發(fā)布時間：2020-11-20 22:30

　　 我國作為農(nóng)業(yè)大國,隨著人口的增加及耕地面積的減少,保障作物產(chǎn)量及品質(zhì)越來越重要。作物表型指作物表現(xiàn)出來的性狀特征,測量作物表型是監(jiān)測作物生長狀態(tài)的基礎(chǔ),進而確保作物產(chǎn)量及品質(zhì)。傳統(tǒng)表型參量測量方法如人工測量及利用傳感器接觸性測量存在主觀性強、重復(fù)性低及對作物有損等缺點。而基于圖像處理技術(shù)對作物進行三維信息恢復(fù)并測量其表型參量不僅具有無損性和可重復(fù)性的優(yōu)點,而且測量結(jié)果更為準(zhǔn)確。本文針對作物表型精準(zhǔn)測量研究目的,同時綜合考慮成本性及實用性,基于圖像處理技術(shù)開發(fā)了一套無損精準(zhǔn)測量作物表型參量的測量系統(tǒng),用于在作物生長期間監(jiān)測其生長狀態(tài)。文中以常見作物中的辣椒為實驗對象,利用雙目立體視覺模型采集作物圖像,結(jié)合相機標(biāo)定、圖像對立體匹配、視差圖優(yōu)化、作物分割幾方面的方案設(shè)計,通過恢復(fù)作物的三維空間信息實現(xiàn)對其表型參量的測量。主要研究內(nèi)容如下:對目標(biāo)視野大小與測量精度要求等條件綜合考慮進行了相機與鏡頭的選型后,搭建雙目立體視覺系統(tǒng)進行圖像采集。對空間到圖像坐標(biāo)系的轉(zhuǎn)換進行了推導(dǎo),并對多種相機標(biāo)定法分析其優(yōu)缺點后選擇張正友標(biāo)定法進行相機標(biāo)定,標(biāo)定結(jié)果誤差小于0.1像素,最后對造成誤差的原因進行了分析。針對SAD(Sum of Absolute Differences)算法在簡單紋理處匹配效果差與Census變換算法整體匹配精度不高的問題,采用二者結(jié)合作為匹配代價進行立體匹配,并結(jié)合左右一致性檢測、中值濾波、視差填補方法實現(xiàn)視差圖的進一步優(yōu)化,匹配結(jié)果滿足后續(xù)研究需要。針對作物整體的分割,利用歸一化的顏色分量計算顏色因子進行灰度化后結(jié)合固定閾值分割與小面積連通域刪除實現(xiàn),實驗結(jié)果表明該方法能將作物從復(fù)雜背景下完整分割出,且分割結(jié)果受光照影響較小。針對單株作物的分割,提出對視差圖進行閾值分割,以實現(xiàn)待測作物與其他作物的分割,實驗結(jié)果表明當(dāng)前后作物之間具有一定距離的情況下可以完整的將前方待測量作物從多株作物中分割出來。該方法為在現(xiàn)場實際應(yīng)用中針對單株作物的表型參量測量提供了解決思路。通過推導(dǎo)出的三維坐標(biāo)計算公式得到作物點云圖,驗證了該方法對二維到三維轉(zhuǎn)換的可靠性。設(shè)計了作物表型參量提取與測量方法:株高株寬選取作物關(guān)鍵點之間的距離進行計算,莖夾角通過形態(tài)學(xué)運算將作物的莖提取出來并細化得到其骨架,對骨架像素的三維坐標(biāo)直線擬合進行計算。測量結(jié)果與人工測量結(jié)果相比,三者的測量誤差均在2%以內(nèi)。最后通過對不同測量距離、不同拍攝角度的同株作物以及不同生長環(huán)境的多株作物進行表型參量測量實驗,實驗結(jié)果表明該測量系統(tǒng)的測量結(jié)果準(zhǔn)確,且可以較好地實現(xiàn)在作物生長期間對其生長狀態(tài)進行跟蹤性監(jiān)測功能。之后對系統(tǒng)的搭建及測量效率進行分析。本系統(tǒng)實現(xiàn)了作物表型參量的無損自動精確測量與生長狀態(tài)監(jiān)測功能,其中多株作物的分割功能為實際應(yīng)用中的待測作物分割提供了解決思路。同時系統(tǒng)中的三維測量功能也對其他種類作物是通用的,表型參量提取方法也為具有相似結(jié)構(gòu)作物的表型測量提供了借鑒價值。
【學(xué)位單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.41;S126
【部分圖文】：

1緒論5圖1-1技術(shù)路線框圖Fig.1-1Technicalroutediagram首先經(jīng)過相機與鏡頭的選型后搭建雙目立體視覺系統(tǒng)，左右相機分別采集作物圖像。隨后采用張正友標(biāo)定法進行相機標(biāo)定，以得到相機的內(nèi)部參數(shù)與兩相機之間的位置旋轉(zhuǎn)平移位置關(guān)系。為提高測量效率，在匹配前對待匹配圖進行掩模處理，只匹配作物存在的區(qū)域，減少運算量。分析不同基元的匹配算法適用的場景，選擇區(qū)域立體匹配算法。通過實驗分析不同局部匹配代價的優(yōu)缺點后，采用多種算法結(jié)合作為匹配代價，得到致密視差圖。同時基于顏色分量組合的方法進行作物整體分割，并根據(jù)視差分割出最前方的單株作物。通過提取作物關(guān)鍵點進行表型參量的提取與測量，并選取標(biāo)準(zhǔn)形狀物體與多株作物對本測量方法的可靠性及測量準(zhǔn)確性進行驗證。最后通過對不同生長環(huán)境下多株作物的表型參量進行連續(xù)性測量以期實現(xiàn)生長監(jiān)測的目的。1.4論文研究內(nèi)容及章節(jié)結(jié)構(gòu)安排本文主要的研究內(nèi)容為基于圖像處理技術(shù)實現(xiàn)對作物的表型參量進行測量，進而對作物生長狀態(tài)進行監(jiān)測，保障作物最終產(chǎn)量與品質(zhì)。以常見作物中的辣椒為實驗對象，根據(jù)場景需求的分析，選擇合適性能的相機與鏡頭，搭建雙目立體視覺系統(tǒng)。通過作物圖像采集、單雙目相機標(biāo)定、作物圖像對立體匹配、目標(biāo)作物分割、表型參量提取與三維測量六個方面結(jié)合達到研究目的，最后進行多樣本實驗以驗證其測量結(jié)果的準(zhǔn)確性及可靠性，并對不同生長環(huán)境下的多株作物表型進行跟蹤測量，達到作物生長狀態(tài)監(jiān)測的目的。根據(jù)主要研究內(nèi)容，本文的章節(jié)安排如下：第一章是緒論。分別介紹研究背景和研究作物表型參量測量的意義，隨后闡述國內(nèi)外針對表型測量相關(guān)研究的發(fā)展現(xiàn)狀。之后針對作物表型測量這個研究目的給出研究思路與技術(shù)路線，最后對研究內(nèi)容進行介紹，同時說明

2作物圖像采集系統(tǒng)搭建及相機標(biāo)定72作物圖像采集系統(tǒng)搭建及相機標(biāo)定圖像的采集是圖像處理的基礎(chǔ)，本文通過搭建雙目立體視覺系統(tǒng)采集作物圖像。根據(jù)不同的場景與需求，相機鏡頭的選型也不同，滿足一定場景需要的同時也應(yīng)避免性能的冗余。此外，雙目立體視覺系統(tǒng)是根據(jù)兩臺相機之間的相對位姿來進行二維圖像與三維空間之間的轉(zhuǎn)換。為實現(xiàn)這一目的不僅要依據(jù)成像模型對坐標(biāo)系之間的轉(zhuǎn)換進行推導(dǎo)，同時也要得到相機的內(nèi)部參數(shù)與兩臺相機之間的外部參數(shù)，這一步驟即為相機的標(biāo)定。本章將從設(shè)備選型、系統(tǒng)搭建、成像模型與坐標(biāo)轉(zhuǎn)換、相機標(biāo)定四個方面進行論述，對搭建好的系統(tǒng)進行標(biāo)定實驗，最后對標(biāo)定結(jié)果及標(biāo)定誤差原因進行分析，為后續(xù)的一系列實驗研究打下基矗2.1雙目立體視覺系統(tǒng)設(shè)計本文采用的雙目立體視覺系統(tǒng)是通過兩臺相機同時拍攝同一目標(biāo)作物，根據(jù)某一空間點在采集到的兩幅圖中的視差計算出該空間點的三維信息，進而實現(xiàn)整個作物的三維信息恢復(fù)。本文的雙目立體視覺系統(tǒng)包括兩臺參數(shù)相同的工業(yè)相機、兩個鏡頭、一個帶有標(biāo)尺的橫桿。為了采集到滿足研究需求的圖像，需要綜合考慮相機與鏡頭的選型、相機擺放位置、拍攝環(huán)境。2.1.1系統(tǒng)搭建雙目立體視覺模型由兩個相機光軸之間相對位置的不同而分為兩種模式：兩臺相機光軸平行的平行放置模式和光軸相交于一點的會聚式放置模式。為了后期計算方便，本文采用平行放置模式，目標(biāo)作物放置于相機正前方。整個系統(tǒng)包括性能指標(biāo)相同的相機、鏡頭、帶刻度橫桿、筆記本電腦。橫桿用于確保兩臺相機放置于同一水平線的同時還可調(diào)節(jié)基線距離，以適應(yīng)不同大小拍攝場景的需要。圖2-1為本文中搭建的系統(tǒng)實物圖。圖2-1雙目立體視覺系統(tǒng)實物圖Fig.2-1Binocularstereovisionsystem

西安理工大學(xué)碩士學(xué)位論文82.1.2相機選型根據(jù)實驗?zāi)康男枰�，相機的選型需要考慮的主要性能有：（1）傳感器類型，即CMOS相機與CCD相機選擇。二者的工作原理不同，CMOS雖然成像效果距CCD有一定差距，但是具有成本低、功耗低效率高的優(yōu)點。（2）相機分辨率的選擇。相機的分辨率要根據(jù)拍攝精度要求與拍攝視野綜合來考慮。本文主要目的是測量作物的表型參量，為了確保測量精度與準(zhǔn)確度，選擇的相機分辨率不可過校（3）幀率的選擇。此參數(shù)為每秒鐘傳感器曝光次數(shù)，一般針對運動的目標(biāo)有較高的要求。本文中由于拍攝的目標(biāo)為靜止的作物，所以對此參數(shù)不給予太多考慮。在對本文研究目的的綜合考慮之下，本系統(tǒng)選用維視圖像的小尺寸以太網(wǎng)工業(yè)CMOS相機，型號為MV-EM，該相機具有體積孝功耗低的優(yōu)點，適用于本研究的戶外作業(yè)，同時具有圖像質(zhì)量清晰、低噪聲、色彩還原度好、性能穩(wěn)定等優(yōu)點。圖2-2為相機實物圖，表2-1為相機具體性能參數(shù)。圖2-2工業(yè)相機Fig.2-2IndustrialCamera表2-1工業(yè)相機性能參數(shù)表Tab.2-1Tableofindustrialcameraperformanceparameters性能名稱參數(shù)型號MV-EM500C傳感器CMOS分辨率2592×1944幀率15fps鏡頭接口C口光學(xué)尺寸1/2.5像元尺寸2.2μm×2.2μm采集方式GigE千兆以太網(wǎng)輸出由于選擇的相機為千兆網(wǎng)接口，而筆記本電腦只有一個網(wǎng)口，所以一個相機采用usb轉(zhuǎn)千兆網(wǎng)口轉(zhuǎn)換器進行配置。2.1.3鏡頭選型根據(jù)實驗?zāi)康牡男枰�，鏡頭的選取要考慮的主要性能有：（1）對應(yīng)最大CCD尺寸。該參數(shù)要大于或等于相機的靶面尺寸。（2）鏡頭接口。該參數(shù)一般有C、CS、F可供選擇，用于可以和相機正確連接。
【參考文獻】

相關(guān)期刊論文 前5條

1 段濤;侯彤瑜;郭焱;楊宇虹;馬韞韜;徐照麗;;基于三維坐標(biāo)數(shù)據(jù)的煙草植株葉曲線擬合研究[J];中國煙草學(xué)報;2015年06期

2 宗澤;郭彩玲;張雪;馬麗;劉剛;弋景剛;;基于深度相機的玉米株型參數(shù)提取方法研究[J];農(nóng)業(yè)機械學(xué)報;2015年S1期

3 潘映紅;;論植物表型組和植物表型組學(xué)的概念與范疇[J];作物學(xué)報;2015年02期

4 張新;趙燕東;鄭力嘉;Martin Kraft;;基于三維機器視覺的植物葉片萎蔫預(yù)測模型[J];農(nóng)業(yè)機械學(xué)報;2014年09期

5 付代昌;徐立鴻;李大威;辛龍嬌;;基于Kinect的溫室番茄盆栽莖干檢測與分割[J];現(xiàn)代農(nóng)業(yè)科技;2014年03期

相關(guān)博士學(xué)位論文 前4條

1 張德榮;植物表型性狀參數(shù)快速檢測研究[D];浙江大學(xué);2019年

2 胡峰俊;三維離散點云數(shù)據(jù)的預(yù)處理和配準(zhǔn)技術(shù)研究[D];浙江工業(yè)大學(xué);2015年

3 陳彬;實時雙目立體匹配算法研究與實現(xiàn)[D];武漢科技大學(xué);2014年

4 王紅霞;基于3D重建的三維全景成像系統(tǒng)的研究[D];北京科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 吳文華;基于圖像的油菜表型參數(shù)測量方法研究[D];浙江大學(xué);2019年

2 劉歡;基于雙目視覺立體匹配算法的研究與應(yīng)用[D];哈爾濱工業(yè)大學(xué);2018年

3 黃源欣;基于雙目立體視覺的空間深度信息恢復(fù)方法研究[D];哈爾濱工業(yè)大學(xué);2018年

4 韓潔;基于結(jié)構(gòu)光雙目視覺的絕緣子三維重建[D];武漢大學(xué);2018年

5 余寰;多面立體靶標(biāo)的多相機標(biāo)定方法研究[D];合肥工業(yè)大學(xué);2018年

6 巨建肖;基于Kinect傳感器的植物葉片表型測量方法研究[D];南京農(nóng)業(yè)大學(xué);2017年

7 徐慧;基于Kinect的植株特征檢測技術(shù)研究[D];江蘇大學(xué);2017年

8 蔣昂;雙目視覺中立體匹配算法的研究與實現(xiàn)[D];天津工業(yè)大學(xué);2016年

9 何任濤;植物三維信息獲取方法的研究[D];浙江大學(xué);2011年

10 趙星星;基于雙目視覺的高精度立體匹配方法的研究[D];東北大學(xué);2010年

本文編號：2892087