一種果樹產(chǎn)量早期預(yù)測的方法
【專利摘要】本發(fā)明提供了一種果樹產(chǎn)量早期預(yù)測的方法，包括步驟：S1：根據(jù)果園管理需要確定圖像獲取時間，在一定圖像采集條件，采用便攜式圖像采集設(shè)備在確定的時間采集待產(chǎn)量預(yù)測果樹的圖像；S2：根據(jù)圖像特點進行果實區(qū)域識別；S3：根據(jù)圖像特點進行樹葉區(qū)域識別；S4：提取果實區(qū)域及樹葉區(qū)域的特征作為果樹樹冠特征；S5：將果樹樹冠特征輸入人工神經(jīng)網(wǎng)絡(luò)測產(chǎn)模型對果樹的產(chǎn)量進行預(yù)測。該方法利用圖像處理及識別技術(shù)與人工智能技術(shù)的有效結(jié)合，彌補了單純利用圖像處理及識別技術(shù)進行預(yù)測的不足，從而能夠較準(zhǔn)確的在早期對果園內(nèi)蘋果的產(chǎn)量進行預(yù)測。
【專利說明】一種果樹產(chǎn)量早期預(yù)測的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及農(nóng)業(yè)預(yù)測【技術(shù)領(lǐng)域】，具體地說，涉及一種果樹產(chǎn)量早期預(yù)測的方法。
【背景技術(shù)】
[0002]蘋果是世界上食用最廣泛的水果之一，世界蘋果年產(chǎn)量約為3200萬噸。中國是世界上最大的蘋果生產(chǎn)國和消費國，蘋果種植面積和產(chǎn)量均占世界總量的40%以上，在世界蘋果產(chǎn)業(yè)中占有重要地位。為了能在蘋果收獲前估算出蘋果產(chǎn)量，以安排各種收獲時所需的各種人力、物力資源，目前常用的方法是人工抽取部分果樹，逐棵數(shù)出蘋果數(shù)量，然后大致估算產(chǎn)量。此種人工方法費時、費力且精度不高。對蘋果產(chǎn)量早期預(yù)測的研究中，計算機信息處理技術(shù)作為一種手段成為當(dāng)前研究的熱點之一。由于蘋果的顏色、形狀、紋理等特征與樹上的枝葉不同，當(dāng)前的研究過程主要是利用這些特征結(jié)合圖像處理技術(shù)來識別蘋果，估算產(chǎn)量。但是要實現(xiàn)以樹上蘋果的精確識別來預(yù)測產(chǎn)量，解決重疊蘋果以及樹葉對蘋果的遮擋的問題，僅依靠圖像處理技術(shù)是一個很大的挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0003]為了解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的是提供一種果園內(nèi)果樹產(chǎn)量早期預(yù)測的方法，實現(xiàn)對蘋果產(chǎn)量更準(zhǔn)確的預(yù)測。
[0004]為了實現(xiàn)本發(fā)明目的，本發(fā)明提供一種果樹產(chǎn)量早期預(yù)測的方法，包括步驟:
[0005]S1:根據(jù)果園管理需要確定圖像獲取時間，在一定圖像采集條件，采用便攜式圖像采集設(shè)備在確定的時間采集待測產(chǎn)果樹的圖像；
[0006]S2:根據(jù)圖像特點進行果實區(qū)域識別；
[0007]S3:根據(jù)圖像特點進行樹葉區(qū)域識別；
[0008]S4:提取果實區(qū)域及樹葉區(qū)域的特征作為果樹樹冠特征；
[0009]S5:將果樹樹冠特征輸入人工神經(jīng)網(wǎng)絡(luò)測產(chǎn)模型對果樹的產(chǎn)量進行預(yù)測。
[0010]進一步地，所述步驟SI在特定的果實生長期拍攝果樹單面圖像，果樹整個樹冠應(yīng)包含于所攝圖像中，圖像拍攝時樹后放置白色幕布作為背景。
[0011]進一步地,所述步驟S2包括步驟:
[0012]S21:分析圖像中不同物體的顏色特征、形狀特征及紋理特征。
[0013]S22:根據(jù)步驟一的分析，得出能夠從圖像中識別出果實區(qū)域的限定條件；
[0014]S23:根據(jù)步驟二中的限定條件得到果實區(qū)域圖像。
[0015]進一步地,所述步驟S3包括步驟:
[0016]S31:從果樹圖像中減去果實區(qū)域圖像得到樹葉區(qū)域初始圖像；
[0017]S32:去除樹葉區(qū)域初始圖像中的背景，得到樹葉區(qū)域無背景圖像；
[0018]S33:去除樹葉區(qū)域無背景圖像中的枝干。
[0019]更進一步地，所述步驟S31具體為:將果實區(qū)域圖像中像素的R值大于O的，在蘋果樹圖像中將相應(yīng)的像素R、G、B值置為0，得到樹葉區(qū)域的初始圖像；所述步驟S32具體為:利用RGB顏色模型中的G、B分量，計算圖像中每個像素點的G-B值，差值小于10的像素屬于背景區(qū)域，以此去除背景；所述步驟S33具體為:將RGB顏色空間轉(zhuǎn)換到HSI空間，樹葉的H值與枝干的H值有較大差別，采用OSTU自動閾值分割算法，分割出樹葉區(qū)域。
[0020]進一步地，所述步驟S4包括步驟:
[0021]S41:計算圖像總面積；
[0022]S42:統(tǒng)計果實區(qū)域個數(shù):
[0023]S43:計算果實區(qū)域比重；
[0024]S44:計算小面積果實區(qū)域比重；
[0025]S45:計算樹葉區(qū)域比重；
[0026]S46:設(shè)定果實生長期參數(shù)值。
[0027]其中，所述步驟S41中:統(tǒng)計圖像的總的像素數(shù)，作為其面積。
[0028]其中，所述步驟S42中:在果實區(qū)域圖像中，包含若干個果實區(qū)域(其中一個果實區(qū)域?qū)?yīng)一個果實或一個果實簇)，對圖像中的果實區(qū)域個數(shù)進行計數(shù)，具體步驟如下:
[0029]步驟一:將果實區(qū)域圖像二值化；
[0030]步驟二:采用鄰域法標(biāo)記果實區(qū)域；
[0031]步驟三:統(tǒng)計得到果實區(qū)域的總個數(shù)。
[0032]其中，所述步驟S43中:在果實區(qū)域二值圖像中，統(tǒng)計非O像素個數(shù)，作為果實區(qū)域總面積；果實區(qū)域比重=果實區(qū)域總面積/圖像總面積。
[0033]其中，所述步驟S44中:小面積果實區(qū)域比重=小面積果實區(qū)域總面積/圖像總面積；所述小面積果實區(qū)域為果實區(qū)域面積小于圖像總面積的0.2%的果實區(qū)域。
[0034]其中，所述步驟S45具體為:將樹葉區(qū)域圖像二值化；在二值圖像中，統(tǒng)計非O像素個數(shù)，作為樹葉區(qū)域面積；樹葉區(qū)域比重=樹葉區(qū)域面積/圖像總面積。
[0035]其中，所述步驟S46中果樹生長期參數(shù)值根據(jù)人工神經(jīng)網(wǎng)絡(luò)測產(chǎn)模型中生長期的設(shè)置值設(shè)置。
[0036]進一步地，所述步驟S5將從果樹圖像中提取的樹冠特征作為估測果樹產(chǎn)量的依據(jù)；以果實區(qū)域的個數(shù)、果實區(qū)域比重、小面積果實區(qū)域比重、樹葉區(qū)域比重以及果實生長時期為人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入，果樹的預(yù)測產(chǎn)量(公斤/樹)為輸出。
[0037]本發(fā)明的有益效果在于:
[0038]本發(fā)明提供了一種果園內(nèi)蘋果早期產(chǎn)量預(yù)測方法，該方法利用圖像處理及識別技術(shù)與人工智能技術(shù)的有效結(jié)合，彌補了單純利用圖像處理及識別技術(shù)進行預(yù)測的不足，從而能夠較準(zhǔn)確的在早期對果園內(nèi)蘋果的產(chǎn)量進行預(yù)測。這種方法，相較目前果園內(nèi)現(xiàn)行的預(yù)測方法，更加客觀，更加高效。
【專利附圖】

【附圖說明】
[0039]圖1為本發(fā)明實施例所述果樹產(chǎn)量預(yù)測流程圖；
[0040]圖2為本發(fā)明實施例所述樹葉區(qū)域識別流程圖；
[0041]圖3為本發(fā)明實施例所述樹冠特征提取流程圖；
[0042]圖4為本發(fā)明實施例所述蘋果早期產(chǎn)量預(yù)測模型示意圖?！揪唧w實施方式】
[0043]以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0044]實施例1
[0045]以果園內(nèi)嘎啦蘋果樹為例，來說明本發(fā)明的測產(chǎn)過程。本實施例中果園位于德國波恩大學(xué)Klein Altendorf實驗果園，實施例中所涉及果樹為標(biāo)號170的蘋果樹,果園內(nèi)蘋果樹南北成行，果樹西邊較東邊受陽光照射充足。對170號蘋果樹在其生理落果期完成約
1.5個月后，進行測產(chǎn)，過程需要以下幾個步驟:
[0046]S1:獲取待測產(chǎn)果樹圖像
[0047]步驟一:確定圖像獲取時間，本實施例中圖像采集于2010年8月19日。
[0048]步驟二:圖像獲取時，避免強烈光照，樹后放置長2米，高1.5米白色布幕作為背景。拍攝角度為距離果樹1.7米，距地高度1.2米，并且垂直于果樹種植方向。
[0049]步驟三:使用Cannon PowerShot SX110ISS數(shù)碼相機,在自動對焦情況下拍攝果樹圖像，圖像尺寸為2112X2816。
[0050]S2:圖像中果實區(qū)域識別處理，具體步驟如下:
[0051]步驟一:讀入原圖像，縮小其尺寸到512X683。
[0052]步驟二:在RGB顏色空間中，采用剖線圖法分析步驟二中提到的圖像中不同物體的各顏色分量的波動特性。
[0053]步驟三:根據(jù)步驟二的分析，采用顏色分量差分析法，得出界定圖像中的果實區(qū)域的條件。滿足紅藍色差R-BMO并且紅綠色差G-R〈20兩個條件的像素均屬于果實區(qū)域，非果實區(qū)域像素的R、G、B值均置O。
[0054]步驟四:將圖像轉(zhuǎn)為灰度圖像，采用3X3的中值濾波器去除孤立點噪聲。
[0055]步驟五:對圖像進行開運算處理，結(jié)構(gòu)元素采用圓盤結(jié)構(gòu)，其半徑為2，平滑圖像中各區(qū)域的輪廓，斷開狹窄的連接。
[0056]步驟六:經(jīng)步驟五處理后得到的蘋果區(qū)域?qū)?yīng)到原圖像中，得到蘋果區(qū)域的RGB圖像。
[0057]S3:圖像中樹葉區(qū)域識別，其具體方案如圖2所示。
[0058]S31:將果實區(qū)域圖像中像素的R值大于O的，在蘋果樹圖像中將相應(yīng)的像素R、G、B值置為0，得到樹葉區(qū)域的初始圖像。
[0059]S32:在RGB顏色空間分析樹葉區(qū)域初始圖像中白色背景與樹的各顏色分量的波動情況，若像素的綠藍色差值G-B〈10，判定像素屬于白色背景區(qū)，將像素的R、G、B值分別置0，從而得到樹葉區(qū)域的無背景圖像。
[0060]S33:利用RGB顏色空間到HIS顏色空間的轉(zhuǎn)換公式，得到樹葉區(qū)域無背景圖像的HIS 圖。
[0061]S34:分析圖像的H分量、I分量和S分量的波動性及直方圖。
[0062]S35:根據(jù)步驟四的分析，利用OSTU自動閾值法，分割圖像的H分量，可將圖像分成兩部分:樹干及樹枝區(qū)域與樹葉區(qū)域，將樹干及樹枝在樹葉區(qū)域無背景圖像中的部分的像素值的R、G、B值置O。
[0063]S4:提取蘋果樹樹冠的特征，其具體方案如圖3所示。
[0064]S41:統(tǒng)計圖像中總的像素個數(shù)，作為圖像的總面積，其大小為=512X683=349696。[0065]S42:在果實區(qū)域圖像中，包含若干個蘋果區(qū)域，其中一個蘋果區(qū)域?qū)?yīng)一個蘋果或一個蘋果簇，對圖像中的果實區(qū)域個數(shù)進行計數(shù)，具體步驟如下:
[0066]步驟一:將果實區(qū)域圖像二值化，二值化閾值設(shè)置為O ;
[0067]步驟二:采用8鄰域法標(biāo)記二值圖像中的對象；
[0068]步驟三:統(tǒng)計標(biāo)記對象的個數(shù)為65，其作為果實區(qū)域的總個數(shù)。
[0069]S43:在果實區(qū)域二值圖像中，統(tǒng)計非O像素個數(shù)為9408，即果實區(qū)域總面積為9408。果實區(qū)域比重=果實區(qū)域總面積9408/圖像總面積349696=0.0269。
[0070]S44:計算圖像中只對應(yīng)一個蘋果的蘋果區(qū)域的面積的總和，具體步驟如下:
[0071]步驟一:圖像總面積349696X0.2% ^ 700,蘋果區(qū)域圖像中小于700的區(qū)域即為小面積蘋果區(qū)域；
[0072]步驟二:計算S42中標(biāo)記圖像中每個對象的面積，對面積小于700的面積進行累加，得到小面積蘋果區(qū)域的總面積7785。
[0073]步驟三:果實區(qū)域比重=小面積果實區(qū)域的總面積7785/圖像總面積349696 ^ 0.0223。
[0074]S45:計算樹葉區(qū)域的總面積,具體步驟如下:
[0075]步驟一:將樹葉區(qū)域圖像二值化，二值化閾值設(shè)置為O。
[0076]步驟二:在二值圖像中，統(tǒng)計非O像素個數(shù)216673，即樹葉區(qū)域面積為216673。
[0077]步驟三:樹葉區(qū)域比重=樹葉區(qū)域總面積216673/圖像總面積349696 ^ 0.6196。
[0078]S46:果實生長期參數(shù)值設(shè)為0.5。
[0079]S5:利用BP神經(jīng)網(wǎng)路蘋果早期測產(chǎn)模型進行測產(chǎn)，如圖4所示。
[0080]將果實區(qū)域個數(shù)65、果實區(qū)域比重0.0269、小面積果實區(qū)域比重0.0223、樹葉區(qū)域比重0.6196以及果實生長時期0.5輸入模型，得到輸出為22.09，即對此蘋果樹的預(yù)測產(chǎn)量為22.09公斤。其中BP神經(jīng)網(wǎng)絡(luò)蘋果早期產(chǎn)量預(yù)測模型可以預(yù)測果樹三個時期的產(chǎn)量:果樹生理落果結(jié)束時，果樹生理落果結(jié)束1.5個月后，果實收獲前2周。三個果樹生長期對應(yīng)的參數(shù)值分別為0、0.5、1 ;該模型依據(jù)2009年果園內(nèi)150棵果樹在此三個時期的圖像，以每棵果樹每個時期圖像中的果實區(qū)域個數(shù)、果實區(qū)域比重、小面積果實區(qū)域比重、樹葉區(qū)域比重以及果實生長時期為輸入，以每棵的果樹實際產(chǎn)量(公斤/樹)目標(biāo)進行訓(xùn)練而得到。該模型為三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(輸入層、隱含層、輸出層)，輸入層5個神經(jīng)元、輸出層I個神經(jīng)元，中間層神經(jīng)元個數(shù)11。中間層神經(jīng)元傳遞函數(shù)采用正切S形函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用線形函數(shù)。
[0081]雖然，上文中已經(jīng)用一般性說 明及具體實施方案對本發(fā)明作了詳盡的描述，但在本發(fā)明基礎(chǔ)上，可以對之作一些修改或改進，這對本領(lǐng)域技術(shù)人員而言是顯而易見的。因此，在不偏離本發(fā)明精神的基礎(chǔ)上所做的這些修改或改進，均屬于本發(fā)明要求保護的范圍。
【權(quán)利要求】
1.一種果樹產(chǎn)量早期預(yù)測的方法，其特征在于，包括步驟: S1:根據(jù)果園管理需要確定圖像獲取時間，在一定圖像采集條件，采用便攜式圖像采集設(shè)備在確定的時間采集待測產(chǎn)果樹的圖像； 52:根據(jù)圖像特點進行果實區(qū)域識別； 53:根據(jù)圖像特點進行樹葉區(qū)域識別； 54:提取果實區(qū)域及樹葉區(qū)域的特征作為果樹樹冠特征； S5:將果樹樹冠特征輸入人工神經(jīng)網(wǎng)絡(luò)測產(chǎn)模型對果樹的產(chǎn)量進行預(yù)測。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟SI在特定的果實生長期拍攝果樹單面圖像，果樹整個樹冠應(yīng)包含于所攝圖像中，圖像拍攝時樹后放置白色幕布作為背景。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3包括步驟: 531:從果樹圖像中減去果實區(qū)域圖像得到樹葉區(qū)域初始圖像； 532:去除樹葉區(qū)域初始圖像中的背景，得到樹葉區(qū)域無背景圖像； 533:去除樹葉區(qū)域無背景圖像中的枝干。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟S31具體為:將果實區(qū)域圖像中像素的R值大于O的，在蘋果樹圖像中將相應(yīng)的像素R、G、B值置為O，得到樹葉區(qū)域的初始圖像；所述步驟S32具體為:利用RGB顏色模型中的G、B分量，計算圖像中每個像素點的G-B值，差值小于10的像素屬于背景區(qū)域，以此去除背景；所述步驟S33具體為:將RGB顏色空間轉(zhuǎn)換到HSI空間，樹葉的H值與枝干的H值有較大差別，采用OSTU自動閾值分割算法，分割出樹葉區(qū)域。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S4包括步驟: 541:計算圖像總面積； 542:統(tǒng)計果實區(qū)域個數(shù): S43:計算果實區(qū)域比重； 544:計算小面積果實區(qū)域比重； 545:計算樹葉區(qū)域比重； 546:設(shè)定果實生長期參數(shù)值。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S43中:果實區(qū)域比重=果實區(qū)域總面積/圖像總面積。
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S44中:小面積果實區(qū)域比重=小面積果實區(qū)域總面積/圖像總面積；所述小面積果實區(qū)域為果實區(qū)域面積小于圖像總面積的0.2%的果實區(qū)域。
8.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S45具體為:將樹葉區(qū)域圖像二值化；在二值圖像中，統(tǒng)計非O像素個數(shù)，作為樹葉區(qū)域面積；樹葉區(qū)域比重=樹葉區(qū)域面積/圖像總面積。
9.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述步驟S46中果樹生長期參數(shù)值根據(jù)人工神經(jīng)網(wǎng)絡(luò)測產(chǎn)模型中生長期的設(shè)置值設(shè)置。
10.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S5將從果樹圖像中提取的樹冠特征作為估測果樹產(chǎn)量的依據(jù)；以果實區(qū)域的個數(shù)、果實區(qū)域比重、小面積果實區(qū)域比重、樹葉區(qū)域比重以及果實生長時期為人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入，果樹的預(yù)測產(chǎn)量為輸出。
【文檔編號】G06K9/62GK103793686SQ201410020528
【公開日】2014年5月14日 申請日期:2014年1月16日 優(yōu)先權(quán)日:2014年1月16日
【發(fā)明者】孫宇瑞, 程洪, 孟繁佳, 程強 申請人:中國農(nóng)業(yè)大學(xué)