一种基于机器视觉的农业智能监测系统及方法与流程

1.本发明涉及农业智能监测领域，具体为一种基于机器视觉的农业智能监测系统及方法。


背景技术：

2.随着社会的往前演变，科学技术随之飞速发展，机械领域作为对科学技术应用较多的领域也得到了长足的发展，随之而来，机械自动化越来越广泛地渗透到人们的生活的方方面面。机械自动化为日常生活带来了很多的便利，提升了生活活动的效率。农业作为国家的第一产业，在国民经济中是一个重要的产业部门，支撑着国民经济的建设和发展，农业的发展趋势是高度的知识化、社会化、国际化、商业化、资本化、规模化、专业化、区域化、工厂化等积极因素交织融合在一起。
3.农作物病虫害是我国的主要农业灾害之一，它具有种类多、影响大、并时常暴发成灾的特点，其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。现有技术是通过对农作物的病虫害叶片进行识别，识别受病虫害的叶片，针对识别出来的原因进行农药喷洒，然而若小范围进行农药喷洒，会导致病虫害防治速度缓慢，若大范围进行农药喷洒，会产生污染，甚至对农作物产生药害。
4.由此看来，如何通过机器视觉对农作物的病虫害进行监测，根据农作物受到病虫害的分布情况，预测病虫害产生的原因，如何根据农作物病虫害的扩散趋势，提出防治建议是十分有必要的。因此，需要一种基于机器视觉的农业智能监测系统及方法。


技术实现要素：

5.本发明的目的在于提供一种基于机器视觉的农业智能监测系统及方法，以解决上述背景技术中提出的问题。
6.为了解决上述技术问题，本发明提供如下技术方案：一种基于机器视觉的农业智能监测方法，包括下列步骤：
7.s1、采集基础数据信息，通过摄像设备采集农作物表面图像信息，通过gps对摄像设备的位置信息进行采集，并进行加密存储；
8.s2、根据采集的基础数据信息和图像信息，对农作物表面图像进行分析处理，预测农作物产生病虫害的原因，并给出建议；
9.s3、根据分析的农作物表面图像信息，对农作物受到病虫害的变化趋势进行分析处理；
10.s4、根据分析结果，通过显示设备对用户进行显示，并通过语音设备提醒用户尽快采取防治措施。
11.进一步的，在步骤s2中，包括下列步骤：
12.s201、根据采集的农作物表面图像信息和摄像设备的位置信息，对采集的农作物表面图像进行二值化预处理，将农业区域进行标记划分；
13.s202、对图像中农作物表面的轮廓进行提取，与数据库中存储的基础病虫害信息进行对比，对受到的病虫害情况进行识别，得到病虫害区域分布图像，包括下列步骤：
14.s202-1、通过下列公式对二维分布函数f(x，y)进行计算：
[0015][0016]
其中，(x,y)表示掩膜内的像素点坐标，(x0,y0)表示掩膜中心点的坐标，图像的掩膜是用选定的图像、图形或物体，对处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程，通过掩膜对图像进行高斯滤波；σ表示标准差；通过二维分布函数对掩膜中各点的系数值进行计算，得到八个方向的卷积因子；
[0017]
s202-2、将预处理后的图像与八个方向模板进行卷积运算，得到八个方向的轮廓信息为s0°
，s
45
°
，s
90
°
，s
135
°
，s
180
°
，s
225
°
，s
270
°
，s
315
°
，通过下列公式对图像上的点(xi，yi)处的灰度值h(xi，yi)进行计算：
[0018][0019]
s1＝s0°2+s
45
°2+s
90
°2+s
135
°2；
[0020]
s2＝s
180
°2+s
225
°2+s
270
°2+s
315
°2；
[0021]
s202-3、设置灰度阈值为h
阈
，通过下列公式对图像轮廓灰度值l(x，y)进行计算：
[0022][0023]
当图像轮廓灰度值大于或等于255时，判定为图像轮廓；反之，判定为非轮廓；
[0024]
s202-4、通过区域生长算法对提取到的图像轮廓进行处理，区域生长是一种串行区域分割的图像分割方法，区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止，得到整个区域，实现目标的提取；
[0025]
通过下列公式对获取的轮廓图像a与数据库中的基础病虫害图像信息b之间的杰卡德距离s进行计算：
[0026][0027]
其中，α表示为超参数；设置阈值为s
阈
，当s》s
阈
时，表示图像相似度低，当s≤s
阈
时，表示图像相似度高；对病虫害进行对比识别，获取对应的病虫害情况，根据基础病虫害防治信息，对用户给出防治建议，同时根据采集的位置信息，对拍摄到存在病虫害图像的摄像设备位置进行标记，结合农业电子地图，得到病虫害区域分布图像；
[0028]
进一步的，s203、对病虫害区域分布图像进行拟合，得到整个区域的农作物病虫害分布情况图像，包括下列步骤：
[0029]
s203-1、通过下列公式对病虫害区域分布图像进行平滑：
[0030]z′
(a，b)＝h(a，b)*z(a，b)；
[0031]
其中，a和b表示为图像的像素值，z
′
(a，b)表示为平滑输出图像，z(a，b)表示为输入图像，h(a，b)表示为平滑卷积滤波器，该滤波器可以是均值滤波器，也可以是高斯平滑滤波器；通过对图像进行平滑，能够去除噪声干扰，降低病虫害区域分布图像中的细节纹理边
缘的额外误差；
[0032]
通过下列公式对做了平滑的图像进行边缘锐化：
[0033]
z(a，b)＝c|z
′
(a，b)-z
′
(a+1，b)|；
[0034]
其中，z(a，b)表示锐化输出图像，c表示为模板增益，用于突出锐化的边缘特征，图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰；
[0035]
s203-2、将经过处理后的图像进行匹配，通过下列公式对相邻图像样本z1(a，b)和z2(a，b)之间的相似距离d进行计算：
[0036]
d＝(∑
a＝0
∑
b＝0
|z1(n-1-n+a，b)-z2(a，b)|)/n；
[0037]
其中，n表示为图像样本中搜索的列数，n表示为图像样本中搜索列的数量；当d达到极小值时，图像样本中搜索列的数量n与相邻图像的重叠区域大小相同，图像完成匹配；
[0038]
s203-3、通过下列公式对病虫害区域分布图进行图像拟合：
[0039]
p＝(1-β)p1+βp2；
[0040]
其中，p表示为整体病虫害分布情况图像，p1和p2表示为存在重叠区域的相邻图像样本，β表示为加权系数；
[0041]
s204、根据拟合后的整体病虫害分布情况图像，对农作物受到病虫害的原因进行预测，并对用户进行建议。
[0042]
进一步的，在步骤s3中，包括下列步骤：
[0043]
s301、建立病虫害分布预测模型，根据时间得到拟合后的整体病虫害分布情况图像，按照分割尺度进行分割，获取病虫害分布的区域，提取各个波段内的灰度值组成该区域的状态矩阵，将第t-1天的状态矩阵记为u
t-1
，将第t天的状态矩阵记为u
t
；
[0044]
s302、通过下列公式对第t-1天向第t天的病虫害变化概率p进行计算：
[0045]ut
＝pu
t-1
；
[0046][0047]
其中，p
γδ
表示为灰度值从γ向δ变化的概率，p
γδ
为非负值，每行之和为1；
[0048]
s303、根据概率预测模型，对病虫害的分布情况进行预测，得到预测病虫害分布图像。
[0049]
进一步的，在步骤s4中，通过屏幕显示设备，将分析结果和建议对用户进行展示，通过语音设备，提醒用户尽快采取防治措施。
[0050]
一种基于机器视觉的农业智能监测系统，该农业智能监测系统包括：数据监测模块、数据库、数据分析模块和农业指引模块；
[0051]
所述数据监测模块的输出端与数据库的输入端相连接，数据库的输出端与数据分析模块的输入端相连接，数据分析模块的输出端与农业指引模块的输入端相连接，数据分析模块的输出端与数据库的输入端相连接；所述数据监测模块用于采集基础数据信息，对植物的生长进行图像采集，所述数据库用于对采集的数据和分析结果进行加密存储，所述数据分析模块用于对采集的植物数据进行分析处理，所述农业指引模块用于根据分析结果，对用户进行提醒和引导。
[0052]
进一步的，所述数据监测模块包括基础数据采集单元、图像采集单元和位置采集
单元，所述基础数据采集单元用于录入农业基础数据信息，为图像分析处理提供对比基础，使分析结果更加准确，所述图像采集单元通过摄像设备，对农作物表面进行图像采集，所述位置采集单元通过gps对摄像设备进行位置定位。
[0053]
进一步的，所述数据库包括数据加密单元和数据存储单元，所述数据加密单元通过sha加密算法对采集的数据和分析结果进行数据加密，保证了数据的安全性和隐私性，sha加密算法是指安全散列算法，规定了sha-1、sha-224、sha-256、sha-384和sha-512这几种单向散列算法，sha-1、sha-224和sha-256适用于长度不超过2^64二进制位的消息，sha-384和sha-512适用于长度不超过2^128二进制位的消息，散列是信息的提炼，通常其长度要比信息小得多，且为一个固定长度，加密性强的散列一定是不可逆的，这就意味着通过散列结果，无法推出任何部分的原始信息，任何输入信息的变化，哪怕仅一位，都将导致散列结果的明显变化，这称之为雪崩效应，散列还应该是防冲突的，即找不出具有相同散列结果的两条信息，具有这些特性的散列结果就可以用于验证信息是否被修改。所述数据存储单元通过hbase列式数据库对采集的数据和分析结果进行存储，hbase列式数据库是指一种分布式、可扩展、支持海量数据存储的nosql数据库，支持大容量存储且支持高效率实时查询的数据库，提供高可靠性、高性能、列存储、可伸缩、实时读写的数据库系统。
[0054]
进一步的，所述数据分析模块包括图像分析单元和变化分析单元，所述图像分析单元用于对采集的农作物表面图像进行数据分析，通过数据拟合，获得目标农作物图像，对农作物产生病虫害的原因进行预测并给出防治的建议，例如存在水渠或，所述变化分析单元用于根据时间变化，对农作物受到病虫害的变化趋势进行分析处理。
[0055]
进一步的，所述农业指引模块包括屏幕显示单元和语音提醒单元，所述屏幕显示单元通过屏幕显示设备，将分析结果和建议对用户进行展示，所述语音提醒单元用于通过语音设备，提醒用户尽快采取防治措施，保证了用户能够快速针对农业病虫害问题采取措施，避免造成大规模危害，降低了农业种植损失，提高了农业生产的产量，保障了用户的经济财产安全。
[0056]
与现有技术相比，本发明所达到的有益效果是：
[0057]
本发明采集基础数据信息，为数据处理提供了标准，通过机器视觉采集农作物表面图像，对农作物受到病虫害进行分析，根据病虫害分布情况，不仅能从植物本身了解到病虫害原因，也能结合电子地图，从环境因素出发，对产生病虫害的原因进行预测，同时根据不同时刻的整体的病虫害分布情况，对病虫害分布的变化趋势进行预测，对用户进行提醒并给出防治病虫害的建议，例如建议用户在预测即将受到病虫害的区域提前进行农药喷洒，避免了病虫害的大范围扩散，降低了农药的使用和污染的产生，降低了病虫害对农作物的影响，提高了农作物的产量，提高了农业监测的效率，促进了农业的发展。
附图说明
[0058]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0059]
图1是本发明一种基于机器视觉的农业智能监测系统的模块组成示意图；
[0060]
图2是本发明一种基于机器视觉的农业智能监测方法的步骤流程图。
具体实施方式
[0061]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062]
请参阅图1-图2，本发明提供技术方案：一种基于机器视觉的农业智能监测方法，包括下列步骤：
[0063]
s1、采集基础数据信息，通过摄像设备采集农作物表面图像信息，通过gps对摄像设备的位置信息进行采集，并进行加密存储；
[0064]
s2、根据采集的基础数据信息和图像信息，对农作物表面图像进行分析处理，预测农作物产生病虫害的原因，并给出建议；
[0065]
在步骤s2中，包括下列步骤：
[0066]
s201、根据采集的农作物表面图像信息和摄像设备的位置信息，对采集的农作物表面图像进行二值化预处理，将农业区域进行标记划分；
[0067]
s202、对图像中农作物表面的轮廓进行提取，与数据库中存储的基础病虫害信息进行对比，对受到的病虫害情况进行识别，得到病虫害区域分布图像，包括下列步骤：
[0068]
s202-1、通过下列公式对二维分布函数f(x，y)进行计算：
[0069][0070]
其中，(x,y)表示掩膜内的像素点坐标，(x0,y0)表示掩膜中心点的坐标，图像的掩膜是用选定的图像、图形或物体，对处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程，通过掩膜对图像进行高斯滤波；σ表示标准差；通过二维分布函数对掩膜中各点的系数值进行计算，得到八个方向的卷积因子；
[0071]
s202-2、将预处理后的图像与八个方向模板进行卷积运算，得到八个方向的轮廓信息为s0°
，s
45
°
，s
90
°
，s
135
°
，s
180
°
，s
225
°
，s
270
°
，s
315
°
，通过下列公式对图像上的点(xi，yi)处的灰度值h(xi，yi)进行计算：
[0072][0073]
s1＝s0°2+s
45
°2+s
90
°2+s
135
°2；
[0074]
s2＝s
180
°2+s
225
°2+s
270
°2+s
315
°2；
[0075]
s202-3、设置灰度阈值为h
阈
，通过下列公式对图像轮廓灰度值l(x，y)进行计算：
[0076][0077]
当图像轮廓灰度值大于或等于255时，判定为图像轮廓；反之，判定为非轮廓；
[0078]
s202-4、通过区域生长算法对提取到的图像轮廓进行处理，区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止，得到整个区域，实现目标的提取；
[0079]
通过下列公式对获取的轮廓图像a与数据库中的基础病虫害图像信息b之间的杰
卡德距离s进行计算：
[0080][0081]
其中，α表示为超参数；设置阈值为s
阈
，当s》s
阈
时，表示图像相似度低，当s≤s
阈
时，表示图像相似度高；对病虫害进行对比识别，获取对应的病虫害情况，根据基础病虫害防治信息，对用户给出防治建议，例如产生病虫害的区域附近存在水渠或种植区域的阳光被遮挡等，同时根据采集的位置信息，对拍摄到存在病虫害图像的摄像设备位置进行标记，结合农业电子地图，得到病虫害区域分布图像；
[0082]
s203、对病虫害区域分布图像进行拟合，得到整个区域的农作物病虫害分布情况图像，包括下列步骤：
[0083]
s203-1、通过下列公式对病虫害区域分布图像进行平滑：
[0084]z′
(a，b)＝h(a，b)*z(a，b)；
[0085]
其中，a和b表示为图像的像素值，z
′
(a，b)表示为平滑输出图像，z(a，b)表示为输入图像，h(a，b)表示为平滑卷积滤波器，该滤波器可以是均值滤波器，也可以是高斯平滑滤波器；通过对图像进行平滑，能够去除噪声干扰，降低病虫害区域分布图像中的细节纹理边缘的额外误差；
[0086]
通过下列公式对做了平滑的图像进行边缘锐化：
[0087]
z(a，b)＝c|z
′
(a，b)-z
′
(a+1，b)|；
[0088]
其中，z(a，b)表示锐化输出图像，c表示为模板增益，用于突出锐化的边缘特征，图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰；
[0089]
s203-2、将经过处理后的图像进行匹配，通过下列公式对相邻图像样本z1(a，b)和z2(a，b)之间的相似距离d进行计算：
[0090]
d＝(∑a＝0∑b＝0|z1(n-1-n+a，b)-z2(a，b)|)/n；
[0091]
其中，n表示为图像样本中搜索的列数，n表示为图像样本中搜索列的数量；当d达到极小值时，图像样本中搜索列的数量n与相邻图像的重叠区域大小相同，图像完成匹配；
[0092]
s203-3、通过下列公式对病虫害区域分布图进行图像拟合：
[0093]
p＝(1-β)p1+βp2；
[0094]
其中，p表示为整体病虫害分布情况图像，p1和p2表示为存在重叠区域的相邻图像样本，β表示为加权系数；
[0095]
s204、根据拟合后的整体病虫害分布情况图像，对农作物受到病虫害的原因进行预测，并对用户进行建议。
[0096]
s3、根据分析的农作物表面图像信息，对农作物受到病虫害的变化趋势进行分析处理；
[0097]
在步骤s3中，包括下列步骤：
[0098]
s301、建立病虫害分布预测模型，根据时间得到拟合后的整体病虫害分布情况图像，按照分割尺度进行分割，获取病虫害分布的区域，提取各个波段内的灰度值组成该区域的状态矩阵，将第t-1天的状态矩阵记为u
t-1
，将第t天的状态矩阵记为u
t
；
[0099]
s302、通过下列公式对第t-1天向第t天的病虫害变化概率p进行计算：
[0100]ut
＝pu
t-1
；
[0101][0102]
其中，p
γδ
表示为灰度值从γ向δ变化的概率，p
γδ
为非负值，每行之和为1；
[0103]
s303、根据概率预测模型，对病虫害的分布情况进行预测，得到预测病虫害分布图像。
[0104]
s4、根据分析结果，通过显示设备对用户进行显示，并通过语音设备提醒用户尽快采取防治措施。
[0105]
在步骤s4中，通过屏幕显示设备，例如手机小程序或电脑中控平台等，将分析结果和建议对用户进行展示，通过语音设备，例如广播或报警提示音，提醒用户尽快采取防治措施，例如在预测的病虫害分布区域，通过无人机或喷药机等设备进行对应农药的喷洒。
[0106]
一种基于机器视觉的农业智能监测系统，该农业智能监测系统包括：数据监测模块、数据库、数据分析模块和农业指引模块；
[0107]
所述数据监测模块的输出端与数据库的输入端相连接，数据库的输出端与数据分析模块的输入端相连接，数据分析模块的输出端与农业指引模块的输入端相连接，数据分析模块的输出端与数据库的输入端相连接；
[0108]
所述数据监测模块用于采集基础数据信息，对植物的生长进行图像采集，数据监测模块包括基础数据采集单元、图像采集单元和位置采集单元，所述基础数据采集单元用于录入农业基础数据信息，例如农业电子地图、种植农作物基础信息和植物病虫害信息等，为图像分析处理提供对比基础，使分析结果更加准确，所述图像采集单元通过摄像设备，例如高清摄像头、遥感或植物生长检测仪等，对农作物表面进行图像采集，所述位置采集单元通过gps对摄像设备进行位置定位。
[0109]
所述数据库用于对采集的数据和分析结果进行加密存储，数据库包括数据加密单元和数据存储单元，所述数据加密单元通过sha加密算法对采集的数据和分析结果进行数据加密，保证了数据的安全性和隐私性，sha加密算法是指安全散列算法，规定了sha-1、sha-224、sha-256、sha-384和sha-512这几种单向散列算法，sha-1、sha-224和sha-256适用于长度不超过2^64二进制位的消息，sha-384和sha-512适用于长度不超过2^128二进制位的消息，散列是信息的提炼，通常其长度要比信息小得多，且为一个固定长度，加密性强的散列一定是不可逆的，这就意味着通过散列结果，无法推出任何部分的原始信息，任何输入信息的变化，哪怕仅一位，都将导致散列结果的明显变化，这称之为雪崩效应，散列还应该是防冲突的，即找不出具有相同散列结果的两条信息，具有这些特性的散列结果就可以用于验证信息是否被修改。所述数据存储单元通过hbase列式数据库对采集的数据和分析结果进行存储，hbase列式数据库是指一种分布式、可扩展、支持海量数据存储的nosql数据库，支持大容量存储且支持高效率实时查询的数据库，提供高可靠性、高性能、列存储、可伸缩、实时读写的数据库系统。
[0110]
所述数据分析模块用于对采集的植物数据进行分析处理，数据分析模块包括图像分析单元和变化分析单元，所述图像分析单元用于对采集的农作物表面图像进行数据分析，通过数据拟合，获得目标农作物图像，对农作物产生病虫害的原因进行预测并给出防治的建议，例如存在水渠或，所述变化分析单元用于根据时间变化，对农作物受到病虫害的变
化趋势进行分析处理。
[0111]
所述农业指引模块用于根据分析结果，对用户进行提醒和引导，农业指引模块包括屏幕显示单元和语音提醒单元，所述屏幕显示单元通过屏幕显示设备，例如手机小程序或电脑中控平台等，将分析结果和建议对用户进行展示，所述语音提醒单元用于通过语音设备，例如广播或报警提示音，提醒用户尽快采取防治措施，例如喷洒相对应的农药等，保证了用户能够快速针对农业病虫害问题采取措施，避免造成大规模危害，降低了农业种植损失，提高了农业生产的产量，保障了用户的经济财产安全。
[0112]
实施例1：
[0113]
若获取的轮廓图像a与数据库中的基础病虫害图像信息b之间的杰卡德距离若s
阈
＝0.1，则此时s≤s
阈
，表示图像相似度高，表示当前农作物受到的病虫害与数据库中的基础病虫害图像信息b一致的可能性很高，根据数据库中的防治方式，对用户进行建议；
[0114]
结合农业电子地图，得到病虫害区域分布图像，经过图像拟合后得到整体病虫害分布情况图像，若第t-1天整体病虫害分布情况图像的状态矩阵u
t-1
，通过求得第t天的整体病虫害分布情况图像的状态矩阵，从而预测得到第t天的整体病虫害分布情况图像，通过显示设备对用户进行展示，标注预测区域并对用户给出防治建议。
[0115]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0116]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于机器视觉的农业智能监测方法，其特征在于：包括下列步骤：s1、采集基础数据信息，通过摄像设备采集农作物表面图像信息，通过gps对摄像设备的位置信息进行采集，并进行加密存储；s2、根据采集的基础数据信息和图像信息，对农作物表面图像进行分析处理，预测农作物产生病虫害的原因，并给出建议；s3、根据分析的农作物表面图像信息，对农作物受到病虫害的变化趋势进行分析处理；s4、根据分析结果，通过显示设备对用户进行显示，并通过语音设备提醒用户尽快采取防治措施。2.根据权利要求1所述的一种基于机器视觉的农业智能监测方法，其特征在于：在步骤s2中，包括下列步骤：s201、根据采集的农作物表面图像信息和摄像设备的位置信息，对采集的农作物表面图像进行二值化预处理，将农业区域进行标记划分；s202、对图像中农作物表面的轮廓进行提取，与数据库中存储的基础病虫害信息进行对比，对受到的病虫害情况进行识别，得到病虫害区域分布图像，包括下列步骤：s202-1、通过下列公式对二维分布函数f(x，y)进行计算：其中，(x,y)表示掩膜内的像素点坐标，(x0,y0)表示掩膜中心点的坐标；σ表示标准差；通过二维分布函数对掩膜中各点的系数值进行计算，得到八个方向的卷积因子；s202-2、将预处理后的图像与八个方向模板进行卷积运算，得到八个方向的轮廓信息为s0°
，s
45
°
，s
90
°
，s
135
°
，s
180
°
，s
225
°
，s
270
°
，s
315
°
，通过下列公式对图像上的点(x
i
，y
i
)处的灰度值h(x
i
，y
i
)进行计算：s1＝s0°2+s
45
°2+s
90
°2+s
135
°2；s2＝s
180
°2+s
225
°2+s
270
°2+s
315
°2；s202-3、设置灰度阈值为h
阈
，通过下列公式对图像轮廓灰度值l(x，y)进行计算：当图像轮廓灰度值大于或等于255时，判定为图像轮廓；反之，判定为非轮廓；s202-4、通过区域生长算法对提取到的图像轮廓进行处理；通过下列公式对获取的轮廓图像a与数据库中的基础病虫害图像信息b之间的杰卡德距离s进行计算：其中，α表示为超参数；设置阈值为s
阈
，当s>s
阈
时，表示图像相似度低，当s≤s
阈
时，表示图像相似度高；对病虫害进行对比识别，获取对应的病虫害情况，根据基础病虫害防治信息，对用户给出防治建议，同时根据采集的位置信息，对拍摄到存在病虫害图像的摄像设备
位置进行标记，结合农业电子地图，得到病虫害区域分布图像。3.根据权利要求2所述的一种基于机器视觉的农业智能监测方法，其特征在于：s203、对病虫害区域分布图像进行拟合，得到整个区域的农作物病虫害分布情况图像，包括下列步骤：s203-1、通过下列公式对病虫害区域分布图像进行平滑：z
′
(a，b)＝h(a，b)*z(a，b)；其中，a和b表示为图像的像素值，z
′
(a，b)表示为平滑输出图像，z(a，b)表示为输入图像，h(a，b)表示为平滑卷积滤波器；通过下列公式对做了平滑的图像进行边缘锐化：z(a，b)＝c|z
′
(a，b)-z
′
(a+1，b)|；其中，z(a，b)表示锐化输出图像，c表示为模板增益；s203-2、将经过处理后的图像进行匹配，通过下列公式对相邻图像样本z1(a，b)和z2(a，b)之间的相似距离d进行计算：d＝(∑
a＝0
∑
b＝0
|z1(n-1-n+a，b)-z2(a，b)|)/n；其中，n表示为图像样本中搜索的列数，n表示为图像样本中搜索列的数量；当d达到极小值时，图像样本中搜索列的数量n与相邻图像的重叠区域大小相同，图像完成匹配；s203-3、通过下列公式对病虫害区域分布图进行图像拟合：p＝(1-β)p1+βp2；其中，p表示为整体病虫害分布情况图像，p1和p2表示为存在重叠区域的相邻图像样本，β表示为加权系数；s204、根据拟合后的整体病虫害分布情况图像，对农作物受到病虫害的原因进行预测，并对用户进行建议。4.根据权利要求3所述的一种基于机器视觉的农业智能监测方法，其特征在于：在步骤s3中，包括下列步骤：s301、建立病虫害分布预测模型，根据时间得到拟合后的整体病虫害分布情况图像，按照分割尺度进行分割，获取病虫害分布的区域，提取各个波段内的灰度值组成该区域的状态矩阵，将第t-1天的状态矩阵记为u
t-1
，将第t天的状态矩阵记为u
t
；s302、通过下列公式对第t-1天向第t天的病虫害变化概率p进行计算：u
t
＝pu
t-1
；其中，p
γδ
表示为灰度值从γ向δ变化的概率，p
γδ
为非负值，每行之和为1；s303、根据概率预测模型，对病虫害的分布情况进行预测，得到预测病虫害分布图像。5.根据权利要求4所述的一种基于机器视觉的农业智能监测方法，其特征在于：在步骤s4中，通过屏幕显示设备，将分析结果和建议对用户进行展示，通过语音设备，提醒用户尽快采取防治措施。6.一种基于机器视觉的农业智能监测系统，其特征在于：该农业智能监测系统包括：数据监测模块、数据库、数据分析模块和农业指引模块；
所述数据监测模块的输出端与数据库的输入端相连接，数据库的输出端与数据分析模块的输入端相连接，数据分析模块的输出端与农业指引模块的输入端相连接，数据分析模块的输出端与数据库的输入端相连接；所述数据监测模块用于采集基础数据信息，对植物的生长进行图像采集，所述数据库用于对采集的数据和分析结果进行加密存储，所述数据分析模块用于对采集的植物数据进行分析处理，所述农业指引模块用于根据分析结果，对用户进行提醒和引导。7.根据权利要求6所述的一种基于机器视觉的农业智能监测系统，其特征在于：所述数据监测模块包括基础数据采集单元、图像采集单元和位置采集单元，所述基础数据采集单元用于录入农业基础数据信息，所述图像采集单元通过摄像设备，对农作物表面进行图像采集，所述位置采集单元通过gps对摄像设备进行位置定位。8.根据权利要求7所述的一种基于机器视觉的农业智能监测系统，其特征在于：所述数据库包括数据加密单元和数据存储单元，所述数据加密单元通过sha加密算法对采集的数据和分析结果进行数据加密，所述数据存储单元通过hbase列式数据库对采集的数据和分析结果进行存储。9.根据权利要求8所述的一种基于机器视觉的农业智能监测系统，其特征在于：所述数据分析模块包括图像分析单元和变化分析单元，所述图像分析单元用于对采集的农作物表面图像进行数据分析，通过数据拟合，获得目标农作物图像，对农作物产生病虫害的原因进行预测并给出防治的建议，例如存在水渠或，所述变化分析单元用于根据时间变化，对农作物受到病虫害的变化趋势进行分析处理。10.根据权利要求9所述的一种基于机器视觉的农业智能监测系统，其特征在于：所述农业指引模块包括屏幕显示单元和语音提醒单元，所述屏幕显示单元通过屏幕显示设备，将分析结果和建议对用户进行展示，所述语音提醒单元用于通过语音设备，提醒用户尽快采取防治措施。

技术总结
本发明公开了一种基于机器视觉的农业智能监测系统及方法，属于农业智能监测领域，该农业智能监测系统包括数据监测模块、数据库、数据分析模块和农业指引模块，数据监测模块用于采集基础数据信息，对植物的生长进行图像采集，数据库用于对采集的数据和分析结果进行加密存储，数据分析模块用于对采集的植物数据进行分析处理，所述农业指引模块用于根据分析结果，对用户进行提醒和引导。本发明采集基础数据信息，通过机器视觉采集农作物表面图像，对农作物受到病虫害的原因进行分析，对病虫害分布趋势进行预测，对用户进行提醒并给出防治病虫害的建议，降低了病虫害对农作物的影响，提高了农作物的产量，提高了农业监测的效率。提高了农业监测的效率。提高了农业监测的效率。


技术研发人员：吕名礼 夏鸽飞 张哲 吴小李 柒杰明
受保护的技术使用者：上海华维可控农业科技集团股份有限公司
技术研发日：2023.03.21
技术公布日：2023/7/20