CN115290648A - 一种基于无人机动态数字高程数据的水稻拔节期判断方法 - Google Patents

一种基于无人机动态数字高程数据的水稻拔节期判断方法 Download PDF

Info

Publication number
CN115290648A
CN115290648A CN202210929444.8A CN202210929444A CN115290648A CN 115290648 A CN115290648 A CN 115290648A CN 202210929444 A CN202210929444 A CN 202210929444A CN 115290648 A CN115290648 A CN 115290648A
Authority
CN
China
Prior art keywords
rice
data
aerial vehicle
unmanned aerial
jointing stage
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
CN202210929444.8A
Other languages
English (en)
Inventor
陈松
李子秋
赵向前
徐春梅
褚光
刘元辉
王丹英
蒋敏华
李路菲
徐军
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.)
China National Rice Research Institute
Original Assignee
China National Rice Research Institute
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 China National Rice Research Institute filed Critical China National Rice Research Institute
Priority to CN202210929444.8A priority Critical patent/CN115290648A/zh
Publication of CN115290648A publication Critical patent/CN115290648A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • 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
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Processing (AREA)

Abstract

本发明属于水稻种植领域，具体涉及一种基于无人机动态数字高程数据的水稻拔节期判断方法，包括：在水稻全生育期利用无人机相机采集水稻图片信息，构建水稻数据高程模型；对构建的水稻数据高程模型进行数据处理和优化，利用水稻数据高程模型解析单时间节点水稻冠层株高；在单时间水稻株高基础上，通过关联水稻生长季有序图片集，建立全生育期水稻株高变化数据集用logistic曲线对全生育期株高数据进行拟合后，根据logistic曲线梯度选定拔节期。本发明能够实现对水稻拔节期的预测，方法操作简单，效率高，准确率，解决了传统测定方法效率低下，耗时耗力，评估偏差等问题。

Description

一种基于无人机动态数字高程数据的水稻拔节期判断方法
技术领域
本发明属于水稻种植领域，具体涉及一种基于无人机动态数字高程数据的水稻拔节期判断方法。
背景技术
水稻拔节是指水稻基部节间开始生长，水稻株高发生明显变化的连续动态阶段。在水稻生产和育种中拔节期，直接或间接与水稻幼穗分化、抽穗等关键时期相关，因此是水稻品种筛选、栽培管理判断的重要标志。一般而言，水稻基部生长节点的长度达到一厘米(早稻、晚稻、单季稻略有差异)即是水稻开始拔节的标志。现有标准的拔节期判断，需要拨开主茎，观察节间的生长，无法在大规模育种中应用；实际生产上，大户或者科研工作者通过观察水稻株高的变化，粗略判断大致的拔节时间，受限于观察频率、观察角度以及人工的限制，拔节期的判断成本高、耗时长，因此，如何通过高通量数据采集，分析并判断拔节期，是目前亟待解决的问题。
发明内容
针对现有方法的不足，本发明提供了一种基于无人机动态数字高程数据的水稻拔节期判断方法的技术方案。
一种基于无人机动态数字高程数据的水稻拔节期判断方法，包括：
步骤1，在水稻全生育期利用无人机相机采集水稻图片信息，构建水稻数据高程模型；
步骤2，对构建的水稻数据高程模型进行数据处理和优化，利用水稻数据高程模型解析单时间节点水稻冠层株高；
步骤3，通过关联水稻生长季有序图片集，建立全生育期水稻株高变化数据集，设移栽时间点为零点，用logistic曲线对全生育期株高数据进行拟合后，根据logistic曲线梯度选定拔节期。
进一步地，所述步骤1具体包括：
从水稻移栽前一周开始，直至水稻成熟收获，利用无人机相机采集水稻正射图像，并构建水稻数据高程模型。
进一步地，所述步骤1中，水稻正射图像采集频率为一周1-2次。
进一步地，所述步骤2具体包括：
步骤2.1，通过分块归一化、维纳滤波减噪、直方图均衡化、canny算子检测、hough变换后，对水稻数据高程模型图像进行水平校准；
步骤2.2，以多时间固定点平面为参考平面，求得每个时间点每个小区的水稻冠层相对高度；
步骤2.3，水稻冠层相对高度减去裸土相对高度得到水稻冠层的绝对高度。
进一步地，所述步骤3中，记录logistic曲线梯度最大的时间节点t作为拔节初期，t1＝2t作为拔节末期。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于无人机动态数字高程模型(DEM)数据的水稻拔节期判定方法，其主要思路是利用无人机RGB相机，在水稻全生育期采集水稻图片信息，并构建水稻数据高程模型，利用水稻数据高程模型，解析单时间节点水稻冠层相对株高，通过关联水稻生长季有序图片集，建立全生育期水稻株高变化数据集，设移栽时间点为零点,用logistic曲线对全生育期株高数据进行拟合后，记录logistic曲线梯度最大的时间节点t作为拔节初期，t1＝2t作为拔节末期。由此能够实现对水稻拔节期的预测，方法操作简单，效率高，准确率，解决了传统测定方法效率低下，耗时耗力，评估偏差等问题。
附图说明
图1为本发明流程图；
图2为本发明中水稻数据高程模型示意图；
图3为实施例中分块归一化结果示意图；
图4为实施例中株高预测结果示意图；
图5为实施例中移栽后50天冠层高度预测值与人工测量值对比图；
图6为实施例中移栽后57天冠层高度预测值与人工测量值对比图；
图7为实施例中全生育期株高数据用logistic曲线进行拟合的拟合结果示意图；
图8为实施例中拔节期预测示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
请参阅图1，一种基于无人机动态数字高程数据的水稻拔节期判断方法，包括以下步骤：
步骤1，在水稻全生育期利用无人机相机采集水稻图片信息，构建水稻数据高程模型。
步骤1具体包括，从水稻移栽前一周开始，直至水稻成熟收获，利用无人机相机采集水稻正射图像，采集频率为一周1-2次，并利用如Metashape这样的通用软件构建水稻数据高程模型，效果如图2所示。
步骤2，对构建的水稻数据高程模型进行数据处理和优化，利用水稻数据高程模型解析单时间节点水稻冠层株高。
因未指定专用无人机相机，采集的无人机数据在经纬度、海拔等参数上存在着较大误差，需要进一步处理与优化，以实现数据统一。步骤2具体处理流程包括：
步骤2.1，通过分块归一化、维纳滤波减噪、直方图均衡化、canny算子检测、hough变换后，对水稻数据高程模型图像进行水平校准；
步骤2.2，以多时间固定点平面为参考平面，求得每个时间点、每个小区的水稻冠层相对高度；
步骤2.3，水稻冠层相对高度减去裸土相对高度得到水稻冠层的绝对高度。
步骤3，通过关联水稻生长季有序图片集，建立全生育期水稻株高变化数据集，设移栽时间点为零点，用logistic曲线对全生育期株高数据进行拟合后，记录logistic曲线梯度最大的时间节点t作为拔节初期，t1＝2t作为拔节末期。
在步骤3中，水稻生长季有序图片集即为水稻生长过程中不同株高时期的图片集合，假设在步骤2中计算得到的水稻株高为A，则步骤3的意义就在于根据这些图片，对株高为A的水稻拟合出其株高曲线图，预测该水稻的株高发展情况，然后根据预测结果选取拔节期。
实施例
本实施例采用上述水稻拔节期判断方法对水稻拔节期进行预测，其分块归一化结果如图3所示，其株高预测结果如图4所示，其预测值与人工测量值对比结果如图5、图6所示，其logistic曲线拟合结果如图7所示，其拔节期预测示意图如8所示，由图8可知，拟合曲线为
Figure BDA0003781000650000041
拔节初期为移栽后35天，拔节末期为移栽后70天。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于无人机动态数字高程数据的水稻拔节期判断方法，其特征在于，包括：
步骤1，在水稻全生育期利用无人机相机采集水稻图片信息，构建水稻数据高程模型；
步骤2，对构建的水稻数据高程模型进行数据处理和优化，利用水稻数据高程模型解析单时间节点水稻冠层株高；
步骤3，通过关联水稻生长季有序图片集，建立全生育期水稻株高变化数据集，设移栽时间点为零点，用logistic曲线对全生育期株高数据进行拟合后，根据logistic曲线梯度选定拔节期。
2.根据权利要求1所述的一种基于无人机动态数字高程数据的水稻拔节期判断方法，其特征在于，所述步骤1具体包括：
从水稻移栽前一周开始，直至水稻成熟收获，利用无人机相机采集水稻正射图像，并构建水稻数据高程模型。
3.根据权利要求2所述的一种基于无人机动态数字高程数据的水稻拔节期判断方法，其特征在于，所述步骤1中，水稻正射图像采集频率为一周1-2次。
4.根据权利要求1所述的一种基于无人机动态数字高程数据的水稻拔节期判断方法，其特征在于，所述步骤2具体包括：
步骤2.1，通过分块归一化、维纳滤波减噪、直方图均衡化、canny算子检测、hough变换后，对水稻数据高程模型图像进行水平校准；
步骤2.2，以多时间固定点平面为参考平面，求得每个时间点每个小区的水稻冠层相对高度；
步骤2.3，水稻冠层相对高度减去裸土相对高度得到水稻冠层的绝对高度。
5.根据权利要求1所述的一种基于无人机动态数字高程数据的水稻拔节期判断方法，其特征在于，所述步骤3中，记录logistic曲线梯度最大的时间节点t作为拔节初期，t1＝2t作为拔节末期。
CN202210929444.8A 2022-08-03 2022-08-03 一种基于无人机动态数字高程数据的水稻拔节期判断方法 Pending CN115290648A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210929444.8A CN115290648A (zh) 2022-08-03 2022-08-03 一种基于无人机动态数字高程数据的水稻拔节期判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210929444.8A CN115290648A (zh) 2022-08-03 2022-08-03 一种基于无人机动态数字高程数据的水稻拔节期判断方法

Publications (1)

Publication Number Publication Date
CN115290648A true CN115290648A (zh) 2022-11-04

Family

ID=83826577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210929444.8A Pending CN115290648A (zh) 2022-08-03 2022-08-03 一种基于无人机动态数字高程数据的水稻拔节期判断方法

Country Status (1)

Country Link
CN (1) CN115290648A (zh)

Similar Documents

Publication Publication Date Title
CN111104858B (zh) 一种基于形态模型法的大范围作物物候提取方法
CN104850694B (zh) 基于生长期植被指数增量的冬小麦遥感监测方法
CN109115776B (zh) 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置
CN101384164B (zh) 确定植物开花开始的方法和装置
CN112101256A (zh) 基于云平台的耦合主被动遥感影像的大蒜作物识别方法
CN113192026A (zh) 一种基于可见光图像的核桃成熟度检测与预测方法
CN107562791B (zh) 一种基于大数据统计的遥感卫星相对辐射定标处理方法
CN106651844B (zh) 一种基于图像分析的苹果生育期识别方法
CN102663397B (zh) 一种小麦出苗的自动检测方法
Jung et al. Image processing methods for measurement of lettuce fresh weight
CN113469112B (zh) 农作物生长状况图像识别方法及系统
KR102095539B1 (ko) 인삼의 영상 이미지 분석을 통한 생육량 측정 방법
CN115290648A (zh) 一种基于无人机动态数字高程数据的水稻拔节期判断方法
CN106709922B (zh) 基于图像的牧草覆盖度和生物量自动检测方法
KR20220059820A (ko) 딥러닝 세그멘테이션 인식 기술을 이용한 작물 생장 측정 장치 및 그 방법
CN116028660A (zh) 一种基于权重值的图像数据筛选方法、系统及介质
CN114511777A (zh) 一种基于图像识别方法的桃树花期监测评估方法
CN113283346A (zh) 一种基于机器学习的火龙果产量预测方法
CN112509029A (zh) 一种远程分析葡萄长势的方法
CN113515859B (zh) 一种西瓜徒长苗无损判定方法
CN117522083B (zh) 一种物联网传感数据识别的栽培控制方法及系统
CN115953391B (zh) 水稻物候指数监测系统及方法
CN110674453A (zh) 一种获取棉花叶片丛聚指数的数字图像方法及系统
CN115660236B (zh) 作物物候期预测方法、装置、电子设备和存储介质
Gao et al. Plant Event Detection from Time-Varying Point Clouds

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