基于NI myRIO的玉米種植監(jiān)控系統(tǒng)設(shè)計

　　Design of monitoring system for maize cropping based on NI myRIO

　　王騰飛，翟亞芳，李立（安陽工學(xué)院 電子信息與電氣工程學(xué)院, 河南 安陽 455000）

　　摘要：本文基于NI myRIO平臺和TCP網(wǎng)絡(luò)服務(wù)的遠(yuǎn)程實時圖像監(jiān)控系統(tǒng)，實現(xiàn)對玉米長勢及蟲害情況的實時圖像處理和遠(yuǎn)程控制?；贚abview的圖像處理平臺，具有對實時圖像的分割、灰度和邊緣三種處理模式。植株高度解析采用網(wǎng)格化圖像分割技術(shù)，根據(jù)擬合方程對玉米長勢進(jìn)行擬合計算。經(jīng)測試針對玉米生長的6大關(guān)鍵時期，實測值與圖像分析的最大相對誤差為3.33%，最小為0.96%。同時在執(zhí)行單元，利用myRIO平臺控制土地溫濕度，可實現(xiàn)自動灌溉和遠(yuǎn)程監(jiān)控分析功能。測試結(jié)果表明，該系統(tǒng)精準(zhǔn)、快速，具有較好的擴展性和兼容性，同時提供良好的用戶操作界面，對計算機視覺的玉米種植生產(chǎn)信息的監(jiān)控具有重大意義。

　　關(guān)鍵詞：圖像處理；NI myRIO；LabVIEW；監(jiān)控系統(tǒng)；傳感器

　　基金項目：河南省科技廳科技攻關(guān)項目（172102310671）

　　0 引言

　　目前對作物長勢圖像監(jiān)測主要包括作物外部生長參數(shù)、植物營養(yǎng)和病蟲害三大類。賈銀江提出了基于無人機的遙感圖像拼接技術(shù)，從大尺度上監(jiān)控作物生長趨勢；采用高清CCD相機拍攝群體圖像，通過建立葉面積指數(shù)和干物質(zhì)積累的回歸模型分析玉米長勢；利用迭代閾值分割算法結(jié)合參照物標(biāo)定獲取株高、頁尖距和冠層面積等作物參數(shù) ^[1-3] ；通過地面光譜儀測定不同梯度氮肥處理小區(qū)的水稻拔節(jié)期冠層高光譜參數(shù),建立并光譜參數(shù)與生物量、植株氮含量、植株氮積累量以及產(chǎn)量的相關(guān)關(guān)系 ^[4] ；利用遠(yuǎn)程監(jiān)測系統(tǒng)對作物大氣溫濕度、土壤濕度、光照強度、大氣蒸汽壓差(VPD)等環(huán)境因子和莖稈直徑微變化、果實生長、葉片溫度等樹體生理指標(biāo)進(jìn)行監(jiān)測 ^[5] ；在病蟲害方面，通過Matlab建立植株病害模型或采用ARM，單片機等硬件進(jìn)行圖像檢測。

　　以上的監(jiān)測方案，一是遙感監(jiān)測研究需要衛(wèi)星、光譜儀等高成本設(shè)備，并且受氣象條件限制；采用圖像采集設(shè)備處理的都是靜態(tài)圖片，無法對作物進(jìn)行實時監(jiān)控和處理；而采用Matlab和ARM的平臺測量作物參數(shù)單一功能簡單 ^[6-9] ?；诖吮疚脑O(shè)計了基于NI myRIO和LabVIEW計算機視覺的玉米種植監(jiān)控系統(tǒng)，其主要的數(shù)據(jù)采集是生長參數(shù)、病蟲害檢測和產(chǎn)量預(yù)估等信息，使用計算機視覺技術(shù)對農(nóng)作物進(jìn)行非接觸的連續(xù)測量，通過圖像處理和識別算法等相關(guān)技術(shù)，對玉米的生長、病蟲害等信息監(jiān)測，將此信息整合傳遞執(zhí)行系統(tǒng)，提高玉米產(chǎn)量。

　　1 控制系統(tǒng)組成本

　　設(shè)計旨在設(shè)計基于NI myRIO的實現(xiàn)在玉米長勢和病蟲害的實時監(jiān)控系統(tǒng)，系統(tǒng)主要由參數(shù)監(jiān)控單元、數(shù)據(jù)處理及顯示單元和功能控制單元三部分組成。

　　本文以LabVIEW機器視覺技術(shù)為核心，建立了玉米種植監(jiān)控系統(tǒng)，系統(tǒng)主要由玉米基地和基站構(gòu)成，其中視頻采集裝置和指令執(zhí)行裝置位于玉米基地中，基站由圖像的采集與顯示系統(tǒng)、圖像處理系統(tǒng)、信息處理器和設(shè)備執(zhí)行系統(tǒng)四大系統(tǒng)組成。

　　利用玉米基地中的視頻采集裝置，通過拍攝玉米的生長過程中三葉期、拔節(jié)期、大喇叭口期、抽雄期、吐絲期、灌漿期等六大關(guān)鍵時期和玉米葉片進(jìn)行株高和病蟲害分析。實時圖像信息由NI myRIO發(fā)送給圖像的采集與顯示系統(tǒng)，由圖像處理系統(tǒng)得到性狀特征和顏色特征等，并發(fā)送到信息處理器中，將此整合后得到玉米的生長參數(shù)、病蟲害檢測等信息；同時由設(shè)備執(zhí)行系統(tǒng)形成指令用以調(diào)節(jié)玉米的生長環(huán)境，設(shè)備進(jìn)行相應(yīng)的作業(yè)，實現(xiàn)對玉米的增產(chǎn)并節(jié)約資源的效果。其控制系統(tǒng)原理如圖1所示。

　　2 監(jiān)控系統(tǒng)的硬件設(shè)計

　　2.1 核心控制器模塊

　　微控制器模塊是整個控制系統(tǒng)的核心，主要用于實現(xiàn)實時參數(shù)采集、數(shù)據(jù)處理與存儲、數(shù)據(jù)通信等功能?？刂破髂K采用的是NI公司研發(fā)的myRIO板來實現(xiàn)視頻監(jiān)控、尋跡避障等功能。myRIO是由在內(nèi)嵌Xilinx Zynq芯片組成，開發(fā)時可以利用雙核ARM Cortex-A9的實時性能以及Xilinx FPGA可定制化I/O來實現(xiàn)功能。它共有88個引腳，其中有66個可重配置的引腳，可滿足整個工程的控制需求。其使用的FPGA在處理數(shù)據(jù)時是采用的并行方式。這樣就能更加快速、更加準(zhǔn)確的對數(shù)據(jù)進(jìn)行可靠的處理。

　　2.2參數(shù)及控制單元模塊

　　參數(shù)監(jiān)控單元采用分布式模塊化結(jié)構(gòu)，包括溫濕度監(jiān)控、肥液監(jiān)控和自動灌溉系統(tǒng)，各模塊通過PC機控制的傳感器和執(zhí)行單元構(gòu)成反饋控制系統(tǒng)實現(xiàn)對田地的監(jiān)測與控制。圖像采集模塊主要是由一個Robot EyesWIFI機器人高清攝像頭組成，在動態(tài)視頻的情況下分辨率達(dá)到了640*480P，而且在高分辨率下幀速達(dá)到了30幀/秒，可以并采用USB進(jìn)行數(shù)據(jù)的傳輸和電源的供電。溫濕度監(jiān)控模塊采用AMT2001，該模塊測量范圍分別為0-80℃和0%-100%RH，其對應(yīng)的輸出為0-0.8V和0 V~3 V的連續(xù)電壓。通過My RIO數(shù)據(jù)采集I/O口將處理后的電壓信號傳至上位機進(jìn)行處理顯示。灌溉系統(tǒng)主要由水泵、電磁閥和EC傳感器構(gòu)成。當(dāng)土壤溫濕度低于設(shè)定值后，將啟動灌溉系統(tǒng)。

　　3 圖像處理原理

　　HSL（Hue-Saturation- Lightness）顏色空間是反映人的視覺對顏色的感覺。其中色調(diào)H、飽和度S包含顏色信息，而亮度L則與顏色無關(guān)。本設(shè)計在圖像灰度處理、圖像分割和圖像邊緣檢測處理均是在HSL顏色模式下的圖像，但傳感器傳輸?shù)念伾Ｊ綖镽GB顏色模式，首先要由RGB顏色模式計算為HSL顏色模式。由RGB顏色模式計算為HSL顏色模式的公式為：

　　其中max和min分別為R,G,B的最大值和最小值。

　　本設(shè)計圖像邊緣檢測處理采用Canny算子，其檢測的邊緣是算子輸出的局部極值，Canny算子的檢測過程是先平滑處理，再求導(dǎo)數(shù)。Canny算子在階躍型邊緣檢測方面，效果突出。它的基本思想是在局部范圍內(nèi)，找出梯度變化最大的像素點。在邊緣點定位方面，Canny算子采用定位方向性較好的一階微分。Canny算法用數(shù)學(xué)模型的針對邊緣信息準(zhǔn)確性的數(shù)學(xué)模型(信噪比準(zhǔn)則)：

　　其中G(x)為邊緣函數(shù)，h(x)為帶寬為W的低通濾波器的脈沖響應(yīng)，Sigma是高斯噪聲的均方差。

　　針對邊緣信息精確性的數(shù)學(xué)模型(定位精確度準(zhǔn)則)

　　利用Canny算法SNR和定位精度準(zhǔn)則，設(shè)定合理的雙閾值，即設(shè)定高閾值和低閾值，圖像中的像素點大于高閾值則認(rèn)為是邊界，小于低閾值則認(rèn)為不是邊界，對圖像信息進(jìn)行邊界處理。在本軟件操作界面中高低閾值參數(shù)設(shè)置范圍為0~1連續(xù)可調(diào)。圖2為玉米株高、玉米穗和葉片的邊緣處理結(jié)果。

　　4 監(jiān)控系統(tǒng)的軟件

　　設(shè)計玉米種植監(jiān)控系統(tǒng)軟件采用LabVIEW編程，主要包含圖像的采集與顯示系統(tǒng)、圖像處理系統(tǒng)、信息處理器和設(shè)備執(zhí)行系統(tǒng)等四大系統(tǒng)。由圖像的采集與顯示系統(tǒng)采集玉米的生長、玉米綠葉和玉米穗的圖像，并將圖像傳遞到圖像處理系統(tǒng)，由圖像處理系統(tǒng)對圖像進(jìn)行圖像灰度化、圖像平滑、圖像分割和圖像邊緣檢測等處理，并將處理后的圖像通過TCP通訊方式傳輸給信息處理器和設(shè)備執(zhí)行系統(tǒng)，軟件的流程如圖3所示。

　　圖像的采集系統(tǒng)為整個系統(tǒng)的數(shù)據(jù)輸入源，軟件編寫的為NI myRIO對數(shù)碼攝像頭設(shè)備的驅(qū)動，啟動數(shù)碼攝像頭開始連續(xù)的采集圖像信息，首先采用的是IMAQdx Open Camera.vi驅(qū)動NI myRIO上設(shè)置為視頻模式，并配置IMAQdx Open Camera.vi打開選定的網(wǎng)絡(luò)攝像頭，當(dāng)數(shù)據(jù)流到達(dá)IMAQdx屬性節(jié)點，設(shè)置視頻模式，使用IMAQdx Configure Grap.vi初始化網(wǎng)絡(luò)攝像頭用于圖像流，創(chuàng)建三個IMAQ Creat控件分配給圖片的內(nèi)存，之后數(shù)據(jù)流將進(jìn)入while循環(huán)，利用IMAQdxGrap.vi持續(xù)捕捉下一張圖像并進(jìn)行圖像處理，圖像采集結(jié)束后，使用IMAQdx Close Camera.vi關(guān)閉攝像頭，IMAQ Dispose控件釋放掉所有圖像使用的內(nèi)存。

　　數(shù)據(jù)流傳遞到圖像處理系統(tǒng)，圖像處理系統(tǒng)的總體結(jié)構(gòu)為條件結(jié)構(gòu)。分別對圖像進(jìn)行灰度化處理、圖像平滑處理、飽和度調(diào)節(jié)、圖像分割和圖像邊緣檢測，首先對圖像進(jìn)行灰度化、平滑處理和飽和度調(diào)節(jié)的預(yù)處理，然后將預(yù)處理后的圖像進(jìn)行分割和邊緣檢測的處理，圖像平滑處理是以高斯濾波器進(jìn)行圖像噪聲濾波，該圖像的最佳口窗口大小為9，最佳圖像（sigma）的值為0.9。本文設(shè)計程序改變圖像飽和度大小的方法是改變圖像的屬性節(jié)點，通過在數(shù)據(jù)流中加入IMAQdx屬性節(jié)點，然后選中屬性節(jié)點枚舉列表中的CameraAttributes（相機屬性），再選中相機屬性枚舉列表中的ActiveAttribute（活躍屬性），通過為ActiveAttribute輸入字符串CameraAttributes::Saturation::Value，調(diào)用出圖像的飽和度屬性，其次選中Value屬性節(jié)點改變調(diào)用出圖像的飽和度屬性值的大小，圖像最佳飽和度為100，將灰度處理后的圖像傳遞到IMAQ CannyEdgeDetection中，此IMAQ CannyEdgeDetection所使用的函數(shù)為Canny算子和高斯濾波器，配置Canny算子的參數(shù)簇

（FilterParameters）中有高閾值和低閾值兩個參數(shù)。高閾值定義了圖像中像素值的上百分比，即檢測算法選擇了邊緣段的終止或起始點，低閾值低閾值乘以高閾值，為邊緣段中的所有像素定義一個較低的閾值，經(jīng)過對比試驗，得到高閾值和低閾值的值分別為0.9和0.2。

　　5 測試結(jié)果

　　根據(jù)上述分析的擬合方程，經(jīng)測試模型株高與實測株高的最大差值為7.27cm，最小為0.64cm，最大相對誤差達(dá)到3.33%，最小為0.96%。平均相對誤差為1.71%。達(dá)到誤差允許范圍之內(nèi)。綜合實驗結(jié)果，可以得出本試驗的株高解析思路具有可行性，達(dá)到一定的精度。對比測試結(jié)果如表1所示。

　　6 結(jié)論

　　本文所設(shè)計的基于LabVIEW和NI myRIO的玉米的生長參數(shù)、病蟲害檢測等信息的監(jiān)控系統(tǒng)，主要由圖像的采集與顯示系統(tǒng)、圖像處理系統(tǒng)、信息處理器和設(shè)備執(zhí)行系統(tǒng)四大系統(tǒng)組成。視頻裝置拍攝玉米的生長、玉米綠葉和玉米穗的圖像，形成的視頻圖像由圖像處理系統(tǒng)進(jìn)行處理分析，得到圖像分割和圖像邊緣檢測后的圖像；由信息處理器根據(jù)上述處理后的圖像特征診斷玉米的生長狀況、病蟲害等，同時形成決策，由設(shè)備執(zhí)行系統(tǒng)以控制指令的形式發(fā)送給玉米基地中的NI myRIO，對小麥的生長環(huán)境進(jìn)行控制和調(diào)節(jié)，達(dá)到對玉米的增產(chǎn)和節(jié)約資源的目的，實測值與圖像分析的最大相對誤差為3.33%，最小為0.96%。該系統(tǒng)成本低，使用過程中操作簡單，適合普通種植戶使用，順應(yīng)農(nóng)業(yè)發(fā)展趨勢。

　　參考文獻(xiàn)

      [1]賈銀江.無人機遙感圖像拼接關(guān)鍵技術(shù)研究[D].東北農(nóng)業(yè)大學(xué),2016.

　　[2]張寶來,張樂佳.基于數(shù)字圖像處理技術(shù)的玉米長勢預(yù)測[J].農(nóng)業(yè)工程,2017,7(03):163-168.

　　[3]李大威.基于集成學(xué)習(xí)的高分遙感圖像玉米區(qū)高精度提取算法研究[D].中北大學(xué),2017.

　　[4]查海涅.基于衛(wèi)星遙感的水稻生長監(jiān)測與氮素營養(yǎng)診斷系統(tǒng)[D].安徽科技學(xué)院,2016.

　　[5]郭克冰.基于灰色關(guān)聯(lián)度的圖像邊緣檢測的理論研究[D].河南大學(xué),2016.

　　[6]賈彪,馬富裕.基于機器視覺的棉花氮素營養(yǎng)診斷系統(tǒng)設(shè)計與試驗[J].農(nóng)業(yè)機械學(xué)報,2016,47(03):305-310.

　　[7]方正.基于ARM的農(nóng)田圖像采集器設(shè)計[D].哈爾濱理工大學(xué),2017.

　　[8]董鴻燕.邊緣檢測的若干技術(shù)研究[D].國防科學(xué)技術(shù)大學(xué),2008.

　　[9]鄧立苗,唐俊,馬文杰.基于圖像處理的玉米葉片特征提取與識別系統(tǒng)[J].中國農(nóng)機化學(xué)報,2014,35(06):72-75+79.

　　本文來源于科技期刊《電子產(chǎn)品世界》2019年第5期第頁，歡迎您寫論文時引用，并注明出處