CN106503695B - 一种基于航拍图像的烟草植株识别与计数方法 - Google Patents

一种基于航拍图像的烟草植株识别与计数方法 Download PDF

Info

Publication number
CN106503695B
CN106503695B CN201611094366.5A CN201611094366A CN106503695B CN 106503695 B CN106503695 B CN 106503695B CN 201611094366 A CN201611094366 A CN 201611094366A CN 106503695 B CN106503695 B CN 106503695B
Authority
CN
China
Prior art keywords
tobacco plant
tobacco
central area
aerial images
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611094366.5A
Other languages
English (en)
Other versions
CN106503695A (zh
Inventor
范衠
谢红辉
朱贵杰
容毅标
李文姬
肖杨
赵雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Original Assignee
Shantou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shantou University filed Critical Shantou University
Priority to CN201611094366.5A priority Critical patent/CN106503695B/zh
Publication of CN106503695A publication Critical patent/CN106503695A/zh
Application granted granted Critical
Publication of CN106503695B publication Critical patent/CN106503695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明涉及精准农业领域和无人机农业应用领域，尤其涉及一种基于航拍图像的烟草植株识别与计数方法，包括以下步骤：S1：使用无人机拍摄烟草种植区域；S2：对航拍图像进行预处理，分割出烟草植株的候选区域；S3：提取烟草植株候选区域的颜色特征和纹理特征用于分类器分类；S4：根据提取的烟草植株候选区域特征，使用分类器对烟草植株候选区域进行分类；S5：统计分类结果，在原航拍图像中标记出检测到的烟草植株。与传统方法相比，本发明通过使用无人机拍摄烟草种植区域，利用图像识别方法来识别与计数烟草植株，效率更高、准确度更高、数据更可靠、操作简单。

Description

一种基于航拍图像的烟草植株识别与计数方法
技术领域
本发明涉及精准农业领域和无人机农业应用领域，尤其是涉及一种基于航拍图像的烟草植株识别与计数方法。
背景技术
烟草是我国主要的经济作物和重要的税收来源，我国的烟草总产量占全世界的41.5％。为了对烟草种植进行宏观调控和精准管理，需要对烟草种植产量进行精准的估算。传统的方法主要有两种：一是通过测量烟草种植的面积来估算烟草产量；二是通过专业的烟草技术人员人工清点烟草的株数，但是这些传统方法的效率低、准确度低、数据可靠性差。然而，精准农业是当前全球农业发展的大势所趋，其中对农作物的产量的精准估计是实现精准农业管理的一个重要方面。很显然，烟草植株产量估计的传统方法已经无法达到精准农业的要求。
此外，无人机技术的迅速崛起促进了我国农业现代化的进程，其中最具有代表性的农业无人机是深圳市大疆创新科技有限公司2015年推出的一款智能农业喷洒防治无人机MG-1，它的作业效率高，能够节省大量的人力物力，有利于环境保护。无人机在精准农业领域有着广泛的应用，无人机可以搭载各种各样的传感器采集环境中的数据，其中搭载摄像头进行航拍是常用的一个功能。本发明对航拍的烟草图像进行分析，识别烟草植株并且计数，可以提高统计效率和精确性。航拍图片中一般包含的场景非常复杂，图片中会有各种各样的植物，需要从复杂的场景中识别出烟草植株。还有烟草植株与植株之间相互交叉在一起，需要把交叉在一起的烟草植株分成单株烟草。如何提取烟草植株特征，有效区分植株之间，进行分区域统计，是实现航拍图像的烟草植株识别与计数难点和重点。
发明内容
本发明提供了一种基于航拍图像的烟草植株识别与计数方法，使用图像处理算法来识别与计数航拍图像中的烟草植株，从而可以进一步实现对烟草产量的精准估计。
为了达到上述发明的目的，采用以下技术方案：为解决上述现有技术问题，本发明提供的一种基于航拍图像的烟草植株识别与计数方法，包括以下步骤：
S1：使用无人机拍摄烟草种植区域，得到烟草植株航拍图像；
S2：对航拍图像进行预处理，利用烟草植株的中心区域与周围区域的色差分割出烟草植株的中心区域，再对分割出的烟草植株的中心区域的图像进行距离变换，距离变换是将非烟草植株中心区域的像素分配给离它最近的烟草中心区域，再使用过绿操作去除非绿部分，分割出烟草植株的候选区域；
S3：提取烟草植株候选区域的颜色特征和纹理特征用于分类器分类；
S4：根据提取的烟草植株候选区域特征，使用分类器对烟草植株候选区域进行分类；
S5：统计分类结果，在原航拍图像中标记出检测到的烟草植株。
所述的距离变换是指针对图像中的每个像素，计算其与各个中心的距离，把每个像素归类到距离其最近的中心。将航拍得到的烟草植株图像中的非烟草中心区域中的每个像素，计算每个像素与临近的烟草植株中心的距离，根据距离长短最终把每个像素归类到距离其最近的烟草中心区域。
进一步的，所述S1中，无人机拍摄时，拍摄角度在向下，拍摄角度在与垂直方向相差30度的范围之内。高度一般为15到25米，无人机的高度和拍摄角度必须确保拍摄到的烟草植株图像清晰。
进一步的，所述的利用烟草植株中心区域与周围区域的色差分割出烟草植株的中心区域时，将航拍图像转换到Lab空间，选取Lab空间中的a通道或者b通道，烟草植株的中心区域为所选取通道的图像中的局部极值，分割出局部极值区域，分割出来的局部极值区域就是烟草植株的中心区域。在对该航拍图像进行预处理时，可以选取Lab空间的a通道或者b通道，还可以选择其它能体现色差的颜色空间中的通道，如YCBCR颜色空间中的通道。
进一步的，在分割局部极值区域前需要进行降噪处理，采用的降噪方法为对已选通道的图像进行腐蚀，然后进行形态学重建。降噪方式还可以选用其他方法，如高斯滤波器，中值滤波器。
进一步的，所述S3提取的烟草植株候选区域特征包括颜色特征和纹理特征，颜色特征包括绿色通道的直方图以及RGB空间、HSV空间每个通道的平均值和方差；纹理特征包括绿色通道的一阶导数的和二阶导数的平均值和方差。
进一步的，所述S4中，选用的SVM分类器对候选区域进行分类，也可以选用其他类型的分类器。
与传统方法相比，本发明通过使用无人机拍摄烟草种植区域，利用图像识别方法来识别与计数烟草植株，效率更高、准确度更高、数据更可靠、操作简单；本发明将无人机用于现代精准农业，可以实现对烟草产量的精准估计，能够用于烟草种植的精准管理。
附图说明
图1为本发明基于航拍图像的烟草植株识别与计数方法的步骤流程图；
图2为本发明利用无人机拍摄获取的烟草植株图像；
图3为本发明对所获取的烟草植株图像进行预处理的流程图；
图4为本发明基于图2的烟草植株图像的局部放大图；
图5为本发明所获取的烟草植株图像转换到Lab空间中选取b通道的图像；
图6为本发明对所获取的烟草植株图像进行预处理得到的烟草植株中心区域图像；
图7为本发明基于图4进行距离变换的示意图；
图8为本发明所获得的烟草植株候选区域的示意图。
图9为本发明基于图2的烟草植株图像的识别与计数结果图的局部放大图。
具体实施方式
本发明有多种不同形式的实施例，下面结合附图和实施例对本发明作进一步的描述。
实施例1
如图1所示，本发明提供一种基于航拍图像的烟草植株识别与计数方法，该方法包括以下步骤：
S1，使用无人机拍摄烟草种植区域，得到烟草植株航拍图像；
S2：对航拍图像进行预处理，分割出烟草植株的候选区域；
S3：提取烟草植株候选区域的颜色特征和纹理特征用于分类器分类；
S4：根据提取的烟草植株候选区域特征，使用分类器对烟草植株候选区域进行分类；
S5：统计分类结果，在原航拍图像中标记出检测到的烟草植株。
如图2所示，首先使用大疆无人机精灵4在烟草种植田的上空进行航拍获取烟草植株图像，总共拍摄了12幅图像。为确保所获得的该烟草植株图像中的烟草植株的清晰度，拍摄前对无人机的高度和角度进行调整，高度为15到25米，拍摄角度垂直向下。
如图3所示，按照图3的步骤对航拍图像进行预处理，利用烟草植株的中心区域与周围区域的色差分割出烟草植株的中心区域。如图4所示，由于烟草植株的中心区域32都是嫩叶，所以烟草植株的中心区域与周围区域31存在色差，在该实施例中，将该航拍图像从RGB空间转换到Lab空间，选取Lab空间的b通道。如图5所示，可以观察到该烟草植株的中心区域为局部最亮区域。对所选取的通道的图像使用大小为5的结构元进行腐蚀，然后对进行过腐蚀的图像进行形态学重建，去除噪声。对进行形态学重建后的图像分割局部最大值，如图6所示，分割出的每一个连通区域表示一棵烟草植株的中心区域。如图7所示，对分割出的该烟草植株中心区域的图像进行距离变换，将图像中的非烟草中心区域的像素分配给离它最近的烟草中心区域的植株形成一个完整的烟草植株区域。如图8所示，使用过绿操作去除该完整烟草植株区域中的非绿色部分，最终得到该烟草植株的候选区域。
提取上述的烟草植株候选区域的特征。提取的特征主要包括颜色特征和纹理特征，该颜色特征包括绿色通道的直方图以及RGB空间、HSV空间每个通道的平均值和方差；该纹理特征包括绿色通道的一阶导数的和二阶导数的平均值和方差。
根据提取的烟草植株候选区域特征，使用分类器对该烟草植株候选区域进行分类，并统计分类结果，在该航拍图像中标记出检测到的烟草植株。在该实施例中，将无人机拍摄的12幅图像分成训练集和测试集，训练集2幅，测试集10幅。
首先，随机的对训练集中的该烟草植株候选区域进行人工标记样本，烟草植株区域标记为正样本，非烟草植株标记为负样本，正负样本的数量各1500个，使用这些样本的特征训练出SVM分类模型。
然后，使用SVM分类模型对该烟草植株候选区域进行分类，提取每一颗烟草植株候选区域的特征，根据每一颗烟草植株候选区域的特征使用训练好的该SVM分类模型进行分类。如图9所示，黑色小方块表示检测到的烟草植株。请参阅表1，统计分类的结果为正的区域数，则为烟草植株的数量。
表1
图像编号 真实数量(株) 检测到的数量(株)
训练集01 1754 1809
训练集02 1767 1813
测试集01 2457 2413
测试集02 3099 2718
测试集03 2866 2648
测试集04 2297 2348
测试集05 1677 1796
测试集06 2564 2429
测试集07 2054 1995
测试集08 1208 1263
测试集09 3282 3460
测试集10 3430 3195

Claims (6)

1.一种基于航拍图像的烟草植株的识别与计数方法，其特征在于，包括以下步骤：
S1：使用无人机拍摄烟草种植区域，得到烟草植株航拍图像；
S2：对航拍图像进行预处理，利用烟草植株的中心区域与周围区域的色差分割出烟草植株的中心区域，再对分割出的烟草植株的中心区域的图像进行距离变换，距离变换是将非烟草植株中心区域的像素分配给离它最近的烟草中心区域，再使用过绿操作去除非绿部分，分割出烟草植株的候选区域；
S3：提取烟草植株候选区域的颜色特征和纹理特征用于分类器分类；
S4：根据提取的烟草植株候选区域特征，使用分类器对烟草植株候选区域进行分类；
S5：统计分类结果，在原航拍图像中标记出检测到的烟草植株。
2.根据权利要求1所述的烟草植株的识别与计数方法，其特征在于：所述S1中，无人机拍摄时，拍摄角度在向下，拍摄角度在与垂直方向相差30度的范围之内。
3.根据权利要求1所述的烟草植株的识别与计数方法，其特征在于：所述的利用烟草植株中心区域与周围区域的色差分割出烟草植株的中心区域时，将航拍图像转换到Lab空间，选取Lab空间中的a通道或者b通道，烟草植株的中心区域为所选取通道的图像中的局部极值，分割出局部极值区域，分割出来的局部极值区域就是烟草植株的中心区域。
4.根据权利要求3所述的烟草植株的识别与计数方法，其特征在于：在分割局部极值区域前需要进行降噪处理，采用的降噪方法为对已选通道的图像进行腐蚀，然后进行形态学重建。
5.根据权利要求1所述的烟草植株的识别与计数方法，其特征在于：所述S3的颜色特征包括绿色通道的直方图以及RGB空间、HSV空间每个通道的平均值和方差；纹理特征包括绿色通道的一阶导数的和二阶导数的平均值和方差。
6.根据权利要求1所述的烟草植株的识别与计数方法，其特征在于：所述S4中，选用的SVM分类器对候选区域进行分类。
CN201611094366.5A 2016-12-02 2016-12-02 一种基于航拍图像的烟草植株识别与计数方法 Active CN106503695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611094366.5A CN106503695B (zh) 2016-12-02 2016-12-02 一种基于航拍图像的烟草植株识别与计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611094366.5A CN106503695B (zh) 2016-12-02 2016-12-02 一种基于航拍图像的烟草植株识别与计数方法

Publications (2)

Publication Number Publication Date
CN106503695A CN106503695A (zh) 2017-03-15
CN106503695B true CN106503695B (zh) 2019-07-09

Family

ID=58330365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611094366.5A Active CN106503695B (zh) 2016-12-02 2016-12-02 一种基于航拍图像的烟草植株识别与计数方法

Country Status (1)

Country Link
CN (1) CN106503695B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315999A (zh) * 2017-06-01 2017-11-03 范衠 一种基于深度卷积神经网络的烟草植株识别方法
CN108268895A (zh) * 2018-01-12 2018-07-10 上海烟草集团有限责任公司 基于机器视觉的烟叶部位识别方法、电子设备及存储介质
CN108776803A (zh) * 2018-04-20 2018-11-09 中国农业大学 一种去除农田中杂草的方法及***
CN110348403A (zh) * 2019-07-15 2019-10-18 华瑞新智科技（北京）有限公司 一种树木数量实时测量统计方法、***及无人机
CN111339954B (zh) * 2020-02-27 2022-08-09 广西大学 一种基于图像识别的薇甘菊监测方法
CN112033378A (zh) * 2020-09-04 2020-12-04 中国农业大学 一种基于无人机航拍调查草甸草原鼢鼠鼠丘数目的方法
CN113298889A (zh) * 2021-05-08 2021-08-24 江苏师范大学 一种基于机器视觉的基本苗统计方法
CN113888397A (zh) * 2021-10-08 2022-01-04 云南省烟草公司昆明市公司 基于无人机遥感和图像处理技术的烟草清塘点株方法
CN117274812B (zh) * 2023-10-08 2024-02-20 北京香田智能科技有限公司 一种烟株计数的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339378A (zh) * 2010-07-22 2012-02-01 中国农业机械化科学研究院 一种自动提取棉苗的方法及其装置
CN103810487A (zh) * 2014-01-24 2014-05-21 深圳大学 一种海洋航拍图像的目标检测与识别方法及***
CN204808048U (zh) * 2015-06-18 2015-11-25 凌思兰 一种数字化航拍控制***
CN105404853A (zh) * 2015-10-29 2016-03-16 江南大学 基于内容的植物叶片在线识别***
CN105574488A (zh) * 2015-12-07 2016-05-11 北京航空航天大学 一种基于低空航拍红外图像的行人检测方法
CN106096563A (zh) * 2016-06-17 2016-11-09 深圳市易特科信息技术有限公司 植物自动识别***和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1401952B1 (it) * 2010-09-22 2013-08-28 Henesis S R L Sistema e metodo per il monitoraggio di pantografi.

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339378A (zh) * 2010-07-22 2012-02-01 中国农业机械化科学研究院 一种自动提取棉苗的方法及其装置
CN103810487A (zh) * 2014-01-24 2014-05-21 深圳大学 一种海洋航拍图像的目标检测与识别方法及***
CN204808048U (zh) * 2015-06-18 2015-11-25 凌思兰 一种数字化航拍控制***
CN105404853A (zh) * 2015-10-29 2016-03-16 江南大学 基于内容的植物叶片在线识别***
CN105574488A (zh) * 2015-12-07 2016-05-11 北京航空航天大学 一种基于低空航拍红外图像的行人检测方法
CN106096563A (zh) * 2016-06-17 2016-11-09 深圳市易特科信息技术有限公司 植物自动识别***和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Color Image Segmentation for Medical Image using L*a*b Color Space;Patel Janakkumar Baldevbhai et al.;《IOSR Journal of Electronics and Communication Engineering》;20120630;第1卷(第2期);第24-45页
彩色树木图像分割方法的研究;祝贺;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315;第I138-2228页

Also Published As

Publication number Publication date
CN106503695A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
CN106503695B (zh) 一种基于航拍图像的烟草植株识别与计数方法
CN109447945B (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
CN107909138A (zh) 一种基于安卓平台的类圆颗粒物计数方法
CN110569747A (zh) 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法
CN103177445B (zh) 基于分段阈值图像分割及光斑识别的室外番茄识别方法
TWI687159B (zh) 魚苗計數系統及魚苗計數方法
CN104091175B (zh) 一种基于Kinect深度信息获取技术的害虫图像自动识别方法
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN106228157B (zh) 基于图像识别技术的彩色图像文字段落分割与识别方法
CN104166983A (zh) 基于结合图割(Graph Cut)的Vibe改进算法的运动目标实时提取方法
CN106682639B (zh) 一种基于视频监测的作物叶部异常图像提取方法
CN102663397B (zh) 一种小麦出苗的自动检测方法
CN106023137A (zh) 一种基于轮廓优化的木材计数方法
CN103530638A (zh) 多摄像头下的行人匹配方法
CN103886619A (zh) 一种融合多尺度超像素的目标跟踪方法
CN107992864A (zh) 一种基于图像纹理的活体识别方法及装置
TWI711008B (zh) 一種基於飽和度聚類的骨髓白血球細胞定位方法
CN116612192B (zh) 一种基于数字视频的病虫害区目标定位方法
CN106683098B (zh) 一种重叠叶片图像的分割方法
CN103985130A (zh) 一种针对复杂纹理图像的图像显著性分析方法
CN105719275A (zh) 一种并行组合的图像缺陷分割方法
CN109086823B (zh) 一种小麦赤霉病病穗率自动统计方法
CN104318240B (zh) 一种基于计算机视觉的花蕾判别方法
CN103400155A (zh) 基于图半监督学习的色***检测方法
CN114511567B (zh) 舌体与舌苔图像识别分离方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant