一种基于机器视觉的蔬菜作物实时耗水量在线监测系统和方法

本发明涉及植物生长监测领域，具体为一种基于机器视觉的蔬菜作物实时耗水量在线监测系统和方法。

背景技术：

1、实时监测蔬菜作物的耗水量对与农业管理和农业生产具有重要意义，一方面，可以帮助农业管理者更有效地管理灌溉系统，根据蔬菜作物的实际需水量进行灌溉，避免过度灌溉浪费水资源。另一方面可以保持蔬菜作物处在适宜的水分条件下生长，及时发现蔬菜作物的水分胁迫等问题，并采取措施进行调整处理，以提高蔬菜作物的产量和质量。

2、现有技术中，公开号cn109712110b公开了一种基于机器视觉的作物实时耗水量监测方法，包括：获取作物图像，对图像采用自适应步长果蝇算法进行背景分割，基于分割后的灰度图计算作物覆盖度，基于蒸渗仪获取作物的实际蒸散量，根据图像数据获取的日覆盖度推算任意时刻的作物系数值，结合对应时刻的参比蒸散量，获得作物的实时蒸散量，进而获取对应需要灌溉的水量。

3、上述方法的主要问题是：蔬菜作物的需水量受到多种因素的影响，包括气候条件、土壤湿度、蔬菜作物品种、光合作用强度等，该方法未能全面考虑其他因素；依赖于作物日覆盖度和作物系数的拟合曲线进行判断，拟合曲线的准确与否会影响最终的判断结果。

技术实现思路

1、本发明的目的在于提供一种基于机器视觉的蔬菜作物实时耗水量在线监测系统和方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于机器视觉的蔬菜作物实时耗水量在线监测系统，具体包括：

4、图像采集模块，用于采集蔬菜作物叶片的图像，对图像进行缩放，将尺寸统一调整为224*224大小，然后将图像复制为相同的两组图像，一组进行灰度化处理之后生成第一识别图像，另一组将图像从rgb颜色空间转换成hsv颜色空间后生成第二识别图像，对第一识别图像建立坐标系，并将第二识别图像的像素点位置在坐标系中一一映射；

5、图像分割模块，用于对第一识别图像使用双边滤波器进行滤波，统计256个灰度级别中每个级别的像素点出现频次构成的灰度直方图，计算直方图中各个阈值的类间方差，通过最大类间方差选取最佳分割阈值，使用最佳分割阈值对滤波处理之后的第一识别图像进行阈值分割，识别出前景部分和背景部分，提取前景部分构成第三识别图像；

6、边缘提取模块，用于设定边缘阈值，使用sobel算子计算第三识别图像的水平方向和垂直方向梯度值，通过水平方向梯度值和垂直方向梯度值计算出所有像素点的梯度幅值，若像素点梯度幅值大于边缘阈值，则保留该像素点，否则将该像素点设置为黑色，生成第三识别图像的边缘点；

7、轮廓识别模块，用于通过canny算法，生成每个像素点的梯度大小和梯度方向，连接第三识别图像的所有边缘像素点构成轮廓，生成第三识别图像轮廓面积；

8、颜色采集模块，用于采集第二识别图像中每个像素点对应的饱和度，生成叶片的平均饱和度，饱和度的取值为[0,255]，饱和度越趋近于0表示颜色越浅，越趋近于255表示颜色越深；环境采集处理模块，用于采集蔬菜作物所处环境的温度、湿度、光照强度，根据温度、湿度、光照强度与耗水量的正反比关系生成环境影响指数；

9、综合计算模块，用于根据生成的叶片面积、叶片平均饱和度值、环境影响指数和作物系数，生成对应叶片的耗水量，根据蔬菜作物每枚叶片的耗水量，生成蔬菜作物的总耗水量。

10、进一步地，将图像从rgb颜色空间转换到hsv颜色空间生成第二识别图像所依据的原理为：对于图像中的任一像素点，其rgb颜色空间表示为(r，g，b)，hsv颜色空间表示为(h，s，v)，首先将rgb空间的值转化到[0,1]之间，所依据的公式为：

11、

12、

13、

14、通过r0、g0、b0计算出值在[0,1]之间的h0、s0、v0，具体公式为：

15、v0＝max(r0，g0，b0)；

16、

17、

18、

19、s＝s0*255；

20、v＝v0*255；

21、其中，r表示红色通道值，g表示绿色通道值，b表示蓝色通道值，h表示色调通道值，s表示饱和度通道值，v表示亮度通道值。

22、进一步地，对第一识别图像建立坐标系，并将第二识别图像的像素点位置在坐标系中一一映射所依据的原理为：取第一识别图像最下边的像素点为横坐标轴，最左边的像素点为纵坐标轴建立坐标系，并让第二识别图像和第一识别图像的像素点位置通过坐标点一一映射，让每个像素点均有唯一一个坐标值。

23、进一步地，计算最大类间方差所依据的公式为：

24、g(i)2＝ωi0ωi1(μi0-μi1)2；

25、其中，g(i)表示阈值为i时的类间方差，ωi0表示阈值为i时目标(前景)部分占总图像的比例，μi0表示阈值为i时目标部分灰度值，ωi1表示阈值为i时背景部分占总图像的比例，μi1表示阈值为i时背景部分灰度值；

26、当g(i)取最大值时，此时对应的阈值i为最佳分割阈值。

27、进一步地，通过水平方向梯度值和垂直方向梯度值计算出所有像素点的梯度幅值所依据的原理为：将每个像素点的灰度值及其相邻八个像素点的灰度值与sobel算子的水平方向模板进行乘积，并将所有乘积相加，得到该像素点的水平方向梯度值；将每个像素点的灰度值及其相邻八个像素点的灰度值与sobel算子的垂直方向模板进行乘积，并将所有乘积相加，得到该像素点的垂直方向梯度值；所述水平方向梯度值计算公式为：

28、

29、垂直方向梯度值计算公式为：

30、

31、其中，gx(i，j)表示横坐标为i，纵坐标为j的像素点水平方向梯度值，gy(i，j)表示横坐标为i，纵坐标为j的像素点垂直方向梯度值，x(i，j)表示横坐标为i，纵坐标为j的像素点的灰度值；

32、生成梯度幅值依据的公式为：

33、

34、其中，g(i，j)表示横坐标为i，纵坐标为j的像素点的梯度幅值。

35、进一步地，生成第三识别图像轮廓面积所依据的原理为：根据水平方向梯度值和垂直方向梯度值生成像素点的梯度方向，具体计算公式为：

36、

37、其中，θ(i，j)表示横坐标为i，纵坐标为j的像素点的梯度方向，gx(i，j)表示横坐标为i，纵坐标为j的像素点的水平方向梯度值，gy(i，j)表示横坐标为i，纵坐标为j的像素点的垂直方向梯度值；

38、像素点的梯度变化最大的方向即为梯度方向；

39、为了使边缘只留下一个最大的像素点，采用非极大值抑制算法来保留目标像素点，所述非极大值抑制算法依据的原理为：对于一个像素点m，在m的梯度方向上，若像素点m满足：gm＞garound；

40、其中，gm表示像素点m的梯度幅值，garound表示像素点m相邻的同梯度方向的像素点幅值，若像素点m与其周围相邻的同梯度方向的像素点相比梯度幅值最大，则保留该像素点m，否则，抑制像素点m；

41、经过非极大值抑制后，生成一个二值图，此二值图中非边缘点的灰度值均为0，并存在假边缘，通过双阈值检测减少假边缘的数量，双阈值检测所依据的原理为：设定高、低两个阈值，通过比较像素点梯度幅值与高阈值和低阈值的数值大小，根据判断结果确定是否要该像素点连接，判断所依据的公式为：

42、

43、其中，vmax表示高阈值，vmin表示低阈值，gn表示目标像素点n的梯度幅值，根据比较结果可分为三种情况，若为情况①，则将像素点n标记为强边缘像素点；若为情况②，则将像素点n标记为弱边缘像素点；若为情况③，则抑制像素点n；标记为强边缘的像素点可直接认定为真实边缘，对于弱边缘像素点，查看弱边缘像素点相邻的八个像素点，只要这八个像素点中存在强边缘像素点，则该弱边缘像素点可认定为真实边缘；如此确定所有边缘像素点，生成轮廓闭合的图像，通过opencv中的contourarea函数生成闭合区域的面积。

44、进一步地，生成叶片的平均饱和度所依据的公式为：

45、

46、其中，表示叶片的平均饱和度，s表示叶片包含的像素点数目，hi表示叶片第i个像素点的饱和度。

47、进一步地，生成环境影响指数k所依据的公式为：

48、

49、其中，t表示环境温度，w表示环境湿度，g表示环境光照强度；温度越高，蒸腾作用越强，叶片耗水量越大，因此温度与耗水量成正比，与环境影响指数成正比；湿度越低，蒸腾作用越强，叶片耗水量越大，因此湿度与耗水量成反比，与环境影响指数成反比；光照越强，光合作用越活跃，叶片耗水量越大，因此光照与耗水量成正比，与环境影响指数成正比。

50、进一步地，根据生成的叶片面积、叶片平均饱和度值、环境影响指数和作物系数，计算出对应叶片的耗水量所依据的公式为：

51、

52、其中，e表示叶片的耗水量，k表示环境影响指数，s表示叶片表面积，表示叶片的平均饱和度，kc表示作物系数，环境影响指数由环境温度、环境湿度、环境光照强度共同决定，因此耗水量与环境影响指数成正比；叶片表面积越大，叶片进行的蒸腾作用越强，因此耗水量与叶片表面积成正比；叶片平均饱和度越大，说明叶片颜色越深，进行的光合作用越强烈，因此耗水量与叶片平均饱和度成正比；作物系数是根据蔬菜作物种类的不同、蔬菜作物生长周期的前期、中期和后期确定的一个常数，与叶片耗水量成正比，按所述方法计算出每枚叶片的耗水量，并将每枚叶片的耗水量相加，即可生成蔬菜作物植株的总耗水量。

53、本发明另外还提供一种基于机器视觉的蔬菜作物实时耗水量在线监测方法，所述方法由上述的蔬菜作物实时耗水量在线监测系统执行，具体步骤包括：

54、步骤1：采集蔬菜作物叶片的图像，对叶片图像进行缩放转换，将尺寸统一调整为224*224大小，然后将图像复制为相同的两组图像，一组进行灰度化处理之后，重构生成第一识别图像，另一组将图像从rgb颜色空间转换成hsv颜色空间后，重构生成第二识别图像，对第一识别图像建立坐标系，并将第二识别图像的像素点位置在坐标系中一一映射；

55、步骤2：对第一识别图像使用双边滤波器进行滤波，统计256个灰度级别中每个级别的像素点出现频次构成的灰度直方图，计算直方图中各个阈值的类间方差，通过最大类间方差选取最佳分割阈值，使用最佳分割阈值对滤波处理之后的第一识别图像进行阈值分割，识别出前景部分和背景部分，提取前景部分构成第三识别图像；

56、步骤3：设定边缘阈值，使用sobel算子计算第三识别图像的水平方向和垂直方向梯度值，通过水平方向梯度值和垂直方向梯度值计算出所有像素点的梯度幅值，若像素点梯度幅值大于边缘阈值，则保留该像素点，否则将该像素点设置为黑色，生成第三识别图像的边缘点；

57、步骤4：通过canny算法，生成每个像素点的梯度大小和梯度方向，连接第三识别图像的所有边缘像素点构成轮廓，生成第三识别图像轮廓面积；

58、步骤5：采集第二识别图像中每个像素点对应的饱和度，生成叶片的平均饱和度，饱和度的取值为[0,255]，饱和度越趋近于0表示颜色越浅，越趋近于255表示颜色越深；

59、步骤6：采集蔬菜作物所处环境的温度、湿度、光照强度，根据温度、湿度、光照强度与耗水量的正反比关系生成环境影响指数；

60、步骤7：根据生成的叶片面积、叶片平均饱和度值、环境影响指数和作物系数，生成对应叶片的耗水量，根据蔬菜作物每枚叶片的耗水量，生成蔬菜作物的总耗水量。

61、与现有技术相比，本发明的有益效果是：本发明将影响蔬菜作物耗水量的因素分为：蔬菜作物自身因素，包括叶片表面积大小、叶片颜色饱和度；环境因素，包括温度、湿度、光照强度并生成环境影响指数来量化环境造成的影响。对叶片图像进行边缘点提取，通过opencv计算叶片表面积，将叶片图像转化到hsv颜色空间生成叶片饱和度，结合环境影响指数即可得出叶片的实时耗水量。本方法相对于常见的蔬菜作物耗水量监测方法，通过图像处理方法有针对的监测对蒸腾作用影响最大的叶片部位，将灰度图像和hsv颜色空间图像在坐标系中一一映射，逐个监测蔬菜作物每一枚叶片的表面积和饱和度生成叶片的耗水量，将所有叶片耗水量相加来近似代替整个植株的耗水量，节省了监测成本的同时保证了准确度。