一種基於機器視覺技術的水稻估產系統及方法與流程
2023-06-14 07:00:41 2
本發明涉及機器視覺技術領域，尤其是一種基於機器視覺技術的水稻估產系統及方法。
背景技術：
機器視覺技術已經在各個領域得到了廣泛地應用，機器視覺技術在農業方面的應用非常成功，如作物病蟲害檢測，能夠通過圖像識別技術，快速有效地檢測農作物的病蟲害情況；農作物生長狀況監測，能夠通過圖像識別技術，快速有效地識別出農作物的生長情況；農作物估產，能夠通過圖像識別技術，快速有效地統計出農作物的生長情況和果實數目，預估農作物的產量。
對農作物的估產，傳統方法，一般需要有豐富經驗的農民或者專家，實地觀察農作物的生長情況，根據以往的農作物收穫數據等，預估農作物的產量。由於人工估產的經驗性和個人主觀預測等不確定性因素影響，預測結果往往與實際結果有不小的偏差，實地考察，人工勞力成本高，效率低下。最大的缺點是，經驗豐富的專家和農民的經驗分享困難，不利於普通農戶的生產和規劃。此外，大規模種植的農田，實際上進行人工估產是非常不靠譜的，對於廣袤無垠的農田農民一眼都看不到頭，不知道面積幾許，何談精確的估產。依靠人力掃描一圈農田，非常不具有操作性，很多農田沒有什麼田埂或者公路，即使有路，幾千畝的農田，環繞一周工作量也是巨大的。
技術實現要素：
本發明的首要目的在於提供一種利用圖像識別技術，智能識別農田中的水稻，統計出單位面積的水稻數量，進而估產整個農田，節省了大量勞力成本，不僅提高了效率，而且提高了估產的有效性的基於機器視覺技術的水稻估產系統。
為實現上述目的，本發明採用了以下技術方案：一種基於機器視覺技術的水稻估產系統，包括：
圖像採集子系統，通過安裝在農田區域內的監測攝像頭，採集監測點的水稻圖像；
水稻估產子系統，用於對採集到的農田水稻圖像依次進行預處理、樣本圖像訓練、識別水稻圖像中的水稻、估測整個農田的產量；
數據存儲子系統，採用雲端伺服器，對雲端伺服器接收採集的水稻圖像，按照地理位置、日期分類，對接收的圖像進行統一命名，然後存儲在雲端伺服器上，供用戶下載使用；同時，將水稻識別數據和農田估產數據存儲在雲端伺服器上。
所述圖像採集子系統的第一輸出端與水稻估產子系統的輸入端相連，所述圖像採集子系統的第二輸出端與數據存儲子系統的第二輸入端相連，所述水稻估產子系統的輸出端與數據存儲子系統的第一輸入端相連。
所述水稻估產子系統包括：
圖像預處理模塊，用於實現對採集到的圖像數據進行預處理，預處理過程包括檢查圖像的採集是否成功，以及採集到的圖像質量的好壞；
水稻樣本圖像訓練模塊，採用bp神經網絡算法對水稻樣本圖像進行訓練，建立水稻識別模型；
水稻圖像識別模塊，用於識別水稻圖像中的水稻，使用系統中訓練出來的的水稻識別模型準確識別出圖像中的所有水稻，特別是對於有重疊的水稻區域進行識別；
水稻估產模塊，用於統計單位面積農田中的水稻數量，根據整個農田的有效種植面積，估測整個農田的產量。
本發明的另一目的在於提供一種基於機器視覺技術的水稻估產系統的估產方法，其特徵在於：該方法包括下列順序的步驟：
（1）通過安裝在農田區域內的監控攝像頭，採集農田水稻圖像數據，並將數據傳輸到雲端伺服器；
（2）對採集到的農田水稻圖像數據進行預處理，得到預處理圖像；
（3）對預處理後的圖像進行圖像識別，統計出單位面積的水稻數量；
（4）根據單位面積水稻數量，對整個農田進行估產。
所述步驟（4）具體是指：首先需要根據系統識別出的圖像中的水稻，對整個圖像進行掃描，一個一個識別圖像區域，一個一個識別出圖像中所有的水稻，並統計識別出的水稻數量；若遇到不可識別的重疊區域，則提醒攝像頭，再採集一張輔助圖像，即拍攝角度偏轉30度情況下該區域的農田水稻圖像；再次對圖像進行識別，校驗重疊水稻區域的識別結果。
由上述技術方案可知，本發明通過攝像頭採集獲取農田各監測點的水稻圖像信息，並將採集到的農田水稻圖像通過internet傳輸給雲端伺服器，存放在雲端伺服器，方便使用和共享；然後通過對所採集的水稻圖像進行預處理、水稻建模、水稻識別、計算單位面積的水稻數量、估產整個農田的產量等，對農田進行估產，非常有作用和必要，準確的水稻估產數據，農戶可以預知農田的收益情況，知道農田水稻的生長狀況，同時可以為投資建設等提供有效的決策信息。
附圖說明
圖1為本發明的系統組成框圖。
具體實施方式
如圖1所示，一種基於機器視覺技術的水稻估產系統，包括：圖像採集子系統1，通過安裝在農田區域內的監測攝像頭，採集監測點的水稻圖像；水稻估產子系統2，用於對採集到的農田水稻圖像依次進行預處理、樣本圖像訓練、識別水稻圖像中的水稻、估測整個農田的產量；數據存儲子系統3，採用雲端伺服器，對雲端伺服器接收採集的水稻圖像，按照地理位置、日期分類，對接收的圖像進行統一命名，然後存儲在雲端伺服器上，供用戶下載使用；同時，將水稻識別數據和農田估產數據存儲在雲端伺服器上。
如圖1所示，所述圖像採集子系統1的第一輸出端與水稻估產子系統2的輸入端相連，所述圖像採集子系統1的第二輸出端與數據存儲子系統3的第二輸入端相連，所述水稻估產子系統2的輸出端與數據存儲子系統3的第一輸入端相連。
如圖1所示，所述水稻估產子系統2包括：
圖像預處理模塊，用於實現對採集到的圖像數據進行預處理，預處理過程包括檢查圖像的採集是否成功，以及採集到的圖像質量的好壞；還包括過濾採集到的圖像中的噪聲，由攝像頭成像原理可知，物理設備採集圖像的時候，無法避免噪聲的幹擾，因此要保證圖像使用的質量，保證結果有效性，必須對噪聲進行有效的過濾，儘可能地降低噪聲幹擾對後續圖像處理的影響等。
水稻樣本圖像訓練模塊，採用bp神經網絡算法對水稻樣本圖像進行訓練，建立水稻識別模型；主要使用bp神經網絡算法對水稻樣本圖像進行訓練，通過神經網絡的訓練，可以使得本系統訓練出一個模型，即水稻圖像所具有的模型，如此之後，本系統就可以識別出圖像中的水稻，只有水稻圖像出現在系統面前，它就可以成功的識別，就如同人對某東西有了記憶一樣，再次看見這個東西，就認識了，系統的水稻識別成功率高達98.78%
水稻圖像識別模塊，用於識別水稻圖像中的水稻，使用系統中訓練出來的的水稻識別模型準確識別出圖像中的所有水稻，特別是對於有重疊的水稻區域進行識別；使用系統中訓練出來的的水稻識別模型準確識別出圖像中的水稻，不僅僅是簡單的判斷圖像中是否有水稻，而是需要識別出圖像中的所有水稻，特別是對於有重疊的水稻區域的識別，如此才能有效統計單位面積的水稻數目。能否識別什麼是水稻，僅僅是系統的第一步智能，系統的核心就是識別出重疊在一起的水稻，水稻會重疊，但是不會完完全全重疊，有區別，可以判斷出不是一棵水稻植株，關鍵技術還是一個角度的圖像可能會出現水稻重疊區域較多，但是只要偏轉攝像頭30度，則基本可以實現將重疊的水稻完全區別，偏轉30度的視域下的水稻圖像，重疊的水稻不可能依舊重疊在一起。
水稻估產模塊，用於統計單位面積農田中的水稻數量，根據整個農田的有效種植面積，估測整個農田的產量。
本方法包括下列順序的步驟：
（1）通過安裝在農田區域內的監控攝像頭，採集農田水稻圖像數據，並將數據傳輸到雲端伺服器；
（2）對採集到的農田水稻圖像數據進行預處理，得到預處理圖像；
（3）對預處理後的圖像進行圖像識別，統計出單位面積的水稻數量；
（4）根據單位面積水稻數量，對整個農田進行估產。
所述步驟（4）具體是指：首先需要根據系統識別出的圖像中的水稻，對整個圖像進行掃描，一個一個識別圖像區域，一個一個識別出圖像中所有的水稻，並統計識別出的水稻數量；若遇到不可識別的重疊區域，則提醒攝像頭，再採集一張輔助圖像，即拍攝角度偏轉30度情況下該區域的農田水稻圖像；再次對圖像進行識別，校驗重疊水稻區域的識別結果。
數據存儲子系統3存儲的這些數據具有非常重要的使用價值，比如農田水稻圖像，可以創建標準的水稻圖像庫，方便有關領域的專家和學者使用，為學術研究做貢獻，也可以用於系統進一步訓練模型，使用的圖像數據越多，則模型對於水稻的識別越準確，顯然可以提高系統的穩定性和對農田水稻估產的準確性。
綜上所述，本發明通過攝像頭實時獲取遠程的農田水稻圖像信息，並將該信息通過網絡傳輸給雲端伺服器，再對農田水稻進行估產。本系統的整個農田水稻估產過程的實現，完全屬於全自動智能化的，無需人工做任何操作或監督，大大節省了人力成本。系統產生的估產結果，比農民的經驗估產更加有效，對農戶的種植也更加有指導意義，而且越是準確的數據，越具有說服力和決策指導作用。