基于计算机视觉技术的作物无损检测软件平台的设计与实现

摘 要：随着数字农业和农业物联网技术的发展,计算机视觉技术将越来越广泛的应用于农业生产中,而目前国内在作物无损检测方面过多的依赖国外的软件技术,该文利用C#和AFe.NET设计和开发了一个软件平台,用于实现作物的无损检测.该文主要提倡一种软件设计开发的理念,介绍了开发基于计算机视觉技术的作物无损检测软件的一种思路.

关 键 词：计算机视觉技术；C#；AFe.NET；作物无损检测；软件设计

中图分类号：TP311文献标识码：A文章编号：1009-3044（2013）15-3640-03

数字农业和农业物联网技术作为现代农业最前沿的发展领域之一,是当今世界发展农业信息化,实现农业可持续发展的关键和核心技术.数字农业要求快速、实时、准确和定位化的获取植物生长信息,而农业物联网技术要求植物信息可实时动态感知,显然,传统的实验室测量分析和信息获取方法已经不能满足数字农业和农业物联网技术的发展要求.因此,研究和开发植物生命信息快速无损检测技术和传感仪器等软硬件平台已经成为现代农业承待解决的关键问题[1].

目前,国内在作物无损检测方面的研究仪器主要是依赖进口,而相应的软件也是伴随着仪器而购写.此类软件,一般昂贵,而且在自主研究平台中,因为无法取得源代码而无法使用或升级,从而出现研究瓶颈.在各类无损化检测技术中,随着计算机视觉技术越来越广泛的应用,对应的软件系统的开发迫在眉睫[2].

正是基于这样的背景,我们通过对目前应用比较广泛的C#进行研究,利用C#强大的数据处理能力和良好的用户界面开发,并结合AFe.NET强大的图像处理能力,进行作物实时检测软件平台的自主设计与开发.

1计算机视觉技术简介

计算机视觉也称机器视觉,是采用摄像机或者数码相机将被检测图像转化为数字信号,再采用先进的计算机软件技术对图像信号进行处理,从而得到所需要的各种目标图像特征值.并由此实现模式识别,坐标计算等功能.然后再根据其结果输出数据,发出指令,再配合执行机构完成好坏筛选,位置调整,数据统计等自动化流程.与人工视觉相比较,计算机视觉的最大的优点是快速、精确、可靠,以及数字化.

随着数字农业和农业物联网技术的发展,计算机视觉技术将越来越广泛的应用于农业生产中,而构成计算机视觉系统的软件系统是整个计算机视觉系统的灵魂.随着硬件技术的不断发展完善,计算机视觉系统其功能是否强大,可以说完全取决于软件系统的能力.

2软件系统设计

2.1C#与AFe.NET

C#是由微软公司开发的一种面向对象的新型编程语言,它是从C和C++中派生出来的,保留了C/C++原有的强大功能,并且继承了C/C++的灵活性.同时由于是MicroSoft公司的产品,它又同VisualBasic一样具有简单的语法结构和高效的开发能力,可以使程序员快速的编写出基于.NET平台的应用程序.

AFe.NET一个基于C#框架,专门为C#开发者和研究者设计和开发的,这个框架提供了丰富的类库资源,包括图像处理,神经网络,模糊系统,遗传算法,人工智能和机器人控制等领域.该框架架构合理,易于扩展,涉及多个较前沿的技术模块,为相关开发人员或科研人员的工作提供了极大的便利.本系统就是采用C#程序设计语言,通过调用该框架来实现作物无损检查系统的开发.

2.2系统设计与实现

本软件系统是在数码相机拍摄的作物图像的基础上,采用图像处理方法进行特征提取与分析,从而实现作物的无损检测.主要分为图像输入,图像预处理,特征提取,特征分析几个模块.

1）图像输入

将要分析处理的图像读取到系统中来,为后面图像处理作准备.C#提供了三个最重要的图像处理类,即Bitmap类、BitmapData类和Graphics类.三种图像处理的方法,即提取像素法、内存法和指针法.从执行效率和实现难度综合考虑,本系统的开发采用内存法.

2）图像预处理

图像预处理主要包括图像的大小调整,形态矫正,平滑和去噪等,以降低环境对拍摄照片造成的不利影响.AFe.NET提供了多个类,可以对图像进行平滑去噪等操作,本系统中采用了中值滤波算方法,对应AFe.NET中的Median类.

3）特征提取

特征提取分析,是整个系统的核心所在,需要选取合适的图像分割算法,对图像进行处理,提取目标区域,为特征分析作准备.在本系统中采用了阈值分割技术,因为这种算法相对来说比较直接并且易于实现.

采用阈值分割技术,首先,必需确定一个阈值作为图像分割的阈值,在本系统中,采用自适应阈值法,由用户在软件的操作过程中进行设定,并且可以根据需要进行调整.然后,根据这个阈值对图像进行分割,并将其转化为二值图,如图（b）所示.从图中我们可以看到二值图像中存在大量的小孔,这种太小的孔洞对我们进行图像分析没有实际意义,并且会干扰结果的正确性,因此我们需要采用腐蚀和膨胀的形态学方法来进行填充孔洞,结果如图（C）所示.最后,我们需要根据需要提取目标区,涉及到连通区域的提取问题.最后,输出结果.

4）特征分析

对图像分割结果进行分析,用于指导生产实践.我们可以对通过图像处理得到的目标区域进行分析,比如可以根据叶片颜色的变化判断叶绿素含量,进而推算出作物的营养状况,根据色素区域的大小计算出叶面积,根据不同区域的形状、大小判断病虫害等.

3实验结果及分析

软件运行后主界面如图3所示.

为验证本系统的有效性,我们通过设定不同的阈值进行图像分割,并跟photoshopcs4软件中魔棒的工具作对比,来提取图片中的目标区域.测试图片大小为800px×610px,取特征点坐标P（310,70）,该点的RGB值为（29,92,0）,获取目标区域的总像素和绿色分量平均值,数据如表1所示.

从上述表中我们可以看出,本软件在图像处理目标区域的提取方面,提取到的目标区域较photoshop提取的小,绿色分量平均值较photoshop更接近特征点数值,由此看出用本软件做图像分割准确性更高.

4结束语与展望

计算机视觉具有非破坏性、快速、高效、信息量大等特点,目前已在主要的农作物和经济作物的养分诊断,植物病虫害的快速检测及预警预报等方面有了广泛应用,取得了较好的效果.随着计算机视觉技术和图像处理技术的发展,计算机视觉技术将更多的应用于植物长势预测、产量估计等方面.

通过本次研究,开发了一个交互界面良好的色素分量检测系统,能对图像在RGB分量上实现阈值分割,并实现目标区域的获取分析.该文主要提倡一种软件开发的理念,所设计开发的软件的针对性较强,还存在着很多的局限和不足,要作为计算机视觉类的通用软件,系统的稳定性和功能都还有待进一步提升.

[7]冀高.基于数字图像处理的棉花群体特征提取[D].北京：北京邮电大学硕士学位论文,2007.

[8]柴阿丽,李宝聚,王倩,石延霞,黄海洋.基于计算机视觉技术的番茄叶片叶绿素含量的检测[J].园艺学报.2009（36）.

[9]张琛驰.对我们农业物联网发展的思考[J].现代农业科技,2012（22）.