溫室通風(fēng)設(shè)備狀態(tài)監(jiān)測系統(tǒng)設(shè)計與試驗

秦琳琳 黃云夢 吳 剛 石 春

(中國科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院， 合肥 230027)

0 引言

近年來，我國設(shè)施農(nóng)業(yè)發(fā)展迅速。截止到2019年初，全國大中拱棚以上設(shè)施面積達(dá)3.7×106hm2，占世界設(shè)施園藝面積的80%；連棟溫室面積9.99×105hm2，占全國設(shè)施面積的27%；我國有現(xiàn)代化玻璃溫室9 000 hm2，僅次于荷蘭(10 800 hm2)。溫室環(huán)境監(jiān)控系統(tǒng)是提高溫室作物產(chǎn)量、降低勞動力成本的關(guān)鍵技術(shù)。隨著傳感器[1-2]、計算機控制[3]、網(wǎng)絡(luò)通信[4-5]以及物聯(lián)網(wǎng)[6-7]等技術(shù)的快速發(fā)展，智能監(jiān)控系統(tǒng)逐漸被應(yīng)用到溫室監(jiān)控領(lǐng)域[8-9]。研究基于移動終端的農(nóng)業(yè)遠(yuǎn)程監(jiān)控方案[10-11]極大地方便了用戶對溫室環(huán)境的遠(yuǎn)程監(jiān)控?，F(xiàn)有系統(tǒng)大多以環(huán)境監(jiān)測為主[12-14]，一些實現(xiàn)自動控制功能的系統(tǒng)允許管理員遠(yuǎn)程監(jiān)測控制狀態(tài)[15]，但無法干預(yù)自動控制過程、選擇控制方法或切換手動自動控制，一些系統(tǒng)缺少溫室現(xiàn)場視頻圖像信息[16]和先進(jìn)算法的嵌入[17]。

溫室智能監(jiān)控系統(tǒng)具有全面感知、信號穩(wěn)定傳輸和智能應(yīng)用的優(yōu)點，且系統(tǒng)易于擴展、應(yīng)用性強，能協(xié)助溫室進(jìn)行環(huán)境控制，實現(xiàn)作物優(yōu)質(zhì)、高產(chǎn)[18-19]。然而，溫室中很多設(shè)備無位置反饋裝置，其運行以時間為基準(zhǔn)，在使用過程中可能導(dǎo)致設(shè)備實際位置與控制系統(tǒng)識別記憶位置產(chǎn)生偏差。因此，需要對溫室內(nèi)設(shè)備的狀態(tài)進(jìn)行監(jiān)測，以防止設(shè)備因錯誤操作而出現(xiàn)故障。目前，溫室通風(fēng)設(shè)備主要采用齒輪齒條開窗機構(gòu)、手動及電動卷膜機構(gòu)、強制通風(fēng)系統(tǒng)和環(huán)境風(fēng)機等，其中，齒輪齒條開窗機構(gòu)結(jié)構(gòu)簡單、消耗動力小，應(yīng)用最為普遍。溫室降溫設(shè)備主要用于夏季溫室內(nèi)溫度的調(diào)節(jié)，主要包括室內(nèi)外遮陽裝置、濕簾、風(fēng)機、噴淋降溫設(shè)備和空調(diào)降溫設(shè)備。

目標(biāo)檢測即從視頻圖像中獲取運動目標(biāo)。作為計算機視覺技術(shù)中一個重要的分支，目標(biāo)檢測已取得了飛速發(fā)展。根據(jù)攝像頭在采集視頻圖像的過程中是否發(fā)生移動，可將目標(biāo)檢測分為靜態(tài)背景下的目標(biāo)檢測和動態(tài)背景下的目標(biāo)檢測。前者采集到的視頻是由固定攝像頭拍攝，背景不變化或者變化較慢，只有前景會發(fā)生變化；后者采集到的視頻是由可移動的攝像頭拍攝，監(jiān)控時背景和前景都會發(fā)生變化。本研究溫室內(nèi)攝像頭固定，可采用靜態(tài)背景下的目標(biāo)檢測算法，算法主要包括幀間差分法、背景差分法、光流場、混合高斯模型、邊緣檢測算法等[20-22]。本文研究幀間差分法和自相關(guān)函數(shù)法、背景差分法和Canny邊緣檢測圖像識別技術(shù)在溫室設(shè)備狀態(tài)檢測中的應(yīng)用，其中，幀間差分法和自相關(guān)函數(shù)法用于風(fēng)機停轉(zhuǎn)狀態(tài)的檢測，背景差分法和Canny邊緣檢測算法用于天窗開度狀態(tài)的檢測，并比較不同目標(biāo)檢測算法的實時性和準(zhǔn)確性。在前期研究的基礎(chǔ)上[23-24]， 對基于Android平臺開發(fā)的溫室遠(yuǎn)程監(jiān)控系統(tǒng)進(jìn)行功能擴充和系統(tǒng)完善。

1 系統(tǒng)總體設(shè)計

系統(tǒng)由現(xiàn)場監(jiān)控模塊、服務(wù)器和Android客戶端組成，如圖1所示。

1.1 現(xiàn)場監(jiān)控模塊

現(xiàn)場監(jiān)控模塊采用C/S架構(gòu)，監(jiān)控軟件通過CANOpen協(xié)議和基于分布式CAN總線的溫室數(shù)據(jù)采集與控制系統(tǒng)通信[25]。輸入模塊接收傳感器采集的溫室內(nèi)外環(huán)境因子，將數(shù)據(jù)發(fā)送到CAN總線。輸出模塊通過CAN總線接收來自現(xiàn)場監(jiān)控軟件的控制信號，控制繼電器的動作調(diào)控設(shè)備?，F(xiàn)場監(jiān)控模塊還具有視頻監(jiān)控等多種實用功能。

1.2 服務(wù)器

MySQL數(shù)據(jù)庫服務(wù)器是遠(yuǎn)程監(jiān)控子系統(tǒng)和現(xiàn)場監(jiān)控模塊通信的橋梁?，F(xiàn)場監(jiān)控模塊將處理過的實時環(huán)境數(shù)據(jù)、設(shè)備狀態(tài)信息以及設(shè)備控制日志等存儲到數(shù)據(jù)庫中。

1.3 Android客戶端

Android客戶端具有用戶注冊管理、實時環(huán)境數(shù)據(jù)監(jiān)測、設(shè)備遠(yuǎn)程控制、視頻監(jiān)控等功能。遠(yuǎn)程監(jiān)控子系統(tǒng)將數(shù)據(jù)庫中存儲的信息展示給遠(yuǎn)程用戶，實現(xiàn)用戶對溫室設(shè)備的遠(yuǎn)程控制。

2 設(shè)備狀態(tài)檢測

溫室控制系統(tǒng)主要由開關(guān)設(shè)備和可連續(xù)控制但無位置伺服反饋的設(shè)備構(gòu)成，設(shè)備(如天窗、風(fēng)機、濕簾、遮陽網(wǎng)等)狀態(tài)一般為開關(guān)量。由于溫室中很多設(shè)備無反饋裝置，如天窗的位置控制(以時間為基準(zhǔn))，其實際位置與預(yù)期位置可能存在差別。另外，溫室自動控制可能產(chǎn)生錯誤的操作，導(dǎo)致軟件中的設(shè)備狀態(tài)與設(shè)備實際狀態(tài)不符合，造成無法控制或者硬件設(shè)備損傷。因此需要對溫室內(nèi)設(shè)備狀態(tài)進(jìn)行監(jiān)測。

試驗溫室內(nèi)安裝有?？低旸S-2CD3212D-15型紅外網(wǎng)絡(luò)攝像頭，位置固定，根據(jù)紅外攝像頭獲取溫室內(nèi)部風(fēng)機和天窗的視頻信息，對采集的視頻信息進(jìn)行處理，獲取風(fēng)機轉(zhuǎn)停狀態(tài)和天窗開度狀態(tài)，以防因設(shè)備故障等造成對農(nóng)業(yè)生產(chǎn)的影響。根據(jù)風(fēng)機和天窗的特點與實際情況，選用幀間差分法和自相關(guān)函數(shù)法檢測風(fēng)機狀態(tài)，背景差分法和Canny邊緣檢測方法檢測天窗狀態(tài)。圖2為攝像頭視頻序列中風(fēng)機停止和某個風(fēng)機運轉(zhuǎn)時的圖像，圖3是視頻序列中天窗開度分別為0%、50%、100%時的圖像。

2.1 風(fēng)機停轉(zhuǎn)狀態(tài)檢測

2.1.1幀間差分法及其應(yīng)用

幀間差分法是求出圖像序列中相鄰兩幀或多幀圖像像素間的差分，并通過設(shè)定一定的閾值將其轉(zhuǎn)換為二值圖像，利用視頻圖像相鄰幀之間相關(guān)性較強的檢測原理，來確定運動目標(biāo)的方法。在背景靜止的情況下，此方法有較好的效果。

記視頻序列中第n幀和第n-1幀圖像為fn和fn-1，兩幀對應(yīng)像素點(x,y)的灰度記為fn(x,y)和fn-1(x,y)，將兩幀圖像對應(yīng)像素點的灰度進(jìn)行相減，并取其絕對值，得到差分圖像Dn，計算式

Dn(x,y)=|fn(x,y)-fn-1(x,y)|

(1)

設(shè)定閾值T1，逐個對像素點進(jìn)行二值化處理，得到二值化圖像Rn為

(2)

式中T1——幀間差分法二值化閾值

其中，灰度為1的點即為前景(運動目標(biāo))點，灰度為0的點即為背景點。

幀間差分法算法實現(xiàn)簡單，程序設(shè)計復(fù)雜度低，對光線等場景變化不太敏感，能夠適應(yīng)各種動態(tài)環(huán)境，穩(wěn)定性好。但是不能提取出對象的完整區(qū)域，只能提取出邊界，可能出現(xiàn)“空洞”現(xiàn)象和“假多目標(biāo)”現(xiàn)象。

攝像頭在溫室內(nèi)位置固定，因此背景靜止。試驗表明，風(fēng)機正常運行時轉(zhuǎn)速不是攝像頭采樣頻率的整數(shù)倍。利用視頻序列中第n幀與第n-1幀、第n幀與第n+1幀、第n-1幀和第n+1幀差分后再得到的二值化圖像，通過統(tǒng)計二值化圖像中前景點的個數(shù)綜合判斷第n幀對應(yīng)的風(fēng)機狀態(tài)，即得到的3個二值化圖像中有任意圖像中前景點個數(shù)大于設(shè)定閾值時，即判斷此時風(fēng)機運轉(zhuǎn)，否則風(fēng)機停止。圖4為風(fēng)機運轉(zhuǎn)中得到的二值化圖像。

從圖4可以看到，當(dāng)風(fēng)機運轉(zhuǎn)時，幀間差分法能夠清晰地檢測到風(fēng)機。而當(dāng)風(fēng)機停止時，得到的二值化圖像中無風(fēng)機。

通過統(tǒng)計二值化圖像中前景點的個數(shù)判斷風(fēng)機狀態(tài)。針對一天中的光線不同，攝像頭采集圖像背景不同，需要分情況設(shè)定二值化的閾值。首先，判斷背景圖像是白天還是夜晚，采用的方法為先得到白天時背景圖像的灰度圖，設(shè)置二值化閾值為200，得到二值化圖像。統(tǒng)計不包含邊界的小部分區(qū)域的像素(黑色像素為0，白色像素為255)判斷白天或夜晚，若像素之和大于10%，則判定為白天，設(shè)置差分圖像的二值化閾值為90，否則設(shè)置差分圖像的二值化閾值為15。統(tǒng)計風(fēng)機所在區(qū)域的二值化圖像中像素之和，若是白天，大于5%，則判斷風(fēng)機轉(zhuǎn)動；若是夜晚，大于2%，則判斷風(fēng)機轉(zhuǎn)動。

2.1.2自相關(guān)函數(shù)法及其應(yīng)用

自相關(guān)函數(shù)法是描述信號X(t)在任意兩個不同時刻1、2的取值之間的相關(guān)程度?；ハ嚓P(guān)函數(shù)給出了在頻域內(nèi)2個信號是否相關(guān)的一個判斷指標(biāo)，把兩測點之間信號的互譜與各自的自譜聯(lián)系起來。它能用來確定輸出信號多大程度來自輸入信號，對修正測量中接入噪聲源而產(chǎn)生的誤差非常有效。將信號的概念移植到圖像處理之中，使得對風(fēng)機轉(zhuǎn)停的判斷從概念上變成了對兩幅圖像灰度相關(guān)性的檢驗。

自相關(guān)函數(shù)法是利用連續(xù)兩幅圖像，若風(fēng)機不轉(zhuǎn)，則連續(xù)取兩幅圖像必然相差不大，相似度很高；若風(fēng)機轉(zhuǎn)動，則連續(xù)取兩幅圖像相差較大，相似度很低。連續(xù)從監(jiān)測視頻中取兩幅圖像a、b并截取風(fēng)扇的部分，并將它們轉(zhuǎn)換成灰度圖。對其進(jìn)行中心化

(3)

其相關(guān)性計算式為

(4)

acent——圖像a風(fēng)扇部分中心化值

bcent——圖像b風(fēng)扇部分中心化值

r——圖像a、b風(fēng)扇部分相關(guān)性

取閾值為T2，當(dāng)r>T2，風(fēng)機不轉(zhuǎn)；當(dāng)r≤T2時，風(fēng)機轉(zhuǎn)動。

圖5為風(fēng)機運轉(zhuǎn)中截取的風(fēng)扇部分。

根據(jù)幀間差分法判斷白天還是晚上，對于白天設(shè)置閾值T2為0.9，即當(dāng)相關(guān)性大于0.9時，判斷風(fēng)機為停止，相關(guān)性小于0.9時為轉(zhuǎn)動。對于夜晚設(shè)置閾值T2為0.993。

選取時長分別為32、28、14、11 s的4段視頻，分別采用幀間差分法和自相關(guān)函數(shù)法進(jìn)行風(fēng)機狀態(tài)檢測。表1為不同檢測算法所需時間。

表1 風(fēng)機狀態(tài)檢測的不同算法運行時間Tab.1 Execution time of different algorithms for fan state detection

根據(jù)表1中4段不同時長的視頻段不同算法檢測風(fēng)機狀態(tài)所需時間，自相關(guān)函數(shù)法比幀間差分法實時性好，幀間差分法檢測監(jiān)控視頻中的目標(biāo)風(fēng)機平均每幀耗時約37 ms，自相關(guān)函數(shù)法檢測監(jiān)控視頻中的目標(biāo)風(fēng)機平均每幀耗時約33 ms，都能夠快速檢測出風(fēng)機狀態(tài)。

2.2 天窗開度狀態(tài)檢測

視頻監(jiān)控系統(tǒng)主要使用固定攝像頭對場景進(jìn)行監(jiān)控，場景固定，在智能化視頻監(jiān)控系統(tǒng)中，背景差分法是一種重要的運動目標(biāo)分割方法[26]。背景差分法是目前運動分割中最常用的一種方法，但是需要構(gòu)建一幅背景圖像，背景圖像不包含運動目標(biāo)。邊緣提取方法也稱為邊緣檢測算子。Canny邊緣檢測算子在處理受高斯噪聲污染的圖像中效果良好，很快得到普及[27-28]。利用背景差分法和Canny邊緣檢測方法對天窗開度狀態(tài)進(jìn)行檢測。對比兩種檢測方法的準(zhǔn)確性、運行時間等性能。

2.2.1背景差分法及應(yīng)用

背景差分法基本思路是通過輸入圖像與背景圖像進(jìn)行比較的方法檢測運動目標(biāo)，核心是將序列圖像當(dāng)前幀與背景圖像做減法運算。由于運動物體和背景在灰度或色彩上存在差別，相減后所得結(jié)果中每一像素和一個預(yù)先設(shè)定的閾值相比較，如果這個像素大于設(shè)定的閾值，則判定被監(jiān)控的場景中存在運動物體，從而得到運動目標(biāo)。

如不考慮噪聲n(x,y,t)的影響，視頻幀圖像I(x,y,t)可以看作是由背景圖像b(x,y,t)和運動目標(biāo)m(x,y,t)組成，即

I(x,y,t)=b(x,y,t)+m(x,y,t)

(5)

在實際應(yīng)用中，由于噪聲的影響，式(5)不能得到真正的運動目標(biāo)，而是由運動目標(biāo)區(qū)域和噪聲組成的差分圖像d(x,y,t)，即

d(x,y,t)=I(x,y,t)-b(x,y,t)+n(x,y,t)

(6)

以下兩個假設(shè)為前提條件：①在靜態(tài)背景下，外界的光照條件不變并且不考慮噪聲的情況下，視頻圖像序列的背景保持不變。②在目標(biāo)可視的情況下，目標(biāo)與背景的灰度之間存在一定的對比度。采用最常用的閾值分割方法，得到運動目標(biāo)，即

(7)

式中T3——背景差分法二值化閾值

背景圖像差分法其原理和算法設(shè)計簡單，可以根據(jù)實際情況確定閾值進(jìn)行處理，所得結(jié)果直接反映了運動目標(biāo)的位置、大小形狀等信息，能夠得到比較精確的運動目標(biāo)信息。但同時也存在受光線、天氣等外界條件變化的影響較大。

將某一時刻天窗關(guān)閉時的圖像作為背景圖像。采用背景差分法得到二值化圖像，如圖6所示。

在二值化圖像中取x=360這一列，測出開度為0%、50%、100%時所對應(yīng)的天窗邊沿所在的位置y分別為218、168、118。進(jìn)行線性化，得到天窗開度A和天窗邊沿所在位置y的關(guān)系為

(8)

通過背景差分法可以準(zhǔn)確地檢測天窗邊沿的位置，從而判斷天窗開度。

2.2.2Canny邊緣檢測算法及應(yīng)用

邊緣檢測原理是檢測出圖像中所有灰度變化較大的點，而且這些點連起來構(gòu)成若干線條，稱之為圖像邊緣。

Canny邊緣檢測算法及其描述如下：

(1)利用高斯濾波器對圖像進(jìn)行濾波，消除圖像中的噪聲。Canny邊緣檢測算子屬于線性濾波方法，需要先對圖像進(jìn)行平滑濾波。Canny邊緣檢測算子采用的濾波函數(shù)是高斯函數(shù)的一階微分，能在噪聲抑制和邊緣檢測之間取得較好的平衡。

(2)進(jìn)行一階微分。Canny邊緣檢測算子通過計算像素點的梯度增強圖像，計算圖像的梯度，并將梯度分類為垂直、水平和斜對。輸出用于在下一步中計算真正的邊緣。

(3)對梯度進(jìn)行“非極大抑制”。利用上一步計算出的梯度方向，檢測某一像素在梯度的正方向和負(fù)方向上是否為局部最大值，如果是，則抑制該像素(像素不屬于邊緣)。其是一種邊緣細(xì)化技術(shù)，用最急劇的變換選出邊緣點。

(4)對梯度取兩次閾值。Canny邊緣檢測算子通過對梯度按閾值取舍方法檢測邊緣，用兩個分別稱為低通閾值和高通閾值的閾值T1和T2，把梯度小于T1的像素灰度設(shè)為0，得到圖像1。把梯度小于T2的像素灰度設(shè)為0，得到圖像2。由于圖像2的閾值較高，噪聲較小，但損失了有用的邊緣信息，而圖像1的閾值較低，保留了較多信息。因此可以在圖像2的基礎(chǔ)上，以圖像1為補充連接圖像邊緣。

將Canny邊緣檢測算法應(yīng)用于天窗開度檢測，圖7為開度50%、100%時得到的檢測圖像。同樣利用開度和天窗邊沿所在位置的關(guān)系，判斷天窗開度。

選取時長分別為52、34、26、24 s的4段視頻，分別采用背景差分法和Canny邊緣檢測算法進(jìn)行風(fēng)機狀態(tài)檢測。表2為不同檢測算法所需時間。

表2 天窗狀態(tài)檢測的不同算法時間Tab.2 Execution time of different algorithms for vent state detection

根據(jù)表2中4段不同時長的視頻段不同算法檢測天窗狀態(tài)所需時間，背景差分法檢測監(jiān)控視頻中的天窗狀態(tài)平均每幀耗時約37 ms，Canny邊緣檢測算法檢測監(jiān)控視頻中的天窗狀態(tài)平均每幀耗時約107 ms，背景差分法實時性比Canny邊緣檢測算法好。

3 異常告警

采用圖像檢測算法對風(fēng)機和天窗的狀態(tài)進(jìn)行檢測，當(dāng)出現(xiàn)檢測結(jié)果與計算機內(nèi)部狀態(tài)不一致、設(shè)備故障以及溫室內(nèi)溫度異常、出現(xiàn)極端天氣等狀況下需要異常告警機制，保證設(shè)備安全以及溫室內(nèi)作物的正常生長。

3.1 方案

溫室環(huán)境因子或者設(shè)備出現(xiàn)異常狀況時，利用微信發(fā)送平臺飛鴿快信，推送消息到管理員的微信。

3.2 應(yīng)用

建立飛鴿快信管理員群，通過掃描二維碼訂閱公眾號飛鴿快信，能夠接收告警消息。圖8為建立的飛鴿快信管理員群。

圖9為設(shè)備檢測狀態(tài)和計算機內(nèi)部狀態(tài)不同時收到的設(shè)備告警信息，圖10為風(fēng)速過大沒有關(guān)閉天窗時的告警信息。通過信息提醒管理員溫室內(nèi)設(shè)備出現(xiàn)問題或者設(shè)備狀態(tài)需要調(diào)控，可以通過現(xiàn)場查看或者攝像頭遠(yuǎn)程查看設(shè)備，及時控制設(shè)備。

4 系統(tǒng)應(yīng)用試驗

4.1 試驗材料與方法

試驗溫室位于中國科學(xué)技術(shù)大學(xué)西區(qū)信息科學(xué)技術(shù)學(xué)院，面積82 m2，東西長12.2 m，南北跨度8.2 m，檐高4.9 m，頂高6.2 m。溫室內(nèi)安裝有溫濕度傳感器、太陽輻射儀器、CO2濃度傳感器，室外設(shè)有小型氣象站，包括溫濕度傳感器、太陽輻射儀器、風(fēng)速風(fēng)向傳感器用于測量環(huán)境參數(shù)。溫室環(huán)境調(diào)控設(shè)備包括風(fēng)機、天窗、內(nèi)遮陽網(wǎng)和濕簾等。本系統(tǒng)應(yīng)用在該試驗溫室中。

圖11為Android客戶端界面，分為環(huán)境、控制、系統(tǒng)和個人4個標(biāo)簽頁，通過點擊Tab實現(xiàn)切換。

4.2 試驗結(jié)果與分析

4.2.1風(fēng)機狀態(tài)檢測結(jié)果

設(shè)備狀態(tài)檢測試驗在該試驗溫室內(nèi)進(jìn)行，時間為2020年1月2—5日，共4 d時間內(nèi)對風(fēng)機狀態(tài)進(jìn)行了實時監(jiān)測，如圖12所示。采樣時間為1 min，檢測時間為1 min，每天采樣次數(shù)為1 440次。

根據(jù)表3幀間差分法和自相關(guān)函數(shù)法檢測風(fēng)機狀態(tài)的準(zhǔn)確度，對于本試驗溫室風(fēng)機狀態(tài)檢測，兩種目標(biāo)檢測算法都能夠較準(zhǔn)確地檢測出風(fēng)機的狀態(tài)，幀間差分法準(zhǔn)確度不小于99.58%，自相關(guān)函數(shù)法準(zhǔn)確度不小于98.75%，幀間差分法的準(zhǔn)確度略高于自相關(guān)函數(shù)法。根據(jù)實時運行結(jié)果，幀間差分法每幀耗時30 ms，自相關(guān)函數(shù)法每幀耗時27 ms，自相關(guān)函數(shù)法的實時性更好。

表3 風(fēng)機狀態(tài)檢測算法準(zhǔn)確度Tab.3 Accuracy of fan state detection algorithm

4.2.2天窗狀態(tài)檢測結(jié)果

設(shè)備狀態(tài)檢測試驗在該試驗溫室內(nèi)進(jìn)行，時間為2020年1月9—11日，共3 d時間內(nèi)對天窗狀態(tài)進(jìn)行了實時監(jiān)測，如圖13所示。采樣時間為1 min，檢測時間為1 min，一天中采樣次數(shù)為1 440次。

根據(jù)表4分析背景差分法和Canny邊緣檢測算法的準(zhǔn)確度，背景差分法和Canny邊緣檢測算法都能夠較準(zhǔn)確檢測出天窗的狀態(tài)，準(zhǔn)確度不小于99.58%，Canny邊緣檢測算法的準(zhǔn)確度略高于背景差分法。根據(jù)實時運行結(jié)果，背景差分法每幀耗時18 ms，Canny邊緣檢測算法每幀耗時24 ms，背景差分法實時性優(yōu)于Canny邊緣檢測算法。

表4 天窗狀態(tài)檢測算法準(zhǔn)確度Tab.4 Accuracy of vent state detection algorithm

5 結(jié)論

(1)根據(jù)現(xiàn)代溫室的管理需求，設(shè)計了現(xiàn)代溫室智能監(jiān)控系統(tǒng)。系統(tǒng)由現(xiàn)場監(jiān)控模塊、服務(wù)器和Android客戶端組成，每個部分相對獨立，具有較高的應(yīng)用性、可擴展性和可維護(hù)性。Android客戶端具有實時環(huán)境數(shù)據(jù)顯示、歷史數(shù)據(jù)查詢、設(shè)備控制、實時視頻監(jiān)控等功能。系統(tǒng)便利性好，不受時間地域限制，用戶可以在具備網(wǎng)絡(luò)覆蓋的條件下通過手機對溫室進(jìn)行監(jiān)控。

(2)利用溫室內(nèi)攝像頭監(jiān)控設(shè)備狀態(tài)，采用幀間差分法和自相關(guān)函數(shù)法判斷風(fēng)機停轉(zhuǎn)，采用背景差分法和Canny邊緣檢測方法識別天窗開度，實現(xiàn)了設(shè)備狀態(tài)監(jiān)測，解決了無位置伺服反饋設(shè)備難以獲取其精確狀態(tài)的問題。具有異常告警機制，當(dāng)設(shè)備出現(xiàn)異常狀況或者溫室內(nèi)環(huán)境信息異常時，系統(tǒng)自動向用戶發(fā)送消息。

(3)采用圖像檢測對溫室內(nèi)的風(fēng)機和天窗設(shè)備進(jìn)行狀態(tài)檢測，由于溫室內(nèi)攝像頭只有一個，且位置固定故只能監(jiān)控風(fēng)機和天窗兩種設(shè)備，對于遮陽網(wǎng)和濕簾沒有進(jìn)行狀態(tài)檢測。后續(xù)研究可以通過增加攝像頭對溫室內(nèi)其他設(shè)備進(jìn)行狀態(tài)檢測，以及通過圖像處理的方法對溫室內(nèi)植物的生長狀況、病蟲害狀況進(jìn)行監(jiān)測。