周杰+潘宏俠+唐明軍
摘 要:針對(duì)農(nóng)作物品種多樣化、生長緩慢以及空間分布不均等特點(diǎn),研究并設(shè)計(jì)了一種農(nóng)作物病變視頻感知方法,以提高農(nóng)業(yè)物聯(lián)網(wǎng)中視頻監(jiān)控系統(tǒng)的智能化程度。該方法以固定周期采集且消除外部環(huán)境及隨機(jī)干擾的視頻圖像為基準(zhǔn)圖像,將計(jì)算出的相鄰基準(zhǔn)圖像的顏色特征偏差,灰度特征偏差,隨機(jī)特征偏差輸入模糊控制器,通過模糊規(guī)則推理并清晰化推理結(jié)果從而感知農(nóng)作物是否發(fā)生病變及病變的程度,以適應(yīng)不同品種的農(nóng)作物。實(shí)驗(yàn)證明,該方法對(duì)不同種類以及不同位置發(fā)生病變的農(nóng)作物感知的準(zhǔn)確度都較高。
關(guān)鍵詞:農(nóng)作物;機(jī)器視覺;圖像感知;病變
中圖分類號(hào):TP23 文獻(xiàn)標(biāo)識(shí)碼:A DOI:10.11974/nyyjs.20170932004
農(nóng)業(yè)生產(chǎn)信息化是現(xiàn)代農(nóng)業(yè)生產(chǎn)發(fā)展的必然趨勢(shì),是在IT技術(shù)、現(xiàn)代生物技術(shù)等綜合學(xué)科的支持下,借助于各種感知設(shè)備獲取農(nóng)業(yè)生產(chǎn)現(xiàn)場(chǎng)數(shù)據(jù)并運(yùn)用精密機(jī)電設(shè)備等多種現(xiàn)代手段,對(duì)農(nóng)作物實(shí)施精準(zhǔn)農(nóng)事操作與管理,以調(diào)動(dòng)農(nóng)業(yè)生產(chǎn)資料的潛力,多快好省地獲得經(jīng)濟(jì)效益和環(huán)境效益[1][2]。
在農(nóng)業(yè)生產(chǎn)信息化服務(wù)方面,發(fā)達(dá)國家機(jī)器視覺技術(shù)的應(yīng)用已拓展到農(nóng)業(yè)生產(chǎn)的全過程,我國信息技術(shù)在農(nóng)業(yè)生產(chǎn)服務(wù)領(lǐng)域中的應(yīng)用起步較晚,但近年來已經(jīng)取得長足進(jìn)步[3]。在現(xiàn)代農(nóng)業(yè)中增加機(jī)器視覺感知能力是農(nóng)業(yè)信息化技術(shù)進(jìn)步的表現(xiàn),是實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)現(xiàn)場(chǎng)與異構(gòu)分布的客戶端完全互連,服務(wù)物聯(lián)網(wǎng)平臺(tái)的智慧所在。
1 圖像感知過程
機(jī)器視覺特征是圖像直接呈現(xiàn)的事物的自然特征,如顏色、紋理、形狀等。對(duì)顏色和紋理特征的提取與分析可以作為評(píng)價(jià)農(nóng)作物生長狀態(tài)的重要依據(jù)。本文研究了1種通過對(duì)機(jī)器視覺特征模糊推理,判斷農(nóng)作物是否發(fā)生病變的圖像感知方法,感知過程如圖1所示。
圖1 圖像感知過程
圖像感知過程由圖像輸入、特征提取、模糊推理輸出3個(gè)部分組成。圖像輸入:融合了基準(zhǔn)圖像獲取與圖像篩選2部分,通過捕捉視頻攝像機(jī)的幀畫面提取出不受外界環(huán)境及擾動(dòng)影響,能直接反映農(nóng)作物自然生長狀態(tài)的圖像作為系統(tǒng)的輸入。特征提?。涸趫D像輸入的基礎(chǔ)上提取圖像中農(nóng)作物的顏色特征、灰度特征、隨機(jī)特征。模糊推理輸出:對(duì)提取的農(nóng)作物特征依據(jù)模糊規(guī)則推理,清晰化模糊推理結(jié)果后輸出農(nóng)作物是否發(fā)生病變的結(jié)果。
2 圖像輸入
2.1 基準(zhǔn)圖像的獲取
由于農(nóng)作物的生長過程緩慢,基準(zhǔn)圖像的獲取選擇以天為單位,連續(xù)3d為1個(gè)采集周期,采集周期的選取可以根據(jù)實(shí)際情況靈活設(shè)置。在每1天中選取1段時(shí)間t,在t時(shí)間內(nèi)以時(shí)間間隔T循環(huán)捕捉n幀畫面,如圖2所示。
圖2 基準(zhǔn)圖像的獲取
圖2中每一天都要在固定的時(shí)間段t內(nèi)采集n幀圖像,由于農(nóng)作物生長緩慢且對(duì)實(shí)時(shí)性要求不高,僅需2幀能反映農(nóng)作物自然生長狀態(tài)的圖像作為當(dāng)天的基準(zhǔn)圖像,因此需要對(duì)每天采集的n幀圖像進(jìn)行篩選。
2.2 圖像的篩選
2幀圖像可以視為1個(gè)m×n的二維矩陣,矩陣中的每1個(gè)元素為1個(gè)像素,同1種型號(hào)的視頻攝像機(jī)采集的畫面是一系列大小相等的二維矩N陣,任意2幀圖像Amn和 Bmn的相關(guān)系數(shù)可表示為:
(1)
式(1)中與分別式圖像Amn和 Bmn的灰度均值,的值反映了圖像Amn和 Bmn的相似程度,的值越大則Amn和 Bmn的相似程度越高,反之,的值越小說明2幅圖像的差異越大。
圖2中,從每天獲取的n幀圖像中篩選出1幀的方法可通過計(jì)算n幀圖像的相關(guān)函數(shù)實(shí)現(xiàn),表示為s:
(2)
式(2)中,計(jì)算獲取圖像中任意不相同的2幅圖像的相關(guān)函數(shù),并選定1個(gè)閾值a,當(dāng)計(jì)算的某個(gè)相關(guān)函數(shù)值小于閾值時(shí)說明2幅圖像的偏差大,圖像受到了擾動(dòng),應(yīng)予以剔除,從所有滿足相關(guān)函數(shù)值大于閾值的圖像中隨機(jī)1幀都可作為篩選出的圖像。
理論上閾值取值越大且采集周期T越小時(shí),篩選出的圖像受外界擾動(dòng)的影響就越小,然而在某些特殊環(huán)境如大風(fēng)天氣下,如果閾值取值過大可能篩選不出滿足要求的圖像,閾值的取值在0.9左右即可。
3 圖像特征提取
3.1 顏色特征
顏色特征描述了圖像區(qū)域?qū)?yīng)景物的表面性質(zhì),通過計(jì)算顏色矩可以反映出顏色的分布情況,一階矩反映了每個(gè)顏色分量的平均強(qiáng)度,二階矩反映了圖像的不均勻性,二階矩的定義如下:
(3)
式(3)中,表示第i個(gè)顏色分量的方差,是第j個(gè)像素的第i個(gè)顏色分量,N是像素的數(shù)量,。
當(dāng)植物發(fā)生病變時(shí),先反映在顏色上的變化,圖像中顏色的不均勻性變化越大,發(fā)生病變的可能性就越大。
3.2 灰度特征
對(duì)圖像灰度值的統(tǒng)計(jì)在一定程度上反映了景物的紋理特征,生長狀態(tài)健康的植物灰度變化不明顯,當(dāng)發(fā)生病變時(shí),病變部分與正常部分灰度值相比較變化較大。因此,通過對(duì)圖像的灰度均值的計(jì)算可以間接反映植物表面紋理特征的變化。
實(shí)現(xiàn)時(shí),以圖像中任意1點(diǎn)g(x,y)為參考,與其相鄰的點(diǎn)的可表示為g(x+Δx,y+Δy),則灰度差值可表示為:
(4)
令點(diǎn)g(x,y)在整個(gè)畫面中移動(dòng)并按照公式(4)計(jì)算出所有灰度級(jí)數(shù)以及gΔ(x,y)取各個(gè)值的次數(shù),便可以得到gΔ(x,y)取值的概率p(k),此時(shí)的灰度特征可以由下式表示:
(5)
3.3 隨機(jī)特征
無論是農(nóng)作物的病毒性病變還是細(xì)菌性病變,病變發(fā)生位置及呈現(xiàn)方式多種多樣,有很大的隨機(jī)性。熵是圖像所具有的信息的度量,是1個(gè)隨機(jī)性的度量,當(dāng)圖像中的元素有較大的隨機(jī)性時(shí),熵較大,熵的值反映了圖像中紋理的非均勻程度和復(fù)雜程度,熵的表示如下:
(6)
4 圖像特征模糊推理
為了適應(yīng)農(nóng)作種類的多樣性,采用模糊算法。模糊推理是以相鄰2d篩選出的圖片的顏色特征二階矩偏差Δσ、灰度特征偏差Δmean、以及隨機(jī)特征偏差ΔE為輸入,通過模糊規(guī)則運(yùn)算,推理出農(nóng)作物生長狀態(tài)的分析結(jié)果。endprint
4.1 特征參數(shù)的模糊分布
由于農(nóng)作物種類繁多,實(shí)驗(yàn)采集所有不同種類農(nóng)作物病變圖像數(shù)據(jù)較為困難??紤]到農(nóng)作物發(fā)生病變是1個(gè)緩慢的過程,且短期內(nèi)病變圖像間的差異較小,為了能近似確定農(nóng)作物圖像的各特征偏差可能出現(xiàn)的范圍,以特征值變化10%為模糊限定閾值,任意連續(xù)3d中相鄰2d的基準(zhǔn)圖像特征值均超出該限定條件時(shí),圖像間的相關(guān)系數(shù)必然大于限定閾值,可以直接判斷為發(fā)生病變,當(dāng)基準(zhǔn)圖像特征值在限定條件以內(nèi)時(shí)需模糊推理出結(jié)果。
可以選用7個(gè)模糊子集涵蓋3種特征偏差Δσ、Δmean、及ΔE的論域,即正大(PL),正中(PM),正?。≒S),零(ZO),負(fù)?。∟S),負(fù)中(NM),負(fù)大(NL)。無論特征偏差值是正或是負(fù),一旦偏差值出現(xiàn)即說明連續(xù)2d采集的基準(zhǔn)圖像發(fā)生了變化,故模糊子集無需考慮偏差的方向,因此特征偏差的論域可簡(jiǎn)化為大(L),中(M),?。⊿),零(Z)。隸屬度函數(shù)選用三角函數(shù),表示如下:
結(jié)合公式(7),各特征參數(shù)偏差的模糊子集區(qū)間如表1所示。
表1中value1、value2、value3分別相鄰2d中前1d基準(zhǔn)圖像的顏色特征二階矩、灰度特征、隨機(jī)特征值的1/10,模糊子集的區(qū)間長度均勻劃分。
4.2 模糊推理規(guī)則
通過觀察病變的農(nóng)作物的特征,可以歸納總結(jié)出以下規(guī)則:
當(dāng)顏色特征和灰度特征偏差較大時(shí)說明短期顏色變化明顯且紋理變化大,可直接判定發(fā)生病變。當(dāng)顏色特征和灰度特征偏差較小,隨機(jī)特征偏差較大時(shí),可認(rèn)為農(nóng)作物發(fā)生病變且發(fā)生病變的位置較分散。當(dāng)顏色特征和灰度特征偏差存在,隨機(jī)特征偏差較小時(shí),可認(rèn)為農(nóng)作物病變位置集中在某一區(qū)域。當(dāng)所有特征值偏差變化較小且偏差的變化率較小時(shí)可認(rèn)為農(nóng)作物生長狀態(tài)良好,否則視為病變。
基于上述的規(guī)則,以“0”表示生長狀態(tài)較差,發(fā)生病變;“1”表示生長狀態(tài)良好;“2”表示生長狀態(tài)不佳,疑似病變;農(nóng)作物生長狀態(tài)的模糊規(guī)則如表2所示。
4.3 清晰輸出結(jié)果
根據(jù)圖像特征值偏差與農(nóng)作物生長狀態(tài)間的模糊關(guān)系,可以排列組合成32條模糊規(guī)則,每條規(guī)則都給出1個(gè)蘊(yùn)含關(guān)系Ui,,則模糊推理總輸出為:。通過計(jì)算基準(zhǔn)圖像的特征值偏差,并根據(jù)式(7)計(jì)算相應(yīng)的隸屬度,根據(jù)模糊推理計(jì)算總輸出并重新帶入式(7)中,取計(jì)算結(jié)果的平均值即為最后清晰化的農(nóng)作物生長狀態(tài)的結(jié)果。
5 實(shí)驗(yàn)測(cè)試
選用2種不同種類的農(nóng)作物,分別對(duì)農(nóng)作物1的莖葉生長狀態(tài)和農(nóng)作物2的果肉生長狀態(tài)進(jìn)行測(cè)試。
根據(jù)模糊規(guī)則,表3的特征值數(shù)據(jù)表明被測(cè)對(duì)象已經(jīng)發(fā)生病變,清晰化輸出結(jié)果數(shù)據(jù)推理計(jì)算出病變的程度約為28.5%。
根據(jù)模糊規(guī)則,表4的特征值數(shù)據(jù)表明被測(cè)對(duì)象已經(jīng)發(fā)生病變,清晰化輸出結(jié)果數(shù)據(jù)推理計(jì)算出病變的程度約為54.6%。
6 結(jié)語
本文介紹了一種農(nóng)作物生長狀態(tài)感知方法,通過采集農(nóng)作物生長視覺圖像,并對(duì)提取的部分圖像特征進(jìn)行模糊推理判斷出農(nóng)作物是否發(fā)生病變以及可能的病變位置。無論是對(duì)細(xì)菌性病變還是真菌性病變都有較好的監(jiān)測(cè)效果,該方法可以應(yīng)用至農(nóng)業(yè)物聯(lián)網(wǎng)中的視頻監(jiān)控系統(tǒng),以擴(kuò)充農(nóng)業(yè)信息化系統(tǒng)的功能。
參考文獻(xiàn)
[1]BAIN C.The politics of food supply:P U.S.agricultural policy in the world economy[J].Contemporary Sociology,2010,39(2):
212-213.
[2] BOTOLF P.The German information and communication technology(ICT)industry:spatial growth and innovation patterns[J].Regional Studies,2009,43(4):605-624.
[3]張曉東,毛罕平,倪軍.作物生長多傳感信息檢測(cè)系統(tǒng)設(shè)計(jì)與應(yīng)用[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(9):164-170.endprint