基于无人机图像的小麦出苗均匀度评价

发布时间：2020-03-29 19:38

【摘要】：目前,在发展“互联网+”的背景下,将信息技术融入到现代农业发展中,使农业生产更加高效化、智能化,这将是我国以及全世界现代农业发展的必然趋势。本文提出的基于无人机图像分析技术的小麦出苗均匀度评价研究正是基于当前“互联网+农业”的背景,目的是探求诊断小麦出苗情况的智能化新方法。小麦出苗均匀度是麦田诊断的重要内容,对小麦生长发育具有重要影响。本研究应用无人机获取小麦田间图像,通过图像处理技术进行图像预处理,并利用多元逐步回归方法构建了小麦苗数估算模型,结合苗数估算模型和图像处理技术构建反映小麦出苗均匀度的方法,并结合产量数据进行小麦出苗均匀度评价。主要研究结果如下:(1)为探明小麦1-3叶期的苗数快速获取方法,本研究结合播种方式和种植密度试验,分析了小麦盖度与1-3叶期麦苗数量的相关关系,并单独利用盖度建立不同时期的麦苗数量估算模型,结果表明,估算模型的R2值在1叶期最低密度时最高,随着密度的增高或叶龄的增加,R2呈下降趋势。尽管盖度与麦苗数量有着显著相关关系,但是在生育后期及高密度的情况下精度较低。(2)为了构建最佳的苗数估算模型,本研究提出基于盖度、角点数量、叶龄和品种系数组成的多元指标估算模型。结果表明,建模过程中R2均超过0.95,RMSE也保持一个较小的范围。最后通过苗数估测值与实测值之间的比较验证,模型虽然在不同密度和不同叶龄对象上存在一定的差异,但条播小麦和撒播小麦在低密度条件下,模型验证的R2均在0.95以上,RMSE较小,高密度的R2均在0.85以上;1叶期的准确率最高,3叶期的准确率最低,但R2均值均在0.9以上。(3)利用无人机获取不同密度和不同播种方式处理的小麦田间苗期图像,将每个图像划分成若干等份,在上述苗数估测模型的基础上快速获取图像每一等份的麦苗数量,同时计算各等份苗数变异系数的倒数,并以此来反映该小区小麦出苗均匀度。将人工调查与无人机图像分析技术计算的出苗均匀度对比发现,图像处理计算的均匀度平均误差小于10%,RMSE较小,R2值均在0.7以上。上述结果表明本研究提出的无人机图像处理技术能够较准确的反映小麦苗期出苗均匀度。(4)分析了撒播方式下三种播种密度小麦出苗均匀度与产量及其构成因素的关系。在出苗均匀度较好时,产量无较大变化。随着出苗均匀度降低,小麦产量有下降趋势。穗数、穗粒数与均匀度呈极显著正相关,千粒重虽然也随均匀度的加大有增加的趋势,但趋势不明显。在撒播240×104·9ha-1密度条件下,依据产量数据对20个不同处理的出苗均匀度进行聚类分析,在类间距离约为7时可分为3类:6470-6837kg·ha-1、7060-7314kg·ha-1、5598-6324kg·ha-1。出苗均匀度在3.01以上范围,产量受出苗均匀度影响较小。出苗均匀度在2.33-3.01范围内,产量较易受出苗均匀度影响。出苗均匀度在2.33以下范围,产量受出苗均匀度影响较大。
【图文】：

本研究利用ＤＪ１ＧＳ邋Ｐｒｏ在指定区域内自动生成航线，自动飞行、自动拍摄并完成逡逑相关数据接收、处理和发送。考虑到要在较短的时间内获得所需的全部图像，无人机飞行逡逑路线将采用“Ｓ”型（如图２－３）。以图像序列可以精确反映田块图像信息的同时又能以较快的逡逑速度获取图像为原则来研宄飞行高度对图像获取的影响，并通过研究飞行高度与相机像素逡逑之间的关系来制定飞行高度标准，本研究飞行高度选用ｌ0ｍ。为了实现精确的图像配准，逡逑在航线和航点规划时，相邻图像的重复率应设置在６５％－９０％，在这个范围内重复率越高图逡逑像拼接精度越高，本试验主航线上图像重复率设置为６０％，主航线间图像重复率设置为７０％。逡逑航拍采集完图像后利用软件Ｐｉｘ４ＤＭａｐｐｅｒ将图像生成正射影像、ＤＳＭ和三维点云数据，逡逑通过相邻图像的特征匹配将相邻图像无缝拼接起来。逡逑

￥逡逑ｉｐＱ＾ｎｊｉ逡逑图２－２禅思Ｘ５航拍相机逡逑Ｆｉｇ邋２－２邋ＺＥＮＭＵＳＥ邋Ｘ５Ｒ逡逑禅思Ｘ５航拍相机具体的参数指标见表２－３。逡逑表２－３无人机传感器的技术参数逡逑Ｔａｂｌｅ．邋２－３邋Ｔｅｃｈｎｏｌｏｇｙ邋Ｐａｒａｍｅｔｅｒｓ邋ｏｆ邋ＵＡＶ＇ｓ邋Ｓｅｎｓｏｒ逡逑技术名称逦具体参数逦技术名称逦具体参数逡逑尺寸逦１７．３邋ｘ邋１３．０邋ｍｍ邋（高宽比４：３）逦快门速度逦８？１／８０００秒逡逑最大像素逦１６００万逦ＩＳＯ范围逦１００？２５６００逡逑多张连拍逦全像素７张每秒逦对焦范围逦２０厘米－无穷逡逑２．２图像获取过程逡逑为了保证作业时飞机的安全性及数据采集的可靠性，开始起飞之前需要对无人机进行逡逑飞前安全检查，并设定航点、航线、飞行高度以及图像重复率。逡逑无人机航线规划和航点设计通过ＤＪ１ＧＳ邋Ｐｒｏ邋（Ｇｒｏｕｎｄ邋Ｓｔａｔｉｏｎ，地面站）来实现，ＧＳ邋Ｐｒｏ逡逑是专业的地面站，，侧重在规划任务，控制无人机自主规划框选范围内的航线，完成测绘拍逡逑摄任务。本研究利用ＤＪ１ＧＳ邋Ｐｒｏ在指定区域内自动生成航线，自动飞行、自动拍摄并完成逡逑相关数据接收、处理和发送。考虑到要在较短的时间内获得所需的全部图像，无人机飞行逡逑路线将采用“Ｓ”型（如图２－３）。以图像序列可以精确反映田块图像信息的同时又能以较快的逡逑速度获取图像为原则来研宄飞行高度对图像获取的影响，并通过研究飞行高度与相机像素逡逑之间的关系来制定飞行高度标准
【学位授予单位】：扬州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S512.1;TP391.41

【参考文献】

相关期刊论文 前10条

1 李红军;李佳珍;雷玉平;张玉铭;;无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究[J];中国生态农业学报;2017年12期

2 裴浩杰;冯海宽;李长春;金秀良;李振海;杨贵军;;基于综合指标的冬小麦长势无人机遥感监测[J];农业工程学报;2017年20期

3 支磊;;“互联网+”背景下传统农业的发展路径[J];江苏农业科学;2017年15期

4 梁晓彤;徐践;;MATLAB图像处理技术在农业病虫害识别中的应用分析[J];南方农业;2017年21期

5 武威;刘涛;孙成明;陈雯;陈晨;王瑞;;基于图像处理的小麦种植密度估算研究[J];扬州大学学报(农业与生命科学版);2017年01期

6 马浚诚;温皓杰;李鑫星;傅泽田;吕雄杰;张领先;;基于图像处理的温室黄瓜霜霉病诊断系统[J];农业机械学报;2017年02期

7 张斯梅;顾克军;许博;张恒敢;顾东祥;石祖梁;张传辉;杨四军;;稻秸还田与播种方式影响小麦出苗及产量的大田试验研究[J];中国农学通报;2016年33期

8 魏全全;李岚涛;任涛;王振;王少华;李小坤;丛日环;鲁剑巍;;数字图像技术估测冬油菜氮素营养拍摄参数标准化研究[J];植物营养与肥料学报;2016年06期

9 董锦绘;杨小冬;高林;王宝山;王磊;;基于无人机遥感影像的冬小麦倒伏面积信息提取[J];黑龙江农业科学;2016年10期

10 陆国政;李长春;杨贵军;于海洋;赵晓庆;;基于无人机搭载数码相机的小麦育种表型信息解析[J];中国种业;2016年08期

相关博士学位论文 前5条

1 贾彪;基于计算机视觉技术的棉花长势监测系统构建[D];石河子大学;2014年

2 唐晏;基于无人机采集图像的植被识别方法研究[D];成都理工大学;2014年

3 沈学善;砂姜黑土区小麦玉米一年两熟秸秆全量还田对夏玉米生育及产量影响研究[D];安徽农业大学;2010年

4 彭代亮;基于统计与MODIS数据的水稻遥感估产方法研究[D];浙江大学;2009年

5 鞠昌华;利用地—空高光谱遥感监测小麦氮素状况与生长特征[D];南京农业大学;2008年

相关硕士学位论文 前10条

1 陈玉辉;基于图像识别的工业机器人轨迹规划研究与应用[D];浙江大学;2017年

2 王妮;基于无人机平台的小麦长势监测与产量预测研究[D];南京农业大学;2016年

3 刘勇;基于无人机平台的小麦冠层叶片氮素营养监测研究[D];南京农业大学;2016年

4 滕景祥;基于数字图像技术的苗期番茄钙营养水平诊断研究[D];南京农业大学;2016年

5 程子航;寒地冬小麦不同密度下性状整齐度遗传差异对产量的影响[D];东北农业大学;2016年

6 刘仁杰;大田作物冠层无损检测设备应用及车载平台开发[D];东北农业大学;2015年

7 付巍;小麦全蚀病无人机遥感监测研究[D];河南农业大学;2015年

8 苟文;西南丘陵旱地免耕机播套作小麦种肥一体化研究[D];四川农业大学;2014年

9 庞晓丹;基于图像处理技术的小麦营养状况远程监测系统设计与实现[D];河南农业大学;2014年

10 周果;基于图像处理技术的大田玉米苗期杂草识别方法研究[D];吉林农业大学;2013年

本文编号：2606427