牧草观测自动化技术研究与系统设计

doi:10.11924/j.issn.1000-6850.casb2022-0299

摘要/Abstract

摘要：

针对内蒙古自治区生态观测需求,特别是草地生态系统观测需求,选取牧草观测为研究内容,提出基于嵌入式技术和并行计算技术的实时远程可控可视的牧草观测自动化技术思路。采用特征像素图像识别方法,实现牧草覆盖度的自动测量、牧草的发育期图像自动识别。利用摄影测量技术结合图像处理技术获得像高转物高变换算法,实现层高与株高的自动测量。结合现代电子技术以及DSP技术、图像处理技术设计了牧草自动观测智能传感器,传感器在观测前端完成图像采集、处理与模式识别后,再将处理后的结果通过网络传向服务器端,可通过智能手机或PC访问服务器远程查看观测数据,实现牧草覆盖度、层（株）高以及牧草生长期的自动观测。测试结果表明,图像处理与实测覆盖度数值显著相关检验R_0.05>0.90,与实测株高数值显著相关检验R_0.05>0.85。相对于在后端PC系统进行图像处理,不但可以提高观测系统的数据运算处理速度,而且鲁棒性好,同时能够大大减轻数据传输压力,适合对体积、功耗、工作环境及稳定性要求极高的场合。

关键词: 牧草观测, 嵌入式技术, 并行计算, 牧草覆盖度, 株高, 图像处理, 模式识别

Abstract:

In view of the ecological observation needs of Inner Mongolia Autonomous Region, especially the grassland ecosystem observation needs, forage observation was selected as the research content, and the idea of real-time remote controllable and visual forage observation automation technology based on embedded technology and parallel computing technology were proposed. The characteristic pixel image recognition method was used to realize the automatic measurement of forage coverage and the automatic recognition of forage growth image. The image height to object height transformation algorithm was obtained by using photogrammetry technology and image processing technology to realize the automatic measurement of layer height and plant height. Combined with modern electronic technology, DSP technology and image processing technology, an intelligent sensor for forage automatic observation was designed, which completed image acquisition, processing and pattern recognition at the observation front end, and then transmitted the processed results to the server through the network. Users could access the server through smartphone or PC to view the observation data remotely. The system realized the automatic observation of forage coverage and layer (plant) height and forage growth period. The test results show that the image processing is significantly correlated with the measured coverage value, with the test R_0.05>0.90, and significantly correlated with the measured plant height, with the test R_0.05>0.85. Compared with the image processing in the back-end PC system, the intelligent sensor for forage automatic observation can not only improve the data operation and processing speed of the observation system, but also have good robustness. At the same time, the intelligent sensor for forage automatic observation can greatly reduce the pressure of data transmission, and is suitable for tasks with high requirements of volume, power consumption, working environment and stability.

Key words: forage observation, embedded technology, parallel computing, forage coverage, plant height, image processing, pattern recognition

中图分类号:

重阳, 赵建凯, 马修才. 牧草观测自动化技术研究与系统设计[J]. 中国农学通报, 2022, 38(22): 126-133.

CHONG Yang, ZHAO Jiankai, MA Xiucai. Technology Research and System Design of Automatic Forage Observation[J]. Chinese Agricultural Science Bulletin, 2022, 38(22): 126-133.

图/表 15

图1. 硬件结构

相机	任务
垂直相机	图像采集、覆盖度计算
水平相机	图像采集、株高计算
水平、垂直相机协同	发育期判别

表1. 系统2部相机任务划分

图2. DSP任务线程

参数	说明
dominant RGB component	在RGB空间的主导成分
dominated RGB component	在RGB空间的受控成分
minimum intensity (shadow)	最小亮度
maximum intensity (light)	最大亮度

表2. 牧草检测图像参数

图3. 绿色检测逻辑

图4. 黄色检测逻辑

图5. 通过颜色空间提取到的绿草示例

图6. 每行绿色像素点数量的变化

图7. 滤除非绿草干扰后

发育阶段	绿色像素比例		黄色像素比例
发育阶段	垂直	水平	垂直	水平
返青期	>gv0
抽穗期		>gh1
开花期			>yv2	>yh2
种子成熟期				>yh3
枯黄期		<gh4		>yh4

表3. 牧草发育期阶段判别

图8. 示例1检测绿草覆盖度(30.8245)

图9. 示例2检测绿草覆盖度(74.1079)

图10. 示例3检测绿草覆盖度(18.5507)

图11. 示例4检测绿草覆盖度(26.8432)

图12. DSP图像处理算法移植效果对比

参考文献 25

[1]	赖炽敏, 赖日文, 薛娴, 等. 基于植被盖度和高度的不同退化程度高寒草地地上生物量估算[J]. 中国沙漠, 2019, 39(5):127-134.
[2]	梁国玲, 周青平, 颜红波, 等. 披碱草属牧草田间物候期观测记载规范[J]. 青海畜牧兽医杂志, 2013, 43(1):16-17.
[3]	联伟, 吴晓祥, 邢惠萍, 等. 开远市人工草地牧草生长状况及产草量监测初报[J]. 云南畜牧兽医, 2020(5):28-31.
[4]	孙起伟, 师延泽, 周成钊. 气象因子对牧草生长发育的影响观察[J]. 农业灾害研究, 2020, 10(6):108-109.
[5]	孔雪. 气象因子对牧草生长发育的影响[J]. 世界热带农业信息, 2020(6):50-51.
[6]	曹婷. 作物图像远程采集与控制系统的设计与实现[D]. 杨凌: 西北农林科技大学, 2019.
[7]	胡远伟. 基于B/S架构作物生长图像远程采集站点的设计与实现[D]. 杨凌: 西北农林科技大学, 2017.
[8]	刘奕星. 基于数码照相法的草地总盖度测定方法研究[D]. 太谷: 山西农业大学, 2019.
[9]	蒋普. 作物长势远程测量关键技术研究[D]. 杨凌: 西北农林科技大学, 2014.
[10]	曹婷, 来智勇, 黄铝文. 作物生长图像远程采集系统的设计与实现[J]. 农机化研究, 2020, 42(1):80-85.
[11]	仇瑞承, 苗艳龙, 季宇寒, 等. 基于RGB-D相机的单株玉米株高测量方法[J]. 农业机械学报, 2017, 48(S1):211-219.
[12]	冷小梅. 基于影像的玉米株高和茎粗测量方法的研究[D]. 大庆: 黑龙江八一农垦大学, 2018.
[13]	郭海, 樊江川, 李英伦, 等. 基于RGB-D点云的田间原位玉米株高测量试验研究[J]. 农机化研究, 2021, 43(10):102-109.
[14]	胡健波, 彭士涛, 黄伟, 等. 一种照相法草地盖度计量图库建立的方法及使用方法[P]. 中国专利, CN109800315A,2019-05-24.
[15]	丁肖, 邱新法, 高佳琦, 等. 基于手机相片的草地植被盖度估算方法研究[J]. 浙江农业学报, 2017, 29(6):1017-1025. doi: 10.3969/j.issn.1004-1524.2017.06.23
[16]	徐金勤, 邱新法, 丁肖, 等. 基于数码照片的草地植被盖度快速提取方法对比[J]. 江苏农业学报, 2018, 34(2):313-319.
[17]	杨斯, 高万林, 米家奇, 等. 基于RGB-D相机的蔬菜苗群体株高测量方法[J]. 农业机械学报, 2019, 50(S1):128-135.
[18]	周玉科. 基于数码照片的植被物候提取多方法比较研究[J]. 地理科学进展, 2018, 37(8):1031-1044. doi: 10.18306/dlkxjz.
[19]	ROMEO J, PAJARES G, MONTALVO M, et al. Crop row detection in maize fields inspired on the human visual perception[J]. The scientific world journal, 2012(1):484390.
[20]	陈祖刚, 巴图娜存, 徐芝英, 等. 基于数码相机的草地植被盖度测量方法对比研究[J]. 草业学报, 2014, 23(6):20-27.
[21]	任世龙, 宜树华, 陈建军, 等. 基于不同数码相机和图像处理方法的高寒草地植被盖度估算的比较[J]. 草业科学, 2014, 31(6):1007-1013.
[22]	章超斌, 李建龙, 张颖, 等. 基于RGB模式的一种草地盖度定量快速测定方法研究[J]. 草业学报, 2013, 22(4):220-226.
[23]	何晶. 基于图像处理的株高无损测量方法研究[J]. 测控技术, 2015, 34(4):39-42.
[24]	马伟, FISHER D K, FORD E. 温室智能装备系列之九十九新型开源云端温室茄子株高实时测量系统的开发[J]. 农业工程技术, 2017, 37(34):56-58.
[25]	赵宏毅, 赵晓英. 基于图像自动识别算法研究草地植被盖度高度的方法[J]. 青海草业, 2020, 29(3):2-8.