基于大数据的图像识别技术在粮食监管中的应用研究
来源:用户上传
作者:
摘 要：针对当前粮食监管中存在的安全性、方便性以及成本等问题，利用图像识别技术在大数据的环境下研究了一种粮食图像识别技术，将图像识别技术应用到了粮食监管中，实现了粮食库存的自动监管和警报提醒。通过图像识别技术，对粮食图像进行预处理，使得图像更容易进行边缘检测和图像特征提取，然后对图像进行二维到三维的转换，再对得到的三维图像进行体积的计算以及体积变化的甄别，最后通过手机app向用户发出警报提醒。通过研究表明此技术方法可行。
关键词：粮食监管 图像识别 大数据
中图分类号：TP391.4 文献标识码：A 文章编号：1674-098X（2019）10（c）-0115-02
粮食安全是国家安全的重要组成部分，粮食库存是保证粮食安全的重要物质基础。当前，储存粮食的粮仓形状主要有平方仓、浅圆仓以及散堆仓三种形式，粮食在进仓时会记录生成一份报告，包括粮食的种类、等级、容重、水分、体积以及堆积在哪个粮仓中等等，然后主要通过人力进行对粮食库存的监管。然而这种监管方式存在大量的弊端，例如使用人工监管的数量过多导致成本过高，人工监管不及时、不安全，效率低、误差高等。
针对这一系列问题，国家正大力加强粮食监管，越来越多地使用现代化技术。本文对图像识别在粮食监管中的应用进行了研究，提出了一种粮食智能监管技术，通过图像识别技术估算出粮仓中粮食的体积后与报告中的体积进行周期性比对，若误差超出一定范围便会自动发出警报提醒，使监管人员可以对粮仓进行远程的监控。为实现粮食的智能监管提供了新方法。
1 图像预处理
1.1 图像灰度化处理
在对粮食图像的分析过程中首先要将捕获到的彩色图片转化为灰色图片，这样能够减少所需要处理的数据量，从而有利于加快图像的处理速度。
通常采用单分量法，最大值法，平均值法以及加权平均法这四种方法对图像进行灰度化处理。本文采用了比较简单的平均值法，通过计算彩色图像的三个通道分量的平均值，来作为图像的灰度值。
1.2 图像二值化处理
采用二值化手段来处理粮食图像，这样能够重点显示对象区域，更加方便地提取粮食形状等，对于后续的分析和辨别非常有利。本文采用大津律法对叶片图片进行二值化处理。这种方法使用方便、计算简单，不受图像亮度和对比度的影响，能很好地区分前景和背景。
1.3 图像锐化处理
通过对图像的锐化处理可以补偿图像的轮廓，增强粮食图像的边缘及灰度跳变的部分，从而使图像变得更清晰，同时也提高了地物边缘与周围像元之间的反差。目前Sobel算子、Laplace 算子以及Robert算子是图像锐化过程中经常采用的算子，本文在图像锐化的过程中采用了 Sobel算子。
2 图像的三维变换
本文采用一种基于AKAZE算法的多视图几何三维重建方法。这种算法使用非线性尺度分解算法，通过非线性扩散滤波构造任意步长、稳定的尺度空间。采用加性算子分裂算法进行非线性扩散滤波，使得灰度在平缓的图像区域扩散快，在边缘处扩散慢，可以较好地保存图像的边缘和细节。算法的基本步骤为：
（1）图像特征点提取与匹配。使用 AKAZE算法提取图像特征点并筛除误匹配点。
（2）相机参数本征矩阵、图像间旋转矩阵与平移矩阵的计算。根据步骤1）得到可靠的二视图关系，计算相机的本征矩阵、图像的全局旋转矩阵与全局平移矩阵。
（3）三维点云稀疏重建以及集束調整。根据每幅图像的特征点与图像间的几何约束关系，使用三角化重建方法重建点云模型并使用集束调整优化结果。
（4）使用PMVS算法扩散稀疏点云数据并进行过滤处理，剔除灰度一致性与几何一致性比较弱的点，得到稠密点云模型。
（5）模型网格化与纹理映射。对稠密点云模型进行三角网格化，之后会获得一个包含点与面信息的无纹理点云模型，将之前获取的图片信息作为纹理信息进行映射，最终得到一个包含纹理的目标三维模型。
3 粮食体积测量
在上面得到的三维图像的基础上可以方便地分析出粮仓的几何形状、空间分布等三维信息，因此可以方便地计算出粮食体积。当前，粮仓的形状主要有平方仓、浅圆仓以及散堆仓。
（1）平方仓体积测量。
由于平方仓形状比较规则，所以可以根据三维图像得到的长、宽、高信息利用立方体公式简单的计算出粮食体积。假设长为a，宽为b，测量所得粮面高为c，则体积可表示为：
（2）浅圆仓体积测量。
浅圆仓可以近似地看作一个规则的圆柱体，因此可以利用圆柱体公式计算粮食体积。假设粮仓底面积为s，所测得粮面的高为h，则体积可表示为：
（3）散堆仓体积测量。
散堆仓是将粮食随意堆积到仓内，得到的是一个不规则物体，由于粮食是由上到下堆积到一处，所以可以近似的看成是棱台体。假设所有的截面面积为Si（i=1，2，…n），截面间距为。
则体积可表示为：
由于三维图像是由二维图像转化得来的，以及图像在提取轮廓过程中的误差，因此所得到的体积是存在一定误差的，但这个误差对粮食体积变化的甄别不会产生很大影响。
通过图像识别测量出粮食体积后，以一个星期为比对周期，进行对体积变化的甄别，若体积减少超出了一定范围，会立即自动通过手机app向粮仓管理人员发送警报提醒，请求尽快做出处理。 4 結语
本文基于图像识别技术研究了一种粮食图像识别技术，通过对粮食体积的检测实现了对粮食库存的监管，为粮食监管大大的节省了人力和财力，为粮食监管人员提供了很大的便利。对捕获到的粮食图片进行预处理后首先进行二维到三维的转换，然后利用获得的三维信息进行体积的测量，最后对计算出的粮食体积进行周期性的比对。虽然体积测量结果存在一定误差，但研究的技术方法是可行的，在此基础上还有很大的优化改进空间。
参考文献
[1] 刘潇潇，平雪良，王昕煜.基于图像颜色信息的C-FAST特征检测和匹配算法[J].激光与光电子学进展，2019（27）：1-13.
[2] 孟广仕.图像识别技术在人工智能中的应用[J].信息与电脑，2018（12）：152-153.
[3] 姚天任，孙洪.现代数字信号处理[M].武汉：华中理工大学出版社，2017.
[4] 叶福玲.一种改进的图像骨架提取算法[J].西昌学院学报：自然科学版，2018，32（3）： 91-93.
[5] 许可乐.图像局部不变特征检测与描述技术研究[D].国防科学技术大学，2013.
[6] 吴鹏，于秋则，闵顺新.一种快速鲁棒的SAR图像匹配算法[J].计算机科学，2017，44（7）：283-288.
[7] Rojanamontien M.，Watchareeruetai U.Shape recognition by using Scale Invariant Feature Transform for contour[C].International Joint Conference on Computer Science and Software Engineering.IEEE， 2017：1-6.
[8] Jia Q.，Fan X.，Liu Y.，et al.Hierarchical projective invariant contexts for shape recognition[J]. Pattern Recognition， 2016（52）：358-374.
[9] SCHONING J，HEIDEMANN G，Evaluation of multi-view 3D reconstruction software[C]// Computer Analysis of Images and Patterns.2015：450-461.
转载注明来源:https://www.xzbu.com/1/view-15124987.htm
