棉田虫情自动监测装置及监测方法
【专利摘要】一种棉田虫情自动监测装置及监测方法，用于对棉田棉苗的虫情进行实时自动监测，该方法包括实时采集棉田的棉苗图像信息；对所述棉苗图像信息进行处理，提取所述棉田棉苗的叶面轮廓信息及该叶面轮廓内的叶片特征，根据所述叶片特征判断所述棉田的虫情，以实时监测所述棉田的棉苗虫害信息。该装置包括：固定架，按照区域固定于棉田中；图像采集装置，安装在所述固定架上，用于实时采集棉苗的图像信息；图像传输装置，安装在所述固定架上，用于传输所述图像采集装置实时采集的棉苗图像信息；监控中心，与所述图像传输装置连接，包括：图像接收装置和图像分析系统，采用上述方法对所述棉苗图像信息进行分析以实时监测所述棉田的棉苗虫害信息。
【专利说明】棉田虫情自动监测装置及监测方法
【技术领域】
[0001]本发明涉及一种棉田的自动监测技术，特别是一种棉田虫情自动监测装置及监测方法。
【背景技术】
[0002]目前，在棉田种植中，棉苗的虫情通常是通过人工对棉苗进行观察，从而作为对棉苗进行除虫喷药、灌溉以及施肥等田间管理的依据。但是人工观察由于受到时间、气候等条件的限制，并不能实时对棉苗的虫情等进行分析掌握，无法及时预防和控制虫害发生，并且劳动强度大，受人为因素影响严重，便利性差，在目前的国内外棉苗的种植中，尚未检索到有关对棉苗的虫害进行自动监测的研究。
【发明内容】
[0003]本发明所要解决的技术问题是提供一种可对棉田棉苗的虫害进行实时自动监测的棉田虫情自动监测装置及监测方法。
[0004]为了实现上述目的，本发明提供了一种棉田虫情自动监测方法，用于对棉田棉苗的虫情进行实时自动监测，其中，包括如下步骤:
[0005]S1、实时采集棉田的棉苗图像信息；
[0006]S2、对所述棉苗图像信息进行处理，提取所述棉田棉苗的叶面轮廓信息及该叶面轮廓内的叶片特征，根据所述叶片特征判断所述棉田的虫情，以实时监测所述棉田的棉苗
虫害信息。
[0007]上述的棉田虫情自动监测方法，其中，所述叶片特征包括:棉叶颜色变化、棉叶形态变化和棉叶出现虫情。
[0008]上述的棉田虫情自动监测方法，其中，所述步骤S2包括:
[0009]S21、对所述棉苗图像信息进行图像分割，利用YIQ颜色空间中的Q分量提取所述棉苗图像信息中的棉苗的颜色信息得到处理后的棉苗图像信息，然后用OTSU自动阈值法二值化所述处理后的棉苗图像信息；
[0010]S22、单株棉苗的投影定位，对二值化后的棉苗图像信息分别进行垂直和水平投影，并设定边界阈值以确定多个单株棉苗的具体位置；
[0011]S23、单株棉苗的轮廓提取，采用Robert边缘检测算法提取单个棉株的叶面轮廓边缘及所述叶面轮廓内部的孔洞信息；
[0012]S24、计算孔洞数值，对所述孔洞信息采用四邻域区域标记算法标记后并计算出孔洞数值；
[0013]S25、判断虫情信息，将所述孔洞数值与一经验阈值相比较，若所述孔洞数值大于所述经验阈值，则已发生虫害；若所述孔洞数值小于所述经验阈值，则无虫害发生。
[0014]上述的棉田虫情自动监测方法，其中，所述OTSU自动阈值法二值化所述处理后的棉苗图像信息的方法为:设灰度图像灰度级是L，则灰度范围为[0，L-1]，利用OTSU算法计算图像的最佳阈值为:
[0015]t=Max [w0 (t) * (uO (t) _u) '2+wl (t) * (ul (t) _u) '2)],
[0016]其中，当分割的阈值为t时，《O为背景比例，UO为背景均值，Wl为前景比例，Ul为前景均值，u为整幅图像的均值，使以上表达式值最大的t，即为分割图像的最佳阈值。
[0017]上述的棉田虫情自动监测方法，其中，所述四邻域标记算法包括如下步骤:
[0018]S241、选择一标记点，判断所述标记点的四邻域中的最左、最上是否存在其他点，如果都没有其他点，则判断为一个新的区域的开始；
[0019]S242、如果所述标记点的四邻域中的最左有点，最上没有点，则标记所述标记点为最左点的值；如果所述标记点的四邻域中的最左没有点，最上有点，则标记所述标记点为最上点的值；
[0020]S243、如果所述标记点的四邻域中的最左、最上均有点，则标记所述标记点为所述最左、最上两个点中的最小的点的值，并将其他大于该最小的点的值修改为小点的值。
[0021]上述的棉田虫情自动监测方法，其中，所述Robert边缘检测算法的Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子，其计算公式如下:
[0022]G (X，y) =sqrt ((f (x, y) -f (x+1, y+1)) * (f (x, y) -f (x+1, y+1)) + (f (x+1, y) -f (x, y+1))*(f(x+l,y)-f(x, y+1)))
[0023]其中，f(x，y)为输入图像，g(x，y)为输出图像。
[0024]上述的棉田虫情自动监测方法，其中，所述经验阈值为。
[0025]为了更好地实现上述目的，本发明还提供了一种棉田虫情自动监测装置，用于对棉田棉苗的虫情进行实时自动监测，其中，包括:
[0026]固定架，按照区域固定于棉田中；
[0027]图像采集装置，安装在所述固定架上，用于实时采集棉苗的图像信息；
[0028]图像传输装置，安装在所述固定架上，用于传输所述图像采集装置实时采集的棉苗图像信息；
[0029]监控中心，与所述图像传输装置连接，包括:
[0030]图像接收装置，用于接收所述图像传输装置传输的棉苗图像信息；
[0031]图像分析系统，与所述图像接收装置连接，采用上述权利要求1一 7中任意一项所述的棉田虫情自动监测方法对所述棉苗图像信息进行分析，得到所述棉田的叶片特征，根据所述叶片特征判断所述棉田的虫情，以实时监测所述棉田的棉苗虫害信息。
[0032]上述的棉田虫情自动监测装置，其中，所述图像采集装置为红外摄像机，所述图像传输装置为CDMA无线视频发射装置。
[0033]上述的棉田虫情自动监测装置，其中，还包括图像采集调整装置，安装在所述固定架上并与所述图像采集装置连接，所述图像采集调整装置包括方位调节机构、高度调节机构和角度调节机构。
[0034]本发明的技术效果在于:
[0035]本发明的棉田虫情自动监测装置按照区域固定于田间，通过无线发射装置将摄像机采集的棉苗图像信息传送给异地室内监控计算机，利用图像分析系统对棉苗图像进行分析，从而实时掌握棉田的虫情信息。本发明具有全天候24小时异地监测、视频自动获取与处理、监测范围与面积可调和自动分析棉田虫情等功能。[0036]以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
【专利附图】
【附图说明】
[0037]图1为本发明一实施例的自动监测装置结构示意图；
[0038]图2为本发明的棉苗虫情监测原理图；
[0039]图3为本发明一实施例的自动监测方法的流程图；
[0040]图4为本发明一实施例的自动监测方法的图像分析过程示意图；
[0041]图5A — 为本发明一实施例的出现斑点的虫害棉苗的图像处理效果图；
[0042]图6A — 6D为本发明一实施例的出现缺刻的虫害棉苗的图像处理效果图。
[0043]其中，附图标记
[0044]I固定架
[0045]2图像采集装置
[0046]3图像传输装置
[0047]4监控中心
[0048]41图像接收装置
[0049]42图像分析系统
[0050]5图像采集调整装置
[0051]51方位调节机构
[0052]52高度调节机构
[0053]53角度调节机构
[0054]S1、S2 步骤
【具体实施方式】
[0055]下面结合附图对本发明的结构原理和工作原理作具体的描述:
[0056]参见图1及图2，图1为本发明一实施例的自动监测装置结构示意图，图2为本发明的棉苗虫情监测原理图。本发明的棉田虫情自动监测装置，用于对棉田棉苗的虫情进行实时自动监测，包括:固定架1，按照区域固定于棉田中；图像采集装置2，安装在所述固定架I上，用于实时采集棉苗的图像信息；图像传输装置3，安装在所述固定架I上，用于传输所述图像采集装置2实时采集的棉苗图像信息；监控中心4，与所述图像传输装置3连接，包括:图像接收装置41，用于接收所述图像传输装置3传输的棉苗图像信息；图像分析系统42，与所述图像接收装置41连接，采用下述的棉田虫情自动监测方法对所述棉苗图像信息进行分析，得到所述棉田的叶片特征，根据所述叶片特征判断所述棉田的虫情，以实时监测所述棉田的棉苗虫害信息。
[0057]本实施例中，所述图像采集装置2优选为红外摄像机以实现全天候检测，所述图像传输装置3优选为CDMA无线视频发射装置以便稳定快速地进行图像的即时传输，监控中心4优选由固定IP服务器和监控计算机组成，其图像接收装置41及图像分析系统42可分别设置在其中。为了提高图像质量，取得更好地拍摄效果，本发明还可包括图像采集调整装置5，安装在所述固定架I上并与所述图像采集装置2连接，用于调整所述图像采集装置2的拍摄角度及拍摄位置，所述图像采集调整装置5包括方位调节机构51、高度调节机构52和角度调节机构53。因该距离、高度及角度调节的方法均可采用较成熟的现有技术，只要能达到调节所述图像采集装置2的拍摄角度及拍摄位置得到最佳拍摄效果的目的即可，对该图像采集调整装置5的具体结构不做限制。下面对图像分析系统42所采用的棉田虫情自动监测方法予以详细说明。参见图3，图3为本发明一实施例的自动监测方法的流程图。该监测方法包括如下步骤:
[0058]步骤S1、实时采集棉田的棉苗图像信息；
[0059]步骤S2、对所述棉苗图像信息进行处理，提取所述棉田棉苗的叶面轮廓信息及该叶面轮廓内的叶片特征，根据所述叶片特征判断所述棉田的虫情，以实时监测所述棉田的
棉苗虫害信息。
[0060]其中，本发明的监测装置能够对以下棉苗虫情进行叶片特征识别，所述叶片特征包括:
[0061]I)棉叶颜色变化:例如失绿，出现黄斑、红斑、黄白斑或黑斑；
[0062]2)棉叶形态变化:例如成缺刻状或孔洞，向背面卷缩；
[0063]3)棉叶出现虫情:例如害虫的卵或成虫位于叶片上。
[0064]其中，所述步骤S2包括:
[0065]步骤S21、对所述棉苗图像信息进行图像分割，利用YIQ颜色空间中的Q分量提取所述棉苗图像信息中的棉苗的颜色信息，得到处理后的棉苗图像信息，然后用OTSU自动阈值法二值化所述处理后的棉苗图像信息；
[0066]其中，所述OTSU自动阈值法二值化所述处理后的棉苗图像信息的方法为:设灰度图像灰度级是L，则灰度范围为[0，L-1]，利用OTSU算法计算图像的最佳阈值为:
[0067]t=Max [w0 (t) * (uO (t) _u) '2+wl (t) * (ul (t) _u) '2)],
[0068]其中，当分割的阈值为t时，《O为背景比例，UO为背景均值，wl为前景比例，Ul为前景均值，u为整幅图像的均值，使以上表达式值最大的t，即为分割图像的最佳阈值。
[0069]步骤S22、单株棉苗的投影定位，经过二值化的图像中只包含黑色像素和白色像素，对二值化后的棉苗图像信息分别进行垂直和水平投影，并设定边界阈值以确定多个单株棉苗的具体位置；
[0070]步骤S23、单株棉苗的轮廓提取，采用Robert边缘检测算法提取单个棉株的叶面轮廓边缘及所述叶面轮廓内部的孔洞信息；
[0071 ] 其中，所述Robert边缘检测算法的Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子，其计算公式如下:
[0072]G (X，y) =sqrt ((f (x，y) -f (x+1, y+1)) * (f (x, y) -f (x+1, y+1)) + (f (x+1, y) -f (x, y+1))*(f(x+l,y)-f(x, y+1)))
[0073]其中，f(x，y)为输入图像，g(x，y)为输出图像。
[0074]步骤S24、计算孔洞数值T，对所述孔洞信息采用四邻域区域标记算法标记，然后累加即可得到孔洞数值T ;
[0075]其中，所述四邻域标记算法包括如下步骤:
[0076]S241、选择一标记点，判断所述标记点的四邻域中的最左、最上是否存在其他点，如果都没有其他点，则判断为一个新的区域的开始；
[0077]S242、如果所述标记点的四邻域中的最左有点，最上没有点，则标记所述标记点为最左点的值；如果所述标记点的四邻域中的最左没有点，最上有点，则标记所述标记点为最上点的值；
[0078]S243、如果所述标记点的四邻域中的最左、最上均有点，则标记所述标记点为所述最左、最上两个点中的最小的点的值，并将其他大于最小点的值修改为小点的值。
[0079]步骤S25、判断虫情信息，将所述孔洞数值T与一经验阈值相比较，若所述孔洞数值大于所述经验阈值，则已发生虫害；若所述孔洞数值小于所述经验阈值，则无虫害发生。所述经验阈值优选为50-200。
[0080]参见图4 一图6D，图4为本发明一实施例的自动监测方法的图像分析过程示意图，图5A-5D为本发明一实施例的出现斑点的虫害棉苗的图像处理效果图，图6A-6D为本发明一实施例的出现缺刻的虫害棉苗的图像处理效果图。下面用一具体实施例详细说明对棉苗图像进行分析的具体步骤:
[0081]如图4所示，该棉苗虫情图像处理的方法具体为:
[0082]首先对采集到的棉田图像进行图像分割，投影定位出单株棉苗，然后对其进行棉株轮廓提取，并计算叶面孔洞数量，与给定的阈值进行比较，以此判定棉田的虫害信息。
[0083](I)绿色植物分割，参见图5A、5B、图6A、6B，其中，图5A为出现红斑的虫害棉苗，图5B为HQ_Q指标灰度化图像，图6A为出现缺刻的虫害棉苗，图6B为HQ_Q指标灰度化图像
[0084]利用YIQ颜色空间中的Q分量提取绿色植物的颜色信息,然后采用Otsu自动阈值法二值化图像。YIQ色彩空间属于NTSC系统。这里Y是指颜色的明视度，即亮度。其实Y就是图像灰度值，I和Q都指的是指色调，即描述图像色彩与饱和度的属性。在YIQ颜色空间中，Y分量表示图像的亮度信息，I分量和Q分量则携带着颜色信息，I分量表示从橙色到青色的颜色变化，而Q分量则表示从紫色到黄绿色的颜色变化。YIQ颜色空间具有能将图像中的亮度分量分离提取出来的优点，并且YIQ颜色空间与RGB颜色空间之间是线性变换的关系，计算量小，聚类特性也比较好，可以适应光照强度不断变化的场合，因此能够有效地用于彩色图像处理。
[0085]RGB和HQ的对应关系用下面的方程式表示:
[0086]Y=0.299R+0.587G+0.114B
[0087]1=0.596R-0.275G-0.321B
[0088]Q=0.212R-0.523G+0.31IB
[0089]OTSU算法也称最大类间差法，有时也称之为大津算法，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性，将图像分成背景和前景两部分。背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。
[0090]设灰度图像灰度级是L，则灰度范围为[0，L-1]，利用OTSU算法计算图像的最佳阈值为:
[0091]t=Max [w0 (t) * (uO (t) _u) '2+wl (t) * (ul (t) _u) '2)]
[0092]其中的变量说明:当分割的阈值为t时，《O为背景比例，UO为背景均值，Wl为前景比例，ul为前景均值，u为整幅图像的均值。[0093]使以上表达式值最大的t，即为分割图像的最佳阈值。
[0094](2)投影定位单株棉苗，参见图5C、图6C，其中，图5C、图6C均为Otsu自动阈值二值化图像，
[0095]经过二值化的图像中只包含黑色像素(背景)和白色像素(目标)，通过垂直和水平投影，根据设定相应的边界阈值(根据经验确定)来确定出棉苗的具体位置。
[0096](3)棉株轮廓提取，参见图5D、图6D，其中，图5D、图6D均为Robert提取边缘，区域标记后图像
[0097]采用Robert边缘检测算法提取单个棉株的轮廓边缘，该方法不仅提取了叶片的轮廓，而且将叶片内部的虫害信息(即孔洞信息)也提取出来。
[0098]Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子，其公式如下
[0099]G (X，y) =sqrt ((f (x, y) -f (x+1, y+1)) * (f (x, y) -f (x+1, y+1)) + (f (x+1, y) -f (x, y+1))*(f(x+l,y)-f(x, y+1)))
[0100]其中f(x，y)是输入图像，g(x，y)是输出图像。
[0101](4)计算叶面空洞数量
[0102]对叶片内部的孔洞信息采用四邻域区域标记算法标记后并计算其数量。
[0103]四邻域标记算法的基本步骤是:
[0104]I)判断此点四邻域中的最左，最上有没有点，如果都没有点，则表示一个新的区域的开始。
[0105]2)如果此点四邻域中的最左有点，最上没有点，则标记此点为最左点的值；如果此点四邻域中的最左没有点，最上有点，则标记此点为最上点的值。
[0106]3 )如果此点四邻域中的最左有点，最上都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。
[0107](5)判断虫情信息
[0108]将计算出的孔洞数与经验阈值相比较，若孔洞数大于经验阈值，则说明已发生虫害；若孔洞数小于经验阈值，则说明没有虫害发生。
[0109]本发明的棉田虫情自动监测装置按照区域固定于田间，通过无线发射装置将摄像机采集的棉苗图像信息传送给异地室内监控计算机，利用图像分析系统对棉苗图像进行分析，从而实时掌握棉田的虫情信息。本发明具有全天候24小时异地监测、视频自动获取与处理、监测范围与面积可调和自动分析棉田虫情等功能。
[0110]当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
【权利要求】
1.一种棉田虫情自动监测方法,用于对棉田棉苗的虫情进行实时自动监测,其特征在于，包括如下步骤: 51、实时采集棉田的棉苗图像信息； 52、对所述棉苗图像信息进行处理，提取所述棉田棉苗的叶面轮廓信息及该叶面轮廓内的叶片特征，根据所述叶片特征判断所述棉田的虫情，以实时监测所述棉田的棉苗虫害信息。
2.如权利要求1所述的棉田虫情自动监测方法，其特征在于，所述叶片特征包括:棉叶颜色变化、棉叶形态变化和棉叶出现虫情。
3.如权利要求1或2所述的棉田虫情自动监测方法，其特征在于，所述步骤S2包括: 521、对所述棉苗图像信息进行图像分割，利用YIQ颜色空间中的Q分量提取所述棉苗图像信息中的棉苗的颜色信息得到处理后的棉苗图像信息，然后用OTSU自动阈值法二值化所述处理后的棉苗图像信息； 522、单株棉苗的投影定位，对二值化后的棉苗图像信息分别进行垂直和水平投影，并设定边界阈值以确定多个单株棉苗的具体位置； 523、单 株棉苗的轮廓提取，采用Robert边缘检测算法提取单个棉株的叶面轮廓边缘及所述叶面轮廓内部的孔洞信息； 524、计算孔洞数值，对所述孔洞信息采用四邻域区域标记算法标记后并计算出孔洞数值； 525、判断虫情信息，将所述孔洞数值与一经验阈值相比较，若所述孔洞数值大于所述经验阈值，则已发生虫害；若所述孔洞数值小于所述经验阈值，则无虫害发生。
4.如权利要求3所述的棉田虫情自动监测方法，其特征在于，所述OTSU自动阈值法二值化所述处理后的棉苗图像信息的方法为:设灰度图像灰度级是L，则灰度范围为[0，L-1]，利用OTSU算法计算图像的最佳阈值为:
t=Max [w0 (t) * (u0 (t) -u) '2+wl (t) * (ul (t) -u) '2)], 其中，当分割的阈值为t时，《O为背景比例，uO为背景均值，wl为前景比例，ul为前景均值，u为整幅图像的均值，使以上表达式值最大的t，即为分割图像的最佳阈值。
5.如权利要求3所述的棉田虫情自动监测方法，其特征在于，所述四邻域标记算法包括如下步骤: 5241、选择一标记点，判断所述标记点的四邻域中的最左、最上是否存在其他点，如果都没有其他点，则判断为一个新的区域的开始； 5242、如果所述标记点的四邻域中的最左有点，最上没有点，则标记所述标记点为最左点的值；如果所述标记点的四邻域中的最左没有点，最上有点，则标记所述标记点为最上点的值； 5243、如果所述标记点的四邻域中的最左、最上均有点，则标记所述标记点为所述最左、最上两个点中的最小的点的值，并将其他大于最小点的值修改为小点的值。
6.如权利要求3所述的棉田虫情自动监测方法，其特征在于，所述Robert边缘检测算法的Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子，其计算公式如下:
G (X，y) =sqrt ((f (x, y) -f (x+1, y+1)) * (f (x, y) -f (x+1, y+1)) + (f (x+1, y) -f (x, y+1)) * (f (x+1, y)-f (x, y+1)))其中，f(x，y)为输入图像，g(x，y)为输出图像。
7.如权利要求6所述的棉田虫情自动监测方法，其特征在于，所述经验阈值为。
8.—种棉田虫情自动监测装置，用于对棉田棉苗的虫情进行实时自动监测，其特征在于，包括: 固定架，按照区域固定于棉田中； 图像采集装置，安装在所述固定架上，用于实时采集棉苗的图像信息； 图像传输装置，安装在所述固定架上，用于传输所述图像采集装置实时采集的棉苗图像息; 监控中心，与所述图像传输装置连接，包括: 图像接收装置，用于接收所述图像传输装置传输的棉苗图像信息； 图像分析系统，与所述图像接收装置连接，采用上述权利要求1-7中任意一项所述的棉田虫情自动监测方法对所述棉苗图像信息进行分析，得到所述棉田的叶片特征，根据所述叶片特征判断所述棉田的虫情，以实时监测所述棉田的棉苗虫害信息。
9.如权利要求8所述的棉田虫情自动监测装置，其特征在于，所述图像采集装置为红外摄像机，所述图像传输装置为CDMA无线视频发射装置。
10.如权利要求8或9所述的棉田虫情自动监测装置，其特征在于，还包括图像采集调整装置，安装在所述固定架上并与所述图像采集装置连接，所述图像采集调整装置包括方位调节机构、高度调节 机构和角度调节机构。
【文档编号】G06T7/00GK103903252SQ201210585918
【公开日】2014年7月2日 申请日期:2012年12月28日 优先权日:2012年12月28日
【发明者】赵博, 毛文华, 周鹏, 苑严伟, 张小超 申请人:中国农业机械化科学研究院