基于图像的农业信息演变规律提取现状分析.docx

    基于图像的农业信息演变规律提取现状分析    刁智华　魏玉泉　吴贝贝Reference：农作物信息演变规律提取是人们认识农作物生长过程的重要手段，也是人们了解农作物生长状况、精确判断发展阶段、预测发展趋势的重要依据之一基于演变规律构建的可视化演变模型可以使人们更加直观地了解作物的生长全过程近年来，基于数字图像处理的检测技术因非接触测量、操作简单、无损伤等特点逐渐得到研究者的重视本文以基于时间序列的图像检测技术在演变规律提取方面的应用为切入点，全面分析了该技术在农业领域中包括农作物的长势监测、染病程度判断、可视化模型构建3个方面的应用现状，总结了该技术研究在农作物演变信息提取中存在的一些问题，[JP2]并对未来可能的发展方向给出预测性建议，以期为该技术为在相关领域的研究提供借鉴与参考Keys：演变规律；图像特征；检测技术；时间序列；农业信息S126：：1002-1302（2017）16-0008-04收稿日期：2016-03-29基金项目：国家自然科学基金（编号：61501407）；河南省科技厅重点科技攻关项目（编号：132102110150）；河南省高等学校重点科研项目（编号：15A413006）；郑州轻工业学院研究生科技创新基金（编号：2015028）。

作者简介：刁智华（1982—），男，河南商丘人，博士，副教授，主要从事农作物病害识别及精准喷药技术研究E-mail：[email protected]农业在我国有着悠久的发展历史，在农业发展过程中，获取农作物生长过程的相关信息是提高生产管理水平、提高作物产量与质量的重要前提在传统生产方式中，人们依据长期视觉观察对农作物的长势信息进行了解，并对农业信息发展的规律进行总结，虽然在世代经验的积累与传承下取得了一定的效果，但这种观察方式耗时、耗力，且主观性强、精确性差同时，有些农业信息的变化具有人类视觉难以捕捉的特点，比如长时间性、细微性、环境不允许性等，这些都为视觉观察带来了困难近年来，随着计算机技术的发展，图像处理作为一种新的信息检测手段，应用范围越来越广从以特征提取、模式识别为主要内容的二维图像分析到以构建模型为主的三维空间序列图像应用，走向加入时间特征的多维时间序列图像的演变特征提取，图像处理经历了从静态特征检测到动态演变规律提取的过程图像处理技术的发展为演变规律分析提供了新的思路利用数字图像处理技术获取农作物的生长信息，能够做到对信息的定量化描述，精确地表达农业信息状况，为最佳的农作物生长控制方案提供精确的依据，推动农业生产方式向数字化、智能化方向转变，同时依据提取参数进行农业信息的过程反演能够促进现有农业研究方法的改进与完善。

以往基于图像的农业研究基本上集中在如何利用图像进行特定时刻的作物信息提取，以进行作物病虫害的识别而真正基于时间序列图像来分析作物的生长过程，识别生长阶段，并依据整个生长周期的数据进行演变规律总结，以实现作物生长过程自动识别的研究相对较少本文旨在结合数字农业的发展趋势，综合图像处理技术的发展应用，对基于时间序列图像的分析方法在农业信息动态演变过程中的应用研究所取得的进展进行归纳和总结1演变规律分析现状农田信息是随时间变化的，在农作物的生长过程中，作物自身的颜色、形状及表面纹理特征，作物病害的病斑大小、形状、颜色及纹理特征，病害部位植株表面的颜色等都具有随时间的延续而发生连续改变的特点，人们把这种因时间的改变而在某一方面与以前有差异的现象称为信息的演变演变是农作物生长过程中普遍存在的一种现象，在传统农业生产中人们获得这种演变信息主要依赖人类自身的视觉观察，随着图像处理技术在对研究对象的形状、大小、纹理、颜色等特征的深入理解以及提取技术的发展，图像处理技术为农作物演变信息的检测提供了新的技术与手段利用图像处理技术获得农作物生长状态信息方面的研究在国内外已经取得很大的进展，但主要集中在病害杂草识别、作物外部生长参数提取、作物营养信息监测、作物形态结构的自动识别等基于特定时间点图像的特征提取方面，基于时间序列图像集的农作物信息演变过程的研究还相对较少[1-2]。

得益于计算机运算速度的大幅提升与图像处理技术的进步，从获得的作物生长过程的时间序列图像集中提取作物生长信息的相关技术，逐渐成为近些年研究的热门领域之一国内外在基于时间序列图像集的特征提取及应用研究方面也取得了少量的成果，大体可以归纳为3个方面：农作物长势自动观测、染病程度自动判断、具有可视化效果的植物生长模型构建11农作物长势自动观测农作物的长势可以理解为农作物的生长状况与发展趋势，在农业生产中一直是人们关注的重点，它直接关系到农作物后期产量的高低和品质的好坏，也是人们采取相应控制决策的直接依据作物的长势可以用个体和群体特征来描述，获取作物长势的传统方法是地面调查，现代农业生产中则主要利用遥感技术检测作物的生长状况和趋势[3]随着科学技术的发展，促进了农作物长势检测理论与手段的不断发展与进步检测手段由原始的人工实地检测经历遥感技术检测发展到最近的计算机视觉技术检测利用计算机视觉技术获得的时间序列图像可自动判断田间作物生长状况，相比于原始的人工实地检测在很大程度上减少了农业工作人员的工作量，也减小了人工观察主观性所带来的误差此外，此方法获得图像的过程可在田间无损进行，能减少对农作物的损害，符合精细农业的要求。

相比于遥感技术，它可以减少气象环境条件对图像获取效果的影响，也降低了设备成本，提高了信息的時效性；同时检测对象为单株作物或作物的某个部分，减小了视野范围，提高了观测精确度因此，基于图像的农作物长势信息检测技术展现了其他检测手段所没有的许多优势，成为近几年研究比较多的技术之一，按现在的研究范围，农作物生长状况的自动检测目标大致可以分为2类：作物长势的实时检测和发育期的自动判断endprint在整个生长周期内，农作物的株高、茎粗、叶面积、果实大小等参数指标都在不断发生着改变，这些也成为反映作物生长状况与生长规律的重要指标参数根据作物的视觉特征，作物的株高、茎粗、叶面积是图像特征中视觉特性最显著的参数，因此，这3种特征成为人们在分析作物长势中应用最早也是频数最高的3个参数早在1995年Shimizu等开发出了1套自动分析农作物长势的计算机视觉系统，此系统利用相机获得的时间序列图像提取作物茎秆高度变化信息，并计算茎秆高度的变化率，作为作物的生长指标[4]2010年马彦平开发出1套监测冬小麦、玉米生长状况的远程动态监测技术系统，在系统中以数字图像处理技术为手段，综合作物的株高、叶面积等参数指标，完成了计算机自动解析作物的生长状况指标，判断作物的长势[5]。

2015年杭腾等在研究番茄长势信息的无损检测技术时，从采集的时间序列图像中提取番茄的茎粗、株高、叶面积等参数，通过相关性分析建立了番茄长势与时间序列图像特征值之间的拟合函数模型，做到了依据采集的时间序列图像分析作物长势的目的在作物的生长过程中植株的长势状况除了表现在株高、叶面积等方面外，在颜色上也会表现出一定的变化趋势，虽限于人类视觉的分辨能力，这种变化趋势在人工视觉下表现不太明显，依靠人类视觉无法准确判断其中的变化情况，但是利用图像处理技术在高分辨率的图像中，这种颜色的变化趋势很容易计算出来部分研究者就把研究重点放于颜色特征值的变化，以此来判断作物的长势情况2002年Hiroaki等提出了1种利用图像处理技术监视农作物生长状况的方法，利用图像数据中颜色值的变化与苹果成熟度之间的相关性，提出苹果成熟的诊断模型2015年杨北方等在研究利用数字图像技术分析棉花长势的过程中，通过采集棉花冠层的数字图像，提取图像的色调值，反映了棉花的长势信息[8]在以株高、叶面积、颜色等所有作物都具有的生长参数作为长势判断依据的同时，不同种作物自身的发育特点，会产生这3种参数之外的一些自身特有的生长参数特征，比如玉米在整个周期内是单茎秆无分枝的生长，小麦在发芽后会有个分蘖期，呈丛状生长，此后的生长期仍是单茎秆无分枝的生长，但是番茄就是茎秆不断分枝的生长状态，因此作物自身的生长特点也可成为描述长势的参数。

2007年刘继承在研究利用图像处理技术识别水稻长势的过程中，以水稻的株高、叶尖距、叶基角数值作为长势的主要判断指标，并结合叶面积指数来获取水稻的长势信息[9]2013年孙红等充分地考虑了番茄植株的生理特点，在番茄的生长过程中其形态变异表现为“芽”的变化过程，即主茎顶上不断形成多蔓分枝，植株的分枝茎生长角也直接反映了番茄的长势情况，提出了基于图像几何校正的番茄生长角自动测量方法，该方法为快速、无损地获取番茄植株生长形态特征参数，分析番茄的长势提供了新的思考角度[10]随着研究的不断深入，人们在利用时间序列图像分析作物长势的基础上，逐步总结作物生长规律，并进一步引入自动识别算法来进行农作物生育期的自动观测，以达到能够自动识别农作物各个发展阶段的目的农作物生育期自动观测是通过定时定点获得农作物整个生育期的图像，提取特征点并结合各时期特征得出各个时期的判断阈值，最终达到通过解读获得的时间序列图像自动判断田间作物生育期状况的目的在农作物的生长过程中，颜色的变化贯穿整个生长周期，在不同的生育期表现出不同的特点，因此颜色的变化成为人们研究的重要方面在玉米的生育期研究中，陆明等通过绿色比例判断播种期至大喇叭口期，从抽穗期开始综合黄色和绿色比例判断抽穗、乳熟和成熟等生育期[11]。

白晓东对水稻分蘖期提出1种综合稻穗颜色特征、梯度直方图检测及卷积神经网络检测的水稻抽穗期自动检测方法，在一定程度上克服了因光照引起的叶片颜色变化的影响[12]在作物的不同生长期内，作物的形态特征也表现出较强的不同性，特别是在作物的发育初期至个体植株成熟期，形态特征的变化尤为明显因此形态特征的不同性成为人们研究作物个体成熟期之前发育期的重要特征参数之一吴茜根据棉花植株的种植位置具有按行分布的特点，提出了基于直线监测的出苗期自动检测算法，经过幼苗分割、作物行提取，准确地判断出棉花出苗期；采用覆盖度统计的方法对棉花3真叶期进行自动检测；结合全局覆盖度和单株植株形态描述的方法提出了5真叶期的自动检测算法综合以上分析可以发现，在作物生长状况分析中，颜色和形态特征的变化是所有作物在生长周期内都有的特征点，因此是人们提取研究的重点不同作物生长特点的不同，也会引入新的观测特征，此外同种作物不同时期的表征性状也会不同，因此作物生长情况的研究方法也不尽相同，以至于从提取图像特征的长势状况分析到后来基于长势特征规律引入识别算法的生育期自动判别，都没有统一的特征参数所以，结合生物学充分认识农作物的生长特点，为信息提取选择最优的参数特征显得尤为重要。

12染病程度的研究目前对农作物染病程度的判断主要依赖农业工作人员实地调查，凭借人的眼睛依据特定的技术指标来判断，然而大多数农民并不了解诊断作物病害的确切标准，这样往往会造成误诊率高，识别时间长，易错过最佳防治期，造成病情延误及农药的过量使用图像识别技术快速、准确、无损伤的特点为病害的发病情况调查提供了新的选择经过国内外学者的不断努力，在农业领域利用获取的图像通过图像处理技术已经实现了病虫害的有效识别，对病虫害发生程度的定性研究也取得了少量的成果[14-17]在农作物的生长过程中，各种病害发生症状的表现各不相同且同个病害的症状在不同时期的表现也会较为复杂，但都会引起作物表面形状的改变，在图像特征上大致可分为3类：颜色、形状、纹理的变化这3种变化量主要体现在作物本身及病害本身，且这种改变在图像上表现出较强的特征值变化，因此部分学者根据此特点对作物的染病程度进行了研究马德贵等在研究水稻稻瘟病的发病程度表示方法时，以单株最大病斑为研究对象，采用椭圆拟合单株最大病斑，计算椭圆主长轴的长度，以此来表示稻瘟病的发病程度；用椭圆拟合水稻纹枯病单株最大病斑并计算其最高处距基部的距离，以两者之比值。