图像处理技术在农业系统中的应用.docx

图像处理技术在农业系统中的应用.docx

《图像处理技术在农业系统中的应用.docx》由会员分享，可在线阅读，更多相关《图像处理技术在农业系统中的应用.docx（8页珍藏版）》请在冰点文库上搜索。

图像处理技术在农业系统中的应用

华明亚

（上海大学机电工程与自动化学院，上海200072）

摘要：

目前社会的发展已经步入了高速信息化时期，而计算机技术也已经成为了各个行业的领头羊之一随着计算机技术在我们生活中的普及，我们对图像处理技术的要求也愈来愈高，同时计算机图像处理技术也为我们带来了更好的需求及应用，计算机图像处理技术的应用范围的确十分广泛.那么本篇文章主要具体介绍分析一下图像处理技术在农业系统上的研究应用状况。

关键词：

图像处理；农业系统；MATLAB；检测；

Applicationofimageprocessingtechnology

HuaMingya

（Schoolofmechanicalengineeringandautomation,ShanghaiUniversity,Shanghai200072,China）

Abstract:

:

Atpresent, thedevelopmentofthesociety hasenteredthe high-speedinformationage, computertechnology hasalsobecome oneof each industryleader withthe popularizationofcomputertechnology inourlives, wealso moreandmore higher requirements ofimageprocessingtechnology, and computerimageprocessing technologyisalso the demand andapplicationof better forus,application therangeofcomputer imageprocessingtechnology isindeedverywidely. So theanalysisof thisarticlemainly introduce theimageprocessingtechnology inagriculturalsystems researchandapplication status.

Keywords:

Imageprocessing; agriculturalsystem; MATLAB; detection;

1.引言

图像处理技术是用数字信号代替图像信号，然后用计算机进行处理。

它已在人们生活的各个方面受到广泛的重视和应用，并且有了巨大的成果。

图像处理的过程有:

图像采集、图像分析和图像输出三部分。

图像采集用特定的采集系统抓取图像，然后把模拟的图像转化为数字图像，便于计算机对其进行处理。

图像处理分析是整个图像处理技术最关键的部分，其目的在于通过边缘检测、物体定位等，了解图像。

用计算机进行数字图像处理的目的有两个，一是产生更适合人类视觉观察和识别的图像，二是希望计算机能够自动进行识别和理解图像。

不管用户出于何种目的进行图像处理，都需要由计算机和图像专用设备组成的系统进行图像数据的采集、输入、加工和输出，因此数字图像处理研究的内容主要有：

图像的获取、表示和表现；图像增强；图像复原；图像分割；图像分析；图像压缩编码。

在农业领域中，大范围、实时、高效地获取农情信息是现代化农业生产和管理的一个重要环节。

传统的依靠人工采集和有线测量的数据获取方式在实时性、精准性和便捷性等方面均无法满足精准农业的要求。

因此将图像处理技术应用于农业中，对实时的监测农作物的长势，农作物灾害的防治以及农作物果实检测分级中有着至关重要的作用。

从而保证农业的丰收。

2.农业系统中的图像处理

计算机图像处理技术就是把一些需要处理的图像或信息做一个转化，把它们换成某一

种高速运算的功能，最后以一种最佳的结果表示出来的处理过程。

它主要把图像信息进行数

字化，或者把图像进行修复、加强、分析计算编码化等，通常被应用在计算机教育及计算机

动画制作等方面。

如今，随着信息领域的高速发展，计算机图像处理技术己经在农业方面都得到了高度的发展与应用。

动态图像处理技术在农业工程应用中涉及的领域已包括视觉模拟，农业作业过程在线检测、害虫监控、农产品分级等诸多方面。

以下将农业工程应用中的研究进展做一介绍。

2.1农作物生长中的图像处理

农业的生产已由传统的农业生产方式发展成为精细农业作业，根据作业处方图或动态图像处理技术来进行变量施肥和农药喷洒。

自动喷洒农药或施肥机械必须在作业过程中动态地对农作物和杂草进行识别，然后对杂草定量喷洒农药或对作物植株定量施肥从而达到农药和化肥使用的高效无污染要求。

农业的大面积高效作业往往需要采用农用无人驾驶飞机对农产品的长势进行动态监测，目前动态图像处理技术在无人驾驶飞机中的应用主要是靠动态图像处理系统通过CCD摄像机或红外成像仪来获取飞机当前所处位置的地面图像，然后再调用事先输人的图像数据库进行模式匹配，动态地检测飞机当前位置并完成飞机飞行轨迹的跟踪。

利用动态图像处理和图像数据库检索技术进行模式匹配对运动目标动态定位技术在西方发达国家的军事中已经得到了广泛的应用，但在精确农业中，利用全球定位系统（GPS）来对农用无人驾驶飞机进行定位与轨迹跟踪仍占主导地位。

但由于GPS的成本较高和图像检索技术的不断成熟，这就决定了动态图像处理技术在今后的大面积农业作业中更为经济实用。

动态图像处理系统主要有辅助光源、带有专用镜头的高速摄像机、图像采集卡、计算机系统和图像输出存储设备5个部分，其相互之间的关系如图1所示。

图1动态图像处理系统的组成

2.2农作物病虫害图像识别技术

农作物病虫害的爆发往往意味着大规模的减产减质，造成不可挽回的经济损失。

传统的病虫害识别方法速度慢、主观性强、误判率高，己不能满足农业生产的需要。

基于图像处理技术的农作物病虫害识别具有快速、精确、实时等特点，能够协助农耕人员及时采取有效的防治措施。

图像处理是将图像信号转换成相应的数字信号，并利用计算机对其进行加工

处理的过程。

农作物病虫害图像识别技术则是图像处理技术在农作物病虫害识别上的应用，成为替代传统人工识别的技术手段，其对农作物病虫害识别具有传统方法所不具备的快速性、准确性、实时性}等特点，能够在疾病暴发前及时、准确地识别出病虫害的种类，为农耕人员及时采取措施防治病虫害的传播发展提供必要信息。

害虫图像处理中图像的特征提取是关键性步骤，它关系到分类器设计的效率和分类的精确度，甚至直接决定了分类算法是否可行。

特征提取一般包括特征描述和提取两个过程。

特征描述指的是给从图像中分割出来的某种图像属性予以量性的描述或表示，提取指的是计算这些特征的子集，通过数学变换使样本空间降维，以便于目标识别。

专家学者们在农作物病虫害图像特征提取上做了大量的研究工作，主要的提取方法按特征属性来分有形态特征提取、颜色特征提取和纹理特征提取等。

其次是图像的分类识别，它是指以提取的图像特征为对象，构建分类器，以达到目标识别的过程。

分类识别是图像处理的后处理步骤，也是整个图像处理过程所要达到的目的，分类的精确度是所有分类算法所追求的结果。

高精度、稳定、快速的农作物病虫害图像分类识别算法一直以来都是国内外相关领域专家学者所不懈追求的目标。

根据分类判别规则的不同，有基于形状的分类、基于纹理的分类、统计分类等;根据分类结果的数量，有两类分类器和多类分类器之分，多类分类器某种意义下是两类分类器和策略的组合，经典的多类分类器有支持向量机法、神经网络法和模糊聚类法等。

总而言之，如何利用农作物病虫害图像识别技术来更好地解决农作物病虫害问题，保障农业生产具有重要意义和远大的前景。

2.3农产品产后品质分级

随着数字信号处理技术和高速摄像机技术的快速发展，人们开始将动态图像处理技术应用于农产品的产后处理及包装等领域。

其中最为典型的例子就是水果品质智能化检测和分级生产线。

该系统主要分为:

水果输送系统、图像采集系统、计算机视觉系统、水果分级系统。

由于水果品质智能化检测和分级系统需要实时、快速、准确等性能要求，所以在计算机视觉识别系统部分可以采用高速摄像机动态地监控水果输送系统，同时对输送系统上的水果图像进行动态实时采集、识别与检测。

例如龙满生、何东健等利用计算机视觉技术和人工神经网络技术，建立了以果实形状、颜色和缺陷为判别依据的苹果外观品质综合分级系统，该系统试验结果表明，能够实现对苹果综合外观品质的正确检测与分级，准确率90.8％。

下面以红枣检测为例，简要介绍一下图像技术在农产品品质分级上的应用。

目前，红枣外观的检测大多采用原始的人工分级方法，该方法容易受到检测人员身体素质和精神状态影响，主观因素较大、效率低、漏检率高、劳动强度大，因而影响红枣品质指标的评价。

例如，对于红枣果形、颜色、缺陷，仅仅依靠传统人工方法很难做到精确评价。

现代图像处理技术和软件工程的快速发展，使红枣品质可视化自动检测成为可能。

同时，红枣品质分级是进行红枣自动化分级的关键环节。

从红枣的形状、大小、颜色入手，选出符合红枣外观品质检测的3个特征参数，分别是红枣果形指数、色泽、有无缺陷。

大小特征提取中，红枣的果形指数采用最小外接矩形法获得；对于颜色特征，将RGB模型转化成HSI模型，然后进行提取颜色特征参数；缺陷特征的提取，先进行缺陷部位轮廓的提取，然后填充求缺陷部分的而积，根据该而积在图片中大小比例作为判断的依据。

图像采集：

采集图像时采用白色的背景，是为了更好地凸显目标的颜色。

在运用Matlab进行尺寸提取中不允许背景中出现与试验红枣颜色相同或相近的其他干扰。

在试验中进行了测试，在灯光为单一光源下获取图片时有阴影，生成图像的二值图时样品轮廓不清与阴影重叠，影响提取效果，如图1所示：

图2单光源图像及其二值图

图像处理：

图像处理包括图像的获取、图像灰度变换、图像二值化、图像大小尺寸、缺陷和颜色提取。

图像灰度化是图像增强的另一种手段，可使图像动态范围加大，使图像对比度扩展，图像更加清晰，特征更加明显。

灰度化图像二值化处理，要提取图像中的特征信息，需要把红枣灰度图片进一步进行二值化处理，Matlab数字图像处理工具箱中自带函数im2bw可以完成二值图像转化，其调用格式为BW=im2bw（I）LEVED。

“LEVEL”的取值范围是0-1，其取值的大小直接影响二值图的效果，灰度直方图中两个波峰之间的波谷对应的横坐标为“LEV-EL”的最佳值，如图3所示。

灰度直方图波谷对应的横坐标为140，归一化后的值为0.55，所以该二值图的"LEVEL”值为0.55，从图3中可以看出该二值图轮廓清晰。

图3灰度图像二值化处理

特征提取，提取图像中红枣的大小尺寸、有无缺陷和颜色特征信息。

用最小矩形法，就是通过不断旋转来寻找图像轮廓的最小外接矩形，提取红枣大小尺寸，如图4所示。

在处理中采用特制提取红枣缺陷信息，红枣表面的破损、黑斑等缺陷，先进行缺陷部位轮廓的提取，然后填充求缺陷部分的面积，根据该面积在图片中大小比例作为判断。

图4特征尺寸提取图像

采集的红枣图片是RGB颜色模型，首先要将RBG颜色模型转换成HSI模型，再计算色度直方图，色度分布范围就是该红枣的颜色参数。

根据红枣色度范围可以实现对红枣颜色分级处理。

表1是实验测得的红枣色度，并按色度进行分级。

表1红枣颜色分级

等级

色度H/（）

特级

350-12

一级

355-17

二级

358-20

三级

358-25

3.结语

近几年来图像处理技术在国内外农业工程中得到了一定的应用，相应地出现了许多新的方法和理论与之相融合，为图像处理技术应用的进一步发展奠定了基础，也取得了一些成果。

如水果品质动态检测系统。

但由于我国在这方面起步比较晚，与国外起步较早的国家相比较仍存在着很多明显的不足。

首先，在动态图像处理系统中，由于动态图像处理需要很高的帧速，这势必减少摄像机在拍摄每帧图像时的进光量，导致图像质量降低。

在试图采用提高镜头折射率和增大辅助光源强度的方法解决这一问题的同时，还可以考虑结合其他硬件或图像增强软件等方法以弥补进光量的不足。

在运动背景下如何做到多目标动态图像处理仍旧停留在实验阶段。

其次，图像处理在农业工程中的适用性问题:

农业工程中的图像与工业图像有着明显的差异，农业工程中的图像由于受生物多样性、气候和环境等因素的影响，相对于工业图像要复杂的多，如何将相对成熟的工业动态图像处理技术应用于农业工程，许多关键技术有待解决。

处于实验阶段的动态图像处理系统往往采用了价位很高的国外摄像机和图像采集卡等相关硬件，能够达到很高的精度和实时性要求。

但在农业工程应用中速度和精度要求相对较低，如何提高系统的性能价格比，使之真正实用于农业，是动态图像处理系统研究人员的努力方向。

总之，动态图像处理技术为农业工程的发展开掘了新的发展道路，我国的农业也开始步人精确农业的道路，相信在今后，不断完善的动态图像处理技术将会在农业工程中得到更广泛的应用。

致谢：

感谢在这次工作中给予我支持和鼓励的所有人。

参考文献：

[1]李震，洪添胜.无线传感器网络技术在精细农业中的应用进展.[J]湖南农业人学学报:

自然科学版.2011.37（S）57fi一SRO.

[2]AJPe'rez,FLo'pez,JVBenlloch,SChristensen.Colourandshapeanalysistechniquesforweeddetectionincerealfields[J].ComputersandElectronicsinAgriculture,2000,（25）197-212.

[3]KPSudheer,RKPanda.Digitalimageprocessingfordeter-miningdropsizesfromirrigationspraynozzles.[J].AgriculturalWaterManagement,2000,（45）:

159-167.

[4]汪京京，张武，刘连忠，黄帅农作物病虫害图像识别技术的研究综述[J]计算机工程与科学，2014,36（7）:

1364-1370

[5]WangLi-ya.Featureextractionandclassificationforimages.[D]XidianUniversity,2006.（inChinese）

[6]蒋焕煜，应义斌，王剑平，饶秀勤，徐惠荣，汪慰华.水果品质智能化实时检测分级生产线的研究[J]农业工程学报，2002,18（6）:

158-160.

[7]罗雪宁，彭云发，代希君，胡晓男，罗华平，基于1VIATLAB的红枣图像处理研究[J]农机化研究，2015（3）: