基于计算机视觉的小麦长势监控研究

钱永涛

(河南牧业经济学院，郑州　450046 )

0　引言

随着社会发展和城市化推进，我国人口密度持续增加，而农业耕作土地面积大幅减少，导致对农产品的需求与农业实际生产力之间的矛盾日益尖锐。如何利用有限的耕地资源生产尽量多的农产品，成为现阶段我国农业所面临的一个重要问题。为了应对这一挑战，人们开始转变传统的农业生产方式，利用各种新技术发展出智能化和数字化的农业模式。这些新的模式都通过对农作物生长态势进行监测，分析诊断后对生长相关的各种因素进行精准控制，从而提高各种资源的使用效率和单位面积上的农业产量。

数字农业是农业现代化的重要支撑技术，目前在我国已经得到了长足的发展，具体的形式表现为各种植物生长柜和监控决策系统。崔世钢等基于Android操作系统，设计了一个植物生长柜的智能监控软件，用以实现对各种生长因子的自动监控和管理[1]。施连敏等基于无线传感器网络，设计了一个监控蔬菜生长环境的系统，能实现环境信息的显示和存储，为智能决策和控制提供技术支撑[2]。刘业亮和贾彪分别利用ZigBee无线传感器网络和“互联网+”技术，建立了蔬菜和玉米的远程监控平台，以检测作物的生长态势，并及时提供诊断决策[3-4]。目前，各种作物长势监控系统所用的核心技术有无线传感器和多维图像，涉及的作物包括棉花、玉米、小麦和水稻等[5-9]。

农作物的长势是上述系统平台进行决策的依据，因此长势监控的准确性便成为评价这些系统功能的重要方面。农作物的长势表现为外部性状和内部性状：外部性状是可以直接观察感知的外观信息(如植株茎、叶、穗的数量，以及形状和颜色等)，是作物健康状况的直接反映和产量形成的基础，一般可以通过观察记录或测量统计获得；内部性状是各种生理代谢状况和生理生化指标(如丙二醛含量、保护酶活性及叶绿素含量等)，通过专门的仪器或实验方法测定获得。内部性状是某些外部性状产生的潜在原因，可以为诊断一些阻碍作物正常生长的内在因素提供依据[10]。

传统的农作物长势监控是由人工来操作完成的，对外部形状进行肉眼的观察和统计测量，对内部性状则用各种便携式仪器测量或取样后通过室内实验测定。这种监控方法劳动强度大、效率较低，且监控的结果受人员技能和素质的影响很大。另外，取样操作会对作物植株造成损害，监控结果反映作物长势的准确性有限，需要进行改进乃至替换。

计算机和信息处理技术的进步催生了计算机视觉，并在农业的各个领域得到了广泛的应用，如农产品采摘、品质检测分级、杂草和路径识别等。计算机视觉技术可以对农作物进行非接触的连续测量，因此非常适用于作物的长势监测。随着图像处理和识别算法等相关技术的进步，计算机视觉对作物长势监测的准确性也在逐步提高[11]。计算机视觉对作物长势监测方面的研究很多，其主要包括3个部分的内容：一是对作物形态的识别，针对的具体性状有叶片形态、植株形态，以及通过根系形态评价播种存活率。二是对营养元素含量的判断，如叶尖运动与含水量的关系、叶冠投影面积与肥料的关系及叶片面积与氮素含量的关系等；三是对植株的无损测量，如监测生长参数、发育状态和建立生长模型等。上述研究结果为计算机视觉在作物生长监控中的应用创造了条件。

小麦是我国的三大粮食作物之一，历年的种植面积和产量都占粮食作物的20%以上。我国还是世界上小麦产量和消费量最大的国家，这更体现出其在国民经济和粮食安全中的重要地位。因此，推进数字农业在小麦长势监控中的应用，对保障小麦的高产、稳产具有重大的现实意义。小麦的株高是其最直观的外部形状，与产量之间有着密切的关系，理想的株高是小麦高产育种的目标[12]。叶绿素含量是小麦的一种代表性的内部性状，其与净光合速率显著相关，对产量有着决定性的影响[13]。本文以计算机视觉技术为核心，建立了小麦长势的监控系统，用以提高对其生长信息监控的效率和准确性。在植物工厂中对小麦的株高和叶绿素含量进行测量试验，导入后台用于诊断和决策，以期为推进小麦生产的数字化提供技术支持。

1　系统的工作原理和组成

1.1工作原理

以计算机视觉技术为核心，建立了小麦长势监控系统，主要由植物工厂和基站组成。其中，视频采集装置和指令执行装置位于植物工厂中，无线传输装置、数据处理器和信息管理器这3大部分位于基站中，数据处理器中装载计算机视觉系统。

利用植物工厂中的视频采集装置拍摄小麦生长过程的图像，形成的视频信号由无线传输装置发送给数据处理器；数据处理器中的计算机视觉软件对小麦图像进行分析，得到各种形态特征和颜色特征后发送到信息处理器；信息管理器对上述特征进行综合分析，诊断小麦的产量潜力、生理状况和病虫害等情况，并形成决策用以调节小麦的生长环境；最终的决策经过数据处理器后，由无线传输装置以控制指令的形式发送给植物工厂中的指令执行装置；指令执行装置进行相应的作业，实现对小麦长势的控制和调节，从而达到增产和节约资源的效果。

系统工作原理如图1所示。

图1　系统的工作原理

1.2系统的组成

小麦长势监控系统的主体是植物工厂，这是当前数字农业的主要模式，其光照和温度可以精确控制，几乎不受外界影响。视频采集装置为CT-CA501型CCD摄像机，像素达200万dpi，成像清晰，性能稳定，适应植物工厂温湿度较高的环境。指令执行装置为各种智能化的变量喷药、变量施肥和光温调节设备，由接收指令的单片机控制。

无线传输装置是植物工厂与基站之间传递视频信号和控制指令的纽带，采用了基于FPGA的无线通信调制方式，数据传输具有较好的可靠性和连续性。数据处理器为联想D7070型台式电脑，安装Windows10操作系统，计算机视觉的图像处理软件为MatLab工具箱。信息管理器为联想IBM X3650M5型服务器，安装有小麦生长的数据分析软件和专家诊断决策数据库。信息管理器能对数据处理器所发来的信息进行针对性的分类管理，然后根据专家数据反馈控制指令，并存储小麦全生育期的各种数据。

2　图像的处理

使用计算机中用MatLab工具箱分析处理拍摄到的图像。为了提高小麦植株的识别质量，需要对图像做预处理，即灰度化和图像平滑。这里以灌浆期的一幅图像为例(图2A)，茎叶为绿色，麦穗为黄色，土壤为褐色，干扰目标识别的其它颜色较多。因此，根据实际情况，以RGB颜色空间中的R、G、B这3个分量的加权平均数为灰度化值。拍摄过程中小麦植株为静止状态，光照强度不变，引起的图像噪音较小，因此采用简单的2×2窗口的中值滤波法进行平滑处理。

图像处理效果如图2所示。

图2　图像的处理(A：原始图像；B：灰度化图像；C：识别图像)

经过预处理后，对所得的图像建立直方图，小麦植株区域与背景之间的差异不明显，因此利用分割阈值对灰度化的图像进行分割。该图像的最佳阈值为67.5，表现出较好的识别效果，如图2(c)所示。此处分别以株高和叶绿素含量为外部性状和内部性状的代表进行监控，以反映小麦的长势。在识别图像中，以小麦植株目标区域的最小外接矩形的长度作为株高。对于叶绿素含量，则参考柴阿丽等人的研究，选择以G-R颜色特征为参数建立的模型来预测小麦叶片中的叶绿素含量[14]。

3　试验结果与分析

3.1试验设计

长势监控系统的准确性试验于2015年在本单位的植物工厂中进行，土壤为棕壤土。3个小麦试验品种都是在本地区推荐种植的品种，分别是周麦22、众麦1号和新麦26，种子从本地的农资市场购买。小麦在10月中旬播种，采用穴播方式种植，进行常规的水肥管理和病虫草害防治。

每个小麦品种选择10个正常的代表性单株挂牌标记，作为监控对象。计算机视觉监测的小麦性状为株高和叶绿素含量，重点监测的生育时期包括分蘖期、拔节期和灌浆期。株高的人工测量方法为用标尺测量小麦植株顶端到地面的距离，叶绿素含量用SPAD502型便携式叶绿素仪测定。试验数据用SPSS16.0软件统计分析，用成对数据的t测验检验两种方法所测数据的差异显著性，从而评价系统的准确性。

3.2试验结果和分析

与人工测量的结果相比，计算机视觉测量的小麦株高普遍较低，部分品种出现了显著的差异，可能是由图像拍摄的角度引起。因此，需要对摄像机的安装高度进行调整，并优化计算机视觉系统的参数和算法以消除拍摄角度引起的误差。虽然系统监控结果与人工测量之间存在误差，但是不同品种或生育期之间的相对株高还是一致的，表现出较好的准确性。

两种方式测量的小麦株高试验数据如表1所示。

表1两种方式测量的株高

Table 1Plant height measured by two methods cm

小麦品种分蘖期人工测量系统监控拔节期人工测量系统监控灌浆期人工测量系统监控周麦2221．7±0．420．2±0．6∗68．3±1．265．4±1．7∗77．8±0．673．8±1．2∗

续表1 cm

小麦品种分蘖期人工测量系统监控拔节期人工测量系统监控灌浆期人工测量系统监控众麦1号18．0±0．516．7±0．7∗62．5±0．960．3±1．571．1±1．569．6±1．4新麦2623．4±1．322．5±1．066．1±0．763．3±1．4∗76．4±0．874．2±1．3

*表示与人工测量的数据之间具有显著的差异。

计算机视觉测量的小麦叶绿素含量与SPAD502的测量结果相比没有出现显著的差异，且不同品种或生育期之间的相对含量也是一致的，表现出较好的准确性。两种方式测量的叶绿素含量数据如表2所示。

表2　两种方式测量的叶绿素含量(SPAD)

4　结论

1)基于计算机视觉技术，设计了一种小麦的长势监控系统，主要由视频采集装置、指令执行装置、无线传输装置、数据处理器和信息管理器5大部分组成。视频采集装置拍摄小麦生长过程的图像，形成的视频信号由其中的计算机视觉软件进行分析，得到各种形态特征和颜色特征；信息管理器根据上述特征诊断小麦的产量潜力、生理状况和病虫害等，并形成决策；最终的决策以控制指令的形式发送给植物工厂中的执行装置，对小麦的生长环境进行控制和调节，达到增产和节约资源的目的。

2)验证系统准确性的实验在植物工厂中进行，监测了3个小麦品种在分蘖期、拔节期和灌浆期的株高和叶绿素含量。与人工测量的结果相比，计算机视觉测量的小麦株高普遍较低，可能是由图像拍摄的角度引起的，需要优化系统的参数和算法，以消除拍摄角度引起的误差；系统测量的不同品种或生育期之间的相对株高和叶绿素含量都很一致，表现出较好的准确性，具有大规模应用的前景。

参考文献：

[1]崔世钢，谢佳佳，吴兴利，等.基于Android平台的植物生长柜智能监控软件设计[J].江苏农业科学，2015,43(6):406-408.

[2]施连敏，盖之华，蒋春华.基于无线传感器网络的绿色蔬菜生长环境监控系统设计与实现[J]. 软件导刊，2016,15(11):167-169.

[3]刘业亮.蔬菜种植数字化监控平台的设计与实现[J]. 信息通信，2014(12):46-47.

[4]贾彪.玉米生长监测远程诊断系统设计与架构[J]. 南方农业，2016,10(18):230-232.

[5]马彦平. 基于数字图像的冬小麦、夏玉米长势远程动态监测技术研究[D].武汉：华中农业大学,2010.

[6]吴滔.基于无线多媒体传感器网络的作物环境与长势远程监测系统[D].上海：华东交通大学，2012.

[7]胡泊.基于多维图像特征的农作物长势评价方法[D]. 北京：北京交通大学，2014.

[8]刘民静.基于ZigBee无线传感器网络的作物生长环境监控系统[D].济南：济南大学，2014.

[9]唐文进.基于嵌入式系统的棉花长势在线监控关键技术研究[D].镇江：江苏大学，2014.

[10]董淑娟.水稻生长信息动态监控系统设计—基于物联网技术[J].农机化研究，2017, 39(8):216-219.

[11]孙红，孙明，王一鸣.基于机器视觉的农作物生长无损测量的研究进展[C]//中国数学农业与农村信息化学术研究研讨会论文集.北京：“863计划”数字农业重大专项总体专家组、国家农业信息化工程技术中心，2005.

[12]丁安明，崔法，李君，等.小麦单株产量与株高的QTL分析[J].中国农业科学，2011, 44(14):2857-2867.

[13]张秋英，李发东，刘孟雨.冬小麦叶片叶绿素含量及光合速率变化规律的研究[J]. 中国生态农业学报，2005, 13(3):95-98.

[14]柴阿丽，李宝聚，网倩，等.基于计算机视觉技术的番茄叶片叶绿素含量的测定[J].园艺学报，2009, 36(1):45-52.