賈新宇，江朝暉*，李娟，高健

(1. 安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院，合肥 230036；2. 國(guó)際竹藤中心，北京 100102)

竹子是森林資源的重要組成部分，具有較大的經(jīng)濟(jì)價(jià)值、生態(tài)價(jià)值和文化價(jià)值[1]。在竹類資源中，毛竹(Phyllostachysedulis)則是分布最廣和經(jīng)濟(jì)價(jià)值最高的竹種。一般來說，毛竹從出筍階段到生長(zhǎng)至最后成竹只需2～3個(gè)月，在成竹之后其形態(tài)則基本保持不變。因此，在毛竹筍的生長(zhǎng)發(fā)育期間，進(jìn)行高生長(zhǎng)監(jiān)測(cè)研究具有重要的意義。傳統(tǒng)的毛竹筍高生長(zhǎng)監(jiān)測(cè)方法主要依靠卷尺、標(biāo)桿等工具進(jìn)行人工接觸式測(cè)量，這種方法效率低下，勞動(dòng)強(qiáng)度較大且無法實(shí)時(shí)準(zhǔn)確地對(duì)毛竹筍高進(jìn)行高生長(zhǎng)監(jiān)測(cè),因此迫切需要提出一種高效的毛竹筍高生長(zhǎng)監(jiān)測(cè)方法。

借助于超聲波傳感技術(shù)，Barmeier等[2]開發(fā)了超聲波移動(dòng)式植物高度測(cè)量系統(tǒng)，將傳感器安裝在特定的車輛上，可實(shí)時(shí)測(cè)量植株的生長(zhǎng)高度。Sun、蘇偉等[3-4]利用激光雷達(dá)分別獲取棉花和玉米的點(diǎn)云數(shù)據(jù)，并構(gòu)建植株三維模型，進(jìn)而計(jì)算棉花與玉米的高度數(shù)據(jù)。Bendig等[5]在無人機(jī)平臺(tái)上，通過DSM對(duì)大麥株高進(jìn)行測(cè)量分析并建立了基于大麥株高的生物量估算模型，該方法獲得的大麥株高的決定系數(shù)為0.92。張宏鳴等[6]通過無人機(jī)獲取玉米4個(gè)生長(zhǎng)階段的高清數(shù)碼正射影像(DOM)和數(shù)字表面模型(DSM)，并利用兩者相結(jié)合的骨架算法提取植株骨架，獲取玉米高度信息。以上方法在高度檢測(cè)方面都存在或多或少的不足之處。

近年來，計(jì)算機(jī)視覺技術(shù)得到了廣泛應(yīng)用，在獲取目標(biāo)圖像后，利用圖像分析方法可以較好地實(shí)現(xiàn)農(nóng)作物長(zhǎng)勢(shì)信息的獲取[7]。Constantino等[8]利用數(shù)碼相機(jī)拍攝水稻圖像，對(duì)圖像進(jìn)行處理后，將標(biāo)記條的高度與初始標(biāo)記條的高度相比，實(shí)現(xiàn)水稻高度的測(cè)量。郭新年等[9]對(duì)現(xiàn)有的三角測(cè)量原理進(jìn)行改進(jìn)，高度值的實(shí)際測(cè)量相對(duì)誤差最大值僅為2.17%。以上方法中，目標(biāo)分割效果的好壞直接決定著后續(xù)高生長(zhǎng)監(jiān)測(cè)的精度。目前基因表達(dá)式[10]、人工蜂群等智能仿生算法用于解決圖像問題則是一種較新的思想。利用正弦余弦算法(SCA)對(duì)人工蜂群算法進(jìn)行改進(jìn)，能夠搜索空間中的不同區(qū)域，避免過早陷入局部最優(yōu)，擁有較好的全局收斂性，再結(jié)合鄰域空間信息后，能夠具有較好的分割效果。

綜上，本研究以圖像技術(shù)為基礎(chǔ)，通過架設(shè)林間太陽能監(jiān)控?cái)z像頭實(shí)現(xiàn)毛竹筍非接觸式監(jiān)測(cè)，在解決圖像分割問題的前提下，利用圖像像素與幾何角度對(duì)應(yīng)的線性映射關(guān)系，以獲得較為準(zhǔn)確客觀的毛竹筍實(shí)時(shí)高生長(zhǎng)數(shù)據(jù)。

1 圖像采集與傳輸

基于圖像的毛竹筍高生長(zhǎng)監(jiān)測(cè)系統(tǒng)，主要由圖像采集、圖像傳輸與存儲(chǔ)和毛竹筍高生長(zhǎng)監(jiān)測(cè)算法等三部分組成，完整的體系結(jié)構(gòu)圖如圖1所示。

圖1 系統(tǒng)總體體系結(jié)構(gòu)圖

實(shí)驗(yàn)地選擇為安徽宣城市涇縣毛竹實(shí)驗(yàn)林，實(shí)驗(yàn)所用毛竹筍圖像采集設(shè)備為Pony公司生產(chǎn)的球型監(jiān)控?cái)z像機(jī)(IPC-SD7090S-30X)，該球機(jī)具有防水防塵等功能，具備300萬高清像素和30倍數(shù)碼變焦。供電方式采用太陽能光伏電池板與蓄電池相結(jié)合的方式，太陽能電池板長(zhǎng)度和寬度均為660 mm，蓄電池輸出電壓為12 V。安裝高度為5 m，拍攝時(shí)間為2019年4月13日至4月25日，拍攝時(shí)間間隔設(shè)定為1 h。毛竹筍高生長(zhǎng)監(jiān)測(cè)系統(tǒng)野外實(shí)物圖如圖2所示。

圖2 太陽能球型監(jiān)控?cái)z像機(jī)實(shí)物圖

該系統(tǒng)首先通過太陽能4G監(jiān)控網(wǎng)絡(luò)攝像機(jī)采集真實(shí)林間環(huán)境下的毛竹筍圖像，然后將采集的實(shí)時(shí)圖像上傳至阿里云的FTP服務(wù)器中(IP地址為：47.107.184.25，端口號(hào)為：21)。當(dāng)計(jì)算機(jī)從服務(wù)器中下載毛竹筍圖像后，對(duì)圖像進(jìn)行圖像分割處理，實(shí)現(xiàn)復(fù)雜環(huán)境下的毛竹筍目標(biāo)提取。統(tǒng)計(jì)出圖像中提取的毛竹筍的像素?cái)?shù)后，結(jié)合網(wǎng)絡(luò)攝像機(jī)幾何角度與像素之間的關(guān)系，計(jì)算毛竹筍的實(shí)際高度，實(shí)現(xiàn)毛竹筍高的生長(zhǎng)監(jiān)測(cè)。

2 林間毛竹筍圖像分割算法

基本人工蜂群算法是一種基于蜜蜂群體智能的優(yōu)化算法[11]，其通過模擬蜂群分工合作尋找最優(yōu)食物源的行為來求解函數(shù)優(yōu)化問題。算法的實(shí)現(xiàn)主要分為以下4個(gè)步驟：

步驟1：初始化蜂群。在D維空間下，隨機(jī)生成N個(gè)可行解(x1,x2，…,xN)，具體公式為：

xi,j=Lmin,j+rand(0,1)(Umax,j-Lmin,j)

(1)

其中:i=1,2,3…N；j=1,2,3…D；Umax,j和Lmin,j分別表示第j維的上限和下限?？尚薪饧词澄镌吹倪m應(yīng)度函數(shù)值Fi由式(2)得出，其中fi為可行解的目標(biāo)函數(shù)值。

(2)

步驟2：引領(lǐng)蜂階段。在蜜源附近進(jìn)行鄰域搜索，搜索公式如下所示：

Vij=xij+φij(xij-xkj)

(3)

其中：φij為[-1,1]之間的隨機(jī)數(shù)；i,k∈1,2,3…N且i≠k,j。

步驟3：跟隨蜂階段。跟隨蜂基于輪盤賭原則，根據(jù)式(4)選擇其將要跟隨的引領(lǐng)蜂。

(4)

步驟4：偵查蜂階段。在所有的引領(lǐng)蜂和跟隨蜂完成搜索后，舍棄長(zhǎng)期未更新的食物源，與之對(duì)應(yīng)的跟隨蜂也將轉(zhuǎn)變?yōu)閭刹榉?，并按照?5)隨機(jī)搜索新的食物源。

xi=bl+rand(1,d)×(bu-bl)

(5)

其中：bu和bl分別為解的上限和下限；rand(1,d)表示產(chǎn)生一個(gè)1行d列的矩陣，d∈(1,2,3…D)。

傳統(tǒng)的人工蜂群算法在搜索過程中會(huì)產(chǎn)生無價(jià)值和無規(guī)則的搜索，會(huì)大大地降低最優(yōu)解的收斂速度。因此，本研究在這里提出結(jié)合正弦余弦優(yōu)化的人工蜂群和模糊局部C均值聚類分割。從基本人工蜂群算法的搜索方式以及適應(yīng)度函數(shù)兩個(gè)方面進(jìn)行改進(jìn)。

2.1 正弦余弦算法優(yōu)化的搜索策略

引入正弦余弦算法[12]，并用其改進(jìn)傳統(tǒng)人工蜂群算法中的引領(lǐng)蜂階段，能夠更加合理地探索和利用搜索空間，具有更高的搜索效率和全局優(yōu)化能力。改進(jìn)后的引領(lǐng)蜂搜索方式如式(6)所示：

(6)

2.2 結(jié)合局部信息的適應(yīng)度函數(shù)

適應(yīng)度函數(shù)直接影響著圖像分割的優(yōu)劣。本研究在模糊C均值的目標(biāo)函數(shù)的基礎(chǔ)上，引入相似度測(cè)量因子Gij[13]，其中測(cè)量因子Gij具體表達(dá)公式如式(7)：

(7)

其中：djk表示鄰域像素xk與中心像素xj的空間歐氏距離；n表示圖像的像素個(gè)數(shù)；m為聚類時(shí)的模糊指數(shù)；uik是像素點(diǎn)xk到聚類中心i的隸屬度；‖xk-vi‖代表像素點(diǎn)xk與聚類中心vi之間的歐氏距離。

改進(jìn)后的人工蜂群目標(biāo)函數(shù)如式(8)所示，并以此改進(jìn)人工蜂群的適應(yīng)度函數(shù)。

(8)

3 毛竹筍高生長(zhǎng)監(jiān)測(cè)方法

首先設(shè)置預(yù)試驗(yàn)，獲取圖像中單位像素對(duì)應(yīng)的實(shí)際角度，進(jìn)而實(shí)現(xiàn)后續(xù)毛竹筍實(shí)際高生長(zhǎng)監(jiān)測(cè)。已知太陽能監(jiān)控球形攝像機(jī)的安裝高度為H，待監(jiān)測(cè)的毛竹筍距離攝像機(jī)的水平距離為L(zhǎng)，參照物高度為h；設(shè)參照物頂端距離攝像機(jī)光軸水平位置的距離為h1，攝像機(jī)從光軸水平位置到參照物頂端的夾角為α，攝像機(jī)從參照物底端與水平地面的夾角為γ，攝像機(jī)從參照物頂端到底端的夾角為β，參照物的像素坐標(biāo)為(x1,y1)和(x2,y2)，具體示意圖如圖3所示。

圖3 預(yù)試驗(yàn)測(cè)量原理

參照物所對(duì)應(yīng)的圖像像素m：

(9)

圖像中單位像素對(duì)應(yīng)的實(shí)際角度t為:

t=β/m

(10)

其中,β=γ-α,γ和α可由三角關(guān)系得出。

毛竹筍的實(shí)際高生長(zhǎng)監(jiān)測(cè)原理如圖4所示，其中毛竹筍的像素坐標(biāo)為(x3,y3)和(x4,y4)。

圖4 毛竹筍高生長(zhǎng)監(jiān)測(cè)原理

毛竹筍對(duì)應(yīng)的圖像像素n和實(shí)際角度β1如式(11)和式(12)所示：

(11)

β1=t×n

(12)

毛竹筍高度hm如下式所示，其中攝像機(jī)光軸與毛竹筍頂端的夾角α1=γ1-β1。

hm=H-L×tanα1

(13)

若毛竹筍高度高于攝像機(jī)安裝高度，毛竹筍高度hm為：

hm=H+L×tanα1

(14)

其中，攝像機(jī)光軸與毛竹筍頂端的夾角為α1=β1-γ1。

4 試驗(yàn)結(jié)果與分析

4.1 正弦余弦優(yōu)化的人工蜂群尋優(yōu)性能分析

為了驗(yàn)證正弦余弦優(yōu)化的人工蜂群算法(SCA-ABC)的有效性，選擇國(guó)際通用的連續(xù)基準(zhǔn)函數(shù)進(jìn)行測(cè)試，并與飛蛾火焰算法(MFO)[14]、正弦余弦算法(SCA)、粒子群算法(PSO)[15]等3種群體智能優(yōu)化算法進(jìn)行了比較。實(shí)驗(yàn)環(huán)境為：PC機(jī)，Windows 7操作系統(tǒng)，Intel i5-4590處理器，主頻3.30 GHz，8.00GB內(nèi)存，開發(fā)軟件為MATLAB R 2016b。

選取國(guó)際上通用的13個(gè)連續(xù)的基準(zhǔn)函數(shù)作為本研究的測(cè)試函數(shù)[12]，限于篇幅限制，這里僅列出F3、F4、F5等3種測(cè)試函數(shù)的適應(yīng)度值的迭代收斂曲線，具體如圖5所示。從圖5可以看出，正弦余弦優(yōu)化的人工蜂群算法在求解精度和收斂速度等方面都領(lǐng)先于3種對(duì)比算法。

圖5 3種測(cè)試函數(shù)4種算法的收斂曲線

4.2 毛竹筍高生長(zhǎng)監(jiān)測(cè)

本試驗(yàn)以毛竹實(shí)驗(yàn)林中隨機(jī)生長(zhǎng)的8株毛竹筍為試驗(yàn)對(duì)象，在拍攝期間內(nèi)不間斷地監(jiān)測(cè)其高生長(zhǎng)參數(shù)指標(biāo)，試驗(yàn)采集的部分圖片如圖6所示。

圖6 試驗(yàn)采集圖片

在林間環(huán)境下，通過攝像頭采集毛竹筍圖像，由于攝像頭視場(chǎng)等原因，拍攝到的圖像含有較多干擾物，后續(xù)的毛竹筍分割較為困難。因此，為減弱周邊環(huán)境中復(fù)雜干擾物的影響，從原始采集圖像中選取部分區(qū)域作為感興趣區(qū)域，同時(shí)為減小光照因素影響，對(duì)感興趣區(qū)域進(jìn)行圖像增強(qiáng)，如圖7所示。

圖7 試驗(yàn)圖像感興趣區(qū)域

本研究分割算法主要參數(shù)經(jīng)實(shí)驗(yàn)后設(shè)置為：聚類分割目標(biāo)數(shù)為4，種群大小N為20，個(gè)體維數(shù)D為4，最大開采次數(shù)Limit為100，最大循環(huán)次數(shù)MCN=50，下限bl和上限bu分別為1和256，測(cè)量因子Gij的鄰域窗半徑r=3。圖8為本研究算法與模糊C均值聚類分割(FCM)以及基于人工蜂群優(yōu)化的模糊C均值(ABC-FCM)分割的比對(duì)結(jié)果。

由圖8可以看出，本研究算法在結(jié)合圖像中的局部空間信息與灰度信息后，能夠較好地抑制其他干擾物的干擾。結(jié)合數(shù)學(xué)形態(tài)學(xué)處理后，能夠完整地將毛竹筍從圖像中分割出來。

圖8 算法分割結(jié)果對(duì)比

為客觀評(píng)價(jià)本研究算法對(duì)圖像中毛竹筍目標(biāo)分割的有效性，選用錯(cuò)分率(ME)作為評(píng)價(jià)函數(shù)[16]。具體計(jì)算公式如式(15)：

(15)

其中:Bt和Ft分別為測(cè)試圖像分割后的背景與目標(biāo)區(qū)域的面積；Bo和Fo則分別為參考圖像分割后的背景與目標(biāo)區(qū)域的面積，面積大小以區(qū)域內(nèi)像素的總數(shù)表示，參考圖像的背景與目標(biāo)區(qū)域由人工手動(dòng)分割獲取。

ME的值越小表示錯(cuò)分率越低，算法分割效果越好。對(duì)于毛竹筍圖像，F(xiàn)CM、ABC-FCM和本研究算法的ME值分別為15.2%、4.13%和0.5%。可以看出，本研究算法相比其他兩種對(duì)比算法在分割精度上具有較大優(yōu)勢(shì)。

在監(jiān)測(cè)期間，為驗(yàn)證毛竹筍高生長(zhǎng)監(jiān)測(cè)方法的有效性，每天對(duì)實(shí)驗(yàn)選取的8株毛竹筍進(jìn)行數(shù)次人工測(cè)量高度。在人工測(cè)量時(shí)，采用精度為1 mm的卷尺進(jìn)行測(cè)量，同時(shí)為盡可能減小誤差，取多次測(cè)量的平均值作為毛竹筍高度的實(shí)測(cè)值。然后將利用圖像監(jiān)測(cè)方法計(jì)算得到的結(jié)果與人工測(cè)量的毛竹筍高度值進(jìn)行對(duì)比。表1列出了其中4株人工測(cè)量與圖像測(cè)量在部分時(shí)間段的毛竹筍高度數(shù)據(jù)以及兩組數(shù)據(jù)之間的誤差。

表1 林間毛竹筍高度計(jì)算值

由表1可以看出，筆者試驗(yàn)提出的毛竹筍高生長(zhǎng)監(jiān)測(cè)方法在測(cè)量毛竹筍高度時(shí)，由于受拍攝角度等環(huán)境因素的影響和圖像分割算法的局限性，其計(jì)算值與實(shí)際測(cè)量值之間存有一定的偏差，平均測(cè)量誤差為4.17%，符合高度監(jiān)測(cè)誤差標(biāo)準(zhǔn)，能夠有效地實(shí)現(xiàn)林間環(huán)境下毛竹筍的高生長(zhǎng)監(jiān)測(cè)。

在毛竹筍的生長(zhǎng)階段，部分竹筍會(huì)出現(xiàn)竹子退筍現(xiàn)象，即自然生長(zhǎng)的竹筍或未出土的竹筍在中途停止生長(zhǎng)或者死亡。在監(jiān)測(cè)期間，通過獲取到的毛竹筍高度數(shù)據(jù)亦可實(shí)現(xiàn)毛竹筍的退筍監(jiān)測(cè)，設(shè)置時(shí)間閾值為2 d，若在1 d內(nèi)毛竹筍高度的增量小于2%，則假定毛竹筍處于退筍狀態(tài)，在第2天，毛竹筍高度相對(duì)增量仍小于2%，則判斷該毛竹筍已退筍。

5 結(jié) 論

針對(duì)通過人工方式獲取毛竹的生長(zhǎng)信息難度較大且工作量較多的問題，提出了一種基于圖像的毛竹筍高生長(zhǎng)監(jiān)測(cè)方法。通過在林間架設(shè)太陽能4G監(jiān)控球形攝像機(jī)實(shí)時(shí)獲取毛竹筍的生長(zhǎng)圖像，然后提取毛竹筍圖像，最后通過幾何角度原理計(jì)算圖像中目標(biāo)的像素?cái)?shù)與攝像機(jī)旋轉(zhuǎn)角度對(duì)應(yīng)的線性映射關(guān)系，實(shí)現(xiàn)毛竹筍實(shí)際高度的獲取。其中為解決在林間環(huán)境下毛竹筍分割較為困難的問題，首先在模糊聚類的基礎(chǔ)上引入了局部空間信息，然后利用正弦余弦算法優(yōu)化的人工蜂群對(duì)初始聚類中心進(jìn)行尋優(yōu)，在獲得聚類中心后對(duì)圖像進(jìn)行二次分割，實(shí)現(xiàn)了林間毛竹筍的分割。正弦余弦算法優(yōu)化后的人工蜂群相比于PSO、ABC、MFO等算法，具有更加優(yōu)異的尋優(yōu)性能。相比于FCM和ABC-FCM，本研究分割方法也具有更強(qiáng)的抗噪性能和更高的分割精度。今后工作的研究重點(diǎn)將是如何實(shí)現(xiàn)夜間的毛竹筍高生長(zhǎng)監(jiān)測(cè)。