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

1、隨著世界人口數(shù)量的增長，糧食問題已經(jīng)成為當今舉世矚目的迫切問題。中國是世界第一人口大國，然而人均耕地面積遠低于世界平均水平，糧食安全問題給我國也帶來了嚴峻的挑戰(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)育期的觀測不僅可以根據(jù)發(fā)育期的到來指導實施相應(yīng)的生產(chǎn)管理，還可以幫助了解水稻各個發(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，水稻發(fā)育期觀測也在現(xiàn)

2、代農(nóng)業(yè)信息化管理與物候觀測方面起著重要的作用。
　　目前，水稻發(fā)育期的觀測仍然依賴于傳統(tǒng)的人工觀測方式。然而，人工觀測存在著耗時、費力、觀測間隔長、具有較大主觀性等缺點。傳統(tǒng)的人工觀測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狀態(tài)自動觀測裝置對自然狀態(tài)下生長的水稻進行自動圖像采集。通過分析采集到的水稻圖像，結(jié)合農(nóng)業(yè)氣象觀測人員的實地觀測經(jīng)驗，運用計算機視覺技術(shù)對水稻的移栽期、分蘗期

3、及抽穗期三個關(guān)鍵發(fā)育期的自動檢測進行了研究。
　　圖像中水稻的準確提取是水稻發(fā)育期檢測的重要步驟，影響著后續(xù)發(fā)育期檢測的準確性。為了能從光照多變、水面太陽耀斑、陰影等復雜環(huán)境所獲取的水稻圖像中準確的分割出水稻，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)學建模方法對不同光照下圖像中作

4、物的顏色進行建模，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發(fā)育的開始，是水稻生長過程中的重要轉(zhuǎn)折點。針對水稻的移栽期，本文經(jīng)過對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。進而提出了一種基于覆蓋度跳變及水稻散布均勻性檢測的水稻移栽期自動檢測方法。該方法通利用上述兩種圖像特征能對圖像

5、中水稻的完全移栽進行自動判斷，實現(xiàn)移栽期的自動檢測。本文實驗結(jié)果驗證了本文所提出的水稻移栽期自動檢測算法的有效性。
　　水稻分蘗期決定了水稻抽穗時穗數(shù)的多少，是影響水稻產(chǎn)量的一個關(guān)鍵發(fā)育期。分蘗期的觀測可以指導施肥、病蟲害防治等農(nóng)事活動，對水稻高產(chǎn)具有重要意義。通過對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森林分類的水稻分蘗期自動檢測方法。該方法綜合水稻圖像的覆蓋度、骨架三叉點及Harris角點三種

6、特征對水稻的分蘗進行描述，最終采用隨機森林分類的方式實現(xiàn)對水稻分蘗期的自動檢測。實驗中，本文通過水稻分蘗期自動檢測結(jié)果與人工觀測記錄的對比，驗證了本文提出的水稻分蘗期自動檢測算法的準確性。
　　水稻抽穗期決定了水稻稻穗結(jié)實率的大小，是影響水稻產(chǎn)量的另一個關(guān)鍵的發(fā)育期。水稻抽穗期觀測歷來是人工觀測中尤為重要的一個方面。本文提出了一種基于稻穗顏色特征、梯度直方圖檢測以及卷積神經(jīng)網(wǎng)絡(luò)提升的水稻抽穗期自動檢測方法。該方法中利用卷積神經(jīng)網(wǎng)絡(luò)

7、來對稻穗的底層圖像特征進行自動學習。利用學習獲取的底層圖像特征對水稻稻穗進行描述，有效提升了稻穗的檢測效果，降低了稻穗檢測中的虛警。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抽穗期檢測的影響。實驗中，本文利用水稻抽穗期的自動檢測結(jié)果與人工觀測記錄進行了比較，驗證了所提出抽穗期檢測算法的可行性。
　　在2011年至2013年之間，本文通過使用的水稻生長狀態(tài)自動觀測系統(tǒng)共采集到12個水稻圖像序列，包括6個早稻及6個晚稻序列。