CN108267175B - 一种基于无人机的农作物监测方法和装置 - Google Patents
一种基于无人机的农作物监测方法和装置 Download PDFInfo
- Publication number
- CN108267175B CN108267175B CN201810118154.9A CN201810118154A CN108267175B CN 108267175 B CN108267175 B CN 108267175B CN 201810118154 A CN201810118154 A CN 201810118154A CN 108267175 B CN108267175 B CN 108267175B
- Authority
- CN
- China
- Prior art keywords
- monitored
- area
- crop
- equal
- aerial vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Abstract
本发明公开了一种基于无人机的农作物监测方法和装置,该方法通过在无人机上搭载可见光相机、近红外相机以及热像仪,对待监测区域的农作物进行航拍监测,通过对航拍数据的分析,充分结合可见光正射影像图、热成像正射影像图和NDVI正射影像图对农作物健康状况进行准确判断,从而快速、准确而高效的确定待监测区域的农作物健康与否信息,克服了单一使用热成像图或者NDVI正射影像图来识别农作物健康状况时,引起的判断效率不高、准确度较低的现状,能较好应用于农作物出苗后到成熟前这一时期的农作物健康度的判别。
Description
技术领域
本发明属于农作物监测领域,特别涉及一种基于无人机的农作物监测方法和装置。
背景技术
据联合国人口司预测,在2050年,世界的人口数量将增长至91亿,随着人口的增长,按目前的农业生产力预测,解决全球人口的粮食问题需要将当前的产量提高70%。
由于耕地开发困难和耕地资源不均衡,如水资源、气候、地理位置等问题均具有先天性的影响,因此,提高耕地单位面积的产量成为重中之重。
我国疆域辽阔,东北、内蒙古、新疆等地主要农业生产模式是大规模、集约化农业生产的大田种植模式。而当前的大田种植基本上都存在以下几个急切需要解决的问题:作物生长状态信息获取滞后;人工作业强度高、效率低;巡查漫无目的,随机性强;人为监测主观不确定因素较多等,从而大大降低了农作物的健康状况实时获取效率,且无法及时有效确定病害位置。
发明内容
本发明提供了一种基于无人机的农作物监测方法和装置,其目的在于,克服现有技术中农作物种植区域中农作物健康状况无法实时监测,且无法有效确定病害位置的问题。
本发明采用如下技术方案:
一种基于无人机的农作物监测方法,包括以下步骤:
步骤1:利用无人机同时获取待监测区域的多张连续的可见光图像、近红外图像和热成像图;
通过将可见光相机、近红外相机及热像仪搭载在所述无人机上,按照设定的航线对所述待监测区域进行航拍,获得多张连续的可见光图像、近红外图像以及热成像图;
步骤2:将所述多张连续的可见光图像、近红外图像和热成像图进行校正和拼接,获得所述待监测区域的可见光正射影像图、近红外正射影像图以及热成像正射影像图;
步骤3:通过所述可见光正射影像图和所述近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI,构建所述待监测区域的归一化差分植被指数正射影像图;
步骤4:从所述可见光正射影像图中分别选取N个健康农作物区块和N个不健康农作物区块所在的位置,并从所述归一化差分植被指数正射影像图和热成像正射影像图中分别获取所述N个健康农作物区块和N个不健康农作物区块的NDVI值和温度值,统计N个不健康农作物区块的NDVI均值A以及所述N个健康农作物区块的温度均值TB,N≥2,N为正整数;
步骤5:依据步骤4获得的A、TB,结合获得的归一化差分植被指数正射影像图和热成像正射影像图进行农作物分析,获得所述待监测区域的农作物健康状况;
依次得到所述待监测区域中位于位置x的农作物的NDVI值NDVI(x)和温度值T(x),当0≤NDVI(x)≤A时或T(x)≥TB,位于x位置的农作物不健康。
进一步地,依据所述待监测区域的农作物健康状况,对所述待监测区域的农田面积信息和农作物健康分布信息进行统计。
进一步地,依据设定的无人机飞行要求高度H和所述待监测区域的高程信息,确定无人机拍摄航线;
所述待监测区域的高程信息包括待所述监测区域最高点和最低点的海拔高度分别为C和D;
若H>C-D,则所述无人机在所述待监测区域按照H+D的海拔高度飞行;
若H≤C-D,则将所述待监测区域按照海拔高度划分为M个区域,在所述第j个区域内按照jH+D的海拔高度飞行,其中,第j个区域内的最高点的高程值与D的差值为L,且(j-1)H≤L<jH,1≤j≤M,M、j为正整数。
一种基于无人机的农作物监测装置,包括:
图像采集单元,通过将可见光相机、近红外相机及热像仪搭载在无人机上,按照设定的航线对所述待监测区域进行航拍,获得多张连续的可见光图像、近红外图像和热成像图;
第一图像处理单元,用于将所述无人机获取的可见光图像、近红外图像和热成像图分别进行校正和拼接,获得待监测区域的可见光正射影像图、近红外正射影像图和热成像正射影像图;
第二图像处理单元,用于从可见光正射影像图和近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI,构建待监测区域的归一化差分植被指数正射影像图;
农作物指标确定单元,用于从所述可见光正射影像图中分别选取N个健康农作物区块和N个不健康农作物区块所在的位置,并从所述归一化差分植被指数正射影像图和热成像正射影像图中分别获取所述N个健康农作物区块和N个不健康农作物区块的NDVI值和温度值,统计N个不健康农作物区块的NDVI均值A以及所述N个健康农作物区块的温度均值TB,N≥2,N为正整数;
分析单元,以A、TB为基础,并结合归一化差分植被指数正射影像图和热成像正射影像图进行农作物分析,获得所述待监测区域的农作物健康状况;
依次得到所述待监测区域中位于位置x的农作物的NDVI值NDVI(x)和温度值T(x),当0≤NDVI(x)≤A时或T(x)≥TB,位于x位置的农作物不健康。
进一步地,还包括统计单元,所述统计单元依据所述待监测区域的农作物健康状况,对所述待监测区域的农田面积信息和农作物健康分布信息进行统计。
进一步地,还包括飞行高度规划单元,所述飞行高度规划单元依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
利用高程信息采集单元获取所述待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度分别为C和D;
若H>C-D,则所述无人机在所述待监测区域按照H+D的海拔高度飞行;
若H≤C-D,则将所述待监测区域按照海拔高度划分为M个区域,在所述第j个区域内按照jH+D的海拔高度飞行,其中,第j个区域内的最高点的高程值与D的差值为L,且(j-1)H≤L<jH,1≤j≤M,M、j为正整数。
有益效果
本发明提供了一种基于无人机的农作物监测方法和装置,通过在无人机上搭载可见光相机、近红外相机以及热像仪,对待监测区域的农作物进行航拍监测,通过对航拍数据的分析,充分结合结合可见光图像、热成像图像信息和NDVI指标对农作物健康状况进行准确判断,从而快速、准确而高效的确定待监测区域的农作物健康与否信息,克服了单一使用热成像图或者NDVI指标来识别农作物健康状况时,引起的判断效率不高、准确度较低的现状,能较好应用于农作物出苗后到成熟前这一时期的农作物健康度的判别。
附图说明
图1为本发明所述一种基于无人机的农作物监测方法的流程示意图;
图2为本发明所述方法中确定实际飞行高度的流程示意图;
图3为本发明所述一种基于无人机的农作物监测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为解决现有技术中农作物种植区域里农作物健康状况无法实时监测,且无法有效确定病害位置的问题,结合图1,本发明实施例提供了一种基于无人机的农作物监测方法,该方法包括:
S101、利用无人机同时获取待监测区域的多张连续的可见光图像、近红外图和热成像图;
通过将可见光相机、近红外相机及热像仪搭载在所述无人机上,按照设定的航线对所述待监测区域进行航拍,获得多张连续的可见光图像、近红外图像以及热成像图;
其中,无人机搭载三光相机,三光相机包含可见光相机、近红外相机和热像仪。
植被在不同的波段,具有不同的吸收和反射光谱特征。例如在可见光波段内,在中心波长分别为0.45μm(蓝色)和0.65μm(红色)的两个谱带内为叶绿素吸收峰,在0.54μm(绿色)附近有一个反射峰。在光谱的红外阶段,绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。
地面植物具有明显的光谱反射特征,不同于土壤、水体和其他的典型地物,植被对电磁波的响应是由其化学特征和形态学特征决定的,这种特征与植被的发育、健康状况以及生长条件密切相关。
物体表面温度如果超过绝对零度(-237.15摄氏度)就会形成热红外线辐射状态,在本发明实施例中,热像仪将待监测区域的农田或农作物发出的不可见远红外(波长范围在25μm至1000μm)能量转变为可见的远红外热图像,对远红外热图像的分析可用于对农作物的病害胁迫,水分胁迫和冻害胁迫检测。
因此,通过农作物的可见光光谱波段的数据,结合近红外光光谱波段的数据以及远红外辐射能量信息数据进行综合分析,即可对农田状态及农作物生长状态做出精准判断。
其中,在航空拍照中,为保证分辨率的要求,可见光相机通常需要高像素、支持GPS定位以及搭配有大容量内部存储卡及定焦镜头。
近红外,英文名称near infrared,定义为波长在780~3000nm范围的电磁波。对植物反射光非常敏感。
近红外工业相机具有性能稳定可靠等技术优势,是应用于工业场合,对波长在780-3000nm范围的电磁波感应敏感的数字成像设备。近红外工业相机输出的是裸数据,适合进行高质量的图像处理算法,例如机器视觉检测等应用。
近红外相机增强了灵敏度,特别适合应用于对植被进行拍照,感知光谱特征。通过病害和正常植株的特征比较,提取出来的特征信息,按照拍照的结果进行数字化分析。
通过在无人机上搭载由可见光相机、近红外相机及热像仪所集成的三光相机,对被监测的农田区域进行航空拍照,采集被监测区域的农作物或农田的可见光光谱信息数据、近红外光光谱信息数据和远红外辐射能量信息数据,作为农田及农作物状态的分析依据。
S102、将所述多张连续的可见光图像、近红外图像和热成像图分别进行校正和拼接,获得所述待监测区域的可见光正射影像图、近红外正射影像图以及热成像正射影像图;
结合无人机采集回来的定位定姿系统(英文:Positioning and OrientationSystem,简称:POS)数据,对步骤S101中无人机采集回来的多张连续的可见光图像、近红外图像和热成像图分别进行拼接、校正处理,获得待监测区域的可见光正射影像图、近红外正射影像图和热成像正射影像图。
S103、通过所述可见光正射影像图和所述近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI,构建所述待监测区域的归一化差分植被指数正射影像图;
所述植被覆盖指数由可见光正射影像图和近红外正射影像图获得;
归一化差分植被指数(英文:Normalized Difference Vegetation Index,简称:NDVI)是通过对可见光内红光波段反射率值和对多光谱内近红外波段反射率值进行运算得到的,具体的表达式为:NDVI=(NIR-R)/(NIR+R);
其中,NIR为近红外波段反射率值,R为红波段反射率值。
它是植物生长状态以及植被空间分布密度的最佳指示因子,与植被分布密度呈线性相关。
归一化是指将其限定在[-1,1]之间,便于使用,包括赋伪彩色和计算机程序运算。其中负值部分表示地面覆盖为云、水、雪等,对可见光高反射;0表示岩石、土壤或者已经死亡的植物等;正值表示有植被覆盖,随着数值增大覆盖率和健康度增大。NDVI可以大部分消除太阳高度角和大气波动造成的光线误差、航拍设备造成的角度误差、地形和云层等原因造成的自然光线误差影响、群落结构的阴影和辐射干扰。
此外,实验表明,NDVI对土壤背景的变化较为敏感;它是单位像元内的植被类型、覆盖形态、生长状况等的综合反映,其大小取决于植被覆盖度和叶面积指数等要素;NDVI对植被覆盖度的检测幅度较宽,有较好的时间和空间适应性。
需要说明的是,NDVI的获取需要NIR和R两种数据。R数据可通过可见光正射影像图获取,NIR可通过近红外正射影像图获取。
S104、从所述可见光正射影像图中分别选取N个健康农作物区块和N个不健康农作物区块所在的位置,并从所述归一化差分植被指数正射影像图和热成像正射影像图中分别获取所述N个健康农作物区块和N个不健康农作物区块的NDVI值和温度值,统计N个不健康农作物区块的NDVI均值A以及所述N个健康农作物区块的温度均值TB,N≥2,N为正整数;
可见光正射影像图能够清晰、直观的展示待监测区域内农作物的生长状态和健康状态,通过从可见光正射影像图中分别选取多个明显健康农作物区块和不健康农作物区块,通过健康农作物区块和不健康农作物区块在可见光正射影像图中的位置信息,找到健康农作物区块和不健康农作物区块在NDVI正射影像图和热成像图中的对应位置,从而获取所选取的多个健康农作物区块和不健康农作物区块所对应的NDVI值和温度值,并且,当所选取的区块面积较大,对应多个NDVI值或温度值时,此处的NDVI值和温度值是指该区块的NDVI统计平均值和温度统计平均值。
NDVI是植被生长状态及植被覆盖度的最佳指示因子。并且,当农作物发生冻害、病害和水分胁迫时,叶片叶绿素含量降低,光合速率、蒸腾速率减弱,叶温增高,体现在热成像图中即为温度异常增高,因此,通过统计N个不健康农作物区块的NDVI均值A以及所述N个健康农作物区块的温度均值TB,作为分析农作物健康状态的依据,就能够快速区分出不健康农作物区块。
S105、依据获得的A、TB,结合获得的归一化差分植被指数正射影像图和热成像正射影像图进行农作物分析,获得所述待监测区域的农作物健康状况;
依次得到所述待监测区域中位于位置x的农作物的NDVI值NDVI(x)和温度值T(x),当0≤NDVI(x)≤A时或T(x)≥TB,位于x位置的农作物不健康。
因此,通过对可见光正射影像图、归一化差分植被指数正射影像图及热成像图进行分析,获得被监测区域的农业健康度信息。
此外,在对待监测农作物区域进行图像拍摄时,由于待监测区域中的海拔可能存在差异,需要对不同区域的海拔高度,对无人机的飞行高度进行如下控制,如图2所示,确保无人机所获得清楚完整的图像。
判断图像质量的技术指标有多种,如图像分辨率、图像比例尺等。根据对无人机所采集的数据的用途不同、功能不同等,对图像的质量要求也不同。在图像质量的要求已确定时,根据无人机所搭载的三光相机的像素、飞行的航向重叠率、旁向重叠率等参数,结合现有的计算方法可计算出无人机的飞行标准要求高度H。
举例来说,当5060万像素全画幅可见光相机搭配35mm定焦镜头,要求获取0.1米的地面分辨率,且需要航向重叠80%,旁向重叠60%,则通过现有的计算方法可计算出飞行高度约为844米,即H=844米。
确定待监测区域的高程信息;
高程指的是某点沿铅垂线方向到绝对基面的距离,称绝对高程,简称高程。以海平面为绝对基面的高程为海拔高程,也称作海拔高度。确定待监测区域的高程信息,主要是确定待监测区域的最高点的海拔高度C和最低点的海拔高度D;
依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
所述无人机飞行要求高度应满足图像质量要求,或优于图像质量要求;
所述待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度分别为C和D;
当待监测区域地势高低起伏,最高点的海拔高程值与最低点的海拔高程值相差很大时。举例来说,某待监测区域的最高点的海拔高程值C为1300米,最低点的海拔高程值D为100米,则最高点与最低点的海拔高程差为1200米,计算得出的飞行高度H为844米,则若待监测区域全部按照844米的飞行高度,即与待监测区域最低点的海拔高程差为844米的海拔高度飞行,显然不能将待监测区域全面监测到。
若H>C-D,则所述无人机在所述待监测区域按照H+D的海拔高度飞行;
若H≤C-D,则将所述待监测区域按照海拔高度划分为M个区域,在所述第j个区域内按照jH+D的海拔高度飞行,其中,第j个区域内的最高点的高程值与D的差值为L,且(j-1)H≤L<jH,1≤j≤M,M、j为正整数。
举例来说,待监测区域最高点的海拔高程值C为500米,最低点的海拔高程值D为100米,通过计算得出H为844米,则海拔高程差C-D=400米<H,此时,无人机在整个待监测区域按照844米的与最低点D的相对高度,即944米的海拔高度进行飞行作业即可;
若待监测区域最高点的海拔高程值C为1300米,最低点的海拔高程值D为100米,则最高点与最低点的海拔高程差为1200米,若计算得出飞机飞行高度H为844米,则H≤C-D,此时,将待监测区域分为两个区域,第1个区域最高点的高程值与B的差应为L1,0≤L<844,无人机在第一个区域按照944(即H+D)米的海拔高度飞行;第二个区域最高点与D的差值为L2,则844<L2≤1688,则无人机在第二个区域的区域按照2H+D的海拔高度飞行。
需要说明的是,在划分区域时,第j个区域的最低高程应大于(j-1)H+D,才能使得无人机采集到的所有待监测区域的数据都满足既定的图像质量。但是在实际应用中,由于监测面积广阔、地势复杂,出现小部分区域不能满足图像质量的问题不可避免。
需要说明的是,上述实施例仅为一种实施方式,其他基于本发明实施例的其他实施方式,如上例中C为1300米,D为100米时,在第二个区域飞机的飞行海拔高度在1300米到1788米(2H+D)之间都可以满足分辨率的需求,此种实施方式也应该在本发明的保护范围之中。
除此之外,在规划航线时还应考虑最低安全飞行高度的问题,一般来说,无人机在待监测区域飞行的海拔高度与该区域最高点的海拔高度差应不小于150米至250米。
本发明实施例提供了一种基于无人机的农作物监测方法,通过在飞行前规划航线,对待监测区域的高程信息进行分析,当待监测区域的最高点的高程值与最低点的高程值之差非常大时,采取分层作业的方式,从而保证所采集的数据的图像质量要求。通过对高质量的图像进行处理分析,解决了现有技术中农作物种植区域里农作物健康状况无法实时监测,且无法有效确定病害位置的问题。
为解决现有技术中农作物种植区域里农作物健康状况无法实时监测,且无法有效确定病害位置的问题,结合图3,本发明实施例还提供了一种基于无人机的农作物监测装置,该装置包括:
一种基于无人机的农作物监测装置,包括:
图像采集单元301,通过将可见光相机、近红外相机及热像仪搭载在无人机上,按照设定的航线对所述待监测区域进行航拍,获得多张连续的可见光图像、近红外图像和热成像图;
第一图像处理单元302,用于将所述无人机获取的可见光图像、近红外图像和热成像图分别进行校正和拼接,获得待监测区域的可见光正射影像图、近红外正射影像图和热成像正射影像图;
第二图像处理单元303,用于从可见光正射影像图和近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI,构建待监测区域的归一化差分植被指数正射影像图;
农作物指标确定单元304,用于从所述可见光正射影像图中分别选取N个健康农作物区块和N个不健康农作物区块所在的位置,并从所述归一化差分植被指数正射影像图和热成像正射影像图中分别获取所述N个健康农作物区块和N个不健康农作物区块的NDVI值和温度值,统计N个不健康农作物区块的NDVI均值A以及所述N个健康农作物区块的温度均值TB,N≥2,N为正整数;
分析单元305,以A、TB为基础,并结合归一化差分植被指数正射影像图和热成像正射影像图进行农作物分析,获得所述待监测区域的农作物健康状况;
依次得到所述待监测区域中位于位置x的农作物的NDVI值NDVI(x)和温度值T(x),当0≤NDVI(x)≤A时或T(x)≥TB,位于x位置的农作物不健康。
该装置还包括统计单元306和飞行高度规划单元307;
所述统计单元306依据所述待监测区域的农作物健康状况,对所述待监测区域的农田面积信息和农作物健康分布信息进行统计。
所述飞行高度规划单元307依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
利用高程信息采集单元308获取所述待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度分别为C和D;
若H>C-D,则所述无人机在所述待监测区域按照H+D的海拔高度飞行;
若H≤C-D,则将所述待监测区域按照海拔高度划分为M个区域,在所述第j个区域内按照jH+D的海拔高度飞行,其中,第j个区域内的最高点的高程值与D的差值为L,且(j-1)H≤L<jH,1≤j≤M,M、j为正整数。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于无人机的农作物监测方法,其特征在于,包括以下步骤:
步骤1:利用无人机同时获取待监测区域的多张连续的可见光图像、近红外图像和热成像图;
通过将可见光相机、近红外相机及热像仪搭载在所述无人机上,按照设定的航线对所述待监测区域进行航拍,获得多张连续的可见光图像、近红外图像以及热成像图;
步骤2:将所述多张连续的可见光图像、近红外图像和热成像图分别进行校正和拼接,获得所述待监测区域的可见光正射影像图、近红外正射影像图以及热成像正射影像图;
步骤3:通过所述可见光正射影像图和所述近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI,构建所述待监测区域的归一化差分植被指数正射影像图;
步骤4:从所述可见光正射影像图中分别选取N个健康农作物区块和N个不健康农作物区块所在的位置,并从所述归一化差分植被指数正射影像图和所述热成像正射影像图中分别获取所述N个健康农作物区块和N个不健康农作物区块的NDVI值和温度值,统计所述N个不健康农作物区块的NDVI均值A以及所述N个健康农作物区块的温度均值TB,N≥2,N为正整数;
步骤5:依据步骤4获得的A、TB,结合获得的归一化差分植被指数正射影像图和热成像正射影像图进行农作物分析,获得所述待监测区域的农作物健康状况;
依次得到所述待监测区域中位于位置x的农作物的NDVI值NDVI(x)和温度值T(x),当0≤NDVI(x)≤A时或T(x)≥TB,位于x位置的农作物不健康;
依据设定的无人机飞行要求高度H和所述待监测区域的高程信息,确定无人机拍摄航线;
所述待监测区域的高程信息包括待所述监测区域最高点和最低点的海拔高度分别为C和D;
若H>C-D,则所述无人机在所述待监测区域按照H+D的海拔高度飞行;
若H≤C-D,则将所述待监测区域按照海拔高度划分为M个区域,在第j个区域内按照jH+D的海拔高度飞行,其中,第j个区域内的最高点的高程值与D的差值为L,且(j-1)H≤L<jH,1≤j≤M,M、j为正整数。
2.根据权利要求1所述的方法,其特征在于,依据所述待监测区域的农作物健康状况,对所述待监测区域的农田面积信息和农作物健康分布信息进行统计。
3.一种基于无人机的农作物监测装置,其特征在于,包括:
图像采集单元,通过将可见光相机、近红外相机及热像仪搭载在无人机上,按照设定的航线对待监测区域进行航拍,获得多张连续的可见光图像、近红外图像和热成像图;
第一图像处理单元,用于将所述无人机获取的可见光图像、近红外图像和热成像图分别进行校正和拼接,获得待监测区域的可见光正射影像图、近红外正射影像图和热成像正射影像图;
第二图像处理单元,用于从可见光正射影像图和近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI,构建待监测区域的归一化差分植被指数正射影像图;
农作物指标确定单元,用于从所述可见光正射影像图中分别选取N个健康农作物区块和N个不健康农作物区块所在的位置,并从所述归一化差分植被指数正射影像图和热成像正射影像图中分别获取所述N个健康农作物区块和N个不健康农作物区块的NDVI值和温度值,统计N个不健康农作物区块的NDVI均值A以及所述N个健康农作物区块的温度均值TB,N≥2,N为正整数;
分析单元,以A、TB为基础,并结合归一化差分植被指数正射影像图和热成像正射影像图进行农作物分析,获得所述待监测区域的农作物健康状况;
依次得到所述待监测区域中位于位置x的农作物的NDVI值NDVI(x)和温度值T(x),当0≤NDVI(x)≤A时或T(x)≥TB,位于x位置的农作物不健康;
还包括飞行高度规划单元,所述飞行高度规划单元依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
利用高程信息采集单元获取所述待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度分别为C和D;
若H>C-D,则所述无人机在所述待监测区域按照H+D的海拔高度飞行;
若H≤C-D,则将所述待监测区域按照海拔高度划分为M个区域,在第j个区域内按照jH+D的海拔高度飞行,其中,第j个区域内的最高点的高程值与D的差值为L,且(j-1)H≤L<jH,1≤j≤M,M、j为正整数。
4.根据权利要求3所述的装置,其特征在于,还包括统计单元,所述统计单元依据所述待监测区域的农作物健康状况,对所述待监测区域的农田面积信息和农作物健康分布信息进行统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118154.9A CN108267175B (zh) | 2018-02-06 | 2018-02-06 | 一种基于无人机的农作物监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118154.9A CN108267175B (zh) | 2018-02-06 | 2018-02-06 | 一种基于无人机的农作物监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108267175A CN108267175A (zh) | 2018-07-10 |
CN108267175B true CN108267175B (zh) | 2021-01-08 |
Family
ID=62773521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810118154.9A Active CN108267175B (zh) | 2018-02-06 | 2018-02-06 | 一种基于无人机的农作物监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108267175B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109269448A (zh) * | 2018-09-26 | 2019-01-25 | 中国农业大学 | 一种基于红外温度图像的植被覆盖度测量方法及装置 |
CN109902567B (zh) * | 2019-01-22 | 2021-02-26 | 深圳大学 | 一种快速评估植被健康状况的数据处理方法及系统 |
CN109884057A (zh) * | 2019-03-07 | 2019-06-14 | 长春光华学院 | 一种基于机器视觉的农作物病变感知装置及其感知方法 |
CN110264570A (zh) * | 2019-06-13 | 2019-09-20 | 咏峰(大连)科技有限公司 | 一种基于无人机的林地自主巡检系统 |
CN110309762A (zh) * | 2019-06-26 | 2019-10-08 | 扆亮海 | 一种基于航空遥感的林业健康评价系统 |
CN112204569A (zh) * | 2019-11-04 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 结合多光谱和地表语义的作业规划方法、装置及设备 |
CN110989652A (zh) * | 2019-11-05 | 2020-04-10 | 北京金景科技有限公司 | 一种利用激光雷达进行无人机仿地飞行的方法 |
CN113795846A (zh) * | 2020-06-24 | 2021-12-14 | 深圳市大疆创新科技有限公司 | 确定作物种植信息的方法、装置及计算机存储介质 |
CN112293247A (zh) * | 2020-09-22 | 2021-02-02 | 武汉大学 | 一种基于遥感技术的用于水稻品种筛选的影像采集系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482514A (zh) * | 2008-01-10 | 2009-07-15 | 北京农业信息技术研究中心 | 一种病害检测仪及其检测方法 |
CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
CN104035412A (zh) * | 2014-06-12 | 2014-09-10 | 江苏恒创软件有限公司 | 一种基于无人机的农作物病虫害监测系统和方法 |
CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
CN104699111A (zh) * | 2015-03-25 | 2015-06-10 | 成都好飞机器人科技有限公司 | 基于无人机的病虫害防治设备 |
CN105445214A (zh) * | 2015-11-27 | 2016-03-30 | 安徽科技学院 | 一种农业工程遥感监测方法 |
-
2018
- 2018-02-06 CN CN201810118154.9A patent/CN108267175B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482514A (zh) * | 2008-01-10 | 2009-07-15 | 北京农业信息技术研究中心 | 一种病害检测仪及其检测方法 |
CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
CN104035412A (zh) * | 2014-06-12 | 2014-09-10 | 江苏恒创软件有限公司 | 一种基于无人机的农作物病虫害监测系统和方法 |
CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
CN104699111A (zh) * | 2015-03-25 | 2015-06-10 | 成都好飞机器人科技有限公司 | 基于无人机的病虫害防治设备 |
CN105445214A (zh) * | 2015-11-27 | 2016-03-30 | 安徽科技学院 | 一种农业工程遥感监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108267175A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108267175B (zh) | 一种基于无人机的农作物监测方法和装置 | |
Stanton et al. | Unmanned aircraft system-derived crop height and normalized difference vegetation index metrics for sorghum yield and aphid stress assessment | |
CN108169138B (zh) | 一种利用热红外图像的水稻倒伏监测方法 | |
US11631166B2 (en) | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle | |
US10585210B2 (en) | Apparatus for radiometric correction and orthorectification of aerial imagery | |
de Oca et al. | The AgriQ: A low-cost unmanned aerial system for precision agriculture | |
CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
Yang et al. | Yield estimation from hyperspectral imagery using spectral angle mapper (SAM) | |
CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
CN110533595A (zh) | 一种作物病虫害空间动态分布监测的方法和系统 | |
CN108334110A (zh) | 一种基于无人机的林业病害监测方法和装置 | |
CN111832518A (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN109142240A (zh) | 一种基于无人机遥感的大田作物水分胁迫监测方法 | |
CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Zhang et al. | Opportunities of UAVs in orchard management | |
CN106920231A (zh) | 一种基于全色图像统计特征的遥感图像云评估方法 | |
Liu et al. | An efficient approach based on UAV orthographic imagery to map paddy with support of field-level canopy height from point cloud data | |
Liu et al. | Detection of Firmiana danxiaensis canopies by a customized imaging system mounted on an UAV platform | |
KR102373278B1 (ko) | 지상기반 전천 영상자료를 이용한 야간 전운량 산출방법 | |
Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
Cavalcanti et al. | Use of RGB images from unmanned aerial vehicle to estimate lettuce growth in root-knot nematode infested soil | |
Wang et al. | Canopy extraction and height estimation of trees in a shelter forest based on fusion of an airborne multispectral image and photogrammetric point cloud | |
KR20220129706A (ko) | 과실 수량 측정 시스템 및 그 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |