基于图像处理技术的

4
华 中 科 技 大 学 硕 士 学 位 论 文
果对农业灌溉和施肥等方面都具有参考价值
[35]
。冠层大小是判断水稻中期生长状况
的一个关键因素，Singh 根据对水稻图像进行处理测量其冠层大小，从来用来判断水
稻中期的生长情况以及水稻产量的数学模型
[36]
。
图像处理技术在我国农业自动化领域的应用也有很多，从最近几年的一些相关
研究进展来看，主要体现在作物缺素症状识别，杂草识别、作物群体结构检测等方
面，针对于作物发育期进行自动检测的相关研究比较少。徐贵丽
[37]
等提取无图栽培
番茄营养元素亏缺叶片彩色图像的颜色特征，利用图像中不易被肉眼发现的颜色变
化来诊断作物是否缺乏某种或多种营养元素，及早判断和采取相应措施，以减少生
产损失。根据麦田图像色调（Hue）值与中后期麦田中小麦长势显著相关的特点，李
少昆等将图像处理技术与人工神经网络技术（ANN）相结合研究小麦群体绿色面积
和绿色叶面积特征的图像识别方法，对小麦苗情进行自动化快速诊断。该方法也可
用于稻谷等其他作物群体特征及病斑、株型、外观品质等类似目标的识别研究
[38]
。
毛文华等基于对苗期田间植物的位置特征进行的观测和研究，提出了基于计算机视
觉技术的算法 DBW，对苗期田间杂草进行分割和识别
[39]
。
利用数字图像对棉花发育期检测的技术在现有文献中尚未发现。目前的研究主
要集中在利用遥感数据对棉花的长势、面积、产量和生长信息等进行监测。李敏等
人以 CBERS01 和 HJ1B 卫星图像为信息源，选取棉花信息较为突出的时相，经几何
校正、掩膜、图像增强等预处理，在分析研究区典型地物光谱特征的基础上，采用
决策树分类方法提取棉花种植面积，分析棉花生长过程中植被指数的变化规律和棉
花长势的时空变化
[40]
；刘娇娣等人利用植被指数与棉花产量的关系建立了棉花遥感
估产模型，利用多时相遥感数据实现对棉花产量定量遥感预测。以新疆棉花各发育
期的不同卫星数据，构建相关植被指数，并与实际棉花产量进行回归分析，建立了
棉花单产的遥感估算模型，用来预测棉花产量
[41]
。陈燕利用高光谱仪对不同处理下
的棉花冠层进行多时相监测，获取棉花全生育期各种生长信息。基于光谱微分技术
和多种分析算法，研究棉花叶面积指数、生物量、覆盖度与高光谱数据的相关性，
筛选适宜的特征参数和植被指数，以建立棉花全生育期生长信息最佳定量模型
[42]
。3
华 中 科 技 大 学 硕 士 学 位 论 文
领域的时间也比国内早。1989 年 Slaughter D.C
[24]
等就利用图像处理技术，设

计了一
种田间环境下的水果自动摘取机器，虽然实验结果表明其识别率并不高，但这是较
早的将计算机视觉与农业自动化相结合的技术；1995 年，N.Ozer 将计算机视觉技术
应用到水果等级划分中，他将颜色、大小和形状等参数相结合，作为带分级水果的
特征向量，利用训练好的 BP 神经网络进行分类和判别
[25]
。通过实验可以证明其分级
正确率达到 85.1%。Heinemann 将形状特征和 HSV 颜色模型相结合对苹果进行检测，
实验结果表明用颜色模型进行识别的准确率达 100%
[26]
，利用形状特征进行检测的准
确率达 92.3%。由于田间环境的复杂性，作物识别一直以来都是难点。如何将作物从
颜色、形状都十分接近的杂草以及背景中区分开来，对现有的图像处理技术是一项
挑战。Woebbecke
[27]
通过对 RGB 颜色空间中不同通道的组合，构建不同的彩色图像
灰度化因子作为分类指标，如 (G-B)/(R-G)和 2G-R-G 等来区分作物和背景，取得了
良好的效果；Aitkenhead 等通过对叶片和杂草的一些形状特征参数，如紧密度、圆度、
伸长度、叶片形状以及粗糙程度进行描述和观察，发现两者之间有明显的差别，可
以用来作为作物和杂草的区分指标
[28]
。纹理特征作为一种重要的图像线索在作物识
别方面也得到了应用。Majumdar
[29]
等设计了一种基于绿波段的纹理特征模型，利用
该模型对谷物进行分类的识别率可以达到 92%。虽然直接针对于作物发育期进行自
动识别的检测相关研究比较少，但是利用计算机视觉以及模式识别技术进行植物生
长情况监测也是近年来热门的研究课题之一。Trooien
[30]
等利用滤波和分割等图像识
别技术对马铃薯叶片进行分割，根据分割后的叶片图像对马铃薯叶片面积进行了测
量，实验结果证明其测量结果具有相当高的精确度。Seginer I.等研究了西红柿叶子
与其生态因素之间的关系。他发现成熟的西红柿叶子运动状态、缺水状态与其
2
CO 吸
收率之间是呈线性相关的。因此他们利用计算机视觉和图像处理技术来分析和检测
植株叶片生长状况，进而分析出农田的缺水状态，该结果可以用来辅助控制灌溉装
置对农田的水分供给
[34]
。另外，有人利用光谱识别中的 NIR 技术来检测粮粒内害虫
的效果也比较好
[31~33]
。由于缺水和缺氮情况下玉米叶片的颜色会发生变化，Ahmad I.
S.等人利用彩色图像信息识别植株和叶子，从而判断玉米植株的生长营养状况。其结2
华 中 科 技 大 学 硕 士 学 位 论 文
期信息也是农业气象领域关注的重点，通过准确地获取作物的发育的速度和进程等
情况，可以得到各发育期与气象条件之间的关系

，从而对农作物生长发育的农业气
象条件进行分析和鉴定，进而为高产、优质、高效农业服务。不仅在国内，全世界
各国都对作物的发育期都进行了严格地定义与描述，同时还对其进行长期的观测与
记录。
目前为止，作物的发育期信息的获取主要是通过人工观测来实现的。人工观测的
主要方法是通过观测人员按照农业气象观测规范中的定义和描述，对田间作物进行
实地的目测或简单的器测。这种方式在长期的观测实践中存在许多问题：（1）由于
观测样田的地理位置分散，且观测时还需要大量取样和测量，导致了观测人员的工
作强度很大；（2）对观测规范的理解程度不一，导致了观测时会带入较大的人为误
差；（3）人工观测时会对作物及其生长环境产生破坏；（4）不能保证对作物进行观
测的连续性。因此，需要寻找新的途径和方式来对农作物发育期进行自动观测，以
减少劳动成本，提高观测的实时性，准确性和连续性，并避免对作物的破坏。
近年来，计算机视觉技术在自动化农业领域受到了越来越多的关注。作为计算机
视觉领域重要课题之一的图像处理技术，也开始广泛地运用到农业自动化的各个方
面，比如检测害虫
[16~17]
、识别作物病株
[18~19]
，田间杂草的识别
[20~22]
、对作物进行等
级划分
[23]
等。其中的某些领域已经取得较大的研究进展，投入实际的生产过程中，
成为农业自动化的具体应用之一。然而，很少有关于利用图像识别技术直接近距离
对作物发育期进行自动观测的研究。
根据农业气象观测规范中对作物发育期观测的定义和描述，现有的观测规范主要
是根据作物的外部形态变化特点，人工观测记录作物整个生长发育过程中各个发育
期出现的时间。由于图像能够反映作物的实际生长形态变化，因此我们希望利用图
像处理技术来对作物的发育期自动观测技术进行研究。本文以棉花为研究对象，采
用图像处理技术对棉花的出苗期、三真叶期、五真叶期进行自动检测和判别。
1.2 国内外研究现状
计算机视觉和图像处理技术在国外的研究开始得较早，将其应用到农业自动化1.1 论文研究的背景和意义
精准农业（Precision agriculture）又被称作是精确农业，是在 20 世纪 90 年代由
美国明尼苏达大学的土壤学者所提出来的，并作为倡导环境保全型农业的统称。精
准农业是一次基于现代信息技术发展的作物革命，它的确切定义是指根据田间每一
个操作单元的环境条件和作物产量，对各种田间实施操作进行精细而准确的调整，
降低生产成本，从而获得更高的产量和经济效益。精准农业同时也旨在减

少环境污
染，更好地保护农业生态环境和其它农业自然资源
[1]
。
精准农业技术是一种以信息科学为基础，利用传感器技术便捷、精确、实时、
完整地获得农业气象数据的管理系统。它可以根据获取各个农业气象因素在控制农
作物生长过程中的作用及相互之间存在的关系，进行实时且适当的管理决策来控制
田间实施。现代信息技术是精准农业技术中的关键技术，它利用 3S 技术（RS 遥感、
GPS 全球定位系统、GIS 农田信息管理）将土壤和作物信息资料进行整理和分析，
建立一个高时效性和可操作性强的田间管理信息系统。在该田间管理信息系统的基
础上，针对每一块地的具体情况来调节资源的投入量，从而达到增加作物产量、减
少资源投入、保护农业资源和改善环境质量的目的；在农田经营管理决策方面，由
于精准农业可以根据田间作物和环境的不同情况进行田间实施，因此可以在生产投
入、经营利润、资源损耗、生态环境之间达到平衡，实现多种不同的优化目标
[1]
。
精准农业实施的关键基础之一是对作物生长信息以及其生长环境状态进行实
时、准确而全面地提取
[2]
。随着计算机视觉技术的发展，在对作物生长状态进行自动
化监测方面已经取得了许多成果。这些成果主要集中在四个方面：（1）作物与土壤、
杂草等背景的自动识别
[3~5]
；（2）作物的外部生长参数如叶面积、株高的测量；
[6~9]
（3）作物营养信息的监测
[10~12]
；（4）作物形态结构的自动识别
[13~15]
。
作为作物生长信息的主要基础之一，发育期信息一直以来都在为作物自动化监测
服务，例如在特定发育期阶段进行相应的监测或农事活动等；除此以外，作物发育华 中 科 技 大 学 硕 士 学 位 论 文
1.3 课题研究内容
基于以上研究背景，本文以棉花为研究对象，采用图像处理技术对棉花的发育期
的自动检测方法进行研究。棉花是中国的重要经济作物之一，对棉花的发育期进行
自动观测技术研究具有重要意义。在农业气象观测规范中，棉花的观测发育期分为：
播种、出苗期、三真叶期、五真叶期、现蕾期、开花期、裂铃期、吐絮期和停止生
长期
[43]
。本文主要对其中的出苗期、三真叶期以及五真叶期的自动检测方法进行研
究。
农业气象观测规范对棉花的各个发育期都有明确的定义和描述，以作为人工观测
的标准。然而在棉花田间拍摄的图像中，并不能完整地反映农业气象观测规范中对
每个发育期所定义的特点，这是由图像本身的局限性所决定的，因为静态图像只能
反映棉花田间的部分信息。其次，田间图像受光照和背景影响

较大。不同光照强度
下的图像也不同，且背景中的土壤、杂草、薄膜等对目标检测有很大的干扰，因此
自然环境下的图像处理对算法的鲁棒性和抗干扰性要求较高。
针对于以上难点，本文对于棉花发育期的自动检测技术进行了如下研究：（1）
虽然图像不能完全反映农业气象观测规范中对于各个发育期的定义和描述特点，但
是不同发育期的作物图像有各自的不同特点。根据这些不同特点，可以对不同的发
育期图像进行新的特征描述。由于试验地安装了三个不同视角的相机，分别为下视
图、横向前视图和纵向前视图，可以利用不同视角相机拍摄的图像进行特征综合，
尽量全面地反映作物的生长情况；（2）自然环境下的图像处理一直是计算机视觉和
图像处理技术的难点。因此我们在发育期自动检测技术中对于不同发育期的图像特
点，选取不同的分割算法，以满足不同情况下的分割要求。同时，为了减少复杂背
景对于目标检测的干扰，结合各种不同的特征对目标进行描述，使检测结果达到更
高的精度。