基于圖像的水稻關(guān)鍵發(fā)育期自動(dòng)觀測(cè)技術(shù)研究.pdf

1、隨著世界人口數(shù)量的增長(zhǎng)，糧食問題已經(jīng)成為當(dāng)今舉世矚目的迫切問題。中國(guó)是世界第一人口大國(guó)，然而人均耕地面積遠(yuǎn)低于世界平均水平，糧食安全問題給我國(guó)也帶來了嚴(yán)峻的挑戰(zhàn)。水稻作為一種重要的糧食作物，其產(chǎn)量在我國(guó)一直備受重視。水稻的產(chǎn)量容易受到氣候條件以及農(nóng)業(yè)生產(chǎn)管理的影響。水稻發(fā)育期的觀測(cè)不僅可以根據(jù)發(fā)育期的到來指導(dǎo)實(shí)施相應(yīng)的生產(chǎn)管理，還可以幫助了解水稻各個(gè)發(fā)育期的到來所需要的農(nóng)業(yè)氣象條件，以便于保證水稻的高產(chǎn)、穩(wěn)產(chǎn)。同時(shí)，水稻發(fā)育期觀測(cè)也在現(xiàn)

2、代農(nóng)業(yè)信息化管理與物候觀測(cè)方面起著重要的作用。
　　目前，水稻發(fā)育期的觀測(cè)仍然依賴于傳統(tǒng)的人工觀測(cè)方式。然而，人工觀測(cè)存在著耗時(shí)、費(fèi)力、觀測(cè)間隔長(zhǎng)、具有較大主觀性等缺點(diǎn)。傳統(tǒng)的人工觀測(cè)方式已漸漸地不能滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)氣象服務(wù)和物候變化研究的需要。本文利用一套水稻生長(zhǎng)狀態(tài)自動(dòng)觀測(cè)裝置對(duì)自然狀態(tài)下生長(zhǎng)的水稻進(jìn)行自動(dòng)圖像采集。通過分析采集到的水稻圖像，結(jié)合農(nóng)業(yè)氣象觀測(cè)人員的實(shí)地觀測(cè)經(jīng)驗(yàn)，運(yùn)用計(jì)算機(jī)視覺技術(shù)對(duì)水稻的移栽期、分蘗期

3、及抽穗期三個(gè)關(guān)鍵發(fā)育期的自動(dòng)檢測(cè)進(jìn)行了研究。
　　圖像中水稻的準(zhǔn)確提取是水稻發(fā)育期檢測(cè)的重要步驟，影響著后續(xù)發(fā)育期檢測(cè)的準(zhǔn)確性。為了能從光照多變、水面太陽(yáng)耀斑、陰影等復(fù)雜環(huán)境所獲取的水稻圖像中準(zhǔn)確的分割出水稻，本文研究了以往的作物圖像分割算法，并結(jié)合膚色分割的研究成果，提出了一種基于形態(tài)學(xué)建模的作物圖像分割方法。一定程度上克服了以往的基于閾值、單高斯模型或貝葉斯模型的作物分割算法的缺陷。該方法通過形態(tài)學(xué)建模方法對(duì)不同光照下圖像中作

4、物的顏色進(jìn)行建模，能較好地適應(yīng)大田自然環(huán)境中的光照變化，取得較好的作物圖像分割效果，為后續(xù)發(fā)育期研究的展開奠定了基礎(chǔ)。
　　水稻移栽代表著水稻大田生長(zhǎng)發(fā)育的開始，是水稻生長(zhǎng)過程中的重要轉(zhuǎn)折點(diǎn)。針對(duì)水稻的移栽期，本文經(jīng)過對(duì)水稻移栽前后圖像的分析，選取了如下兩種表征圖像中水稻完全移栽的圖像特征：水稻覆蓋度跳變和水稻散布均勻性。進(jìn)而提出了一種基于覆蓋度跳變及水稻散布均勻性檢測(cè)的水稻移栽期自動(dòng)檢測(cè)方法。該方法通利用上述兩種圖像特征能對(duì)圖像

5、中水稻的完全移栽進(jìn)行自動(dòng)判斷，實(shí)現(xiàn)移栽期的自動(dòng)檢測(cè)。本文實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提出的水稻移栽期自動(dòng)檢測(cè)算法的有效性。
　　水稻分蘗期決定了水稻抽穗時(shí)穗數(shù)的多少，是影響水稻產(chǎn)量的一個(gè)關(guān)鍵發(fā)育期。分蘗期的觀測(cè)可以指導(dǎo)施肥、病蟲害防治等農(nóng)事活動(dòng)，對(duì)水稻高產(chǎn)具有重要意義。通過對(duì)水稻分蘗的生理特征及分蘗期圖像的分析，本文提出了一種基于多特征描述及隨機(jī)森林分類的水稻分蘗期自動(dòng)檢測(cè)方法。該方法綜合水稻圖像的覆蓋度、骨架三叉點(diǎn)及Harris角點(diǎn)三種

6、特征對(duì)水稻的分蘗進(jìn)行描述，最終采用隨機(jī)森林分類的方式實(shí)現(xiàn)對(duì)水稻分蘗期的自動(dòng)檢測(cè)。實(shí)驗(yàn)中，本文通過水稻分蘗期自動(dòng)檢測(cè)結(jié)果與人工觀測(cè)記錄的對(duì)比，驗(yàn)證了本文提出的水稻分蘗期自動(dòng)檢測(cè)算法的準(zhǔn)確性。
　　水稻抽穗期決定了水稻稻穗結(jié)實(shí)率的大小，是影響水稻產(chǎn)量的另一個(gè)關(guān)鍵的發(fā)育期。水稻抽穗期觀測(cè)歷來是人工觀測(cè)中尤為重要的一個(gè)方面。本文提出了一種基于稻穗顏色特征、梯度直方圖檢測(cè)以及卷積神經(jīng)網(wǎng)絡(luò)提升的水稻抽穗期自動(dòng)檢測(cè)方法。該方法中利用卷積神經(jīng)網(wǎng)絡(luò)

7、來對(duì)稻穗的底層圖像特征進(jìn)行自動(dòng)學(xué)習(xí)。利用學(xué)習(xí)獲取的底層圖像特征對(duì)水稻稻穗進(jìn)行描述，有效提升了稻穗的檢測(cè)效果，降低了稻穗檢測(cè)中的虛警。一定程度上克服了水稻葉片顏色變化以及圖像分辨率有限對(duì)抽穗期檢測(cè)的影響。實(shí)驗(yàn)中，本文利用水稻抽穗期的自動(dòng)檢測(cè)結(jié)果與人工觀測(cè)記錄進(jìn)行了比較，驗(yàn)證了所提出抽穗期檢測(cè)算法的可行性。
　　在2011年至2013年之間，本文通過使用的水稻生長(zhǎng)狀態(tài)自動(dòng)觀測(cè)系統(tǒng)共采集到12個(gè)水稻圖像序列，包括6個(gè)早稻及6個(gè)晚稻序列。