基于物聯網的農作物生長視覺監控平臺

摘 要：農作物圖像是農作物長勢監測的重要數據來源。基于Vue+SpringBoot框架，設計并開發了一個農作物生長視覺監控平臺。針對采集的農作物圖像數據量大、存儲成本高的問題，深入研究了農作物圖像中感興趣區域的壓縮技術。首先利用ExG算法增強農作物區域，再通過K-means聚類算法對圖像區域進行分割。在此基礎上，創新性地提出了一種結合超像素和聚類技術的農作物圖像壓縮方法。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。實驗結果表明，所提出的方法在農作物圖像壓縮方面展現出了顯著的優勢和卓越的性能，在有效降低存儲成本的同時，還能夠確保圖像的質量，為農作物生長視覺監控平臺的高效運行提供了有力支持。

關鍵詞：物聯網；圖像壓縮；農作物圖像；視覺監控；ExG算法；SLIC算法；K-means聚類算法

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

0 引 言

農作物圖像作為農作物長勢監測的重要數據來源，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，對于長勢監測[1-3]、病蟲害識別[4-6]、果實檢測[7-11]等任務至關重要。然而，圖像數據在存儲和傳輸的過程中需要占用大量的存儲空間和信道帶寬，特別是在農作物生長視覺監控平臺中，現場采集的圖像數據龐大，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]。

圖像壓縮技術主要分為有損壓縮和無損壓縮兩類。在農業圖像信息傳輸方面，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，還能有效減少數據存儲空間和流量。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。在有損壓縮領域，基于超像素的方法提供了一種形狀自適應的壓縮方式，能夠通過直接減少圖像中的顏色數量，有效地壓縮圖像[20-21]。文獻[22]采用K-means聚類和SLIC算法對農作物圖像進行壓縮。文獻[23]提出了凸超像素算法，實現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域進行壓縮，既保留了圖像特征信息，又降低了數據總量與計算時間。

本文基于物聯網技術，設計并開發了農作物生長視覺監控平臺，實現對農作物圖像數據的實時檢測、傳輸和壓縮存儲等。在此基礎上，對農作物圖像中感興趣區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作物區域壓縮方法。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，通過對比不同參數下的壓縮效果，充分驗證了本文方法的優越性能。

1 系統架構設計

本文基于Vue+SpringBoot框架，設計并開發了一個農作物生長視覺監控平臺。該平臺的整體結構分為三層：感知層、網絡層和應用層，架構體系如圖1所示。感知層為監控攝像頭，用于捕捉農作物的生長情況。在感知層和網絡層之間，調用螢石云平臺接口獲取視頻流信息，實現可靠的遠程視覺監控。通過網絡層的數據處理中心，將農作物圖像數據進行截取、壓縮，隨后存儲至數據庫中。在應用層，設計了控制中心、視頻中心和設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，查看歷史農作物圖像，并通過設置功能來管理系統的攝像頭設備和用戶的信息。

Vue前端負責調用螢石云的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控設備，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方式從后端獲取數據。后端調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，并設置初始化實例參數。調用接口函數capturePicture、capturePictureCallBack實現截圖及回調功能。在視頻中心模塊的監控設備管理頁面，用戶可以添加或修改監控位置、螢石云調用驗證碼、視頻地址、備注等監控設備信息。完成監控設備信息的注冊后，用戶便能實時查看當前監控位置的農作物生長情況，還能查看采集到的農作物圖像。

2 農作物圖像區域分割算法設計

對農作物圖像進行分割，將圖像中出現的不同像素分割成兩類：農作物背景和土壤背景。在對圖像進行聚類分割之前，本文利用農作物圖像處理中常用的顏色因子方法進行圖像增強預處理，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）

用于農作物圖像分割的輸入圖像來自波恩大學發布的甜菜與雜草圖片數據集[25]。圖3（a）為數據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則的無監督機器學習方法。該算法能夠通過迭代搜索，將樣本數據分成不同的種類，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）設置聚類個數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）重復迭代，直到達到某個中止條件，得到最終的聚類結果。

對K-means參數進行設置，設置聚類數目為2、迭代次數為3。圖4所示為通過圖像分割得到的農作物區域，圖像其余部分被視為背景區域。

3 農作物圖像區域壓縮算法設計

圖像壓縮的主要目標在于降低圖像數據的不相關性和冗余性，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量即可達到去除冗余信息、減少數據存儲量的效果。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，減小顏色空間的數據規模，有效地壓縮圖像的大小。在超像素算法中，SLIC算法能夠將原始像素重新劃分為數量更少的超像素，在超像素區域內以相似特征像素的平均顏色作為新的超像素的顏色（質心顏色）。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，但對于感興趣區域（綠色植被），會損失更多的紋理、輪廓等細節信息。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信息。因此，在獲取農作物區域和背景區域位置信息的基礎上，本文對農作物區域及背景區域進行分區壓縮，在設置好聚類數量、超像素數量后分別進行K-means壓縮和SLIC壓縮，將壓縮后的區域合并為完整的農業圖像，算法具體流程如圖5所示。

4 算法實驗

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

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，還針對農作物區域較好地保留了紋理、邊緣等細節信息，更加符合農作物圖像感興趣區域的壓縮需求。

為了進一步評價圖像壓縮質量，引入圖像客觀評價指標。圖像壓縮質量的客觀評價指標一般分為兩類。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據量與壓縮后圖像數據量之比。第二類則針對壓縮后的圖像質量，主要包括峰值信噪比（PSNR）、結構相似度（SSIM）等。

峰值信噪比（PSNR）表示圖片有效信息與失真的比值。其數值越高表示壓縮后的圖像信息失真越少，圖像質量越好。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。

結構相似性（SSIM）是用以衡量壓縮前后圖像結構相似程度的指標，其數值一般在0到1之間，數值越大說明兩幅圖像結構相似度越高，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表示原圖像灰度標準差；σxy表示原圖像和壓縮后圖像灰度協方差；c1、c2表示維持穩定的權重系數，其中c1=（0.01L）2、c2= （0.03L）2。

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

實驗結果表明，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于K-means方法，運行時間少于DCT分區壓縮方法，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量方面優于DCT分區壓縮方法。本文方法通過對背景區域進行高比例壓縮，有效減小了圖像存儲量，同時保留了高質量的農作物區域信息，從而滿足了農業圖像的實際應用需求。

5 結 語

本文基于Vue+SpringBoot框架，設計并開發了一個農作物生長視覺監控平臺。該平臺通過螢石云平臺接口，實現了農作物圖像數據的實時獲取。為了降低圖像存儲成本，本文對農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，將圖像中的農作物區域和背景區域進行分割。然后，利用SLIC算法對背景區域進行壓縮，采用K-means聚類算法對農作物區域進行壓縮。通過對比試驗，從主觀和客觀指標兩個方面，全面驗證本文壓縮方法的有效性和實用性。實驗結果表明，本文方法在農作物區域壓縮方面展現出了顯著的優勢和卓越的性能，能夠有效降低存儲成本，確保圖像質量，為農作物生長視覺監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.基于卷積神經網絡的農作物生長識別監測系統[D].南京：南京信息工程大學，2020.

[2]田東哲.基于圖像技術的農作物生長狀態識別算法研究[D].鄭州：鄭州大學，2018.

[3]趙欣欣，陳煥軒，韓迎春，等.數字圖像監測作物生長特征的研究進展[J].中國農學通報，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].中國農機化學報，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].山東農業大學學報（自然科學版），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設計與應用實踐[J].中國植保導刊，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的設計[J].湖南農業大學學報（自然科學版），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識別與定位方法研究綜述[J].儀器儀表學報，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，2021.

[10]黃小玉，李光林，馬馳，等.基于改進判別區域特征融合算法的近色背景綠色桃子識別[J].農業工程學報，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監測方法研究[D].西安：西安理工大學，2020.

[12]劉國江.基于卷積神經網絡的農業圖像壓縮[D].雅安：四川農業大學，2020.

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

[14]侯宇軒，邸奕寧，任重，等.醫學圖像數據壓縮中的機器學習方法[J].計算機輔助設計與圖形學學報，2021，33（8）：1151-1159.

[15]鄭妍.基于云計算的數字建模展示平臺研究與應用[D].太原：中北大學，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：內蒙古農業大學，2019.

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

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

[19]孫一惟.基于小波變換和DCT的圖像壓縮系統設計與實現[D].長春：吉林大學，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.規整性約束的圖像凸超像素生成研究[D].濟南：山東大學，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.