技术摘要：
本发明公开了一种水稻图像信息采集系统，包括至少三个图像采集模块、图像识别模块、图像分割模块和网络模型数据库，其中：至少三个图像采集模块固定在水稻田的至少三个方向边缘区域，以预设频率对水稻田进行图像采集，获取同一时间的至少三幅水稻图像；图像识别模块，  全部
背景技术：
水稻是中国乃至全球最主要的粮食作物，其种植面积及产量水平显著影响全球粮 食产量安全。传统水稻的稳定高产在很大程度上来源于广大稻农精耕细作的支撑，但随着 农村劳动力转移、农村劳动力老龄化、水稻传统生产效率降低以及农村土地流转，亟需以规 模化经营和科技装备为我国水稻持续增产提供新动力。研究表明，监测水稻冠层能获取大 量水稻生长信息，包括生长动态、叶面积指数、生物量、氮素营养状态、开花动态以及病虫害 状况，可为规模化水稻的自动化耕作管理提供参数指导。 目前，利用数字图像技术分割作物冠层图像时采用两种方法-基于图像处理软件 的手动方法和基于图像分割技术的自动方法。其中，手动方法分割精度高，但是需要较多的 人工参与，使用起来不方便；而自动方法的分割效果差强人意。
技术实现要素：
有鉴于此，本发明提供了一种水稻图像信息处理系统，以解决现有技术中利用数 字图像技术分割作物冠层图像时，采用手动方法分割精度高，但是需要较多的人工参与，使 用起来不方便；而自动方法的分割效果差强人意的问题。 本发明是通过以下技术手段实现上述技术目的的。 一种水稻图像信息处理系统，包括： 至少三个图像采集模块，固定在水稻田的至少三个方向边缘区域，以预设频率对 所述水稻田进行图像采集，获取同一时间的至少三幅水稻图像； 图像识别模块，与所述至少三个图像采集模块通过网络连接，对所述水稻图像中 的水稻冠层信息和背景信息进行识别； 图像分割模块，与所述图像识别模块通过网络连接，所述图像分割模块对所述水 稻图像进行分割处理； 网络模型数据库，与所述数字图像分割模块通过网络连接；所述网络模型数据库 对经过分割处理后的所述水稻图像进行模型匹配分析； 其中，所述图像识别模块包括数据读取子模块、GT框获取子模块、数据增强子模块 和辅助处理子模块； 所述数据读取子模块采用VOCDetection函数，通过参数和固定文件夹路径读取所 述水稻图像文件； 所述GT框获取子模块对所述水稻图像文件中的目标水稻坐标信息进行框选，获得 GT框； 所述数据增强子模块还包括光度变形单元和几何变换单元；所述光度变形单元包 括随机改变亮度子单元、随机改变对比度子单元、变换颜色空间子单元、随机改变饱和度子 6 CN 111612797 A 说　明　书 2/10 页 单元、随机改变色调子单元、随机变换通道子单元；所述几何变换单元包括随机扩张子单 元、随机裁剪子单元和随机镜像子单元； 所述随机改变亮度子单元在所述水稻图像的像素上增加第一实数，所述第一实数 范围为[-32，32]； 所述随机改变对比度子单元在所述水稻图像的像素上乘第一系数，所述第一系数 的范围为[0.5，1.5]； 所述变换颜色空间子单元对所述水稻图像的颜色空间在RGB和HSV之间进行互换； 所述随机改变饱和度子单元对所述水稻图像的HSV颜色空间中的S维度上乘第二 系数，所述第二系数为实数，且范围为[0.5，1.5]； 所述随机改变色调子单元对所述水稻图像的HSV颜色空间中的H维度随机加第二 实数，所述第二实数的范围为[-18.8，18.0]； 所述随机变换通道子单元对所述水稻图像的RGB通道顺序进行随机变换； 所述随机扩张子单元对所述水稻图像的高和宽乘以一个ratio系数，获得扩张水 稻图像，所述随机扩张子单元将原始的所述水稻图像放置在所述扩张水稻图像的右下角， 将所述扩张水稻图像的其他位置像素值使用均值填充，相应的所述GT框也进行移动； 所述随机裁剪子单元对原始是所述水稻图像进行随机矩形裁剪，裁剪区域包含所 述GT框中心点，将原始的所述水稻图像的所述GT框转换到裁剪区域的所述水稻图像中； 所述随机镜像子单元对所述水稻图像进行左右翻转处理； 所述辅助处理子模块对所述GT框信息进行列表整合处理； 所述图像分割模块对所述水稻图像进行归一化处理，得到标准化色彩参数r、g、b； 对所述标准化色彩参数r、g、b进行CIE  L*a*b*色彩转化，获取CIE  X、Y、Z三基元和 L*、a*、b*色彩参数； 根据所述标准化色彩参数r、g、b获取H、S、V色彩参数； 根据所述标准化色彩参数g、所述a*色彩参数、b*色彩参数和S色彩参数获取分割超 平面Z。 上述技术方案中，所述标准化色彩参数r、g、b分别为： 其中，所述R、G、B为三基色，黑色表示为(0，0，0)，白色表示为(255，255，255)。 上述技术方案中，根据所述水稻图像的RGB色彩计算所述CIE  X、Y、Z三基元以及所 述L*、a*、b*色彩参数： 7 CN 111612797 A 说　明　书 3/10 页 其中， n和t均为大于0的实数。 上述技术方案中，根据所述标准化色彩参数r、g、b获取H、S、V色彩参数，包括： 由所述R、G、B三基色转换为三个变量X1、Y1和Z1： 由所述三个变量X1、Y1和Z1转化为所述H、S、V色彩参数： V＝X1 上述技术方案中，根据标准化色彩特征g、所述a*色彩参数、b*色彩参数和S色彩参 数获取分割超平面Z，包括： 采用线性SVM计算分类所述超平面Z： Z＝0.421g 0.753a* 0.152b* 0.051S 0.085。 上述技术方案中，所述图像分割模块还包括：轮廓跟踪单元，用于获取所述水稻图 像中的所有轮廓的坐标点序列作为轮廓链码； 凹点检测单元，其输入端与所述轮廓跟踪单元的输出端连接；所述凹点检测单元 执行以下操作： 步骤一，任意选择轮廓线上的一点作为初始点； 步骤二，连接所述初始点与所述轮廓线上顺时针方向的第i个临近点，构成一条第 8 CN 111612797 A 说　明　书 4/10 页 一线段，判断所述第一线段上的所有像素点的灰度值，根据所述灰度值分析所述第一线段 上的所有像素点为背景或杂草； 步骤三，若所述第一线段上背景像素个数占所述第一线段上像素总数的比例小于 预设值，则判定所述初始点和所述第i个临近点之间不存在凹点；所述i为大于25的整数； 若所述第一线段上背景像素点个数占所述第一线段上像素总数的比例大于所述 预设值，则判定所述初始点和所述第i个临近点之间存在凹点；所述预设值范围为50％- 90％； 步骤四，对所述初始点和所述第i个临近点分别连接与其前面临近的第6个点和后 面临近的第六个点，形成第二线段作为虚拟局部弦；分别计算这i个像素点与之对应的所述 虚拟局部弦的距离，获取所述距离最大的点A，并且保证所述虚拟局部弦的中点在背景中， 则将所述点A判定为一个凹点。 上述技术方案中，所述图像分割模块还包括：杂草识别单元，其输入端与所述凹点 检测单元的输出端连接； 所述杂草识别单元执行以下操作： 步骤一、获取所述轮廓线的参数大小；对所述轮廓线进行凹点检测以及Hough变 换，获取所述轮廓线上的凹点和能组成圆弧的轮廓点；其中，若以第一圆心为中心、边长为 r/2的正方形内的80％像素点是目标像素，则判定所述第一圆心为中心的圆弧属于杂草的 轮廓线； 步骤二、确定圆附近的两个有效凹点；其中，所述有效凹点为所述圆附近曲率最大 的两个凹点； 步骤三、将所述两个有效凹点连成一条直线，将在所述直线一侧并且在所述圆内 的像素点置为背景，得到水稻叶片图像。 上述技术方案中，对所述轮廓线进行Hough变换，包括以下步骤： 步骤a、在所述水稻图像中取一个基准点(Xb，Yb)，以所述基准点为圆心、Rmax为外半 径、Rmin为内半径投影到参数空间，得到坐标点集合Fb；将所坐标点集合Fb保存到名称为base  union的内存区域中； 步骤b、遍历所述水稻图像全部像素点，当遍历到第一个边缘点(x1，y1)时，把所述 所坐标点集合Fb中的所有元素分别加上x方向与y方向的偏移量x1-xb、y1-yb，从而得到新的 坐标点集合F1；在所述参数空间中，累加所述集合F1中的所有元素对应的第一累加值； 步骤c、重复所述步骤b，计算出Fj，累加所述Fj中的所有元素对应的第二累加值，直 至遍历到所有边缘点；其中，2≤j≤N，N为实数； 步骤d、在所述参数空间中找出所述第二累加值的极大值；所述极大值在所述参数 空间中的坐标值即为所述第一圆心。 本发明的有益效果为： (1)本发明先通过图像识别模块对水稻图像进行数据增强，然后对图片进行光度 变形，包含改变对比度、改变饱和度、改变色调、改变亮度和增加噪声等，接着有对图片进行 扩张和裁剪等，最后对GT框坐标归一化、和resize图片、减去均值等操作，识别出水稻图像 中的目标信息；再通过筛选出具有明显双峰特征的g、a*、b*和S色彩特征构成的多维色彩空 间中，采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z，计算水稻冠层图 9 CN 111612797 A 说　明　书 5/10 页 像中每一像元的Z值，并用最大类间方差法计算分割阈值Z，从而实现水稻冠层图像分割，达 到较好的分割效果。同时，先通过图像识别模块对水稻图像进行GT框框选处理，实现了速度 快且精度不低的一轮目标检测，然后再对GT框内的水稻图像进行分割，减少了分割图像的 计算量，有效平衡了计算资源消耗和处理速度之间的关系，提高了处理效率。 (2)本发明采用线性SVM和最大类间方差法相结合的水稻冠层图像分割方法，具有 较高的分割精度和光强稳健性，可以在田间多变光照条件下达到9％以内的分割误差效果。 (3)由于水稻叶片呈现长条形，背景中浮萍呈现近圆形，这两种织物形状都是凸性 的，因此水稻叶片与浮萍的交点必定是凹点，本发明运用凹点检测原理检测到交叠处的凹 点。 (4)水稻叶片和杂草在曲率上有很大差异，为了消除叶片轮廓上的点对结果的影 响，本发明采用计算曲率的方法进行排除，曲率大于某一阈值的点，才会被列入hough变换 检测的对象，否则不进行处理。 附图说明 通过参考附图能更加清楚的理解本发明的特征和优点，附图是示意性的而不应理 解为对本发明进行任何限制，在附图中： 图1示出了本发明实施例中一种水稻图像信息处理系统的结构框图。