基于计算机视觉的植物生长检测系统的制作方法

本发明涉及一种通过计算机视觉研究技术来对植株的生长状况进行判断的系统。

背景技术：

目前，中国作为全球最大的发展中国家又是一个以农业生产输出排在世界前列的国家，农业生产水平、农作物产量的提升越来越受到国家的重视，因此植物生长诊断技术逐渐成为一项重要的实时诊断技术。

传统的植物生长诊断主要靠人力来进行目测。这种方法需要耗费大量的人力来完成，且需要较多的经验知识，只能定性分析，分析结果时效性较差，准确性较低。近年来，涌现了许许多多基于各类传感器的诊断技术。基础的传感器例如湿度传感器、光照传感器等敏感度不高。而高精度传感器例如叶绿素仪、微量元素传感器价格又非常昂贵，且上述两种传感器均需要和叶片或土壤紧密接触，大范围测定费时费力费财。

技术实现要素：

本发明的目的是：通过计算机视觉研究技术来对植株的生长状况进行判断。

为了达到上述目的，本发明的技术方案是提供了一种基于计算机视觉的植物生长检测系统，其特征在于，包括：

openmv3camm-ov7725智能图像处理颜色识别传感器，用于采集植物图像；

由图像处理单元对植物图像进行处理，包括以下步骤：

步骤1、利用外接矩形分割法得到的植物图像中存在部分灰色的背景区域，随后利用主动轮廓模型分割出有效的植物图像叶片区域，然后提取叶片区域的颜色直方图特征作为识别对象；

步骤2、基于rgb颜色图像处理的图像参数指标分析步骤1得到的颜色直方图特征：

选取色彩参数指标g/(r+g+b)、b/(r+g+b)、r/(r+g+b)、g/b、r/b、g/r、b/l、g/l与施肥量、植物氮营养指标叶片spad值、植株硝酸盐浓度和全氮含量、土壤0～90cm硝态氮含量进行相关性分析。

优选地，所述利用主动轮廓模型分割出有效的植物图像叶片区域包括以下步骤：

1)初始化图像分割掩膜

采用自外而内的方式演化分割曲线，首先计算出待分割图像的高度和宽度，然后将分割掩膜初始化为一个略小于待分割图像的白色矩形区域；

2)演化分割曲线

设置分割平滑权系数α＝0.01、最大迭代次数为1000次，调用主动轮廓分割算法进行分割掩膜曲线的迭代演化，直到分割掩膜不再发生变化；

3)分割叶片区域

根据最终演化的分割掩膜，将原始叶片图像的r、g、b分量中对应位置的像素分别复制到新的分割图像中，生成新的叶片区域图像。

本发明采用计算机视觉技术获得实时新图像，结合数字图像处理，图像分析，模式识别及rgb颜色检测，主动轮廓模型等方法构建诊断模型，通过对植株形状、叶形结构、叶脉形态特征及叶片颜色来进行识别和诊断，判断植株中氮元素含量情况。

附图说明

图1为本实施例中的图像分割示意图；

图2为不同施氮处理下夏玉米6叶期冠层图像的标准化蓝色值[b/(r+g+b)]。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

氮元素作为植物最为重要的元素，植物缺氮会导致各种各样严重的问题，而植物缺乏氮元素程度不同，其叶片会呈现不同的颜色，形态。因此，本发明以植物是否缺氮元素为目的进行分析，既具有代表性，又容易观察处理图像。本发明以玉米叶片为例，对其叶片进行分析与研究。

本发明提供的一种基于计算机视觉的植物生长检测系统使用openmv3camm-ov7725智能图像处理颜色识别传感器对图像进行采集，通过数字图象处理，数字图像直方图，神经网络优化算法经过计算机处理后显示相应数据，来判断植物中氮元素含量情况，具体包括以下步骤：

步骤1、基于主动轮廓模型的植物叶片区域分割

利用外接矩形分割法得到的油菜图像中存在部分灰色的背景区域，如果直接进行颜色特征提取，不能准确表征植物叶片图像颜色的真实分布。因此，将有效的植物叶片区域分割出来作为分类识别的对象，以尽量减小背景区域对特征提取产生负面影响，影响分类效果。鉴于此，本项目首先使用chan等提出的主动轮廓模型分割出有效的植物图像叶片区域，然后提取叶片区域的颜色直方图特征作为识别对象。基于主动轮廓模型的植物叶片区域分割步骤如下：

1)初始化图像分割掩膜。为尽量分割出完整的叶片区域，本项目采用自外而内的方式演化分割曲线。首先计算出待分割图像的高度和宽度，然后将分割掩膜初始化为一个略小于待分割图像的白色矩形区域。

2)演化分割曲线。设置分割平滑权系数α＝0.01，最大迭代次数为1,000次，调用主动轮廓分割算法进行分割掩膜曲线的迭代演化，直到分割掩膜不再发生变化。

3)分割叶片区域。根据最终演化的分割掩膜，将原始叶片图像的r、g、b分量中对应位置的像素分别复制到新的分割图像中，生成新的叶片区域图像。

如图1所示，是采用主动轮廓模型分割出的植物叶片图像样本。可以看出，使用自外而内的方式演化分割曲线，能有效分割出植物叶片区域。使用主动轮廓图像分割方法获取去除背景后的叶片图像，有利于比较准确地提取反映缺素类型的颜色特征，尽量减少背景区域对缺素特征的负面影响，以提高后续分类识别的精度。

步骤2、基于rgb颜色图像处理的图像参数指标分析

选取色彩参数指标g/(r+g+b)、b/(r+g+b)、r/(r+g+b)、g/b、r/b、g/r、b/l、g/l与施肥量、夏玉米氮营养指标叶片spad值、植株硝酸盐浓度和全氮含量、土壤0～90cm硝态氮含量进行相关性分析。

从表1可知,夏玉米6叶期g/(r+g+b)、r/(r+g+b)、g/b、r/b与施氮量均呈极显著线性负相关,而b/(r+g+b)、b/l与施氮量呈极显著线性正相关,g/r、g/l与施氮量相关性较差。g/(r+g+b)、r/(r+g+b)、g/b、r/b与spad值均呈极显著负相关,而b/(r+g+b)、b/l与spad值呈极显著正相关，g/r、g/l与spad值相关性较差。g/(r+g+b)、g/b、r/b值与植株硝酸盐浓度、植株全氮含量呈极显著线性负相关，b/(r+g+b)、b/l与植株硝酸盐浓度、植株全氮含量呈极显著线性正相关；r/(r+g+b)与植株全氮含量呈显著线性负相关，与植株硝酸盐浓度无显著相关性；g/r、g/l与植株硝酸盐浓度和全氮含量的相关性不显著。b/(r+g+b)、b/l与土壤0～90cm硝态氮含量呈极显著线性正相关,g/b、r/(r+g+b)、b/l与土壤0～90cm硝态氮含量呈极显著线性负相关；而g/(r+g+b)与土壤0～90cm硝态氮含量的相关性不显著，但随土壤0～90cm硝态氮含量升高呈下降趋势；g/r、g/l与土壤0～90cm硝态氮含量相关性较差。

表1夏玉米冠层图像色彩参数指标与施氮量、夏玉米氮素营养指标的关系

*和**分别表示p<0.05和p<0.01水平显著相关

从表1可以看到,与6叶期相比,夏玉米10叶期冠层色彩参数指标与施肥量、spad值、植株硝酸盐浓度、植株全氮含量、土壤0～90cm硝态氮含量的关系相关性较差。10叶期冠层色彩参数与施肥量间只有r/(r+g+b)、r/b达极显著相关，其他指标均未达显著水平；与spad值之间只有r/b达极显著相关，b/(r+g+b)、r/(r+g+b)、b/l达显著相关，其他指标均不存在显著相关；与植株硝酸盐浓度之间只有r/(r+g+b)达到极显著相关，g/r达到显著相关；与植株全氮含量之间r/b达极显著相关，b/(r+g+b)、r/(r+g+b)、b/l为显著相关；与土壤0～90cm硝态氮含量之间r/(r+g+b)、g/l、g/r达极显著相关，g/(r+g+b)达显著相关。综上所述，只有色彩参数r/(r+g+b)与施肥量、spad值、植株硝酸盐浓度、植株全氮含量、土壤0～90cm硝态氮含量均显著相关,可作为夏玉米10叶期的诊断指标。

上述分析表明，应用数字图像技术进行夏玉米氮素营养诊断是可行的，且6叶期冠层图像色彩参数与营养参数间的相关性明显高于10叶期，可作为应用数字图像技术进行氮素营养诊断的关键时期。蓝光标准化值[b/(r+g+b)]是进行夏玉米氮素营养诊断的最佳冠层图像色彩参数指标。

步骤3、玉米氮素营养诊断与推荐施肥

所选取的8个色彩参数指标中，b/(r+g+b)与各营养参数间均呈极显著线性正相关，是应用数字图像技术进行夏玉米氮素营养诊断的最佳色彩参数指标之一。不同施氮处理下夏玉米冠层6叶期的b/(r+g+b)见图2。

过量施氮[>300kg(n)·hm-2]下b/(r+g+b)大于0.24，明显高于适宜施氮[150～200kg(n)·hm-2]和氮素不足[施氮量0～100kg(n)·hm-2]处理。供氮不足处理b/(r+g+b)明显低于适宜施氮处理。不同施氮处理下b/(r+g+b)分布范围如表2所示。根据各处理b/(r+g+b)的分布情况，建议氮素供应过量情况下的b/(r+g+b)临界值为0.240,，大于此值即表示夏玉米处于供氮过量状态；当b/(r+g+b)<0.200时，认为夏玉米供氮严重不足；b/(r+g+b)在0.201～0.218之间时，认为夏玉米供氮不足；而b/(r+g+b)在0.219～0.239之间时，则认为夏玉米前期的生长正常，供氮量能满足夏玉米正常生长。

表2不同施氮处理条件下夏玉米蓝光值分布及氮素营养诊断

根据夏玉米6叶期硝态氮含量,建立了推荐施肥方程:y＝701.94-2176.8x,x为b/(r+g+b)值,y为每公顷需氮量。根据此方程可对夏玉米6叶期进行推荐施肥。