Floor Height Measuring Algorithm for Forage Based on Gray Integral Projection

CHEN Zi-wei; ZHU Mei-ji; CHEN Long; WU Zheng-zheng

doi:10.13718/j.cnki.xsxb.2021.06.019

The overall height of forage in the observation range, i.e. floor height, is key parameters in the population characteristics of forage growing situation. In view of unmeasurable floor height and operation complexity, bad real-time capability, poor applicability in the current automatic height measurement method of forage, a novel floor height measuring quantitative algorithm for forage based on gray integral projection was proposed, which was non-destructive, remote and continuous. In this paper, forage was firstly segmented on the basis of color constancy under natural conditions, and then the vertical coordinates of forage height were obtained with gray integral projection to forage area. Finally, the results of camera calibration were used to convert it into the actual height value, so as to realize the measurement of forage height. The average relative error between the results measured by this method and manual detection was 2.9%, and the Pearson correlation coefficient between this method and aboveground biomass was 0.843. The experimental results show that the algorithm was simple and real-time, and the measurement accuracy met the needs of automatic monitoring of forage growth.

HTML

随着牧业科学技术的飞速发展，牧业已进入了一个以高产、优质、高效、生态、安全为发展方向的新阶段，牧业对气象服务提出了更高的要求.现代牧业的发展迫切需要时效更快、内容更多、水平更高、针对性更强的牧业气象服务产品，牧草观测技术作为牧业气象分支之一，获取高精度、高密度、多要素、连续稳定的牧草观测信息势在必行.

国内外学者对农业气象自动化观测进行了较深入的研究，但大都集中在农田杂草识别、病虫害控制等方面，主要实现了对小麦、玉米、水稻、棉花等农作物的关键发育期、盖度、密度、高度等参数的自动化监测^[1-4].例如2003年李长缨等^[5]利用单目视觉技术得到单株黄瓜幼苗叶冠投影面积和株高，与人工测量结果的相关关系达到0.927；2007年刘洪见等^[6]利用图像处理技术提取玉米植株的株型骨架，计算出株高、叶长、茎叶角等玉米株形特征；随后齐华山^[7]在实验室环境下采用线性标定法，通过图像处理技术完成了单株玉米植株的株高、叶片长度的机器测量.

而对草原地区的牧草的自动化观测研究较少，当前的牧草观测技术、手段、时效、内容以及观测站点密度等远不能满足现代牧业气象业务和服务发展的要求，牧草观测自动化程度低.目前牧草观测仍以人工方式为主，劳动强度大，费时费力，主观性较大，牧草观测精度有限，可比性不强.由于观测人员的专业素质、熟练程度、观测习惯和责任心等不同，造成观测精度差别较大^[8]，而且无法在牧草的整个生长过程中实现连续监测.尽管当前出现了一些牧草高度自动检测方法^[9-10]，但这些方法对牧草图像分割时多采用形状特征，轮廓提取是特征参数计算的关键，但提取完整且光滑的轮廓可借鉴的成果不多，对作为实验对象的牧草株型有较高要求，导致这些方法只能对某一种或某几种牧草使用，适用性不强.现有牧草高度自动检测方法一般仅能测量单株牧草的高度(即株高)，不能测量观测范围内牧草的整体高度(即层高)，而且这些方法在测量牧草高度时需要接触牧草，或需要在观测现场放置标定物，对牧草生长有损坏.针对以上问题，本文提出了一种利用自然条件下牧草颜色恒定性的特征对牧草进行分割，然后采用灰度积分投影得到牧草高度，最后利用相机标定的结果将其转换成实际的高度值的方法.通过这种方法，能有效地对牧草层高进行无损、远程、连续定量测量，从而满足牧草长势自动化监测的要求.

3. 实验结果

采用200万像素智能工业相机SuperHD-S200对锡林郭勒盟东部典型草原区试验场进行间隔时间为720 s的图像采集，并在前端通过TI的TMS320DM642运行本算法，将处理后的结果再通过网络传向客户端.采用Matlab R2013b提供的工具软件CameraCalibrator和棋盘标定板对相机进行标定，采用SPSS 25.0进行数据统计分析.CCD图像传感器采用ICX274AK，分辨率为1600×1200，每个像素的高度为4.4 um.

通过本算法测量的结果与实地人工用尺子测量结果进行比较以验证本算法的准确度.随机抽取12组植株进行检验，结果如表 1所示，牧草层高测量平均相对误差为2.9%，最小误差为零，最大误差不超过8%.

使用皮尔森相关系数(Pearson correlation coefficient)将本算法测量的结果与统计观测区域内的生物量(bio-mass)进行相关性分析，以此验证本算法的精度^[16].在相机图像采集相同的地点与相同的时间，采用齐地刈割法，每次随机取100个单株，测量生长季内牧草个体的地上生物量干质量，地上生物量干质量用称质量法和烘干法来测定(65℃下48h烘干至恒质量，称取干物质质量)^[17].在SPSS中设置显著性检验为双侧检验，置信区间设置为水平95%，然后进行皮尔森相关性分析，结果如表 2所示.结果表明本算法与地上生物量的皮尔森相关系数为0.843，说明两者具有强的相关性.

通过实验分析可知，测量精准度基本能满足牧草长势自动化监测的要求，而且由于人工观测采用场区采样，样点差异性误差不可避免，而自动观测采用的是固定样动态监测，消除了样点差异性误差，从而能更好地建立牧草生长发育与气象因子的相关指标.

4. 结论

1) 本文提出的牧草分割算法具有很好的通用性，只需根据要检测的特定目标调整相应的主导成分、受控成分、最小亮度和最大亮度，即可检测出黄色、紫色、红色等各种植被目标，适用性较强.

2) 牧草高度测量算法基于图像颜色特征采用统计方法得到，无需在牧场专门安装标定物、划定测试区域.由于相机在安装之后相机到目标的空间关系(相机的放置位置)一般不会再改变，因此只需要在开始时用标定板标定一次，此后不用再标定，而且标定板也不需要一直放在观测区域，本算法对牧草生长的损坏较小.

3) 牧草高度测量算法测量的是牧草离地的相对高度，即使牧草生长在山坡等非平面地面上，只要保证相机光轴与地面基本平行，在草场的不同位置上所计算的牧草高度基本还是一致的.

4) 牧草高度测量算法能得到牧草层高，而目前其他算法只能得到牧草株高，这对分析草原牧草的生长状况与趋势更具有实用意义.

5) 由于牧草在自然环境下，背景复杂，而观测点与台站一般距离较远，图像传输压力大，工控机或台式机在体积、功耗、工作环境及稳定性方面也不适于在野外工作.实验表明本文提出的算法操作简单、运算量小、实时性较好，仅采用1台200万像素网络相机在前端进行图像采集，图像采集后直接在前端进行牧草分割、高度计算，并通过网络直接将处理好的结果及牧草高度值传给远端用户，可实现牧草高度的实时、无损、远程、连续测量.

本文提出的方法通过单目成像即可得到符合实际应用需求的测量数据，并且可以推广到牧草以外的植株高度监测，为植物生长建模提供依据，具有较好的应用前景.本文的局限性在于由于相机没有严格水平放置，因此计算得到的层高与株高容易产生较大误差.同时，若牧草离相机太近则很可能因牧草充满整个图片而导致算法失败，算法还有待改进.

Figure (7) Table (2) Reference (17)

Name
	Name cannot be empty!
E-mail
	Mailbox cannot be empty! Mailbox cannot be empty!
Telephone
	Mobile number cannot be empty! Please enter a valid mobile number!
Title

Content
Verification Code

[1]	张雪芬, 薛红喜, 孙涵, 等. 自动农业气象观测系统功能与设计[J]. 应用气象学报, 2012, 23(1): 105-112. Google Scholar
[2]	何姣. 基于双波段图像的农作物自动观测技术研究[D]. 成都: 成都信息工程大学, 2015. Google Scholar
[3]	王秀芳. 主要农作物生长特征参数自动化观测技术研究[D]. 成都: 成都信息工程大学, 2012. Google Scholar
[4]	杭立, 车进, 宋培源, 等. 基于机器学习和图像处理技术的病虫害预测[J]. 西南大学学报(自然科学版), 2020, 42(1): 134-141. Google Scholar
[5]	李长缨, 滕光辉, 赵春江, 等. 利用计算机视觉技术实现对温室植物生长的无损监测[J]. 农业工程学报, 2003, 19(3): 140-143. Google Scholar
[6]	刘洪见, 郑丽敏, 曾爱平. 图像处理技术在提取玉米图像骨架上的应用[J]. 农业网络信息, 2007(1): 18-21. doi: 10.3969/j.issn.1672-6251.2007.01.006 CrossRef Google Scholar
[7]	齐华山. 基于机器视觉的株型参数测量方案设计与实现[D]. 北京: 北京工业大学, 2008. Google Scholar
[8]	重阳, 陈子为, 黄启宏, 等. 牧草观测装置及系统: 2017211985190[P]. 2017-09-18. Google Scholar
[9]	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. doi: 10.3969/j.issn.1000-8829.2015.04.011 CrossRef Google Scholar
[10]	蒋普, 耿楠. 基于网络摄像机的株高远程无损测量系统[J]. 农机化研究, 2015, 37(4): 68-72. Google Scholar
[11]	BULUSWAR S D, DRAPER B A. Color Machine Vision for Autonomous Vehicles[J]. Engineering Applications of Artificial Intelligence, 1998, 11(2): 245-256. Google Scholar
[12]	张志斌, 罗锡文, 臧英, 等. 基于颜色特征的绿色作物图像分割算法[J]. 农业工程学报, 2011, 27(7): 183-189. Google Scholar
[13]	黄毅英, 黄河清. 基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割[J]. 西南师范大学学报(自然科学版), 2020, 45(5): 127-133. Google Scholar
[14]	ANDREAS K, MONGGI A. 彩色数字图像处理[M]. 章毓晋, 译. 北京: 清华大学出版社, 2010: 49-53. Google Scholar
[15]	邓小亚. 基于RGB颜色空间的视频运动目标检测[J]. 西南师范大学学报(自然科学版), 2019, 44(3): 119-123. Google Scholar
[16]	BURGOS-ARTIZZU X P, RIBEIRO A. Analysis of Natural Images Processing for the Extraction of Agricultural Elements[J]. Image and Vision Computing, 2010, 28(1): 138-149. Google Scholar
[17]	张军, 张彩琴, 李茜若, 等. 内蒙古典型草原牧草生物量与气象因子的灰色关联优势分析[J]. 干旱区资源与环境, 2016, 30(4): 138-143. Google Scholar

Message Board

Floor Height Measuring Algorithm for Forage Based on Gray Integral Projection

Abstract

References

Access History

通讯作者: 陈斌, bchen63@163.com

Article Metrics

Access History

Other Articles By Authors