基于計算機視覺數據對大棚作物生長趨勢的挖掘

任碩果

(柳州鐵道職業技術學院 信息工程系，廣西 柳州 545616)

0 引言

農業生產高度依賴自然環境和氣候條件，受自然因素多變的影響，具有明顯的季節性。我國是農業大國，農業生產順利進行可以為國民經濟的正常發展提供保障。為了打破多變的自然因素限制，人們發明并設計了各種新型的農業生產技術和設施。

設施農業利用各種設施獲得可控的環境條件，并通過工程技術手段實現動植物的高效生產。設施農業涵蓋作物種植、動物養殖和食用菌種植，具體形式主要有玻璃溫室和塑料大棚。設施農業的作物產量是常規種植的3.5倍，因此特別適合于我國人均耕地面積少的國情，是解決我國農業受土地面積制約、實現可持續發展的有效手段。目前，我國設施農業面積占世界總面積超過了85%，且開始從數量優勢向質量提升轉變，技術上日益接近世界先進水平。

與溫室相比，大棚的保溫性能較差，使用年限也短；但是，大棚結構簡單，制造和維護成本也較低，適合在一些農業基礎設施相對薄弱的地區推廣應用。大棚是作物、蔬菜和花卉的種植場所，能夠顯著提高作物的抗災減災和反季節生產能力，在農業的發展史上具有里程碑的意義。

經過長期的發展，大棚在實踐應用中也暴露出一些問題，對農產品的產量質量及種植效益都造成了不利影響。大棚的封閉性強，內部溫濕度較大，利于各種農業害蟲和病菌的滋生繁殖，因此大棚內的農業病蟲害極為嚴重[1]。另外，棚內的環境與外界隔離，土壤經過長期使用后的連作障礙日益明顯，肥料利用率降低，營養成分流失嚴重，成為制約大棚持續利用的關鍵[2]。最后，由于受總體制造成本的限制，早期的大棚內較少安裝高技術含量的儀器設備，影響了大棚的自動化和智能化水平。以上的因素都不利于大棚作物的正常生長，增加了大棚種植效益提升和持續應用的難度，引起種植者和農業研究人員的重視。

為此，人們設計了各種新型的大棚管理技術和方法，部分已經開始在實踐應用中發揮作用。侯玉佳等針對大棚病蟲害嚴重的問題，設計了一種大棚作物的病蟲害監控系統，實現了對病蟲害發生面積和動態等信息的采集[3]。另外，司鳳霞認為對大棚作物的病蟲害應以綜合防治為基礎，包括農業防治、物理防治、藥劑防治和生物防治，才能將危害降至最低，從而獲得較高種植收益[4]。喻景權等探討了連作障礙在蔬菜設施栽培中形成的基礎，提出了耕作制度、生物防治和肥料施用等方面的解決辦法，并對其可行性進行了分析[5]。近年來，無線通信、微電子、傳感器和嵌入式等技術的發展使得無線傳感網絡的成本和功率消耗大幅度降低，以之為基礎建立起來的物聯網開始應用于大棚的遠程監控和生產管理中，提高了大棚的智能化水平[6-9]。

作物的生長狀況是大棚監控的重要內容，可以反映大棚生產管理的效果，并作為病蟲害防治、水肥管理和產量預測的依據。作物生長狀況通常由種植者觀察獲得，并依靠經驗判斷生長趨勢，所做出的決策受主觀因素影響會出現偏差，導致作物無法達到預期產量。為此，劉硯菊等采用模糊神經網絡處理植物生長數據，獲得植物最佳生長狀態所對應的環境數據，為大棚的參數控制提供依據[10]。

隨著各種新技術的出現，對于作物生長信息的采集和生長趨勢挖掘方法也出現變革，較為典型的是計算機視覺技術。計算機視覺是圖像分析技術，從拍攝的圖像中提取信息進行分析識別，獲得有價值的結果。計算機視覺在農業上可以分析田間作物圖像，具有監測農田雜草、作物長勢和病蟲草害發生程度的功能[11-13]。本文以大棚作物為對象，拍攝作物圖像并通過計算機視覺獲取生長信息，然后在專家系統中分析挖掘植株大小、葉片顏色和發育階段等信息數據，以此為依據評判作物的生長狀況，用于指導大棚的農藝操作和預測作物產量，從而提高大棚生產的智能化水平。

1 設計原理及硬件組成

1.1 設計原理

安裝在大棚中的攝像頭拍攝作物的圖像，由A/D轉換器進行模數轉換，成為計算機可識別的數碼信號。數碼信號以無線形式發送給核心計算機，經過去噪處理、灰度化和閾值分割等視覺分析步驟后提取目標特征。計算機視覺分析的結果輸入到專家系統的知識庫中，對作物的植株大小、葉片顏色和發育階段數據進行挖掘，依據專家經驗評判作物的生長狀況，并預測后續生長趨勢和最終產量。分析結果輸出在顯示屏上，并進行存儲，具體的過程如圖1所示。

圖1 生長趨勢挖掘的流程

1.2 硬件組成

攝像頭為中星C301高清芯片型，得益于CMOS感光元件，其成像的像素較高，且具有較好的兼容性和可靠性，能夠滿足大棚圖像采集的要求。攝像頭在大棚里的安裝高度1.3m，通過電機驅動實現了180°拍攝視角，并能適應大棚高溫高濕的工作環境。

A/D轉換器為天創UB570型圖像采集卡，可以把原始圖像信號轉換為數字信號以供計算機分析。大棚與核心計算機之間的連接采用無線WIFI技術，其通訊帶寬大，數據實時傳輸能力強。接收裝置與計算機之間通過UART接口有線連接，接收采集的圖像。

核心計算機是聯想揚天M4700型，配制包括Intel i6中央處理器以及10GB的DDR4內存。安裝的操作系統為Windows10軟件，圖像分析軟件為MatLab工具箱，能夠進行計算機視覺的實時處理和分析。

專家系統中的推理機和知識庫功能由1臺聯想X3550M5型服務器完成，服務器配置16GB的DDR4型內存以及2TB的硬盤，各種數據庫和信息庫存儲在其中。服務器外接P64CD1型LCD顯示屏用于實時顯示作物生長數據，以及北京宏空HK-CRAM型存儲器用于保存分析的結果。

2 圖像處理

以種植黃瓜的大棚為例，拍攝的時間為結果前期。攝像頭與拍攝目標之間相對靜止，避免了運動對于圖像質量的影響。但是，拍攝的瞬間攝像頭可能正在轉動，加上大棚中存在的水汽和灰塵，導致圖像中仍然帶有噪音，會對后續分析造成影響。研究通過對圖像進行5×5的中值濾波平滑處理去除噪音，從而獲得較高質量的原始圖像，如圖2(A)所示。由于拍攝角度的影響，距離攝像頭不同位置上的物體在圖像上存在畸變，影響了后續對黃瓜各種器官面積計算的準確性。文本參考相關文獻，對圖像畸變進行了校正。

大棚內的光線較自然條件下弱，且光線的直射少，漫反射多。根據上述特點，選用HSI模型的顏色空間對圖像進行分析，在色調H、飽和度S和亮度I這3個分量上處理，獲得了HSI顏色空間下對I分量灰度化的圖像，如圖2(B)所示。

黃瓜結果前期的植株器官包括葉片、莖、果實和花，它們都是黃瓜生長狀態的外部反映，也是后期生長趨勢和產量形成的基礎。其中，葉片和莖的顏色可以反映水分和營養狀況，果實和花的數量可以反映生長發育階段和最終產量。葉片、莖和果實為綠色，花為黃色，因此計算機視覺可以通過顏色的差異首先將花識別出來。對于果實，則利用其形狀的特征從綠色背景中進行分割。

在H、S和I這3個分量中，將I分量灰度圖做最大類間方差分析，再進行二值化和直方圖分析，從而獲得最大閾值T1和T2。依據T1和T2進行閾值分割，得到莖葉、果實和花的圖像區域，莖葉表示為灰色，果實表示為黑色，花表示為白色，如圖2(C)所示。統計的數據信息包括莖葉區域中綠色像素的數量、果實區域的數量及面積、花的數量。

A.原始圖像 B.灰度化圖像 C.目標識別圖像

3 數據挖掘和生長趨勢判定

作物的生長狀況可以分為良好、中等和較差，主要體現在各營養和生殖器官的顏色和大小上；生長階段包括營養生長和生殖生長，主要體現在生殖器官的數量上。通過在專家系統中挖掘作物圖像的計算機視覺數據，可以評判作物當前的生長狀況和后續的生長趨勢。專家系統包括知識庫和推理機：知識庫中存入了關于作物生長信息的專家知識；推理機根據模糊隸屬函數，進行作物生長數據和生長狀態及趨勢的訓練，并依據專家知識獲得各項參數和閾值，也存入到知識庫中。在實際應用中，推理機將計算機視覺數據錄入輸入層，運行數值計算過程，最后結合專家知識庫推理計算得到作物生長狀況和后續生長趨勢的結果。

4 試驗結果和分析

2017年，在本單位的大棚內以黃瓜為對象進行了試驗，選用的3個黃瓜品種為中農16、早青2號和粵秀1號。在各品種的結果前期拍攝圖像，進行計算機視覺分析，挖掘分析的數據后評判生長狀況，并預測后續的生長趨勢。后續生長趨勢的反映指標為成熟時期和產量，將數據挖掘所獲得的結果與人工調查獲得的實際值比較，評價這種方法的準確性。

試驗的結果如表1所示。基于計算機視覺數據的挖掘可以準確評判3個黃瓜品種的生長狀況，對于成熟時期的預測與實際數值僅相差1天，還能較為準確地預測最終產量。

表1 生長趨勢挖掘的準確性

5 結論

以大棚作物為對象，拍攝作物的圖像并通過計算機視覺分析作物顏色和發育階段等生長信息，然后利用專家系統挖掘視覺分析數據，評判作物的生長狀況，預測后續生長趨勢和最終產量。對大棚黃瓜的試驗結果表明：基于計算機視覺數據的挖掘可以準確評判黃瓜的生長狀況，還能夠較為準確地預測成熟時期和最終產量，提高了大棚生產的智能化水平。