计算机和电子技术在农业中应用---毕业论文之外文翻译.doc

计算机和电子技术在农业中应用---毕业论文之外文翻译.doc

《计算机和电子技术在农业中应用---毕业论文之外文翻译.doc》由会员分享，可在线阅读，更多相关《计算机和电子技术在农业中应用---毕业论文之外文翻译.doc（13页珍藏版）》请在冰豆网上搜索。

1312

计算机和电子技术在农业中应用

在受控环境中用计算机视觉检测生菜缺乏钙症的植物功能

DavidStory，MuratKacira，LinglingAn，ChieriKubota，AliAkoglu

DavidStory,MuratKacira，LinglingAn，亚利桑那大学农业和生物系统工程，1177E.第四街，Shantz大厦403室，图森，AZ85721，美国；

ChieriKubota，亚利桑那大学植物科学院，1140E.南校区驱动，“福布斯”大厦303室，图森，AZ85721，美国；

AliAkoglu，亚利桑那大学电气和计算机工程，1230E.赛道大道，图森，AZ85721，美国。

文章信息

收到初稿于2010年2月10日

修订于2010年7月15日

定稿于2010年8月19日

摘要

常规的温室环境条件是通过观察确定的。

然而，破坏性或侵入性的接触式测量对实时监测和控制的应用领域是不实际的。

在冠层区域中，机器视觉有辨别产生应激和引导样品识别应激源的潜力。

机器视觉引导下的植物感应和监控系统是在温室条件下利用生长的生菜作物颜色和形态的变化，以此来检测钙缺乏。

机器视觉系统主要包括两个部分组成：

一个机器人摄像头定位系统和图像处理模块。

机器视觉系统中提取的植物特征来确定植物整体的生长和健康状况，包括顶部的预测冠层区域（TPCA）作为形态学特征；红，绿，蓝（RGB）和色调，饱和度，亮度（HSL）的颜色值作为颜色特征;熵，能量，对比度和均匀度作为质地特征。

机器视觉导引系统能够自主地提取植物形态，质地和时态的特征。

由此开发的方法比可视化的人类视觉应激检测早一天确定生菜植物的钙缺乏。

该方法通过提取的植物特征，TPCA，能量，熵和均匀度，在及时发现生菜作物缺钙状况中是最有前途的研究。

PublishedbyElsevierB.V.

关键词：

图像处理生菜机器视觉营养缺乏实时作物监控

1.简介

可控环境农业（CEA）是一个综合科学园艺技术与工程的方法，以达到使作物生长在受控环境的目的，否则生长在未受控的环境可能不利于农业的效益。

与开放式场地种植生菜相比，CEA系统的产量更清晰，而且有更可靠的可用于消费的食品。

在CEA系统中植物可水培，能够更好地控制害虫和预防疾病。

温室也可以部署在任何地方，使新鲜农产品种植能够全年给消费者，减少长途运输的需要。

浮动的水培系统（FHS）是一种常用的生菜生产技术。

在这个系统中，植物浮在一个特定的充满着含氧营养的池塘之上，可控制温度和吸收营养物质。

这类型的系统节省空间，并消除了不断的浇水，施肥，农药喷洒的必要性。

这种水培系统生菜植物典型的生长范围是每次收获约38株（生菜手册，康奈尔大学，2004年）。

假设从种子到收获为40天的周期，就每年约9个收获周期而言，意味着该植物生产速度为每年342株。

相比之下，开放式生菜生产每次收获的产量大约6.5株（桑德斯，2001年;Jackson等人，1996年），且收成是有限的生长季节约有6个月;每年生产周期为5时的收成只有32.5株。

因此，FHS可提供一个更有效地利用土地和资源，在一个较小的种植面积产生更高价值的方案。

这种水培系统的缺点是，种植者无法实现在所有范围的生长空间监察生菜作物的状态。

这样一个问题，需要密切监测生菜干烧心，抑制钙转移到幼叶区域的环境条件。

到这些症状都是清晰可见的时候，植物不可挽回的损害也许已经产生，这降低了该植物整体的市场价值。

自动化和机械化的效率，生产率和质量生产，处理和加工是任何生产系统的关键因素。

CEA系统的效率和生产率（使用从机械化，自动化和机器人应用的智能技术）使美国保持竞争力，在全球市场为美国经济做出贡献（CSREES，2007年）。

潜在问题的早期发现和有效处理方法，像生菜干烧心，可以提高资源的利用（Leinonen和Jones，2004年;Boissard等人，2008年；Jansen等人，2010年），植物生产效率（Ling等人，1996年）和植物质量（Linker和Seginer，2003年），从而形成一个可持续发展，可控环境的植物生产体系。

在传统的温室生产中，生长条件是基于人工的观察或预设的环境参数，而不是着眼于植物在特定时期的特定需求。

接触式传感通常用来确定植物的物理特征，过程繁琐，劳动密集，往往是极具伤害的。

利用机器视觉的非接触式传感可确定植物的整体状况，并确定一株植物的特定需求。

这种智能化控制水平的温室培养将更有效地利用资源和生产能量，并最终提高植物的质量，同时降低消费者的成本。

这种类型的监测需要的一些机器视觉应用技术已经被开发出来。

例如，Hetzroni等人（1994年）用神经网络和统计分类，以植物大小，颜色和个别生菜植物的光谱特征等条件确定植物营养缺乏（铁，锌和氮）。

该研究报告指出，早期的生菜植物的营养缺乏易被察觉，但症状并不容易预见，直到缺乏的时间长达正常生长2周以上。

他们指出对照组和处理组相比，绿色分量的减少，红色成分增加是由于生菜植物缺氮后的黄化病。

这份报告指出，分类单个像素到分类整株植物对于鉴定植物状态是必需的。

Ling等人（1996年）用生菜叶的光谱和形态学特征检测营养缺乏。

这项研究表明，反射率为415到720nm之间的波段，可以用来作为一个机器视觉实现的信号波段。

越靠近可见的波段越好，因为它提供了较佳的信号强度。

该研究还提出使用多个信号进行植物水分和养分的应激检测的可能性，使用机器视觉系统可以判断从缺乏开始的“正常”生长和植物状态的偏差。

Meyer等人（1992年）使用机器视觉系统检测单叶和一品红枝叶，报告说归一化差异指数可提供从健康植株辨别氮缺乏的最好方法。

种植在温室和增长室的低氮植物表现出类似的红色反射（0.7-0.75米）增加，但由于植物不同数量的冠层覆盖，故有不同程度的近红外反射。

以前关于机器视觉和传感的努力是成功地监控一片叶，（Seiner等人，1992年；Meyer等人，1992年；Shimizu和Heinz，1995年；Revollon等人，1998年）或一株单一植物（Hetzroni等人，1994年；KarateandYan，1996年；Murase等人，1997年；Kacira等人，2002年；ChangyingandGuanghui，2003年）以确定植物的状态。

但是，监测作物和从作为冠层的作物取样对大型系统更加有用（Leinonen和Jones，2004年；Ushada等人，2007年；Hendrawan和Murase,，2009年）。

此外，在商业环境中，开发一个多传感器平台，用于实时监控植物冠层健康（成长）和质量的系统是可取的。

在移动冠层上配备一个人工传感系统光源和多传感器的平台可以实现这一目的。

这种系统可用于检测生长及发展的正常偏差和作物应激（如营养缺乏或疾病）。

目前的研究目标是：

（1）通过机器视觉系统制定一个使用形态，质地和时态的植物特征，自动非接触监测植物的健康成长的方法；

（2）在早期检测温室种植生菜作物与钙缺乏有关的干烧心症状时，评估该方法的能力。

2.材料和方法

开发的机器视觉引导系统为使植物在CEA中健康成长使用的监控系统（Story等人，2008年）（图1所示）。

目前论文报告了该系统的图像处理能力和数据解释模块，和尽早发现缺钙引起的干烧心症状的方法。

该系统包括机器人相机定位模块，图像采集/处理模块和数据分析/存储模块（Story等人，2008年）。

图1机器视觉引导的植物监测系统

2.1图像采集系统

一个8位的CCD彩色摄像机（KP-D20AU，日立，日本东京）变焦镜头（M6Z1212-3S，COMPUTAR，康马克，纽约）连接到机器人XY定位系统的摇架。

系列LED（LDR290SW2，CCS，日本京都）被用来连接到加大对重点区域的光均匀的相机。

这整个相机系统通过图像采集板机连接到一个远程机器（CronosPlus，Matrox，加拿大魁北克省）。

机器视觉系统的功能流程如下：

首先，一台主机计算机从数据库列表检索目标的位置，这个系统然后将信号发送到远程的机器视觉系统指定图像采集系统位置。

相机定位在集装箱中心后（感兴趣的重点区域），采取5个连续的影像并进行平均分析。

图像平均是用来减少随机电子效应噪音和减少风或其他外部干扰等会导致植物移动的因素。

平均图像被用来作为代表在植物冠层瞬间时刻的原始图像。

因此，分析集装箱内一个单一冠层的植物的具体特征。

捕获的图像尺寸为640×480像素，并进行了作为原始位图图像的分析。

植物健康监控系统程序用VB.NET语言编写在微软的VisualStudio2005中。

有些人使用的图像处理工具来自AForge.NET库。

2.2图像处理与模式识别

从检索到的原始图像中，感兴趣的区域（植物冠层）通过图像分割过程中提取，植物的前景从背景中提取出来。

由此产生的单色图像（黑色背景上的白色前景）为代表的植物的顶部预测冠层区域（TPCA）。

图像中的白色像素数量代表植物的区域（形态特征）。

动态提取BLOB图像转换，使所有的白色区域是透明的，这个新图像覆盖原始图像。

所有黑色区域上提取的BLOB图像覆盖原始图像的背景。

这允许植物局部成为可见。

这种集中的植物图像被用来计算植物的颜色特征。

所有的彩色像素平均共同确定植物的整体颜色，以下特征：

红，绿，蓝（RGB），色调，饱和度，亮度（HSL）和色彩亮度可从颜色中辨别。

颜色的亮度值是一个数值，表示色彩对人眼的亮度（Bezryadin等人，2007年）。

灰度共生矩阵可用来捕捉依赖感知纹理灰度值的空间（Jain等人，1995年）。

由于图像依赖纹理方向，四个不同的矩阵计算基于不同角度的像素相关性（0，45，90和135），每个矩阵通过概率密度函数运行计算出不同的纹理参数。

分析聚焦图像颜色特征后即可提取结构特征。

在一次实验中，确定了21个纹理参数（郑等人，2006年）。

然而，另一份报告显示，只有四个纹理参数对确定植物健康状态的熵，能量，对比度和均匀度有用（Ushada等人，2007年）。

2.3钙缺乏感应实验装置

亚利桑那大学的可控环境农业中心建造了一个研究植物生长系统的中心（图森，亚利桑那州）。

研究温室的尺寸为14.6米（长）×7.3米（宽）×2.0米（高）。

脊的高度2.7米。

温室覆盖双聚碳酸酯玻璃，配备垫板和蒸发冷却风扇系统，气候控制系统自动保持所需的气候设定点。

通过数据记录仪（21X，坎贝尔科学，洛根，UT斯达康）和国家仪器公司的区域—点数据采集系统（FieldPoint，国家仪器，德克萨斯州奥斯汀市）收集环境参数。

连接到坎贝尔数据记录仪的一个LI-COR量子传感器（LI190SB，坎贝尔科学，洛根，UT）被放置在冠层高度，一个坎贝尔温度和相对湿度探头（维萨拉HMP50L，坎贝尔科学，洛根，UT）挂在温室屋顶，即植物冠层上方约1m处。

连接到NI数据采集系统的是维萨拉碳二氧化碳传感器和变送器（GMT222，维萨拉公司，沃马），固定在植物冠层高度的温室墙体上。

在实验过程中，棚内温度设置为白天25（14小时）和夜间20（10小时）。

实验包括分成两组的12集装箱。

每个组有三个对照容器和三个治疗容器。

每个集装箱内有4株生菜植物（生菜CV，Buttercrunch）。

根区环境均保持在pH值6.0，EC值为2.0DS，温度为20。

治疗营养液中的钙缺乏导致干烧心。

拆除氯化钙和硝酸钠置换硝酸钙引起了这种缺乏。

最初，所有12个集装箱有6天的控制养分液，机器视觉系统检测植物的类似趋势。

然后，处理组开始了钙缺乏。

实验持续直到所有的处理组植物出现干烧心。

营养液每3天更换一次以使根区保持在适当的营养水平。

一组三个处理和三个未经处理的