一种果树产量早期预测的方法
【专利摘要】本发明提供了一种果树产量早期预测的方法，包括步骤：S1：根据果园管理需要确定图像获取时间，在一定图像采集条件，采用便携式图像采集设备在确定的时间采集待产量预测果树的图像；S2：根据图像特点进行果实区域识别；S3：根据图像特点进行树叶区域识别；S4：提取果实区域及树叶区域的特征作为果树树冠特征；S5：将果树树冠特征输入人工神经网络测产模型对果树的产量进行预测。该方法利用图像处理及识别技术与人工智能技术的有效结合，弥补了单纯利用图像处理及识别技术进行预测的不足，从而能够较准确的在早期对果园内苹果的产量进行预测。
【专利说明】一种果树产量早期预测的方法
【技术领域】
[0001]本发明涉及农业预测【技术领域】，具体地说，涉及一种果树产量早期预测的方法。
【背景技术】
[0002]苹果是世界上食用最广泛的水果之一，世界苹果年产量约为3200万吨。中国是世界上最大的苹果生产国和消费国，苹果种植面积和产量均占世界总量的40%以上，在世界苹果产业中占有重要地位。为了能在苹果收获前估算出苹果产量，以安排各种收获时所需的各种人力、物力资源，目前常用的方法是人工抽取部分果树，逐棵数出苹果数量，然后大致估算产量。此种人工方法费时、费力且精度不高。对苹果产量早期预测的研究中，计算机信息处理技术作为一种手段成为当前研究的热点之一。由于苹果的颜色、形状、纹理等特征与树上的枝叶不同，当前的研究过程主要是利用这些特征结合图像处理技术来识别苹果，估算产量。但是要实现以树上苹果的精确识别来预测产量，解决重叠苹果以及树叶对苹果的遮挡的问题，仅依靠图像处理技术是一个很大的挑战。
【发明内容】
[0003]为了解决现有技术中存在的问题，本发明的目的是提供一种果园内果树产量早期预测的方法，实现对苹果产量更准确的预测。
[0004]为了实现本发明目的，本发明提供一种果树产量早期预测的方法，包括步骤:
[0005]S1:根据果园管理需要确定图像获取时间，在一定图像采集条件，采用便携式图像采集设备在确定的时间采集待测产果树的图像；
[0006]S2:根据图像特点进行果实区域识别；
[0007]S3:根据图像特点进行树叶区域识别；
[0008]S4:提取果实区域及树叶区域的特征作为果树树冠特征；
[0009]S5:将果树树冠特征输入人工神经网络测产模型对果树的产量进行预测。
[0010]进一步地，所述步骤SI在特定的果实生长期拍摄果树单面图像，果树整个树冠应包含于所摄图像中，图像拍摄时树后放置白色幕布作为背景。
[0011]进一步地,所述步骤S2包括步骤:
[0012]S21:分析图像中不同物体的颜色特征、形状特征及纹理特征。
[0013]S22:根据步骤一的分析，得出能够从图像中识别出果实区域的限定条件；
[0014]S23:根据步骤二中的限定条件得到果实区域图像。
[0015]进一步地,所述步骤S3包括步骤:
[0016]S31:从果树图像中减去果实区域图像得到树叶区域初始图像；
[0017]S32:去除树叶区域初始图像中的背景，得到树叶区域无背景图像；
[0018]S33:去除树叶区域无背景图像中的枝干。
[0019]更进一步地，所述步骤S31具体为:将果实区域图像中像素的R值大于O的，在苹果树图像中将相应的像素R、G、B值置为0，得到树叶区域的初始图像；所述步骤S32具体为:利用RGB颜色模型中的G、B分量，计算图像中每个像素点的G-B值，差值小于10的像素属于背景区域，以此去除背景；所述步骤S33具体为:将RGB颜色空间转换到HSI空间，树叶的H值与枝干的H值有较大差别，采用OSTU自动阈值分割算法，分割出树叶区域。
[0020]进一步地，所述步骤S4包括步骤:
[0021]S41:计算图像总面积；
[0022]S42:统计果实区域个数:
[0023]S43:计算果实区域比重；
[0024]S44:计算小面积果实区域比重；
[0025]S45:计算树叶区域比重；
[0026]S46:设定果实生长期参数值。
[0027]其中，所述步骤S41中:统计图像的总的像素数，作为其面积。
[0028]其中，所述步骤S42中:在果实区域图像中，包含若干个果实区域(其中一个果实区域对应一个果实或一个果实簇)，对图像中的果实区域个数进行计数，具体步骤如下:
[0029]步骤一:将果实区域图像二值化；
[0030]步骤二:采用邻域法标记果实区域；
[0031]步骤三:统计得到果实区域的总个数。
[0032]其中，所述步骤S43中:在果实区域二值图像中，统计非O像素个数，作为果实区域总面积；果实区域比重=果实区域总面积/图像总面积。
[0033]其中，所述步骤S44中:小面积果实区域比重=小面积果实区域总面积/图像总面积；所述小面积果实区域为果实区域面积小于图像总面积的0.2%的果实区域。
[0034]其中，所述步骤S45具体为:将树叶区域图像二值化；在二值图像中，统计非O像素个数，作为树叶区域面积；树叶区域比重=树叶区域面积/图像总面积。
[0035]其中，所述步骤S46中果树生长期参数值根据人工神经网络测产模型中生长期的设置值设置。
[0036]进一步地，所述步骤S5将从果树图像中提取的树冠特征作为估测果树产量的依据；以果实区域的个数、果实区域比重、小面积果实区域比重、树叶区域比重以及果实生长时期为人工神经网络预测模型的输入，果树的预测产量(公斤/树)为输出。
[0037]本发明的有益效果在于:
[0038]本发明提供了一种果园内苹果早期产量预测方法，该方法利用图像处理及识别技术与人工智能技术的有效结合，弥补了单纯利用图像处理及识别技术进行预测的不足，从而能够较准确的在早期对果园内苹果的产量进行预测。这种方法，相较目前果园内现行的预测方法，更加客观，更加高效。
【专利附图】
【附图说明】
[0039]图1为本发明实施例所述果树产量预测流程图；
[0040]图2为本发明实施例所述树叶区域识别流程图；
[0041]图3为本发明实施例所述树冠特征提取流程图；
[0042]图4为本发明实施例所述苹果早期产量预测模型示意图。【具体实施方式】
[0043]以下实施例用于说明本发明，但不用来限制本发明的范围。
[0044]实施例1
[0045]以果园内嘎啦苹果树为例，来说明本发明的测产过程。本实施例中果园位于德国波恩大学Klein Altendorf实验果园，实施例中所涉及果树为标号170的苹果树,果园内苹果树南北成行，果树西边较东边受阳光照射充足。对170号苹果树在其生理落果期完成约
1.5个月后，进行测产，过程需要以下几个步骤:
[0046]S1:获取待测产果树图像
[0047]步骤一:确定图像获取时间，本实施例中图像采集于2010年8月19日。
[0048]步骤二:图像获取时，避免强烈光照，树后放置长2米，高1.5米白色布幕作为背景。拍摄角度为距离果树1.7米，距地高度1.2米，并且垂直于果树种植方向。
[0049]步骤三:使用Cannon PowerShot SX110ISS数码相机,在自动对焦情况下拍摄果树图像，图像尺寸为2112X2816。
[0050]S2:图像中果实区域识别处理，具体步骤如下:
[0051]步骤一:读入原图像，缩小其尺寸到512X683。
[0052]步骤二:在RGB颜色空间中，采用剖线图法分析步骤二中提到的图像中不同物体的各颜色分量的波动特性。
[0053]步骤三:根据步骤二的分析，采用颜色分量差分析法，得出界定图像中的果实区域的条件。满足红蓝色差R-BMO并且红绿色差G-R〈20两个条件的像素均属于果实区域，非果实区域像素的R、G、B值均置O。
[0054]步骤四:将图像转为灰度图像，采用3X3的中值滤波器去除孤立点噪声。
[0055]步骤五:对图像进行开运算处理，结构元素采用圆盘结构，其半径为2，平滑图像中各区域的轮廓，断开狭窄的连接。
[0056]步骤六:经步骤五处理后得到的苹果区域对应到原图像中，得到苹果区域的RGB图像。
[0057]S3:图像中树叶区域识别，其具体方案如图2所示。
[0058]S31:将果实区域图像中像素的R值大于O的，在苹果树图像中将相应的像素R、G、B值置为0，得到树叶区域的初始图像。
[0059]S32:在RGB颜色空间分析树叶区域初始图像中白色背景与树的各颜色分量的波动情况，若像素的绿蓝色差值G-B〈10，判定像素属于白色背景区，将像素的R、G、B值分别置0，从而得到树叶区域的无背景图像。
[0060]S33:利用RGB颜色空间到HIS颜色空间的转换公式，得到树叶区域无背景图像的HIS 图。
[0061]S34:分析图像的H分量、I分量和S分量的波动性及直方图。
[0062]S35:根据步骤四的分析，利用OSTU自动阈值法，分割图像的H分量，可将图像分成两部分:树干及树枝区域与树叶区域，将树干及树枝在树叶区域无背景图像中的部分的像素值的R、G、B值置O。
[0063]S4:提取苹果树树冠的特征，其具体方案如图3所示。
[0064]S41:统计图像中总的像素个数，作为图像的总面积，其大小为=512X683=349696。[0065]S42:在果实区域图像中，包含若干个苹果区域，其中一个苹果区域对应一个苹果或一个苹果簇，对图像中的果实区域个数进行计数，具体步骤如下:
[0066]步骤一:将果实区域图像二值化，二值化阈值设置为O ;
[0067]步骤二:采用8邻域法标记二值图像中的对象；
[0068]步骤三:统计标记对象的个数为65，其作为果实区域的总个数。
[0069]S43:在果实区域二值图像中，统计非O像素个数为9408，即果实区域总面积为9408。果实区域比重=果实区域总面积9408/图像总面积349696=0.0269。
[0070]S44:计算图像中只对应一个苹果的苹果区域的面积的总和，具体步骤如下:
[0071]步骤一:图像总面积349696X0.2% ^ 700,苹果区域图像中小于700的区域即为小面积苹果区域；
[0072]步骤二:计算S42中标记图像中每个对象的面积，对面积小于700的面积进行累加，得到小面积苹果区域的总面积7785。
[0073]步骤三:果实区域比重=小面积果实区域的总面积7785/图像总面积349696 ^ 0.0223。
[0074]S45:计算树叶区域的总面积,具体步骤如下:
[0075]步骤一:将树叶区域图像二值化，二值化阈值设置为O。
[0076]步骤二:在二值图像中，统计非O像素个数216673，即树叶区域面积为216673。
[0077]步骤三:树叶区域比重=树叶区域总面积216673/图像总面积349696 ^ 0.6196。
[0078]S46:果实生长期参数值设为0.5。
[0079]S5:利用BP神经网路苹果早期测产模型进行测产，如图4所示。
[0080]将果实区域个数65、果实区域比重0.0269、小面积果实区域比重0.0223、树叶区域比重0.6196以及果实生长时期0.5输入模型，得到输出为22.09，即对此苹果树的预测产量为22.09公斤。其中BP神经网络苹果早期产量预测模型可以预测果树三个时期的产量:果树生理落果结束时，果树生理落果结束1.5个月后，果实收获前2周。三个果树生长期对应的参数值分别为0、0.5、1 ;该模型依据2009年果园内150棵果树在此三个时期的图像，以每棵果树每个时期图像中的果实区域个数、果实区域比重、小面积果实区域比重、树叶区域比重以及果实生长时期为输入，以每棵的果树实际产量(公斤/树)目标进行训练而得到。该模型为三层神经网络结构(输入层、隐含层、输出层)，输入层5个神经元、输出层I个神经元，中间层神经元个数11。中间层神经元传递函数采用正切S形函数，输出层神经元传递函数采用线形函数。
[0081]虽然，上文中已经用一般性说 明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
【权利要求】
1.一种果树产量早期预测的方法，其特征在于，包括步骤: S1:根据果园管理需要确定图像获取时间，在一定图像采集条件，采用便携式图像采集设备在确定的时间采集待测产果树的图像； 52:根据图像特点进行果实区域识别； 53:根据图像特点进行树叶区域识别； 54:提取果实区域及树叶区域的特征作为果树树冠特征； S5:将果树树冠特征输入人工神经网络测产模型对果树的产量进行预测。
2.根据权利要求1所述的方法，其特征在于，所述步骤SI在特定的果实生长期拍摄果树单面图像，果树整个树冠应包含于所摄图像中，图像拍摄时树后放置白色幕布作为背景。
3.根据权利要求1所述的方法，其特征在于，所述步骤S3包括步骤: 531:从果树图像中减去果实区域图像得到树叶区域初始图像； 532:去除树叶区域初始图像中的背景，得到树叶区域无背景图像； 533:去除树叶区域无背景图像中的枝干。
4.根据权利要求3所述的方法，其特征在于，所述步骤S31具体为:将果实区域图像中像素的R值大于O的，在苹果树图像中将相应的像素R、G、B值置为O，得到树叶区域的初始图像；所述步骤S32具体为:利用RGB颜色模型中的G、B分量，计算图像中每个像素点的G-B值，差值小于10的像素属于背景区域，以此去除背景；所述步骤S33具体为:将RGB颜色空间转换到HSI空间，树叶的H值与枝干的H值有较大差别，采用OSTU自动阈值分割算法，分割出树叶区域。
5.根据权利要求1所述的方法，其特征在于，所述步骤S4包括步骤: 541:计算图像总面积； 542:统计果实区域个数: S43:计算果实区域比重； 544:计算小面积果实区域比重； 545:计算树叶区域比重； 546:设定果实生长期参数值。
6.根据权利要求5所述的方法，其特征在于，所述步骤S43中:果实区域比重=果实区域总面积/图像总面积。
7.根据权利要求5所述的方法，其特征在于，所述步骤S44中:小面积果实区域比重=小面积果实区域总面积/图像总面积；所述小面积果实区域为果实区域面积小于图像总面积的0.2%的果实区域。
8.根据权利要求5所述的方法，其特征在于，所述步骤S45具体为:将树叶区域图像二值化；在二值图像中，统计非O像素个数，作为树叶区域面积；树叶区域比重=树叶区域面积/图像总面积。
9.根据权利要求5所述的方法，其特征在于，所述步骤S46中果树生长期参数值根据人工神经网络测产模型中生长期的设置值设置。
10.根据权利要求1所述的方法，其特征在于，所述步骤S5将从果树图像中提取的树冠特征作为估测果树产量的依据；以果实区域的个数、果实区域比重、小面积果实区域比重、树叶区域比重以及果实生长时期为人工神经网络预测模型的输入，果树的预测产量为输出。
【文档编号】G06K9/62GK103793686SQ201410020528
【公开日】2014年5月14日 申请日期:2014年1月16日 优先权日:2014年1月16日
【发明者】孙宇瑞, 程洪, 孟繁佳, 程强 申请人:中国农业大学