計算機圖像識別在玉米生長模型中的應用

李 潔,滕振芳,吳偉剛

(1.保定職業技術學院,河北 保定 071000;2.河北北方學院,河北 張家口 075000)

0 引言

玉米具有產量高、生長周期快及對于環境要求較低的特點,是國家支柱型糧食作物[1]。玉米的穩產、高產對于國家的糧食安全起到關鍵性作用。隨著人口老齡化社會的來臨及農村青壯年勞動力的流失,從事農業生產的勞動力越來越少[2]。對于大規模種植的玉米等糧食作物,急需實現自動化監控,準確實現產量預計。傳統的植株生長模型重點在于記錄植株的施肥量[3]、補水量和光照強度等可控因素[4],忽略對玉米果實產量的預測。此類模型可以保證植株養分充足,但會出現植株生長茂盛、果實產量較低的情況[5]。為了準確預測植株產量,以植株成長過程中的形態參數作為研究對象,基于圖像識別技術對植株圖像進行處理,得到植株形狀學參數。同時,記錄選定參數隨時間的變化規律,擬合果實質量和選定參數之間的關系。結果表明,本模型與實際情況吻合良好。

1 系統組成

系統主要包括圖像分析系統、植株生長參數分析系統及玉米分析系統,如圖1所示。CCD攝像機采集玉米植株圖像,圖像分析系統首先進行圖像灰度化處理,對數據量進行壓縮;其次,進行圖像分割(即進行二值化處理)采用中值濾波改進方法對其進行降噪處理;最后,采用圖像細化的算法,對圖像進行處理,得到玉米植株的骨干圖。植物形態學分析表明,植株高度H、寬度W和節結個數N能表明植株的生長狀態。因此,利用本系統對玉米植株進行27天圖像處理,分別對3個因素與時間進行擬合,探尋之間的關系,最終輸出植株高度H、寬度W和節結個數N;以植株高度H、寬度W和節結個數N為自變量,以玉米質量m為應變量,進行擬合,建立3因素與玉米果實質量之間的關系,完成生長模型建立。

圖1 系統結構圖

2 圖像處理

2.1 圖像灰度化

圖片中的任何一種顏色都由紅、藍、綠3種顏色通過不同強度疊加而成[6]。系統以CCD相機作為檢測元件,當被拍攝物體光線進入CCD矩陣時,會在相應的像素點上產生強度向量Pi(R,G,B),在驅動電壓和時鐘的作用下,輸出強度矩陣是像素矩陣數據量的3倍[7]。圖像分析時,如果對某一單通道進行分析,造成樣本信息不完整,分析結果可靠性差;如果對三通道同時進行分析,就會造成計算量大,算法復雜。因此,提出新的強度量I來綜合表征三通道的強度,在保證圖像特征的前提下,壓縮數據量到原來數據量的1/3。轉化公式如式(1)所示。對玉米植株彩色圖像進行灰度化處理[8],玉米植株圖像完整,輪廓清晰,如圖2所示。

I=0.229R+0.578G+0.114B

(1)

圖2 圖像灰度化

2.2 圖像分割與降噪

研究玉米植株的形態重點在于植株的輪廓及輪廓中心線的走向,因此對灰度圖像進行進一步化簡,只包含植株和背景兩部分,植株所在位置像素強度賦值255,背景強度賦值為0。現需確定植株部分判定標準,即閾值T:像素強度大于T,認為該像素為植株部分;像素強度小于T,認為該像素為背景,從而實現圖像分割。求解閾值T過程如下:

1)閾值初始化如式(2)所示。其中,Imax為圖像中最強灰度值;Imin為圖像中最弱灰度值。通常認為,I>Tk的像素點為植株,I

(2)

2)計算步驟1)中植株像素點的平均灰度Iok和背景像素點的平均灰度Ibk,即

(3)

3)迭代計算Tk+1如式(4)所示。當Tk+1=Tk時,迭代結束,Tk即為所求的閾值,像素灰度值大于Tk為植株部分,賦值255;像素灰度值小于Tk為植株部分,賦值0。圖像處理結果如圖3(a)所示。

(4)

分析圖3(a)可知:在局部區域存在孤立的亮點,如植株左側最下方葉子上部和葉子上邊也存在小部分的黑色孤立區域,形成椒鹽型噪聲;同時,葉子上同樣存在黑點云集部分,對于葉子輪廓圖像產生影響。

為解決以上噪聲,在中值濾波[9]的基礎上提出如下降噪方法:①計算像素點P(i,j)周圍8個像素點的平均強度Iv;②當|Ip-Iv|>127.5時,Ip翻轉;③當|Ip-Iv|≤127.5時,Ip不變。經過濾波降噪后,對整個圖像求反,得到玉米植株的二值形貌圖,如圖3(b)所示。

圖3 植株圖像分割與降噪

2.3 植株圖像細化

植物學研究表明:玉米植株高度、植株寬度及植株節數可以有效表征植物的生長狀況,因此要從圖像中提取上述有效信息。提取思路為將圖像輪廓一層層剝離,最終只剩下骨架,可以有效地表征上述3點。采用圖像處理方法為圖像細化,為了保證提取信息的有效性,細化算法應滿足以下幾點:①能改變圖像的連接性能;②不提取骨架后葉子的走向和莖的形狀不能改變;③葉子和莖的連接處不能發生畸形。為此,選用Hilditch 細化算法[10],即判定P是否為骨架上點,如果不是將其像素設置為空白,原理如圖4所示。

圖4 圖像細化原理

(5)

圖像掃描過程為從左向右、從上向下依次進行。當迭代計算完成后,P點滿足上述5條件,將P點刪除,即B(p)=0;當某個迭代周期中沒有點滿足上述5條件時,迭代結束,圖像細化完成,結果如圖5所示。

圖5 植株細化

定義植株高度為H,植株最大寬度為W,葉片與植株莖的交匯處個數為植株節數。

3 植株生長參數分析

植物形態學分析表明:植物的株高H、植株寬度W和植株節結數N可以反映植株的生長狀況。植株高度對于植物生長具有重要意義,植物過高會造成土壤養分到葉片進行光合作用的轉移距離加大,影響光合作用效率,不利于果實坐果與生長,且防風性能變差,容易倒伏;植株高度過低,其他植物會對其造成遮擋,影響植物光照強度,光合作用下降,且氣體流動性降低,CO2的獲取量下降,會直接影響光合作用效率[11]。植物寬度體現了葉子的伸張程度,寬度越大,植物的伸張程度越好;葉子接收陽光進行光合作用的效果越好。植物節數體現了葉子數量,同時與根系發育相關,莖節密集根系越發大,同時植物的抗倒伏能力越大。因此,選定植株高度為H、植株最大寬度為W和植株節數作為表征玉米植株生產狀態的參量,采用本系統對同一玉米植株進行27天觀察,3個參數隨時間的變化如圖6所示。

圖6 玉米植株生長參數變化趨勢

植株高度在27天內生長速率均勻,在第6天和第16天時是兩個生長高峰,如圖6(c)所示;植株寬度總體上呈現慢后快,只是由于前期葉子小,光合作用規模受限制,當中后期時葉子數量和大小均不再制約光合作用,體現出加速變大的效果,如圖6(b)所示;植物節結數N表現為離散型增長,同時體現出先慢后快的狀態,且最為明顯;只是由于前期光合作用弱,節結生長受到限制,后期葉片光合作用加強,同時植物高度變大,造成莖中的有效養分與水分運輸作用加劇,結節處相應得到的養分變多,結節數量和質量均在發育,如圖6(a)所示。

4 玉米生長模型

由圖6可知:植株高度總體上隨時間成線性分布;植株寬度和節結數雖然上呈現慢后快,總體上與時間成線性分布。以玉米果實的質量m作為衡量玉米生長的標準,引入玉米生長模型形式為

m=aH+bW+cN+k

(6)

對60組樣本進行分析,采用逐步回歸分析法,求解該模型,步驟如下:

1)對植株高H、植株寬W和節結數N分別和質量m進行擬合, 則

m=Xiβi+ε,i=H,W,N.

(7)

(8)

(9)

3)重復步驟2),每次引入一個變量,直到3個變量全部引入完成。采用植株高H、植株寬W和節結數N,建立的玉米果實質量m模型,即

m=0.7568H+0.3254W+0.4012N+30.2356

(10)

5 結論

為了有效預計玉米產量,基于圖像識別技術,設計了玉米植株生長模型系統。工作時,CCD攝像機采集玉米植株圖像,進行灰度處理;然后進行圖像二值化分割,出現椒鹽狀噪聲,采用中值濾波改進方法進行處理;最后,采用Hilditch 細化算法,得到玉米植株骨架圖。采用本系統對同一玉米植株進行27天觀察,發現植株高度H、寬度W和節結個數N總體上與時間均呈線性分布。建立玉米生長模型,以植株高度H、寬度W和節結個數N作為自變量,以植株玉米果實質量作為應變量,建立關系式為:m=0.7568H+0.3254W+0.4012N+30.2356。結果表明:植株高度H權重相對較高,寬度W和結節數N對于果實的權重相對較低。