引用本文

劉連忠, 李孟杰, 寧井銘. 基于時(shí)序巡航圖像的茶樹(shù)生長(zhǎng)監(jiān)測(cè)研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2020,32(5): 886-896.
LIU Lianzhong, LI Mengjie, NING Jingming. Tea plant growth monitoring based on time series cruise images[J]. ACTA AGRICULTURAE ZHEJIANGENSIS, 2020,32(5): 886-896.
  

Doi: 10.3969/j.issn.1004-1524.2020.05.17
Permissions

Copyright?2020, 《浙江農(nóng)業(yè)學(xué)報(bào)》編輯部

《浙江農(nóng)業(yè)學(xué)報(bào)》編輯部 所有

1.安徽農(nóng)業(yè)大學(xué) 信息與計(jì)算機(jī)學(xué)院,安徽 合肥 230036

2.茶樹(shù)生物學(xué)與資源利用國(guó)家重點(diǎn)實(shí)驗(yàn)室,安徽 合肥 230036

作者簡(jiǎn)介:劉連忠(1968—),男,安徽蚌埠人,博士,講師,主要從事機(jī)器視覺(jué)、農(nóng)業(yè)圖像處理、智能農(nóng)業(yè)研究。E-mail:lzliu@ahau.edu.cn

收稿日期: 2019-12-18

基金資助:

安徽省教育廳高校自然科學(xué)研究項(xiàng)目重點(diǎn)項(xiàng)目(KJ2017A151)

;

安徽高校自然科學(xué)研究重大項(xiàng)目(KJ2019ZD20)

;

國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFD0200900)

1. School of Information and Computer,Anhui Agricultural University,Hefei 230036, China

2. State Key Laboratory of Tea Plant Biology and Resource Utilization, Hefei 230036, China

Keyword:tea plant;video surveillance;crop growth monitoring;image acquisition

我國(guó)是最早發(fā)現(xiàn)和利用茶的國(guó)家, 也是茶葉的生產(chǎn)和出口大國(guó)。茶樹(shù)的生長(zhǎng)容易受氣象要素、土壤條件、病蟲(chóng)害、修剪、采摘等多方面因素影響[1, 2, 3, 4], 需要定時(shí)獲取茶樹(shù)的生長(zhǎng)信息, 及時(shí)調(diào)整栽培方案, 確保茶樹(shù)的健康生長(zhǎng)。目前, 對(duì)茶樹(shù)的生長(zhǎng)監(jiān)測(cè)大多靠人力來(lái)完成, 由于茶園面積廣闊, 且多分布于山間, 人力監(jiān)測(cè)費(fèi)時(shí)費(fèi)力, 效率低下[5, 6]。近些年, 機(jī)器視覺(jué)技術(shù)已經(jīng)發(fā)展為獲取作物生長(zhǎng)信息的一種快捷手段[7, 8], 通過(guò)作物圖像分析進(jìn)行作物生長(zhǎng)監(jiān)測(cè), 可以判斷作物的長(zhǎng)勢(shì)[9, 10, 11, 12]、水分[13, 14]、營(yíng)養(yǎng)[15, 16, 17, 18, 19]、病蟲(chóng)害[20, 21]等狀況。例如, Tardaguila等[22]使用圖像處理技術(shù)實(shí)現(xiàn)了葡萄園冠層特征分析, 以及葡萄簇的葡萄數(shù)量、大小和質(zhì)量估計(jì); 袁道軍等[23]基于油菜冠層圖像, 用逐步回歸法建立了用圖像的顏色值監(jiān)測(cè)葉綠素含量、全氮含量、碳氮比值的最優(yōu)模型, 具有較好的預(yù)測(cè)性能; Ramcharan等[24]應(yīng)用遷移學(xué)習(xí)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別木薯3種病害和2種病蟲(chóng)害, 具有較高的準(zhǔn)確率。此外, 基于機(jī)器視覺(jué)的田間雜草識(shí)別[25, 26]、作物產(chǎn)量估算[27, 28, 29]和果實(shí)成熟度判斷[30, 31, 32]等方面的研究, 都表明機(jī)器視覺(jué)在農(nóng)業(yè)生產(chǎn)監(jiān)測(cè)中具有廣闊的應(yīng)用前景。

茶園面積廣闊, 茶園中不同位置的茶樹(shù)生長(zhǎng)變化并不完全相同, 有些變化(如病蟲(chóng)害等)往往是先在某個(gè)局部區(qū)域發(fā)生的, 其整體變化并不明顯, 通常的視頻監(jiān)控系統(tǒng)只對(duì)茶園整體進(jìn)行監(jiān)測(cè), 從中很難發(fā)現(xiàn)茶樹(shù)生長(zhǎng)的細(xì)微變化。此外, 茶樹(shù)生長(zhǎng)是一個(gè)隨時(shí)間動(dòng)態(tài)變化的過(guò)程(如嫩芽萌發(fā)、病害發(fā)展等), 只有對(duì)同一部位進(jìn)行持續(xù)監(jiān)測(cè)才能獲取茶樹(shù)生長(zhǎng)變化的重要信息, 采用多臺(tái)攝像機(jī)對(duì)各個(gè)部位進(jìn)行監(jiān)測(cè)會(huì)大大增加設(shè)備成本和維護(hù)難度。為掌握茶園中茶樹(shù)生長(zhǎng)的時(shí)空動(dòng)態(tài)變化情況, 本文設(shè)計(jì)一種單攝像機(jī)的圖像監(jiān)測(cè)系統(tǒng)來(lái)實(shí)現(xiàn)時(shí)間和空間2個(gè)維度的茶樹(shù)圖像信息采集。將茶園劃分為若干監(jiān)測(cè)區(qū)域, 采用可變焦云臺(tái)攝像機(jī)(即PTZ攝像機(jī), 俗稱球機(jī))每隔一段時(shí)間進(jìn)行1次輪詢, 抓拍各個(gè)監(jiān)測(cè)區(qū)域的圖像并按時(shí)間順序保存, 得到茶樹(shù)生長(zhǎng)圖像庫(kù)。通過(guò)對(duì)茶樹(shù)生長(zhǎng)圖像庫(kù)的進(jìn)一步分析, 可以獲取茶樹(shù)生長(zhǎng)變化的相關(guān)信息, 包括與茶樹(shù)生長(zhǎng)有關(guān)的茶樹(shù)營(yíng)養(yǎng)缺失、病害發(fā)作、嫩芽萌發(fā), 以及與茶樹(shù)生長(zhǎng)環(huán)境有關(guān)的光照、天氣變化等信息。

1 系統(tǒng)設(shè)計(jì)

1.1 硬件系統(tǒng)設(shè)計(jì)

1.1.1 硬件結(jié)構(gòu)

系統(tǒng)采用星型局域網(wǎng)絡(luò)結(jié)構(gòu)。可變焦云臺(tái)攝像機(jī)獲取田間的視頻流, 通過(guò)一對(duì)光纖模塊進(jìn)行遠(yuǎn)距離傳輸, 然后接入到局域網(wǎng)絡(luò)。監(jiān)測(cè)服務(wù)器也接入局域網(wǎng)絡(luò), 通過(guò)TCP/IP協(xié)議獲取攝像機(jī)的視頻流, 并向其發(fā)送指令, 控制攝像機(jī)的轉(zhuǎn)動(dòng)和變焦。監(jiān)測(cè)系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

1.1.2 監(jiān)測(cè)區(qū)域劃分

實(shí)驗(yàn)茶園選擇在安徽農(nóng)業(yè)大學(xué)大楊鎮(zhèn)高新技術(shù)農(nóng)業(yè)園內(nèi), 茶園長(zhǎng)10 m、寬5 m, 共種植4排茶樹(shù), 品種為農(nóng)抗早。將茶園劃分為4行、10列共40個(gè)監(jiān)測(cè)區(qū)域, 每個(gè)區(qū)域的大小為1 m× 1.25 m, 在每個(gè)區(qū)域選擇靠近中央的1株茶樹(shù)進(jìn)行監(jiān)測(cè), 獲取其生長(zhǎng)圖像。監(jiān)測(cè)區(qū)域的劃分與編號(hào)如圖2所示。

1.1.3 攝像機(jī)選型與安裝

為了方便地獲取各個(gè)監(jiān)測(cè)區(qū)域的茶樹(shù)圖像, 要求攝像機(jī)鏡頭可以自由轉(zhuǎn)動(dòng), 并且能對(duì)監(jiān)測(cè)圖像進(jìn)行縮放。目前監(jiān)控領(lǐng)域廣泛使用的可變焦云臺(tái)攝像機(jī), 其制造工藝成熟, 價(jià)格也較為便宜, 適合用于作物生長(zhǎng)監(jiān)測(cè)。實(shí)驗(yàn)中使用的變焦云臺(tái)攝像機(jī)為天津天地偉業(yè)公司生產(chǎn), 型號(hào)為T(mén)C-H556S, 其主碼流分辨率為2 048× 1 536, 32倍光學(xué)變焦, 水平360° 連續(xù)旋轉(zhuǎn), 垂直轉(zhuǎn)動(dòng)角度-16° ~90° , 最大幀率60 fps。將攝像機(jī)架設(shè)于茶園東邊一側(cè)的中間位置處, 以方便觀察到茶園的每個(gè)角落。該攝像機(jī)的外觀尺寸與安裝效果如圖3所示。

1.2 軟件系統(tǒng)設(shè)計(jì)

軟件系統(tǒng)的設(shè)計(jì)包括監(jiān)測(cè)區(qū)域定位、定時(shí)巡航抓拍、茶樹(shù)生長(zhǎng)圖像庫(kù)生成、茶樹(shù)生長(zhǎng)圖像庫(kù)檢索瀏覽等算法設(shè)計(jì)。茶樹(shù)監(jiān)測(cè)系統(tǒng)的軟件架構(gòu)如圖4所示。

將軟件結(jié)構(gòu)分為監(jiān)測(cè)區(qū)域定位、定時(shí)巡航抓拍、茶樹(shù)生長(zhǎng)圖像庫(kù)生成、茶樹(shù)生長(zhǎng)圖像庫(kù)檢索、茶樹(shù)含氮量監(jiān)測(cè)5個(gè)模塊。監(jiān)測(cè)區(qū)域定位模塊實(shí)現(xiàn)指向某個(gè)監(jiān)測(cè)區(qū)域的P(Pan, 水平參數(shù))、T(Tilt, 垂直參數(shù))、Z(Zoom, 放大倍數(shù))攝像機(jī)參數(shù)設(shè)置, 定時(shí)巡航抓拍模塊實(shí)現(xiàn)各監(jiān)測(cè)區(qū)域圖像的定時(shí)抓拍, 茶樹(shù)生長(zhǎng)圖像庫(kù)生成模塊將抓拍的圖像以一定格式存儲(chǔ)到服務(wù)器中, 茶樹(shù)生長(zhǎng)圖像庫(kù)檢索模塊實(shí)現(xiàn)圖像的檢索和瀏覽, 茶樹(shù)含氮量監(jiān)測(cè)模塊實(shí)現(xiàn)基于茶樹(shù)圖像的茶樹(shù)含氮量檢測(cè)。

1.2.1 監(jiān)測(cè)區(qū)域定位

對(duì)各監(jiān)測(cè)區(qū)域的攝像機(jī)控制參數(shù)P、T、Z進(jìn)行設(shè)置, 并將設(shè)置的參數(shù)保存到一個(gè)監(jiān)測(cè)區(qū)域定位表中, 如表1所示。首先將茶園劃分為若干監(jiān)測(cè)區(qū)域, 為了保證監(jiān)測(cè)到茶樹(shù)生長(zhǎng)的細(xì)節(jié)信息, 建議每個(gè)監(jiān)測(cè)區(qū)域的大小為1~2 m2。將PTZ相機(jī)的鏡頭調(diào)節(jié)至能夠觀察到整個(gè)監(jiān)測(cè)區(qū)域的位置, 保存該區(qū)域的編號(hào)和對(duì)應(yīng)的P、T、Z值。當(dāng)需要拍攝該監(jiān)測(cè)區(qū)域的圖像時(shí), 在定位表中查找到與該監(jiān)測(cè)區(qū)域編號(hào)對(duì)應(yīng)的P、T、Z值, 并用P、T、Z值調(diào)用攝像機(jī)控制函數(shù), 使其轉(zhuǎn)動(dòng)和縮放, 從而使攝像機(jī)定位到該監(jiān)測(cè)區(qū)域。

表1 監(jiān)測(cè)區(qū)域定位表 Table 1 Monitoring areas positioning

1.2.2 定時(shí)巡航抓拍

將茶園劃分為若干監(jiān)測(cè)區(qū)域并對(duì)攝像機(jī)進(jìn)行定位設(shè)置后, 每隔一段時(shí)間抓拍1次各監(jiān)測(cè)區(qū)域的圖像信息, 并保存至監(jiān)測(cè)服務(wù)器, 方便用戶隨時(shí)進(jìn)行檢索、對(duì)比。結(jié)合已經(jīng)設(shè)置完成的監(jiān)測(cè)區(qū)域定位表, 設(shè)計(jì)定時(shí)巡航抓拍算法。設(shè)置一個(gè)定時(shí)器, 每隔固定時(shí)間t啟動(dòng)1次巡航抓拍流程, 對(duì)監(jiān)測(cè)區(qū)域進(jìn)行輪巡。攝像機(jī)從監(jiān)測(cè)區(qū)域定位表中依次取出對(duì)應(yīng)區(qū)域的P、T、Z值, 隨后延遲3秒, 等待攝像機(jī)指向某個(gè)監(jiān)測(cè)區(qū)域并保持穩(wěn)定后, 抓拍該區(qū)域的圖像, 并將獲取的圖像保存到茶樹(shù)生長(zhǎng)圖像庫(kù)。算法流程如圖5所示。

1.2.3 茶樹(shù)生長(zhǎng)圖像庫(kù)

為便于圖像的檢索和瀏覽, 根據(jù)圖像抓拍的時(shí)間和位置在監(jiān)測(cè)服務(wù)器上建立層級(jí)文件夾。以“ 年-月-日” 建立日期文件夾, 每個(gè)日期文件夾下再按監(jiān)測(cè)區(qū)域編號(hào)建立文件夾。在每個(gè)監(jiān)測(cè)區(qū)域編號(hào)文件夾下, 按“ 年-月-日-時(shí)-分-秒-監(jiān)測(cè)區(qū)域編號(hào)” 命名抓拍的圖像文件。具體結(jié)構(gòu)如圖6所示。

1.2.4 茶樹(shù)生長(zhǎng)圖像庫(kù)檢索

可按拍攝時(shí)間和監(jiān)測(cè)區(qū)域?yàn)g覽茶樹(shù)生長(zhǎng)情況, 也可以通過(guò)對(duì)茶樹(shù)生長(zhǎng)圖像序列的分析, 得到更為豐富的茶樹(shù)生長(zhǎng)信息。輸入監(jiān)測(cè)區(qū)域的編號(hào)、日期后, 從茶樹(shù)生長(zhǎng)圖像庫(kù)中檢索指定監(jiān)測(cè)區(qū)域該日期的所有圖像文件?？梢赃M(jìn)行動(dòng)態(tài)顯示, 即設(shè)定播放速度, 按時(shí)間順序顯示圖像, 其間可以暫?；蚶^續(xù)播放; 也可以逐張瀏覽圖像, 并顯示該圖像的拍攝時(shí)間。

2 系統(tǒng)測(cè)試

軟件系統(tǒng)的運(yùn)行環(huán)境使用Windows 10操作系統(tǒng), 開(kāi)發(fā)工具采用微軟公司的Visual Studio, 軟件功能采用C++語(yǔ)言進(jìn)行開(kāi)發(fā)。軟件具有可移植性、可拓展性、操作簡(jiǎn)便的特點(diǎn), 在傳統(tǒng)監(jiān)控可進(jìn)行PTZ調(diào)節(jié)、抓圖的功能上, 主要增加了自動(dòng)定時(shí)巡航抓拍與茶樹(shù)信息檢索的功能。

打開(kāi)監(jiān)控軟件, 輸入攝像機(jī)的網(wǎng)絡(luò)地址、端口號(hào)、賬號(hào)和密碼進(jìn)行登錄。登錄成功后, 進(jìn)入監(jiān)測(cè)系統(tǒng)主界面。首先進(jìn)行監(jiān)測(cè)區(qū)域定位的設(shè)置, 調(diào)整好攝像機(jī)鏡頭位置, 輸入監(jiān)測(cè)區(qū)域編號(hào)與名稱, 點(diǎn)擊“ 設(shè)置” 按鈕, 記錄當(dāng)前的位置信息。當(dāng)輸入或選擇監(jiān)測(cè)區(qū)域的編號(hào), 點(diǎn)擊“ 調(diào)用” , 攝像機(jī)定位并顯示該監(jiān)測(cè)區(qū)域的實(shí)時(shí)視頻, 如圖7-A所示。選擇巡航時(shí)間、巡航抓拍起止區(qū)域編號(hào), 單擊“ 巡航抓拍” 按鈕, 則進(jìn)行單次巡航抓拍, 圖像保存在桌面; 設(shè)置定時(shí)抓拍時(shí)間間隔, 單擊“ 定時(shí)循環(huán)” 按鈕, 則進(jìn)行定時(shí)巡航抓拍, 抓拍的圖像按日期、監(jiān)測(cè)區(qū)域編號(hào)保存到茶樹(shù)生長(zhǎng)圖像庫(kù)中。

Figure Option 圖7 茶樹(shù)生長(zhǎng)圖像監(jiān)測(cè)系統(tǒng)界面
A, 監(jiān)測(cè)系統(tǒng)主界面; B, 茶樹(shù)生長(zhǎng)圖像庫(kù)檢索界面。Fig.7 Interface of monitoring system of tea plant growth image
A, Main interface of monitoring system; B, Retrieval interface of image database of tea plant growth.

當(dāng)進(jìn)行茶樹(shù)生長(zhǎng)圖像的檢索時(shí), 在主界面中單擊“ 查看數(shù)據(jù)” 按鈕, 進(jìn)入茶樹(shù)生長(zhǎng)圖像庫(kù)檢索界面, 如圖7-B所示。輸入監(jiān)測(cè)區(qū)域編號(hào)與日期, 可檢索到符合條件的所有歷史圖像, 并可以按時(shí)間順序動(dòng)態(tài)播放。單擊“ 暫?！?按鈕可暫時(shí)停止圖片的動(dòng)態(tài)播放, 此時(shí)通過(guò)單擊“ 上一張” “ 下一張” 按鈕可逐張瀏覽圖像。

3 系統(tǒng)應(yīng)用

利用茶樹(shù)生長(zhǎng)圖像數(shù)據(jù)庫(kù)對(duì)茶樹(shù)的生長(zhǎng)過(guò)程進(jìn)行多方面的監(jiān)測(cè)。以下對(duì)2019年2月1日至4月30期間采集的圖像庫(kù), 分別從嫩芽監(jiān)測(cè)、病害監(jiān)測(cè)、含氮量監(jiān)測(cè)、光照監(jiān)測(cè)、天氣監(jiān)測(cè)等幾個(gè)方面討論、分析該系統(tǒng)的應(yīng)用。

3.1 嫩芽監(jiān)測(cè)

由于同一監(jiān)測(cè)區(qū)域的拍攝位置是固定的, 因此可以對(duì)比茶樹(shù)同一部位在不同時(shí)間的生長(zhǎng)變化情況。圖8為監(jiān)測(cè)區(qū)域1的圖像上部枝條上嫩芽的萌發(fā)過(guò)程?？梢钥闯? 2019年4月10日該枝條尚未萌出新芽, 4月20日已經(jīng)長(zhǎng)出新芽, 4月30日新芽進(jìn)一步長(zhǎng)大。因此, 從茶樹(shù)生長(zhǎng)圖像庫(kù)中可以得到關(guān)于嫩芽生長(zhǎng)的信息。采用圖像分割技術(shù)將嫩芽從圖像中分離出來(lái), 則可以計(jì)算嫩芽的長(zhǎng)度、生長(zhǎng)速度, 進(jìn)而鑒定嫩芽的品質(zhì)、確定采摘嫩芽的最佳時(shí)機(jī)。

3.2 病害監(jiān)測(cè)

茶樹(shù)很容易感染各種病害, 通過(guò)對(duì)比茶樹(shù)圖像隨時(shí)間的變化情況, 可以從中發(fā)現(xiàn)其病害的發(fā)生、發(fā)展過(guò)程。圖9為從監(jiān)測(cè)區(qū)域13抓拍到的一個(gè)葉片發(fā)病過(guò)程。4月17日該葉片葉色泛黃, 開(kāi)始發(fā)生輕微病變, 4月20日葉片已經(jīng)全部變?yōu)辄S色, 病害加重, 4月22日葉片出現(xiàn)褐色斑塊, 病害進(jìn)一步加重, 該葉片在5 d內(nèi)發(fā)生了明顯的病變。因此, 通過(guò)對(duì)比茶樹(shù)圖像中葉片的變化, 可以發(fā)現(xiàn)病害的種類和為害程度, 以便及時(shí)采取有效措施進(jìn)行防治。

3.3 含氮量監(jiān)測(cè)

氮是影響茶樹(shù)長(zhǎng)勢(shì)的一個(gè)關(guān)鍵元素, 茶樹(shù)的氮營(yíng)養(yǎng)情況一般會(huì)在葉片顏色上有所體現(xiàn)[33]。為驗(yàn)證利用茶樹(shù)監(jiān)測(cè)圖像進(jìn)行茶樹(shù)氮營(yíng)養(yǎng)監(jiān)測(cè)的可行性, 于2019年4月中旬進(jìn)行試驗(yàn), 將施以5種不同含氮量基肥的茶園劃分為連續(xù)的40個(gè)監(jiān)測(cè)區(qū)域, 每個(gè)區(qū)域隨機(jī)選取2株茶樹(shù), 每株茶樹(shù)摘取冠層枝條頂葉下第2葉10片, 每5片1組, 用凱氏定氮法測(cè)得80組樣本的實(shí)際含氮量數(shù)值。在采摘葉片前后, 抓拍該40個(gè)監(jiān)測(cè)區(qū)域的圖像, 經(jīng)圖像降噪、背景分割等操作后[34], 提取圖像的R、G、B均值作為顏色特征參數(shù)。將80組樣本分為建模樣本和驗(yàn)證樣本, 對(duì)顏色特征參數(shù)與含氮量進(jìn)行線性回歸分析。結(jié)果發(fā)現(xiàn), 無(wú)陽(yáng)光直射時(shí)拍攝的圖像, 其G值和B值與茶樹(shù)含氮量之間有較高的相關(guān)性, 所建立的線性方程和誤差如表2所示。

表2 顏色特征參數(shù)與茶樹(shù)含氮量的線性回歸分析結(jié)果 Table 2 Results of linear regression analysis of color parameters and nitrogen content of tea plant

在5月中旬再次進(jìn)行相同試驗(yàn), 依據(jù)監(jiān)測(cè)圖像和回歸方程得到各監(jiān)測(cè)區(qū)域茶樹(shù)的含氮量預(yù)測(cè)值, 進(jìn)一步繪制出茶樹(shù)含氮量預(yù)測(cè)值空間分布圖, 如圖10所示。該預(yù)測(cè)值與驗(yàn)證樣本實(shí)際值的最大相對(duì)誤差為16.53%, 平均相對(duì)誤差為5.79%, 均方根誤差為0.171。試驗(yàn)結(jié)果表明, 根據(jù)茶樹(shù)圖像可以對(duì)茶樹(shù)含氮量及其空間分布進(jìn)行監(jiān)測(cè)。

3.4 光照監(jiān)測(cè)

露天狀態(tài)下一天中的光照條件是不斷發(fā)生變化的, 通過(guò)一天中不同時(shí)間拍攝的茶樹(shù)圖像, 可以監(jiān)測(cè)到茶樹(shù)生長(zhǎng)環(huán)境的光照變化情況。圖11為2019年4月13日監(jiān)測(cè)區(qū)域4在不同時(shí)間的圖像?？梢钥闯? 06:50陽(yáng)光較弱, 圖像較暗, 且葉片表明凝結(jié)許多露珠; 13:50陽(yáng)光強(qiáng)烈, 圖像亮度大大增加, 并出現(xiàn)大量反光和陰影區(qū)域; 17:50陽(yáng)光較為柔和, 圖像中光照分布均勻, 無(wú)明顯的反光和陰影, 圖像清晰度較高。早晨和傍晚的茶樹(shù)圖像清晰度較高, 用于茶樹(shù)的生長(zhǎng)監(jiān)測(cè)效果更好。通過(guò)圖像中光照的變化, 還可以得到茶樹(shù)一天的光照量, 可幫助分析光照對(duì)茶樹(shù)生長(zhǎng)的影響。

3.5 天氣監(jiān)測(cè)

天氣是影響茶樹(shù)生長(zhǎng)的一個(gè)重要因素, 尤其在春茶采摘期前后, 天氣的變化對(duì)茶葉品質(zhì)的形成有著關(guān)鍵作用, 因此, 監(jiān)測(cè)茶樹(shù)生長(zhǎng)過(guò)程中的天氣變化情況, 對(duì)茶樹(shù)種植有著重要意義[35, 36]。從茶樹(shù)圖像中容易獲知每天的天氣情況, 如圖12所示。選擇2019年3月1日到4月30日的茶樹(shù)圖像, 把每天天氣記錄下來(lái), 可以得到該期間茶園各種天氣的統(tǒng)計(jì)圖, 如圖13所示?？梢钥闯? 該茶園3— 4月的天氣以晴、多云、陰天為主, 而雨天相對(duì)較少。

4 總結(jié)與展望

為了實(shí)現(xiàn)茶樹(shù)生長(zhǎng)過(guò)程的快速監(jiān)測(cè), 本研究開(kāi)發(fā)了一套茶樹(shù)生長(zhǎng)圖像監(jiān)測(cè)系統(tǒng), 該系統(tǒng)設(shè)備成本低、信息量豐富、軟件操作簡(jiǎn)單, 能夠定時(shí)抓拍茶園中指定區(qū)域的茶樹(shù)細(xì)節(jié)圖像, 生成茶樹(shù)生長(zhǎng)圖像庫(kù), 并能實(shí)時(shí)監(jiān)看茶樹(shù)生長(zhǎng)情況或檢索歷史圖像。為了展示茶樹(shù)生長(zhǎng)圖像庫(kù)的用途, 從光照變化、嫩芽萌發(fā)、病害、天氣、含氮量等方面的監(jiān)測(cè)進(jìn)行了討論和分析, 從中得到與茶樹(shù)生長(zhǎng)有關(guān)的信息, 并實(shí)現(xiàn)了茶樹(shù)含氮量的快速監(jiān)測(cè)。該監(jiān)測(cè)系統(tǒng)也適用于其他作物, 為作物生長(zhǎng)監(jiān)測(cè)提供一種直觀的、可追溯的數(shù)據(jù)來(lái)源。

下一步將對(duì)軟件進(jìn)行進(jìn)一步開(kāi)發(fā), 將茶樹(shù)生長(zhǎng)過(guò)程的監(jiān)測(cè)、統(tǒng)計(jì)與分析等信息添加至茶樹(shù)信息查看功能中, 并增加衛(wèi)星遙感、無(wú)人機(jī)航拍等圖像數(shù)據(jù), 從而為茶樹(shù)生長(zhǎng)監(jiān)測(cè)提供更全面的分析決策信息。

(責(zé)任編輯 侯春曉)

參考文獻(xiàn)

[1]NJIRA K O W, NABWAMI J. A review of effects of nutrient elements on crop quality[J]. African Journal of Food Agriculture Nutrition & Development, 2015, 15(1): 9777-9783.[本文引用:1][2]NYABUNDI K W, OWUOR P O, NETONDO G W, et al. Genotype and environment interactions of yields and yield components of tea ( Camellia sinensis) cultivars in Kenya[J]. American Journal of Plant Sciences, 2016, 7(6): 855-869.[本文引用:1][3]黃海濤, 余繼忠, 王賢波, 等. 不同抗寒性茶樹(shù)品種秋季新梢的生理特性研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2014, 26(4): 925-928.
HUANG H T, YU J Z, WANG X B, et al. Study on physiological characters of new shoot in different cold-resistant tea varieties in autumn[J]. Acta Agriculturae Zhejiangensis, 2014, 26(4): 925-928. (in Chinese with English abstract)[本文引用:1][4]詹杰, 李振武, 鄧素芳, 等. 茶草互作模式下茶園環(huán)境及茶樹(shù)生長(zhǎng)的初步變化[J]. 草業(yè)科學(xué), 2018, 35(11): 2694-2703.
ZHAN J, LI Z W, DENG S F, et al. Preliminary variations in the environment of tea gardens and tea growth on the tea-grass interaction mode[J]. Pratacultural Science, 2018, 35(11): 2694-2703. (in Chinese with English abstract)[本文引用:1][5]倪軍, 姚霞, 田永超, 等. 便攜式作物生長(zhǎng)監(jiān)測(cè)診斷儀的設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(6): 150-156.
NI J, YAO X, TIAN Y C, et al. Design and experiments of portable apparatus for plant growth monitoring and diagnosis[J]. Transactions of the CSAE, 2013, 29(6): 150-156. (in Chinese with English abstract)[本文引用:1][6]陳魏濤, 曹宏鑫, 張保軍, 等. 氮素營(yíng)養(yǎng)診斷技術(shù)及其在油菜上的應(yīng)用研究進(jìn)展[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2016, 32(4): 953-960.
CHEN W T, CAO H X, ZHANG B J, et al. Research progresses in nitrogen diagnosis technology and its application in rapeseed[J]. Jiangsu Journal of Agricultural Sciences, 2016, 32(4): 953-960. (in Chinese with English abstract)[本文引用:1][7]張琴, 黃文江, 許童羽, 等. 小麥苗情遠(yuǎn)程監(jiān)測(cè)與診斷系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(12): 115-119.
ZHANG Q, HUANG W J, XU T Y, et al. Monitoring and diagnosis system for wheat growth with remote sensing and sensor technology[J]. Transactions of the CSAE, 2011, 27(12): 115-119. (in Chinese with English abstract)[本文引用:1][8]鄭紀(jì)業(yè), 阮懷軍, 封文杰, 等. 農(nóng)業(yè)物聯(lián)網(wǎng)體系結(jié)構(gòu)與應(yīng)用領(lǐng)域研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2017, 50(4): 657-668.
ZHENG J Y, RUAN H J, FENG W J, et al. Agricultural IOT architecture and application model research[J]. Scientia Agricultura Sinica, 2017, 50(4): 657-668. (in Chinese with English abstract)[本文引用:1][9]WANG M J, ZHOU J. Studies on the optical measuring system for grape stem diameter[J]. Applied Mechanics and Materials, 2014, 568/569/570: 65-70.[本文引用:1][10]郭斯羽, 周樂(lè)前, 溫和. 長(zhǎng)葉柄軸對(duì)稱植物葉片長(zhǎng)度的圖像測(cè)量方法[J]. 電子測(cè)量與儀器學(xué)報(bào), 2015, 29(6): 866-873.
GUO S Y, ZHOU L Q, WEN H. Image-based length measurement method of axially symmetric plant leaves with elongated petiole[J]. Journal of Electronic Measurement and Instrumentation, 2015, 29(6): 866-873. (in Chinese with English abstract)[本文引用:1][11]GUNES E O, AYGUN S. Growth monitoring of plants using active contour technique[C]// 2017 6th International Conference on Agro-Geoinformatics, August 7-102017. Fairfax, VA, USA. Washington: IEEE Computer Society. 2017.[本文引用:1][12]馬浚誠(chéng), 劉紅杰, 鄭飛翔, 等. 基于可見(jiàn)光圖像和卷積神經(jīng)網(wǎng)絡(luò)的冬小麥苗期長(zhǎng)勢(shì)參數(shù)估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(5): 183-189.
MA J C, LIU H J, ZHENG F X, et al. Estimating growth related traits of winter wheat at seedling stages based on RGB images and convolutional neural network[J]. Transactions of the CSAE, 2019, 35(5): 183-189. (in Chinese with English abstract)[本文引用:1][13]王娟, 危常州, 萬(wàn)丹, 等. 應(yīng)用灰板校正提高計(jì)算機(jī)視覺(jué)預(yù)測(cè)棉花植株含水量的精確度[J]. 棉花學(xué)報(bào), 2015, 27(3): 275-282.
WANG J, WEI C Z, WAN D, et al. Gray broad calibration may increase precision in the prediction of cotton water content based on computer version[J]. Cotton Science, 2015, 27(3): 275-282. (in Chinese with English abstract)[本文引用:1][14]江朝暉, 楊春合, 周瓊, 等. 基于圖像特征的越冬期冬小麥冠層含水率檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(12): 260-267.
JIANG Z H, YANG C H, ZHOU Q, et al. Detection of canopy water content of winter wheat during wintering period based on image features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12): 260-267. (in Chinese with English abstract)[本文引用:1][15]石媛媛, 鄧勁松, 陳利蘇, 等. 利用計(jì)算機(jī)視覺(jué)和光譜分割技術(shù)進(jìn)行水稻葉片鉀脅迫特征提取與診斷研究[J]. 光譜學(xué)與光譜分析, 2010, 30(1): 214-219.
SHI Y Y, DENG J S, CHEN L S, et al. Leaf characteristics extraction of rice under potassium stress based on static scan and spectral segmentation technique[J]. Spectroscopy and Spectral Analysis, 2010, 30(1): 214-219. (in Chinese with English abstract)[本文引用:1][16]SILVA F F, LUZ P H C, ROMUALDO L M, et al. A diagnostic tool for magnesium nutrition in maize based on image analysis of different leaf sections[J]. Crop Science, 2014, 54(2): 738-745.[本文引用:1][17]李嵐?jié)? 張萌, 任濤, 等. 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營(yíng)養(yǎng)診斷[J]. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào), 2015, 21(1): 259-268.
LI L T, ZHANG M, REN T, et al. Diagnosis of N nutrition of rice using digital image processing technique[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(1): 259-268. (in Chinese with English abstract)[本文引用:1][18]高銘遠(yuǎn). 利用葉片顏色判斷土壤養(yǎng)分方法的研究[J]. 電子測(cè)量技術(shù), 2016, 39(11): 173-177.
GAO M Y. Study on the method of determination of soil nutrients by leaf color[J]. Electronic Measurement Technology, 2016, 39(11): 173-177. (in Chinese with English abstract)[本文引用:1][19]陳佳悅, 姚霞, 黃芬, 等. 基于圖像處理的冬小麥氮素監(jiān)測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(4): 163-170.
CHEN J Y, YAO X, HUANG F, et al. N status monitoring model in winter wheat based on image processing[J]. Transactions of the CSAE, 2016, 32(4): 163-170. (in Chinese with English abstract)[本文引用:1][20]王彥翔, 張艷, 楊成婭, 等. 基于深度學(xué)習(xí)的農(nóng)作物病害圖像識(shí)別技術(shù)進(jìn)展[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2019, 31(4): 669-676.
WANG Y X, ZHANG Y, YANG C Y, et al. Advances in new nondestructive detection and identification techniques of crop diseases based on deep learning[J]. Acta Agriculturae Zhejiangensis, 2019, 31(4) : 669-676. (in Chinese with English abstract)[本文引用:1][21]REVATHI P, HEMALATHA M. Classification of cotton leaf spot diseases using image processing edge detection techniques[C]// International Conference on Emerging Trends in Science, Engineering & Technology. December 13-14. 2012. Tiruchirappalli, India. Washington: IEEE Computer Society. 2012.[本文引用:1][22]TARDAGUILA J, DIAGO M P, MILLAN B, et al. Applications of computer vision techniques in viticulture to assess canopy features, cluster morphology and berry size[J]. Acta Horticulturae, 2013(978): 77-84.[本文引用:1][23]袁道軍, 劉安國(guó), 原保忠, 等. 基于計(jì)算機(jī)視覺(jué)技術(shù)的油菜冠層營(yíng)養(yǎng)信息監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(12): 174-179.
YUAN D J, LIU A G, YUAN B Z, et al. Nutrition information extraction of rape canopy based on computer-vision technology[J]. Transactions of the CSAE, 2009, 25(12): 174-179. (in Chinese with English abstract)[本文引用:1][24]RAMCHARAN A, BARANOWSKI K, MCCLOSKEY P, et al. Deep learning for image-based cassava disease detection[J]. Frontiers in Plant Science, 2017, 8: 1852.[本文引用:1][25]趙鵬, 韋興竹. 基于多特征融合的田間雜草分類識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(3): 275-281.
ZHAO P, WEI X Z. Weed recognition in agricultural field using multiple feature fusions[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(3): 275-281.
( in Chinese with English abstract)[本文引用:1][26]鄧向武, 齊龍, 馬旭, 等. 基于多特征融合和深度置信網(wǎng)絡(luò)的稻田苗期雜草識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(14): 165-172.
DENG X W, QI L, MA X, et al. Recognition of weeds at seedling stage in paddy fields using multi-feature fusion and deep belief networks[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 165-172. (in Chinese with English abstract)[本文引用:1][27]SWAIN K C, ZAMAN Q U, SCHUMANN A W, et al. Computer vision system for wild blueberry fruit yield mapping[J]. Biosystems Engineering, 2010, 106(4): 389-394.[本文引用:1][28]GONG A P, YU J L, HE Y, et al. Citrus yield estimation based on images processed by an Android mobile phone[J]. Biosystems Engineering, 2013, 115(2): 162-170.[本文引用:1][29]李毅念, 杜世偉, 姚敏, 等. 基于小麥群體圖像的田間麥穗計(jì)數(shù)及產(chǎn)量預(yù)測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(21): 185-194.
LI Y N, DU S W, YAO M, et al. Method for wheatear counting and yield predicting based on image of wheatear population in field[J]. Transactions of the CSAE, 2018, 34(21): 185-194. (in Chinese with English abstract)[本文引用:1][30]劉雙喜, 王金星, 張菡, 等. 玉米雜交種子純度識(shí)別的色彩區(qū)域選取研究[J]. 儀器儀表學(xué)報(bào), 2016, 37(增刊1): 40-45.
LIU S X, WANG J X, ZHANG H, et al. Research on color region selection of purity identification of Maize hybrid[J]. Chinese Journal of Scientific Instrument, 2016, 37(Suppl. 1): 40-45. (in Chinese with English abstract)[本文引用:1][31]王麗麗, 魏舒, 趙博, 等. 基于Niblack自適應(yīng)修正系數(shù)的溫室成熟番茄目標(biāo)提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(增刊1): 322-327.
WANG L L, WEI S, ZHAO B, et al. Target extraction method of ripe tomato in greenhouse based on Niblack self-adaptive adjustment parameter[J]. Transactions of the CSAE, 2017, 33(Suppl. 1): 322-327. (in Chinese with English abstract)[本文引用:1][32]WAN P, TOUDESHKI A, TAN H Q, et al. A methodology for fresh tomato maturity detection using computer vision[J]. Computers and Electronics in Agriculture, 2018, 146: 43-50.[本文引用:1][33]楊亦揚(yáng), 馬立鋒, 石元值, 等. 葉綠素儀( SPAD)在茶樹(shù)氮素營(yíng)養(yǎng)診斷中的適用性研究[J]. 茶葉科學(xué), 2008, 28(4): 301-308.
YANG Y Y, MA L F, SHI Y Z, et al. Evaluation of nitrogen status in tea plants by SPAD[J]. Journal of Tea Science, 2008, 28(4): 301-308. (in Chinese with English abstract)[本文引用:1][34]劉瓊, 史諾. 基于Lab和YUV顏色空間的農(nóng)田圖像分割方法[J]. 國(guó)外電子測(cè)量技術(shù), 2015, 34(4): 39-41.
LIU Q, SHI N. Farmland image segmentation based on Lab and YUV color spaces[J]. Foreign Electronic Measurement Technology, 2015, 34(4): 39-41. (in Chinese with English abstract)[本文引用:1][35]蒯志敏, 程佳, 王建根, 等. 影響碧螺春茶葉采摘的天氣類型分析[J]. 中國(guó)農(nóng)業(yè)氣象, 2010, 31(增刊1): 104-106.
KUAI Z M, CHENG J, WANG J G, et al. Analysis of weather types affecting the picking time of biluochun tea[J]. Chinese Journal of Agrometeorology, 2010, 31(Suppl. 1): 104-106. (in Chinese with English abstract)[本文引用:1][36]孟永軍, 沈桑, 章瑩菁. 桐廬縣冬春季氣溫對(duì)春茶的影響及防凍措施探討[J]. 浙江農(nóng)業(yè)科學(xué), 2011, 52(3): 547-551.
MENG Y J, SHEN S, ZHANG Y J. Effect of wintry spring temperature on spring tea and discussion on antifreezing measures in Tonglu County[J]. Journal of Zhejiang Agricultural Sciences, 2011, 52(3): 547-551. (in Chinese)[本文引用:1]

相關(guān)知識(shí)

基于人體健康監(jiān)測(cè)的智能書(shū)桌設(shè)計(jì)與研究
基于健康的環(huán)境監(jiān)測(cè)技術(shù)規(guī)范研究
浙大智造的“貼心寶貝”在太空隨時(shí)監(jiān)測(cè)航天員身體健康
基于 STM32 單片機(jī)的室內(nèi)環(huán)境監(jiān)測(cè)系統(tǒng)的研究
基于視頻的生理參數(shù)測(cè)量技術(shù)及研究進(jìn)展
基于嵌入式技術(shù)的居室健康環(huán)境監(jiān)測(cè)系統(tǒng)
可穿戴式健康監(jiān)測(cè)系統(tǒng)研究與展望
健康監(jiān)測(cè)，護(hù)航成長(zhǎng)！
健康監(jiān)測(cè)傳感器的研究進(jìn)展
ERA健康監(jiān)測(cè)系統(tǒng) 3D斷層細(xì)胞掃描儀

網(wǎng)址: 基于時(shí)序巡航圖像的茶樹(shù)生長(zhǎng)監(jiān)測(cè)研究 http://m.gysdgmq.cn/newsview352977.html