一种大田作物表型信息高通量对等监测系统及监测方法与流程

本发明属于信息监测技术领域，尤其涉及一种大田作物表型信息高通量对等监测系统及监测方法。

背景技术：

目前，最接近的现有技术：高通量植物表型平台是植物表型组学、植物功能基因组学、现代遗传育种研究的强大工具。利用高通量植物表型平台可以快速获取大量植株的各种信息。现代农业育种的一个主要方向就是性状改良，获得更大的果实/种子，更高的含油量(油料作物)，更发达的根系等等。通过高通量植物表型平台可以快速获取大量植物表型信息。然而，现有大田作物监测过程采集的图像不清晰，质量低；同时，不能对作物病害进行识别。

综上所述，现有技术存在的问题是：现有大田作物监测过程采集的图像不清晰，质量低；同时，不能对作物病害进行识别。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种大田作物表型信息高通量对等监测系统及监测方法。

本发明是这样实现的，一种大田作物表型信息高通量对等监测系统，所述大田作物表型信息高通量对等监测系统包括：

太阳能供电模块，与主控模块连接，用于通过太阳能电池板为大田作物表型信息高通量对等监测系统；

作物图像采集模块，与主控模块连接，用于通过摄像设备采集大田作物图像；

主控模块，与太阳能供电模块、作物图像采集模块、图像增强模块、图像特征提取模块、作物表型分析模块、病害识别模块、云处理模块、显示模块连接，用于通过单片机控制各个模块正常工作；

图像增强模块，与主控模块连接，用于通过图像增强程序对采集的大田作物图像进行图像增强处理；

图像特征提取模块，与主控模块连接，用于通过提取程序将大田作物图像特征进行提取；

作物表型分析模块，与主控模块连接，用于通过分析程序根据提取的特征对大田作物的结构、宽度、密度、对称性、叶长、叶宽、叶面积、叶角度、叶颜色、叶病斑、种子颜色、种子颜色面积等参数进行分析；

病害识别模块，与主控模块连接，用于通过识别程序根据采集图像对大田作物病害进行识别；

云处理模块，与主控模块连接，用于通过云服务器对采集的大田作物数据进行云处理操作；

显示模块，与主控模块连接，用于通过显示器显示采集的大田作物图像及分析、识别数据。

进一步，所述作物图像采集模块包括：

红外收发器，用于扫描一待测目标并获取该待扫描目标的距离信息；

摄像单元，用于对该待测目标进行拍摄并获取该待测目标的图像信息；

第一偏振单元，设置于所述摄像单元的入射光路上，用于将射向所述摄像单元的入射光进行透光处理，得到第一偏振光；

第二偏振单元，设置于补光光源的出射光路上，用于将补光光源射出的补偿光进行透光处理，得到第二偏振光；

光路控制单元，用于控制所述图像传感器是否形成图像；

时序控制单元，信号连接于所述光路控制单元和/或所述投射光发生单元，用于控制所述光路控制单元和/或所述投射光发生单元的开启时间，以在投射光的投射期间开启所述光路控制单元；

处理单元，信号连接于所述时序控制单元和所述图像传感器，用于接收并处理所述图像传感器生成的图像并存储，并根据所述时序控制单元的信号，确定所述图像为第一类图像或第二类图像，所述第一类图像为所述图像传感器接收被拍摄物体反射的第一类光线形成的图像，所述第二类图像为所述图像传感器接收被拍摄物体反射的第二类光线形成的图像；所述第二类光线包括所述第一类光线和所述投射光；用于获取该红外收发器发送的该待测目标的距离信息及该摄像单元发送的该待测目标的图像信息；及根据获取的该待测目标的图像信息及该待测目标的距离信息生成该待测目标的3d图像信息。

进一步，所述云处理模块包括：

影像采集设备，用于实现图像信息的采集；

高反物体识别模块，用于识别高反物体；

边缘提取模块，用于将目标物体和高反物体的点云进行分割；

点云过滤模块，用于对点云数据进行过滤处理；

插值模块，用于对点云过滤结果进行插值，补齐物体的点云；

与影像采集设备相连的用于存储及处理图像的服务器，不同图片中每个像素点的值最大相差1，因此在图片数据发送时只需发送一副图片数据和增量数据即可；所述图片数据是指图片每个像素高p位的数据，增量数据表示图片中需要在高p位数值的基础上加1的像素数据；

与服务器相连的用于连接多台设备的路由设备；

与路由设备相连的用于处理及显示图像的多台客户端。

本发明的另一目的在于提供一种执行所述大田作物表型信息高通量对等监测系统的大田作物表型信息高通量对等监测方法，所述大田作物表型信息高通量对等监测方法包括以下步骤：

步骤一，通过太阳能供电模块利用太阳能电池板为大田作物表型信息高通量对等监测系统；通过作物图像采集模块利用摄像设备采集大田作物图像；

步骤二，主控模块通过图像增强模块利用图像增强程序对采集的大田作物图像进行图像增强处理；

步骤三，通过图像特征提取模块利用提取程序将大田作物图像特征进行提取；

步骤四，通过作物表型分析模块利用分析程序根据提取的特征对大田作物的结构、宽度、密度、对称性、叶长、叶宽、叶面积、叶角度、叶颜色、叶病斑、种子颜色、种子颜色面积参数进行分析；

步骤五，通过病害识别模块利用识别程序根据采集图像对大田作物病害进行识别；

步骤六，通过云处理模块利用云服务器对采集的大田作物数据进行云处理操作；

步骤七，通过显示模块利用显示器显示采集的大田作物图像及分析、识别数据。

进一步，所述通过图像特征提取模块利用提取程序将大田作物图像特征进行提取方法如下：

(1)通过图像处理程序对采集到的彩色大田作物图像进行缩放，获取作物叶片彩色大田作物图像；

(2)基于改进的引导滤波算法对所述作物叶片彩色大田作物图像进行滤波处理，获取第一彩色大田作物图像；

(3)用所述作物叶片彩色大田作物图像减去所述第一彩色大田作物图像，获取第二彩色大田作物图像，所述第二彩色大田作物图像是所述第一彩色大田作物图像的细节大田作物图像；

(4)基于所述第二彩色大田作物图像中的像素亮度值的均值和所述第二彩色大田作物图像的每一像素的对比度，将所述第一彩色大田作物图像和所述第二彩色大田作物图像进行融合，获取作物叶片的增强大田作物图像。

进一步，所述通过病害识别模块利用识别程序根据采集图像对大田作物病害进行识别方法如下：

1)利用农业物联网的视频设备每天从3个视角分别采集3幅作物病害叶片彩色图像，将获取的每幅原始作物病害叶片图像缩放为维数大小为64×64×3的彩色图像，组成训练集；对训练集中的每幅图像进行旋转操作、平移操作、尺寸变换操作以及噪声处理，将每幅病害叶片图像扩充为多幅新病害叶片图像；将得到多幅新病害叶片图像加入到训练集，得到扩充训练集；

2)构建多通道卷积神经网络模型，并利用步骤1)得到的扩充训练集训练该模型；

3)将待识别叶片图像输入到步骤2)中训练过的多通道卷积神经网络模型，进行分类得到病害叶片图像的识别结果。

本发明的另一目的在于提供一种应用所述大田作物表型信息高通量对等监测方法的信息数据处理终端。

本发明的优点及积极效果为：本发明通过图像增强模块利用图像处理技术对作物叶片图像滤波和融合，对作物叶片图像进行了增强，降低了噪声影响，突出了大田作物图像中的有用信息，提高了大田作物图像质量；克服了现有技术中存在的颜色失真、增强效果不明显等问题；同时，通过病害识别模块根据卷积神经网络能够通过局部感受野、权值共享和下采样技术，自动提取作物病害叶片图像的颜色特征和结构特征，并具备平移不变性，避免了人工设计的图像特征的局限性；利用多通道卷积神经网络对图像特征进行非线性映射来获得作物病害叶片图像特征，避免了人工设计模型的局限性；利用一天的多个时间段的视频病害叶片图像作为多通道卷积神经网络的输入，而且通过随机化的特征信息融合，增加病害识别模型的鲁棒性，能够得到较好的识别效果；可以提高对待识别作物的病害类型的识别速度，减少作物病害的防治时间，提升经济效益。

附图说明

图1是本发明实施例提供的大田作物表型信息高通量对等监测方法流程图。

图2是本发明实施例提供的大田作物表型信息高通量对等监测系统结构示意图；

图3是本发明实施例提供的作物图像采集模块的结构示意图；

图4是本发明实施例提供的云处理模块的结构示意图；

图中：1、太阳能供电模块；2、作物图像采集模块；3、主控模块；4、图像增强模块；5、图像特征提取模块；6、作物表型分析模块；7、病害识别模块；8、云处理模块；9、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

针对现有技术存在的问题，本发明提供了一种大田作物表型信息高通量对等监测系统及监测方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的大田作物表型信息高通量对等监测方法包括以下步骤：

步骤s101，通过太阳能供电模块利用太阳能电池板为大田作物表型信息高通量对等监测系统；通过作物图像采集模块利用摄像设备采集大田作物图像；

步骤s102，主控模块通过图像增强模块利用图像增强程序对采集的大田作物图像进行图像增强处理；

步骤s103，通过图像特征提取模块利用提取程序将大田作物图像特征进行提取；

步骤s104，通过作物表型分析模块利用分析程序根据提取的特征对大田作物的结构、宽度、密度、对称性、叶长、叶宽、叶面积、叶角度、叶颜色、叶病斑、种子颜色、种子颜色面积等参数进行分析；

步骤s105，通过病害识别模块利用识别程序根据采集图像对大田作物病害进行识别；

步骤s106，通过云处理模块利用云服务器对采集的大田作物数据进行云处理操作；

步骤s107，通过显示模块利用显示器显示采集的大田作物图像及分析、识别数据。

如图2所示，本发明实施例提供的大田作物表型信息高通量对等监测系统包括：太阳能供电模块1、作物图像采集模块2、主控模块3、图像增强模块4、图像特征提取模块5、作物表型分析模块6、病害识别模块7、云处理模块8、显示模块9。

太阳能供电模块1，与主控模块3连接，用于通过太阳能电池板为大田作物表型信息高通量对等监测系统；

作物图像采集模块2，与主控模块3连接，用于通过摄像设备采集大田作物图像；

主控模块3，与太阳能供电模块1、作物图像采集模块2、图像增强模块4、图像特征提取模块5、作物表型分析模块6、病害识别模块7、云处理模块8、显示模块9连接，用于通过单片机控制各个模块正常工作；

图像增强模块4，与主控模块3连接，用于通过图像增强程序对采集的大田作物图像进行图像增强处理；

图像特征提取模块5，与主控模块3连接，用于通过提取程序将大田作物图像特征进行提取；

作物表型分析模块6，与主控模块3连接，用于通过分析程序根据提取的特征对大田作物的结构、宽度、密度、对称性、叶长、叶宽、叶面积、叶角度、叶颜色、叶病斑、种子颜色、种子颜色面积等参数进行分析；

病害识别模块7，与主控模块3连接，用于通过识别程序根据采集图像对大田作物病害进行识别；

云处理模块8，与主控模块3连接，用于通过云服务器对采集的大田作物数据进行云处理操作；

显示模块9，与主控模块3连接，用于通过显示器显示采集的大田作物图像及分析、识别数据。

如图3所示，作物图像采集模块2还包括：

红外收发器，用于扫描一待测目标并获取该待扫描目标的距离信息；

摄像单元，用于对该待测目标进行拍摄并获取该待测目标的图像信息；

第一偏振单元，设置于所述摄像单元的入射光路上，用于将射向所述摄像单元的入射光进行透光处理，得到第一偏振光；

第二偏振单元，设置于补光光源的出射光路上，用于将补光光源射出的补偿光进行透光处理，得到第二偏振光；

光路控制单元，用于控制所述图像传感器是否形成图像；

时序控制单元，信号连接于所述光路控制单元和/或所述投射光发生单元，用于控制所述光路控制单元和/或所述投射光发生单元的开启时间，以在投射光的投射期间开启所述光路控制单元；

处理单元，信号连接于所述时序控制单元和所述图像传感器，用于接收并处理所述图像传感器生成的图像并存储，并根据所述时序控制单元的信号，确定所述图像为第一类图像或第二类图像，所述第一类图像为所述图像传感器接收被拍摄物体反射的第一类光线形成的图像，所述第二类图像为所述图像传感器接收被拍摄物体反射的第二类光线形成的图像；所述第二类光线包括所述第一类光线和所述投射光；用于获取该红外收发器发送的该待测目标的距离信息及该摄像单元发送的该待测目标的图像信息；及根据获取的该待测目标的图像信息及该待测目标的距离信息生成该待测目标的3d图像信息。

如图4所示，云处理模块8还包括：

影像采集设备，用于实现图像信息的采集；

高反物体识别模块，用于识别高反物体；

边缘提取模块，用于将目标物体和高反物体的点云进行分割；

点云过滤模块，用于对点云数据进行过滤处理；

插值模块，用于对点云过滤结果进行插值，补齐物体的点云；

与影像采集设备相连的用于存储及处理图像的服务器，不同图片中每个像素点的值最大相差1，因此在图片数据发送时只需发送一副图片数据和增量数据即可；所述图片数据是指图片每个像素高p位的数据，增量数据表示图片中需要在高p位数值的基础上加1的像素数据；

与服务器相连的用于连接多台设备的路由设备；

与路由设备相连的用于处理及显示图像的多台客户端。

本发明提供的图像增强模块4增强方法如下：

(1)通过图像处理程序对采集到的彩色大田作物图像进行缩放，获取作物叶片彩色大田作物图像；

(2)基于改进的引导滤波算法对所述作物叶片彩色大田作物图像进行滤波处理，获取第一彩色大田作物图像；

(3)用所述作物叶片彩色大田作物图像减去所述第一彩色大田作物图像，获取第二彩色大田作物图像，所述第二彩色大田作物图像是所述第一彩色大田作物图像的细节大田作物图像；

(4)基于所述第二彩色大田作物图像中的像素亮度值的均值和所述第二彩色大田作物图像的每一像素的对比度，将所述第一彩色大田作物图像和所述第二彩色大田作物图像进行融合，获取作物叶片的增强大田作物图像。

本发明提供的步骤(1)包括：

基于双线性插值方法对所述采集到的彩色大田作物图像进行归一化处理，获取所述作物叶片彩色大田作物图像，所述作物叶片彩色大田作物图像的大小为col×row，其中，col为预设的所述作物叶片彩色大田作物图像在宽度上的像素个数，row为预设的所述作物叶片彩色大田作物图像在高度上的像素个数。

本发明提供的步骤(4)之后还包括：

对所述作物叶片的增强大田作物图像进行归一化处理，获取归一化彩色大田作物图像。

本发明提供的步骤(2)一步包括：

对于所述作物叶片彩色大田作物图像在rgb颜色空间上的对应于红色的红色子大田作物图像、对应于绿色的绿色子大田作物图像和对应于蓝色的蓝色子大田作物图像，分别获取滤波后红色子大田作物图像、滤波后绿色子大田作物图像和滤波后蓝色子大田作物图像；

将所述滤波后红色子大田作物图像、所述滤波后绿色子大田作物图像和所述滤波后蓝色子大田作物图像组合，获取所述第一彩色大田作物图像。

本发明提供的病害识别模块7识别方法如下：

1)利用农业物联网的视频设备每天从3个视角分别采集3幅作物病害叶片彩色图像，将获取的每幅原始作物病害叶片图像缩放为维数大小为64×64×3的彩色图像，组成训练集；对训练集中的每幅图像进行旋转操作、平移操作、尺寸变换操作以及噪声处理，将每幅病害叶片图像扩充为多幅新病害叶片图像；将得到多幅新病害叶片图像加入到训练集，得到扩充训练集；

2)构建多通道卷积神经网络模型，并利用步骤1)得到的扩充训练集训练该模型；

3)将待识别叶片图像输入到步骤2)中训练过的多通道卷积神经网络模型，进行分类得到病害叶片图像的识别结果。

本发明提供的构建多通道卷积神经网络的具体过程包括：

2.1)，多通道卷积神经网络由3个结构相同的卷积神经网络、一个特征融合层、一个全连接层、一个批标准化处理和一个分类层组成；每个通道的卷积神经网络由三个卷积层和三个池化层交替组成；

构建多通道卷积神经网络中的3个结构相同的卷积神经网络的具体过程如下：在每个通道的卷积神经网络中的卷积及池化操作如下：对于每幅大小为64×64×3的三维图像，①先通过8个三维卷积核大小为9×9×3的卷积操作，然后进行激活函数为sigmoid的激活操作，再进行池化层窗口大小为2×2、步长为2的下采样操作，得到8个大小为28×28×3的特征图；②通过16个三维卷积核大小为5×5×3的卷积操作，然后进行激活函数为sigmoid的激活操作，再进行池化层窗口大小为2×2、步长为2的下采样操作，得到16个大小为12×12×3的特征图；③通过32个三维卷积核大小为3×3×3的卷积操作，然后进行激活函数为sigmoid的激活操作，再进行池化层窗口大小为2×2、步长为2的下采样操作，得到32个大小为5×5×3的特征图；

每个通道的卷积神经网络都得到32个5×5×3的特征图；

2.2)，构建多通道卷积神经网络的特征融合层，具体过程为：每次取3个通道卷积神经网络中相同位置的一个特征图，得到共3个特征图，再取3个特征图中相同位置的一个像素，共得到3个像素，然后采用0-1均匀分布方法进行采样，得到32个大小为5×5×3的特征图；

2.3)：构建多通道卷积神经网络的全连接层；具体为：将得到的32个大小为5×5×3的特征图进行全连接处理后，得到一个维数为2400的特征向量；

2.4)：构建多通道卷积神经网络的批标准化处理；具体为：对得到的特征向量进行批标准化处理，然后输入到分类器进行病害识别；

2.5)：依次使用训练图像多次重复步骤2.1)～步骤2.4)的方法训练多通道卷积神经网络，直到病害识别模型的损失收敛，即损失降到一定程度后不再降低，获得能够识别作物病害叶片图像的病害类型的多通道卷积神经网络模型。

本发明提供的步骤2.4)中，批标准化处理的具体过程如下：

首先，假设每个批次有p个特征x1,x2,...,xq，计算其均值与方差分别为：

其中，μ为批次均值，σ为方差；

其次，将数据归一化，得到均值为0、方差为1的数据

其中，ε为0.001。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。