CN114782843A - 基于无人机多光谱图像融合的作物产量预测方法及系统 - Google Patents

基于无人机多光谱图像融合的作物产量预测方法及系统 Download PDF

Info

Publication number
CN114782843A
CN114782843A CN202210428234.0A CN202210428234A CN114782843A CN 114782843 A CN114782843 A CN 114782843A CN 202210428234 A CN202210428234 A CN 202210428234A CN 114782843 A CN114782843 A CN 114782843A
Authority
CN
China
Prior art keywords
determining
texture
crop
yield
red
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
Application number
CN202210428234.0A
Other languages
English (en)
Inventor
刘飞
周军
陆祥宇
杨睿
陈梦媛
焦杰
刘羽飞
孔汶汶
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210428234.0A priority Critical patent/CN114782843A/zh
Publication of CN114782843A publication Critical patent/CN114782843A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于无人机多光谱图像融合的作物产量预测方法及系统，属于产量预测领域，作物产量预测方法包括：采集目标区域作物成熟前的多光谱图像并确定作物测产区域；从作物测产区域中提取5个波段的灰度图像；确定每个灰度图像各波段的纹理特征；根据各波段的纹理特征确定6个纹理指数；根据5个波段的反射率平均值确定6个植被指数；根据红、绿、蓝波段的平均灰度值确定6个颜色指数；根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；根据产量指数，采用随机森林方法，确定目标区域的作物产量。采用图像处理的方式降低了对作物的影响，同时融合纹理指数、植被指数和颜色指数提高了产量预测的精度。

Description

基于无人机多光谱图像融合的作物产量预测方法及系统
技术领域
本发明涉及产量预测领域，特别是涉及一种基于无人机多光谱图像融合的作物产量预测方法及系统。
背景技术
监测粮食作物的种植面积和产量历来受到高度重视，不管是政府还是科学研究者都致力于研究如何能够及时地了解并准确地掌握粮食作物种植产量等信息。作物种植信息的及时获取可为政府制定农业生产政策提供科学依据，这对于确保粮食安全具有非常重要的意义。在农业生产中，作物产量及时准确预测，也能为对农民每年和下一年更好地实施农作物管理具有重要意义，特别是在农作物保险、收获计划、仓储需求、现金流预算、营养、农药、水等投入决策的测定等方面。
传统的作物产量预测方法需要测量行距、株距，还需要破坏性取样测量每穗总粒数、结实率、千粒重等参数才能最后计算得出预测亩产量，劳动强度大、成本高、耗费时间长，而且主观性强，主要依靠操作人员的专业知识，操作人员的专业知识和经验高低不同导致测量精度高低不一，难以保持稳定度和可信度。而现有的利用遥感技术测产方法大多只用了植被指数，或者结合地面作物生理指标，此类方法只适用于特定地区、品种和施肥模式，但实际应用中可能因为年份、地区、品种、施肥方式等影响，导致预测精度不足，进而导致收割时不能合理安排收获机的数量以及人员的分配，导致收割效率低，资源浪费，成本增加等问题。
发明内容
本发明的目的是提供一种基于无人机多光谱图像融合的作物产量预测方法及系统，可提高产量预测的精度，提高收割效率。
为实现上述目的，本发明提供了如下方案：
一种基于无人机多光谱图像融合的作物产量预测方法，包括：
采集目标区域作物成熟前的多光谱图像；
根据所述多光谱图像，确定作物测产区域；
从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段；
根据每个灰度图像，确定对应波段的纹理特征；
根据各波段的纹理特征，确定6个纹理指数；
从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值；
根据各波段的反射率平均值，确定6个植被指数；
从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度值；
根据红、绿、蓝波段的平均灰度值，确定6个颜色指数；
根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；
根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量。
可选地，所述采集目标区域作物成熟前的多光谱图像，具体包括：
通过无人机携带多光谱相机采集所述目标区域的多张初始多光谱图像；
根据各初始多光谱图像的特征，对多张初始多光谱图像进行拼接，得到所述目标区域作物成熟前的多光谱图像。
可选地，所述根据所述多光谱图像，确定作物测产区域，具体包括：
通过预先在目标区域放置的光谱校正板，对所述多光谱图像进行校正，得到多光谱校正图像；
将所述多光谱校正图像中的周边区域去除，得到作物测产目标区域。
可选地，所述纹理特征包括逆差距纹理、反差纹理、能量纹理及自相关纹理；
采用以下公式，确定6个纹理指数：
Figure BDA0003609042930000031
Figure BDA0003609042930000032
Figure BDA0003609042930000033
Figure BDA0003609042930000034
Figure BDA0003609042930000035
Figure BDA0003609042930000036
其中，TI1、TI2、TI3、TI4、TI5、TI6为6个纹理指数，CONRed为红色波段的反差纹理，ENENIR为近红外波段的能量纹理，ENERed为红色波段的能量纹理，CORRed为红色波段的自相关纹理，CONNIR为近红外波段的反差纹理。
可选地，采用以下公式，确定6个植被指数：
VI1＝(RE-NIR)/(B-R)；
VI2＝R-B；
VI3＝(NIR-R)/(NIR+R)；
VI4＝NIR/B；
VI5＝1.5*(R-B)/(R+B+0.5)；
VI6＝1.16*(NIR-R)/(NIR+R+0.16)；
其中，VI1、VI2、VI3、VI4、VI5、VI6为6个植被指数，RE为红边波段的反射率平均值，NIR为近红外波段的反射率平均值，B为蓝波段的反射率平均值，R为红波段的反射率平均值。
可选地，所述根据红、绿、蓝波段的平均灰度值，确定6个颜色指数，具体包括：
对每一波段的平均灰度值进行归一化，得到对应波段的归一化灰度值；
根据各波段的归一化灰度值，确定6个颜色指数。
可选地，采用以下公式，分别确定红、绿、蓝波段的归一化灰度值：
r＝R/(R+G+B)；
g＝G/(R+G+B)；
b＝B/(R+G+B)；
其中，r为红波段的归一化灰度值，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，R为红波段的平均灰度值，G为绿波段的平均灰度值，B为蓝波段的平均灰度值。
可选地，采用以下公式，确定6个颜色指数：
CI1＝2g-b-r；
CI2＝(g2-r2)/(g2+r2)；
CI3＝(g2-b*r)/(g2+b*r)；
CI4＝(r-g)/(r+g-b)；
CI5＝3g-2.4r-b；
CI6＝(2g-b-r)/(2g+b+r)；
其中CI1、CI2、CI3、CI4、CI5、CI6为新建的6个颜色指数，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，r为红波段的归一化灰度值。
可选地，所述根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量，具体包括：
根据所述产量指数，基于机器学习随机森林模型，确定所述目标区域的作物亩产量；
根据目标区域的作物种植面积和作物亩产量，确定作物总产量。
为实现上述目的，本发明还提供了如下方案：
一种基于无人机多光谱图像融合的作物产量预测系统，包括：
图像采集模块，用于采集目标区域作物成熟前的多光谱图像；
作物测产区域确定模块，与所述图像采集模块连接，用于根据所述多光谱图像，确定作物测产区域；
灰度图像提取模块，与所述作物测产区域确定模块连接，用于从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段；
纹理特征确定模块，与所述灰度图像提取模块连接，用于根据每个灰度图像，确定对应波段的纹理特征；
纹理指数确定模块，与所述纹理特征确定模块连接，用于根据各波段的纹理特征，确定6个纹理指数；
反射率确定模块，与所述作物测产区域确定模块连接，用于从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值；
植被指数确定模块，与所述反射率确定模块连接，用于根据各波段的反射率平均值，确定6个植被指数；
灰度值确定模块，与所述作物测产区域确定模块连接，用于从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度值；
颜色指数确定模块，与所述灰度值确定模块连接，用于根据红、绿、蓝波段的平均灰度值，确定6个颜色指数；
产量指数确定模块，分别与所述纹理指数确定模块、所述植被指数确定模块及所述颜色指数确定模块连接，用于根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；
作物产量确定模块，与所述产量指数确定模块连接，用于根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：采集作物成熟前的多光谱图像，分别提取多光谱图像中作物冠层的纹理指数、植被指数和颜色指数，根据纹理指数、植被指数和颜色指数，采用随机森林方法确定目标区域的作物产量，采用图像处理的方式预测作物产量降低了对作物的影响，融合纹理指数、植被指数和颜色指数，充分提取作物冠层的特征，提高了产量预测的精度。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于无人机多光谱图像融合的作物产量预测方法的流程图；
图2为光谱校正板的位置示意图；
图3为本发明基于无人机多光谱图像融合的作物产量预测系统的模块结构示意图。
符号说明：
图像采集模块-1，作物测产区域确定模块-2，灰度图像提取模块-3，纹理特征确定模块-4，纹理指数确定模块-5，反射率确定模块-6，植被指数确定模块-7，灰度值确定模块-8，颜色指数确定模块-9，产量指数确定模块-10，作物产量确定模块-11，光谱校正板-a、b、c、d。
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。
本发明的目的是提供一种基于无人机多光谱图像融合的作物产量预测方法及系统，采用图像处理的方式预测作物产量降低了对作物的影响，同时，融合6个纹理指数、6个植被指数和6个颜色指数，充分提取作物冠层的特征，提高了产量预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明基于无人机多光谱图像融合的作物产量预测方法包括：
S1：采集目标区域作物成熟前的多光谱图像。
具体地，通过无人机携带多光谱相机采集所述目标区域的多张初始多光谱图像。根据各初始多光谱图像的特征，对多张初始多光谱图像进行拼接，得到所述目标区域作物成熟前的多光谱图像。
本发明利用无人机平台采集作物冠层的光谱图像，速度快，时间短，无需人员进入水田即可估测大面积作物产量，降低了劳动强度和作业成本，并提高了作业效率。
S2：根据所述多光谱图像，确定作物测产区域。
具体地，通过预先在目标区域放置的光谱校正板，对所述多光谱图像进行校正，得到多光谱校正图像。将所述多光谱校正图像中的周边区域去除，得到作物测产目标区域。在本实施例中，在无人机航拍采集信息之前，在目标区域放置多个光谱校正板。
S3：从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段。具体地，根据作物冠层各波段图像与作物生长状况和产量的相关性，筛选出435nm-870nm波段范围内蓝、绿、红、红边、近红外五个波段的灰度图像。
S4：根据每个灰度图像，确定对应波段的纹理特征。
S5：根据各波段的纹理特征，确定6个纹理指数。
具体地，所述纹理特征包括逆差距纹理、反差纹理、能量纹理及自相关纹理。在本实施例中，先采用公式
Figure BDA0003609042930000071
计算出任意两种不同纹理特征对应的纹理指数；其中，TI为T1和T2对应的纹理指数，T1和T2为任意两种不同的纹理特征。然后依据与产量数据间的相关性，筛选出相关性高的前6个纹理指数TI1、TI2、TI3、TI4、TI5、TI6：
Figure BDA0003609042930000081
Figure BDA0003609042930000082
Figure BDA0003609042930000083
Figure BDA0003609042930000084
Figure BDA0003609042930000085
Figure BDA0003609042930000086
其中，TI1、TI2、TI3、TI4、TI5、TI6为6个纹理指数，CONRed为红色波段的反差纹理，ENENIR为近红外波段的能量纹理，ENERed为红色波段的能量纹理，CORRed为红色波段的自相关纹理，CONNIR为近红外波段的反差纹理。
S6：从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值。具体地，提取出作物测产区域内各像素点的不同波段的反射率值。根据作物冠层各波段光谱值与作物生长状况和产量的相关性，筛选出435nm-870nm波段范围内蓝、绿、红、红边、近红外5个波段的反射率平均值。
S7：根据各波段的反射率平均值，确定6个植被指数。具体地，采用以下公式，确定6个植被指数：
VI1＝(RE-NIR)/(B-R)；
VI2＝R-B；
VI3＝(NIR-R)/(NIR+R)；
VI4＝NIR/B；
VI5＝1.5*(R-B)/(R+B+0.5)；
VI6＝1.16*(NIR-R)/(NIR+R+0.16)；
其中，VI1、VI2、VI3、VI4、VI5、VI6为6个植被指数，RE为红边波段的反射率平均值，NIR为近红外波段的反射率平均值，B为蓝波段的反射率平均值，R为红波段的反射率平均值。
S8：从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度DN值。具体地，航拍的图像包含一个RGB图像和多个单波段的灰度图像，此步骤从RGB图像中的作物测产区域提取红、绿、蓝波段的灰度值。
S9：根据红、绿、蓝波段的平均灰度值，确定6个颜色指数。
进一步地，步骤S9具体包括：
S901：对每一波段的平均灰度值进行归一化，得到对应波段的归一化灰度值。具体地，采用以下公式，分别确定红、绿、蓝波段的归一化灰度值：
r＝R/(R+G+B)；
g＝G/(R+G+B)；
b＝B/(R+G+B)；
其中，r为红波段的归一化灰度值，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，R为红波段的平均灰度值，G为绿波段的平均灰度值，B为蓝波段的平均灰度值。
S902：根据各波段的归一化灰度值，确定6个颜色指数。具体地，首先计算红、绿、蓝三个波段中任意波段的光谱值，将三个波段任意组合计算颜色指数后，依据与产量数据间的相关性，筛选出相关性高的前6个颜色指数：
CI1＝2g-b-r；
CI2＝(g2-r2)/(g2+r2)；
CI3＝(g2-b*r)/(g2+b*r)；
CI4＝(r-g)/(r+g-b)；
CI5＝3g-2.4r-b；
CI6＝(2g-b-r)/(2g+b+r)；
其中CI1、CI2、CI3、CI4、CI5、CI6为新建的6个颜色指数，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，r为红波段的归一化灰度值。
S10：根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数。
S11：根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量。
进一步地，步骤S11具体包括：
根据产量指数，基于机器学习随机森林模型，确定所述目标区域的作物亩产量。具体地，采用以下公式确定作物亩产量：
Yield＝fRF(TI1,TI2,TI3,TI4,TI5,TI6,VI1,VI2,VI3,VI4,VI5,VI6,CI1,CI2,CI3,CI4,CI5,CI6；其中，Yield为作物亩产量，fRF()为随机森林RF模型。
根据目标区域的作物种植面积和作物亩产量，确定作物总产量。具体地，采用公式W＝Yield*N，确定作物总产量；其中，W为作物总产量，Yield为作物亩产量，N为目标区域的作物种植面积。
在步骤S7和步骤S9中，依据与产量数据间的相关性筛选出相关性高的前6个植被指数和6个颜色指数。
步骤S1中采集图像时，无人机的飞行高度为20-150m。无人机的航向重复率大于或等于60％，无人机的旁向重复率大于或等于55％，飞行速度小于或等于10m/s。无人机飞行中，多光谱相机的镜头方向与地面保持垂直。通过无人机飞控系统等间距向多光谱相机发射触发信号，或者多光谱相机按照固定时间间隔拍照。另外，同时触发位置姿态记录器采集GPS等地理信息。根据航向前后重复和旁向左右重复部分图像的相同特征，进行图像拼接，得到目标区域作物成熟前的多光谱图像。
步骤S2中通过预先在目标区域放置的光谱校正板，对所述多光谱图像进行校正，得到多光谱校正图像，具体包括：根据光谱校正板的标定校正系数，对多光谱图像进行光谱校正，得到多光谱图像中每个像素点的反射率。具体地，光谱校正板的标定校正系数是指每个光谱校正板的反射率，每个光谱校正板的反射率是已知的，可以提前获得：在已知光强E1的标准光下分别测出每个光谱校正板的反射光强E2，则每个光谱校正板对应的反射率为Ri＝E1/E2，即为标定板校正系数。
对于每个光谱校正板来说，以光谱校正板中所有像素点的平均光谱值为横坐标，以标定矫正系数为纵坐标，形成光谱校正板对应的坐标点。例如，以4个光谱校正板为例，可以得到四个光谱校正板对应的坐标点。根据所有光谱校正板对应的坐标点进行线性拟合，得到光谱与反射率之间的反射率校正函数。进而，根据多光谱图像中每个像素点的光谱值，利用所述反射率校正函数，得到多光谱图像中每个像素点的反射率，完成光谱校正。
由于作物测产目标区域与周边区域的光谱值不同，所以对多光谱校正图像进行分割，去除道路、田埂等多余部分，获得精确的作物测产目标区域。
为了更好的理解本发明的方案，下面结合具体实施例进一步进行说明。
本实施例以水稻测产为例介绍本发明基于无人机多光谱图像融合的作物产量预测方法的流程：
第一步：在水稻测产目标区域放置已知反射率的光谱校正板。如图2所示，晴朗少云的天气照度情况下，首先在目标水稻大田边放置4块已知反射率的光谱校正板a、b、c、d。
第二步：在水稻成熟采收前1周采用携带多光谱成像系统的无人机进行航拍，采集多张水稻的初始多光谱图像。无人机飞行中，多光谱相机镜头方向与地面保持垂直。采集图像信息时，无人机航向重复率设置不小于60％，无人机旁向重复率设置不小于55％，飞行速度不大于10m/s。由无人机飞控系统等间距向相机发出触发信号，或者相机固定时间间隔发出触发信号，触发多光谱相机、位置姿态记录器同时拍照、采集GPS等地理信息。
第三步：根据图像特征完成初始多光谱图像的拼接，得到水稻的多光谱图像。根据照片航向前后重复和旁向左右重复部分图像的相同特征，完成图像拼接。
第四步：通过光谱校正板对多光谱图像分别进行图像畸变校正和光谱校正处理。
第五步：对多光谱图像进行分割，分割出水稻测产目标区域。具体地，利用水稻测产目标区域与周边区域的光谱值不同，对多光谱图像分割去除道路、田埂等多余部分。
第六步：提取水稻测产目标区域中水稻冠层的蓝、绿、红、红边、近红外五个波段的灰度图像。
第七步：分别对蓝、绿、红、红边、近红外5个波段的灰度图像计算逆差距、反差、能量、自相关4种灰度共生矩阵的纹理特征。
第八步：根据四种纹理特征新建得到6个纹理指数。具体地，根据上述四种纹理特征新建得到6个纹理指数：
Figure BDA0003609042930000121
Figure BDA0003609042930000122
Figure BDA0003609042930000123
Figure BDA0003609042930000124
Figure BDA0003609042930000125
Figure BDA0003609042930000126
其中，P为皮尔逊相关系数。
第九步：提取出水稻测产目标区域内蓝、绿、红、红边、近红外5个波段的反射率值和反射率平均值。
第十步：利用5个特征波段的反射率平均值新建6个植被指数。
具体地，提取出435nm-870nm波段范围内蓝、绿、红、红边、近红外5个波段反射率平均值。利用上述筛选出的5个特征波段新建6个植被指数：
VI1＝(RE-NIR)/(B-R)(P＝0.7742)；
VI2＝R-B(P＝0.5921)；
VI3＝(NIR-R)/(NIR+R)(P＝0.6741)；
VI4＝NIR/B(P＝0.6432)；
VI5＝1.5*(R-B)/(R+B+0.5)(P＝0.8423)；
VI6＝1.16*(NIR-R)/(NIR+R+0.16)(P＝0.6402)。
第十一步：提取出水稻测产目标区域内红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均DN值。
第十二步：利用红、绿、蓝波段的平均DN值新建6个颜色指数。
第十三步：融合6个纹理指数、6个植被指数和6个颜色指数，构建产量指数。利用机器学习随机森林模型进行水稻亩产预测，根据目标区域水稻种植面积和预测的水稻亩产值计算出水稻的总产量。
最终结果显示，在水稻成熟期模型决定系数(P2)为0.84，平均绝对误差(MAE)为47.7kg/亩，平均绝对百分比误差(MAPE)为7.86％。由此可见，本发明充分挖掘作物冠层的光学数据，利用重新构建的植被指数、颜色指数和自定义的纹理指数融合成产量指数，可适用于不同地区、不同品种、不同施肥模式的作物，测量过程固定化、流程化，排除人为影响，提高了作物产量预测的普适性及准确度。
如图3所示，本发明基于无人机多光谱图像融合的作物产量预测系统包括：图像采集模块1、作物测产区域确定模块2、灰度图像提取模块3、纹理特征确定模块4、纹理指数确定模块5、反射率确定模块6、植被指数确定模块7、灰度值确定模块8、颜色指数确定模块9、产量指数确定模块10及作物产量确定模块11。
其中，所述图像采集模块1用于采集目标区域作物成熟前的多光谱图像。
具体地，所述图像采集模块1包括；初始图像采集单元及拼接单元。所述初始图像采集单元用于通过无人机携带多光谱相机采集所述目标区域的多张初始多光谱图像。所述拼接单元与所述初始图像采集单元连接，所述拼接单元用于根据各初始多光谱图像的特征，对多张初始多光谱图像进行拼接，得到所述目标区域作物成熟前的多光谱图像。
所述作物测产区域确定模块2与所述图像采集模块1连接，所述作物测产区域确定模块2用于根据所述多光谱图像，确定作物测产区域。
具体地，所述作物测产区域确定模块2包括校正单元及区域提取单元。所述校正单元与所述图像采集模块1连接，所述校正单元用于通过预先在目标区域放置的光谱校正板，对所述多光谱图像进行校正，得到多光谱校正图像。所述区域提取单元与所述校正单元连接，所述区域提取单元用于将所述多光谱校正图像中的周边区域去除，得到作物测产目标区域。
所述灰度图像提取模块3与所述作物测产区域确定模块2连接，所述灰度图像提取模块3用于从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段。
所述纹理特征确定模块4与所述灰度图像提取模块3连接，所述纹理特征确定模块4用于根据每个灰度图像，确定对应波段的纹理特征。
所述纹理指数确定模块5与所述纹理特征确定模块4连接，所述纹理指数确定模块5用于根据各波段的纹理特征，确定6个纹理指数。
所述反射率确定模块6与所述作物测产区域确定模块2连接，所述反射率确定模块6用于从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值。
所述植被指数确定模块7与所述反射率确定模块6连接，所述植被指数确定模块7用于根据各波段的反射率平均值，确定6个植被指数。
所述灰度值确定模块8与所述作物测产区域确定模块2连接，所述灰度值确定模块8用于从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度值。
所述颜色指数确定模块9与所述灰度值确定模块8连接，所述颜色指数确定模块9用于根据红、绿、蓝波段的平均灰度值，确定6个颜色指数。
具体地，所述颜色指数确定模块9包括归一化单元及颜色确定单元。所述归一化单元与所述灰度值确定模块8连接，所述归一化单元用于对每一波段的平均灰度值进行归一化，得到对应波段的归一化灰度值。所述颜色指数确定单元与所述归一化单元连接，所述颜色指数确定单元用于根据各波段的归一化灰度值，确定6个颜色指数。
所述产量指数确定模块10分别与所述纹理指数确定模块5、所述植被指数确定模块7及所述颜色指数确定模块9连接，所述产量指数确定模块10用于根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数。
所述作物产量确定模块11与所述产量指数确定模块10连接，所述作物产量确定模块11用于根据产量因子，采用随机森林方法，确定所述目标区域的作物总产量。
具体地，所述作物产量确定模块11包括作物亩产量确定单元及总产量确定单元。所述作物亩产量确定单元与所述产量指数确定模块10连接，所述作物亩产量确定单元用于根据产量指数，基于机器学习随机森林模型，确定所述目标区域的作物亩产量。所述总产量确定单元与所述作物亩产量确定单元连接，所述总产量确定单元用于根据目标区域的作物种植面积和作物亩产量，确定作物总产量。
相对于现有技术，本发明基于无人机多光谱图像融合的作物产量预测系统与上述基于无人机多光谱图像融合的作物产量预测方法的有益效果相同，在此不再赘述。
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。对于实施例公开的系统而言，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述基于无人机多光谱图像融合的作物产量预测方法包括：
采集目标区域作物成熟前的多光谱图像；
根据所述多光谱图像，确定作物测产区域；
从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段；
根据每个灰度图像，确定对应波段的纹理特征；
根据各波段的纹理特征，确定6个纹理指数；
从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值；
根据各波段的反射率平均值，确定6个植被指数；
从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度值；
根据红、绿、蓝波段的平均灰度值，确定6个颜色指数；
根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；
根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量。
2.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述采集目标区域作物成熟前的多光谱图像，具体包括：
通过无人机携带多光谱相机采集所述目标区域的多张初始多光谱图像；
根据各初始多光谱图像的特征，对多张初始多光谱图像进行拼接，得到所述目标区域作物成熟前的多光谱图像。
3.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述根据所述多光谱图像，确定作物测产区域，具体包括：
通过预先在目标区域放置的光谱校正板，对所述多光谱图像进行校正，得到多光谱校正图像；
将所述多光谱校正图像中的周边区域去除，得到作物测产目标区域。
4.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述纹理特征包括逆差距纹理、反差纹理、能量纹理及自相关纹理；
采用以下公式，确定6个纹理指数：
Figure FDA0003609042920000021
Figure FDA0003609042920000022
Figure FDA0003609042920000023
Figure FDA0003609042920000024
Figure FDA0003609042920000025
Figure FDA0003609042920000026
其中，TI1、TI2、TI3、TI4、TI5、TI6为6个纹理指数，CONRed为红色波段的反差纹理，ENENIR为近红外波段的能量纹理，ENERed为红色波段的能量纹理，CORRed为红色波段的自相关纹理，CONNIR为近红外波段的反差纹理。
5.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，采用以下公式，确定6个植被指数：
VI1＝(RE-NIR)/(B-R)；
VI2＝R-B；
VI3＝(NIR-R)/(NIR+R)；
VI4＝NIR/B；
VI5＝1.5*(R-B)/(R+B+0.5)；
VI6＝1.16*(NIR-R)/(NIR+R+0.16)；
其中，VI1、VI2、VI3、VI4、VI5、VI6为6个植被指数，RE为红边波段的反射率平均值，NIR为近红外波段的反射率平均值，B为蓝波段的反射率平均值，R为红波段的反射率平均值。
6.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述根据红、绿、蓝波段的平均灰度值，确定6个颜色指数，具体包括：
对每一波段的平均灰度值进行归一化，得到对应波段的归一化灰度值；
根据各波段的归一化灰度值，确定6个颜色指数。
7.根据权利要求6所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，采用以下公式，分别确定红、绿、蓝波段的归一化灰度值：
r＝R/(R+G+B)；
g＝G/(R+G+B)；
b＝B/(R+G+B)；
其中，r为红波段的归一化灰度值，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，R为红波段的平均灰度值，G为绿波段的平均灰度值，B为蓝波段的平均灰度值。
8.根据权利要求6所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，采用以下公式，确定6个颜色指数：
CI1＝2g-b-r；
CI2＝(g2-r2)/(g2+r2)；
CI3＝(g2-b*r)/(g2+b*r)；
CI4＝(r-g)/(r+g-b)；
CI5＝3g-2.4r-b；
CI6＝(2g-b-r)/(2g+b+r)；
其中CI1、CI2、CI3、CI4、CI5、CI6为新建的6个颜色指数，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，r为红波段的归一化灰度值。
9.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量，具体包括：
根据所述产量指数，基于机器学习随机森林模型，确定所述目标区域的作物亩产量；
根据目标区域的作物种植面积和作物亩产量，确定作物总产量。
10.一种基于无人机多光谱图像融合的作物产量预测系统，其特征在于，所述基于无人机多光谱图像融合的作物产量预测系统包括：
图像采集模块，用于采集目标区域作物成熟前的多光谱图像；
作物测产区域确定模块，与所述图像采集模块连接，用于根据所述多光谱图像，确定作物测产区域；
灰度图像提取模块，与所述作物测产区域确定模块连接，用于从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段；
纹理特征确定模块，与所述灰度图像提取模块连接，用于根据每个灰度图像，确定对应波段的纹理特征；
纹理指数确定模块，与所述纹理特征确定模块连接，用于根据各波段的纹理特征，确定6个纹理指数；
反射率确定模块，与所述作物测产区域确定模块连接，用于从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值；
植被指数确定模块，与所述反射率确定模块连接，用于根据各波段的反射率平均值，确定6个植被指数；
灰度值确定模块，与所述作物测产区域确定模块连接，用于从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度值；
颜色指数确定模块，与所述灰度值确定模块连接，用于根据红、绿、蓝波段的平均灰度值，确定6个颜色指数；
产量指数确定模块，分别与所述纹理指数确定模块、所述植被指数确定模块及所述颜色指数确定模块连接，用于根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；
作物产量确定模块，与所述产量指数确定模块连接，用于根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量。
CN202210428234.0A 2022-04-22 2022-04-22 基于无人机多光谱图像融合的作物产量预测方法及系统 Pending CN114782843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210428234.0A CN114782843A (zh) 2022-04-22 2022-04-22 基于无人机多光谱图像融合的作物产量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210428234.0A CN114782843A (zh) 2022-04-22 2022-04-22 基于无人机多光谱图像融合的作物产量预测方法及系统

Publications (1)

Publication Number Publication Date
CN114782843A true CN114782843A (zh) 2022-07-22

Family

ID=82431685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210428234.0A Pending CN114782843A (zh) 2022-04-22 2022-04-22 基于无人机多光谱图像融合的作物产量预测方法及系统

Country Status (1)

Country Link
CN (1) CN114782843A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563706A (zh) * 2023-05-08 2023-08-08 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563706A (zh) * 2023-05-08 2023-08-08 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法
CN116563706B (zh) * 2023-05-08 2024-05-17 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法

Similar Documents

Publication Publication Date Title
CN111461052B (zh) 基于迁移学习的多个生育期小麦倒伏区域识别方法
CN111461053B (zh) 基于迁移学习的多个生育期小麦倒伏区域识别系统
US11029251B2 (en) Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle
Liu et al. Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms
CN111815014B (zh) 一种基于无人机低空遥感信息的作物产量预测方法及系统
Chen et al. Applying high-resolution visible-channel aerial imaging of crop canopy to precision irrigation management
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
de Oca et al. The AgriQ: A low-cost unmanned aerial system for precision agriculture
CN110889394A (zh) 基于深度学习UNet网络的水稻倒伏识别方法
CN106372592A (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
US11721008B2 (en) Multispectral filters
CN115271217A (zh) 一种基于无人机多源遥感数据的小麦产量预测方法
Zhou et al. Wheat phenology detection with the methodology of classification based on the time-series UAV images
CN111242934B (zh) 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法
CN114782843A (zh) 基于无人机多光谱图像融合的作物产量预测方法及系统
CN114820578B (zh) 烟草种植面积无人机遥感监测设备
CN115035423B (zh) 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
AU2021101996A4 (en) Nutrient deficiency stress detection and prediction in corn fields from aerial images using machine learning
CN114842360A (zh) 一种牧区旱情识别方法、系统及管理平台
Ye et al. Inter-relationships between canopy features and fruit yield in citrus as detected by airborne multispectral imagery
Zhang et al. Detection of wheat lodging plots using indices derived from multi-spectral and visible images
Wang et al. Scaling effects of chlorophyll content in walnut leaves estimations with coupling Boruta algorithm and machine learning model
Barjaktarovic et al. Data acquisition for testing potential detection of Flavescence dorée with a designed, affordable multispectral camera
Hatton et al. Comparison of aerial and ground remote sensing to quantify sudden death syndrome in soybeans
Rahman et al. Multispectral Image Analysis for Crop Health Monitoring System

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