CN109084690A - 基于无人机可见光遥感的作物株高计算方法 - Google Patents
基于无人机可见光遥感的作物株高计算方法 Download PDFInfo
- Publication number
- CN109084690A CN109084690A CN201811285570.4A CN201811285570A CN109084690A CN 109084690 A CN109084690 A CN 109084690A CN 201811285570 A CN201811285570 A CN 201811285570A CN 109084690 A CN109084690 A CN 109084690A
- Authority
- CN
- China
- Prior art keywords
- plant height
- crop
- unmanned plane
- remote sensing
- calculation method
- 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.)
- Pending
Links
- 244000038559 crop plants Species 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 5
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 18
- 241000196324 Embryophyta Species 0.000 description 16
- 241000209140 Triticum Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明属于作物株高监测领域,具体而言,涉及一种基于无人机可见光遥感的作物株高计算方法,该方法包括:以无人机搭载可见光相机对作物株高目标监测区域进行数码影像获取,并采集地面控制点;基于POS数据和对应的无人机高清数码影像进行影像拍摄时刻空间姿态的还原,并生成密集点云;最后构建其飞行区域的3D多边形格网,生成飞行区域的真实三维模型。对三维模型进行计算和分割,得出作物的株高。本发明通过利用无人机获取的可见光遥感影像计算作物株高,实现了作物株高的实时监测,克服了传统地面测量方法的效率低、破坏作物的缺点,并且时效性高、便捷性强,适合大尺度的农情监测。
Description
技术领域
本发明涉及作物高度测量领域,具体涉及一种基于无人机可见光遥感的作物株高计算方法。
背景技术
在作物的生长周期内,对作物植株高度的监测能够帮助生产者更好地掌握作物生长信息,根据其长势情况结合其他作物参数进行灌水、施肥等调控。其次,作物的植株高度在一定程度上可以反映作物产量。
目前,测定作物生长指标的方法有传统地面测量法与间接测量法,间接测量方法为基于遥感和图像系统的测量。地面测量作物高度的方法不仅费时费力,而且只能获取离散点的数据,无法得到面上的数据。而在间接测量方法中主动激光雷达遥感和干涉雷达遥感在林木高度测量方面具有很好的应用效果,已经成为林木高度反演的重要手段,但是由于其价格高昂,无法在作物中进行普遍性的应用。
综上所述,相对廉价且技术成熟的RGB(Red Green Blue)高分辨率相机设备已经广泛地应用在无人机遥感监测系统中。本发明实施例提供的基于无人机可见光遥感的作物株高计算方法与现有技术相比,通过利用无人机(实时)获取的遥感影像监测作物株高,实现了实时计算,克服了传统地面监测方法的破坏性强、时效性与便携性不足的缺点,而且成本较低,适合大尺度的农情监测。
发明内容
本发明的目的在于提供一种无人机可见光遥感的作物株高计算方法,解决现有的监测作物株高方法都存在适用性较差、工作效率低的问题。
本发明的实施例中提供了一种无人机可见光遥感的作物株高计算方法,包括步骤:。
步骤1:根据所需模型精度以及影像重叠度预先规划无人机参数,包括:航带数、飞行高度、飞行时间及架次。以无人机搭载的可见光相机对目标作物区域进行垂直拍摄,并按均匀分布进行控制点测量,保证获取影像建模后的精度。
步骤2:对监测作物区域的多幅原始影像的坐标系进行配准及拼接。
步骤3:提取影像拼接后生成的目标作物区域的密集点云数据。
步骤4:根据密集点云数据构建目标作物区域的3D多边形格网,并进行纹理贴图,最终生成监测区域的真实三维模型。
步骤5:对生成的三维模型进行分割和计算,最终得出作物的株高。
进一步的,步骤1航拍的影像必须具有一定的重叠度,其中,纵向重叠度至少为60%,旁向重叠度至少为30%。
进一步的,控制点的选择要安装高程起伏和航拍的目标作物区域分布进行综合考虑,并且其数量不能低于3个,最后用RTK精确测量其坐标及高程。
进一步的,步骤2控制以下步骤:
步骤21、利用图像拼接软件对目标作物区域的多幅原始影像进行处理;
步骤22、利用RTK已测的控制点对影像进行坐标系配准;
步骤23、利用图像拼接软件对原始影像进行拼接。
进一步的,步骤4利用图像拼接软件对影像中提取的密集点云进一步生成TIN三角网,构建其3D多边形格网,然后进行纹理贴图,生成DSM数字表面模型,再导出DEM数字高程模型。
进一步的,步骤5采用栅格计算工具对生成的DSM与DEM进行相减运算,得出目标作物区域内的株高。
具体的通过以下公式进行计算:
H=DSMi-DEM, (i=1,2,3,…);
式中H代表作物株高、DSMi代表各次监测得到的作物数字表面模型、DEM代表数字高程模型。
本发明的有益效果是:无人机低空遥感监测具备时效性强、精度高、范围广和无接
触测量等优势;本发明利用倾图像拼接技术对航拍的影像进行处理,构建的三维模型能精确的测量作物株高的生长指标,能输出DEM数字高程模型、DOM数字正摄影像和DSM数字表面模型等通用格式的数据类型,具有可操作性强,设备成本较低,采样速率快、精度和分辨率高等特点。
附图说明
图1为本发明基于无人机可见光遥感的作物株高计算方法流程图。
图2为本发明基于无人机可见光遥感的作物株高计算方法的实施例简图。
图3为本发明基于无人机可见光遥感的作物株高计算方法的处理过程示意图。
图4为本发明基于无人机可见光遥感的作物株高计算方法的计算作物株高原理示意图。
图5为本发明基于无人机可见光遥感的作物株高计算方法的结果示意图。
图6为本发明基于无人机可见光遥感的作物株高计算方法的误差曲面示意图。
具体实施方式
体现本发明特征与优点的典型实施例将在以下的说明中详细叙述。应理解的是发明可以在不同的实施例上具有各种的变化,其皆不脱离本发明的范围,且其中的说明及所附附图在本质上是当作说明之用,而非用以限制本发明。
本发明针对现有技术中提出的地面观测法、图像监测法等几种监测方法都存在适用性较差、工作效率低、成本较高的问题,提出了一种基于无人机可见光遥感的作物株高计算方法。
下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。
本实施例提供了一种于无人机可见光遥感的作物株高计算方法,包括以下步骤:
如图1所示,本例中首先,了解监测目标作物区域的地理地形、植被覆盖、水系等情况,结合模型精度等要求预先规划好航测的航带、架次和高程。采用多旋翼无人机搭载可见光相机对监测目标作物区域进行垂直拍摄。同时按照均匀分布和不同高程的要求进行控制点测量,保证获取影像建模后的精度。图像采集工具可以为机载单反或数码相机,只要能够满足机制和图像处理要求的图像采集设备都可作为图像采集工具用。
如图2所示,本例中首先,选定一个60m×20m的冬小麦种植区域作为监测目标作物区域,做4个大小为30cm*20cm的控制点标志牌,均匀放置于监测区域,并通过RTK对4个控制点的中心点进行绝对坐标的测量和记录。用无人机低空飞行对监测区域进行航测,获取初始影像照片。具体方法如下。
对监测区域的航测参数为,飞行高度30m,飞行航带8个,地面分辨率0.08cm。
垂直拍摄角度90°,纵向航带重叠度为80%,旁向重叠度为35%。
如图3所示,利用图像拼接软件对所获的初始影像照片进行处理,依靠测量的地面控制点进行坐标系配准,然后区域影像密集匹配,生成密集点云,再进一步生成TIN三角网,通过纹理贴图,生成监测目标作物区域的真实三维模型。
如图4所示,通过真实三维模型输出DSM数字表面模型与DEM数字高程模型的TIFF文件,并将其导入至栅格计算工具,进行相减运算,得出监测目标作物区域的CHM作物株高模型。
接着,对得出的CHM作物株高模型的精度采用与地面实测值进行精度评价,选定47个4m×4m的冬小麦样本单元,并在该单元内选取5个株高观测点,每个观测点观测若干株冬小麦株高,并将其进行均值计算,作为整个样本单元的平均株高。
第五,导入每个样本单元的矢量文件,运用统计工具在CHM作物株高模型里对每个样本单元进行分区统计,得出每个样本单元的冬小麦平均株高,并与地面值进行比较。
在与地面值的比较过程中具体通过以下公式计算。
Error=HeightT-HeightC;
其中Error表示从图像中计算得出的株高误差,HeightT代表地面实测株高,HeightC代表由本方法计算得出的株高。
如图5所示,最后,按照同样的方法处理同一监测目标作物区域的第二、三和四期影像,得出后续三次的冬小麦株高结果图。
如图6所示,在与地面实测值进行比较后,得出四次监测结果的误差曲面图。
将计算结果与地面实测值在y=x的线性关系下进行回归分析,得出R2=0.82,RMSE=0.0431m。结果显示具有较好的拟合效果与较高的精度,该方法可以提取作物株高。
无人机低空遥感、摄影建模和面向对象提取所需信息技术是一种操作性强,成本低,精度较高的综合的计算机图像处理技术。它可通过图像拼接软件直接从对实物拍摄的照片中提取目标区域的点云数据,从而生成TIN三角网、DEM、DOM/DEM等数据,实现快速的三维模型重建。结合栅格计算可以实现目标影像的作物株高自动提取,同时保证较高的精度,从而完整地、高精度地获取不同时期监测目标作物区域株高的变化情况。新监测技术具有采样速率快、精度和分辨率较高、无接触测量等优势。由此,我们相信基于无人机低空遥感在大尺度农情监测中拥有较好的应用前景,不仅可以为建设精准农业的定量化、实时化和数字化处理、分析和展示,而且大大提高了精准农业的自动化、信息化能力,为农情监测等提供较为详实的资料。
Claims (6)
1.基于无人机可见光遥感的作物株高计算方法,其特征在于,包括如下:
根据所需模型精度以及影像重叠度预先规划无人机参数,包括:航带数、飞行高度、飞行时间及架次;以无人机搭载的可见光相机对目标作物区域进行垂直拍摄,并按均匀分布进行控制点测量;对监测作物区域的多幅原始影像的坐标系进行配准及拼接;提取影像拼接后生成的目标作物区域的密集点云数据;根据密集点云数据构建目标作物区域的3D多边形格网,并进行纹理贴图,最终生成监测区域的真实三维模型;对生成的三维模型进行分割和计算,最终得出作物的株高。
2.根据权利要求1所述的基于无人机可见光遥感的作物株高计算方法,其特征在于,航拍的影像必须具有一定的重叠度,其中,纵向重叠度至少为60%,旁向重叠度至少为30%。
3.根据权利要求1所述的基于无人机可见光遥感的作物株高计算方法,其特征在于,控制点的选择要安装高程起伏和航拍的目标作物区域分布进行综合考虑,并且其数量不能低于3个,最后用RTK精确测量其坐标及高程。
4.根据权利要求1所述的基于无人机可见光遥感的作物株高计算方法,其特征在于,对原始影像进行配准及拼接时,包括以下步骤:
步骤1、利用图像拼接软件对目标作物区域的多幅原始影像进行处理;
步骤2、利用RTK已测的控制点对影像进行坐标系配准;
步骤3、利用图像拼接软件对原始影像进行拼接。
5.根据权利要求1所述的基于无人机可见光遥感的作物株高计算方法,其特征在于,利用图像拼接软件对影像中提取的密集点云进一步生成TIN三角网,构建其3D多边形格网,然后进行纹理贴图,生成DSM数字表面模型,再导出DEM数字高程模型。
6.根据权利要求1所述的基于无人机可见光遥感的作物株高计算方法,其特征在于,采用栅格计算对生成的DSM与DEM进行相减运算,得出目标作物区域内的株高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285570.4A CN109084690A (zh) | 2018-10-31 | 2018-10-31 | 基于无人机可见光遥感的作物株高计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285570.4A CN109084690A (zh) | 2018-10-31 | 2018-10-31 | 基于无人机可见光遥感的作物株高计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109084690A true CN109084690A (zh) | 2018-12-25 |
Family
ID=64844570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285570.4A Pending CN109084690A (zh) | 2018-10-31 | 2018-10-31 | 基于无人机可见光遥感的作物株高计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109084690A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948484A (zh) * | 2019-03-07 | 2019-06-28 | 景遥(上海)信息技术有限公司 | 基于无人机影像dsm提取植物高度的系统及方法 |
CN110569786A (zh) * | 2019-09-06 | 2019-12-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机数据采集的果树识别和数量监测方法及系统 |
CN111625016A (zh) * | 2019-02-28 | 2020-09-04 | 深圳市翔农创新科技有限公司 | 植保无人机作业优化方法、装置、系统及可读存储介质 |
CN111723599A (zh) * | 2019-03-18 | 2020-09-29 | 华东师范大学 | 基于无人机影像植株定位信息自动提取的系统及方法 |
CN111833435A (zh) * | 2020-06-28 | 2020-10-27 | 江苏大学 | 无人机近地遥感成熟作物密度高通量测量方法 |
CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
CN114140691A (zh) * | 2021-11-25 | 2022-03-04 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
CN114241024A (zh) * | 2021-11-10 | 2022-03-25 | 泰瑞数创科技(北京)有限公司 | 基于滑动边缘检测的人工神经网络建筑物纹理贴图方法及其系统 |
CN117253163A (zh) * | 2023-11-14 | 2023-12-19 | 山东科技大学 | 一种基于无人机激光雷达的田间花生株高估算方法 |
CN117274844A (zh) * | 2023-11-16 | 2023-12-22 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869152A (zh) * | 2016-03-24 | 2016-08-17 | 北京农业信息技术研究中心 | 无人机遥感测量作物株高空间分布的方法及装置 |
CN106643529A (zh) * | 2016-09-30 | 2017-05-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于无人机影像的山区农作物生长高度快速测量的方法 |
-
2018
- 2018-10-31 CN CN201811285570.4A patent/CN109084690A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869152A (zh) * | 2016-03-24 | 2016-08-17 | 北京农业信息技术研究中心 | 无人机遥感测量作物株高空间分布的方法及装置 |
CN106643529A (zh) * | 2016-09-30 | 2017-05-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于无人机影像的山区农作物生长高度快速测量的方法 |
Non-Patent Citations (1)
Title |
---|
刘坦: "Inpho、PhotoScan及Pix4D无人机正射影像处理软件对比", 《海峡科技与产业》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625016A (zh) * | 2019-02-28 | 2020-09-04 | 深圳市翔农创新科技有限公司 | 植保无人机作业优化方法、装置、系统及可读存储介质 |
CN109948484A (zh) * | 2019-03-07 | 2019-06-28 | 景遥(上海)信息技术有限公司 | 基于无人机影像dsm提取植物高度的系统及方法 |
CN111723599A (zh) * | 2019-03-18 | 2020-09-29 | 华东师范大学 | 基于无人机影像植株定位信息自动提取的系统及方法 |
CN110569786B (zh) * | 2019-09-06 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机数据采集的果树识别和数量监测方法及系统 |
CN110569786A (zh) * | 2019-09-06 | 2019-12-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于无人机数据采集的果树识别和数量监测方法及系统 |
CN111833435A (zh) * | 2020-06-28 | 2020-10-27 | 江苏大学 | 无人机近地遥感成熟作物密度高通量测量方法 |
CN112215169B (zh) * | 2020-10-10 | 2022-11-08 | 华中农业大学 | 基于无人机被动遥感的作物株高及生物量自适应解算方法 |
CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
CN114241024A (zh) * | 2021-11-10 | 2022-03-25 | 泰瑞数创科技(北京)有限公司 | 基于滑动边缘检测的人工神经网络建筑物纹理贴图方法及其系统 |
CN114140691A (zh) * | 2021-11-25 | 2022-03-04 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
CN114140691B (zh) * | 2021-11-25 | 2024-04-23 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
CN117253163A (zh) * | 2023-11-14 | 2023-12-19 | 山东科技大学 | 一种基于无人机激光雷达的田间花生株高估算方法 |
CN117274844A (zh) * | 2023-11-16 | 2023-12-22 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
CN117274844B (zh) * | 2023-11-16 | 2024-02-06 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109084690A (zh) | 基于无人机可见光遥感的作物株高计算方法 | |
WO2022170878A1 (zh) | 一种无人机测量输电线路影像距离的系统及方法 | |
Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
CN111473739B (zh) | 一种基于视频监控的隧道塌方区围岩变形实时监测方法 | |
CN109684929A (zh) | 基于多源遥感数据融合的陆生植物生态环境监测方法 | |
CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
CN104298245A (zh) | 基于无人机的监控林木生长状态的方法 | |
CN103226838A (zh) | 地理场景中移动监控目标的实时空间定位方法 | |
CN105046909A (zh) | 一种基于小型无人机的农业辅助定损方法 | |
CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN112489130A (zh) | 一种输电线路与目标物的距离测量方法、装置及电子设备 | |
CN106403904A (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
CN109584293A (zh) | 一种基于rgb-d视觉技术的温室作物三维形态全景测量系统 | |
Lv et al. | Research on the technology of LIDAR data processing | |
Balenović et al. | Quality assessment of high density digital surface model over different land cover classes | |
CN109631766A (zh) | 一种基于图像的木材板尺寸测量方法 | |
CN116182805A (zh) | 基于遥感图像的国土测绘方法 | |
CN111833435A (zh) | 无人机近地遥感成熟作物密度高通量测量方法 | |
CN115808246A (zh) | 一种面向遥感热红外传感器观测温度的空间归一化方法 | |
CN106845360A (zh) | 基于无人机遥感的高分辨率农作物表面模型构造方法 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
CN117557931B (zh) | 一种基于三维场景的表计最优巡检点的规划方法 | |
Itakura et al. | Voxel-based leaf area estimation from three-dimensional plant images | |
Zhang et al. | Design and experiment of a binocular vision-based canopy volume extraction system for precision pesticide application by UAVs | |
CN114998425B (zh) | 一种基于人工智能的目标物体地理坐标定位方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181225 |