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)。