基于圖像處理的水稻秧苗生長狀態監測

范位龍，董志茹，金家銘，代奇緣，賀春梅，崔 明

（江蘇農林職業技術學院，江蘇 鎮江 212400）

0 引言

隨著物聯網技術與農業生產的結合，水稻育秧技術逐漸向工廠化和智能化方向發展，其中封閉式溫控箱因受外界因素影響較小成為育秧栽培的首選模式。水稻秧苗的生長環境控制需要依賴秧苗的實際生長狀態參數，否則會出現調控不及時造成秧苗生長異常等情況。秧苗生長狀態的傳統監測方法靠人工完成，人力成本較高，且人眼的評價標準無法量化，不同人作出的標準也不同，因此秧苗狀態監測的標準化和自動化監測有利于推動水稻育秧技術的工廠化和智能化發展。

隨著圖像處理技術的快速發展，當前農作物生長信息監測逐漸向信息化、智能化方向轉變[1]。陳信新[2]針對秧苗發育形態進行研究，提出了一種協方差聚類算法結合Hough變換的圖像分割方法，形態指標參數準確率為87.5%。曾勇[3]提出了一種基于傅里葉變換的形態學處理方法，獲取秧苗的葉輪廓，在此基礎上采用改進后的逆投影法實現了水稻苗列位置定位。遲德霞[4]針對大田里的水稻秧苗圖像分割方法進行研究，提出了一種基于超綠顏色因子灰度圖像的最大類間方差法的圖像分割方法，實現了大田水稻秧苗的有效分割。

雖然當前對農作物的生長信息監測已經取得了一定的成果，但針對水稻秧苗育秧環境下的狀態監測方面的研究仍較少，亟需進一步的研究。本文針對秧苗的生長狀態進行研究，采用圖像處理方法，通過對秧苗葉片圖像分割，獲取秧苗的生長狀態參數，實現秧苗的狀態監測。

1 系統構成

針對水稻秧苗育秧生長環境特點，水稻秧苗生長狀態監測系統主要包括攝像頭、處理器等設備，檢測系統在溫室燈光環境下完成數據采集。水稻秧苗狀態監測系統能夠獲取正常生長環境下的秧苗圖像，并進行秧苗狀態的自主分析，實現秧苗生長狀態的判別。

（1）育秧溫室。育秧溫室的環境直接影響了秧苗的生長狀態，這里育秧溫室采用物聯網系統進行控制，控制溫度為28℃±2℃。除了溫度外，日施水量也會影響秧苗的生長狀態，這里根據秧苗種植密度，控制日施水量為450g，采用有機基質進行培育。

（2）攝像頭。攝像頭是圖像采集的核心硬件，攝像頭的選擇要綜合考慮檢測精度和視野范圍。

（3）處理器。處理器對攝像頭采集到的圖像數據進行圖像算法處理分析，并輸出分析結果。

2 圖像檢測算法

圖像檢測算法是秧苗狀態檢測系統的核心，主要包括圖像采集和圖像處理。

2.1 圖像采集及預處理

圖像采集是通過感光元件獲取目標信息并傳輸到處理器的過程，圖像采集后需要預處理去除噪聲以提高圖像的采集質量[5]。經實驗對比發現高斯濾波在去除噪聲信號的同時，可以更好的保存目標信息，在采集到的秧苗圖像中，除了苗盤目標區域外，還有背景區域。在苗盤與相機位置固定的條件下，圖像中的背景區域也是固定的，為了提高圖像處理速度，同時降低背景區域對于目標檢測的干擾，這里對苗盤區域圖像設置圖像感興趣區域（ROI），如圖1所示，紅色矩形區域為圖像感興趣區域。

圖1 圖像感興趣區域

2.2 顏色空間圖像提取

不同的顏色空間模型能夠體現圖像的不同顏色特征，在實際的圖像處理過程不同顏色空間模型環境下的目標與背景對比度不同。通過對比不同顏色空間分量圖像結果，發現HIS特征空間中的I顏色空間分量圖像的葉片分割效果最好，圖像分割效果如圖2所示。

圖2 I空間分量圖像

2.3 圖像分割

常用的圖像閾值分割方法有全局閾值法和局部閾值法，這里選擇全局自動閾值法?？紤]到秧苗在生長過程中的圖像變化較大，特別是育秧初期圖像與后期圖像差距較大，采用自動閾值方法會影響對于目標閾值的判斷。考慮到育秧溫室的燈光環境比較穩定，圖像采集亮度保持一致，因此針對秧苗圖像特點這里采用手動閾值法，經過測試，閾值設置為30最為合適，秧苗I空間分量圖像分割效果如圖3所示。

圖3 圖像分割結果

2.4 量化分析

經過圖像分割，已經獲取到了秧苗葉片目標區域，下一步對秧苗目標區域進行分析。經過圖像分割的圖像包含了目標區域和噪聲，即其中Zi表示第i個連通區域。根據連通區域的常用定義規則，這里將像素灰度值相同，且滿足8鄰接的區域判定為同一連通區域?？紤]到秧苗的重疊情況較為復雜，這里不對秧苗重疊情況進行分析。通過計算連通區域面積可以獲取葉片的二維平面覆蓋率，并根據秧苗葉片覆蓋率判斷秧苗的生長狀態，計算方式如式（1）所示。

式中，M和N分別為圖像ROI區域的高和寬；X為連通區域面積。

3 結果分析

為了驗證算法的實現效果，本文基于上述算法開發了水稻秧苗狀態監測系統，軟件界面如圖4所示。通過監測系統軟件可以實時顯示秧苗采集圖像與圖像分割結果圖像，并能夠設置圖像算法參數，實現秧苗生長狀態的動態監測和葉片覆蓋率自動分析，同時能夠實現數據和圖像的保存分析。

圖4 水稻秧苗狀態監測系統

為了驗證算法的實現效果，這里選用野香優2號秧苗種子進行培育實驗，為了提高秧苗覆蓋率的變化對比度，分別獲取秧苗種下后2、4、8、10、12、14、16天的圖像進行秧苗葉片覆蓋率計算，為了提高秧苗覆蓋率的計算準確率，每天采集秧苗的五張圖像，進行平均葉片覆蓋率的計算，計算秧苗葉片覆蓋率變化趨勢結果如圖5所示。

圖5 秧苗葉片覆蓋率變化趨勢

由圖5可以看出，秧苗葉片覆蓋率隨時間逐漸增加，且秧苗覆蓋率在6天前的變化率較大，6天后的變化率較小，即秧苗葉片覆蓋率的變化曲線為非線性曲線。經過分析，前期秧苗覆蓋率變化較大；在秧苗生長后期葉片存在遮擋和重疊，時間越長，重疊越嚴重，導致葉片覆蓋率變化不明顯，這也符合秧苗的正常生長情況。

4 結束語

本文針對秧苗生長狀態進行圖像分析，采用圖像處理技術，在對圖像顏色I空間特征提取的基礎上進行閾值分割，通過連通區域面積計算獲取秧苗葉片覆蓋率，并開發了秧苗生長狀態監測系統。實驗結果表明，文中方法能夠實現秧苗葉片區域分割，并能夠準確檢測秧苗覆蓋率的變化趨勢，可以應用于秧苗的狀態監測中。