论文部分内容阅读
提取苗期作物生长参数,可为工厂化育苗进行合理温度、湿度、阳光以及营养物配给提供指导依据,为今后优质高产的作物打下坚实的基础。近年来,为进行精准工厂化育苗,基于实时采集的种苗生长参数调整育苗环境成为种苗栽培的研究热点,然而当前种苗生长参数获取方法中存在检测设备昂贵、检测对象和检测指数单一,且部分方法对被检测对象有破坏性等问题。针对上述问题,论文采用廉价的Kinect传感器,研究基于RGB-D(RGB-Depth)数据的苗期作物生长参数无损提取方法,其中提取生长参数有:叶面积、叶颜色、株高。论文主要研究内容和结论如下:(1)利用Kinect V2传感器搭建数据实时采集试验平台。通过PC工作站控制架设于三角支架上的Kinect设备,同步采集苗盘RGB信息流和深度信息流,并采用先写内存、后写磁盘的存储方法来保存采集的幼苗数据,以满足高帧率连续数据的需求。试验表明,在阳光条件较弱的温室大棚,试验平台获取的RGB信息流和对应的Depth信息流的帧率可达30fps(frames per second),采集的数据满足后续数据融合提高精度研究的需求。(2)为去除Kinect采集数据中包含的生长培养基、托盘、三脚架及场景设施等无用信息,提出一种融合有效区域滤波器、深度滤波和领域算子滤波三种滤波的RGB-D数据预处理方法,去除噪声、三脚架、场景设施等无关信息。有效区域滤波器选择选择包含目标的核心区域,而过滤无目标区域;深度滤波器基于Kinect的深度原理滤除背景噪声;邻域算子滤波器则用于去除散乱的小区域噪声点。对采集对象的预处理滤波结果表明,经过三个滤波器的处理,结果数据中只包含研究目标对象。(3)针对预处理后的RGB-D数据中目标对象(蔬菜幼苗)与根生长培养基和托盘(复杂的土壤背景)的分割问题,提出一种基于表面特征直方图的分割方法。方法通过融合坐标、颜色和点局部特征构造39维特征向量,并基于K-means算法实现苗作物与土壤的聚类。该方法在分割过程中,输入初始化参数后完全自动分割,克服了超绿指数的过分割以及通过融合彩色信息改进的SANSAC算法的多参数调整等问题。(4)为实现单株苗作物RGB-D数据提取,采用VCCS+LCCP实现单株苗作物分割。VCCS+LCCP是一种高效无需学习和模型的三维点云对象分割方法,首先对苗作物群体进行过分割构建超体素邻接图,即超像素3D模拟;然后根据两个超体素之间的凹凸关系来分割超体素邻接图实现相似特征体素聚类。方法有效地解决了欧式距离聚类中两个距离较近或重叠的苗期作物被聚类到相同簇中的问题。对分割后的单株苗作物RGB-D数据,提取株高、叶颜色和叶面积。试验结果表明:在单株苗期作物的分割中,对于叶片表面规整的豆芽苗和小白菜苗,其识别正确率可高达100%;对于叶片不规则的生菜苗,其识别正确率可高达95%;对于针叶型的番茄苗,其识别正确率可高达72%。豆芽苗株高的平均测量误差为2.30mm,平均测量相对误差为7.69%,该成果可为苗期作物生长参数的提取提供有效的参考解决方案。