基于视频挖掘的成熟期水稻图像处理算法研究

论文摘要

当前的水稻联合收割机，一般谷粒损失率均在2%-4%之间，甚至个别大型水稻联合收割机谷粒损失率高达10%以上。若能减少1%的损失率，按照平均亩产500kg来计算，目前全国水稻种植面积约4.3亿亩[1]，也就相当于增加水稻种植面积0.043亿亩，如果按照水稻每公斤1.6元来计算，就可以减少34.4亿元的损失。分析水稻联合收割机产生谷粒损失的主要原因，主要是水稻成熟期密度是变化的，水稻联合收割机不能够实时的适应这种变化。另者传统的图像处理算法，在586计算上处理一帧图像一般需要1S钟左右，不能适应水稻联合收割机的实时性要求；水稻成熟期生长密度与水稻品种有关，且水稻的品种众多、新品种也不断涌现，如何用一种算法适应此种变化值得深入研究；其二，即使同一个品种，图像处理算法与光照、作物生长态势等环境因素均有关；研究一种算法，既能适应水稻联合收割机工作实时性要求，又能适应与水稻品种、光照等环境因素无关，是本算法重点解决的问题。其一，解决与水稻品种、光照等环境因素无关算法的思路，采用模板算法，大概过程如下：（1）实验田中随机选择4-6块区域，面积与实验标定的水稻图像检测面积相同，按照以前做的研究方法采集、标定。（2）根据采集的数据，以其均值、帧差均值等为模板参数。其二，解决水稻联合收割机对算法实时性的要求，采用图像关键帧技术解决。由于联合收割机本身就具备一定的对成熟期水稻生长密度的自适应性，只要检测到成熟期水稻生长特别密和特别稀的图像帧，然后通过自动控制技术控制水稻联合收割机的前进速度，例如特别密的水稻可通过减少联合收割机的前进速度，特别稀的水稻可通过增加联合收割机的速度，以维持联合收割机的喂入量密度不变。本文采用的主要算法中，基于直方图帧差法算法如下：（1）确定模板以后，在模板内选取的所有图像帧中，提取直方图中谷、叶对应的灰度值的像素数作为参考。（2）根据获得的视频序列，确定每一幅图像帧的直方图，与模板谷叶对应的灰度值的像素数的均值求差。（3）最后根据通过模板确定的全局阈值，进行检测，如果与模板差值的绝对值大于该阈值，则认为水稻的密度发生了变化。本文采用四种帧检测算法，平均处理一幅图像的时间是50ms-80ms，并通过仿真实验证明基于直方图的帧差法，平均每帧检测时间只要50ms。本算法由于采用了模板，解决了算法与作物品种及环境因素无关，且比传统图像处理算法（即一帧一帧处理）速度快16倍左右。本算法有待在水稻联合收割机上验证。

论文目录

• 摘要
• Abstract
• 插图清单
• 附表清单
• 1 绪论
• 1.1 研究背景和意义
• 1.2 图像处理技术在农业中的研究及应用现状
• 1.3 视频挖掘的概念
• 1.4 视频挖掘的技术方法
• 1.4.1 视频结构挖掘
• 1.4.2 视频运动挖掘
• 1.4.3 视频挖掘方法
• 1.5 联合收割机自适应控制系统
• 1.6 视频挖掘技术的研究现状与发展趋势
• 1.7 本文的研究内容及结构安排
• 2 视频挖掘相关技术
• 2.1 视频挖掘技术的理论基础
• 2.1.1 视频相关基本概念
• 2.1.2 联合收割机与视频挖掘技术理论的相关性
• 2.2 视频镜头检测算法原理
• 2.2.1 特征提取
• 2.3 镜头检测算法
• 2.3.1 欧式距离与绝对距离
• 2.3.2 基于像素差值的镜头检测
• 2.3.3 基于直方图的镜头检测算法
• 2.4 基于直方图阈值法的彩色图像分割
• 2.5 常用的阈值选择方法
• 2.6 关键帧提取
• 3 研究内容和技术路线
• 3.1 研究课题的基础
• 3.1.1 实验机型选择
• 3.2 实时检测前的模板标定
• 3.3 基于数据挖掘技术的水稻密度关键帧检测
• 3.3.1 研究的目标
• 3.3.2 研究的主要内容及相关步骤
• 4 实验材料和采集数据的方法
• 4.1 实验材料及实验设备
• 4.2 数据的采集方法
• 4.3 数据处理
• 4.3.1 作物叶片图像的采集、预处理与分析
• 4.4 图像处理
• 4.4.1 减轻光照因素的影响
• 4.4.2 2R+G 和图像密度特征的提取
• 5 仿真实验的具体步骤
• 5.1 模板的确定
• 5.2 实验检测对象的标定
• 5.3 基于视频挖掘技术的水稻密度镜头检测的具体步骤
• 5.3.1 全局阈值的选择
• 5.3.2 镜头检测方法
• 6 实验结果与结论分析
• 7 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 致谢
• 个人简介
• 攻读学位期间参与和发表的学术论文目录