基于物聯(lián)網(wǎng)的農(nóng)作物生長視覺監(jiān)控平臺

摘 要：農(nóng)作物圖像是農(nóng)作物長勢監(jiān)測的重要數(shù)據(jù)來源?；赩ue+SpringBoot框架，設(shè)計并開發(fā)了一個農(nóng)作物生長視覺監(jiān)控平臺。針對采集的農(nóng)作物圖像數(shù)據(jù)量大、存儲成本高的問題，深入研究了農(nóng)作物圖像中感興趣區(qū)域的壓縮技術(shù)。首先利用ExG算法增強農(nóng)作物區(qū)域，再通過K-means聚類算法對圖像區(qū)域進行分割。在此基礎(chǔ)上，創(chuàng)新性地提出了一種結(jié)合超像素和聚類技術(shù)的農(nóng)作物圖像壓縮方法。為了驗證該方法的有效性，將其與DCT方法、超像素算法（SLIC）以及聚類算法（K-means）進行壓縮效果的對比實驗。實驗結(jié)果表明，所提出的方法在農(nóng)作物圖像壓縮方面展現(xiàn)出了顯著的優(yōu)勢和卓越的性能，在有效降低存儲成本的同時，還能夠確保圖像的質(zhì)量，為農(nóng)作物生長視覺監(jiān)控平臺的高效運行提供了有力支持。

關(guān)鍵詞：物聯(lián)網(wǎng)；圖像壓縮；農(nóng)作物圖像；視覺監(jiān)控；ExG算法；SLIC算法；K-means聚類算法

中圖分類號：TP39 文獻標(biāo)識碼：A 文章編號：2095-1302（2025）03-000-04

0 引 言

農(nóng)作物圖像作為農(nóng)作物長勢監(jiān)測的重要數(shù)據(jù)來源，蘊含著豐富的色彩、輪廓、紋路等特征信息，這些信息能夠直接反映作物的生長狀況，對于長勢監(jiān)測[1-3]、病蟲害識別[4-6]、果實檢測[7-11]等任務(wù)至關(guān)重要。然而，圖像數(shù)據(jù)在存儲和傳輸?shù)倪^程中需要占用大量的存儲空間和信道帶寬，特別是在農(nóng)作物生長視覺監(jiān)控平臺中，現(xiàn)場采集的圖像數(shù)據(jù)龐大，直接傳輸不僅會增加流量費用，還會消耗大量的人力與物力資源。因此，在實際應(yīng)用中，對采集的圖像進行高效壓縮，降低圖像的傳輸、存儲和處理成本，顯得尤為重要[12-13]。

圖像壓縮技術(shù)主要分為有損壓縮和無損壓縮兩類。在農(nóng)業(yè)圖像信息傳輸方面，相較于無損壓縮，有損壓縮[14-16]不僅可以保證圖像的清晰度，還能有效減少數(shù)據(jù)存儲空間和流量。離散余弦變換（DCT）是有損壓縮最常用的方法之一[17-18]。文獻[19]運用DCT變換將圖像由空間域變換到頻域，只保留其中人眼敏感的圖像視覺信息，達到了圖像壓縮的目的。在有損壓縮領(lǐng)域，基于超像素的方法提供了一種形狀自適應(yīng)的壓縮方式，能夠通過直接減少圖像中的顏色數(shù)量，有效地壓縮圖像[20-21]。文獻[22]采用K-means聚類和SLIC算法對農(nóng)作物圖像進行壓縮。文獻[23]提出了凸超像素算法，實現(xiàn)了圖像壓縮和矢量化。文獻[24]利用基于超像素的壓縮方法對圖像中感興趣區(qū)域進行壓縮，既保留了圖像特征信息，又降低了數(shù)據(jù)總量與計算時間。

本文基于物聯(lián)網(wǎng)技術(shù)，設(shè)計并開發(fā)了農(nóng)作物生長視覺監(jiān)控平臺，實現(xiàn)對農(nóng)作物圖像數(shù)據(jù)的實時檢測、傳輸和壓縮存儲等。在此基礎(chǔ)上，對農(nóng)作物圖像中感興趣區(qū)域的壓縮方法進行了深入研究，提出了一種基于超像素和聚類方法的農(nóng)作物區(qū)域壓縮方法。為驗證該方法的有效性，分別與DCT方法、超像素算法（SLIC）和聚類算法（K-means）進行了壓縮效果的對比實驗，通過對比不同參數(shù)下的壓縮效果，充分驗證了本文方法的優(yōu)越性能。

1 系統(tǒng)架構(gòu)設(shè)計

本文基于Vue+SpringBoot框架，設(shè)計并開發(fā)了一個農(nóng)作物生長視覺監(jiān)控平臺。該平臺的整體結(jié)構(gòu)分為三層：感知層、網(wǎng)絡(luò)層和應(yīng)用層，架構(gòu)體系如圖1所示。感知層為監(jiān)控攝像頭，用于捕捉農(nóng)作物的生長情況。在感知層和網(wǎng)絡(luò)層之間，調(diào)用螢石云平臺接口獲取視頻流信息，實現(xiàn)可靠的遠程視覺監(jiān)控。通過網(wǎng)絡(luò)層的數(shù)據(jù)處理中心，將農(nóng)作物圖像數(shù)據(jù)進行截取、壓縮，隨后存儲至數(shù)據(jù)庫中。在應(yīng)用層，設(shè)計了控制中心、視頻中心和設(shè)置三個主要功能模塊。在PC端或APP端，管理人員和用戶可以通過直觀的可視化界面，實時追蹤作物的生長狀況，查看歷史農(nóng)作物圖像，并通過設(shè)置功能來管理系統(tǒng)的攝像頭設(shè)備和用戶的信息。

Vue前端負責(zé)調(diào)用螢石云的API接口，具體流程如圖2所示。首先，通過螢石云開放平臺添加監(jiān)控設(shè)備，獲取密鑰和視頻播放的URL地址。隨后，在Vue前端中引入Ezuikit.js腳本，并將其嵌入到HTML播放頁面中。前端通過Axios方式從后端獲取數(shù)據(jù)。后端調(diào)取所存儲的螢石云開放平臺視頻地址和密鑰。初始化播放器實例this.playerInstance = new EZUIKit.EZUIKitPlayer，并設(shè)置初始化實例參數(shù)。調(diào)用接口函數(shù)capturePicture、capturePictureCallBack實現(xiàn)截圖及回調(diào)功能。在視頻中心模塊的監(jiān)控設(shè)備管理頁面，用戶可以添加或修改監(jiān)控位置、螢石云調(diào)用驗證碼、視頻地址、備注等監(jiān)控設(shè)備信息。完成監(jiān)控設(shè)備信息的注冊后，用戶便能實時查看當(dāng)前監(jiān)控位置的農(nóng)作物生長情況，還能查看采集到的農(nóng)作物圖像。

2 農(nóng)作物圖像區(qū)域分割算法設(shè)計

對農(nóng)作物圖像進行分割，將圖像中出現(xiàn)的不同像素分割成兩類：農(nóng)作物背景和土壤背景。在對圖像進行聚類分割之前，本文利用農(nóng)作物圖像處理中常用的顏色因子方法進行圖像增強預(yù)處理，并選用對綠色特征信息具有顯著加強效果的ExG算法。顏色因子公式如下：

ExG=2G-R-B （1）

用于農(nóng)作物圖像分割的輸入圖像來自波恩大學(xué)發(fā)布的甜菜與雜草圖片數(shù)據(jù)集[25]。圖3（a）為數(shù)據(jù)集中的一張原始圖像，圖3（b）為通過ExG顏色因子方法增強后的圖像。

利用ExG方法增強植被的綠色特征后，將圖像灰度化結(jié)果輸入給K-means聚類算法。K-means聚類算法[32]是一種基于誤差平方和最小準(zhǔn)則的無監(jiān)督機器學(xué)習(xí)方法。該算法能夠通過迭代搜索，將樣本數(shù)據(jù)分成不同的種類，使同一類的樣本相似性最高，不同類的樣本相似性最低。該算法的具體原理如下：

（1）設(shè)置聚類個數(shù)k，隨機選擇聚類中心點：d1， d2， d3， ...， dk。

（2）計算每個樣本點xi到k個中心點的距離。找到離該點最近的中心點，將它歸屬到對應(yīng)的簇。

（3）重新計算聚類中心點，將其定為新的聚類中心di = x。

（4）重復(fù)迭代，直到達到某個中止條件，得到最終的聚類結(jié)果。

對K-means參數(shù)進行設(shè)置，設(shè)置聚類數(shù)目為2、迭代次數(shù)為3。圖4所示為通過圖像分割得到的農(nóng)作物區(qū)域，圖像其余部分被視為背景區(qū)域。

3 農(nóng)作物圖像區(qū)域壓縮算法設(shè)計

圖像壓縮的主要目標(biāo)在于降低圖像數(shù)據(jù)的不相關(guān)性和冗余性，以便以一種有效的方式存儲和傳輸它們。在有損壓縮算法中，通過減少圖像中顏色的數(shù)量即可達到去除冗余信息、減少數(shù)據(jù)存儲量的效果。聚類的方法能將圖像中的每個像素顏色替換為距離其最近的聚類中心的顏色，減小顏色空間的數(shù)據(jù)規(guī)模，有效地壓縮圖像的大小。在超像素算法中，SLIC算法能夠?qū)⒃枷袼刂匦聞澐譃閿?shù)量更少的超像素，在超像素區(qū)域內(nèi)以相似特征像素的平均顏色作為新的超像素的顏色（質(zhì)心顏色）。SLIC壓縮方法能在保持較高壓縮比的同時，有效保留物體形貌、顏色信息，但對于感興趣區(qū)域（綠色植被），會損失更多的紋理、輪廓等細節(jié)信息。相比SLIC算法，K-means算法能夠在壓縮圖像的同時保留更多顏色和細節(jié)信息。因此，在獲取農(nóng)作物區(qū)域和背景區(qū)域位置信息的基礎(chǔ)上，本文對農(nóng)作物區(qū)域及背景區(qū)域進行分區(qū)壓縮，在設(shè)置好聚類數(shù)量、超像素數(shù)量后分別進行K-means壓縮和SLIC壓縮，將壓縮后的區(qū)域合并為完整的農(nóng)業(yè)圖像，算法具體流程如圖5所示。

4 算法實驗

圖像壓縮質(zhì)量評價結(jié)果主要包括主觀評價結(jié)果以及客觀評價結(jié)果。為驗證本文算法的壓縮效果，選取DCT分區(qū)壓縮算法、K-means壓縮算法和SLIC壓縮算法，參照原圖，進行質(zhì)量主觀評價實驗。圖6所示為不同壓縮算法的整體對比以及細節(jié)放大圖。圖6 （a）為原始植被圖像及其細節(jié)放大圖，圖6（b）為采用本文算法壓縮后的圖像及其細節(jié)放大圖，圖6（c）為采用DCT分區(qū)算法壓縮后的圖像及其細節(jié)放大圖，圖6（d）為采用K-means算法壓縮后的圖像及其細節(jié)放大圖，圖6（e）為采用SLIC算法壓縮后的圖像及其細節(jié)放大圖。

從對比圖中可以看出，本文方法不僅保留了背景的顏色、形狀信息，還針對農(nóng)作物區(qū)域較好地保留了紋理、邊緣等細節(jié)信息，更加符合農(nóng)作物圖像感興趣區(qū)域的壓縮需求。

為了進一步評價圖像壓縮質(zhì)量，引入圖像客觀評價指標(biāo)。圖像壓縮質(zhì)量的客觀評價指標(biāo)一般分為兩類。第一類針對壓縮算法本身，用以評價算法的壓縮效率，主要包括壓縮比、壓縮時間等。其中壓縮比是壓縮前原始圖像數(shù)據(jù)量與壓縮后圖像數(shù)據(jù)量之比。第二類則針對壓縮后的圖像質(zhì)量，主要包括峰值信噪比（PSNR）、結(jié)構(gòu)相似度（SSIM）等。

峰值信噪比（PSNR）表示圖片有效信息與失真的比值。其數(shù)值越高表示壓縮后的圖像信息失真越少，圖像質(zhì)量越好。通常使用dB作為單位，其表達式如下：

PSNR=10 × log （2）

式中：均方誤差（MSE）表示原圖像與壓縮后圖像對每一個像素值的平方誤差；L為255。

結(jié)構(gòu)相似性（SSIM）是用以衡量壓縮前后圖像結(jié)構(gòu)相似程度的指標(biāo)，其數(shù)值一般在0到1之間，數(shù)值越大說明兩幅圖像結(jié)構(gòu)相似度越高，圖像壓縮效果越好：

SSIM（x， y）= （3）

式中：μx、μy表示原圖像和壓縮后圖像灰度均值；σx表示原圖像灰度標(biāo)準(zhǔn)差；σxy表示原圖像和壓縮后圖像灰度協(xié)方差；c1、c2表示維持穩(wěn)定的權(quán)重系數(shù)，其中c1=（0.01L）2、c2= （0.03L）2。

確定客觀評價指標(biāo)后，對本文方法、DCT分區(qū)壓縮方法、K-means壓縮方法、SLIC壓縮方法四種方法進行圖像壓縮質(zhì)量評價實驗。評估的指標(biāo)涵蓋了圖像壓縮比、圖像壓縮時間、圖像壓縮SSIM以及圖像壓縮PSNR，結(jié)果分別如圖7、圖8、圖9、圖10所示。

實驗結(jié)果表明，K-means壓縮方法針對整幅圖進行壓縮，具有較高的SSIM和PSNR，而本文方法在壓縮比方面顯著優(yōu)于K-means方法。從所有實驗圖像的平均評價因子來看，本文方法在壓縮比上優(yōu)于K-means方法，運行時間少于DCT分區(qū)壓縮方法，具有較好的圖像壓縮效率。此外，盡管本文方法的SSIM和PSNR略低于整圖壓縮的K-means方法，但均高于其余兩種方法。綜上所述，本文方法不僅彌補了K-means和SLIC方法的不足，而且在壓縮效率和圖像質(zhì)量方面優(yōu)于DCT分區(qū)壓縮方法。本文方法通過對背景區(qū)域進行高比例壓縮，有效減小了圖像存儲量，同時保留了高質(zhì)量的農(nóng)作物區(qū)域信息，從而滿足了農(nóng)業(yè)圖像的實際應(yīng)用需求。

5 結(jié) 語

本文基于Vue+SpringBoot框架，設(shè)計并開發(fā)了一個農(nóng)作物生長視覺監(jiān)控平臺。該平臺通過螢石云平臺接口，實現(xiàn)了農(nóng)作物圖像數(shù)據(jù)的實時獲取。為了降低圖像存儲成本，本文對農(nóng)作物圖像壓縮方法進行了深入的研究。首先，運用ExG增強和K-means聚類算法，將圖像中的農(nóng)作物區(qū)域和背景區(qū)域進行分割。然后，利用SLIC算法對背景區(qū)域進行壓縮，采用K-means聚類算法對農(nóng)作物區(qū)域進行壓縮。通過對比試驗，從主觀和客觀指標(biāo)兩個方面，全面驗證本文壓縮方法的有效性和實用性。實驗結(jié)果表明，本文方法在農(nóng)作物區(qū)域壓縮方面展現(xiàn)出了顯著的優(yōu)勢和卓越的性能，能夠有效降低存儲成本，確保圖像質(zhì)量，為農(nóng)作物生長視覺監(jiān)控平臺的高效運行提供有力支持。

注：本文通訊作者為萬梓然。

參考文獻

[1]吳慧.基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物生長識別監(jiān)測系統(tǒng)[D].南京：南京信息工程大學(xué)，2020.

[2]田東哲.基于圖像技術(shù)的農(nóng)作物生長狀態(tài)識別算法研究[D].鄭州：鄭州大學(xué)，2018.

[3]趙欣欣，陳煥軒，韓迎春，等.數(shù)字圖像監(jiān)測作物生長特征的研究進展[J].中國農(nóng)學(xué)通報，2021，37（4）：146-153.

[4]宋中山，汪進，鄭祿，等.基于二值化的Faster R-CNN柑橘病蟲害識別研究[J].中國農(nóng)機化學(xué)報，2022，43（6）：150-158.

[5]楊慶賀，叢曉燕，秦麗紅，等.園林植物常見病蟲害識別[J].山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2022，53（2）：265-270.

[6]石稱華，劉哲輝，常麗英，等.實用型病蟲害智能診斷系統(tǒng)設(shè)計與應(yīng)用實踐[J].中國植保導(dǎo)刊，2022，42（3）：97-104.

[7]黃河清，胡嘉沛，李震，等.基于邊緣計算的柑橘果實識別系統(tǒng)的設(shè)計[J].湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2021，47（6）：727-732.

[8]鄭太雄，江明哲，馮明馳.基于視覺的采摘機器人目標(biāo)識別與定位方法研究綜述[J].儀器儀表學(xué)報，2021，42（9）：28-51.

[9]冀煒臻.基于機器視覺與Retinex圖像增強的臍橙檢測方法研究[D].贛州：江西理工大學(xué)，2021.

[10]黃小玉，李光林，馬馳，等.基于改進判別區(qū)域特征融合算法的近色背景綠色桃子識別[J].農(nóng)業(yè)工程學(xué)報，2018，34（23）：142-148.

[11]明雨陽.基于圖像處理的作物表型參量測量及生長狀態(tài)監(jiān)測方法研究[D].西安：西安理工大學(xué)，2020.

[12]劉國江.基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)圖像壓縮[D].雅安：四川農(nóng)業(yè)大學(xué)，2020.

[13]張馨.基于DCT與DWT的圖像漸進壓縮算法研究[D].阜新：遼寧工程技術(shù)大學(xué)，2019.

[14]侯宇軒，邸奕寧，任重，等.醫(yī)學(xué)圖像數(shù)據(jù)壓縮中的機器學(xué)習(xí)方法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2021，33（8）：1151-1159.

[15]鄭妍.基于云計算的數(shù)字建模展示平臺研究與應(yīng)用[D].太原：中北大學(xué)，2021.

[16]馬坤.基于DWT-SVD和拐點伽馬的木材彩色圖像增強與識別[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2019.

[17]宋歡.顆粒狀農(nóng)作物彩色色選圖像處理算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2018.

[18]崔唱.新型圖像壓縮及優(yōu)化算法研究[D].成都：電子科技大學(xué)，2019.

[19]孫一惟.基于小波變換和DCT的圖像壓縮系統(tǒng)設(shè)計與實現(xiàn)[D].長春：吉林大學(xué)，2016.

[20] FRACASTORO G， VERDOJA F， GRANGETTO M， et al. Superpixel-driven graph transform for image compression [C]//2015 IEEE International Conference on Image Processing （ICIP）. Quebec City， Canada： IEEE， 2015： 2631-2635.

[21] FU W， LI S， FANG L， et al. Adaptive spectral-spatial compression of hyperspectral image with sparse representation [J]. IEEE transactions on geoscience and remote sensing， 2016， 55（2）： 671-682.

[22] LUO X. Image compression via K-means and SLIC superpixel approaches [C]//2016 4th International Conference on Machinery， Materials and Information Technology Applications. Xi’an， China： Atlantis Press， 2017： 1008-1012.

[23] 馬東陽.規(guī)整性約束的圖像凸超像素生成研究[D].濟南：山東大學(xué)，2021.

[24] KARACA A C， GULLU M K. Superpixel based recursive least-squares method for lossless compression of hyperspectral images [J]. Multidimensional systems and signal processing， 2019， 30（2）： 903-919.

[25] CHEBROLU N， LOTTES P， SCHAEFER A， et al. Agricultural robot dataset for plant classification， localization and mapping on sugar beet fields [J]. The international journal of robotics research， 2017， 36（10）： 1045-1052.