示。

表2 圖像邊緣檢測(cè)的識(shí)別處理模塊性能參數(shù)設(shè)置

選定主要顏色波段6項(xiàng),確定各自的中心波長(zhǎng)和半最大值寬度指標(biāo)進(jìn)行作物倒伏面積評(píng)估系統(tǒng)的檢測(cè)試驗(yàn)。

3.2 過(guò)程分析

在圖像檢測(cè)的濾波環(huán)節(jié),通過(guò)給定指令輸出如圖6所示的農(nóng)作物倒伏面積評(píng)估系統(tǒng)的圖像濾波處理界面,通過(guò)該界面可以對(duì)作物的圖像特征進(jìn)行掌握和觀測(cè)。當(dāng)濾波出現(xiàn)與正常邏輯判斷相異,則表示倒伏現(xiàn)象發(fā)生,從而連鎖其他相關(guān)的圖像處理算法進(jìn)行個(gè)別化輸出。

待整體倒伏面積評(píng)估試驗(yàn)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(yàn)面積,左側(cè)占60%以上的灰色部分為作物倒伏,右側(cè)10%左右的灰色部分為作物倒伏,通過(guò)該倒伏面積評(píng)估系統(tǒng)可以清晰了解及預(yù)測(cè)倒伏的位置及分布。

對(duì)比作物圖像的紋理特征數(shù)據(jù),并進(jìn)行倒伏面積圖像的檢測(cè)成功率測(cè)算,形成如表3所示的關(guān)鍵評(píng)價(jià)參數(shù)對(duì)比。在忽略影響度較小的作物生長(zhǎng)環(huán)境因素前提下,基于圖像邊緣檢測(cè)技術(shù)的面積評(píng)估誤差率可控制在10%以內(nèi),此時(shí)作物倒伏圖像的檢測(cè)成功率也保持在78%以上,相比較傳統(tǒng)的人工預(yù)估與面積評(píng)估方法精確度得到明顯提高。

圖6 農(nóng)作物倒伏面積評(píng)估系統(tǒng)圖像檢測(cè)濾波界面

圖7 基于圖像邊緣檢測(cè)的作物倒伏面積評(píng)估系統(tǒng)下倒伏分布圖

表3 作物倒伏面積評(píng)估系統(tǒng)試驗(yàn)數(shù)據(jù)對(duì)比

4 結(jié)論

1)以作物本體圖像紋理特征、單體圖像跟蹤原理為出發(fā)點(diǎn),建立作物倒伏面積評(píng)估理論模型,規(guī)劃圖像邊緣檢測(cè)對(duì)作物倒伏應(yīng)用的識(shí)別與跟蹤流程。

2) 針對(duì)該作物倒伏面積評(píng)估系統(tǒng),進(jìn)行硬件配置與軟件運(yùn)程序控制設(shè)計(jì),實(shí)現(xiàn)作物倒伏圖像及面積的準(zhǔn)確化檢測(cè),并進(jìn)行面積評(píng)估試驗(yàn)。試驗(yàn)表明:該評(píng)估系統(tǒng)下的圖像檢測(cè)成功率較高,倒伏面積評(píng)估誤差率可控制在3%～10%范圍內(nèi),評(píng)估系統(tǒng)運(yùn)行可靠。