CN116453003B - 一种基于无人机监测智能识别水稻生长势的方法和系统 - Google Patents
一种基于无人机监测智能识别水稻生长势的方法和系统 Download PDFInfo
- Publication number
- CN116453003B CN116453003B CN202310701408.0A CN202310701408A CN116453003B CN 116453003 B CN116453003 B CN 116453003B CN 202310701408 A CN202310701408 A CN 202310701408A CN 116453003 B CN116453003 B CN 116453003B
- Authority
- CN
- China
- Prior art keywords
- rice
- image
- growth vigor
- district
- images
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 254
- 235000009566 rice Nutrition 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 253
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 2
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003779 hair growth Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
Abstract
本发明一种基于无人机监测智能识别水稻生长势的方法,包括:获取水稻小区图像,对图像进行标注,建立深度卷积神经网络检测模型,使用标注的水稻小区图像对模型进行优化训练,将待检测的水稻小区图像输入训练好的模型中,检测每张图像中水稻小区目标框的位置;选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理;计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻小区生长势的级别。本发明还提供了一种基于无人机监测智能识别水稻生长势的系统。本发明方法简单,在水稻生长势的识别方面精度高,速度快,成本低,能够广泛应用于农业的自动化、智能化生产管理中。
Description
技术领域
本发明属于农业技术领域,涉及计算机视觉领域技术,尤其涉及一种基于无人机监测智能识别水稻生长势的方法和系统。
背景技术
水稻生长势是评价其生长的重要农学参数,主要指同一时期不同品种水稻生长的繁茂程度或不同时期同一品种水稻生长的繁茂程度。早生快发,对于生长盛期抗逆境胁迫、生长后期为高产提供更多的物质转化有重要意义。
不同品种的水稻在同一时期之间的性状有可比性,同一品种的水稻在不同时期的性状具有可比性,不同品种的水稻在不同时期的性状不具有可比性。如果就一个时期的图像来说,9级的肯定是强于1级的生长势,这是相对于同一个起点(从播种开始)比较出来的生长势差异。如果有两个时期的图像,第二次还是会按照1-9的标准来分级。一种做法是跟第一次图像一样,跟播种时候比,即绝对生长势。第二种做法是跟第一次比,可以定义为一个相对生长势,某个品种第一次是1级,第二次也是1级,那么相对生长势可以作为1级(除法)或者0级(减法),如果第二次是9级,相对生长势就是9级(除法)或者8级(减法)。目前评价生长势主要通过一个时期(大概插秧后2周)来评价的。
近几年,无人机在智慧农业中被广泛应用,无人机具有机动、灵活的特点,将其搭载摄像头、传感器用于农田监测不易受天气影响,对农作物生长的扰动少,且可获得高分辨率影像,对辅助农田精准管理具有重要意义。传统的评价生长势的方法需要专业人员到田间进行肉眼识别,该方法在获取大范围、多品种的水稻生长势时效率低、成本高、误差大。
公开号为CN 110532936 A的发明专利申请公开了一种识别大田作物长势监控图像中绿色植物的方法及系统,利用影像监控器监控大田作物生长过程,通过监控图像分割模块,利用图像分割程序对采集的大田作物监控图像进行分割处理,利用识别程序对大田作物图像长势进行识别,利用分类程序对大田作物类型特征进行分类操作,利用构建程序构建大田作物生长模型,利用分析程序对大田作物长势进行分析。该发明建立了农作物的生长模型,分析了农作物生长过程中的自然环境变量、人工变量和生长状态之间的关联性。
公开号为CN 115393723 A的发明专利申请公开了一种农作物生长态势监测及病虫害监测系统及方法,包括:获取农作物监控高清图像以及农作物种植地的气象条件数据;进行图像截取,得到完整农作物截图,通过进行模型比对,识别单株农作物;利用神经网络模型识别农作物生长态势;进行局部放大处理,进行病虫害识别,将识别结果和农作物生长态势发送至种植人员。该发明通过对图像进行识别,将实时监控图像与预设图像进行比对,确定了农作物的生长态势。
尽管现有技术对农作物生长势监测方法的研究已经有了一定的基础,但现有的农作物生长势的预测方法通常需要考虑自然环境变量、气象条件数据以及人工变量等的影响,监测方法较为复杂,效率低。此外,目前对水稻生长势监测方法的研究还比较少。
YOLO神经网络架构,采用了YOLO算法,其全称是You Only Look Once: Unified,Real-Time Object Detection,You Only Look Once表示只需要一次CNN运算,Unified表明这是一个统一的框架,提供end-to-end的预测,而Real-Time体现是Yolo算法速度快,Object Detection表示目标检测。YOLOv5是YOLO神经网络系列的较新版本,其检测精度高,速度快,具有极大的实际应用价值。YOLOv5s又是YOLOv5系列中深度最小,特征图的宽度最小的网络,非常适合用于水稻小区的检测。
因此,通过YOLOv5s神经网络模型对水稻的生长势进行监测,以解决现有的水稻生长势评价方法效率低、成本高、误差大且较为复杂的问题,对于水稻的生长以及后期产量的提高具有重要的科学指导意义。
发明内容
为解决上述技术问题,本发明提供了一种基于无人机监测智能识别水稻生长势的方法。该方法操作简单,可移植性强,能够实现对田间种植的各品种水稻生长势的精准识别。
一种基于无人机监测智能识别水稻生长势的方法,包括以下步骤:
S1、获取水稻小区图像,对水稻小区图像进行标注,得到标注的水稻小区图像,建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练,将待检水稻小区图像输入到训练好的深度卷积神经网络检测模型中,检测每张水稻小区图像中的水稻小区目标框的位置;
S2、选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理;
S3、计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别。
进一步地、步骤S1中,所述的获取水稻小区图像的方法为:采用无人机以俯视90°视角,图片分辨率大于等于1200万像素,目标小区位于视野中央,占视野宽度比例大于80%,依次拍摄各品种水稻种植小区的完整图像,拍摄时尽量不包含其他小区目标。
进一步地,步骤S1中,对水稻小区图像进行标注时,将图像中可见小区全部进行标注,包括拍摄到的不完整的其他品种小区。
进一步地,步骤S1中,步骤S1中,所述的建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练的步骤为:选择预训练的YOLOv5s模型作为深度卷积神经网络检测模型,采用标注的水稻小区图像作为训练集,对模型进行优化训练。
将拍摄的待检水稻小区图像逐一输入训练好的YOLOv5s水稻小区检测模型中,检测每张水稻小区图像中水稻小区目标框的位置。
进一步地,步骤S2中,所述的选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理的具体步骤为:选取每张图像中最大面积的目标框,裁剪出框中的水稻小区图像;然后将裁剪出的图像调整为同一尺寸大小;最后将调整后的图像进行边缘切除。
具体地,通过YOLOv5s水稻小区检测模型得到的每张图像上的目标框一般有多个,需要先进行一些预处理操作。本发明首先筛选出每张图像中最大面积目标框中的水稻小区图像作为目标输出,裁剪出该目标框中的水稻小区图像,为了方便去除边缘多余区域,将裁剪出的图像调整为同一尺寸大小,然后将调整后的同一尺寸大小的图像进行边缘切除,即将图像长边首尾、短边首尾各切除指定大小的像素,最终得到同一尺寸大小的水稻小区图像。
水稻生长势的识别一般是通过其植被繁茂程度确定的,植被繁茂程度一般跟植被覆盖率正相关,因此本发明通过植被覆盖率确定水稻生长势的级别。
进一步地,步骤S3中,所述的计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别的具体步骤为:
S301、运用超绿指数ExG增强水稻与周围地物的差异,有效分离出水稻和背景;
由于在自然光下水稻抽穗前图像一般为绿色,因此,首先运用超绿指数ExG来分离出水稻和背景,所述超绿指数ExG的计算公式如下:
ExG = 2G-R-B
其中R、G、B为分别可见光红色、绿色、蓝色通道的值。
S302、选取自适应阈值方法Otsu对S301处理后的图像进行二值化处理,得到二值化图像,二值化图像中白色像素代表水稻区域,黑色像素代表背景区域;
S303、根据二值化图像中白色区域的像素值计算植被覆盖率p,所述植被覆盖率p的计算公式如下:
植被覆盖率p = 图片中植被所占的像素点/图片的总像素点*100%
S304、根据各品种水稻植被覆盖率的高低,判定水稻生长势的级别。
进一步地,步骤S304中,所述的水稻生长势的级别按需求分为5个等级,所述水稻生长势的级别的判定计算步骤为:
S3041、计算所有待测水稻小区图像中植被覆盖率的最大值max_p;
S3042、计算所有待测水稻小区图像中植被覆盖率的最小值min_p;
S3043、计算步幅step = (max_p - min_p)/5;
S3044、判别水稻生长势的级别,
当水稻植被覆盖率p < min_p + n1×step时,其中n1 = 0~2,水稻生长势级别为1级;
当min_p + n1×step ≤ p < min_p + n2×step时,其中n2 = 0.3~2.5且n2 >n1,水稻生长势级别为3级;
当min_p + n2×step ≤ p < min_p + n3×step时,其中n3 = 1~3.5且n3 > n2,水稻生长势级别为5级;
当min_p + n3×step ≤ p < min_p + n4×step时,其中n4 = 2~4.5且n4 > n3,水稻生长势级别为7级;
当p ≥ min_p + n4×step时,水稻生长势级别为9级。
本发明还提供了一种基于无人机监测智能识别水稻生长势的系统,所述系统包括:
检测模块,所述检测模块用于获取水稻小区图像,对水稻小区图像进行标注,得到标注的水稻小区图像,建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练,将待检水稻小区图像输入到训练好的深度卷积神经网络检测模型中,检测每张水稻小区图像中的水稻小区目标框的位置;
图像预处理模块,所述图像预处理模块用于选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理;
生长势识别模块,所述生长势识别模块用于计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别。
本发明还提供了一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的基于无人机监测智能识别水稻生长势的方法。
本发明还提供了一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的基于无人机监测智能识别水稻生长势的方法。
相比于现有技术,本发明的有益效果如下:
1、本发明的基于无人机监测智能识别水稻生长势的方法将水稻生长势识别分解为三个级联的步骤,各步骤可以针对性地达成各自的目标,实现方法简单,且各步骤中实现方案的选择更加灵活;
2、本发明采用无人机进行水稻小区图像采集,使用训练好的基于深度卷积神经网络的检测模型对待检测的水稻小区图像进行自动检测,避免了人为手工标定,省时省力;
3、本发明按照植被覆盖率的高低对水稻生长势级别进行自动判定,不需要专业技术人员参与,成本较低,可移植性强,能够实现对田间种植的各品种水稻生长势的精准识别。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为实施例提供的一种基于无人机监测智能识别水稻生长势方法的流程图。
图2为实施例中水稻小区图像的训练集标注示意图。
图3为实施例中水稻小区图像的检测结果示意图。
图4为实施例中水稻小区图像的预处理过程示意图。
图5为实施例中水稻小区图像的植被分割示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
水稻生长势是评价其生长的重要的农学参数,对水稻生长势进行评估对于水稻的生长以及后期产量的提高具有重要的科学指导意义。然而,现有的水稻种植过程中,对水稻生长态势的监测主要依赖于人工到现场进行查看,操作效率低,并且采样率也很低。
本发明通过无人机获取水稻小区图像,利用训练好的深度卷积神经网络检测模型获取每张图像中水稻小区目标框的位置;对最大面积目标框中的水稻小区图像进行预处理;计算预处理后的水稻小区图像的植被覆盖率,从而判定水稻生长势的级别。本发明方法简单,在水稻生长势的识别方面精度高,速度快,成本低,能够广泛应用于农业的自动化、智能化生产管理中。
图1为本实施例提供的一种基于无人机监测智能识别水稻生长势方法的流程图,包括以下步骤:
S1、获取水稻小区图像,对水稻小区图像进行标注,得到标注的水稻小区图像,建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练,将待检水稻小区图像输入到训练好的深度卷积神经网络检测模型中,检测每张水稻小区图像中的水稻小区目标框的位置。
一般育种时,一块农田中会同时种植多个品种的水稻,农田中种植单个品种水稻的区域称为一个水稻小区。单个水稻小区中的水稻一般按行列种植,株与株之间保持一定距离(一般为10厘米左右),整个小区成矩形分布。水稻小区与小区之间的距离会大于株与株之间的距离,一般为株与株距离的两到三倍。
具体的,本实施例中获取水稻小区图像的方法为:采用无人机以俯视90°视角,图片分辨率大于等于1200万像素,目标小区位于视野中央,占视野宽度比例大于80%,依次拍摄各品种水稻种植小区的完整图像,拍摄时尽量不包含其他小区目标。
具体的,本实施例对水稻小区图像进行标注时,将图像中可见小区全部进行标注,包括拍摄到的不完整的其他品种小区。
具体的,本实施例选择预训练的YOLOv5s模型作为深度卷积神经网络检测模型,采用标注的水稻小区图像作为训练集,对模型进行优化训练,图2为本实施例中水稻小区图像训练集标注示意图。
图3为本实施例中通过YOLOv5s水稻小区检测模型检测水稻小区图像的结果示意图。本实施例将拍摄的待检水稻小区图像逐一输入训练好的YOLOv5s水稻小区检测模型中,检测得到每张图像中水稻小区目标框的位置。
S2、选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理。
具体的,通过YOLOv5s水稻小区检测模型得到的每张图像上的目标框一般有多个,需要先进行一些预处理操作。图4为本实施例中水稻小区图像预处理过程示意图。本实施例首先筛选出每张图像中最大面积目标框中的水稻小区作为目标输出,裁剪出该目标框中的水稻小区图像,为方便去除边缘多余区域,本实施例将裁剪出的图像调整为同一尺寸大小1200×500,然后将调整后1200×500大小的图像进行边缘切除,图片长边首尾各切除100像素,短边首尾各切除50像素,切除边缘后图片大小为1000×400。
S3、计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别。
具体地,水稻生长势的识别一般是通过其植被繁茂程度确定的,植被繁茂程度一般跟植被覆盖率正相关,因此,本发明通过植被覆盖率确定生长势的级别。
S301、运用超绿指数ExG增强水稻与周围地物的差异,有效分离出水稻和背景。
由于在自然光下水稻抽穗前图像一般为绿色,因此,首先运用超绿指数ExG来分离出水稻和背景,所述超绿指数ExG的计算公式如下:
ExG = 2G-R-B
其中R、G、B为分别可见光红色、绿色、蓝色通道的值。
S302、选取自适应阈值方法Otsu对S301处理后的图像进行二值化处理,得到二值化图像,二值化图像中白色像素代表水稻区域,黑色像素代表背景区域,图5为本发明实施例中水稻小区植被分割示意图。
S303、根据二值化图像中白色区域的像素值计算植被覆盖率p,所述植被覆盖率p的计算公式如下:
植被覆盖率p = 图片中植被所占的像素点/图片的总像素点*100%
S304、根据各品种水稻覆盖率的高低,判定水稻生长势的级别。
进一步地,步骤S304中,水稻生长势的级别按需求分为5个等级。在本实施例中,水稻生长势的级别的判定计算步骤为:
S3041、计算所有待测水稻中植被覆盖率的最大值max_p;
S3042、计算所有待测水稻中植被覆盖率的最小值min_p;
S3043、计算步幅step = (max_p - min_p)/5;
S3044、判别水稻生长势的级别,
当水稻植被覆盖率p < min_p + n1×step时,其中n1 = 0~2,水稻生长势级别为1级;
当min_p + n1×step ≤ p < min_p + n2×step时,其中n2 = 0.3~2.5且n2 >n1,水稻生长势级别为3级;
当min_p + n2×step ≤ p < min_p + n3×step时,其中n3 = 1~3.5且n3 > n2,水稻生长势级别为5级;
当min_p + n3×step ≤ p < min_p + n4×step时,其中n4 = 2~4.5且n4 > n3,水稻生长势级别为7级;
当p ≥ min_p + n4×step时,水稻生长势级别为9级。
在本发明的一个实施例中,n1 = 0.3;n2 = 0.8;n3 = 1.8;n4 = 2.8。
本实施例还提供了一种基于无人机监测智能识别水稻生长势的系统,所述系统包括:
检测模块,用于获取水稻小区图像,对水稻小区图像进行标注,得到标注的水稻小区图像,建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练,将待检水稻小区图像输入到训练好的深度卷积神经网络检测模型中,检测每张水稻小区图像中的水稻小区目标框的位置;
图像预处理模块,所述图像预处理模块用于选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理;
生长势识别模块,所述生长势识别模块用于计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别。
本实施例还提供了一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的基于无人机监测智能识别水稻生长势的方法。
本实施例还提供了一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的基于无人机监测智能识别水稻生长势的方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (8)
1.一种基于无人机监测智能识别水稻生长势的方法,其特征在于,包括以下步骤:
S1、获取水稻小区图像,对水稻小区图像进行标注,得到标注的水稻小区图像,建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练,将待检水稻小区图像输入到训练好的深度卷积神经网络检测模型中,检测每张水稻小区图像中的水稻小区目标框的位置;
S2、选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理;
S3、计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别;
其中,所述计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别的具体步骤为:
S301、运用超绿指数ExG增强水稻与周围地物的差异;
S302、选取自适应阈值方法Otsu对S301处理后的图像进行二值化处理,得到二值化图像,二值化图像中白色像素代表水稻区域,黑色像素代表背景区域;
S303、根据二值化图像中白色区域的像素值计算植被覆盖率;
S304、根据各品种水稻植被覆盖率的高低,判定水稻生长势的级别;
所述水稻生长势的级别分为5个等级,所述水稻生长势的级别的判定步骤为:
S3041、计算所有待测水稻小区图像中植被覆盖率的最大值max_p;
S3042、计算所有待测水稻小区图像中植被覆盖率的最小值min_p;
S3043、计算步幅step = (max_p - min_p)/5;
S3044、判别水稻生长势的级别;
当水稻植被覆盖率p < min_p + n1×step时,其中n1 = 0~2,水稻生长势级别为1级;
当min_p + n1×step ≤ p < min_p + n2×step时,其中n2 = 0.3~2.5且n2 > n1,水稻生长势级别为3级;
当min_p + n2×step ≤ p < min_p + n3×step时,其中n3 = 1~3.5且n3 > n2,水稻生长势级别为5级;
当min_p + n3×step ≤ p < min_p + n4×step时,其中n4 = 2~4.5且n4 > n3,水稻生长势级别为7级;
当p ≥ min_p + n4×step时,水稻生长势级别为9级。
2.根据权利要求1所述的基于无人机监测智能识别水稻生长势的方法,其特征在于,步骤S1中,所述的获取水稻小区图像的方法为:采用无人机以俯视90°视角,图片分辨率大于等于1200万像素,目标小区位于视野中央,占视野宽度比例大于80%,依次拍摄各品种水稻种植小区的完整图像。
3.根据权利要求1所述的基于无人机监测智能识别水稻生长势的方法,其特征在于,步骤S1中,对水稻小区图像进行标注时,将图像中可见小区全部进行标注,包括拍摄到的不完整的其他品种小区。
4.根据权利要求1所述的基于无人机监测智能识别水稻生长势的方法,其特征在于,步骤S1中,所述的建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练的步骤为:选择预训练的YOLOv5s模型作为深度卷积神经网络检测模型,采用标注的水稻小区图像作为训练集,对模型进行优化训练。
5.根据权利要求1所述的基于无人机监测智能识别水稻生长势的方法,其特征在于,步骤S2中,所述的选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理的具体步骤为:选取每张图像中最大面积的目标框,裁剪出框中的水稻小区图像;然后将裁剪出的图像调整为同一尺寸大小;最后将调整后的图像进行边缘切除。
6.一种基于无人机监测智能识别水稻生长势的系统,所述系统包括:
检测模块,所述检测模块用于获取水稻小区图像,对水稻小区图像进行标注,得到标注的水稻小区图像,建立深度卷积神经网络检测模型,使用标注的水稻小区图像对深度卷积神经网络检测模型进行优化训练,将待检水稻小区图像输入到训练好的深度卷积神经网络检测模型中,检测每张水稻小区图像中的水稻小区目标框的位置;
图像预处理模块,所述图像预处理模块用于选取每张水稻小区图像中最大面积的目标框,对目标框中的水稻小区图像进行预处理;
生长势识别模块,所述生长势识别模块用于计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别,
其中,所述计算预处理后的水稻小区图像的植被覆盖率,按照植被覆盖率高低判定水稻生长势的级别的具体步骤为:
S301、运用超绿指数ExG增强水稻与周围地物的差异;
S302、选取自适应阈值方法Otsu对S301处理后的图像进行二值化处理,得到二值化图像,二值化图像中白色像素代表水稻区域,黑色像素代表背景区域;
S303、根据二值化图像中白色区域的像素值计算植被覆盖率;
S304、根据各品种水稻植被覆盖率的高低,判定水稻生长势的级别;
所述水稻生长势的级别分为5个等级,所述的水稻生长势的级别的判定步骤为:
S3041、计算所有待测水稻小区图像中植被覆盖率的最大值max_p;
S3042、计算所有待测水稻小区图像中植被覆盖率的最小值min_p;
S3043、计算步幅step = (max_p - min_p)/5;
S3044、判别水稻生长势的级别;
当水稻植被覆盖率p < min_p + n1×step时,其中n1 = 0~2,水稻生长势级别为1级;
当min_p + n1×step ≤ p < min_p + n2×step时,其中n2 = 0.3~2.5且n2 > n1,水稻生长势级别为3级;
当min_p + n2×step ≤ p < min_p + n3×step时,其中n3 = 1~3.5且n3 > n2,水稻生长势级别为5级;
当min_p + n3×step ≤ p < min_p + n4×step时,其中n4 = 2~4.5且n4 > n3,水稻生长势级别为7级;
当p ≥ min_p + n4×step时,水稻生长势级别为9级。
7.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-5中任一项所述的基于无人机监测智能识别水稻生长势的方法。
8.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-5中任一项所述的基于无人机监测智能识别水稻生长势的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701408.0A CN116453003B (zh) | 2023-06-14 | 2023-06-14 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701408.0A CN116453003B (zh) | 2023-06-14 | 2023-06-14 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116453003A CN116453003A (zh) | 2023-07-18 |
CN116453003B true CN116453003B (zh) | 2023-09-01 |
Family
ID=87132387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310701408.0A Active CN116453003B (zh) | 2023-06-14 | 2023-06-14 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116453003B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815914A (zh) * | 2019-01-28 | 2019-05-28 | 成都蝉远科技有限公司 | 一种基于植被区域识别的卷积神经网络模型训练方法及系统 |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及系统 |
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN111369498A (zh) * | 2020-02-19 | 2020-07-03 | 浙江大学城市学院 | 一种基于改进生成对抗网络的种苗生长势评估的数据增强方法 |
CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
CN112700347A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度生长曲线的生成方法、装置和存储介质 |
CN113077486A (zh) * | 2021-04-30 | 2021-07-06 | 深圳世源工程技术有限公司 | 一种山区植被覆盖率监测方法及系统 |
CN113553897A (zh) * | 2021-05-31 | 2021-10-26 | 南通大学 | 一种基于无人机和YOLOv3模型的农作物识别方法 |
WO2021249560A1 (zh) * | 2020-06-12 | 2021-12-16 | 广州极飞科技股份有限公司 | 作物缺失的检测方法及检测装置 |
CN113807143A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 作物连通域的识别方法、装置及作业系统 |
WO2022000098A1 (es) * | 2020-06-30 | 2022-01-06 | Penaloza Gonzalez Andres | Método y sistema para monitorear y controlar la presencia de al menos un tipo de insecto en cultivos agrícolas |
CN113936254A (zh) * | 2021-12-17 | 2022-01-14 | 江苏省气候中心 | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 |
CN114332626A (zh) * | 2021-12-31 | 2022-04-12 | 四川上太科技有限公司 | 一种基于视觉分析的水稻产量预测方法 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
CN114612804A (zh) * | 2022-01-28 | 2022-06-10 | 广东省科学院广州地理研究所 | 基于无人机遥感图像的植被检测方法、装置以及设备 |
CN114612896A (zh) * | 2022-03-07 | 2022-06-10 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻产量预测方法、装置以及设备 |
CN114627467A (zh) * | 2022-02-22 | 2022-06-14 | 华南农业大学 | 基于改进神经网络的水稻生育期识别方法及系统 |
CN114894791A (zh) * | 2022-05-06 | 2022-08-12 | 江苏润果农业发展有限公司 | 基于匹配因子的水稻长势分析系统及方法 |
WO2022198744A1 (zh) * | 2021-03-23 | 2022-09-29 | 平安科技(深圳)有限公司 | 农业险情数据评估方法、装置、计算机设备及存储介质 |
WO2022214039A1 (zh) * | 2021-04-07 | 2022-10-13 | 中国农业大学 | 一种农业种植结构的遥感识别方法 |
CN115393723A (zh) * | 2022-09-20 | 2022-11-25 | 中数通信息有限公司 | 农作物生长态势监测及病虫害监测系统及方法 |
CN115457403A (zh) * | 2022-09-14 | 2022-12-09 | 浙江禹贡信息科技有限公司 | 一种基于多类型遥感图像的农作物智能识别方法 |
CN115688955A (zh) * | 2021-07-23 | 2023-02-03 | 久瓴(上海)智能科技有限公司 | 植被长势预测方法、装置及存储介质 |
WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
CN115861858A (zh) * | 2023-02-16 | 2023-03-28 | 之江实验室 | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2020110817A (ru) * | 2017-08-22 | 2021-09-23 | Басф Агро Трейдмаркс Гмбх | Оценка урожая при возделывании культурных растений |
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2023
- 2023-06-14 CN CN202310701408.0A patent/CN116453003B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815914A (zh) * | 2019-01-28 | 2019-05-28 | 成都蝉远科技有限公司 | 一种基于植被区域识别的卷积神经网络模型训练方法及系统 |
CN110222903A (zh) * | 2019-06-13 | 2019-09-10 | 苏州市农业科学院 | 一种基于无人机遥感的水稻产量预测方法及系统 |
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN111369498A (zh) * | 2020-02-19 | 2020-07-03 | 浙江大学城市学院 | 一种基于改进生成对抗网络的种苗生长势评估的数据增强方法 |
WO2021249560A1 (zh) * | 2020-06-12 | 2021-12-16 | 广州极飞科技股份有限公司 | 作物缺失的检测方法及检测装置 |
CN113807143A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 作物连通域的识别方法、装置及作业系统 |
WO2022000098A1 (es) * | 2020-06-30 | 2022-01-06 | Penaloza Gonzalez Andres | Método y sistema para monitorear y controlar la presencia de al menos un tipo de insecto en cultivos agrícolas |
CN111751376A (zh) * | 2020-07-25 | 2020-10-09 | 江西省农业科学院农业工程研究所 | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
CN112700347A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度生长曲线的生成方法、装置和存储介质 |
WO2022198744A1 (zh) * | 2021-03-23 | 2022-09-29 | 平安科技(深圳)有限公司 | 农业险情数据评估方法、装置、计算机设备及存储介质 |
WO2022214039A1 (zh) * | 2021-04-07 | 2022-10-13 | 中国农业大学 | 一种农业种植结构的遥感识别方法 |
CN113077486A (zh) * | 2021-04-30 | 2021-07-06 | 深圳世源工程技术有限公司 | 一种山区植被覆盖率监测方法及系统 |
CN113553897A (zh) * | 2021-05-31 | 2021-10-26 | 南通大学 | 一种基于无人机和YOLOv3模型的农作物识别方法 |
CN115688955A (zh) * | 2021-07-23 | 2023-02-03 | 久瓴(上海)智能科技有限公司 | 植被长势预测方法、装置及存储介质 |
WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
CN113936254A (zh) * | 2021-12-17 | 2022-01-14 | 江苏省气候中心 | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 |
CN114332626A (zh) * | 2021-12-31 | 2022-04-12 | 四川上太科技有限公司 | 一种基于视觉分析的水稻产量预测方法 |
CN114612804A (zh) * | 2022-01-28 | 2022-06-10 | 广东省科学院广州地理研究所 | 基于无人机遥感图像的植被检测方法、装置以及设备 |
CN114627467A (zh) * | 2022-02-22 | 2022-06-14 | 华南农业大学 | 基于改进神经网络的水稻生育期识别方法及系统 |
CN114612896A (zh) * | 2022-03-07 | 2022-06-10 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻产量预测方法、装置以及设备 |
CN114894791A (zh) * | 2022-05-06 | 2022-08-12 | 江苏润果农业发展有限公司 | 基于匹配因子的水稻长势分析系统及方法 |
CN115457403A (zh) * | 2022-09-14 | 2022-12-09 | 浙江禹贡信息科技有限公司 | 一种基于多类型遥感图像的农作物智能识别方法 |
CN115393723A (zh) * | 2022-09-20 | 2022-11-25 | 中数通信息有限公司 | 农作物生长态势监测及病虫害监测系统及方法 |
CN115861858A (zh) * | 2023-02-16 | 2023-03-28 | 之江实验室 | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 |
Non-Patent Citations (1)
Title |
---|
基于数字图像处理技术的玉米长势预测;张宝来;张乐佳;;农业工程(03);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116453003A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112639869A (zh) | 作物生长阶段判定系统的服务器装置、生长阶段判定方法以及程序 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN114239756B (zh) | 一种虫害检测方法及系统 | |
CN111727457B (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN115294518B (zh) | 一种园艺植物温室精准栽培的智能监控方法及系统 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation | |
CN111523457B (zh) | 一种杂草识别方法及杂草处理设备 | |
CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
Tanaka et al. | Deep learning-based estimation of rice yield using RGB image | |
Heylen et al. | Counting strawberry flowers on drone imagery with a sequential convolutional neural network | |
Moghaddam et al. | Developing a selective thinning algorithm in sugar beet fields using machine vision system | |
US11763452B2 (en) | Training method, evaluation method, electronic device and storage medium | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN116704384A (zh) | 一种基于无人机监测智能识别水稻抽穗期的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |