一种基于机器视觉特征农作物病变图像感知方法.docVIP

一种基于机器视觉特征的农作物病变图像感知方法 　　摘 要：针对农作物品种多样化、生长缓慢以及空间分布不均等特点，研究并设计了一种农作物病变视频感知方法，以提高农业物联网中视频监控系统的智能化程度。该方法以固定周期采集且消除外部环境及随机干扰的视频图像为基准图像，将计算出的相邻基准图像的颜色特征偏差，灰度特征偏差，随机特征偏差输入模糊控制器，通过模糊规则推理并清晰化推理结果从而感知农作物是否发生病变及病变的程度，以适应不同品种的农作物。实验证明，该方法对不同种类以及不同位置发生病变的农作物感知的准确度都较高。 　　关键词：农作物；机器视觉；图像感知；病变 　　中图分类号：TP23 文献标识码：A DOI：10.11974/nyyjs.20170932004 　　农业生产信息化是现代农业生产发展的必然趋势，是在IT技术、现代生物技术等综合学科的支持下，借助于各种感知设备获取农业生产现场数据并运用精密机电设备等多种现代手段，对农作物实施精准农事操作与管理，以调动农业生产资料的潜力，多快好省地获得经济效益和环境效益[1][2]。 　　在农业生产信息化服务方面，发达国家机器视觉技术的应用已拓展到农业生产的全过程，我国信息技术在农业生产服务领域中的应用起步较晚，但近年来已经取得长足进步[3]。在现代农业中增加机器视觉感知能力是农业信息化技术进步的表现，是实现农业生产现场与异构分布的客户端完全互连，服务物联网平台的智慧所在。 　　1 图像感知过程 　　机器视觉特征是图像直接呈现的事物的自然特征，如颜色、纹理、形状等。对颜色和纹理特征的提取与分析可以作为评价农作物生长状态的重要依据。本文研究了1种通过对机器视觉特征模糊推理，判断农作物是否发生病变的图像感知方法，感知过程如图1所示。 　　图1 图像感知过程 　　图像感知过程由图像输入、特征提取、模糊推理输出3个部分组成。图像输入：融合了基准图像获取与图像筛选2部分，通过捕捉视频摄像机的帧画面提取出不受外界环境及扰动影响，能直接反映农作物自然生长状态的图像作为系统的输入。特征提取：在图像输入的基础上提取图像中农作物的颜色特征、灰度特征、随机特征。模糊推理输出：对提取的农作物特征依据模糊规则推理，清晰化模糊推理结果后输出农作物是否发生病变的结果。 　　2 图像输入 　　2.1 基准图像的获取 　　由于农作物的生?L过程缓慢，基准图像的获取选择以天为单位，连续3d为1个采集周期，采集周期的选取可以根据实际情况灵活设置。在每1天中选取1段时间t，在t时间内以时间间隔T循环捕捉n帧画面，如图2所示。 　　图2 基准图像的获取 　　图2中每一天都要在固定的时间段t内采集n帧图像，由于农作物生长缓慢且对实时性要求不高，仅需2帧能反映农作物自然生长状态的图像作为当天的基准图像，因此需要对每天采集的n帧图像进行筛选。 　　2.2 图像的筛选 　　2帧图像可以视为1个m×n的二维矩阵，矩阵中的每1个元素为1个像素，同1种型号的视频摄像机采集的画面是一系列大小相等的二维矩N阵，任意2帧图像Amn和 Bmn的相关系数可表示为： 　　（1） 　　式（1）中与分别式图像Amn和 Bmn的灰度均值，的值反映了图像Amn和 Bmn的相似程度，的值越大则Amn和 Bmn的相似程度越高，反之，的值越小说明2幅图像的差异越大。 　　图2中，从每天获取的n帧图像中筛选出1帧的方法可通过计算n帧图像的相关函数实现，表示为s： 　　（2） 　　式（2）中，计算获取图像中任意不相同的2幅图像的相关函数，并选定1个阈值a，当计算的某个相关函数值小于阈值时说明2幅图像的偏差大，图像受到了扰动，应予以剔除，从所有满足相关函数值大于阈值的图像中随机1帧都可作为筛选出的图像。 　　理论上阈值取值越大且采集周期T越小时，筛选出的图像受外界扰动的影响就越小，然而在某些特殊环境如大风天气下，如果阈值取值过大可能筛选不出满足要求的图像，阈值的取值在0.9左右即可。 　　3 图像特征提取 　　3.1 颜色特征 　　颜色特征描述了图像区域对应景物的表面性质，通过计算颜色矩可以反映出颜色的分布情况，一阶矩反映了每个颜色分量的平均强度，二阶矩反映了图像的不均匀性，二阶矩的定义如下： 　　（3） 　　式（3）中，表示第i个颜色分量的方差，是第j个像素的第i个颜色分量，N是像素的数量，。 　　当植物发生病变时，先反映在颜色上的变化，图像中颜色的不均匀性变化越大，发生病变的可能性就越大。 　　3.2 灰度特征 　　对图像灰度值的统计在一定程度上反映了景物的纹理特征，生长状态健康的植物灰度变化不明显，当发生病变时，病变部分与正常部分灰度值相比较变化较大。因此，通过对图像的灰度均值的计算可以间接反映植物表面纹理特