寧 川,趙慶展,韓 峰

(1.石河子大學(xué) 信息科學(xué)與技術(shù)學(xué)院,新疆 石河子 832000;2.新疆生產(chǎn)建設(shè)兵團空間信息工程技術(shù)研究中心,新疆 石河子 832000)

0 引言

近年來,我國人口持續(xù)增長,農(nóng)業(yè)耕地面積卻日益減少,加劇了農(nóng)產(chǎn)品需求與農(nóng)業(yè)生產(chǎn)力之間的矛盾。因此,在現(xiàn)有的耕地上如何獲得最大的產(chǎn)出,成為一個重要的研究課題。為了緩解這個矛盾,人們在原有的生產(chǎn)方式基礎(chǔ)上引入各種新型技術(shù),探索出更加高效的農(nóng)業(yè)生產(chǎn)模式。精準(zhǔn)農(nóng)業(yè)是新型農(nóng)業(yè)生產(chǎn)模式的一種,它從農(nóng)業(yè)可持續(xù)發(fā)展的基本點出發(fā),努力提高現(xiàn)有土地資源的利用率,使農(nóng)業(yè)生產(chǎn)資料得到更為合理的配置,從而優(yōu)化農(nóng)業(yè)生產(chǎn)環(huán)境[1]。

精準(zhǔn)農(nóng)業(yè)實施的前提是實時準(zhǔn)確地獲得作物生長信息和環(huán)境信息,經(jīng)過分析診斷后精確調(diào)控各種環(huán)境因素,促進農(nóng)業(yè)物資合理利用并實現(xiàn)高產(chǎn)[2]。在現(xiàn)代農(nóng)業(yè)體系中,作物生長的環(huán)境信息可以通過物聯(lián)網(wǎng)和無線傳感網(wǎng)絡(luò)獲取,采集的難度不大。崔世鋼等在Android系統(tǒng)中設(shè)計了一個植物生長柜的監(jiān)控程序,可以對多種環(huán)境因子進行監(jiān)測和控制[3]。施連敏等利用無線傳感網(wǎng)絡(luò)構(gòu)建了蔬菜生長環(huán)境的監(jiān)測系統(tǒng),還具有環(huán)境信息顯示和存儲功能,可以作為智能決策和控制的技術(shù)支撐[4]。

與環(huán)境條件相比,作物的生長狀態(tài)信息種類繁多,且相互之間關(guān)聯(lián)復(fù)雜,對采集方式的要求更高。在各種生長信息中,作物長勢相關(guān)參數(shù)是研究的重點。作物的長勢包括外部性狀和內(nèi)部性狀,外部性狀是植株的大小、形狀和顏色等,可以直接觀察的外觀特征,是作物健康狀況的直觀反映和產(chǎn)量預(yù)測的基礎(chǔ);內(nèi)部性狀包括各種生理代謝狀況和生理生化指標(biāo),是外部性狀形成的原因。劉業(yè)亮和賈彪分別基于ZigBee無線傳感器網(wǎng)絡(luò)和“互聯(lián)網(wǎng)+”技術(shù)建立蔬菜和玉米的遠程監(jiān)控平臺,可以采集作物的生長態(tài)勢,為診斷決策提供依據(jù)[5-6]。目前已有無線傳感器和多維圖像等多種先進技術(shù)應(yīng)用到了作物長勢監(jiān)控系統(tǒng)中,覆蓋了玉米和小麥等作物[7-9]。

大部分的作物長勢監(jiān)控系統(tǒng)是依托設(shè)施農(nóng)業(yè)建設(shè)的,安裝在特定的位置,檢測固定區(qū)域內(nèi)的作物生長。這些系統(tǒng)的穩(wěn)定性好,檢測的性狀種類較多,但受到覆蓋范圍的限制,無法進行大規(guī)模的作物長勢調(diào)查。無人機的全稱是無人駕駛航空飛行器,在20世紀初誕生,發(fā)展至今已經(jīng)形成了具有多種型號和功能的家族。無人機的飛行速度快,機動靈活性強,非常適合作為作物信息采集的平臺?；跓o人機的作物信息采集方法能夠適應(yīng)農(nóng)田的復(fù)雜環(huán)境,在作業(yè)效率和成本上也有著明顯的優(yōu)勢,是農(nóng)田作物信息采集的重要手段。王妮利用無人機和多光譜傳感器提取不同種植條件下的小麥冠層反射率,構(gòu)建了小麥的長勢監(jiān)測和產(chǎn)量預(yù)測模型[10]。周祥利用無人機搭載的多種相機拍攝水稻不同時期的影像,通過光譜和紋理等特征分析植被指數(shù)與葉面積指數(shù)和產(chǎn)量之間的關(guān)系,構(gòu)建了水稻產(chǎn)量的預(yù)測模型[11]。裴浩杰等利用無人機拍攝冬小麥的高光譜影像,分析了各種內(nèi)部和外部性狀以評價作物長勢,篩選到多個能夠準(zhǔn)確反映綜合生長指標(biāo)的光譜參數(shù)[12]。隨著無人機技術(shù)的不斷提升,其在農(nóng)業(yè)領(lǐng)域的應(yīng)用也將日益廣泛。

無人機所搭載的傳感器有多種類型,包括數(shù)碼相機、紅外成像儀、光譜相機和激光雷達等。這些設(shè)備針對的作物性狀不同,采集的精度也存在差異,有各自的適用范圍[13]。數(shù)碼相機拍照是無人機作物長勢調(diào)查的最普遍方式,圖像的后續(xù)處理依賴于機器視覺分析。機器視覺以計算機代替人類的視覺,分析拍攝的圖像并從中提取目標(biāo)信息,得到有價值的結(jié)果。在農(nóng)業(yè)領(lǐng)域,對作物生長信息的采集是機器視覺的應(yīng)用內(nèi)容之一,在多種作物的長勢監(jiān)控上取得了良好的效果[14-16]。

油菜是我國重要的經(jīng)濟作物之一,分布范圍廣,種植面積大。在部分地區(qū),大規(guī)模種植的油菜不僅是油料的主要來源,春季盛開的油菜花還可以作為景觀帶動旅游產(chǎn)業(yè)的發(fā)展。因此,加強對油菜長勢的調(diào)查研究,有利于推動種植區(qū)域的經(jīng)濟發(fā)展。本文提出了基于機器視覺的油菜長勢調(diào)查方法,利用無人機搭載數(shù)碼相機進行航拍,通過機器視覺提取油菜圖像中的特征參數(shù),然后分析特征參數(shù)與生物量之間的相關(guān)性,評價油菜的長勢,為準(zhǔn)確預(yù)測產(chǎn)量提供依據(jù)。

1 硬件設(shè)備

油菜的長勢調(diào)查設(shè)備包括無人機和機器視覺設(shè)備。無人機平臺采用大疆精靈的Phantom4型智能無人機,飛行時間最長可達30min,定位采用GPS/GLONASS兩種模式。無人機的無線通訊為WIFI形式,傳輸?shù)乃俣瓤蛇_Class10,最遠距離為7km。無線通訊裝置以PID控制方法和通訊接口將數(shù)據(jù)傳送回地面站,具有很好的實時性。飛行控制裝置為方向舵、副翼舵和升降舵,通過舵面的偏轉(zhuǎn)調(diào)整無人機飛行方向和姿態(tài),從而對航線進行控制,并賦予無人機紅外避障的能力。地面站安裝大疆DJIGS Pro專業(yè)版軟件,可以規(guī)劃無人機的飛行路線,實時控制飛行速度、高度和姿態(tài),以及啟動相機拍攝。

機器視覺的關(guān)鍵設(shè)備是尼康COOLPIX P60型數(shù)碼相機,安裝在無人機的下方,豎直向下拍攝。相機產(chǎn)生JPEG格式的圖像,寬度和高度上的像素分別為3 264和2 448點,經(jīng)過天創(chuàng)UB570型圖像采集卡轉(zhuǎn)換為數(shù)字信號后用于視覺分析處理。核心計算機安裝在地面站,選用聯(lián)想揚天M4700型臺式電腦。計算機的主要配置為Intel i6中央處理器和10GB的DDR4內(nèi)存,具有較好的運行速度和穩(wěn)定性。計算機安裝Windows10操作系統(tǒng)和MatLab工具箱,用于進行圖像視覺分析和處理結(jié)果的存儲。

2 圖像處理

拍攝圖像時無人機處于飛行的狀態(tài),因此相機與油菜田之間存在相對運動。另外,拍攝的瞬間相機在垂直高度上可能也有變化,或者拍攝角度出現(xiàn)微小的偏轉(zhuǎn),這些因素都會導(dǎo)致油菜圖像中含有噪音,影響成像質(zhì)量和后續(xù)分析的效果。針對這些問題,本文通過對圖像進行5×5的中值濾波平滑處理來消除噪音,得到油菜田的原始圖像,如圖1(a)所示。在拍攝的范圍內(nèi),相機正下方的位置與相機之間的距離最短,其它越遠的位置與相機之間的距離越長,不同位置上的物體在圖像中存在畸變。圖像的畸變會降低后續(xù)特征提取的準(zhǔn)確性,本文參考紀壽文等的方法矯正了圖像的畸變。原始圖像由壟溝和油菜組成,壟溝包括綠色的雜草和灰色的土壤。前人的研究表明：RGB顏色坐標(biāo)系統(tǒng)中的3個分量對目標(biāo)和土壤背景的分離效果較差,本文采用HSI顏色坐標(biāo)系統(tǒng)對圖像進行處理,同時克服了光照變化和植物陰影的影響。在HSI顏色空間下以H分量進行灰度化,得到的結(jié)果如圖1(b)所示。

圖像中的油菜處于蕾薹期和開花期,蕾薹期的油菜為綠色,始花期為綠色夾雜黃色,盛花期為黃色。這里以生物量作為反映油菜長勢的指標(biāo),從蕾薹期至盛花期生物量逐漸增大。因此,從圖像中提取與生育時期相關(guān)的特征參數(shù),便可以對油菜的長勢進行評價。圖像中的顏色種類較少,RGB色彩空間難以全面反映特征參數(shù)。HSI色彩空間中的3個分量分別為色調(diào)H、飽和度S和亮度I,不同生育時期油菜之間的色調(diào)H變化最大。因此,將H分量做最大類間方差分析后進行二值化處理,從直方圖中獲得最大閾值T1、T2和T3。閾值分割得到壟溝、蕾薹期油菜、始花期油菜和盛花期油菜的圖像區(qū)域,分別用黑色、深灰色、淺灰色和白色表示,如圖1(c)所示。

(a) 原始圖像 (b) 灰度化圖像 (c) 特征提取圖像圖1 圖像的機器視覺分析Fig.1 Analysis of computer-vision to picture

3 試驗結(jié)果與分析

2018年,對油菜長勢調(diào)查方法的效果進行試驗,試驗地點位于新疆維吾爾自治區(qū)石河子市南山新區(qū),地處天山北麓中段的洪水沖積平原,屬于溫帶大陸性氣候,日照充沛,降雨量較少。試驗區(qū)域的土壤為灰潮土,種植的油菜品種為新油2號,按照常規(guī)的方式栽培。在油菜從蕾薹期向開花期過渡時采集田間影像,采集時間為上午9：00-11：00,天氣多云無風(fēng),具有較好的能見度。無人機的飛行高度100m,速度5m/s。

采集田間影像進行機器視覺分析,同時在試驗區(qū)內(nèi)均勻選擇30個1m×1m的取樣點。收獲取樣點內(nèi)的油菜地上部分,烘干水分至恒重,然后稱量實際的生物量;將機器視覺圖像中各取樣點的H值除以2π,使H值處于0～1之間,用于建立生物量的計算模型;30個取樣點隨機選擇15個作為建模樣本,剩余15個作為檢驗樣本。

H值與建模樣本生物量實測值的回歸分析如圖2所示。其回歸方程為y=3344.7x+934.76,決定系數(shù)為0.864,達到了極顯著的相關(guān)性,表明機器視覺圖像中的H值可以用于估算油菜的生物量。

圖2 生物量與H值的相關(guān)性Fig.2 The correlation between H value and biomass

用上述的模型估算15個檢驗樣本的生物量,并與實測值進行擬合分析,結(jié)果如圖3所示。

圖3 檢驗樣本生物量估算值與實測值的擬合Fig.3 Regression of estimated and measured biomass values (samples for validation)

回歸方程的決定系數(shù)和斜率都接近1,分別為0.940和0.960,表明建立的模型可以準(zhǔn)確計算油菜的生物量,能夠用于油菜長勢的評價。

4 結(jié)論

提出了基于機器視覺的油菜長勢調(diào)查方法,利用無人機搭載數(shù)碼相機拍攝油菜田的圖像。機器視覺分析軟件對圖像依次進行預(yù)處理和HIS色彩空間中的灰度化,然后通過閾值分割將圖像劃分為壟溝和不同生育時期的油菜。以H分量值作為與生物量相關(guān)的特征參數(shù),用于反映油菜的長勢。在實際的應(yīng)用中,H值與建模樣本的實測生物量之間存在極顯著的相關(guān)性,以此建立的模型可以準(zhǔn)確計算油菜的生物量,能夠用于油菜長勢的評價,為產(chǎn)量預(yù)測提供依據(jù)。