CN114820578B - 烟草种植面积无人机遥感监测设备 - Google Patents

烟草种植面积无人机遥感监测设备 Download PDF

Info

Publication number
CN114820578B
CN114820578B CN202210587963.0A CN202210587963A CN114820578B CN 114820578 B CN114820578 B CN 114820578B CN 202210587963 A CN202210587963 A CN 202210587963A CN 114820578 B CN114820578 B CN 114820578B
Authority
CN
China
Prior art keywords
remote sensing
tobacco
unmanned aerial
aerial vehicle
sensing monitoring
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
Application number
CN202210587963.0A
Other languages
English (en)
Other versions
CN114820578A (zh
Inventor
邵小东
高松
蒋样明
王拓
赵辉辉
李文生
侯秋强
王晓萌
杨晓琳
单双吕
郭建
李祯寿
李应强
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.)
Yunnan Provincial Tabacco CoLtd Honghe Prefecture Branch
Aerospace Information Research Institute of CAS
Original Assignee
Yunnan Provincial Tabacco CoLtd Honghe Prefecture Branch
Aerospace Information Research Institute of CAS
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 Yunnan Provincial Tabacco CoLtd Honghe Prefecture Branch, Aerospace Information Research Institute of CAS filed Critical Yunnan Provincial Tabacco CoLtd Honghe Prefecture Branch
Priority to CN202210587963.0A priority Critical patent/CN114820578B/zh
Publication of CN114820578A publication Critical patent/CN114820578A/zh
Application granted granted Critical
Publication of CN114820578B publication Critical patent/CN114820578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种烟草种植面积无人机遥感监测设备，包括：多光谱遥感监测传感器组件：多光谱遥感监测传感器组件设置于无人机主体底面，并通过多光谱遥感监测传感器组件对烟田进行遥感图像采集；所述多光谱遥感监测传感器组件包括容纳设置于壳体内的：可见光相机、蓝光传感器、绿光传感器、R红光传感器、RE传感器、红外传感器。该设备根据烟草种植特征与烟草物候特征，不同时期烟草在遥感影像上具有不同的纹理方向特征、纹理间距特征、植被覆盖度与地膜覆盖度特征，应用基于烟草物候特征与种植特征的遥感监测模型，识别烟草种植地块及计算相应的面积所得结果准确性高。

Description

烟草种植面积无人机遥感监测设备
技术领域
本申请涉及烟草种植面积遥感测量技术领域，特别是一种烟草种植面积无人机遥感监测设备。
背景技术
现代烟草农业种植面积监控是实现烟草种植双控精准管理的关键。目前，烟草种植信息主要通过人工收集后上报，同时也通过遥感卫星实现监测。现有烟草种植面积监测方法数据收集存在滞后性，从而造成烟草种植面积信息更新的相对延迟。无法实现烟草种植合同落实情况的有效核查管理。
因此，如何实现烟草种植面积信息的快速获取，是实现烟草农业生产规范与烟草种植严格管控亟待解决的技术问题。
现有技术中采用无人机获取烟田遥感图像后，对所得图像进行分析处理后，可以获得烟田面积，有利于提高对烟田面积的监测。
但现有通过无人机进行烟田面积监测存在以下问题：
1、现有无人机通过负载各类型摄像头作为传感器，采集烟田图像进行分析，但摄像头容易受拍摄环境下的光照强度影响，导致图像变形失真，从而影响无人机对烟田检测结果的准确性；
2、以摄像头获取图像为提高监测效率，无人机飞行高度较高，所得图像经过处理后，难以有效区分与烟叶结构类似作物或其他地面结构，从而导致监测结果与实测结果存在较大误差；
3、现有通过借鉴其他作物的特征光谱进行烟田作物的识别和监测，但由于其他作物本身结构与烟叶差别较大，导致检测结果与实测结果产生较大出入或偏差，影响无人机监测结果的准确性；
发明内容
本申请提供了一种烟草种植面积无人机遥感监测设备，用于解决现有技术中存在的无人机检测烟田面积受其他作物干扰、图像处理后无法剔除其他作物和地面设施导致测量结果与实测结果误差较大的技术问题。
本申请构建了无人机烟草遥感监测影像特征组，提出了一种影像组学特征智能提取及烟草种植面积智能提取方法，解决了当前烟草无人机遥感监测采用相对单一影像特征提取烟株数从而影响识别精度以及采用人工矢量化获取烟草种植面积的低效问题。
本申请提供了一种烟草种植面积无人机遥感监测设备包括：多光谱遥感监测传感器组件：多光谱遥感监测传感器组件设置于无人机主体底面，并通过多光谱遥感监测传感器组件对烟田进行遥感图像采集；
所述多光谱遥感监测传感器组件包括容纳设置于壳体内的：可见光相机、蓝光传感器、绿光传感器、R红光传感器、RE传感器、红外传感器；
所述蓝光传感器的敏感波段为450nm±16nm、绿光传感器的敏感波段为560nm±16nm；R红光传感器的敏感波段为650nm±16nm；RE传感器的敏感波段为730nm±16nm、红外传感器的敏感波段为1050nm±26nm；
所述设备按以下步骤获得无人机巡视区域的烟草种植面积：
步骤S01：通过无人机巡航获取样本烟田区域的多光谱遥感影像数据；
步骤S02：采用基于RANSAC的多光谱无人机影像拼接方法，得到样本烟田遥感图像；
步骤S03：基于烟草种植特征及物候特征的遥感影像特征组学的方法分析样本烟田遥感图像，构建用于烟草作物遥感监测无人机影像特征组；
步骤S04：构建基于烟草作物遥感监测无人机影像特征组的遥感监测模型；
步骤S05：采用步骤S04所得遥感监测模型对实时获取待监测区域烟田遥感影像数据进行处理得到烟草识别结果；对所得识别结果进行烟草种植面积栅格统计分析，得到各架次航拍区域烟草种植面积并统计。
优选地，所述步骤S03中烟草作物遥感监测无人机影像特征组包括以下特征组：
1)、烟草冠层植被指数遥感影像特征组包括：基于NIR(1050nm)波段与G(560nm)波段生成的归一化植被指数NDVI；基于R红光波段(650nm)与红边RE(730nm)生成的比值植被指数RVI；基于NIR(1050nm)波段与G(560nm)波段生成的差值环境指标指数DVI；
2)、烟草植被覆盖度遥感影像特征组包括：在像元二分模型的基础上，采用模型计算植被覆盖度VFC，采用多级格网对航拍影像进行多层次划分，并进行植被VFC一阶统计量，该组中特征包括：网格最小特征值、第10％的特征值、第90％的特征值、最大特征值、平均特征值、中位数特征值、强度值范围、平均绝对偏差、鲁棒平均绝对偏差、均方根、标准偏差、峰度、方差、均匀度；
3)、烟草种植地膜可视度特征组包括：大田期间航拍影像场景包括：烟草植株、地膜、土壤背景及杂草组成，土壤为黄褐色、地膜为白色、植被为绿色；构建HIS颜色空间，采用基于最大类间方差法的阈值分割法，提取遥感图像中的植被、地膜、土壤颜色空间特征；
4)、烟草种植遥感影像纹理特征组：包括采用模糊超像素算法进行预分割，结合HIS颜色空间转化技术与基于最大类间方差法的阈值分割法，提取遥感图像中的烟草植株覆盖大小、植株间距；采用霍夫变换结合烟株成行的特点，检测出烟柱中心行，据覆膜条状特征，剔除图像中的杂草，提取烟草种植烟柱行特征，计算烟草种植垄纹理方向、垄间距特征。
优选地，所述步骤S02包括以下步骤：将时间间隔小于阈值的影像数据作为同一架次航拍影像数据，采用基于RANSAC的多光谱无人机影像拼接方法，提取每张影像提取特征点，提取特征突出的角点、边缘点、独立点，并对相邻有重叠的影像进行影像匹配获取同名点，通过同名点获知影像之间的相对位置关系，得到样本烟田遥感图像。
优选地，所述步骤S04包括以下步骤：构建基于RFE-Relief特征选择算法的烟草种植特征智能筛选模型，在Relief特征选择算法中引入递归特征排除策略，改进成RFE-Relief特征选择算法，通过多次迭代，不断剔除烟田遥感图像中的冗余特征；得到根据烟草种植与物候特征，构建烟草还苗期-团棵期、旺长期和成熟期的影像特征集，并确定相应的特征权重值；
优选地，所述步骤S04包括：采用深度置信网络DBN神经网络机器学习及Softmax分类器，构建基于多层次智能分类算法的烟草遥感监测模型。
优选地，根据烟草种植地膜可视度特征组获得的烟草种植地膜可视度特征组的特征包括：地膜可视度、土壤可视度、烟草可视度、植被可视度；
优选地，植被可视度包括：植被、地膜、土壤颜色空间特征；
优选的，烟草种植遥感影像纹理特征组包括：基于无人机航拍影像数据采用无人机影像Agisoft PhotoScan三维影像重建软件的三维重建功能，获取航拍区域地形数据DEM、数字表面模型DSM、正射影像DOM及DCM影像，应用SVM分类法计算烟株相对高度；
优选地，烟草种植遥感影像纹理特征组包括：采用多级格网进行多层次划分，计算不同格网尺度各纹理参数的相关系数、最小特征值、第10％的特征值、第90％的特征值、最大特征值、平均特征值、中位数特征值、强度值范围、平均绝对偏差、鲁棒平均绝对偏差、均方根、标准偏差、峰度、方差、均匀度。
优选地，包括：步骤S06：对实时获取待监测区域烟田遥感影像数据进行烟草种植地块矢量化及种植面积统计分析；
优选地，步骤S06包括以下步骤：采用基于曼哈顿距离的膨胀、腐蚀算法处理实时获取待监测区域烟田遥感影像数据，采用基于边缘检测的矢量化方法实现烟田地块的矢量化，根据选择区域，统计区域范围内的烟田地块面积；
优选地，所述步骤S01中所得多光谱遥感影像数据通过图传数传回传至无人机烟草识别地面站主机。
优选地，包括：旋转组件、收纳组件；主体底面上设置起落架；收纳状态时，收纳组件、旋转组件、多光谱遥感监测传感器组件容纳设置于收纳舱内；
所述收纳组件容纳设置于收纳舱内，并与旋转组件相连接；
所述多光谱遥感监测传感器组件设置于旋转组件底面上，并与旋转组件相连接；
收纳组件带动旋转组件相对主体纵向升降运动；旋转组件带动多光谱遥感监测传感器组件绕旋转组件的中心轴转动设置。
优选地，所述收纳组件包括容纳设置于收纳舱内的：导向杆、升降板、云台连接螺纹座、螺杆驱动组件；导向杆与螺杆驱动组件容纳分别设置于收纳舱的两侧；导向杆、螺杆驱动组件分别穿设于升降板的两端上；云台连接螺纹座设置于升降板的底面上，并与旋转组件相连接；
优选的，包括：安装槽；安装槽设置于收纳舱一侧上部；
优选的，所述螺杆驱动组件包括：螺杆、第一齿轮、第二齿轮、电机；螺杆容纳设置于收纳舱一内侧壁上；第一齿轮套设于螺杆的顶部并与第二齿轮啮合；第二齿轮设置于电机驱动轴上，并与电机驱动连接；第二齿轮、电机容纳设置于安装槽内。
优选地，所述旋转组件包括：云台连接块、外壳、连接转盘、连接杆、舵机、传动组件；舵机和传动组件容纳设置于外壳内；云台连接块设置于外壳顶面上，并通过云台连接块与收纳组件相连接；
连接转动设置于外壳底面上，并与传动组件驱动连接；
连接杆设置于连接转盘底面中心区域并与多光谱遥感监测传感器组件相连接；
优选的，包括：盖板、连接支耳、固定机座；外壳顶面上设置敞口，盖板盖设于外壳顶面敞口上；固定基座容纳于外壳内并与盖板底面相连接；
连接支耳成对对称设置于舵机两相对侧壁上，舵机通过连接支耳吊设于固定机座下方；
优选地，传动组件包括：舵机臂、连接机座、连接轴、轴承座、输出轴；输出轴的一端与舵机驱动端驱动连接，另一端与舵机臂中心驱动连接；舵机臂与连接机座顶面扣合连接；连接基座底面中心区域设置连接轴，并用过连接轴与连接转盘驱动连接；轴承座套设于连接轴上并与外壳内壁相连接。
优选地，所述可见光相机、蓝光传感器、绿光传感器、R红光传感器、RE传感器、红外传感器在壳体底面上阵列设置；
可见光相机、蓝光传感器、绿光传感器设置于壳体底面第一排内；
R红光传感器、RE传感器、红外传感器设置于壳体底面第二排内；
优选地，所述可见光相机设置于壳体底面第一排的第一侧边；绿光传感器设置于壳体第一排的底面第二侧边；蓝光传感器设置于可见光相机、绿光传感器之间；
R红光传感器设置于壳体底面第二排的第一侧边；红外传感器设置于壳体底面第二排的第二侧边；RE传感器设置于R红光传感器、红外传感器之间。
本申请能产生的有益效果包括：
1)本申请所提供的烟草种植面积无人机遥感监测设备，该设备采用对烟叶特征波段光敏感的传感器组合作为多光谱遥感监测传感器组件(C)，基于NIR(1050nm)波段与G(560nm)波段生成的NDVI，R红光波段(650nm)与红边RE(730nm)生成的RVI，基于NIR(1050nm)波段与G(560nm)波段生成的DVI；根据烟草种植特征与烟草物候特征，不同时期烟草在遥感影像上具有不同的纹理方向特征、纹理间距特征、植被覆盖度与地膜覆盖度特征，应用基于烟草物候特征与种植特征的遥感监测模型，识别烟草种植地块及计算相应的面积，并通过获取无人机在烟田上空的航迹和多光谱正射影像相结合计算得到准确的烟草种植面积，所得结果准确性相对现有以摄像头(3)为传感器所得结果准确性高。
2)本申请所提供的烟草种植面积无人机遥感监测设备，通过在无人机主体底面内设置收纳舱、收纳组件、旋转组件、多光谱遥感监测传感器组件，在无人机起落前将多光谱遥感监测传感器组件收入收纳舱内，提高无人机起落时对多光谱遥感监测传感器组件的保护，避免无人机碰撞或倾倒导致多光谱遥感监测传感器组件受损或位置偏移。采用该设备，无人机在飞行高度300米以下获取所需的遥感影像数据，可快速获取航拍区域烟草种植面积，可极大地提高烟草种植面积核查效率。识别结果准确性较高，通过该设备能保持无人机飞行过程中的多光谱遥感监测传感器组件处于最优遥感图像采集状态，避免误差出现获得准确的分析结果。该设备通过设置旋转组件使其中的舵机只需提供旋转力，不承受向下拉力，提高了云台的稳定性，从而提高烟田监测结果准确性和可靠性。
3)本申请所提供的烟草种植面积无人机遥感监测设备，该设备的面积监测方法中关注到土壤与地膜间的颜色具有显著差别。通过实验发现地膜在R红光波段(650nm)与红边RE(730nm)波段反映显著。因而采用本申请提供的多光谱组件能有效获取可准确剔除图像中玉米、小米辣、土豆等其他同期农作物的影响。
4)本申请所提供的烟草种植面积无人机遥感监测设备，所用烟田面积监测方法中，通过构建用于烟草作物遥感监测的影像组学特征——烟草冠层植被指数遥感影像特征组、烟草植被覆盖度遥感影像特征组、烟草种植地膜可视度特征组、烟草种植遥感影像纹理特征组，同时基于RFE-Relief特征选择算法的烟草种植特征智能筛选模型，采用深度置信网络DBN神经网络机器学习及Softmax分类器，构建基于多层次智能分类算法的烟草遥感监测模型，，提取烟草种植面积，且可以有效剔除烟草种植区域同期的其他农作物影响，如玉米、水稻、小米辣、土豆等，有效提高了烟草种植面积无人机遥感监测结果的准确率。
附图说明
图1为本申请提供的烟草种植面积无人机遥感监测设备主视立体结构示意图；
图2为本申请提供的收纳舱主视剖视结构示意图；
图3为图2中A点局部放大结构示意图；
图4为本申请提供的旋转组件立体结构示意图；
图5为本申请提供的舵机立体结构示意图；
图6为本申请提供的外壳俯视结构示意图；
图7为本申请提供的无人机云台挂载架舵机臂与连接座安装立体结构示意图；
图8为本申请提供的多光谱遥感监测传感器组件立体结构示意图；
图9为本申请提供的多光谱遥感监测传感器组件仰视结构示意图；
图10为本申请提供的地面识别操作站立体结构示意图；
图11为本申请提供的烟草种植面积遥感识别方法流程示意图；
图例说明：
2、起落架；1、机翼；3、摄像头；4、主体；A、收纳组件；5、收纳舱；6、升降板；7、导向杆；8、云台连接螺纹座；9、螺杆；10、第一齿轮；13、第二齿轮；12、电机；11、安装槽；B、旋转组件；15、云台连接块；16、盖板；14、外壳；24、连接转盘；25、连接杆；17、舵机；18、连接支耳；19、固定机座；20、舵机臂；21、连接机座；22、连接轴；23、轴承座；1701、输出轴；1401、凸面；1402、通孔；2101、卡接凸顶面；2001、卡接凸臂；C、多光谱遥感监测传感器组件；26、螺纹孔；27、壳体；28、可见光相机；29、蓝光传感器；30、绿光传感器；31、R红光传感器；32、RE传感器；33、红外传感器；D、地面识别操作站；34、机箱；3501、无线接收天线；3502、外接无线天线接口；36、显示屏；37、按钮；38、充电接口；3901、WAN接口；40、电源开关；41、无人机遥控开关；42、数传开关；43、图传开关；4401、遥控手柄；45、COM1接口；46、风扇；48、USB接口；49、遥感识别主机；50、数据线。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
本申请中未详述的且并不用于解决本申请技术问题的技术手段，均按本领域公知常识进行设置，且多种公知常识设置方式均可实现。
参见图1～11，本申请提供的烟草种植面积无人机遥感监测设备，包括：多光谱遥感监测传感器组件C：多光谱遥感监测传感器组件C设置于无人机主体4底面，并通过多光谱遥感监测传感器组件C对烟田进行遥感图像采集；
所述多光谱遥感监测传感器组件C包括容纳设置于壳体27内的：可见光相机28、蓝光传感器29、绿光传感器30、R红光传感器31、RE传感器32、红外传感器33；
所述蓝光传感器29的敏感波段为450nm±16nm、绿光传感器30的敏感波段为560nm±16nm；R红光传感器31的敏感波段为650nm±16nm；RE传感器32的敏感波段为730nm±16nm、红外传感器33的敏感波段为1050nm±26nm；
所述设备按以下步骤获得无人机巡视区域的烟草种植面积：
步骤S01：通过无人机巡航获取样本烟田区域的多光谱遥感影像数据；
步骤S02：采用基于RANSAC的多光谱无人机影像拼接方法，得到样本烟田遥感图像；
优选地，步骤S02包括以下步骤：将时间间隔小于阈值的影像数据作为同一架次航拍影像数据，采用基于RANSAC的多光谱无人机影像拼接方法，提取每张影像提取特征点，提取特征突出的角点、边缘点、独立点，并对相邻有重叠的影像进行影像匹配获取同名点，通过同名点获知影像之间的相对位置关系，得到样本烟田遥感图像。
采用步骤S02能实现同架次航拍影像数据拼接，最终生成全景图，降低拼接后遥感图像与证实图像的变形，提高最终监测结果的准确性和检测效率。
步骤S03：基于烟草种植特征及物候特征的遥感影像特征组学的方法分析样本烟田遥感图像，构建用于烟草作物遥感监测无人机影像特征组；
通过构建烟草作物遥感监测无人机影像特征组，能提高对遥感图像的分析准确性，避免其他结构类似作物的干扰，避免现有地面其他设施的干扰。
步骤S04：构建基于烟草作物遥感监测无人机影像特征组的遥感监测模型；
步骤S05：采用步骤S04所得遥感监测模型对实时获取待监测区域烟田遥感影像数据进行处理得到烟草识别结果；对所得识别结果进行烟草种植面积栅格统计分析，得到各架次航拍区域烟草种植面积并统计；
在一具体实施例中，步骤S05中采用基于IDL算法对烟草识别结果进行二值化处理，计算识别结果中各像素块的面积，并统计每架次航拍区域烟草种植面积。
可采用多层次格网(如500m╳500m、1000m╳1000m)烟草种植面积，得到自定义矢量范围内烟草种植面积；
步骤S03中烟草作物遥感监测无人机影像特征组包括以下特征组：
1、烟草冠层植被指数遥感影像特征组包括：基于NIR(1050nm)波段与G(560nm)波段生成的归一化植被指数NDVI；基于R红光波段(650nm)与红边RE(730nm)生成的比值植被指数RVI；基于NIR(1050nm)波段与G(560nm)波段生成的差值环境指标指数DVI；
2、烟草植被覆盖度遥感影像特征组包括：在像元二分模型的基础上，采用VFC＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)模型计算植被覆盖度VFC，采用多级格网对航拍影像进行多层次划分，并进行植被VFC一阶统计量，该组中特征包括：网格最小特征值、第10％的特征值、第90％的特征值、最大特征值、平均特征值、中位数特征值、强度值范围、平均绝对偏差、鲁棒平均绝对偏差、均方根、标准偏差、峰度、方差、均匀度；
3、烟草种植地膜可视度特征组包括：大田期间航拍影像场景包括：烟草植株、地膜、土壤背景及杂草组成，土壤为黄褐色(红褐色)、地膜为白色、植被为绿色；构建HIS颜色空间，采用基于最大类间方差法的阈值分割法，提取遥感图像中的植被、地膜、土壤的颜色空间特征；采用霍夫变换(Hough)检测出烟株中心行，根据覆膜条状特征，剔除图像中的杂草；
土壤与地膜间的颜色具有显著差别。通过实验发现地膜在R红光波段(650nm)与红边RE(730nm)波段反映显著。因而采用本申请提供的多光谱组件能有效获取可准确剔除图像中土地、地膜面积的图像。
优选地，根据烟草种植地膜可视度特征组获得的烟草种植地膜可视度特征组的特征包括：地膜可视度、土壤可视度、烟草可视度、植被可视度。
4、烟草种植遥感影像纹理特征组：包括采用模糊超像素(fuzzy－superpixels)算法进行预分割，结合HIS颜色空间转化技术与基于最大类间方差法的阈值分割法，提取遥感图像中的烟草植株覆盖大小、植株间距；采用霍夫变换(Hough)结合烟株成行的特点，计算烟草种植垄纹理方向、垄间距等特征；
优选地，烟草种植遥感影像纹理特征组包括：基于无人机航拍影像数据采用无人机影像Agisoft PhotoScan三维影像重建软件的三维重建功能，获取航拍区域地形数据DEM、数字表面模型DSM、正射影像DOM及DCM影像，应用SVM分类法计算烟株相对高度；
优选的，烟草种植遥感影像纹理特征组包括：采用多级格网进行多层次划分，计算不同格网尺度各纹理参数的相关系数、最小特征值、第10％的特征值、第90％的特征值、最大特征值、平均特征值、中位数特征值、强度值范围、平均绝对偏差、鲁棒平均绝对偏差、均方根、标准偏差、峰度、方差、均匀度。
移栽技术是烟草优质高效栽培的关键技术，它对移栽行距、间距以及移栽深度有着科学的规划，为此，烟草大田期间随着生长过程具有其独特的纹理特征，基于烟田的以上特点，获取烟草种植遥感影像纹理特征组，有利于提高图像分析所得结果中烟田面积的测量准确性。
优选地，步骤S01中所得多光谱遥感影像数据通过图传数传回传至无人机烟草识别地面站主机。当前无人机农作物识别过程中主要采用数传，无法支撑航拍影像作业期间准实时处理，导致图像处理滞后，影响监测结果的准确性。
优选地，包括：步骤S06：对实时获取待监测区域烟田遥感影像数据进行烟草种植地块矢量化及种植面积统计分析。
优选的，步骤S06包括以下步骤：采用基于曼哈顿距离的膨胀、腐蚀算法处理实时获取待监测区域烟田遥感影像数据，采用基于边缘检测的矢量化方法实现烟田地块的矢量化，根据选择区域，统计区域范围内的烟田地块面积。
经过矢量化处理后，能解决烟草种植地块空洞与边缘分隔不清晰的问题，从而有效提高测算烟田面积的准确性。
各像素块的面积即为实际待测烟田中每个烟田的地块面积。
烟草物候特征与种植特征组的相关特征非常多，且通常具有很高的维度，其冗余特征会对烟草识别造成干扰。因此，优选地，步骤S04包括以下步骤：构建基于RFE-Relief特征选择算法的烟草种植特征智能筛选模型，在Relief特征选择算法中引入递归特征排除策略，改进成RFE-Relief特征选择算法，通过多次迭代，不断剔除烟田遥感图像中的冗余特征；得到根据烟草种植与物候特征，构建烟草还苗期-团棵期、旺长期和成熟期的影像特征集，并确定相应的特征权重值。
采用上述波段的传感器设置于多光谱遥感监测传感器上，使得遥感影像上烟草作物特征显著。
为提高步骤S04中所得模型的自学习与自适应能力，提高烟草种植智能识别的准确度，优选地，步骤S04包括：采用深度置信网络DBN神经网络机器学习及Softmax分类器，构建基于多层次智能分类算法的烟草遥感监测模型。
实现在DBN微调阶段，采用BP算法对整个网络的权值进行微调，实现模型参数的自动更新与调整。
为在无人机起飞、降落前对多光谱遥感监测传感器组件C进行有效保护，避免其在野外环境下受损，实现对多光谱遥感监测传感器组件C在无人机的主体4内伸出和收回。优选地，包括：旋转组件B、收纳组件A；主体4底面上设置起落架2；收纳状态时，收纳组件A、旋转组件B、多光谱遥感监测传感器组件C容纳设置于收纳舱5内；
所述收纳组件A容纳设置于收纳舱5内，并与旋转组件B相连接；
所述多光谱遥感监测传感器组件C设置于旋转组件B底面上，并与旋转组件B相连接；
收纳组件A带动旋转组件B相对主体4纵向升降运动；旋转组件B带动多光谱遥感监测传感器组件C绕旋转组件B的中心轴转动设置。
在一具体实施例中，壳体27的顶面与旋转组件B底面相连接。
优选地，收纳组件A包括容纳设置于收纳舱5内的：导向杆7、升降板6、云台连接螺纹座8、螺杆驱动组件；导向杆7与螺杆驱动组件容纳分别设置于收纳舱5的两侧；导向杆7、螺杆驱动组件分别穿设于升降板6的两端上；云台连接螺纹座8设置于升降板6的底面上，并与旋转组件B相连接。
按此设置旋转组件B及其下设置的多光谱遥感监测传感器组件C，可随着升降板6的上升运动进入收纳舱5内得到收纳后，无人机再进行起降运动；同时在无人机飞行监测过程中，还可以通过收纳组件A驱动多光谱遥感监测传感器组件C，调节其监测与烟叶田的间距，有利于提高烟田监测结果准确性。
本申请中所用螺杆驱动组件可以为现有各类螺杆9驱动结构。
优选地，包括：安装槽11；安装槽11设置于收纳舱5一侧上部。
优选地，螺杆驱动组件包括：螺杆9、第一齿轮10、第二齿轮13、电机12；螺杆9容纳设置于收纳舱5一内侧壁上；第一齿轮10套设于螺杆9的顶部并与第二齿轮13啮合；第二齿轮13设置于电机12驱动轴上，并与电机12驱动连接；第二齿轮13、电机12容纳设置于安装槽11内。
通过设置该收纳组件A后，旋转组件B、多光谱遥感监测传感器组件C可在电机12的驱动下，随螺杆9上设置的升降板6上升进入收纳舱5内，具体的升降板6的一端与螺杆9为螺纹连接，升降板6的另一端上开设通孔1402，并套设于导向杆7上。所用电机12可以为微型电机12，便于安装。
优选地，旋转组件B包括：云台连接块15、外壳14、连接转盘24、连接杆25、舵机17、传动组件；舵机17和传动组件容纳设置于外壳14内；云台连接块15设置于外壳14顶面上，并通过云台连接块15与收纳组件A相连接；
连接转动设置于外壳14底面上，并与传动组件驱动连接；
连接杆25设置于连接转盘24底面中心区域并与多光谱遥感监测传感器组件C相连接。所用连接杆25可以螺栓类构件。
按此设置一方面能有效保护舵机17等驱动部件，同时按此设置传动组件，能通过连接转盘24实现舵机17旋转力向多光谱遥感监测传感器组件C的传导，提高多光谱遥感监测传感器组件C与旋转组件B的连接紧密可靠性。
优选地，包括：盖板16、连接支耳18、固定机座19；外壳14顶面上设置敞口，盖板16盖设于外壳14顶面敞口上；固定基座容纳于外壳14内并与盖板16底面相连接；
连接支耳18成对对称设置于舵机17两相对侧壁上，舵机17通过连接支耳18吊设于固定机座19下方。
按此设置能提高舵机17在外壳14内的安装可靠性。
在一具体实施例中，舵机17通过连接支耳18与固定机座19连接，总共有两个L型的连接支耳18，对称地安装在舵机17的两侧，L型连接支耳18的短板与舵机17固定连接，L型连接支耳18的长板与固定机座19固定连接。
优选地，传动组件包括：舵机臂20、连接机座21、连接轴22、轴承座23、输出轴1701；输出轴1701的一端与舵机17驱动端驱动连接，另一端与舵机臂20中心驱动连接；舵机臂20与连接机座21顶面扣合连接；连接基座底面中心区域设置连接轴22，并用过连接轴22与连接转盘24驱动连接；轴承座23套设于连接轴22上并与外壳14内壁相连接。
按此设置能通过将轴承座23固定在外壳14内侧壁上，使舵机17只需要提供旋转力，不承受向下拉力，提高了云台的稳定性。
通过设置上述的传动组件，在无人机飞行过程中，能起到对多光谱遥感监测传感器组件C的微调作用，保持多光谱镜头稳定，提高遥感图像采集的清晰度，从而提高测量结果的准确性。
在一具体实施例中，舵机臂20包括：卡接凸臂2001；连接机座21包括：卡接凸顶面2101；卡接凸臂2001的底面与卡接凸顶面2101卡接。按此设置能实现舵机臂20、连接机座21的驱动连接。
在一具体实施例中，外壳14的顶面上设置凸面1401和多个通孔1402，从而实现盖板16、固定机座19、云台连接块15与外壳14的顶部相连接。
在一具体实施例中，连接杆25为螺栓；壳体27顶面上开设螺纹孔26；壳体27通过螺纹孔26与旋转组件B的连接杆25相连接。
在一具体实施例中，壳体27底面设置容纳腔，可实现对可见光相机28、蓝光传感器29、绿光传感器30、R红光传感器31、RE传感器32、红外传感器33的有效容纳和保护。
在一具体实施例中，包括：地面识别操作站D电连接，多光谱遥感监测传感器组件C、无人机分别与地面识别操作站D电连接；所述可见光相机28、蓝光传感器29、绿光传感器30、R红光传感器31、RE传感器32、红外传感器33分别与地面识别操作站D电连接。
多光谱遥感监测传感器组件C的电连接可以为无线连接方式以获取遥感图像进行处理后，获得烟草种植面积数据。采用该设备，无人机在飞行高度300米以下获取所需的遥感影像数据，可快速获取航拍区域烟草种植面积，可极大地提高烟草种植面积核查效率。
无人机组件设置了起落架2，在无人机起飞平稳飞行后，起落架2能够收起，当无人机降落时，起落架2能够打开，能够确保无人机安全着落及保护多光谱设备；无人机主体4内置的镜头收纳组件A包括镜头收纳舱5、升降、云台连接螺纹、导向杆7、螺杆9、齿轮、微型电机12等结构，通过上述结构协同工作，可以将多光谱遥感监测传感器组件C收入舱内；解决了目前多数无人机摄像头3突出无人机机体，容易碰撞受损的问题。
本申请采用多光谱遥感监测传感器组件C与无人机烟草遥感识别地面站构成无线通信链路，将获取的地物遥感影像信息传送给无人机烟草遥感识别地面站；安装于无人机烟草遥感识别地面站的烟草遥感识别装置应用基于烟草物候特征的遥感监测模型识别烟草种植地块及计算相应的面积。采用该设备，无人机在飞行高度300米以下获取所需的遥感影像数据，可快速获取航拍区域烟草种植面积，可极大地提高烟草种植面积核查效率。
多光谱遥感监测传感器组件C搭载于无人机组件，根据烟草多光谱特征定制的多光谱遥感监测传感器组件C用于获取地物遥感影像信息时对烟草农作物敏感性高。
多光谱遥感监测传感器组件C与无人机烟草遥感识别地面站构成无线通信链路，采用基于无线通信视频传输模块SKW77的数据传输功能，将遥感传感器获取的地物遥感影像信息传送给无人机烟草遥感识别地面站；
安装于无人机烟草遥感识别地面站的烟草遥感识别装置应用基于烟叶冠层光谱特征结合由于种植特征、物候特征产生的纹理结构动态变化特征，构建烟草遥感监测模型，识别烟草种植地块及计算相应的面积。
在一具体实施例中，无人机包括：机翼1、摄像头3；摄像头3设置于无人机的主体4端面上；机翼1的一端分别与主体4相连接，另一端垂直主体4延伸设置。无人机的其他部件按现有无人机常用部件设置，在此不累述。
所用无人机组件的底部设置起落架2，在无人机起飞平稳飞行后，起落架2能够收起，当无人机降落时，起落架2能够打开，能够确保无人机安全着落及保护多光谱遥感监测传感器组件C。
优选地，可见光相机28、蓝光传感器29、绿光传感器30、R红光传感器31、RE传感器32、红外传感器33在壳体27底面上阵列设置。
具体地，在一具体实施例中，可见光相机28、蓝光传感器29、绿光传感器30、R红光传感器31、RE传感器32、红外传感器33在壳体27底面上分两列设置。
优选地，可见光相机28、蓝光传感器29、绿光传感器30设置于壳体27底面第一排内；
R红光传感器31、RE传感器32、红外传感器33设置于壳体27底面第二排内。
优选地，所述可见光相机28设置于壳体27底面第一排的第一侧边；绿光传感器30设置于壳体27第一排的底面第二侧边；蓝光传感器29设置于可见光相机28、绿光传感器30之间；
R红光传感器31设置于壳体27底面第二排的第一侧边；红外传感器33设置于壳体27底面第二排的第二侧边；RE传感器32设置于R红光传感器31、红外传感器33之间。
按此设置能有效提高通过无人机采集图像的清晰度，从而提高分析结果的准确性。
在一具体实施例中，其中无人机所用地面识别操作站D，主要功能件集成安装在便携式的机箱34内，地面识别操作站D主要包括1对已经安装的无线接收天线3501、1对可增加的外接无线天线接口3502、1个无人机飞行状态显示屏36、无人机飞行状态显示屏36的电源指示灯及屏幕调节的按钮37设置于翻盖的显示屏36下方。
地面站D还包括：12伏电源充电接口38、1对WAN接口3901、电源开关40、无人机遥控开关41、数传开关42、图传开关43、1对无人机遥控手柄4401、COM1接口45、风扇46、航拍录像按钮47、USB接口48、烟草遥感识别装置的主机及显示屏36、主机与无人机飞行状态显示屏36之间的数据线50。
以上各部件的设置位置与现有常用地面站D结构相同，具体可参见图10所示。
进行无人机数据采集作业时，根据需要启动地面站D的电源开关40、无人机遥控开关41、数传开关42、图传开关43，设置好无线接收天线3501，如需要加强无线信号接收效果与传输速率，可以增加在外接无线天线接口3502上设置外接无线接收天线3501。应用无人机遥控手柄4401可以操作无人机在空中飞行的姿态与飞行路线，并在无人机飞行状态显示屏36上实时显示无人机飞行状态。
无人机航拍遥感影像数据可以通过数传与图传功能发送给无人机烟草识别地面站主机D；无人机烟草识别地面站主机上安装有烟草遥感识别算法软件，可以进行烟草种植面积智能识别，并把分析结果展现在显示屏36上；也可以在采集数据后，通过WAN接口3901或USB接口48将航拍影像数据传输到服务器上进行烟草种植面积精准识别分析。
实施例
采用本申请提供设备包括以下结构：
该设备包括无人机组件、镜头收纳组件A、无人机云台挂载架、多光谱遥感监测传感器组件C、无人机烟草遥感识别地面站。
无人机组件设置了起落架2，在无人机起飞平稳飞行后，起落架2能够收起，当无人机降落时，起落架2能够打开，能够确保无人机安全着落及保护多光谱设备；无人机主体4内置的镜头收纳组件A包括镜头收纳舱5、升降、云台连接螺纹、导向杆7、螺杆9、齿轮、微型电机12结构，通过上述结构协同工作，可以将多光谱遥感监测传感器组件C收入舱内；解决了目前多数无人机摄像头3突出无人机机体，容易碰撞受损的问题；
无人机云台挂载架将舵机17、固定座、舵机臂20、连接支耳18、连接机座21、连接轴22和轴承座23等集成在外壳14内，且将轴承座23固定在外壳14凸面1401上，使舵机17只需要提供旋转力，不承受向下拉力，提高了云台的稳定性；
多光谱遥感监测传感器组件C搭载于无人机组件，根据烟草多光谱特征定制的多光谱遥感监测传感器组件C用于获取地物遥感影像信息时对烟草农作物敏感性高；
多光谱遥感监测传感器组件C与无人机烟草遥感识别地面站构成无线通信链路，采用基于无线通信视频传输模块SKW77的数据传输功能，将遥感传感器获取的地物遥感影像信息传送给无人机烟草遥感识别地面站；
安装于无人机烟草遥感识别地面站的烟草遥感识别装置应用基于烟叶冠层光谱特征结合由于种植特征、物候特征产生的纹理结构动态变化特征，构建烟草遥感监测模型，识别烟草种植地块及计算相应的面积。
无人机组件设置了起落架2，在无人机起飞平稳飞行后，起落架2能够收起，当无人机降落时，起落架2能够打开，能够确保无人机安全着落及保护多光谱遥感监测传感器组件C。
无人机主体4内置镜头收纳组件A，其中收纳舱5位于无人机主体4内部，收纳舱5内部设置有可上下移动的升降板6，升降板6下侧有无人机云台连接螺纹，用于固定连接无人机云台挂载架；收纳舱5内部设置有升降机构，它包括固定连接在收纳舱5内部的导向杆7，导向杆7穿过且滑动连接升降板6，收纳舱5的内部设置有螺杆9，螺杆9穿过且螺纹连接升降板6，螺杆9的外侧套设有第一齿轮10，收纳舱5的内侧设置有安装槽11，安装槽11的内部固定连接有微型电机12，微型电机12的输出轴1701套设有第二齿轮13，且两者固定连接，所述第一齿轮10和第二齿轮13之间啮合传动；通过上述结构的协作，在无人机起飞及降落阶段，可以将多光谱遥感监测传感器组件C收入收纳舱5内进行收纳存放，实现对多光谱遥感监测传感器组件C的保护，避免造成无人机着落时多光谱遥感监测传感器组件C碰撞受损的问题。
无人机云台挂载架通过云台连接块15的螺口与镜头收纳组件A连接，或采用快速卡合再用螺栓实现与镜头收纳组件A的连接；无人机云台挂载架的外壳14呈筒状，舵机17、连接支耳18、固定机座19、舵机臂20、连接机座21、连接轴22和轴承集成在外壳14内；外壳14的内壁上有凸面1401，凸面1401上有4个通孔1402，外壳14的一端安装有盖板16，盖板16安装在云台连接块15的底部；舵机17通过连接支耳18与固定机座19连接，总共有两个L型的连接支耳18，对称地安装在舵机17的两侧，L型连接支耳18的短板与舵机17固定连接，L型连接支耳18的长板与固定机座19固定连接，固定机座19安装在盖板16的底部，舵机17底部设有输出轴1701，输出轴1701通过舵机臂20与连接机座21连接；舵机臂20的底面设有凸起，连接机座21的顶面设有与舵机臂20底面配合的凸起卡合，再通过螺栓固定，连接轴22安装在轴承座23上，轴承座23通过螺栓固定在凸面1401上，连接轴22的顶端与连接机座21固定，连接转盘24通过固定安装在连接轴22的底端；连接转盘24的底部设置有多光谱相机连接螺栓。通过上述结构的协同配合，使得轴承座23固定在外壳14上设置的凸面1401上，使舵机17只需要提供旋转力，不承受向下拉力，提高了云台的稳定性。
多光谱遥感监测传感器组件C上设有螺口，通过无人机云台挂载架的多光谱相机连接螺栓，实现与云台连接，保障了多光谱遥感监测传感器获取数据时姿态的稳定性。
根据大量烟叶冠层光谱特征实验，定制了适用于烟草遥感监测的多光谱传感器，分别为蓝光波段B(450nm±16nm)29、绿光波段G(560nm±16nm)30、R红光波段(650nm±16nm)31、红边RE(730nm±16nm)32、NIR红外波段(1050nm±26nm)33；多光谱遥感监测传感器组件C集成了1个常规的可见光相机28及5个定制波段的多光谱传感器，使得遥感影像上烟草作物特征显著。
无人机在飞行高度300米以下动态获取多光谱遥感影像数据。
无人机烟草识别地面站集成无线链路模块以及烟草遥感识别装置，进行无人机数据采集作业时，启动电源开关、无人机遥控开关、数传开关、图传开关，设置好无线接收天线3501，应用无人机遥控手柄4401可以操作无人机在空中飞行的姿态与飞行路线，并在无人机飞行状态显示屏36上实时显示无人机飞行状态；无人机航拍遥感影像数据可以通过数传与图传功能发送给无人机烟草识别地面站主机；无人机烟草识别地面站主机也可以在采集数据后，通过WAN接口或USB接口将航拍影像数据传输到装有烟草遥感识别软件的服务器。
无人机烟草识别地面站上集成的烟草遥感识别装置或烟草遥感识别软件的服务器，基于NIR(1050nm)波段与G(560nm)波段生成的NDVI，R红光波段(650nm)与红边RE(730nm)生成的RVI，基于NIR(1050nm)波段与G(560nm)波段生成的DVI；根据烟草种植特征与烟草物候特征，不同时期烟草在遥感影像上具有不同的纹理方向特征、纹理间距特征、植被覆盖度与地膜覆盖度特征，应用基于烟草物候特征与种植特征的遥感监测模型，识别烟草种植地块及计算相应的面积。
将加密烟草种植地块信息传到烟草种植时空数据管理平台。
采用该设备按以下步骤进行烟田面积测量：
S01：采用烟草种植面积无人机遥感监测设备获取多光谱遥感影像数据。采用该设备，无人机在飞行高度300米以下获取所需的航拍遥感影像数据。主要特点，根据烟草种植生长过程中的大量烟叶冠层高光谱实验数据分析，选定的多光谱遥感监测传感器组件C集成了适用于烟草遥感监测的多光谱传感器，分别为蓝光波段B(450nm±16nm)、绿光波段G(560nm±16nm)、R红光波段(650nm±16nm)、红边RE(730nm±16nm)、NIR红外波段(1050nm±26nm)，以及1个常规的可见光相机28，所得遥感影像上具有烟草作物的特征显著。
同时，无人机烟草识别地面站集成无线链路模块以及烟草遥感识别装置，具有图传与数传功能，可以将无人机航拍遥感影像数据通过数传与图传功能发送给无人机烟草识别地面站主机，支持航拍影像数据准同步处理，与当前无人机农作物识别主要采用数传，无法支撑航拍影像作业期间准实时处理的不足。
S02：采用基于RANSAC的多光谱无人机影像拼接技术。主要特点，根据航拍影像数据获取的时间信息，将时间间隔小于阈值的影像作为同一架次航拍影像数据，采用基于RANSAC的多光谱无人机影像拼接技术方法，提取每张影像提取特征点，提取特征突出的角点、边缘点、独立点，并对相邻有重叠影像进行影像匹配获取同名点，通过同名点获知影像之间的相对位置关系，实现同架次航拍影像数据拼接，最终生成全景图。
S03：基于烟草种植特征及物候特征的遥感影像特征组学分析。主要特点，提出基于烟草种植特征及物候特征的遥感影像特征组学分析方法，构建用于烟草作物遥感监测无人机影像特征组；
主要包括：
1.烟草冠层植被指数遥感影像特征组：主要包括基于NIR(1050nm)波段与G(560nm)波段生成的归一化植被指数NDVI；基于R红光波段(650nm)与红边RE(730nm)生成的比值植被指数RVI；基于NIR(1050nm)波段与G(560nm)波段生成的差值环境指标指数DVI。
2.烟草植被覆盖度遥感影像特征组：在像元二分模型的基础上，采用VFC＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)模型计算植被覆盖度VFC，采用多级格网对航拍影像进行多层次划分，并进行植被VFC一阶统计量，主要特征包括网格最小特征值、第10％的特征值、第90％的特征值、最大特征值、平均特征值、中位数特征值、强度值范围、平均绝对偏差、鲁棒平均绝对偏差、均方根、标准偏差、峰度、方差、均匀度等。
3.烟草种植地膜可视度特征组：大田期间航拍影像场景主要烟草植株、地膜、土壤背景及杂草组成，土壤为黄褐色(红褐色)、地膜为白色、植被为绿色，相互间颜色具有显著差别，通过实验发现地膜在R红光波段(650nm)与红边RE(730nm)波段反映显著。构建HIS颜色空间，采用基于最大类间方差法的阈值分割法，提取植被、地膜、土壤的颜色空间特征；采用霍夫变换(Hough)来检测出烟株中心行，根据覆膜条状特征，剔除杂草。
在此基础上获得的烟草种植地膜可视度特征组的特征主要包括：地膜可视度、土壤可视度、烟草可视度、植被可视度(包括烟草与杂草等)。
4.烟草种植遥感影像纹理特征组：移栽技术是烟草优质高效栽培的关键技术，它对移栽行距、间距以及移栽深度有着科学的规划，为此，烟草大田期间随着生长过程具有其独特的纹理特征，主要包括采用模糊超像素(fuzzy－superpixels)算法进行预分割，结合HIS颜色空间转化技术与基于最大类间方差法的阈值分割法，提取烟草植株覆盖大小、植株间距；采用霍夫变换(Hough)结合烟株成行的特点，计算烟草种植垄纹理方向、垄间距等特征；基于无人机航拍影像数据采用无人机影像Agisoft PhotoScan三维影像重建软件的三维重建功能，获取航拍区域地形数据DEM、数字表面模型DSM、正射影像DOM及DCM影像，应用SVM分类法计算烟株相对高度。采用多级格网进行多层次划分，计算不同格网尺度各纹理参数的相关系数、最小特征值、第10％的特征值、第90％的特征值、最大特征值、平均特征值、中位数特征值、强度值范围、平均绝对偏差、鲁棒平均绝对偏差、均方根、标准偏差、峰度、方差、均匀度等。
S04：基于烟草物候特征与种植特征的遥感监测模型。主要特点，是烟草物候特征与种植特征组的相关特征非常多，且通常具有很高的维度，其冗余特征会对烟草识别造成干扰。因此，构建了基于RFE-Relief特征选择算法的烟草种植特征智能筛选模型，在Relief特征选择算法中引入递归特征排除策略，改进成RFE-Relief特征选择算法，通过多次迭代，不断剔除冗余特征。最终根据烟草种植与物候特征，构建烟草还苗期-团棵期、旺长期和成熟期的影像特征集，并确定相应的特征权重值。
为提高模型的自学习与自适应能力，引入深度置信网络DBN神经网络机器学习及Softmax分类器，构建基于多层次智能分类算法的烟草遥感监测模型，可以实现在DBN微调阶段，采用BP算法对整个网络的权值进行微调，实现模型参数的自动更新与调整，提高烟草种植智能识别的准确度。
S05：烟草种植面积栅格统计分析。基于IDL算法实现对烟草识别结果进行二值化处理，计算像素块面积(每个烟田地块面积)，统计每架次航拍区域烟草种植面积，多层次格网(如500m╳500m、1000m╳1000m)烟草种植面积，自定义矢量范围内烟草种植面积。
S06：烟草种植地块矢量化及种植面积统计分析。采用基于曼哈顿距离的膨胀、腐蚀算法，解决烟草种植地块空洞与边缘分隔不清晰的问题，再采用基于边缘检测的矢量化方法实现烟田地块的矢量化。在此基础上，根据选择区域，统计区域范围内的烟田地块面积。
对比例1：
孟秀军等以湖南省宁乡县黄材镇烟田监测为例，采用无人机遥感方式监测烟田形态特征和种植情况，设计了无人机航摄、影像数据获取及数据处理的解决方案，经数据处理和统计分析得出目标区烟田区域位置、面积及株数等。
对比例2：
孙益权等以贵州省威宁县黑石头镇烟草科技园为样区，进行基于无人机航测的烟草长势监测研究。基于Smart3D软件处理无人机航拍影像，生成高精度的三维模型，并通过SVM分类法很好提取烟株数量、烟株顶点位置和株高，其中，烟株数量的总平均预测精度为94.27％，烟株顶点位置的总平均预测精度为86.80％，烟株的株高平均预测精度为91.81％。
对比例3：
张富贵在贵州省烟草品质研究重点实验室安顺创新试验基地开展基于无人机图像的山区烟株数量统计方法研究，主要研究了无人机图像的预处理、无人机图像拼接方法，基于颜色特征的烟田间杂草识别，基于形态特征的杂草错误识别后处理，烟株图像识别及烟株数统计平台开发等。通过实地验证分析，其准确度平均值为93.88％。
对比例4：
陈金等应用无人机遥感影像和自创的遥感图像处理软件对宁乡横市基地单元烟叶种植面积信息进行了提取。主要包括无人机影像特征点提取和影像匹配，空三解算与区域网平差，影像拼接输出全景图，矢量绘制，自动统计面积等。结果显示无人机遥感技术获得的烟草种植面积信息准确度达95％。
采用实施例和对比例1～4提供方法、设备，对位于云南省红河州弥勒市、泸西县、蒙自市、建水县、个旧市、石屏县、开远市、屏边县主要种烟县进行了无人机航拍测量，作业范围约64.04平方公里，涉及烟田地块数为4318块，面积为66065.50亩。
采用人工测量方法对该实验烟田面积进行测量作为实地测量值。本实施例和对比例中所得实测结果按下式计算该方法的准确率：|遥感监测结果-实地测量值|÷实地测量值*100％
针对目前主要的烟草行业无人机遥感监测方面的研究成果与方法进行了对照分析，实施例和各对比例所得准确率结果如下表1所示：
表1
对上述烟草种植面积进行识别与分析，由表1可知，采用本申请提供方法的烟田种植面积测算精度最高，为98.73％，高于其他现有烟田种植面积测量方法。
根据表1所得结果显示，本申请提供方法能有效改善对烟田的无人机循环遥感测量结果准确率，相对现有各类方法所得结果，更接近于人工实测结果。说明采用本申请提供方法能有效减少在烟田面积的遥感测量中的干扰与因素影响，从而提高遥感测量准确性。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种烟草种植面积无人机遥感监测设备，其特征在于，包括：多光谱遥感监测传感器组件(C)：多光谱遥感监测传感器组件(C)设置于无人机主体(4)底面，并通过多光谱遥感监测传感器组件(C)对烟田进行遥感图像采集；
所述多光谱遥感监测传感器组件(C)包括容纳设置于壳体内的：可见光相机(28)、蓝光传感器(29)、绿光传感器(30)、R红光传感器(31)、RE传感器(32)、红外传感器(33)；
所述蓝光传感器(29)的敏感波段为450nm±16nm、绿光传感器(30)的敏感波段为560nm±16nm；R红光传感器(31)的敏感波段为650nm±16nm；RE传感器(32)的敏感波段为730nm±16nm、红外传感器(33)的敏感波段为1050nm±26nm；
所述设备按以下步骤获得无人机巡视区域的烟草种植面积：
步骤S01：通过无人机巡航获取样本烟田区域的多光谱遥感影像数据；
步骤S02：采用基于RANSAC的多光谱无人机影像拼接方法，得到样本烟田遥感图像；
步骤S03：基于烟草种植特征及物候特征的遥感影像特征组学的方法分析样本烟田遥感图像，构建用于烟草作物遥感监测无人机影像特征组；
步骤S04：构建基于烟草作物遥感监测无人机影像特征组的遥感监测模型；
步骤S05：采用步骤S04所得遥感监测模型对实时获取待监测区域烟田遥感影像数据进行处理得到烟草识别结果；对所得识别结果进行烟草种植面积栅格统计分析，得到各架次航拍区域烟草种植面积并统计；
所述步骤S03中烟草作物遥感监测无人机影像特征组包括以下特征组：
1)、烟草冠层植被指数遥感影像特征组包括：基于NIR 1050nm波段与G 560nm波段生成的归一化植被指数NDVI；基于R红光波段650nm与红边RE 730nm生成的比值植被指数RVI；基于NIR 1050nm波段与G560nm波段生成的差值环境指标指数DVI；
2)、烟草植被覆盖度遥感影像特征组包括：在像元二分模型的基础上，采用VFC＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)模型计算植被覆盖度VFC，采用多级格网对航拍影像进行多层次划分，并进行植被VFC一阶统计量，该特征组中包括：网格最小特征值、第10％的特征值、第90％的特征值、最大特征值、平均特征值、中位数特征值、强度值范围、平均绝对偏差、鲁棒平均绝对偏差、均方根、标准偏差、峰度、方差、均匀度；
3)、烟草种植地膜可视度特征组包括：大田期间航拍影像场景包括：烟草植株、地膜、土壤背景及杂草组成，土壤为黄褐色、地膜为白色、植被为绿色；构建HIS颜色空间，采用基于最大类间方差法的阈值分割法，提取遥感图像中的植被、地膜、土壤颜色空间特征；
4)、烟草种植遥感影像纹理特征组：包括采用模糊超像素算法进行预分割，结合HIS颜色空间转化技术与基于最大类间方差法的阈值分割法，提取遥感图像中的烟草植株覆盖大小、植株间距；采用霍夫变换结合烟株成行的特点，检测出烟柱中心行，据覆膜条状特征，剔除图像中的杂草，提取烟草种植烟柱行特征，计算烟草种植垄纹理方向、垄间距特征；
包括：旋转组件(B)、收纳组件(A)；主体(4)底面上设置起落架(2)；收纳状态时，收纳组件(A)、旋转组件(B)、多光谱遥感监测传感器组件(C)容纳设置于收纳舱(5)内；
所述收纳组件(A)容纳设置于收纳舱(5)内，并与旋转组件(B)相连接；
所述多光谱遥感监测传感器组件(C)设置于旋转组件(B)底面上，并与旋转组件(B)相连接；
收纳组件(A)带动旋转组件(B)相对主体(4)纵向升降运动；旋转组件(B)带动多光谱遥感监测传感器组件(C)绕旋转组件(B)的中心轴转动设置。
2.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，所述步骤S02包括以下步骤：将时间间隔小于阈值的影像数据作为同一架次航拍影像数据，采用基于RANSAC的多光谱无人机影像拼接方法，提取每张影像提取特征点，提取特征突出的角点、边缘点、独立点，并对相邻有重叠的影像进行影像匹配获取同名点，通过同名点获知影像之间的相对位置关系，得到样本烟田遥感图像。
3.根据权利要求2所述的烟草种植面积无人机遥感监测设备，其特征在于，所述步骤S04包括以下步骤：构建基于RFE-Relief特征选择算法的烟草种植特征智能筛选模型，在Relief特征选择算法中引入递归特征排除策略，改进成RFE-Relief特征选择算法，通过多次迭代，不断剔除烟田遥感图像中的冗余特征；得到根据烟草种植与物候特征，构建烟草还苗期-团棵期、旺长期和成熟期的影像特征集，并确定相应的特征权重值。
4.根据权利要求2所述的烟草种植面积无人机遥感监测设备，其特征在于，所述步骤S04包括：采用深度置信网络DBN神经网络机器学习及Softmax分类器，构建基于多层次智能分类算法的烟草遥感监测模型。
5.根据权利要求3所述的烟草种植面积无人机遥感监测设备，其特征在于，根据烟草种植地膜可视度特征组获得的烟草种植地膜可视度特征组的特征包括：地膜可视度、土壤可视度、烟草可视度、植被可视度。
6.根据权利要求5所述的烟草种植面积无人机遥感监测设备，其特征在于，植被可视度包括：植被、地膜、土壤颜色空间特征。
7.根据权利要求3所述的烟草种植面积无人机遥感监测设备，其特征在于，烟草种植遥感影像纹理特征组包括：基于无人机航拍影像数据采用无人机影像Agisoft PhotoScan三维影像重建软件的三维重建功能，获取航拍区域地形数据DEM、数字表面模型DSM、正射影像DOM及DCM影像，应用SVM分类法计算烟株相对高度。
8.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，包括：步骤S06：对实时获取待监测区域烟田遥感影像数据进行烟草种植地块矢量化及种植面积统计分析。
9.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，步骤S06包括以下步骤：采用基于曼哈顿距离的膨胀、腐蚀算法处理实时获取待监测区域烟田遥感影像数据，采用基于边缘检测的矢量化方法实现烟田地块的矢量化，根据选择区域，统计区域范围内的烟田地块面积。
10.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，所述步骤S01中所得多光谱遥感影像数据通过图传数传回传至无人机烟草识别地面站主机。
11.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，所述收纳组件(A)包括容纳设置于收纳舱(5)内的：导向杆(7)、升降板(6)、云台连接螺纹座(8)、螺杆驱动组件；导向杆(7)与螺杆驱动组件容纳分别设置于收纳舱(5)的两侧；导向杆(7)、螺杆驱动组件分别穿设于升降板(6)的两端上；云台连接螺纹座(8)设置于升降板(6)的底面上，并与旋转组件(B)相连接。
12.根据权利要求11所述的烟草种植面积无人机遥感监测设备，其特征在于，包括：安装槽(11)；安装槽(11)设置于收纳舱(5)一侧上部。
13.根据权利要求12所述的烟草种植面积无人机遥感监测设备，其特征在于，所述螺杆驱动组件包括：螺杆(9)、第一齿轮(10)、第二齿轮(13)、电机(12)；螺杆(9)容纳设置于收纳舱(5)一内侧壁上；第一齿轮(10)套设于螺杆(9)的顶部并与第二齿轮(13)啮合；第二齿轮(13)设置于电机(12)驱动轴上，并与电机(12)驱动连接；第二齿轮(13)、电机(12)容纳设置于安装槽(11)内。
14.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，所述旋转组件(B)包括：云台连接块(15)、外壳(14)、连接转盘(24)、连接杆(25)、舵机(17)、传动组件；舵机(17)和传动组件容纳设置于外壳(14)内；云台连接块(15)设置于外壳(14)顶面上，并通过云台连接块(15)与收纳组件(A)相连接；
连接转动设置于外壳(14)底面上，并与传动组件驱动连接；
连接杆(25)设置于连接转盘(24)底面中心区域并与多光谱遥感监测传感器组件(C)相连接。
15.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，包括：盖板(16)、连接支耳(18)、固定机座(19)；外壳(14)顶面上设置敞口，盖板(16)盖设于外壳(14)顶面敞口上；固定基座容纳于外壳(14)内并与盖板(16)底面相连接；
连接支耳(18)成对对称设置于舵机(17)两相对侧壁上，舵机(17)通过连接支耳(18)吊设于固定机座(19)下方。
16.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，传动组件包括：舵机臂(20)、连接机座(21)、连接轴(22)、轴承座(23)、输出轴(1701)；输出轴(1701)的一端与舵机(17)驱动端驱动连接，另一端与舵机臂(20)中心驱动连接；舵机臂(20)与连接机座(21)顶面扣合连接；连接基座底面中心区域设置连接轴(22)，并用过连接轴(22)与连接转盘(24)驱动连接；轴承座(23)套设于连接轴(22)上并与外壳(14)内壁相连接。
17.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，所述可见光相机(28)、蓝光传感器(29)、绿光传感器(30)、R红光传感器(31)、RE传感器(32)、红外传感器(33)在壳体底面上阵列设置；
可见光相机(28)、蓝光传感器(29)、绿光传感器(30)设置于壳体底面第一排内；
R红光传感器(31)、RE传感器(32)、红外传感器(33)设置于壳体底面第二排内。
18.根据权利要求1所述的烟草种植面积无人机遥感监测设备，其特征在于，所述可见光相机(28)设置于壳体底面第一排的第一侧边；绿光传感器(30)设置于壳体第一排的底面第二侧边；蓝光传感器(29)设置于可见光相机(28)、绿光传感器(30)之间；
R红光传感器(31)设置于壳体底面第二排的第一侧边；红外传感器(33)设置于壳体底面第二排的第二侧边；RE传感器(32)设置于R红光传感器(31)、红外传感器(33)之间。
CN202210587963.0A 2022-05-26 2022-05-26 烟草种植面积无人机遥感监测设备 Active CN114820578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210587963.0A CN114820578B (zh) 2022-05-26 2022-05-26 烟草种植面积无人机遥感监测设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210587963.0A CN114820578B (zh) 2022-05-26 2022-05-26 烟草种植面积无人机遥感监测设备

Publications (2)

Publication Number Publication Date
CN114820578A CN114820578A (zh) 2022-07-29
CN114820578B true CN114820578B (zh) 2024-05-28

Family

ID=82518906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210587963.0A Active CN114820578B (zh) 2022-05-26 2022-05-26 烟草种植面积无人机遥感监测设备

Country Status (1)

Country Link
CN (1) CN114820578B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116844074A (zh) * 2023-07-25 2023-10-03 北京爱科农科技有限公司 一种果园三维场景及重点区域的全景展示联动的方法
CN118549354B (zh) * 2024-07-29 2024-10-01 北京恒润安科技有限公司 一种基于多光谱遥感检测的灌区旱情监测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631401A (zh) * 2015-12-11 2016-06-01 中国烟草总公司广东省公司 一种基于遥感和地理信息的烟田烟草品质监测预报方法
CN109977901A (zh) * 2019-04-03 2019-07-05 山东理工大学 一种基于无人机遥感的玉米田间杂草识别方法
CN112749627A (zh) * 2020-12-09 2021-05-04 北京星衡科技有限公司 一种基于多源遥感影像的烟草动态监测的方法和装置
CN113009485A (zh) * 2021-03-10 2021-06-22 安徽皖南烟叶有限责任公司 一种基于改进植被指数的遥感烟田识别方法
CN113052102A (zh) * 2021-03-31 2021-06-29 北京农业信息技术研究中心 基于无人机多光谱影像的农田管理分区方法及装置
CN113888397A (zh) * 2021-10-08 2022-01-04 云南省烟草公司昆明市公司 基于无人机遥感和图像处理技术的烟草清塘点株方法
CN114202675A (zh) * 2021-12-17 2022-03-18 青岛农业大学 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统
KR20220049687A (ko) * 2020-10-14 2022-04-22 전주비전대학교산학협력단 저가의 드론 광학 센서를 활용한 식생지수 정확도 평가 방법
CN217348263U (zh) * 2022-05-26 2022-09-02 云南省烟草公司红河州公司 烟草种植面积无人机遥感监测设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631401A (zh) * 2015-12-11 2016-06-01 中国烟草总公司广东省公司 一种基于遥感和地理信息的烟田烟草品质监测预报方法
CN109977901A (zh) * 2019-04-03 2019-07-05 山东理工大学 一种基于无人机遥感的玉米田间杂草识别方法
KR20220049687A (ko) * 2020-10-14 2022-04-22 전주비전대학교산학협력단 저가의 드론 광학 센서를 활용한 식생지수 정확도 평가 방법
CN112749627A (zh) * 2020-12-09 2021-05-04 北京星衡科技有限公司 一种基于多源遥感影像的烟草动态监测的方法和装置
CN113009485A (zh) * 2021-03-10 2021-06-22 安徽皖南烟叶有限责任公司 一种基于改进植被指数的遥感烟田识别方法
CN113052102A (zh) * 2021-03-31 2021-06-29 北京农业信息技术研究中心 基于无人机多光谱影像的农田管理分区方法及装置
CN113888397A (zh) * 2021-10-08 2022-01-04 云南省烟草公司昆明市公司 基于无人机遥感和图像处理技术的烟草清塘点株方法
CN114202675A (zh) * 2021-12-17 2022-03-18 青岛农业大学 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统
CN217348263U (zh) * 2022-05-26 2022-09-02 云南省烟草公司红河州公司 烟草种植面积无人机遥感监测设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Comparison of vegetation indices acquired from RGB and Multispectral sensors placed on UAV;F. Fuentes-Peailillo;《2018 IEEE International Conference on Automation/XXIII Congress of the Chilean Association of Automatic Control (ICA-ACCA)》;20181231;全文 *
Estimation of Individual Potato Plants Area and Volume From Uav-Based Multispectral Images;Victor Angulo Morales;《IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》;20191231;全文 *
Estimation of Leaf Area Index in Chestnut Trees using Multispectral Data from an Unmanned Aerial Vehicle;Luis Pádua;《IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium》;20201231;全文 *
基于无人机图像的山区烟株数量统计方法与试验;付静;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190915;全文 *
基于无人机遥感影像的烟草种植面积信息提取;陈金;刘品超;黄国强;李智勇;刘金玉;;湖南农业科学;20180127(01);全文 *
遥感技术在烟草长势监测及估产中的应用进展;吕小艳;竞霞;薛琳;徐海清;张超;黄健熙;;中国农学通报;20200905(25);全文 *

Also Published As

Publication number Publication date
CN114820578A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114820578B (zh) 烟草种植面积无人机遥感监测设备
Bender et al. A high‐resolution, multimodal data set for agricultural robotics: A Ladybird's‐eye view of Brassica
Iqbal et al. Simplified radiometric calibration for UAS-mounted multispectral sensor
EP3417690B1 (en) A self-propelled apparatus for optimally analysing and managing fields intended for agricultural cultivation
US10395115B2 (en) Systems, devices, and methods for robotic remote sensing for precision agriculture
US7058197B1 (en) Multi-variable model for identifying crop response zones in a field
US10192185B2 (en) Farmland management system and farmland management method
JP5020444B2 (ja) 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体
de Oca et al. The AgriQ: A low-cost unmanned aerial system for precision agriculture
CN110567891B (zh) 一种冬小麦冠层叶绿素估测系统及方法
Yang et al. Yield estimation from hyperspectral imagery using spectral angle mapper (SAM)
Garcia-Ruiz et al. Sugar beet (Beta vulgaris L.) and thistle (Cirsium arvensis L.) discrimination based on field spectral data
Chauhan et al. Wheat lodging assessment using multispectral UAV data
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
CN110869744B (zh) 信息处理设备、信息处理方法、程序和信息处理系统
JP2006314215A (ja) 移動体搭載用の生育度測定装置
US20220307971A1 (en) Systems and methods for phenotyping
Yang et al. Airborne hyperspectral imagery and yield monitor data for estimating grain sorghum yield variability
US9866768B1 (en) Computer vision qualified infrared temperature sensor
Ehsani et al. Affordable multirotor Remote sensing platform for applications in precision horticulture
Tsoulias et al. An approach for monitoring temperature on fruit surface by means of thermal point cloud
Maslekar et al. Application of unmanned aerial vehicles (UAVs) for pest surveillance, monitoring and management
US20220172306A1 (en) Automated mobile field scouting sensor data and image classification devices
Erickson et al. Using remote sensing to assess stand loss and defoliation in maize
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

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