本發(fā)明涉及作物生長分析領(lǐng)域,特別是涉及一種基于無人機(jī)平臺(tái)的作物生長分析方法及其分析系統(tǒng)。
背景技術(shù):
在傳統(tǒng)的作物育種、制種及生產(chǎn)中,作物的生長狀況監(jiān)測需要耗費(fèi)大量的人力物力,需要相關(guān)人員到種植區(qū)進(jìn)行現(xiàn)場觀察和測量,但是對于現(xiàn)場觀察,由于現(xiàn)場環(huán)境或作物遮擋等原因很難觀察到農(nóng)田內(nèi)部作物的生長狀況,而且存在主觀測量誤差大、操作繁瑣、記錄困難等問題。尤其是在作物種植和生長過程中,壟數(shù)、株高、倒伏率、葉色和植被覆蓋度等信息對作物生長狀況影像甚大,如不進(jìn)行準(zhǔn)確的監(jiān)測可能會(huì)造成巨大的損失。
隨著無人機(jī)技術(shù)的發(fā)展,無人機(jī)被應(yīng)用在農(nóng)業(yè)遙感領(lǐng)域,可實(shí)現(xiàn)對農(nóng)田作物的低空監(jiān)測,相對于衛(wèi)星遙感、航天遙感等傳統(tǒng)的遙感技術(shù),無人機(jī)遙感擁有時(shí)效高、數(shù)據(jù)小、精度高等優(yōu)點(diǎn)。然而現(xiàn)有的無人機(jī)遙感技術(shù)應(yīng)用在農(nóng)業(yè)上大多都只是停留在拍照監(jiān)測階段,未能實(shí)現(xiàn)將監(jiān)測信息通過科學(xué)的手段轉(zhuǎn)化為可視化數(shù)據(jù)進(jìn)行系統(tǒng)分析。
技術(shù)實(shí)現(xiàn)要素:
針對上述缺陷,本發(fā)明的目的在于提供一種基于無人機(jī)平臺(tái)的作物生長分析方法及其分析系統(tǒng),可計(jì)算作物種植和生長過程中的壟數(shù)、株高、葉色、倒伏率以及植被覆蓋度等數(shù)據(jù),實(shí)現(xiàn)對作物生長狀況的實(shí)時(shí)監(jiān)測,并對監(jiān)測數(shù)據(jù)進(jìn)行統(tǒng)一的分析與管理。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法,其中,包括如下步驟:
步驟s1:無人機(jī)采集影像數(shù)據(jù);
步驟s2:數(shù)據(jù)拼接后獲取正射影像,進(jìn)行空三加密,獲得dsm模型;
步驟s3:根據(jù)種植規(guī)劃對各個(gè)種植小區(qū)進(jìn)行矢量化分割;
步驟s4:提取每個(gè)矢量圖斑區(qū)域內(nèi)影像數(shù)據(jù)和每個(gè)象元的光譜信息;
步驟s5:根據(jù)光譜信息計(jì)算作物壟數(shù)、株高、倒伏率、葉色、植被覆蓋度等參數(shù)。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法,其中所述步驟s1中采用無人機(jī)平臺(tái)搭載可見光相機(jī)按照特定的軌跡飛行,定點(diǎn)拍照,獲取到種植區(qū)的rgb影像。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法,其中所述步驟s5中計(jì)算作物壟數(shù)包括如下步驟:
步驟s11:對正射影像進(jìn)行二值化處理,將植被與裸地區(qū)分開;
步驟s12:對生成的二值圖像進(jìn)行填充處理,消除植被與裸地中的椒鹽效應(yīng);
步驟s13:采用sobel算子進(jìn)行邊緣檢測;
步驟s14:使用hough變換算法提取邊緣檢測圖像中的直線,并計(jì)數(shù)輸出作物壟數(shù)。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法,其中所述步驟s5中計(jì)算作物株高包括如下步驟:
步驟s21:用作物某一生育期的dsm模型與裸地時(shí)期dsm模型進(jìn)行相減,得到種植區(qū)內(nèi)每個(gè)象元的高程差;
步驟s22:將所得到的高程差賦值到根據(jù)種植規(guī)劃所繪制的矢量圖中,計(jì)算得到每個(gè)小區(qū)內(nèi)的作物株高的最大值、最小值和平均值。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法,其中所述步驟s5中計(jì)算作物倒伏率包括如下步驟:
步驟s31:在正射影像中選取正常作物的roi和倒伏作物的roi;
步驟s32:利用隨機(jī)森林法對選取的正常植株roi和倒伏植株roi進(jìn)行統(tǒng)計(jì)分析;
步驟s33:對分類結(jié)果進(jìn)行作物的分布和面積統(tǒng)計(jì),并根據(jù)種植區(qū)總面積進(jìn)行計(jì)算得到作物倒伏率。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法,其中所述步驟s5中提取作物葉色包括如下步驟:
步驟s41:在正射影像中選取不同顏色植被冠層的roi;
步驟s42:使用最大似然監(jiān)督分類法;
步驟s43:識別出冠層不同顏色的區(qū)域。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法,其中所述步驟s5中計(jì)算植物覆蓋度包括如下步驟:
步驟s51:對正射影像圖求取其超綠特征,區(qū)分植被和土壤;
步驟s52:分別統(tǒng)計(jì)植被的像素?cái)?shù)量和土壤的像素?cái)?shù)量,計(jì)算植被像素占總像素的比值,計(jì)算出制備覆蓋度。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析系統(tǒng),其中,包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、參數(shù)提取模塊和客戶端展示模塊,數(shù)據(jù)采集模塊的數(shù)據(jù)信號輸出端與數(shù)據(jù)預(yù)處理模塊的數(shù)據(jù)接收端連接,數(shù)據(jù)預(yù)處理模塊的數(shù)據(jù)輸出端與參數(shù)提取模塊的參數(shù)提取端連接,參數(shù)提取模塊的參數(shù)輸出端與客戶端展示模塊的參數(shù)接收端連接,圖像預(yù)處理模塊又包括數(shù)據(jù)拼接單元和小區(qū)矢量化單元,參數(shù)提取模塊又包括壟數(shù)計(jì)算單元、株高提取單元、倒伏率提取單元、葉色提取單元和植被覆蓋度提取單元。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析系統(tǒng),其中所述數(shù)據(jù)采集模塊為搭載可見光相機(jī)的無人機(jī)平臺(tái)。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法及其分析系統(tǒng)與現(xiàn)有技術(shù)不同之處在于:本發(fā)明可以標(biāo)準(zhǔn)化、快速化獲取大面積區(qū)域的農(nóng)作物表型信息,為種植大戶、農(nóng)場主等提供一種新型選擇,對作物生長狀態(tài)信息和管理決策提供支持。取代人工調(diào)查的傳統(tǒng)方法,具有準(zhǔn)確度高、效率高和成本低得優(yōu)點(diǎn)。
下面結(jié)合附圖對本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法及其分析系統(tǒng)作進(jìn)一步說明。
附圖說明
本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對實(shí)施例的描述中將變得明顯和容易理解,其中:
圖1為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟流程圖;
圖2為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算作物壟數(shù)的具體步驟流程圖;
圖3為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算作物株高的具體步驟流程圖;
圖4為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算作物倒伏率的具體步驟流程圖;
圖5為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中提取作物葉色的具體步驟流程圖;
圖6為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算植物覆蓋度的步驟流程圖;
圖7為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析系統(tǒng)的結(jié)構(gòu)示意圖。
具體實(shí)施方式
下面詳細(xì)描述本發(fā)明的實(shí)施例,實(shí)施例的示例在附圖中示出。下面通過參考附圖描述的實(shí)施例是示例性的,旨在用于解釋本發(fā)明,而不能理解為對本發(fā)明的限制。
如圖1所示,為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟流程圖,具體包括如下步驟:
步驟s1:無人機(jī)采集影像數(shù)據(jù)。為了獲取作物種植區(qū)影像,采用無人機(jī)平臺(tái)搭載可見光相機(jī)按照特定的軌跡飛行,定點(diǎn)拍照,獲取到種植區(qū)的rgb影像;
步驟s2:數(shù)據(jù)拼接后獲取正射影像,進(jìn)行空三加密,獲得dsm模型(基于數(shù)字表面模型,digitalsurfacemodel)。為了得到種植區(qū)完整的影像和dsm模型,對無人機(jī)采集到的圖像通過gps信息和特征點(diǎn)信息進(jìn)行拼接,得到種植區(qū)的正攝影像,再對影像進(jìn)行空三加密,得到種植區(qū)的dsm模型;
步驟s3:根據(jù)種植規(guī)劃對各個(gè)種植小區(qū)進(jìn)行矢量化分割。在獲取到種植區(qū)的正攝影像后,通過種植區(qū)的種植規(guī)劃按照種植小區(qū)邊界對種植小區(qū)進(jìn)行矢量化分割,并在矢量化圖斑屬性中對每個(gè)圖斑賦予相應(yīng)的編號屬性,使使每個(gè)矢量圖斑與每個(gè)種植小區(qū)實(shí)現(xiàn)一一對應(yīng);
步驟s4:提取每個(gè)矢量圖斑區(qū)域內(nèi)影像數(shù)據(jù)和每個(gè)象元的光譜信息;
步驟s5:根據(jù)光譜信息計(jì)算作物壟數(shù)、株高、倒伏率、葉色、植被覆蓋度等參數(shù)。
如圖2所示,為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算作物壟數(shù)的具體步驟流程圖,計(jì)算作物壟數(shù)的具體步驟包括:
步驟s11:對正射影像進(jìn)行二值化處理,將植被與裸地區(qū)分開;
步驟s12:對生成的二值圖像進(jìn)行填充處理,消除植被與裸地中的椒鹽效應(yīng);
步驟s13:采用sobel算子進(jìn)行邊緣檢測;
步驟s14:使用hough變換算法提取邊緣檢測圖像中的直線,并計(jì)數(shù)輸出作物壟數(shù)。
如圖3所示,為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算作物株高的具體步驟流程圖,計(jì)算作物株高的具體步驟包括:
步驟s21:用作物某一生育期的dsm模型與裸地時(shí)期dsm模型進(jìn)行相減,得到種植區(qū)內(nèi)每個(gè)象元的高程差;
步驟s22:將所得到的高程差賦值到根據(jù)種植規(guī)劃所繪制的矢量圖中,計(jì)算得到每個(gè)小區(qū)內(nèi)的作物株高的最大值、最小值和平均值。
如圖4所示,為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算作物倒伏率的具體步驟流程圖,計(jì)算作物倒伏率的具體步驟包括:
步驟s31:在正射影像中選取正常作物的roi(投入回報(bào)率)和倒伏作物的roi;
步驟s32:利用隨機(jī)森林法(randomforest)對選取的正常玉米roi和倒伏玉米roi進(jìn)行統(tǒng)計(jì)分析;
步驟s33:對分類結(jié)果進(jìn)行作物的分布和面積統(tǒng)計(jì),并根據(jù)種植區(qū)總面積進(jìn)行計(jì)算得到作物倒伏率。
如圖5所示,為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中提取作物葉色的具體步驟流程圖,提取作物葉色的具體步驟包括:
步驟s41:在正射影像中選取不同冠層顏色的玉米roi;
步驟s42:使用最大似然監(jiān)督分類法,通過選取不同顏色的roi作為訓(xùn)練樣本,進(jìn)行監(jiān)督分類;
步驟s43:識別出冠層不同顏色的區(qū)域。
如圖6所示,為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法的步驟s5中計(jì)算植物覆蓋度的步驟流程圖,計(jì)算植物覆蓋度的具體步驟包括:
步驟s51:對正射影像圖求取其超綠特征(2g-r-b),區(qū)分植被和土壤;
步驟s52:分別統(tǒng)計(jì)植被的像素?cái)?shù)量和土壤的像素?cái)?shù)量,計(jì)算植被像素占總像素的比值,從而計(jì)算出制備覆蓋度。
如圖7所示,為本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析系統(tǒng)的結(jié)構(gòu)示意圖,基于無人機(jī)平臺(tái)的作物生長分析系統(tǒng)包括數(shù)據(jù)采集模塊71、數(shù)據(jù)預(yù)處理模塊72、參數(shù)提取模塊73和客戶端展示模塊74。數(shù)據(jù)采集模塊71的數(shù)據(jù)信號輸出端與數(shù)據(jù)預(yù)處理模塊72的數(shù)據(jù)接收端連接,數(shù)據(jù)預(yù)處理模塊72的數(shù)據(jù)輸出端與參數(shù)提取模塊73的參數(shù)提取端連接,參數(shù)提取模塊73的參數(shù)輸出端與客戶端展示模塊74的參數(shù)接收端連接。數(shù)據(jù)采集模塊71為搭載可見光相機(jī)的無人機(jī)平臺(tái),用于采集作物種植區(qū)的rgb圖像。圖像預(yù)處理模塊72又包括數(shù)據(jù)拼接單元721和小區(qū)矢量化單元722,數(shù)據(jù)拼接單元721對rgb圖像根據(jù)gps信息和特征點(diǎn)信息進(jìn)行拼接并進(jìn)行空三加密,得到完整的種植區(qū)的正射影像圖和dsm模型;小區(qū)矢量化單元722對正射影像通過種植區(qū)的種植規(guī)劃按照種植小區(qū)邊界對種植小區(qū)進(jìn)行矢量化分割得到種植規(guī)劃的矢量圖斑。參數(shù)提取模塊73又包括壟數(shù)計(jì)算單元731、株高提取單元732、倒伏率提取單元733、葉色提取單元734和植被覆蓋度提取單元735,參數(shù)提取模塊73根據(jù)正射影像的光譜信息進(jìn)行計(jì)算,得到作物的壟數(shù)、株高、倒伏率、葉色和植被覆蓋度信息??蛻舳苏故灸K74用于將參數(shù)提取單元73提取到的作物的各項(xiàng)參數(shù)以圖形和表格的形式向用戶進(jìn)行展示。
本發(fā)明基于無人機(jī)平臺(tái)的作物生長分析方法及其分析系統(tǒng),可以標(biāo)準(zhǔn)化、快速化獲取大面積區(qū)域的農(nóng)作物表型信息,為種植大戶、農(nóng)場主等提供一種新型選擇,對作物生長狀態(tài)信息和管理決策提供支持,從而取代人工調(diào)查的傳統(tǒng)方法。本發(fā)明具準(zhǔn)確度高、效率高、成本低,與現(xiàn)有技術(shù)相比具有明顯的優(yōu)點(diǎn)。
以上所述的實(shí)施例僅僅是對本發(fā)明的優(yōu)選實(shí)施方式進(jìn)行描述,并非對本發(fā)明的范圍進(jìn)行限定,在不脫離本發(fā)明設(shè)計(jì)精神的前提下,本領(lǐng)域普通技術(shù)人員對本發(fā)明的技術(shù)方案作出的各種變形和改進(jìn),均應(yīng)落入本發(fā)明權(quán)利要求書確定的保護(hù)范圍內(nèi)。