基于无人机可见光影像的棉花苗情监测
发布时间：2022-01-09 16:58
在现代农业生产过程中,精准的苗情信息是实现农作物因苗管理的关键。新疆地区作为我国最大的优质棉基地（种植面积占全国76%,2019年）,依靠人工田间抽样调查、手动估算的传统苗情获取方式,显然已经难以满足精准农业中对作物管理的要求。如何快速、高效的获取棉花苗情信息,及时、准确的掌握棉田动态,对于棉花精细化管理、提升棉花产量具有重要意义。基于此,本文利用无人机遥感平台采集34叶期棉花高分辨率影像,结合图像处理及机器学习技术识别分割棉花目标、构建棉株计数模型,最后基于该模型提取棉花出苗率、冠层覆盖度及长势均匀性等苗情信息。同时,利用改进的目标检测算法YOLOv3实现棉田杂草识别及定位,为棉田杂草去除提供依据。主要研究内容和研究结果如下:（1）棉花目标识别与提取。植被与背景（土壤、地膜）分离是获取棉花苗情信息的前提。经过预处理操作后,选取GBDI、ExG、NGRDI、NGBDI等8种颜色指标对影像进行颜色特征分析,并结合Otsu自适应阈值法实现棉花目标的提取。同时,采用形态学和网格线法去除杂草噪声。研究表明:在8种颜色指标中,颜色指标（GBDI）结合Otsu方法分割效果最好...
【文章来源】：石河子大学新疆维吾尔自治区 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
研究路线
第二章研究区域与数据准备112-3所示。表2-3飞行航线规划Table2-3Flightrouteplanning飞行时间飞行高度/m航向重叠率旁向重叠率拍摄方式地面分辨率/pixel焦距/mm2018/5/232080%80%悬停拍照0.10cm152018/5/251060%65%悬停拍照0.29cm152018/5/30570%70%悬停拍照0.52cm152.2.3地面数据采集为测试棉花出苗率试验的准确性，需要同时采集地面信息进行验证。在每次无人机数据获取后，立即开展地面数据调查工作，由于新疆地区机采棉种植方式的特异性，样方大小需根据实际情况设置。新疆地区机采棉采用（66+10）cm典型的宽窄行种植模式，即一膜6行，行内行外间距分别为10和66cm，总宽为2.28m，因此地面调查样方大小设置为2.28m×2.28m，样方分布（以2018年5月25日采集数据为例）如图2-2所示。本次数据采集按照五点取样的方式进行，与当地植保员调查出苗率方法一致。在研究区内设置5个采样点，分别统计每个样方的出苗株数。根据研究区机采棉一穴一粒的播种方式，可直接计算出每个样方内播种的株数，本文中每个样方播种株数为138。出苗率为样方内出苗株数与播种株数之比，因而通过统计可计算出每个样方的出苗率。5个样方出苗率的平均值即为试验区整体出苗率，调查结果显示试验区整体出苗率为65.78%。图2-2研究区影像及样方分布Fig.2-2Studyareaimageandsampledistribution2.3影像数据预处理利用无人机飞行平台采集的数据具有很大的重叠率，如果直接用来提取苗情信息，
基于无人机可见光影像的棉花苗情监测12难以反映棉花实际生长情况；如果直接用来进行模型训练，可能导致模型出现过拟合现象。基于此，需要对数据进行预处理操作（以无人机飞行高度为20m时采集的图像为例进行说明）。预处理操作分为三部分：图像拼接、图像裁剪和图像切割，示意图如图2-3所示。a.图像拼接b.图像裁剪c.图像切割图2-3图像预处理过程示意图Fig.2-3Schematicdiagramofimagepreprocessing预处理第一步是将获取的影像数据进行拼接。无人机获取的是相互间具有较大重叠度（航向重叠度和旁向重叠度）的单幅影像，需要通过影像拼接技术将多张影像合成一幅完整地试验区影像。本文通过Pix4Dmapper软件对试验区无人机影像进行图像快速拼接检查，拼接过程如图2-4所示。首先，图像采集时会利用无人机平台的GPS系统获取位置信息，Pix4Dmapper拼接时则根据飞行的POS数据寻找同名点，每张原始影像平均匹配365805个同名点；然后通过自动空三加密技术计算影像的真正位置数据及拼接参数，并建立点云模型；最后，自动优化、校准原始影像的位置及拼接参数，输出数字正射影像（DigitalOrthophotoMap，DOM）。预处理第二步是对拼接影像进行裁剪工作。由于拼接时图像边缘数据畸变较大，存在较多的异常值，这会影响算法设计和模型的建立。因此，需要在拼接的影像上手动裁剪，剔除边缘区域，选择合适的研究区。预处理最后一步就是对裁剪影像进行切割，便于后续试验的开展。2.4本章小结本文首先介绍了研究区位置及棉花生长环境，阐明了该地区独特的生态环境十分适合棉花生长。同时介绍了试验区主要农作物及机采棉种植面积、种植模式，进而表明该地区满足试验需求。在数据获取方面，主要包括无人机平台的介绍、可见光影像的采集过程及地面数?
【参考文献】：
期刊论文
[1]扬花期冬小麦叶面积指数高光谱遥感反演研究[J]. 姜海玲,赵艺源,李耀,郑世欣. 吉林师范大学学报(自然科学版). 2020(01)
[2]基于无人机多光谱遥感的冬小麦叶面积指数反演[J]. 孙诗睿,赵艳玲,王亚娟,王鑫,张硕. 中国农业大学学报. 2019(11)
[3]基于无人机数码影像的冬小麦株高和生物量估算[J]. 陶惠林,徐良骥,冯海宽,杨贵军,杨小冬,苗梦珂,代阳. 农业工程学报. 2019(19)
[4]基于NDVI与EVI的作物长势监测研究[J]. 白燕英,高聚林,张宝林. 农业机械学报. 2019(09)
[5]可见光光谱的冬小麦苗期地上生物量估算[J]. 张领先,陈运强,李云霞,马浚诚,杜克明,郑飞翔,孙忠富. 光谱学与光谱分析. 2019(08)
[6]基于消费级无人机搭载数码相机监测小麦长势状况研究[J]. 江杰,张泽宇,曹强,田永超,朱艳,曹卫星,刘小军. 南京农业大学学报. 2019(04)
[7]农业植保无人机的发展现状与问题思考[J]. 王军,吴修文,吴乃刚,卢蓓蓓. 农业开发与装备. 2019(02)
[8]基于无人机遥感影像的玉米苗期株数信息提取[J]. 刘帅兵,杨贵军,周成全,景海涛,冯海宽,徐波,杨浩. 农业工程学报. 2018(22)
[9]基于Lab颜色空间的棉花覆盖度提取方法研究[J]. 牛亚晓,张立元,韩文霆. 农业机械学报. 2018(10)
[10]基于无人机遥感可见光影像的北疆主要农作物分类方法[J]. 戴建国,张国顺,郭鹏,曾窕俊,崔美娜,薛金利. 农业工程学报. 2018(18)
博士论文
[1]高光谱图像技术检测玉米种子品质研究[D]. 杨小玲.浙江大学 2016
硕士论文
[1]基于无人机影像的小麦叶绿素含量及产量定量反演研究[D]. 刘小辉.安徽大学 2019
[2]基于深度学习的无人机影像车辆提取[D]. 项阳.江西理工大学 2018
[3]松嫩平原农作物长势遥感监测研究[D]. 张亮.哈尔滨师范大学 2018
[4]基于机器视觉的大枣检测分级技术的研究与实现[D]. 王春普.陕西科技大学 2018
[5]基于BP神经网络的田间杂草识别技术的研究[D]. 杨建姣.吉林农业大学 2017
[6]农用遥感固定翼无人机飞行姿态控制系统的研究[D]. 刘超.东北农业大学 2016
[7]基于双目视觉的杂草识别系统研究[D]. 王璨.山西农业大学 2015
本文编号：3579099
【文章来源】：石河子大学新疆维吾尔自治区 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
研究路线
第二章研究区域与数据准备112-3所示。表2-3飞行航线规划Table2-3Flightrouteplanning飞行时间飞行高度/m航向重叠率旁向重叠率拍摄方式地面分辨率/pixel焦距/mm2018/5/232080%80%悬停拍照0.10cm152018/5/251060%65%悬停拍照0.29cm152018/5/30570%70%悬停拍照0.52cm152.2.3地面数据采集为测试棉花出苗率试验的准确性，需要同时采集地面信息进行验证。在每次无人机数据获取后，立即开展地面数据调查工作，由于新疆地区机采棉种植方式的特异性，样方大小需根据实际情况设置。新疆地区机采棉采用（66+10）cm典型的宽窄行种植模式，即一膜6行，行内行外间距分别为10和66cm，总宽为2.28m，因此地面调查样方大小设置为2.28m×2.28m，样方分布（以2018年5月25日采集数据为例）如图2-2所示。本次数据采集按照五点取样的方式进行，与当地植保员调查出苗率方法一致。在研究区内设置5个采样点，分别统计每个样方的出苗株数。根据研究区机采棉一穴一粒的播种方式，可直接计算出每个样方内播种的株数，本文中每个样方播种株数为138。出苗率为样方内出苗株数与播种株数之比，因而通过统计可计算出每个样方的出苗率。5个样方出苗率的平均值即为试验区整体出苗率，调查结果显示试验区整体出苗率为65.78%。图2-2研究区影像及样方分布Fig.2-2Studyareaimageandsampledistribution2.3影像数据预处理利用无人机飞行平台采集的数据具有很大的重叠率，如果直接用来提取苗情信息，
基于无人机可见光影像的棉花苗情监测12难以反映棉花实际生长情况；如果直接用来进行模型训练，可能导致模型出现过拟合现象。基于此，需要对数据进行预处理操作（以无人机飞行高度为20m时采集的图像为例进行说明）。预处理操作分为三部分：图像拼接、图像裁剪和图像切割，示意图如图2-3所示。a.图像拼接b.图像裁剪c.图像切割图2-3图像预处理过程示意图Fig.2-3Schematicdiagramofimagepreprocessing预处理第一步是将获取的影像数据进行拼接。无人机获取的是相互间具有较大重叠度（航向重叠度和旁向重叠度）的单幅影像，需要通过影像拼接技术将多张影像合成一幅完整地试验区影像。本文通过Pix4Dmapper软件对试验区无人机影像进行图像快速拼接检查，拼接过程如图2-4所示。首先，图像采集时会利用无人机平台的GPS系统获取位置信息，Pix4Dmapper拼接时则根据飞行的POS数据寻找同名点，每张原始影像平均匹配365805个同名点；然后通过自动空三加密技术计算影像的真正位置数据及拼接参数，并建立点云模型；最后，自动优化、校准原始影像的位置及拼接参数，输出数字正射影像（DigitalOrthophotoMap，DOM）。预处理第二步是对拼接影像进行裁剪工作。由于拼接时图像边缘数据畸变较大，存在较多的异常值，这会影响算法设计和模型的建立。因此，需要在拼接的影像上手动裁剪，剔除边缘区域，选择合适的研究区。预处理最后一步就是对裁剪影像进行切割，便于后续试验的开展。2.4本章小结本文首先介绍了研究区位置及棉花生长环境，阐明了该地区独特的生态环境十分适合棉花生长。同时介绍了试验区主要农作物及机采棉种植面积、种植模式，进而表明该地区满足试验需求。在数据获取方面，主要包括无人机平台的介绍、可见光影像的采集过程及地面数?
【参考文献】：
期刊论文
[1]扬花期冬小麦叶面积指数高光谱遥感反演研究[J]. 姜海玲,赵艺源,李耀,郑世欣. 吉林师范大学学报(自然科学版). 2020(01)
[2]基于无人机多光谱遥感的冬小麦叶面积指数反演[J]. 孙诗睿,赵艳玲,王亚娟,王鑫,张硕. 中国农业大学学报. 2019(11)
[3]基于无人机数码影像的冬小麦株高和生物量估算[J]. 陶惠林,徐良骥,冯海宽,杨贵军,杨小冬,苗梦珂,代阳. 农业工程学报. 2019(19)
[4]基于NDVI与EVI的作物长势监测研究[J]. 白燕英,高聚林,张宝林. 农业机械学报. 2019(09)
[5]可见光光谱的冬小麦苗期地上生物量估算[J]. 张领先,陈运强,李云霞,马浚诚,杜克明,郑飞翔,孙忠富. 光谱学与光谱分析. 2019(08)
[6]基于消费级无人机搭载数码相机监测小麦长势状况研究[J]. 江杰,张泽宇,曹强,田永超,朱艳,曹卫星,刘小军. 南京农业大学学报. 2019(04)
[7]农业植保无人机的发展现状与问题思考[J]. 王军,吴修文,吴乃刚,卢蓓蓓. 农业开发与装备. 2019(02)
[8]基于无人机遥感影像的玉米苗期株数信息提取[J]. 刘帅兵,杨贵军,周成全,景海涛,冯海宽,徐波,杨浩. 农业工程学报. 2018(22)
[9]基于Lab颜色空间的棉花覆盖度提取方法研究[J]. 牛亚晓,张立元,韩文霆. 农业机械学报. 2018(10)
[10]基于无人机遥感可见光影像的北疆主要农作物分类方法[J]. 戴建国,张国顺,郭鹏,曾窕俊,崔美娜,薛金利. 农业工程学报. 2018(18)
博士论文
[1]高光谱图像技术检测玉米种子品质研究[D]. 杨小玲.浙江大学 2016
硕士论文
[1]基于无人机影像的小麦叶绿素含量及产量定量反演研究[D]. 刘小辉.安徽大学 2019
[2]基于深度学习的无人机影像车辆提取[D]. 项阳.江西理工大学 2018
[3]松嫩平原农作物长势遥感监测研究[D]. 张亮.哈尔滨师范大学 2018
[4]基于机器视觉的大枣检测分级技术的研究与实现[D]. 王春普.陕西科技大学 2018
[5]基于BP神经网络的田间杂草识别技术的研究[D]. 杨建姣.吉林农业大学 2017
[6]农用遥感固定翼无人机飞行姿态控制系统的研究[D]. 刘超.东北农业大学 2016
[7]基于双目视觉的杂草识别系统研究[D]. 王璨.山西农业大学 2015
本文编号：3579099
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3579099.html
教材专著
