一种基于机器视觉的小麦麦苗种植密度测量装置及方法制造方法及图纸

本发明专利技术属于自动化机器视觉测量和智慧农业技术领域，尤其涉及一种基于机器视觉的可移动式小麦麦苗种植密度测量装置，移动式平台顶部左侧固定连接有第一工业相机，移动式平台顶部中间固定连接有第三工业相机，移动式平台顶部右侧固定连接有第二工业相机，第一工业相机、第二工业相机和第三工业相机输出端电性连接有计算机。该基于机器视觉的小麦麦苗种植密度测量装置及方法，通过特征点的提取，检测尺度空间的极值，确定特征点的主方向，计算特征点的描述信息，特征点的匹配，麦苗图像拼接，麦苗图像中麦苗的提取，麦苗计数，麦苗种植密度计算能够进一步实现测量效率高和误差小的目的，同时达到了小麦种植密度的自动化和高精度测量的目的。测量的目的。测量的目的。

【技术实现步骤摘要】
一种基于机器视觉的小麦麦苗种植密度测量装置及方法


[0001]本专利技术涉及自动化机器视觉测量和智慧农业
，具体为一种基于机器视觉的小麦麦苗种植密度测量装置及方法。

技术介绍

[0002]小麦种植密度的高低对于小麦的生长和产量起到了至关重要的作用，一般当小麦种植密度过大时，往往会造成一系列不利的影响，例如小麦与小麦之间出现争抢养分的情况，导致小麦弱苗的情况发生。植株行间密度过大还会造成通风透光能力变差，空气湿度大，容易滋生病虫害。为了吸收更多的光照，小麦的植株都会生长得比较高，导致秸秆细长，在遇到大风天气后会出现大面积的倒伏等情况发生。当小麦种植密度过小时，往往会造成小麦出苗率低进而影响小麦的产量。由此可见，对小麦种植密度的测量显得尤为重要。目前，小麦种植密度测量方法有两种，一种是通过人工计数完成，另一种是通过拍照运用图像处理方法进行估测，这两种方法都存在效率低、测量误差大的问题。

技术实现思路

[0003]本专利技术的目的在于提供一种基于机器视觉的小麦麦苗种植密度测量方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于机器视觉的可移动式小麦麦苗种植密度测量装置，包括移动式平台，所述移动式平台顶部左侧固定连接有第一工业相机，所述移动式平台顶部中间固定连接有第三工业相机，所述移动式平台顶部右侧固定连接有第二工业相机，所述第一工业相机、第二工业相机和第三工业相机输出端电性连接有计算机。
[0005]优选的，所述第一工业相机、第二工业相机和第三工业相机均为海康MV
‑
CE050
‑
30GM工业相机，所述第一工业相机、第二工业相机和第三工业相机均搭配有海康MVL
‑
HF2524M
‑
10MP工业镜头。
[0006]优选的，所述第一工业相机、第二工业相机和第三工业相机均为海康MV
‑
CE050
‑
30GM工业相机，所述第一工业相机、第二工业相机和第三工业相机均搭配有海康MVL
‑
HF2524M
‑
10MP工业镜头。
[0007]优选的，所述计算机为ThinkServerRD640服务器。
[0008]本专利技术要解决的另一技术问题提供一种基于机器视觉的小麦麦苗种植密度测量方法，以解决上述
技术介绍
中提出的问题；
[0009]为实现上述目的，本实专利技术提供如下技术方案：包括以下步骤：
[0010]S1、麦苗图像特征点的提取
[0011]三个工业相机同时采集麦苗图像，得到互重叠的三幅麦苗图像相将三幅图像进行拼接，在进行图像拼接时，首先要对三幅麦苗图像的特征点进行提取，为了使拼接具有良好的鲁棒性、实时性和高精度，采用SURF算法完成图像序列特征点的提取。
[0012]S2、麦苗图像特征点的匹配
[0013]使用SURF的匹配算法，即找出与特征点描述符A欧式距离最近和次近的两个邻居特征点描述符B和C，然后计算A与B以及A与C两组描述符之间欧式距离的比值r，如果比值r小于规定阈值规则视为匹配成功，(A，B)点对则为图像序列中的一对匹配点，否则匹配失败，最后在匹配完成后使用RANSAC进行误匹配点的筛选。
[0014]S3、麦苗图像拼接
[0015]采用RANSAC算法对图像变换矩阵H进行求解与精炼，首先随机地选择两个点，这两个点确定了一条直线，并且称在这条直线的一定范围内的点为这条直线的支撑，然后，这样的随机选择重复数次，具有最大支撑集的直线被确认为是样本点集的拟合，在拟合的误差距离范围内的点被认为是内点，它们构成一致集，反之则为外点，根据图像间变换矩阵H，可以对相应图像进行变换以确定图像间的重叠区域，并将待融和图像映射到一幅新的空白图像中形成拼接图。
[0016]S4、麦苗图像中麦苗的提取
[0017]选取小麦一叶期图像，此时田间杂草较少，图像主要由麦苗、土地和麦秆组成，根据麦苗颜色特征，其颜色以绿色为主，根据我们大量实验，麦苗超级绿色特征明显高于图像的其它部分，于是将麦苗图像颜色先转换为超级绿色，然后应用最大熵对图像进行分割，提取出麦苗。
[0018]S5、麦苗计数
[0019]对分割出来麦苗图像，分别计算出麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，麦苗面积s和麦苗轮廓l都用像素值表示，麦苗图像占比r表示麦苗图像像素值与图像所有像素值的比值。
[0020]S6、麦苗种植密度计算
[0021]可移动式小麦麦苗种植密度测量装置采集的麦苗图像对应的土地面积是0.25平方米，根据得到图像中的麦苗数，可以计算出每亩小麦的种植密度为，
[0022]B＝666.7
×4×
d
[0023]已知，1亩地＝666.7平方米
[0024]在实际估测小麦种植密度时，用移动式小麦麦苗种植密度测量装置进行次抽样采集，计算出所有采集图像对应的小麦种植密度之和，进行平均后作为最终的小麦种植密度估测值。
[0025]优选的，所述步骤1中，SURF特征点提取主要包含以下三个步骤：
[0026](1)、检测尺度空间的极值
[0027]将每个像素点与其三维邻域的26个点进行大小比较，若这个点是极值，则保留用作初步特征点，采用三维线性插值法(根据8个点的像素值得到一个点的像素值)得到亚像素级的特征点，去掉小于一定阈值的点，留下特征最强的点集。
[0028](2)、确定特征点的主方向
[0029]为保证旋转不变性，不统计其梯度直方图，只统计特征点领域内的Harr小波特征，计算半径为6σ(经验值)的圆形区域内，统计60
°
扇形内特征点的Harr矢量之和，遍历圆形区域，选择最长harr矢量方向为主方向。
[0030](3)、计算特征点的描述信息
[0031]在特征点周围取一个长方形矢量框，边长20σ，方向即特征点主方向，分16份，每份统计25个像素的水平、垂直方向(相对于主方向)的haar小波特征(Σdx，Σ|dx|，Σdy，Σ|dy|)，即每个特征点是64维向量。
[0032]优选的，所述步骤S5中，获取的麦苗图像是RGB图像，首先将麦苗图像各颜色分量进行归一化：
[0033][0034]则超级绿色superG定义为：
[0035]superG＝2r
‑
g
‑
b
[0036]于是，用超级绿色superG值代替图像每个像素的RGB值，从而RGB麦苗图像转化为了灰度图像，即，
[0037]R＝G＝B＝superG。
[0038]优选的，所述灰度图像中，设灰度值为i的概率为p
i
，假设阈值为T，则灰度值在[0,T]之间的为土地和麦秆，灰度值在[T+1,255]之间的为麦苗，对于麦苗图像中属于土地和麦秆部分的信息熵H
B
计算如下：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的小麦麦苗种植密度测量装置，包括移动式平台(4)，其特征在于：所述移动式平台(4)顶部左侧固定连接有第一工业相机(2)，所述移动式平台(4)顶部中间固定连接有第三工业相机(5)，所述移动式平台(4)顶部右侧固定连接有第二工业相机(3)，所述第一工业相机(2)、第二工业相机(3)和第三工业相机(5)输出端电性连接有计算机(1)。2.根据权利要求1所述的一种基于机器视觉的小麦麦苗种植密度测量装置，其特征在于：所述第一工业相机(2)、第二工业相机(3)和第三工业相机(5)均为海康MV
‑
CE050
‑
30GM工业相机，所述第一工业相机(2)、第二工业相机(3)和第三工业相机(5)均搭配有海康MVL
‑
HF2524M
‑
10MP工业镜头。3.根据权利要求1所述的一种基于机器视觉的小麦麦苗种植密度测量装置，其特征在于：所述计算机(1)为ThinkServerRD640服务器。4.一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于，包括以下步骤：S1、麦苗图像特征点的提取三个工业相机同时采集麦苗图像，得到互重叠的三幅麦苗图像相将三幅图像进行拼接，在进行图像拼接时，首先要对三幅麦苗图像的特征点进行提取，为了使拼接具有良好的鲁棒性、实时性和高精度，采用SURF算法完成图像序列特征点的提取。S2、麦苗图像特征点的匹配使用SURF的匹配算法，即找出与特征点描述符A欧式距离最近和次近的两个邻居特征点描述符B和C，然后计算A与B以及A与C两组描述符之间欧式距离的比值r，如果比值r小于规定阈值规则视为匹配成功，(A，B)点对则为图像序列中的一对匹配点，否则匹配失败，最后在匹配完成后使用RANSAC进行误匹配点的筛选。S3、麦苗图像拼接采用RANSAC算法对图像变换矩阵H进行求解与精炼，首先随机地选择两个点，这两个点确定了一条直线，并且称在这条直线的一定范围内的点为这条直线的支撑，然后，这样的随机选择重复数次，具有最大支撑集的直线被确认为是样本点集的拟合，在拟合的误差距离范围内的点被认为是内点，它们构成一致集，反之则为外点，根据图像间变换矩阵H，可以对相应图像进行变换以确定图像间的重叠区域，并将待融和图像映射到一幅新的空白图像中形成拼接图。S4、麦苗图像中麦苗的提取选取小麦一叶期图像，此时田间杂草较少，图像主要由麦苗、土地和麦秆组成，根据麦苗颜色特征，其颜色以绿色为主，根据我们大量实验，麦苗超级绿色特征明显高于图像的其它部分，于是将麦苗图像颜色先转换为超级绿色，然后应用最大熵对图像进行分割，提取出麦苗。S5、麦苗计数对分割出来麦苗图像，分别计算出麦苗面积s、麦苗轮廓周长l、麦苗图像占比r，麦苗面积s和麦苗轮廓l都用像素值表示，麦苗图像占比r表示麦苗图像像素值与图像所有像素值的比值。S6、麦苗种植密度计算可移动式小麦麦苗种植密度测量装置采集的麦苗图像对应的土地面积是0.25平方米，
根据得到图像中的麦苗数，可以计算出每亩小麦的种植密度为，B＝666.7
×4×
d已知，1亩地＝666.7平方米在实际估测小麦种植密度时，用移动式小麦麦苗种植密度测量装置进行次抽样采集，计算出所有采集图像对应的小麦种植密度之和，进行平均后作为最终的小麦种植密度估测值。5.根据权利要求4所述的一种基于机器视觉的小麦麦苗种植密度测量方法，其特征在于：所述步骤1中，SURF特征点提取主要包含以下三个步骤：(1)、检测尺度空间的极值将每个像素点与其三维邻域的26个点进行大小比较，若这个点是极值，则保留用作初步特征点，采用三维线性插值法(根据8个点的像素值得到一个点的像素值)得到亚像素级的特征点，去掉小于一定阈值的点，留下特征最强的点集。(2)、确定特征点的主方向为保证旋转不变性，不统计其梯度直方图，只...

【专利技术属性】
技术研发人员：刘哲，任义烽，姚国年，
申请(专利权)人：西京学院，
类型：发明
国别省市：