CN113989253A - 农田目标对象信息的获取方法及装置 - Google Patents
农田目标对象信息的获取方法及装置 Download PDFInfo
- Publication number
- CN113989253A CN113989253A CN202111301315.6A CN202111301315A CN113989253A CN 113989253 A CN113989253 A CN 113989253A CN 202111301315 A CN202111301315 A CN 202111301315A CN 113989253 A CN113989253 A CN 113989253A
- Authority
- CN
- China
- Prior art keywords
- sub
- farmland
- images
- target object
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000011049 filling Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010899 nucleation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 241000209094 Oryza Species 0.000 description 38
- 235000007164 Oryza sativa Nutrition 0.000 description 38
- 235000009566 rice Nutrition 0.000 description 38
- 238000010586 diagram Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 238000009331 sowing Methods 0.000 description 6
- 230000010339 dilation Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农田目标对象信息的获取方法及装置。其中,该方法包括:获取被测区域的农田图像;从农田图像中获取多个子农田图像;对每一个子农田图像进行目标对象获取,得到多个子农田图像中目标对象的数量;根据多个子农田图像中目标对象的数量得到被测区域中的目标对象信息。本发明解决了相关技术中农田幼苗统计依赖于人工数苗,可靠性和效率比较低的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种农田目标对象信息的获取方法及装置。
背景技术
水稻幼苗计量是精准农业的重要组成部分,可以根据幼苗计量结果估算当期水稻的出苗率、绘制水稻苗情基数变量图、指导当期水稻的水肥管理策略和下期水稻的播种策略。传统水稻种植户依赖肉眼逐田查看苗情,往往获得的是比较笼统的出苗好/坏/一般等感官评价,要实现幼苗的精准计量需要繁重的人工数苗过程,规模种植户无法获得所有地块的幼苗计量数据。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种农田目标对象信息的获取方法及装置,以至少解决相关技术中农田幼苗统计依赖于人工数苗,可靠性和效率比较低的技术问题。
根据本发明实施例的一个方面,提供了一种农田目标对象信息的获取方法,包括:获取被测区域的农田图像;从所述农田图像中获取多个子农田图像;对每一个所述子农田图像进行目标对象获取,得到多个所述子农田图像中所述目标对象的数量;根据多个所述子农田图像中所述目标对象的数量得到所述被测区域中的目标对象信息。
可选地,获取被测区域的农田图像,包括:在确定飞行装置移动到所述被测区域的情况下,触发所述飞行装置的图像采集设备启动,以采集所述被测区域的影像信息;从所述影像信息中获取所述农田图像。
可选地,对每一个所述子农田图像进行目标对象获取,得到多个所述子农田图像中所述目标对象的数量,包括:利用预定卷积核对多个所述子农田图像进行二维卷积操作,得到多个第一子农田图像;对多个所述第一子农田图像进行颜色空间转换,得到多个第二子农田图像;利用预定颜色通道参数阈值,对多个所述第二子农田图像进行目标对象提取处理,以得到多个第三子农田图像,其中,所述第三子农田图像为所述第二子农田图像中包括所述目标对象的图像;提取多个所述第三子农田图像的有效区域,得到有效区域集合,其中,所述有效区域集合中包括所述第三子农田图像中所述目标对象的轮廓;基于所述有效区域集合得到多个所述子农田图像中所述目标对象的数量。
可选地,所述预定卷积核通过以下方式获取得到:获取所述被测区域内所述目标对象的第一特征信息和所述被测区域内非目标对象的第二特征信息;基于所述第一特征信息和所述第二特征信息得到所述预定卷积核。
可选地,对多个所述第一子农田图像进行颜色空间转换,得到多个第二子农田图像,包括:基于多个所述第一子农田图像得到多个所述子农田图像的RGB颜色模型;将多个所述子农田图像的RGB颜色模型转换为HSV颜色模型,得到多个所述第二子农田图像。
可选地,提取多个所述第三子农田图像的有效区域,得到有效区域集合,包括:对多个所述第三子农田图像进行预处理,得到多个第四子农田图像;对多个所述第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像;遍历多个所述目标对象轮廓图像,以创建多个所述目标对象轮廓图像的预定外接图形;遍历多个所述目标对象轮廓图像的预定外接图形,以得到所述预定外接图形内的目标对象图像;基于所述预定外接图形内的目标对象图像,得到所述有效区域集合。
可选地,对多个所述第三子农田图像进行预处理,得到多个第四子农田图像,包括:对多个所述第三子农田图像的预定区域进行膨胀处理,得到多个第五子农田图像;提取多个所述第五子农田图像中的目标对象前景,得到多个目标对象前景图像;获取多个所述目标对象前景图像中每一个目标对象前景图像的所有边界点坐标信息;基于所述每一个目标对象前景图像的所有边界点坐标信息对多个所述第五子农田图像进行距离变换,得到多个第六子农田图像;对多个所述第六子农田图像进行形态学开运算,得到多个所述第四子农田图像。
可选地,基于所述每一个目标对象前景图像的所有边界点坐标信息对多个所述第五子农田图像进行距离变换,得到多个第六子农田图像,包括:获取对多个所述第五子农田图像进行距离变换得到的多个距离值中的最大距离值;基于所述最大距离值设置过滤阈值;利用所述过滤阈值对多个所述第五子农田图像进行噪声过滤,以得到多个所述第六子农田图像。
可选地,对多个所述第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像,包括:确定多个所述第四子农田图像中每一个第四子农田图像的起始边界点;在确定所述起始边界点为多个所述第四子农田图像的外轮廓起始点或内轮廓起始点时,从所述起始边界点的相邻边界点开始继续搜索,以得到多个所述目标对象轮廓图像;在确定所述起始边界点不为多个所述第四子农田图像的外轮廓起始点或内轮廓起始点时,从所述起始边界点的下一个像素点开始,继续扫描直到搜索到预定区域的像素,以得到多个所述目标对象轮廓图像。
可选地,在基于所述预定外接图形内的目标对象图像,得到所述有效区域集合时,该农田目标对象信息的获取方法还包括:在所述目标对象图像的尺寸小于预定数值时,对所述目标对象图像进行填充,以使所述目标对象图像的尺寸满足预定尺寸;在所述目标对象图像的尺寸大于所述预定数值时,对所述目标对象图像按照预定比例缩小,并将缩小后尺寸小于所述预定数值的短边执行填充操作,以使所述目标对象图像的尺寸满足所述预定尺寸。
可选地,基于所述有效区域集合得到多个所述子农田图像中所述目标对象的数量,包括:将所述有效区域集合作为预测模型的输入,其中,所述预测模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据均包括:历史有效区域集合以及与所述历史有效区域集合对应的所述目标对象的数量;基于所述预测模型的输出得到所述多个子农田区域中所述目标对象的数量。
可选地,所述目标对象为所述被测区域中的幼苗,所述目标对象信息包括以下至少之一:瞬时幼苗数、平均幼苗数、平均出苗率、幼苗均匀度,其中,所述瞬时幼苗数为基于预定面积的幼苗基数预测得到的每一亩农田的幼苗基数,所述平均幼苗数为当前时刻之前所有农田图像的瞬时苗数的平均值,所述平均出苗率为所述平均出苗率与播种时每一亩农田所使用的种子总数之比的预定百分比,所述幼苗均匀度为预定值与预定差值的预定百分比,所述预定差值为幼苗基数标准差和平均幼苗基数的比值的差值。
根据本发明实施例的另外一个方面,还提供了一种农田目标对象信息的获取装置,包括:第一获取模块,用于获取被测区域的农田图像;第二获取模块,用于从所述农田图像中获取多个子农田图像;第三获取模块,用于对每一个所述子农田图像进行目标对象获取,得到多个所述子农田图像中所述目标对象的数量;第四获取模块,用于根据多个所述子农田图像中所述目标对象的数量得到所述被测区域中的目标对象信息。
可选地,所述第一获取模块,包括:采集子模块,用于在确定飞行装置移动到所述被测区域的情况下,触发所述飞行装置的图像采集设备启动,以采集所述被测区域的影像信息;第一获取子模块,用于从所述影像信息中获取所述农田图像。
可选地,所述第三获取模块,包括:二维卷积子模块,用于利用预定卷积核对多个所述子农田图像进行二维卷积操作,得到多个第一子农田图像;颜色空间转换子模块,用于对多个所述第一子农田图像进行颜色空间转换,得到多个第二子农田图像;第一提取子模块,用于利用预定颜色通道参数阈值,对多个所述第二子农田图像进行目标对象提取处理,以得到多个第三子农田图像,其中,所述第三子农田图像为所述第二子农田图像中包括所述目标对象的图像;第二提取子模块,用于提取多个所述第三子农田图像的有效区域,得到有效区域集合,其中,所述有效区域集合中包括所述第三子农田图像中所述目标对象的轮廓;第二获取子模块,用于基于所述有效区域集合得到多个所述子农田图像中所述目标对象的数量。
可选地,所述预定卷积核通过以下方式获取得到:获取所述被测区域内所述目标对象的第一特征信息和所述被测区域内非目标对象的第二特征信息;基于所述第一特征信息和所述第二特征信息得到所述预定卷积核。
可选地,所述颜色空间转换子模块,包括:第一获取单元,用于基于多个所述第一子农田图像得到多个所述子农田图像的RGB颜色模型;转换单元,用于将多个所述子农田图像的RGB颜色模型转换为HSV颜色模型,得到多个所述第二子农田图像。
可选地,所述第二提取子模块,包括:预处理单元,用于对多个所述第三子农田图像进行预处理,得到多个第四子农田图像;轮廓检测单元,用于对多个所述第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像;第一遍历单元,用于遍历多个所述目标对象轮廓图像,以创建多个所述目标对象轮廓图像的预定外接图形;第二遍历单元,用于遍历多个所述目标对象轮廓图像的预定外接图形,以得到所述预定外接图形内的目标对象图像;第二获取单元,用于基于所述预定外接图形内的目标对象图像,得到所述有效区域集合。
可选地,所述预处理单元,包括:膨胀处理子单元,用于对多个所述第三子农田图像的预定区域进行膨胀处理,得到多个第五子农田图像;提取子单元,用于提取多个所述第五子农田图像中的目标对象前景,得到多个目标对象前景图像;第一获取子单元,用于获取多个所述目标对象前景图像中每一个目标对象前景图像的所有边界点坐标信息;距离变换子单元,用于基于所述每一个目标对象前景图像的所有边界点坐标信息对多个所述第五子农田图像进行距离变换,得到多个第六子农田图像;形态学开运算对多个所述第六子农田图像进行形态学开运算,得到多个所述第四子农田图像。
可选地,所述距离变换子单元还用于:获取对多个所述第五子农田图像进行距离变换得到的多个距离值中的最大距离值;基于所述最大距离值设置过滤阈值;利用所述过滤阈值对多个所述第五子农田图像进行噪声过滤,以得到多个所述第六子农田图像。
可选地,所述轮廓检测单元,包括:确定子单元,用于确定多个所述第四子农田图像中每一个第四子农田图像的起始边界点;搜索子单元,用于在确定所述起始边界点为多个所述第四子农田图像的外轮廓起始点或内轮廓起始点时,从所述起始边界点的相邻边界点开始继续搜索,以得到多个所述目标对象轮廓图像;第二获取子单元,用于在确定所述起始边界点不为多个所述第四子农田图像的外轮廓起始点或内轮廓起始点时,从所述起始边界点的下一个像素点开始,继续扫描直到搜索到预定区域的像素,以得到多个所述目标对象轮廓图像。
可选地,该农田目标对象信息的获取装置还包括:第一填充单元,用于在基于所述预定外接图形内的目标对象图像,得到所述有效区域集合时,在所述目标对象图像的尺寸小于预定数值时,对所述目标对象图像进行填充,以使所述目标对象图像的尺寸满足预定尺寸;第二填充单元,用于在所述目标对象图像的尺寸大于所述预定数值时,对所述目标对象图像按照预定比例缩小,并将缩小后尺寸小于所述预定数值的短边执行填充操作,以使所述目标对象图像的尺寸满足所述预定尺寸。
可选地,所述第二获取子模块,包括:确定单元,用于将所述有效区域集合作为预测模型的输入,其中,所述预测模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据均包括:历史有效区域集合以及与所述历史有效区域集合对应的所述目标对象的数量;第三获取单元,用于基于所述预测模型的输出得到所述多个子农田区域中所述目标对象的数量。
可选地,所述目标对象为所述被测区域中的幼苗,所述目标对象信息包括以下至少之一:瞬时幼苗数、平均幼苗数、平均出苗率、幼苗均匀度,其中,所述瞬时幼苗数为基于预定面积的幼苗基数预测得到的每一亩农田的幼苗基数,所述平均幼苗数为当前时刻之前所有农田图像的瞬时苗数的平均值,所述平均出苗率为所述平均出苗率与播种时每一亩农田所使用的种子总数之比的预定百分比,所述幼苗均匀度为预定值与预定差值的预定百分比,所述预定差值为幼苗基数标准差和平均幼苗基数的比值的差值。
根据本发明实施例的另外一个方面,还提供了一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述任一项中所述的农田目标对象信息的获取方法。
根据本发明实施例的另外一个方面,还提供了一种农田目标对象信息的获取***,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行上述任一项中所述的农田目标对象信息的获取方法。
在本发明实施例中,获取被测区域的农田图像;从农田图像中获取多个子农田图像;对每一个子农田图像进行目标对象获取,得到多个子农田图像中目标对象的数量;根据多个子农田图像中目标对象的数量得到被测区域中的目标对象信息。。通过本发明实施例提供的农田目标对象信息的获取方法,实现了对农田幼苗进行自动化分析的目的,达到了提高对农田幼苗进行分析的可靠性以及效率,进而解决了相关技术中农田幼苗统计依赖于人工数苗,可靠性和效率比较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的农田目标对象信息的获取方法的流程图;
图2是根据本发明实施例的多个子农田图像的示意图;
图3是根据本发明实施例的无人机农田巡航的示意图;
图4是根据本发明实施例的无人机拍摄的影像信息的示意图;
图5是根据本发明实施例的幼苗卷积以及颜色空间选择性提取的示意图;
图6(a)是根据本发明实施例的膨胀处理后的幼苗区域图像的示意图;
图6(b)是根据本发明实施例的距离变换后的幼苗区域图像的示意图;
图6(c)是根据本发明实施例的噪声过滤后的幼苗区域图像的示意图;
图6(d)是根据本发明实施例的形态学开运算后的幼苗区域图像的示意图;
图7是根据本发明实施例的幼苗轮廓的示意图;
图8是根据本发明实施例的筛选后的幼苗轮廓的示意图;
图9是根据本发明实施例的提取出的有效区域的示意图;
图10是根据本发明实施例的预测模型的框架图;
图11是根据本发明实施例的无人机在在某一时刻的循环结果的示意图;
图12(a)是根据本发明实施例的无人机巡航中初始45s的输出统计结果的示意图一;
图12(b)是根据本发明实施例的无人机巡航中初始45s的输出统计结果的示意图二;
图13是根据本发明实施例的可选的农田目标对象信息的获取方法的示意图;
图14是根据本发明实施例的农田目标对象信息的获取装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,下面对本发明中出现的部分名词或术语进行解释说明。
Padding,是元素边框与元素内容之间的空间,使用该填充属性是在一个声明中设置元素的内边距属性。
HSV(Hue,Saturation,Value),是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型,该模型中颜色的参数分别是:色调(H),饱和度(S),明度(V)。
软件开发工具包(Software Development Kit,简称SDK):是一些软件工程师为特定的软件包、软件框架、硬件平台、操作***等建立应用软件时的开发工具的集合。
幼苗计量是精准农业的重要组成部分,例如,对于稻田,根据幼苗计量结果可以估算当期水稻的出苗率、绘制水稻苗情况基数变量图、指导当期水稻的水肥管理策略和下期水稻的播种策略,种植户精准掌握播种后大田苗情状况,对于水稻的大田管理和增长增收比较重要。
然而,目前的水稻种植户依赖肉眼逐田查看苗情,往往仅能获得的是笼统的出苗好/坏/一般等感官评价,而要实现幼苗的精确计量需要繁重的人工数苗过程,规模种植户则无法获得所有地块的幼苗计量数据等信息。
针对上述弊端,在本实施例中以被测区域中的目标对象为研究对象,以无人机巡田获得大田影像信息,通过对图像的分析处理,并利用卷积网络优化算法,实时获得被测区域的相关信息,大大减轻被测区域目标对象计量的工作量,为农田全程精准管理提供了可能。
下面结合以下具体实施例进行详细说明。
实施例1
根据本发明实施例,提供了一种农田目标对象信息的获取方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的农田目标对象信息的获取方法的流程图,如图1所示,该农田目标对象信息的获取方法包括如下步骤:
步骤S102,获取被测区域的农田图像。
可选的,上述被测区域可以包括但不限于:农田,例如,稻田、麦田、玉米田等。在本发明实施例中,以被测区域为稻田为例进行说明。
步骤S104,从农田图像中获取多个子农田图像。
可选的,为了能够比较精确、快速地对每一帧农田图像进行分析,得到该农田图像中的目标对象的信息。在本发明实施例中,可以通过对农田图像进行了图像分割以从农田图像中得到多个子农田图像。
其中,在本发明实施例中,以目标对象为农田幼苗为例进行说明。即,在本发明实施例中,以被测区域中的农田幼苗为研究对象。当然,研究对象也可以为被测区域中的其他对象,例如,农田内的杂物(比如,杂草)、农田内的中期植株等。
例如,图2是根据本发明实施例的多个子农田图像的示意图,如图2所示,可以将农田图像切割为大小相同的9个子农田图像(0_0.jpg、0_1.jpg、0_2.jpg、1_0.jpg、1_1.jpg、1_2.jpg、2_0.jpg、2_1.jpg、2_2.jpg)。其中,在该实施例中,多个子农田图像的图像格式为jpg格式,当然也可以为其他格式,在此不做具体限定。
步骤S106,对每一个子农田图像进行目标对象获取,得到多个子农田图像中目标对象的数量。
作为一种可选的实施例,为了提高对农田幼苗的分析效率,在该实施例中,可以通过设定包含有多个子进程的进程池,以便于对多个子农田图像进行并行处理,进而提高处理速度。
其中,上述子进程的数量不少于多个子农田图像的数量。
例如,当多个子农田图像的数量为9个时,在上述进程池中至少有9个子进程。当确定执行完成步骤S104得到9个子农田图像时,可以将这9个子农田图像分别作为9个子进程的输入,以利用这9个子进程对9个子农田图像进行处理,以得到这9个子农田区域的幼苗数量,为后续对被测区域进行幼苗信息分析提供了数据支撑。
步骤S108,根据多个子农田图像中目标对象的数量得到被测区域中的目标对象信息。
由上可知,在本发明实施例中,在确定研究对象后,可以获取被测区域的农田图像,接着可以从农田图像中获取多个子农田图像,再对每一个子农田图像进行目标对象获取,得到多个子农田图像中目标对象的数量,从而根据多个子农田图像中目标对象的数量得到被测区域中的目标对象信息,实现了对农田幼苗进行自动化分析的目的,达到了提高对农田幼苗进行分析的可靠性以及效率。
值得注意的是,由于在本发明实施例中,可以通过自动获取被测区域的农田图像,在对获取的农田图像进行处理时,可以先对农田图像进行分割,并对分割后的子农田图像进行并行处理,以同时得到多个子农田图像的幼苗数量,这就使得幼苗信息获取由人工数苗转换为了自动化幼苗统计分析,不仅降低了人力成本,节省了劳动力,而且也提高了农田幼苗分析的效率,有效降低了人工数苗带来的误差。
因此,通过本发明实施例提供的农田目标对象信息的获取方法,解决了相关技术中农田幼苗统计依赖于人工数苗,可靠性和效率比较低的技术问题。
在本发明上述实施例提供的一种可选方案中,上述步骤S102中,获取被测区域的农田图像,包括:在确定飞行装置移动到被测区域的情况下,触发飞行装置的图像采集设备启动,以采集被测区域的影像信息;从影像信息中获取农田图像。
可选的,上述飞行装置可以为无人机。在应用过程中,无人机可以预先搭载图像采集设备,当确定无人机飞行至被测区域时,可以触发其搭载的图像采集设备启动,以采集被测区域的影像信息,进而从影像信息中获取农田图像。
例如,可以开启无人机进行田间巡航,当无人机到达研究农田时,开启摄像头获取农田信息。
图3是根据本发明实施例的无人机农田巡航的示意图,在图3中示出了无人机搭载的图像采集设备的图像采集视野,即,图中四条虚线在地面的投影面。
在本发明实施例中,无人机的飞行高度为:1.25米,图像采集设备(即,相机)角度:90°(垂直向下),图像采集设备的分辨率:相机分辨率:4096*2160,帧率60fps,CMOS 1英寸,焦距8.8mm。
又例如,在本发明实施例中,可以开发实时获取无人机影像资料的安装包。其中,这里的对安装包的类型不做具体限定,既可以是Android,也可以为其他类型。这里以安卓ADK为例获取无人机低空飞行拍摄的影像资料,如图4所示(图4是根据本发明实施例的无人机拍摄的影像信息的示意图),在该图中示出了若干穴幼苗,即,图3的投影面所在深色区域的影像。
在该实施例中,可以从无人机的图像采集设备采集的视频媒体流中,实时抽取每一帧的RGB图像。基于该RGB图像计算无人机的图像采集设备的视野实际面积,其计算步骤如下:1)获取电子元件成像领域sensor尺寸1英寸=16mm;2)设置相机(即,图像采集设备)画幅宽为x、长为y,由已知条件可建立方程组:可得相片画幅的宽x=7.463mm,长y=14.153mm。3)可设相机焦距为f,无人机飞行高度为h,实际视野范围的宽为fact_x,实际视野范围的长为fact_y,可根据焦距与飞行高度的关系:可得,视野可视范围的实际宽fact_x=1067.548mm,实际长fact_y=2024.522mm;4)无人机搭载相机的实际视野面积为:fact_x*fact_y/10^6=2.16m^2。
在本发明上述实施例提供的一种可选方案中,上述步骤S106中,对每一个子农田图像进行目标对象获取,得到多个子农田图像中目标对象的数量,包括:利用预定卷积核对多个子农田图像进行二维卷积操作,得到多个第一子农田图像;对多个第一子农田图像进行颜色空间转换,得到多个第二子农田图像;利用预定颜色通道参数阈值,对多个第二子农田图像进行目标对象提取处理,以得到多个第三子农田图像,其中,第三子农田图像为第二子农田图像中包括目标对象的图像;提取多个第三子农田图像的有效区域,得到有效区域集合,其中,有效区域集合中包括第三子农田图像中目标对象的轮廓;基于有效区域集合得到多个子农田图像中目标对象的数量。
在该实施例中,仍以多个子农田图像的数量为9个进行说明。在将9个子农田图像分别输入至9个子进程后,9个子进程会对这9各子农田图像进行二维卷积操作,以遮盖掉田间的细小杂物以及因光照引起的对提取绿色幼苗的影响,以确保幼苗提取的精准度。接着对卷积处理后的9个子农田图像进行颜色空间转换,以得到9个子农田图像中的幼苗区域图像;并在对9个幼苗区域图像进行有效区域提取后,即可基于有效区域进行处理,得到这9个子农田区域的幼苗数量。
在上述步骤中,预定卷积核可以通过以下方式获取得到:获取被测区域内目标对象的第一特征信息和被测区域内非目标对象的第二特征信息;基于第一特征信息和第二特征信息得到预定卷积核。
针对本发明实施例中的研究对象:3-4叶期水稻幼苗,可以基于这种水稻幼苗的特征信息(例如,颜色、尺寸等)以及水稻田中细小杂物等(非幼苗对象)的特征信息来设定卷积核(即,预定卷积核),上述预定卷积核可为值为0.25的3*3的矩阵,以上述自定义卷积核对水稻幼苗RGB图像进行二维卷积操作,可以有效的遮盖掉田间细小杂物及因光照引起的对提取绿色幼苗的影响。
上述步骤中,对多个第一子农田图像进行颜色空间转换,得到多个第二子农田图像,包括:基于多个第一子农田图像得到多个子农田图像的RGB颜色模型;将多个子农田图像的RGB颜色模型转换为HSV颜色模型,得到多个第二子农田图像。
在该实施例中,可以向得到卷积处理后的9个子农田图像得到9个子农田图像的RGB颜色模型,并将9个子农田图像的RGB颜色模型转换为HSV颜色模型。
具体地,利用预定颜色通道参数阈值,对多个第二子农田图像进行目标对象提取处理,以得到多个第三子农田图像,可以通过以下方式来实现:先获取提取操作的预定颜色通道参数阈值,其中,预定颜色通道参数阈值为基于被测区域内幼苗对象的颜色信息预先设置的阈值;接着基于预定颜色通道参数阈值对颜色空间转换后的多个子农田图像进行绿色空间分量图像提取操作,得到多个第三子农田图像。
例如,可以预先根据研究对象设置预定颜色通道参数阈值,接着根据预定颜色通道参数阈值对颜色空间转换后的9个子农田图像进行绿色空间分量图像提取操作,得到多个幼苗区域图像(即,上述第三子农田图像)。
针对3-4叶期水稻幼苗,提取的幼苗颜色空间范围为:H:(35,77),S:(43,255),V:(46,255)。图5是根据本发明实施例的幼苗卷积以及颜色空间选择性提取的示意图,其中,这里的是对图2中0_0.jpg的提取结果。
上述步骤中,提取多个第三子农田图像的有效区域,得到有效区域集合,包括:对多个第三子农田图像进行预处理,得到多个第四子农田图像;对多个第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像;遍历多个目标对象轮廓图像,以创建多个目标对象轮廓图像的预定外接图形;遍历多个目标对象轮廓图像的预定外接图形,以得到预定外接图形内的目标对象图像;基于预定外接图形内的目标对象图像,得到有效区域集合。
在该实施例中,可以先对多个幼苗区域图像进行预处理,接着可以对预处理后的多个幼苗区域图像进行轮廓检测,以得到多个幼苗轮廓图像,再基于多个幼苗轮廓图像进行处理得到有效区域集合。
下面分别对提取多个幼苗区域图像的有效区域进行详细说明。
在上述步骤中,对多个第三子农田图像进行预处理,得到多个第四子农田图像,这里的预处理操作可以包括但不限于:膨胀处理、距离变换处理、噪声过滤处理、和/或形态学开运算处理。若采用至少两种预处理类型对图像进行处理操作,可按照需求设置它们的处理顺序,例如,先进行膨胀处理后再进行距离变换处理,或者先进行距离变换处理后再进行膨胀处理等,在此不再一一列举。
而在本实施例中,该对多个第三子农田图像进行预处理,得到多个第四子农田图像,可以优先具体包括:对多个第三子农田图像的预定区域进行膨胀处理,得到多个第五子农田图像;提取多个第五子农田图像中的目标对象前景,得到多个目标对象前景图像;获取多个目标对象前景图像中每一个目标对象前景图像的所有边界点坐标信息;基于每一个目标对象前景图像的所有边界点坐标信息对多个第五子农田图像进行距离变换,得到多个第六子农田图像;对多个第六子农田图像进行形态学开运算,得到多个第四子农田图像。
由上可知,在该实施例中,可以通过膨胀、距离变换以及形态学开运算对多个幼苗区域图像进行预处理。
首先,上述预定区域可以为幼苗区域图像中的高亮部分,通过对水稻幼苗图像中的高亮部分进行膨胀处理,可以使其领域扩张,使其拥有比原图更大的高亮区域。针对本发明实施例的研究对象,膨胀的kernel设置为值为0.25的3*3矩阵,腐蚀次数为5。图6(a)是根据本发明实施例的膨胀处理后的幼苗区域图像的示意图,如图6(a)所示,幼苗区域图像中的高亮部分领域扩大,便于研究。
其次,对于距离变换,可以先提取幼苗区域图像中幼苗前景,接着对所有边界点坐标依次求相互距离,其中,各边界点相互距离的求解可以利用距离公式,例如,欧几里得距离公式,即,图6(b)是根据本发明实施例的距离变换后的幼苗区域图像的示意图。
最后,对于形态学开运算(一种基于几何运算的滤波器),设置大小为3*3,值为1的结构元素。去除图像中孤立的小点,毛刺和小桥,提取重要特征信息。图6(d)是根据本发明实施例的形态学开运算后的幼苗区域图像的示意图,如图6(d)所示,可以去除图像中孤立的小点,毛刺和小桥,便于提取重要特征信息。
需要说明的是,在本发明实施例中,在距离变换后、形态学开运算前,还可以进行噪声过滤,对于图像二值化,可以通过设定阈值threshold在一定程度上消除不同穴的水稻幼苗之间的粘连,其中:threshold=0.13*Distance.max(),其中,Distance.max()即为上述距离变换中得到的最大距离值,0.13是基于历史经验确定的数值,其根据研究对象的不同而变化。图6(c)是根据本发明实施例的噪声过滤后的幼苗区域图像的示意图,如图6(c)所示,可以通过设定阈值threshold在一定程度上消除不同穴的水稻幼苗之间的粘连,可以提高水稻幼苗数量的精准度。
因此,在一种可选的实施例中,基于每一个目标对象前景图像的所有边界点坐标信息对多个第五子农田图像进行距离变换,得到多个第六子农田图像,包括:获取对多个第五子农田图像进行距离变换得到的多个距离值中的最大距离值;基于最大距离值设置过滤阈值;利用过滤阈值对多个第五子农田图像进行噪声过滤,以得到多个第六子农田图像。在该实施例中,可以通过设置过滤阈值,以对幼苗区域图像进行噪声过滤,从而取消不同穴的水稻幼苗之间的粘连。
在上述步骤中,对多个第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像,包括:确定多个第四子农田图像中每一个第四子农田图像的起始边界点;在确定起始边界点为多个第四子农田图像的外轮廓起始点或内轮廓起始点时,从起始边界点的相邻边界点开始继续搜索,以得到多个目标对象轮廓图像;在确定起始边界点不为多个第四子农田图像的外轮廓起始点或内轮廓起始点时,从起始边界点的下一个像素点开始,继续扫描直到搜索到预定区域的像素,以得到多个目标对象轮廓图像。
需要说明的是,此处为应用Python语言中的findcounters函数来实现的。下面对findcounters函数在幼苗轮廓搜索中的应用进行说明。
首先可以定义fij为输入图片中坐标点(i,j)的像素值。同时,为每一个新发现的轮廓点设定一个唯一的编号,用NBD表示。初始化NBD=1。此处,NBD表示找到的轮廓点的数量,每搜索到一个轮廓点NBD会自动加1。
通过上述方式对findcounters函数进行初始化后,可以执行如下步骤:
步骤1):1.1)从左至右,从上到下扫描像素点,找到首个边界点,作为起始点,设为P0。将其坐标记入边界点坐标集合S。1.2)判断P0的类型:若fij=1且fi,j-1=0,则该点是外轮廓起始点,NBD+=1,(i2,j2)=(i,j-1)。若fij>=1且fi,j+1=0,则该点是内轮廓起始点,NBD+=1,(i2,j2)=(i,j+1)。1.3)若不满足1.2,则跳转到步骤3。
步骤2):2.1)从(i2,j2)开始,以(i,j)为中心顺时针找到一个非零点(i1,j1),即为新的边界点。将其坐标记入边界点坐标集合S。若找不到非零点,则fij=-NBD,跳转到2.4。2.2)更新坐标点:(i2,j2)=(i1,j1),(i3,j3)=(i,j)。2.3)从(i2,j2)开始,以(i3,j3)为中心逆时针找到第一个非零点(i4,j4),即为新的边界点。将其坐标记入边界点坐标集合S。2.4)根据以下情况更新(i3,j3):2.4.1)若(i3,j3+1)=0,则(i3,j3)=-NBD。2.4.2)若(i3,j3+1)≠0且(i3,j3)=1,则(i3,j3)=NBD。2.5)若2.3中,出现(i4,j4)=(i,j)且(i3,j3)=(i1,j1),则代表回到了原点,跳转到步骤3。否则,设(i2,j2)=(i3,j3),(i3,j3)=(i4,j4)并跳转到2.3。
步骤3):从下一个像素点(i,j+1)开始重复步骤1)继续扫描直到最右下角的像素。
图7是根据本发明实施例的幼苗轮廓的示意图,轮廓提取结果如图7所示,对每穴幼苗进行了标注。
其中,在基于预定外接图形内的目标对象图像,得到有效区域集合时,该农田目标对象信息的获取方法还包括:在目标对象图像的尺寸小于预定数值时,对目标对象图像进行填充,以使目标对象图像的尺寸满足预定尺寸;在目标对象图像的尺寸大于预定数值时,对目标对象图像按照预定比例缩小,并将缩小后尺寸小于预定数值的短边执行填充操作,以使目标对象图像的尺寸满足预定尺寸。
例如,在遍历幼苗轮廓待选区集合S(即,有效区域集合),创建幼苗轮廓的外接矩形集合R,定义外接矩形的长边阈值为A1、宽边阈值A2,过滤掉所有外接矩形框的长<A1或者宽<A2的待选区,得到新的选取集合S1以及R1。其中,图8是根据本发明实施例的筛选后的幼苗轮廓的示意图,由图8可知筛选后的幼苗轮廓去除了细小杂物,便于后续幼苗数量的统计。
又例如,在对上述矩形集合R1进行遍历时,将矩形范围内的图像(待有轮廓标记)赋值到新的对象seedlings_img中。若seedlings_img的宽与高均小于640,则将seedlings_img对象padding到640*640的大小,否则,将其按长边到640的比例进行同比例缩小,并将缩小后长度不足640的短边进行padding操作,其中padding的背景色均设置为常量(192,192,192)。图9是根据本发明实施例的提取出的有效区域的示意图,如下图9所示,为标注出的单穴幼苗图。最后得到seedlings_img的集合M。
在上述步骤中,基于有效区域集合得到多个子农田图像中目标对象的数量,包括:将有效区域集合作为预测模型的输入,其中,预测模型为使用多组训练数据通过机器学习训练得到的,多组训练数据中的每一组训练数据均包括:历史有效区域集合以及与历史有效区域集合对应的目标对象的数量;基于预测模型的输出得到多个子农田区域中目标对象的数量。
在该实施例中,可以使用预先训练好的预测模型预测得到有效区域集合对应的多个子农田区域中目标对象的数量。
即,在本发明实施例中,为了能够比较快速且准确地预测出多个子农田区域的幼苗数量,预先训练一个预测模型,在实际使用过程中,可以将采集的农田图像转换为有效区域集合,接着将有效区域集合作为预测模型的输入,在得到预测模型的输出,即可得到对应的幼苗数量。
其中,在本发明实施例中,预测模型可以通过以下方式来训练得到:
1).数据集的标注:通过人工标注的方法,标定出集合M中的水稻幼苗样本,其中,label值为该图像中的水稻幼苗基数值。
2).基于ResNet理论建立ResNet-50 Regressor深度学习模型(即,预测模型),用于训练学习单穴RGB图像中的水稻幼苗基数。预测模型输入为集合M,输出为幼苗数量(回归值)。
图10是根据本发明实施例的预测模型的框架图,如图10所示,#代表重复的数量,如,“#1#2”表示一个Convolution Block与2个Identity Block。
需要说明的是,为了避免模型学习陷入鞍点或局部极小值。本发明实施例中使用修正线性单元(Rectified Linear Unit,ReLU)作为激活函数,其梯度易于计算。ReLU的表达式可表示为:ReLU(x)=max(0,x)。
其中,预测模型的保存使用keras中ModelCheckPoint函数,其中,监视值为val_loss,save_best_only设为True,表示只保存在验证集上性能最好的模型,save_weights_only:设置为False,表示保存整个模型(包括模型结构,配置信息等)。
对于模型的加载与预测,可以将训练好的预测模型保存至固定目录,进行水稻幼苗计数任务时,无需再次训练。只需通过model=load_model(path)加载模型文件,并通过model.predict(seedlings_img)即可预测某穴水稻幼苗的基数。
另外,在本发明实施例中,对于图像拼接与参数计算描述如下:
一.图像拼接:可根据图像切割时记录的坐标信息,将9个子图重新拼接为一个完整的RGB图像。且覆盖流媒体影像信息的中原影像帧并同时输出。图11是根据本发明实施例的无人机在在某一时刻的循环结果的示意图,如图11为可以示出苗数、平均苗数、平均出苗率、幼苗均匀度等信息。
二.统计结果说明
在本发明实施例中,目标对象为被测区域中的幼苗,目标对象信息包括以下至少之一:瞬时幼苗数、平均幼苗数、平均出苗率、幼苗均匀度,其中,瞬时幼苗数为基于预定面积的幼苗基数预测得到的每一亩农田的幼苗基数,平均幼苗数为当前时刻之前所有农田图像的瞬时苗数的平均值,平均出苗率为平均出苗率与播种时每一亩农田所使用的种子总数之比的预定百分比,幼苗均匀度为预定值与预定差值的预定百分比,预定差值为幼苗基数标准差和平均幼苗基数的比值的差值。
例如,上述瞬时幼苗数:对于每一帧的图像,以2.16平方米区域面积的幼苗基数按照比例估计一亩地的幼苗基数(这里是以研究对象为3-4叶期水稻幼苗,无人机以及相机满足上述条件)。平均幼苗数:当前时刻之前的所有图像帧的瞬时苗数的和的平均值。平均出苗率:平均苗数/播种时每亩地所使用的种子总数*100%。幼苗均匀度:(1-田块幼苗基数标准差/田块平均幼苗基数)*100。
图12(a)是根据本发明实施例的无人机巡航中初始45s的输出统计结果的示意图一,在该图中示出了瞬时苗数、平均苗数以及平均出苗率。
图12(b)是根据本发明实施例的无人机巡航中初始45s的输出统计结果的示意图二,在该图中示出了出苗率。
图13是根据本发明实施例的可选的农田目标对象信息的获取方法的示意图,如图13所示,在无人机巡航过程中,会实时采集农田的实时影像帧(例如,可通过Android SDK来获取无人机低空飞行拍摄的影像资料);接着从实时影像帧中提取农田图像,并对农田图像进行分割(例如,可分为9个子图),将分割结果输入至多进程的进程池进行并行计算;多进程的进程池会对图像进行数值化,接着进行颜色空间转换(例如,BGR→RGB→HSV),并提取绿色空间分量图像;接下来可以进行图像预处理(如,膨胀、距离变换、噪声过滤、形态学开运算),通过对预处理后的图像进行有效区域提取(轮廓检测、阈值分离、矩形切割),将有效区域输入至ResNet50 Regressor预测幼苗基数;最后,可以进行图像拼接以及区域内幼苗数统计,例如,亩基本苗数、苗情基数变量图、出苗率、田块幼苗均匀度,得到新的影像帧;在判断到无人机停止工作时,结束流程;反之,重复上述流程。
由上可知,通过本发明实施例提供的农田目标对象信息的获取方法,具有以下有益效果:1).通过无人机巡航实时拍摄并回传视频影像,对动态影像中的水稻幼苗进行计数,相比于人工检查稻田计数,不仅很大程度上提高了计数效率,而且计数结果更加准确,实时性更高。2)算法实现时,通过图像分割方法将图像分割成同等区域大小的多个子图,设置多进程并行处理多个幼苗计数任务,可以成倍的缩短计算时间。3)通过自定义卷积核,先卷积后实验确定幼苗颜色分量,可以很好的提取出水稻幼苗区域,排除土壤及其他异物的影响。且基于欧几里距离公式遍历幼苗边界点通过设定阈值在一定程度上消除不同穴的水稻幼苗之间的粘连。4)将图像识别算法ResNet-50应用于水稻幼苗识别,并将其改进为针对于水稻幼苗的回归预测算法使其能够完成水稻幼苗计数任务。5)改进的ResNet-50Regressor模型训练样本为人工标注的以“穴”为单位的区域内的水稻幼苗,该训练完成的模型具有一定的泛化性能,不会明显受到飞行速度及风速等外界因素的影响。
实施例2
根据本发明实施例的另外一个方面,还提供了一种农田目标对象信息的获取装置,图14是根据本发明实施例的农田目标对象信息的获取装置的示意图,如图14所示,该农田目标对象信息的获取装置可以包括:第一获取模块1401、第二获取模块1403、第三获取模块1405以及第四获取模块1407。下面对该农田目标对象信息的获取装置进行说明。
第一获取模块1401,用于获取被测区域的农田图像。
第二获取模块1403,用于从农田图像中获取多个子农田图像。
第三获取模块1405,用于对每一个子农田图像进行目标对象获取,得到多个子农田图像中目标对象的数量。
第四获取模块1407,用于根据多个子农田图像中目标对象的数量得到被测区域中的目标对象信息。
此处需要说明的是,上述第一获取模块1401、第二获取模块1403、第三获取模块1405以及第四获取模块1407对应于实施例1中的步骤S102至S108,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
由上可知,在本发明实施例中,可以利用第一获取模块获取被测区域的农田图像;然后利用第二获取模块从农田图像中获取多个子农田图像;接着利用第三获取模块对每一个子农田图像进行目标对象获取,得到多个子农田图像中目标对象的数量;并利用第四获取模块根据多个子农田图像中目标对象的数量得到被测区域中的目标对象信息。通过本发明实施例提供的农田目标对象信息的获取装置,实现了对农田幼苗进行自动化分析的目的,达到了提高对农田幼苗进行分析的可靠性以及效率,解决了相关技术中农田幼苗统计依赖于人工数苗,可靠性和效率比较低的技术问题。
在一种可选的实施例中,第一获取模块,包括:采集子模块,用于在确定飞行装置移动到被测区域的情况下,触发飞行装置的图像采集设备启动,以采集被测区域的影像信息;第一获取子模块,用于从影像信息中获取农田图像。
在一种可选的实施例中,第三获取模块,包括:二维卷积子模块,用于利用预定卷积核对多个子农田图像进行二维卷积操作,得到多个第一子农田图像;颜色空间转换子模块,用于对多个第一子农田图像进行颜色空间转换,得到多个第二子农田图像;第一提取子模块,用于利用预定颜色通道参数阈值,对多个第二子农田图像进行目标对象提取处理,以得到多个第三子农田图像,其中,第三子农田图像为第二子农田图像中包括目标对象的图像;第二提取子模块,用于提取多个第三子农田图像的有效区域,得到有效区域集合,其中,有效区域集合中包括第三子农田图像中目标对象的轮廓;第二获取子模块,用于基于有效区域集合得到多个子农田图像中目标对象的数量。
在一种可选的实施例中,预定卷积核通过以下方式获取得到:获取被测区域内目标对象的第一特征信息和被测区域内非目标对象的第二特征信息;基于第一特征信息和第二特征信息得到预定卷积核。
在一种可选的实施例中,颜色空间转换子模块,包括:第一获取单元,用于基于多个第一子农田图像得到多个子农田图像的RGB颜色模型;转换单元,用于将多个子农田图像的RGB颜色模型转换为HSV颜色模型,得到多个第二子农田图像。
在一种可选的实施例中,第二提取子模块,包括:预处理单元,用于对多个第三子农田图像进行预处理,得到多个第四子农田图像;轮廓检测单元,用于对多个第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像;第一遍历单元,用于遍历多个目标对象轮廓图像,以创建多个目标对象轮廓图像的预定外接图形;第二遍历单元,用于遍历多个目标对象轮廓图像的预定外接图形,以得到预定外接图形内的目标对象图像;第二获取单元,用于基于预定外接图形内的目标对象图像,得到有效区域集合。
在一种可选的实施例中,预处理单元,包括:膨胀处理子单元,用于对多个第三子农田图像的预定区域进行膨胀处理,得到多个第五子农田图像;提取子单元,用于提取多个第五子农田图像中的目标对象前景,得到多个目标对象前景图像;第一获取子单元,用于获取多个目标对象前景图像中每一个目标对象前景图像的所有边界点坐标信息;距离变换子单元,用于基于每一个目标对象前景图像的所有边界点坐标信息对多个第五子农田图像进行距离变换,得到多个第六子农田图像;形态学开运算对多个第六子农田图像进行形态学开运算,得到多个第四子农田图像。
在一种可选的实施例中,距离变换子单元还用于:获取对多个第五子农田图像进行距离变换得到的多个距离值中的最大距离值;基于最大距离值设置过滤阈值;利用过滤阈值对多个第五子农田图像进行噪声过滤,以得到多个第六子农田图像。
在一种可选的实施例中,轮廓检测单元,包括:确定子单元,用于确定多个第四子农田图像中每一个第四子农田图像的起始边界点;搜索子单元,用于在确定起始边界点为多个第四子农田图像的外轮廓起始点或内轮廓起始点时,从起始边界点的相邻边界点开始继续搜索,以得到多个目标对象轮廓图像;第二获取子单元,用于在确定起始边界点不为多个第四子农田图像的外轮廓起始点或内轮廓起始点时,从起始边界点的下一个像素点开始,继续扫描直到搜索到预定区域的像素,以得到多个目标对象轮廓图像。
在一种可选的实施例中,该农田目标对象信息的获取装置还包括:第一填充单元,用于在基于预定外接图形内的目标对象图像,得到有效区域集合时,在目标对象图像的尺寸小于预定数值时,对目标对象图像进行填充,以使目标对象图像的尺寸满足预定尺寸;第二填充单元,用于在目标对象图像的尺寸大于预定数值时,对目标对象图像按照预定比例缩小,并将缩小后尺寸小于预定数值的短边执行填充操作,以使目标对象图像的尺寸满足预定尺寸。
在一种可选的实施例中,第二获取子模块,包括:确定单元,用于将有效区域集合作为预测模型的输入,其中,预测模型为使用多组训练数据通过机器学习训练得到的,多组训练数据中的每一组训练数据均包括:历史有效区域集合以及与历史有效区域集合对应的目标对象的数量;第三获取单元,用于基于预测模型的输出得到多个子农田区域中目标对象的数量。
在一种可选的实施例中,目标对象为被测区域中的幼苗,目标对象信息包括以下至少之一:瞬时幼苗数、平均幼苗数、平均出苗率、幼苗均匀度,其中,瞬时幼苗数为基于预定面积的幼苗基数预测得到的每一亩农田的幼苗基数,平均幼苗数为当前时刻之前所有农田图像的瞬时苗数的平均值,平均出苗率为平均出苗率与播种时每一亩农田所使用的种子总数之比的预定百分比,幼苗均匀度为预定值与预定差值的预定百分比,预定差值为幼苗基数标准差和平均幼苗基数的比值的差值。
实施例3
根据本发明实施例的另外一个方面,还提供了一种计算机可读的存储介质,计算机可读的存储介质包括存储的程序,其中,程序运行时执行上述任一项中的农田目标对象信息的获取方法。
实施例4
根据本发明实施例的另外一个方面,还提供了一种农田目标对象信息的获取***,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为通过计算机程序执行上述任一项中的农田目标对象信息的获取方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种农田目标对象信息的获取方法,其特征在于,包括:
获取被测区域的农田图像;
从所述农田图像中获取多个子农田图像;
对每一个所述子农田图像进行目标对象获取,得到多个所述子农田图像中所述目标对象的数量;
根据多个所述子农田图像中所述目标对象的数量得到所述被测区域中的目标对象信息。
2.根据权利要求1所述的方法,其特征在于,获取被测区域的农田图像,包括:
在确定飞行装置移动到所述被测区域的情况下,触发所述飞行装置的图像采集设备启动,以采集所述被测区域的影像信息;
从所述影像信息中获取所述农田图像。
3.根据权利要求1所述的方法,其特征在于,对每一个所述子农田图像进行目标对象获取,得到多个所述子农田图像中所述目标对象的数量,包括:
利用预定卷积核对多个所述子农田图像进行二维卷积操作,得到多个第一子农田图像;
对多个所述第一子农田图像进行颜色空间转换,得到多个第二子农田图像;
利用预定颜色通道参数阈值,对多个所述第二子农田图像进行目标对象提取处理,以得到多个第三子农田图像,其中,所述第三子农田图像为所述第二子农田图像中包括所述目标对象的图像;
提取多个所述第三子农田图像的有效区域,得到有效区域集合,其中,所述有效区域集合中包括所述第三子农田图像中所述目标对象的轮廓;
基于所述有效区域集合得到多个所述子农田图像中所述目标对象的数量。
4.根据权利要求3所述的方法,其特征在于,所述预定卷积核通过以下方式获取得到:
获取所述被测区域内所述目标对象的第一特征信息和所述被测区域内非目标对象的第二特征信息;
基于所述第一特征信息和所述第二特征信息得到所述预定卷积核。
5.根据权利要求3所述的方法,其特征在于,对多个所述第一子农田图像进行颜色空间转换,得到多个第二子农田图像,包括:
基于多个所述第一子农田图像得到多个所述子农田图像的RGB颜色模型;
将多个所述子农田图像的RGB颜色模型转换为HSV颜色模型,得到多个所述第二子农田图像。
6.根据权利要求3所述的方法,其特征在于,提取多个所述第三子农田图像的有效区域,得到有效区域集合,包括:
对多个所述第三子农田图像进行预处理,得到多个第四子农田图像;
对多个所述第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像;
遍历多个所述目标对象轮廓图像,以创建多个所述目标对象轮廓图像的预定外接图形;
遍历多个所述目标对象轮廓图像的预定外接图形,以得到所述预定外接图形内的目标对象图像;
基于所述预定外接图形内的目标对象图像,得到所述有效区域集合。
7.根据权利要求6所述的方法,其特征在于,对多个所述第三子农田图像进行预处理,得到多个第四子农田图像,包括:
对多个所述第三子农田图像的预定区域进行膨胀处理,得到多个第五子农田图像;
提取多个所述第五子农田图像中的目标对象前景,得到多个目标对象前景图像;
获取多个所述目标对象前景图像中每一个目标对象前景图像的所有边界点坐标信息;
基于所述每一个目标对象前景图像的所有边界点坐标信息对多个所述第五子农田图像进行距离变换,得到多个第六子农田图像;
对多个所述第六子农田图像进行形态学开运算,得到多个所述第四子农田图像。
8.根据权利要求7所述的方法,其特征在于,基于所述每一个目标对象前景图像的所有边界点坐标信息对多个所述第五子农田图像进行距离变换,得到多个第六子农田图像,包括:
获取对多个所述第五子农田图像进行距离变换得到的多个距离值中的最大距离值;
基于所述最大距离值设置过滤阈值;
利用所述过滤阈值对多个所述第五子农田图像进行噪声过滤,以得到多个所述第六子农田图像。
9.根据权利要求6所述的方法,其特征在于,对多个所述第四子农田图像进行轮廓检测,得到多个目标对象轮廓图像,包括:
确定多个所述第四子农田图像中每一个第四子农田图像的起始边界点;
在确定所述起始边界点为多个所述第四子农田图像的外轮廓起始点或内轮廓起始点时,从所述起始边界点的相邻边界点开始继续搜索,以得到多个所述目标对象轮廓图像;
在确定所述起始边界点不为多个所述第四子农田图像的外轮廓起始点或内轮廓起始点时,从所述起始边界点的下一个像素点开始,继续扫描直到搜索到预定区域的像素,以得到多个所述目标对象轮廓图像。
10.根据权利要求6所述的方法,其特征在于,在基于所述预定外接图形内的目标对象图像,得到所述有效区域集合时,所述方法还包括:
在所述目标对象图像的尺寸小于预定数值时,对所述目标对象图像进行填充,以使所述目标对象图像的尺寸满足预定尺寸;
在所述目标对象图像的尺寸大于所述预定数值时,对所述目标对象图像按照预定比例缩小,并将缩小后尺寸小于所述预定数值的短边执行填充操作,以使所述目标对象图像的尺寸满足所述预定尺寸。
11.根据权利要求3所述的方法,其特征在于,基于所述有效区域集合得到多个所述子农田图像中所述目标对象的数量,包括:
将所述有效区域集合作为预测模型的输入,其中,所述预测模型为使用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据均包括:历史有效区域集合以及与所述历史有效区域集合对应的所述目标对象的数量;
基于所述预测模型的输出得到所述多个子农田区域中所述目标对象的数量。
12.根据权利要求1至11中任一项所述的方法,其特征在于,所述目标对象为所述被测区域中的幼苗,所述目标对象信息包括以下至少之一:瞬时幼苗数、平均幼苗数、平均出苗率、幼苗均匀度,其中,所述瞬时幼苗数为基于预定面积的幼苗基数预测得到的每一亩农田的幼苗基数,所述平均幼苗数为当前时刻之前所有农田图像的瞬时苗数的平均值,所述平均出苗率为所述平均出苗率与播种时每一亩农田所使用的种子总数之比的预定百分比,所述幼苗均匀度为预定值与预定差值的预定百分比,所述预定差值为幼苗基数标准差和平均幼苗基数的比值的差值。
13.一种农田目标对象信息的获取装置,其特征在于,包括:
第一获取模块,用于获取被测区域的农田图像;
第二获取模块,用于从所述农田图像中获取多个子农田图像;
第三获取模块,用于对每一个所述子农田图像进行目标对象获取,得到多个所述子农田图像中所述目标对象的数量;
第四获取模块,用于根据多个所述子农田图像中所述目标对象的数量得到所述被测区域中的目标对象信息。
14.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至12任一项中所述的农田目标对象信息的获取方法。
15.一种农田目标对象信息的获取***,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至12任一项中所述的农田目标对象信息的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111301315.6A CN113989253A (zh) | 2021-11-04 | 2021-11-04 | 农田目标对象信息的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111301315.6A CN113989253A (zh) | 2021-11-04 | 2021-11-04 | 农田目标对象信息的获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989253A true CN113989253A (zh) | 2022-01-28 |
Family
ID=79746466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111301315.6A Pending CN113989253A (zh) | 2021-11-04 | 2021-11-04 | 农田目标对象信息的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989253A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973027A (zh) * | 2022-05-12 | 2022-08-30 | 中国农业大学 | 可搭载于无人机的用于检测水稻出苗率的方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622755A (zh) * | 2012-02-28 | 2012-08-01 | 中国农业大学 | 植物枝干识别方法 |
CN111860375A (zh) * | 2020-07-23 | 2020-10-30 | 南京科沃信息技术有限公司 | 一种植保无人机地面监控***及其监控方法 |
CN112131952A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 基于无人机遥感影像的玉米苗期株数信息提取 |
CN112395984A (zh) * | 2020-11-18 | 2021-02-23 | 河南科技大学 | 一种用于无人驾驶农业机械的苗列导航线检测方法 |
CN113392775A (zh) * | 2021-06-17 | 2021-09-14 | 广西大学 | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 |
-
2021
- 2021-11-04 CN CN202111301315.6A patent/CN113989253A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622755A (zh) * | 2012-02-28 | 2012-08-01 | 中国农业大学 | 植物枝干识别方法 |
CN111860375A (zh) * | 2020-07-23 | 2020-10-30 | 南京科沃信息技术有限公司 | 一种植保无人机地面监控***及其监控方法 |
CN112131952A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 基于无人机遥感影像的玉米苗期株数信息提取 |
CN112395984A (zh) * | 2020-11-18 | 2021-02-23 | 河南科技大学 | 一种用于无人驾驶农业机械的苗列导航线检测方法 |
CN113392775A (zh) * | 2021-06-17 | 2021-09-14 | 广西大学 | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973027A (zh) * | 2022-05-12 | 2022-08-30 | 中国农业大学 | 可搭载于无人机的用于检测水稻出苗率的方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
Xiong et al. | Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
Palacios et al. | Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
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 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
Ye et al. | An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency | |
CN116205879A (zh) | 一种基于无人机图像及深度学习的小麦倒伏面积估算方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN113989689B (zh) | 一种基于无人机的农作物病虫害识别方法及*** | |
Buddha et al. | Weed detection and classification in high altitude aerial images for robot-based precision agriculture | |
CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
Li et al. | A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs | |
Zhang et al. | Feasibility assessment of tree-level flower intensity quantification from UAV RGB imagery: a triennial study in an apple orchard | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业*** | |
Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
CN103366161B (zh) | 一种白粉虱数量的统计方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |