CN112634212A - 基于高光谱无人机的病害潜伏树检测方法及系统 - Google Patents

基于高光谱无人机的病害潜伏树检测方法及系统 Download PDF

Info

Publication number
CN112634212A
CN112634212A CN202011474139.1A CN202011474139A CN112634212A CN 112634212 A CN112634212 A CN 112634212A CN 202011474139 A CN202011474139 A CN 202011474139A CN 112634212 A CN112634212 A CN 112634212A
Authority
CN
China
Prior art keywords
disease
hyperspectral
sample
aerial vehicle
unmanned aerial
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.)
Granted
Application number
CN202011474139.1A
Other languages
English (en)
Other versions
CN112634212B (zh
Inventor
谢谷艾
喻爱林
金明霞
陆坤
涂业苟
阙生全
刘晓华
熊彩云
万静
王文辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Agricultural University
Jiangxi Academy of Forestry
Original Assignee
Jiangxi Agricultural University
Jiangxi Academy of Forestry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Agricultural University, Jiangxi Academy of Forestry filed Critical Jiangxi Agricultural University
Priority to CN202011474139.1A priority Critical patent/CN112634212B/zh
Publication of CN112634212A publication Critical patent/CN112634212A/zh
Application granted granted Critical
Publication of CN112634212B publication Critical patent/CN112634212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱无人机的病害潜伏树检测方法及系统，该方法包括将已感染病害的林区作为样本区域，随机选定多株样本植株；定期进行叶片采集，获取叶片的光谱数据，判断每株样本植株的健康状态，结合样本区域的卫星遥感图像确定病害胁迫区域，对样本植株的病害类型进行识别；建立病害数据模型；确定目标区域，采集目标区域的高光谱图像；对高光谱图像进行预处理并输入病害数据模型，获得患病植株检测结果。基于前期采集的样本数据建立病害数据模型，利用无人机搭载高光谱相机进行现场数据采集，并利用病害数据模型，实现患病植株的检测，为利用高光谱遥感技术进行大规模林木病虫害发生动向、病情监测和预警提供了数据支持。

Description

基于高光谱无人机的病害潜伏树检测方法及系统
技术领域
本发明涉及遥感监测和树木病虫害防治技术领域，更具体的说是涉及一种基于高光谱无人机的病害潜伏树检测方法及系统。
背景技术
目前，病虫害侵害是影响森林生态环境的一个重要因素，例如松萎蔫病，松萎蔫病是影响我国森林生态最严重的国际性林业检疫对象，也是世界各国严密防范一种的森林毁灭性病害，该病主要由松褐天牛携带松材线虫传播，可危害多种松属植物。只有疫区精确定位潜伏树，然后处理潜伏树和病木，才有可能真正铲除病原，拔除疫区，遏制松萎蔫病不断扩散的趋势。
林业资源调查工作一般采用地面样地调查法或利用遥感技术的方法，通过对遥感影像的处理和判读来提取森林植被信息，虽然利用遥感技术的调查方式相较于地面样地调查法在前期数据采集过程中要更加安全高效。但是，采用航天或卫星遥感影像来提取森林植被信息时，后期处理工作效率低、周期长、成本高，需要耗费大量的人力和物力，并且测量精度受环境条件和人为因素影响较大，并未取得理想的检测效果。
因此，如何提供一种高效、快捷、成本更低的病害潜伏树的检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于高光谱无人机的病害潜伏树检测方法及系统，解决了现有的病害潜伏树检测方式效率低、周期长、成本高且结果可靠度不高的问题。
为了实现上述目的，本发明采用如下技术方案：
一方面，本发明提供了一种基于高光谱无人机的病害潜伏树检测方法，该方法包括：
S1：将已感染病害的林区作为样本区域，随机选定多株样本植株；
S2：定期对所述样本植株进行叶片采集，获取叶片的光谱数据，判断每株所述样本植株的健康状态，结合预先获得的样本区域的卫星遥感图像确定病害胁迫区域，并对所述病害胁迫区域内样本植株的病害类型进行识别；
S3：根据所述光谱数据、所述样本植株的健康状态以及病害类型的识别结果，建立病害数据模型；
S4：确定目标区域，通过搭载高光谱相机的无人机采集目标区域的高光谱图像；
S5：对所述高光谱图像进行预处理并输入所述病害数据模型，获得患病植株检测结果。
进一步地，相邻两株所述样本植株的间距大于200m。
进一步地，所述S2具体包括：
S201：定期对所述样本植株进行叶片采集，获取叶片的光谱数据；
S202：从所述光谱数据中选取窄带绿度指数作为光谱特征参数；
S203：获取样本区域的卫星遥感图像，对样本区域进行目视解译，提取样本区域的植区边界；
S204：根据病害的生理生态学特性，选择对病害具有识别和区分能力的植被指数，并测试所述植被指数对病害的敏感性和识别区分能力；
S205：对所述卫星遥感图像进行生境特征提取，获得生境特征参数；
S206：将原始波段反射率和光谱特征作为输入变量，构建健康生长区域和病害胁迫区域的判别模型，确定病害胁迫区域；
S207：对所述病害胁迫区域进行病害识别，并构建病害类型判别模型，识别出样本植株的病害类型。
进一步地，所述植被指数包括：归一化植被指数、温度植被指数以及比值植被指数。
进一步地，所述生境特征参数包括：水分相关的植被指数、影像穗帽变换特征以及地表温度。
进一步地，所述S5具体包括：
S501：在所述高光谱图像内植入定位坐标；
S502：从所述高光谱图像中获取有效图元数据，并确定数据边界；
S503：对所述有效图元数据进行运算处理，生成评测结果；
S504：将多张高光谱图像进行拼接，并标定相应的地理位置，生成地图；
S505：将所述评测结果与所述地图进行整合处理，得到患病植株检测结果。
进一步地，上述基于高光谱无人机的病害潜伏树检测方法还包括：
S6：根据预先获得的样本区域的卫星遥感数据，建立光谱指数的时间序列，确定病害早期发生时间，并对样本区域内各样点的气象预测因子与光谱指数的变化关系进行分析，获得病害预报指数，并根据所述高光光谱图像对目标区域进行病害预测预警。
另一方面，本发明还提供了一种基于高光谱无人机的病害潜伏树检测系统，该系统包括：高光谱相机、无人机本体以及地面监测终端，所述高光谱相机固定安装于所述无人机本体上并与所述无人机本体电连接，所述无人机本体与所述地面监测终端通信连接；
所述无人机本体用于搭载所述高光谱相机到达目标区域，所述高光谱相机用于拍摄目标区域的高光谱图像，所述高光谱图像通过所述无人机本体传输至所述地面监测终端，所述地面监测终端预先存储有病害数据模型，用于对所述高光谱图像进行预处理并输入所述病害数据模型，获得患病植株检测结果。
进一步地，所述地面监测终端还预先存储有病害预报指数，用于根据所述高光光谱图像对目标区域进行病害预测预警。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于高光谱无人机的病害潜伏树检测方法及系统，基于前期采集的样本数据建立病害数据模型，利用无人机搭载高光谱相机进行现场数据采集，并利用预先建立的病害数据模型，实现患病植株的检测，为后期利用高光谱遥感技术进行大规模林木病虫害发生动向、病情监测和预警提供了有效的数据支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于高光谱无人机的病害潜伏树检测方法的实现流程示意图；
图2为本发明实施例中叶表面反射光谱测量装置的结构示意图；
图3为本发明实施例中高光谱图像的处理原理示意图；
图4为本发明提供的一种基于高光谱无人机的病害潜伏树检测系统的结构架构示意图。
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。
一方面，参见附图1，本发明实施例公开了一种基于高光谱无人机的病害潜伏树检测方法，该方法包括：
S1：将已感染病害的林区作为样本区域，随机选定多株样本植株；
挑选已感染松萎蔫病的林区进行测试。在测试过程中，为保证样本的随机性，在测试范围内随机选择了多株马尾松样本植株，各样本植株之间最小距离大于200m，以保证样本数据的独立性。同时，为了保证样本随机性，每次都利用高枝剪从马尾松样本植株上多处不同位置进行样本叶片采集。
S2：定期对样本植株进行叶片采集，获取叶片的光谱数据，判断每株样本植株的健康状态，结合预先获得的样本区域的卫星遥感图像确定病害胁迫区域，并对病害胁迫区域内样本植株的病害类型进行识别。
具体，上述S2具体包括：
S201：定期对样本植株进行叶片采集，获取叶片的光谱数据；
测量叶片样本时，本实施例使用自制的叶表面反射光谱测量装置。叶表面反射光谱测量装置是一种能够快速测量植物叶片样品以获得叶表面光谱信息的分析仪器。该仪器利用光的反射原理，将全光谱光源的光通过叶表面反射给光谱仪进行测量，从而通过反射光的光谱分析出植物叶片表面的反射光谱，判断当前叶片样品的健康状况。本装置适用于快速检测，可于任何环境下制造出适合光谱仪工作的环境条件，为光谱测量带来便捷。
参见附图2，叶表面反射光谱测量装置包括夹具4、滑轨5、光源6、光谱仪7以及外壳9，夹具4安装在托举座8上，夹具4、托举座8、滑轨5、光源6均安装于外壳9内部，光谱仪7安装于外壳9的外部。下面对叶表面反射光谱测量装置的各部分结构进行说明。
(1)光源
当外界光照条件发生变化时，植物叶表面反射光谱会有所改变，而这些反射光谱强度数值对植物的实际生长情况判断具有重要的影响。本装置利用具有相对连续光谱的卤钨灯作为光源，并隔绝了外部光源，可为多次不同样品测量提供相同的光照条件。
(2)夹具
由于光谱测量需要对大量样品，因此本装置设计了一套快速更换样品的样品夹具与样品片，从而便于使用者对多个样品进行更换。每次对样本植株进行采样时，只需将该植株叶片样本平铺于样品片上并进行固定，再嵌入夹具中即可。
(3)滑轨
考虑到叶片可能存在不同角度上的差别，在装置中设计有滑轨，可供光源和样本来回移动，以满足不同角度上的测试需求。由于光谱测量需要对大量样品进行测量，因此本装置设计了一套快速更换样品的样品夹具与样品片，从而便于使用者对多个样品进行更换。每次对样本植株进行采样时，只需将该植株叶片样本平铺于样品片上并进行固定，再嵌入夹具中即可。
(4)光谱仪
光谱仪选用的是来自海洋光学的光谱仪USB2000+，适于测量光谱吸收、透射、反射、原子发射、颜色及其他应用的“紫外光/可见光/近红外光”光谱仪，所占空间很小，能够完成多种形式的测量。光谱范围为200-1100nm，可以有效地测出反射光中的可见光及近红外波段的光谱强度，为后期参数计算提供较为准确的原始测量数据。
该装置的测量原理为：
取得样品后，打开叶表面反射光谱测量装置，将样本叶片置于夹具上并用金属弹片进行固定。固定完成所有样本叶片后，打开光谱仪，首先用标定板对光谱仪进行矫正，再将固定有样本叶片的样本片置于载物台上，随后盖上箱盖进行测量，并将测得的光谱数据保存以供后续分析。
S202：从光谱数据中选取窄带绿度指数作为光谱特征参数。
此部分以松萎蔫病为例进行说明，由于松萎蔫病对松树的影响大部分在于叶绿素含量和水分含量降低，因此选择对叶绿素含量、叶子表面冠层、叶聚丛、冠层结构非常敏感的窄带绿度指数，它使用了红色与近红外区域部分，即红边，红边是介于690nm-740nm之间区域，包括吸收与散射。它比宽带绿度指数更加灵敏，特别是对于茂密植被。窄带绿度指数中所含指数如下表1所示：
表1窄带绿度指数
Figure BDA0002834597370000071
由于涉及到红边区域，光谱范围分布在680-760nm之间，因此使用窄带绿度中的红边归一化差异植被指数(NDVI705)对样本植株进行计算。红边归一化差异植被指数(NDVI705)是对传统NDVI的细微改变，用于高光谱分辨率的反射数据。与标准NDVI不同，NDVI705考虑了叶绿素吸收特征边缘(如705nm)而不是中间的较窄波段。与NDVI相比，NDVI705受叶绿素含量的影响更大，常见的应用包括精准农业、森林监测、森林火灾和植被压力检测。
S203：获取样本区域的卫星遥感图像，对样本区域进行目视解译，提取样本区域的植区边界。
本实施例根据地面调查情况，选择江西省内主要发生的病虫害种类，构建区域尺度的遥感区分模型。选择合适的高光谱影像数据(分辨率优于0.5m)，对研究区进行目视解译，提取研究区油茶种植区边界。
S204：根据病害的生理生态学特性，选择对病害具有识别和区分能力的植被指数，并测试植被指数对病害的敏感性和识别区分能力。
本实施例根据不同病虫害的生理生态学特性，选择对病虫害(等级)具有识别和区分能力的植被指数，采用实际的星地协同数据考察这些植被指数对病虫害的敏感性以及识别区分能力。常用的植被指数包括NDVI、TVI、SR等。其计算公式如下：
NDVI＝(RNIR-RR)/(RNIR+RR)
式中：NDVI为归一化植被指数；RNIR为近红外波段；RR为红光波段。
TVI＝0.5[120(RNIR-RG)-200(RR-RG)]
式中：TVI为温度植被指数；RG为绿光波段。
SR＝RNIR/RR
式中，SR为比例植被指数。
S205：对卫星遥感图像进行生境特征提取，获得生境特征参数。
本实施例利用谱段范围较宽，且包含短波红外，热红外等对生境参数提取非常重要的Landsat8影像进行生境特征提取，主要包括水分有关的植被指数(DSWI、NDWI)，影像穗帽变换特征(Wetness、Greeness)，以及地表温度(LST)三类。各光谱指数计算公式如下：
NDWI＝(RNIR-RSWIR)/(RNIR+RSWIR)
式中，NDWI为归一化水指数，RNIR为近红外波段，RSWIR为短波红外波段。
DSWI＝(RNIR+RG)/(RSWIR+RR)
式中，DSWI为水分胁迫指数，RNIR为近红外波段，RG为绿光波段，RSWIR为短波红外波段。
Wetness＝0.15RB+0.197RG+0.33RR+0.34RNIR-0.71RSWIR1-0.45RSWIR2
Greeness＝-0.29RB-0.24RG-0.54RR+0.72RNIR-0.07RSWIR1-0.16RSWIR2
式中，Wetness为湿度，Greeness为绿度，RB为蓝光波段，RG为绿光波段，RR为红光波段，RNIR为近红外波段，RSWIR1、RSWIR2为短波红外。
S206：将原始波段反射率和光谱特征作为输入变量，构建健康生长区域和病害胁迫区域的判别模型，确定病害胁迫区域。
本实施例采用两步分析法进行病虫害(等级)类型识别，首先，进行非健康生长区域的识别；然后，在非正常生长区域的基础上，对不同病虫害(等级)类型进行进一步的区分。
以筛选得到的原始波段反射率和光谱特征作为输入变量，采用FLDA方法构建健康生长和胁迫区域的判别模型，采用交叉验证方法对模型精度进行评价。
S207：对病害胁迫区域进行病害识别，并构建病害类型判别模型，识别出样本植株的病害类型。
进一步针对判定为胁迫的区域进行松材线虫病(等级)识别，以p-value(在原假设为真的前提下出现观察样本以及更极端情况的概率)<0.05为条件筛选对松材线虫病(等级)表现出显著差异的波段和光谱指数，继续采用FLDA(Fisher线性判别分析)方法构建松材线虫病(等级)的判别模型，并采用交叉验证方法对模型精度进行评价。
S3：根据光谱数据、样本植株的健康状态以及病害类型的识别结果，建立病害数据模型；
本实施例中提到的病害数据模型实质上是对健康生长区域和病害胁迫区域的判别模型和病害类型判别模型的一个数据汇总。
S4：确定目标区域，通过搭载高光谱相机的无人机采集目标区域的高光谱图像。
S5：对高光谱图像进行预处理并输入病害数据模型，获得患病植株检测结果。本实施例中患病植株检测结果包含患病植株的存在与否及其位置。
具体地，参见附图3，上述S5中，对高光谱图像进行预处理的过程，具体包括：
S501：在高光谱图像内植入定位坐标；
S502：从高光谱图像中找出有效图元数据，并确定数据边界；
S503：对有效图元数据进行运算处理，生成评测结果；
S504：对RGB三色通道混合形成的彩图(即RGB混合图)进行图像预处理，将多张图像进行拼接，生成地图；
S505：将评测结果与地图进行整合处理，生成患病植株检测结果。
S6：根据预先获得的样本区域的卫星遥感数据，建立光谱指数的时间序列，确定病害早期发生时间，并对样本区域内各样点的气象预测因子与光谱指数的变化关系进行分析，获得病害预报指数，并根据高光光谱图像对目标区域进行病害预测预警。
上述基于时间序列分析的松材线虫病预测预警的过程具体为：
①根据松材线虫病主要习性、发生特点和观察研究的实际经验，采集松材线虫病发展过程中的物候信息。
②基于Landsat卫星数据提取地表温度、水分胁迫指数(DSWI)、植被指数(NDVI)。利用GIS空间分析中的空间插值方法将局地小尺度上获得的信息扩展到较大的区域上，从而获取各样点的气象预测因子。
③为了对虫害早期发生时进行遥感识别，选取地面调查相对应的像素点，建立基于上述光谱指数的时间序列，通过时间序列分析确定病虫害早期发生时间，并分析气候因子与不同光谱指数曲线变化的关系。建立松材线虫害遥感-气候相关的预报指数。
另一方面，参见附图4，本发明实施例还公开了一种基于高光谱无人机的病害潜伏树检测系统，该系统包括：高光谱相机1、无人机本体2以及地面监测终端3，高光谱相机1固定安装于无人机本体2上并与无人机本体2电连接，无人机本体2与地面监测终端3通信连接；
无人机本体2用于搭载高光谱相机1到达目标区域，高光谱相机1用于拍摄目标区域的高光谱图像，高光谱图像通过无人机本体2传输至地面监测终端3，地面监测终端3预先存储有病害数据模型，用于对高光谱图像进行预处理并输入病害数据模型，获得患病植株检测结果。
较优地，地面监测终端3还预先存储有病害预报指数，用于根据高光光谱图像对目标区域进行病害预测预警。
本实施例将将基于液晶可调滤波器的高光谱镜头装备在相机上，构成高光谱相机，高光谱相机挂载于所用无人机上，相机采用索尼公司出品的NEX5T系列相机，通过数据传输线与无人机本体内的主控核心进行通讯，并接受拍摄指令。
本实施例中无人机本体采用六轴结构设计的多旋翼无人机，其内部的飞控系统核心采用开源核心PixHawk，飞行过程中，通过调用飞控的自动航线规划功能，对整个飞行轨迹进行规划，并在准备完成后进行飞行作业，具体通过GPS、北斗传感器进行导航，并利用基站定位传感器与地面定位基站通信，实现基站定位，携带高光谱相机对作业地面进行拍摄，最后生成所需的地面植被高光谱图片，数据通过数据存储系统进行存储，并通过遥控和图像数据传输设备与地面监控终端通信，地面监控终端通过地面监测、遥控系统接收数据，并利用地面控制及数据预处理上位机及软件对遥感高光谱数据进行处理，根据图片与之前的数据模型进行对比，找出与病株数据相符合的光谱图像，并进行地理坐标换算以定位。最后利用便携式检测仪定位及二次检测，以确认患病植株位置，并对病株病程进行更进一步的理化检测。
下面通过一个具体的实例对上述方法的实现过程进行说明：
基于高光谱无人机的病害潜伏树检测方法，具体细分为以下步骤：
第一步：寻找一定数量的健康样本植株，并对其中一部分进行病株处理，做好标记；
第二步，定期携带光谱测量装置对样本植株进行叶片采样，保存光谱数据；
第三步：将不同时期的样本光谱进行对比，将病株与其他健康样本的光谱波峰记录下来，以便于后期建立模型；
第四步：选定无人机作业范围，并划定作业航线；
第五步：将高光谱相机搭载于无人机上；
第六步：无人机进行作业；
第七步：将采集到的高光谱图像汇总到上位机，并对图像进行汇总及整理；
第八步：将图像进行拼接，并标定其对应的地理位置；
第九步：筛选出光谱图像中的患病植株。
不难发现，本发明实施例公开的基于高光谱无人机的病害潜伏树检测方法，与传统松萎蔫病潜伏树检测方法相比，无需耗费大量人力物力，高效、快捷、经济、精准，易于推广和使用。且除了松萎蔫病外，本实施例提供的方案还可以应用于其他病虫害，如油茶病虫害、樟树病虫害、中药材病虫害的遥感监测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于高光谱无人机的病害潜伏树检测方法，其特征在于，包括：
S1：将已感染病害的林区作为样本区域，随机选定多株样本植株；
S2：定期对所述样本植株进行叶片采集，获取叶片的光谱数据，判断每株所述样本植株的健康状态，结合预先获得的样本区域的卫星遥感图像确定病害胁迫区域，并对所述病害胁迫区域内样本植株的病害类型进行识别；
S3：根据所述光谱数据、所述样本植株的健康状态以及病害类型的识别结果，建立病害数据模型；
S4：确定目标区域，通过搭载高光谱相机的无人机采集目标区域的高光谱图像；
S5：对所述高光谱图像进行预处理并输入所述病害数据模型，获得患病植株检测结果。
2.根据权利要求1所述的一种基于高光谱无人机的病害潜伏树检测方法，其特征在于，相邻两株所述样本植株的间距大于200m。
3.根据权利要求1所述的一种基于高光谱无人机的病害潜伏树检测方法，其特征在于，所述S2具体包括：
S201：定期对所述样本植株进行叶片采集，获取叶片的光谱数据；
S202：从所述光谱数据中选取窄带绿度指数作为光谱特征参数；
S203：获取样本区域的卫星遥感图像，对样本区域进行目视解译，提取样本区域的植区边界；
S204：根据病害的生理生态学特性，选择对病害具有识别和区分能力的植被指数，并测试所述植被指数对病害的敏感性和识别区分能力；
S205：对所述卫星遥感图像进行生境特征提取，获得生境特征参数；
S206：将叶表面光谱反射率和波长范围作为输入变量，构建健康生长区域和病害胁迫区域的判别模型，确定病害胁迫区域；
S207：对所述病害胁迫区域进行病害识别，并构建病害类型判别模型，识别出样本植株的病害类型。
4.根据权利要求3所述的一种基于高光谱无人机的病害潜伏树检测方法，其特征在于，所述植被指数包括：归一化植被指数、温度植被指数以及比值植被指数。
5.根据权利要求3所述的一种基于高光谱无人机的病害潜伏树检测方法，其特征在于，所述生境特征参数包括：水分相关的植被指数、影像穗帽变换特征以及地表温度。
6.根据权利要求1所述的一种基于高光谱无人机的病害潜伏树检测方法，其特征在于，所述S5具体包括：
S501：在所述高光谱图像内植入定位坐标；
S502：从所述高光谱图像中获取光谱特征为病害潜伏树的图像作为有效数据，并确定数据边界；
S503：对所述有效图元数据进行运算处理，生成评测结果；
S504：将多张高光谱图像进行拼接，并标定相应的地理位置，生成地图；
S505：将所述评测结果与所述地图进行整合处理，得到病害潜伏树的患病植株检测结果。
7.根据权利要求1所述的一种基于高光谱无人机的病害潜伏树检测方法，其特征在于，还包括：
S6：根据预先获得的样本区域的卫星遥感数据，建立光谱指数的时间序列，确定病害早期发生时间，并对样本区域内各样点的气象预测因子与光谱指数的变化关系进行分析，获得病害预报指数，并根据所述高光光谱图像对目标区域进行病害预测预警。
8.一种基于高光谱无人机的病害潜伏树检测系统，其特征在于，包括：高光谱相机、无人机本体以及地面监测终端，所述高光谱相机固定安装于所述无人机本体上并与所述无人机本体电连接，所述无人机本体与所述地面监测终端通信连接；
所述无人机本体用于搭载所述高光谱相机到达目标区域，所述高光谱相机用于拍摄目标区域的高光谱图像，所述高光谱图像通过所述无人机本体传输至所述地面监测终端，所述地面监测终端预先存储有病害数据模型，用于对所述高光谱图像进行预处理并输入所述病害数据模型，获得患病植株检测结果。
9.根据权利要求8所述的一种基于高光谱无人机的病害潜伏树检测系统，其特征在于，所述地面监测终端还预先存储有病害预报指数，用于根据所述高光光谱图像对目标区域进行病害预测预警。
CN202011474139.1A 2020-12-14 2020-12-14 基于高光谱无人机的病害潜伏树检测方法及系统 Active CN112634212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011474139.1A CN112634212B (zh) 2020-12-14 2020-12-14 基于高光谱无人机的病害潜伏树检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011474139.1A CN112634212B (zh) 2020-12-14 2020-12-14 基于高光谱无人机的病害潜伏树检测方法及系统

Publications (2)

Publication Number Publication Date
CN112634212A true CN112634212A (zh) 2021-04-09
CN112634212B CN112634212B (zh) 2023-08-15

Family

ID=75314120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011474139.1A Active CN112634212B (zh) 2020-12-14 2020-12-14 基于高光谱无人机的病害潜伏树检测方法及系统

Country Status (1)

Country Link
CN (1) CN112634212B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129291A (zh) * 2021-04-26 2021-07-16 吕桂荣 一种基于大数据植物病虫害智能识别方法与系统
CN113218898A (zh) * 2021-05-06 2021-08-06 塔里木大学 一种基于光谱分析的植物病害遥感特征提取方法
CN114112991A (zh) * 2021-12-17 2022-03-01 广西壮族自治区农业科学院 一种设施甜瓜盐害无损测定方法及系统
CN114199788A (zh) * 2021-12-09 2022-03-18 中科计算技术西部研究院 基于多光谱的病虫害检测识别方法、系统及存储介质
CN114199800A (zh) * 2021-12-08 2022-03-18 华智生物技术有限公司 一种水稻纹枯病识别方法、系统、设备及介质
CN114255262A (zh) * 2021-12-15 2022-03-29 赣南师范大学 一种害虫消杀系统、方法、电子设备及存储介质
CN114295614A (zh) * 2021-12-31 2022-04-08 湖北省农业科学院农业质量标准与检测技术研究所 茶树病虫害检测车、检测装置、检测系统和检测方法
CN114663785A (zh) * 2022-03-18 2022-06-24 华南农业大学 基于无人机高光谱的荔枝病害检测方法及系统
CN114740004A (zh) * 2022-04-29 2022-07-12 吉林农业科技学院 基于无人机采集玉米高光谱实现检测根腐病和定位的方法
CN115115955A (zh) * 2022-07-08 2022-09-27 宁波大学 基于无人机高光谱遥感的松材线虫病树监测方法与装置
CN115934979A (zh) * 2023-02-21 2023-04-07 中国科学院东北地理与农业生态研究所 一种基于多采集端的土壤侵蚀信息管理方法及系统
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别系统
CN108694391A (zh) * 2018-05-16 2018-10-23 黄铁成 基于高光谱遥感的胡杨林春尺蠖灾害监测方法
CN108846352A (zh) * 2018-06-08 2018-11-20 广东电网有限责任公司 一种植被分类与识别方法
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别系统
CN108694391A (zh) * 2018-05-16 2018-10-23 黄铁成 基于高光谱遥感的胡杨林春尺蠖灾害监测方法
CN108846352A (zh) * 2018-06-08 2018-11-20 广东电网有限责任公司 一种植被分类与识别方法
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
亓兴兰 等: "基于卫星遥感影像的森林病虫害监测研究进展", 《林业资源管理》 *
张衡;潘洁;廖振峰;: "森林病虫害高光谱遥感监测的研究进展", 中国森林病虫, no. 02 *
赵洪莹 等: "高光谱遥感技术在森林病虫害监测中的应用", 《绿色科技》 *
黄文江: "作物病虫害遥感监测研究进展与展望", 《智慧农业》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129291A (zh) * 2021-04-26 2021-07-16 吕桂荣 一种基于大数据植物病虫害智能识别方法与系统
CN113218898A (zh) * 2021-05-06 2021-08-06 塔里木大学 一种基于光谱分析的植物病害遥感特征提取方法
CN114199800B (zh) * 2021-12-08 2023-11-21 华智生物技术有限公司 一种水稻纹枯病识别方法、系统、设备及介质
CN114199800A (zh) * 2021-12-08 2022-03-18 华智生物技术有限公司 一种水稻纹枯病识别方法、系统、设备及介质
CN114199788A (zh) * 2021-12-09 2022-03-18 中科计算技术西部研究院 基于多光谱的病虫害检测识别方法、系统及存储介质
CN114255262A (zh) * 2021-12-15 2022-03-29 赣南师范大学 一种害虫消杀系统、方法、电子设备及存储介质
CN114112991A (zh) * 2021-12-17 2022-03-01 广西壮族自治区农业科学院 一种设施甜瓜盐害无损测定方法及系统
CN114112991B (zh) * 2021-12-17 2024-01-26 广西壮族自治区农业科学院 一种设施甜瓜盐害无损测定方法及系统
CN114295614A (zh) * 2021-12-31 2022-04-08 湖北省农业科学院农业质量标准与检测技术研究所 茶树病虫害检测车、检测装置、检测系统和检测方法
CN114663785A (zh) * 2022-03-18 2022-06-24 华南农业大学 基于无人机高光谱的荔枝病害检测方法及系统
CN114663785B (zh) * 2022-03-18 2024-06-07 华南农业大学 基于无人机高光谱的荔枝病害检测方法及系统
CN114740004A (zh) * 2022-04-29 2022-07-12 吉林农业科技学院 基于无人机采集玉米高光谱实现检测根腐病和定位的方法
CN115115955A (zh) * 2022-07-08 2022-09-27 宁波大学 基于无人机高光谱遥感的松材线虫病树监测方法与装置
CN115934979A (zh) * 2023-02-21 2023-04-07 中国科学院东北地理与农业生态研究所 一种基于多采集端的土壤侵蚀信息管理方法及系统
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质
CN116468671B (zh) * 2023-03-21 2024-04-16 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112634212B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN112634212B (zh) 基于高光谱无人机的病害潜伏树检测方法及系统
Castro‐Esau et al. Variability in leaf optical properties of Mesoamerican trees and the potential for species classification
Schlerf et al. Retrieval of chlorophyll and nitrogen in Norway spruce (Picea abies L. Karst.) using imaging spectroscopy
Zarco-Tejada et al. Chlorophyll fluorescence effects on vegetation apparent reflectance: II. Laboratory and airborne canopy-level measurements with hyperspectral data
Asner et al. Taxonomy and remote sensing of leaf mass per area (LMA) in humid tropical forests
Van Aardt Spectral separability among six southern tree species
Oumar et al. Predicting Thaumastocoris peregrinus damage using narrow band normalized indices and hyperspectral indices using field spectra resampled to the Hyperion sensor
Adamchuk et al. Proximal soil and plant sensing
Luo et al. Detecting aphid density of winter wheat leaf using hyperspectral measurements
Pu et al. Using CASI hyperspectral imagery to detect mortality and vegetation stress associated with a new hardwood forest disease
Özyiğit et al. Use of spectral reflectance values for determining nitrogen, phosphorus, and potassium contents of rangeland plants
CN111062251A (zh) 基于无人机成像的农田棉蚜为害等级模型的监测方法
CN101382488A (zh) 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法
Pearse et al. Comparison of optical LAI measurements under diffuse and clear skies after correcting for scattered radiation
Shafri et al. Detection of stressed oil palms from an airborne sensor using optimized spectral indices
Cotrozzi Spectroscopic detection of forest diseases: a review (1970–2020)
Rossini et al. Assessment of oak forest condition based on leaf biochemical variables and chlorophyll fluorescence
Ren et al. Evaluating cellulose absorption index (CAI) for non-photosynthetic biomass estimation in the desert steppe of Inner Mongolia
Wang et al. Automatic detection of rice disease using near infrared spectra technologies
Wang et al. Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors
O'neill et al. Biochemical and reflectance variation throughout a Sitka spruce canopy
Dmitriev et al. Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves
Panigada et al. Chlorophyll concentration mapping with MIVIS data to assess crown discoloration in the Ticino Park oak forest
Petibon et al. Uncertainties in measurements of leaf optical properties are small compared to the biological variation within and between individuals of European beech
Hacker et al. Variations in accuracy of leaf functional trait prediction due to spectral mixing

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
GR01 Patent grant
GR01 Patent grant