基于計(jì)算機(jī)視覺(jué)的棉花生長(zhǎng)監(jiān)測(cè)自主導(dǎo)航車(chē)輛研究

羅元成，汪 應(yīng)

(重慶工程職業(yè)技術(shù)學(xué)院，重慶 402260)

基于計(jì)算機(jī)視覺(jué)的棉花生長(zhǎng)監(jiān)測(cè)自主導(dǎo)航車(chē)輛研究

羅元成，汪 應(yīng)

(重慶工程職業(yè)技術(shù)學(xué)院，重慶 402260)

為了克服農(nóng)作物生長(zhǎng)大面積遙感監(jiān)測(cè)精度較低的缺陷，實(shí)現(xiàn)作物生長(zhǎng)態(tài)勢(shì)的自動(dòng)化監(jiān)測(cè)，提出了一種基于計(jì)算機(jī)視覺(jué)的自主導(dǎo)航作物生長(zhǎng)監(jiān)測(cè)車(chē)輛，從而有效地提高了作物生長(zhǎng)監(jiān)測(cè)的精度和自動(dòng)化程度。該型自動(dòng)化車(chē)輛通過(guò)導(dǎo)航標(biāo)定線(xiàn)在田間對(duì)作物的生長(zhǎng)狀況進(jìn)行實(shí)時(shí)跟蹤監(jiān)測(cè)，采用CCD數(shù)字?jǐn)z像頭對(duì)作物的生長(zhǎng)狀況進(jìn)行圖像采集，使用PC機(jī)對(duì)圖像進(jìn)行處理，并將圖像利用通信技術(shù)傳輸?shù)竭h(yuǎn)程監(jiān)控端，并根據(jù)圖像特征數(shù)據(jù)建立了作物長(zhǎng)勢(shì)的監(jiān)測(cè)和預(yù)測(cè)模型。為了驗(yàn)證其可行性，對(duì)作物的長(zhǎng)勢(shì)進(jìn)行了實(shí)地測(cè)試，通過(guò)對(duì)葉面指數(shù)和作物生物量預(yù)測(cè)模型的測(cè)試表明：數(shù)據(jù)模型的實(shí)測(cè)值和理論值基本吻合，利用該方法可以建立多種作物的長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)模型，具有推廣價(jià)值。

棉花；長(zhǎng)勢(shì)監(jiān)測(cè)；自主導(dǎo)航；計(jì)算機(jī)視覺(jué)；PC機(jī)

0 引言

近年來(lái)，計(jì)算機(jī)視覺(jué)逐漸被應(yīng)用到農(nóng)作物的長(zhǎng)勢(shì)監(jiān)測(cè)和病蟲(chóng)害診斷技術(shù)中，其高效、精確和快速性為農(nóng)作物的自動(dòng)化監(jiān)測(cè)提供了一種嶄新的技術(shù)。隨著農(nóng)業(yè)大面積作業(yè)的推廣，作物長(zhǎng)勢(shì)監(jiān)測(cè)已發(fā)展到大尺度的遙感監(jiān)測(cè)階段，利用數(shù)字化相機(jī)和視頻可以獲取近地面的作物生長(zhǎng)信息。農(nóng)作物長(zhǎng)勢(shì)的數(shù)字化監(jiān)測(cè)原理是利用計(jì)算機(jī)視覺(jué)技術(shù)，結(jié)合現(xiàn)代傳感器技術(shù)，使用PC處理機(jī)對(duì)圖像進(jìn)行采集，得到特征數(shù)據(jù)后建立決策模型，從而構(gòu)建作物長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)的圖像視頻庫(kù)、模型庫(kù)和知識(shí)庫(kù)等數(shù)據(jù)庫(kù)；然后開(kāi)發(fā)相應(yīng)的系統(tǒng)軟件，將復(fù)雜農(nóng)業(yè)生產(chǎn)和管理變得簡(jiǎn)單化和智能化，且覆蓋范圍廣，適合大面積作業(yè)。利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)于推動(dòng)現(xiàn)代農(nóng)作物近地面遙感監(jiān)測(cè)技術(shù)的發(fā)展，實(shí)現(xiàn)作物長(zhǎng)勢(shì)的監(jiān)測(cè)和診斷具有深遠(yuǎn)的意義。

1 基于計(jì)算機(jī)視覺(jué)和自主導(dǎo)航技術(shù)的作物長(zhǎng)勢(shì)監(jiān)測(cè)

近年來(lái)，計(jì)算機(jī)視覺(jué)技術(shù)在農(nóng)業(yè)中的使用范圍和頻度越來(lái)越高，包括農(nóng)作物產(chǎn)量預(yù)測(cè)、作物的形態(tài)識(shí)別、除草和病蟲(chóng)害的防治等。隨著自主導(dǎo)航技術(shù)的發(fā)展，這些技術(shù)將得到極大提高。

1)農(nóng)作物葉面積的標(biāo)定?；谟?jì)算機(jī)視覺(jué)技術(shù)，Mayer 等研發(fā)了一種作物長(zhǎng)勢(shì)的監(jiān)測(cè)系統(tǒng)，并利用計(jì)算機(jī)處理技術(shù)，實(shí)現(xiàn)了作物的實(shí)時(shí)無(wú)損監(jiān)測(cè)。美國(guó)學(xué)者Trooien和Heermann等人利用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)，通過(guò)采集馬鈴薯圖像，在三維虛擬空間內(nèi)實(shí)現(xiàn)了葉片的合成，從而在真正意義上實(shí)現(xiàn)了葉面積的測(cè)量。

2)農(nóng)作物形態(tài)識(shí)別。作物的形態(tài)是作物長(zhǎng)勢(shì)的重要參考數(shù)據(jù)，基于該思想，Humphries利用農(nóng)作物的色彩和幾何特征，對(duì)作物的莖稈、葉片和芽等進(jìn)行識(shí)別，實(shí)現(xiàn)了作物長(zhǎng)勢(shì)的智能化監(jiān)測(cè)。Guyer等建立了一種新的作物智能化長(zhǎng)勢(shì)識(shí)別系統(tǒng)，并利用17個(gè)變量來(lái)描述作物的長(zhǎng)勢(shì)特征。

3)病蟲(chóng)害監(jiān)測(cè)與識(shí)別。利用計(jì)算機(jī)視覺(jué)技術(shù)可有效對(duì)作物形態(tài)進(jìn)行監(jiān)測(cè)，以及時(shí)發(fā)現(xiàn)病蟲(chóng)害。Ridgway研制了一種小麥的病蟲(chóng)害識(shí)別系統(tǒng)，利用該系統(tǒng)可以定位麥粒內(nèi)最重要的亮斑，根據(jù)亮斑的閾值來(lái)判斷小麥?zhǔn)欠窀腥玖瞬∠x(chóng)害。

3)雜草和農(nóng)作物圖像識(shí)別。利用計(jì)算機(jī)視覺(jué)技術(shù)可以對(duì)雜草進(jìn)行智能化識(shí)別，從而實(shí)現(xiàn)有針對(duì)性的除草，達(dá)到較好的除草效果。Adamsen利用機(jī)器視覺(jué)基礎(chǔ)對(duì)油菜花圖像進(jìn)行識(shí)別，并利用計(jì)算機(jī)技術(shù)對(duì)圖像進(jìn)行自動(dòng)剪裁，成功識(shí)別了油菜花數(shù)目。在國(guó)外，20世紀(jì)60年代開(kāi)始，專(zhuān)家和學(xué)者們便開(kāi)始對(duì)除草機(jī)器人有了初步的研究，到90年代該項(xiàng)技術(shù)得到了較大的支持。圖1為除草機(jī)器人的模型示意圖。

該模型是美國(guó)California大學(xué)在1999年提出的，主要由兩部分組成：一部分是雜草的識(shí)別系統(tǒng)，一部分是噴藥的控制系統(tǒng)，且配備了自主導(dǎo)航系統(tǒng)。雜草的識(shí)別模塊包含CCD攝像頭、計(jì)算機(jī)和圖像處理組件，噴藥控制系統(tǒng)包括微處理器和傳感器等，噴藥終端有8個(gè)噴藥頭，每個(gè)噴藥頭都通過(guò)電磁閥控制。

圖1 除草機(jī)器人模型示意圖Fig.1 The sketch diagram of weeding robot model

圖2為基于X-ray雜草識(shí)別機(jī)械作業(yè)過(guò)程圖。該款機(jī)型由R.P.Haff等設(shè)計(jì)，機(jī)器配備了X光雜草識(shí)別系統(tǒng)，其設(shè)計(jì)原理是根據(jù)農(nóng)作物和雜草對(duì)X光的吸收能力不同，對(duì)雜草進(jìn)行識(shí)別。當(dāng)識(shí)別到雜草信號(hào)后，X光的強(qiáng)度變化會(huì)引起電壓信號(hào)的變化，利用該信號(hào)開(kāi)啟除草控制終端的開(kāi)關(guān)，對(duì)雜草進(jìn)行去除。實(shí)驗(yàn)結(jié)果表明，該機(jī)型的雜草識(shí)別率達(dá)到了90.7 %。

圖2 基于X-ray雜草識(shí)別機(jī)械Fig.2 The weed identification machine based on X-ray

2 基于機(jī)器視覺(jué)的冠層覆蓋層檢測(cè)和長(zhǎng)勢(shì)預(yù)測(cè)

農(nóng)作物的覆蓋度(Canopy cover，CC)主要是指作物群體包括莖、葉、枝等單位面積內(nèi)的投影比例，利用機(jī)器視覺(jué)來(lái)獲取CC可以通過(guò)圖像分割方法來(lái)實(shí)現(xiàn)，其計(jì)算公式為

CC=(1+L)×[(G-R)/(G+R+L)]

(1)

其中，CC表示農(nóng)作物的覆蓋度；R、G分別表示紅光、綠光的分量，表示土壤的基本值，該值取為0.5，據(jù)此可以通過(guò)實(shí)時(shí)采集圖像的方式來(lái)對(duì)農(nóng)作物的CC進(jìn)行實(shí)時(shí)監(jiān)測(cè)。為了驗(yàn)證監(jiān)測(cè)的精度，可以采用模型檢驗(yàn)方法來(lái)對(duì)監(jiān)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，最常用的方法包括均方差法RMSE、相對(duì)誤差法RE、一致性系數(shù)COC和擬合度α。其檢驗(yàn)的公式分別為

(2)

(3)

(4)

(5)

圖3 農(nóng)作物生長(zhǎng)監(jiān)測(cè)和預(yù)測(cè)流程Fig.3 The process of crop growth monitoring and forecasting

基于機(jī)器視覺(jué)的農(nóng)作物生長(zhǎng)預(yù)測(cè)主要由4個(gè)步驟組成，包括圖像數(shù)字化采集、圖像視覺(jué)化處理、建立模型和檢驗(yàn)?zāi)Ｐ?，以及長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)系統(tǒng)的構(gòu)建。

1)圖像數(shù)字化采集。作物冠層圖像的采集是研究的第1步，也是作物長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)的關(guān)鍵步驟，可以通過(guò)安裝攝像頭的方法，按照一定的高度和拍攝范圍等將其安裝在自動(dòng)導(dǎo)航車(chē)輛上，通過(guò)調(diào)整攝像機(jī)的參數(shù)，得到了作物的高清圖像。

2)圖像視覺(jué)化處理。視覺(jué)化處理主要是利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)圖像進(jìn)行分割，提取冠層圖像的R和G等色彩特征數(shù)據(jù)。該過(guò)程采用編程的方式實(shí)現(xiàn)自動(dòng)化處理，可以得到CC的特征數(shù)據(jù)庫(kù)。

3)建立模型和檢驗(yàn)?zāi)Ｐ?。利用得到的冠層圖像的特征數(shù)據(jù)庫(kù)，可以將其和作物的長(zhǎng)勢(shì)建立一定的數(shù)據(jù)模型，可以根據(jù)圖像特征數(shù)據(jù)來(lái)判斷農(nóng)作物的長(zhǎng)勢(shì)，并利用檢驗(yàn)?zāi)Ｐ蛠?lái)驗(yàn)證模型的準(zhǔn)確性。

4)長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)系統(tǒng)。將以上3個(gè)步驟進(jìn)行系統(tǒng)化構(gòu)建，并可以作為一個(gè)應(yīng)用系統(tǒng)推廣到農(nóng)業(yè)實(shí)踐中，利用微處理器和嵌入式技術(shù)，可以將系統(tǒng)安裝在具有自主導(dǎo)航能力的小車(chē)上，從而實(shí)現(xiàn)作物的實(shí)時(shí)監(jiān)測(cè)和預(yù)測(cè)。

3 基于計(jì)算機(jī)視覺(jué)的作物生長(zhǎng)監(jiān)測(cè)自主導(dǎo)航車(chē)輛測(cè)試

為了實(shí)現(xiàn)作物生長(zhǎng)狀況的自動(dòng)化監(jiān)測(cè)，本研究將構(gòu)建的作物長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)系統(tǒng)安裝到了具有自主導(dǎo)航能力的拖拉機(jī)上。拖來(lái)機(jī)的實(shí)物圖如圖4所示。

圖4 自主導(dǎo)航拖拉機(jī)Fig.4 The autonomous navigation tractor

本次利用機(jī)器視覺(jué)技術(shù)對(duì)其進(jìn)行了改進(jìn)，安裝了導(dǎo)航攝像頭，使其能夠識(shí)別作物的導(dǎo)航線(xiàn)，從而實(shí)現(xiàn)自主導(dǎo)航能力。

圖5為計(jì)算機(jī)視覺(jué)部分的實(shí)物圖，主要包括攝像頭和PC處理器。PC處理器安裝在拖拉機(jī)車(chē)頭部位，具有強(qiáng)大的圖像處理和通信功能，可以實(shí)現(xiàn)圖像的遠(yuǎn)程傳輸。對(duì)拖拉機(jī)的自主導(dǎo)航能力進(jìn)行了測(cè)試，通過(guò)測(cè)試得到了如圖6所示的導(dǎo)航結(jié)果。

圖5 計(jì)算機(jī)視覺(jué)部分Fig.5 Computer vision part

圖6 拖拉機(jī)自主導(dǎo)航結(jié)果Fig.6 The results of autonomous navigation of tractor

測(cè)試結(jié)果表明：拖拉機(jī)可以較為準(zhǔn)確地沿著目標(biāo)導(dǎo)航線(xiàn)行駛，其實(shí)際行駛軌跡和導(dǎo)航線(xiàn)標(biāo)定軌跡基本吻合，實(shí)現(xiàn)了設(shè)計(jì)的目的。

圖7為遠(yuǎn)程端CC的測(cè)定返回結(jié)果圖。由返回結(jié)果圖可以看出：按照在拖拉機(jī)上的PC機(jī)可以有效地完成圖像的分割處理，從而為建立數(shù)據(jù)模型提供了圖像數(shù)據(jù)庫(kù)。

圖7 CC測(cè)定返回圖Fig.7 The return diagram of CC determination

圖8為通過(guò)冠層覆蓋數(shù)據(jù)采集得到的葉面指數(shù)模型。測(cè)試結(jié)果表明：葉面指數(shù)數(shù)據(jù)模型的實(shí)測(cè)值和理論值基本吻合，可利用該方法進(jìn)行作物長(zhǎng)勢(shì)模型的預(yù)測(cè)。為進(jìn)一步研究其可行性，建立了如圖9所示的土壤上部生物量的長(zhǎng)勢(shì)預(yù)測(cè)模型。

圖8 冠層覆蓋葉面指數(shù)模型Fig.8 The index model of canopy cover

圖9 冠層覆蓋生物量模型Fig.9 The biomass model of canopy cover

測(cè)試結(jié)果表明：生物量數(shù)據(jù)模型的實(shí)測(cè)值和理論值基本吻合，從而驗(yàn)證了預(yù)測(cè)模型的可靠性。因此，可以利用該方法建立多種作物的長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)模型，從而實(shí)現(xiàn)作物的快速、精確和自動(dòng)化長(zhǎng)勢(shì)監(jiān)測(cè)和預(yù)測(cè)。

4 結(jié)論

基于大面積近地面遙感監(jiān)測(cè)技術(shù)，提出了一種基于計(jì)算機(jī)視覺(jué)的自主導(dǎo)航作物生長(zhǎng)監(jiān)測(cè)車(chē)輛，有效地提高了近地面遠(yuǎn)程監(jiān)測(cè)的精度和智能化程度。為了驗(yàn)證其可行性，采用農(nóng)田試驗(yàn)測(cè)試的方法，對(duì)車(chē)輛的導(dǎo)航性能和監(jiān)測(cè)預(yù)測(cè)性能進(jìn)行了測(cè)試。首先在田間標(biāo)定了導(dǎo)航線(xiàn)，通過(guò)對(duì)其自主導(dǎo)航能力的測(cè)試發(fā)現(xiàn)：拖拉機(jī)可以較為準(zhǔn)確地沿目標(biāo)導(dǎo)航線(xiàn)行駛，其實(shí)際行駛軌跡和導(dǎo)航線(xiàn)標(biāo)定軌跡基本吻合。對(duì)作物的長(zhǎng)勢(shì)進(jìn)行了監(jiān)測(cè)實(shí)驗(yàn)，結(jié)果表明：葉面指數(shù)和作物生物量數(shù)據(jù)模型的實(shí)測(cè)值和理論值基本吻合。由此驗(yàn)證了其在農(nóng)作物長(zhǎng)勢(shì)預(yù)測(cè)中使用的可行性和可靠性，可以將其在農(nóng)作物現(xiàn)代化監(jiān)測(cè)車(chē)輛中進(jìn)行推廣使用。

[1] 李亞兵,毛樹(shù)春,韓迎春.不同棉花群體冠層數(shù)字圖像顏色變化特征研究[J].棉花學(xué)報(bào),2012,24(6):541- 547.

[2] 李榮春,陶洪斌,張竹琴,等.基于圖像處理技術(shù)的夏玉米群體長(zhǎng)勢(shì)監(jiān)測(cè)研究[J].玉米科學(xué),2010,18(2): 128-132.

[3] 李紅軍,張立周,陳曦鳴,等.應(yīng)用數(shù)字圖像進(jìn)行小麥氮素營(yíng)養(yǎng)診斷中圖像分析方法的研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2011,19(1):155-159.

[4] 董 鵬,危常州,雷詠雯,等.基于計(jì)算機(jī)視覺(jué)和土壤 Nmin 的棉田氮素養(yǎng)分管理系統(tǒng)的建立與驗(yàn)證[J].新疆農(nóng)業(yè)科學(xué),2011,48(4):606-610.

[5] 李明思,康紹忠,楊海梅,等.地膜覆蓋對(duì)滴灌土壤濕潤(rùn)區(qū)及棉花耗水與生長(zhǎng)的影響[J].農(nóng)業(yè)工程學(xué)報(bào),2007, 23(6):49-54.

[6] 孔清華,李光永,王永紅,等.不同施肥條件和滴灌方式對(duì)青椒生長(zhǎng)的影響[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26 (7):21-25.

[7] 王志強(qiáng).關(guān)于甘肅水資源問(wèn)題及其對(duì)策的思考[J].甘肅水利水電技術(shù),2011,47(5):1-3.

[8] 張秋汝,楊雙,徐瀟禹,等.基于 3G 和 GSM 技術(shù)高度自動(dòng)化節(jié)水灌溉系統(tǒng)的研究[J].科技信息,2012 (5):100-101.

[9] 汪慧穎,洪軍.視頻監(jiān)控系統(tǒng)在節(jié)水改造工程自動(dòng)化控制中的應(yīng)用[J].科技資訊,2012(16):39.

[10] 李光林,李曉東,曾慶欣,等.基于太陽(yáng)能的柑桔園自動(dòng)灌溉與土壤含水率監(jiān)測(cè)系統(tǒng)研制[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(12):146-152.

[11] 蔡義華,劉剛,李莉.基于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的農(nóng)田信息采集節(jié)點(diǎn)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25 (4):176-178.

[12] 韓華峰,杜克明,孫忠富.基于ZigBee網(wǎng)絡(luò)的溫室環(huán)境遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計(jì)與應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(7):158-163.

[13] 姚振憲,王三建.我國(guó)滴灌發(fā)展歷程及建議[J].農(nóng)業(yè)工程,2011,1(2):55-57.

[14] 徐飛鵬,李云開(kāi),任樹(shù)梅.新疆棉花膜下滴灌技術(shù)的應(yīng)用與發(fā)展的思考[J].農(nóng)業(yè)工程學(xué)報(bào),2003,19(1):25- 27.

[15] 韓恒,杜文亮,常榮,等.舊滴灌帶抗拉拔試驗(yàn)研究[J].節(jié)水灌溉,2015(1):24-26,32.

[16] 牛金亮,林靜,邢作常,等.免耕播種機(jī)液壓式加載仿形深度控制系統(tǒng)設(shè)計(jì)[J].農(nóng)機(jī)化研究,2012,34(12): 101-104.

[17] 范旭輝,賈洪雷,張偉漢,等.免耕播種機(jī)仿形爪式防堵清茬機(jī)構(gòu)參數(shù)分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011, 42(10):56-60.

[18] 姬江濤,鄭治華,杜蒙蒙.農(nóng)業(yè)機(jī)器人的發(fā)展現(xiàn)狀及趨勢(shì)[J].農(nóng)機(jī)化研究,2014,36(12):1-4.

[19] 喬永亮,何東鍵,趙川源,等.基于多光譜圖像和SVM的玉米田間雜草識(shí)別[J].農(nóng)機(jī)化研究,2013(8):30-34.

[20] 姬長(zhǎng)英,周俊.農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)發(fā)展分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(9):44-54.

[21] 孟慶寬,何潔,仇瑞承,等.基于機(jī)器視覺(jué)的自然環(huán)境下作物行識(shí)別與導(dǎo)航線(xiàn)提取[J].光學(xué)學(xué)報(bào),2014,34(7):1-7.

[22] 劉金龍,鄭澤鋒,丁為民,等.對(duì)靶噴霧紅外探測(cè)器的設(shè)計(jì)與探測(cè)距離測(cè)試[J].江蘇農(nóng)業(yè)科學(xué),2013,41(7):368-370.

[23] 高國(guó)琴,李明. 基于K-means算法的溫室移動(dòng)機(jī)器人導(dǎo)航路徑識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(7):25-33.

[24] 方莉娜,楊必勝. 車(chē)載激光掃描數(shù)據(jù)的結(jié)構(gòu)化道路自動(dòng)提取方法[J]. 測(cè)繪報(bào),2013,42(2):260-267.

[25] 陳運(yùn)鵬,龍慧,劉志杰.我國(guó)施肥技術(shù)與施肥機(jī)械的研究現(xiàn)狀及對(duì)策[J].農(nóng)機(jī)化研究,2015,37(4):255-260.

[26] 湯龍飛,許志紅.交流接觸器新型智能抗電壓跌落控制模塊的設(shè)計(jì)[J].中國(guó)電機(jī)工程學(xué)報(bào),2012,32(27):95-103.

Autonomous Navigation Vehicle for Cotton Growth Monitoring Based on Computer Vision

Luo Yuancheng, Wang Ying

(Chongqing Vocational Institute of Engineering, Chongqing 402260,China)

In order to overcome the crops growth defect of large area with low precision of remote sensing monitoring, it proposed a crop growth situation of automation monitoring based on computer vision of autonomous navigation for crop growth monitoring vehicle. So as to effectively improve the precision and the degree of automation of the crop growth monitoring. It collected the automated vehicle navigate through the calibration line real-time tracking and monitoring in the field on crop growth status and images by CCD digital camera on crop growth status. By using PC for image processing and image and using communication technology to transmit to the remote monitoring terminal, finally, it established a monitoring and prediction model of crop growth according to the characteristics of the image data. In order to verify the feasibility, the growth of crops were field tested, by the prediction of leaf area index and crop biomass model tests,it show that the data model of measured value theory and value of the basic was both very unify. By using this method, we can establish a variety of crop growth monitoring and prediction model, the promotion of the technology.

cotton; growth monitoring; autonomous navigation; computer vision; PC

2016-08-11

重慶市教育委員會(huì)重點(diǎn)項(xiàng)目(1202086)

羅元成(1982-)，男，重慶人，實(shí)驗(yàn)師，(E-mail)ycluo82@sohu.com。

S562；TP13

A

1003-188X(2017)12-0205-05