基于图像处理的作物表型参量测量及生长状态监测方法研究

发布时间：2020-11-20 22:30

　　 我国作为农业大国,随着人口的增加及耕地面积的减少,保障作物产量及品质越来越重要。作物表型指作物表现出来的性状特征,测量作物表型是监测作物生长状态的基础,进而确保作物产量及品质。传统表型参量测量方法如人工测量及利用传感器接触性测量存在主观性强、重复性低及对作物有损等缺点。而基于图像处理技术对作物进行三维信息恢复并测量其表型参量不仅具有无损性和可重复性的优点,而且测量结果更为准确。本文针对作物表型精准测量研究目的,同时综合考虑成本性及实用性,基于图像处理技术开发了一套无损精准测量作物表型参量的测量系统,用于在作物生长期间监测其生长状态。文中以常见作物中的辣椒为实验对象,利用双目立体视觉模型采集作物图像,结合相机标定、图像对立体匹配、视差图优化、作物分割几方面的方案设计,通过恢复作物的三维空间信息实现对其表型参量的测量。主要研究内容如下:对目标视野大小与测量精度要求等条件综合考虑进行了相机与镜头的选型后,搭建双目立体视觉系统进行图像采集。对空间到图像坐标系的转换进行了推导,并对多种相机标定法分析其优缺点后选择张正友标定法进行相机标定,标定结果误差小于0.1像素,最后对造成误差的原因进行了分析。针对SAD(Sum of Absolute Differences)算法在简单纹理处匹配效果差与Census变换算法整体匹配精度不高的问题,采用二者结合作为匹配代价进行立体匹配,并结合左右一致性检测、中值滤波、视差填补方法实现视差图的进一步优化,匹配结果满足后续研究需要。针对作物整体的分割,利用归一化的颜色分量计算颜色因子进行灰度化后结合固定阈值分割与小面积连通域删除实现,实验结果表明该方法能将作物从复杂背景下完整分割出,且分割结果受光照影响较小。针对单株作物的分割,提出对视差图进行阈值分割,以实现待测作物与其他作物的分割,实验结果表明当前后作物之间具有一定距离的情况下可以完整的将前方待测量作物从多株作物中分割出来。该方法为在现场实际应用中针对单株作物的表型参量测量提供了解决思路。通过推导出的三维坐标计算公式得到作物点云图,验证了该方法对二维到三维转换的可靠性。设计了作物表型参量提取与测量方法:株高株宽选取作物关键点之间的距离进行计算,茎夹角通过形态学运算将作物的茎提取出来并细化得到其骨架,对骨架像素的三维坐标直线拟合进行计算。测量结果与人工测量结果相比,三者的测量误差均在2%以内。最后通过对不同测量距离、不同拍摄角度的同株作物以及不同生长环境的多株作物进行表型参量测量实验,实验结果表明该测量系统的测量结果准确,且可以较好地实现在作物生长期间对其生长状态进行跟踪性监测功能。之后对系统的搭建及测量效率进行分析。本系统实现了作物表型参量的无损自动精确测量与生长状态监测功能,其中多株作物的分割功能为实际应用中的待测作物分割提供了解决思路。同时系统中的三维测量功能也对其他种类作物是通用的,表型参量提取方法也为具有相似结构作物的表型测量提供了借鉴价值。
【学位单位】：西安理工大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP391.41;S126
【部分图文】：

1绪论5图1-1技术路线框图Fig.1-1Technicalroutediagram首先经过相机与镜头的选型后搭建双目立体视觉系统，左右相机分别采集作物图像。随后采用张正友标定法进行相机标定，以得到相机的内部参数与两相机之间的位置旋转平移位置关系。为提高测量效率，在匹配前对待匹配图进行掩模处理，只匹配作物存在的区域，减少运算量。分析不同基元的匹配算法适用的场景，选择区域立体匹配算法。通过实验分析不同局部匹配代价的优缺点后，采用多种算法结合作为匹配代价，得到致密视差图。同时基于颜色分量组合的方法进行作物整体分割，并根据视差分割出最前方的单株作物。通过提取作物关键点进行表型参量的提取与测量，并选取标准形状物体与多株作物对本测量方法的可靠性及测量准确性进行验证。最后通过对不同生长环境下多株作物的表型参量进行连续性测量以期实现生长监测的目的。1.4论文研究内容及章节结构安排本文主要的研究内容为基于图像处理技术实现对作物的表型参量进行测量，进而对作物生长状态进行监测，保障作物最终产量与品质。以常见作物中的辣椒为实验对象，根据场景需求的分析，选择合适性能的相机与镜头，搭建双目立体视觉系统。通过作物图像采集、单双目相机标定、作物图像对立体匹配、目标作物分割、表型参量提取与三维测量六个方面结合达到研究目的，最后进行多样本实验以验证其测量结果的准确性及可靠性，并对不同生长环境下的多株作物表型进行跟踪测量，达到作物生长状态监测的目的。根据主要研究内容，本文的章节安排如下：第一章是绪论。分别介绍研究背景和研究作物表型参量测量的意义，随后阐述国内外针对表型测量相关研究的发展现状。之后针对作物表型测量这个研究目的给出研究思路与技术路线，最后对研究内容进行介绍，同时说明

2作物图像采集系统搭建及相机标定72作物图像采集系统搭建及相机标定图像的采集是图像处理的基础，本文通过搭建双目立体视觉系统采集作物图像。根据不同的场景与需求，相机镜头的选型也不同，满足一定场景需要的同时也应避免性能的冗余。此外，双目立体视觉系统是根据两台相机之间的相对位姿来进行二维图像与三维空间之间的转换。为实现这一目的不仅要依据成像模型对坐标系之间的转换进行推导，同时也要得到相机的内部参数与两台相机之间的外部参数，这一步骤即为相机的标定。本章将从设备选型、系统搭建、成像模型与坐标转换、相机标定四个方面进行论述，对搭建好的系统进行标定实验，最后对标定结果及标定误差原因进行分析，为后续的一系列实验研究打下基矗2.1双目立体视觉系统设计本文采用的双目立体视觉系统是通过两台相机同时拍摄同一目标作物，根据某一空间点在采集到的两幅图中的视差计算出该空间点的三维信息，进而实现整个作物的三维信息恢复。本文的双目立体视觉系统包括两台参数相同的工业相机、两个镜头、一个带有标尺的横杆。为了采集到满足研究需求的图像，需要综合考虑相机与镜头的选型、相机摆放位置、拍摄环境。2.1.1系统搭建双目立体视觉模型由两个相机光轴之间相对位置的不同而分为两种模式：两台相机光轴平行的平行放置模式和光轴相交于一点的会聚式放置模式。为了后期计算方便，本文采用平行放置模式，目标作物放置于相机正前方。整个系统包括性能指标相同的相机、镜头、带刻度横杆、笔记本电脑。横杆用于确保两台相机放置于同一水平线的同时还可调节基线距离，以适应不同大小拍摄场景的需要。图2-1为本文中搭建的系统实物图。图2-1双目立体视觉系统实物图Fig.2-1Binocularstereovisionsystem

西安理工大学硕士学位论文82.1.2相机选型根据实验目的需要，相机的选型需要考虑的主要性能有：（1）传感器类型，即CMOS相机与CCD相机选择。二者的工作原理不同，CMOS虽然成像效果距CCD有一定差距，但是具有成本低、功耗低效率高的优点。（2）相机分辨率的选择。相机的分辨率要根据拍摄精度要求与拍摄视野综合来考虑。本文主要目的是测量作物的表型参量，为了确保测量精度与准确度，选择的相机分辨率不可过校（3）帧率的选择。此参数为每秒钟传感器曝光次数，一般针对运动的目标有较高的要求。本文中由于拍摄的目标为静止的作物，所以对此参数不给予太多考虑。在对本文研究目的的综合考虑之下，本系统选用维视图像的小尺寸以太网工业CMOS相机，型号为MV-EM，该相机具有体积孝功耗低的优点，适用于本研究的户外作业，同时具有图像质量清晰、低噪声、色彩还原度好、性能稳定等优点。图2-2为相机实物图，表2-1为相机具体性能参数。图2-2工业相机Fig.2-2IndustrialCamera表2-1工业相机性能参数表Tab.2-1Tableofindustrialcameraperformanceparameters性能名称参数型号MV-EM500C传感器CMOS分辨率2592×1944帧率15fps镜头接口C口光学尺寸1/2.5像元尺寸2.2μm×2.2μm采集方式GigE千兆以太网输出由于选择的相机为千兆网接口，而笔记本电脑只有一个网口，所以一个相机采用usb转千兆网口转换器进行配置。2.1.3镜头选型根据实验目的的需要，镜头的选取要考虑的主要性能有：（1）对应最大CCD尺寸。该参数要大于或等于相机的靶面尺寸。（2）镜头接口。该参数一般有C、CS、F可供选择，用于可以和相机正确连接。
【参考文献】

相关期刊论文 前5条

1 段涛;侯彤瑜;郭焱;杨宇虹;马韫韬;徐照丽;;基于三维坐标数据的烟草植株叶曲线拟合研究[J];中国烟草学报;2015年06期

2 宗泽;郭彩玲;张雪;马丽;刘刚;弋景刚;;基于深度相机的玉米株型参数提取方法研究[J];农业机械学报;2015年S1期

3 潘映红;;论植物表型组和植物表型组学的概念与范畴[J];作物学报;2015年02期

4 张新;赵燕东;郑力嘉;Martin Kraft;;基于三维机器视觉的植物叶片萎蔫预测模型[J];农业机械学报;2014年09期

5 付代昌;徐立鸿;李大威;辛龙娇;;基于Kinect的温室番茄盆栽茎干检测与分割[J];现代农业科技;2014年03期

相关博士学位论文 前4条

1 张德荣;植物表型性状参数快速检测研究[D];浙江大学;2019年

2 胡峰俊;三维离散点云数据的预处理和配准技术研究[D];浙江工业大学;2015年

3 陈彬;实时双目立体匹配算法研究与实现[D];武汉科技大学;2014年

4 王红霞;基于3D重建的三维全景成像系统的研究[D];北京科技大学;2009年

相关硕士学位论文 前10条

1 吴文华;基于图像的油菜表型参数测量方法研究[D];浙江大学;2019年

2 刘欢;基于双目视觉立体匹配算法的研究与应用[D];哈尔滨工业大学;2018年

3 黄源欣;基于双目立体视觉的空间深度信息恢复方法研究[D];哈尔滨工业大学;2018年

4 韩洁;基于结构光双目视觉的绝缘子三维重建[D];武汉大学;2018年

5 余寰;多面立体靶标的多相机标定方法研究[D];合肥工业大学;2018年

6 巨建肖;基于Kinect传感器的植物叶片表型测量方法研究[D];南京农业大学;2017年

7 徐慧;基于Kinect的植株特征检测技术研究[D];江苏大学;2017年

8 蒋昂;双目视觉中立体匹配算法的研究与实现[D];天津工业大学;2016年

9 何任涛;植物三维信息获取方法的研究[D];浙江大学;2011年

10 赵星星;基于双目视觉的高精度立体匹配方法的研究[D];东北大学;2010年

本文编号：2892087