CN117274359B - 一种作物群体的株高测算方法和系统 - Google Patents
一种作物群体的株高测算方法和系统 Download PDFInfo
- Publication number
- CN117274359B CN117274359B CN202311324535.XA CN202311324535A CN117274359B CN 117274359 B CN117274359 B CN 117274359B CN 202311324535 A CN202311324535 A CN 202311324535A CN 117274359 B CN117274359 B CN 117274359B
- Authority
- CN
- China
- Prior art keywords
- image
- crop
- plant height
- multispectral
- cell
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 16
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 241000196324 Embryophyta Species 0.000 description 107
- 230000000694 effects Effects 0.000 description 15
- 240000008042 Zea mays Species 0.000 description 7
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 7
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 235000005822 corn Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 244000038559 crop plants Species 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 241001057636 Dracaena deremensis Species 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种作物群体的株高测算方法和系统，涉及农作物监测技术领域，所述测算方法包括：采集多个多光谱图像、DSM图像、多个激光雷达图像和RGB图像；对多光谱图像、激光雷达图像进行预处理和裁剪，形成目标光谱图像和目标三维点云图像；对目标光谱图像进行特征提取，确定作物群体的植被指数；对RGB图像进行特征提取，确定作物群体的纹理指数；对目标三维点云图像进行农作物群体的高程信息提取，并根据高程信息，确定作物群体的长势状况；将植被指数、纹理指数和作物群体的长势状况，输入至多源数据融合的组合株高估测模型中，以输出作物群体的估测株高，从而精确实现对大范围、高密度农作物的株高监测。
Description
技术领域
本发明属于农作物监测技术领域，具体涉及一种作物群体的株高测算方法和系统。
背景技术
株高是评估作物健康和生长状况的关键指标，同时也是理想株型育种的重要标准，高效准确地测量株高意义重大。世界上三大粮食作物(水稻、小麦、玉米)，都需要一定的植株高度才能保证生物量和产量的充分发挥，而植株过高或过低将导致种植群体郁闭度增加，影响光合利用率，同时，也会增加倒伏风险，不利于机械化作业。因此，合理的植株高度是作物高产稳产育种的基本要求。
田间条件下的表型获取技术是作物育种的薄弱环节。传统的农作物高度测量是一项劳动密集型工作，成本高昂，方法单一，主要依靠塔尺、卷尺或标杆等带刻度的标志物，进入农田测量，其结果受人员主观因素和环境因素影响，尤其是玉米等高秆作物，需要梯子辅助人工测量，存在人工坠落的安全隐患，不仅测量难度大，效率低，还会对农作物造成损坏。
在农业信息化初期，作物高度常用植被指数(VIs)估测，后续研究也证实了VIs和株高存在较高的相关性。随着MEMS微机电系统、高科技材料等技术进步和农业信息化水平的提高，不同类型的传感器技术被用于株高测量。例如激光雷达、超声波、深度相机和可见光相机均能够在地面平台上获取较好的大田作物高度估算精度。但是，地面平台的测量效率和灵活性在一定程度上限制了其应用范围，且仍要投入较多的人力资源。无人机遥感平台恰好弥补了上述不足，是大范围株高信息快速、准确、动态监测的重要技术手段。而现有的基于信息化的作物株高测量，例如倾斜摄影测量技术采用可见光进行测量，对天气要求较高，且对高密度相似作物的测量误差较大；合成孔径雷达(SAR)不受太阳光和昼夜的影响，但价格昂贵，同时面临着数据处理后的雷达成像不直观、难解译、费用高等难题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种作物群体的株高测算方法和系统，能够实现大范围、高密度农作物的株高监测。
本发明提供了如下的技术方案：
第一方面，提供了一种作物群体的株高测算方法，包括：
利用搭载多光谱传感器的无人机在田间采集多个多光谱图像、DSM图像，利用搭载激光雷达镜头的无人机采集多个激光雷达图像和RGB图像；
对多光谱图像进行预处理和裁剪，形成适应不同作物的以小区或者以株为单位的目标光谱图像；对激光雷达图像进行预处理和裁剪，形成以小区为单位的目标三维点云图像；
对目标光谱图像进行特征提取，确定作物群体的植被指数；对RGB图像进行特征提取，确定作物群体的纹理指数；对目标三维点云图像进行农作物群体的高程信息提取，并根据高程信息，确定作物群体的长势状况；
将植被指数、纹理指数和作物群体的长势状况，输入至多源数据融合的组合株高估测模型中，以输出作物群体的估测株高，实现对作物群体株高的测算。
优选地，对多光谱图像进行预处理和裁剪包括：
对采集的多个多光谱图像进行拼接和辐射校正，以重建图像生成不同波段文件；
将不同波段文件进行融合构建多光谱融合图像；
将多光谱融合图像图层融合至DSM图像图层中，形成倾斜摄影的栅格数据集；
利用栅格数据集和图像分割技术，将多光谱融合图像进行裁剪。
优选地，对激光雷达图像进行预处理和裁剪包括：
对采集的多个激光雷达图像进行拼接生成三维点云图像；
对三维点云图像进行点云噪声去除；
利用图像分割技术，将三维点云图像进行裁剪。
优选地，所述作物群体的长势状况通过冠层体积和小区体积的比值进行描述；
所述冠层体积与小区体积的比值为：
其中，Vplant为冠层体积，V为小区体积；
所述小区体积V为：
V＝L×W×(HMAX-H2th)
其中，L为小区的长，W为小区的宽，HMAX为小区的上边界高度值，H2th为小区的下边界高度值；
所述冠层体积Vplant为：
Vplant＝V1+V2+…Vn＝S×S×(H1+H2+…Hn)
其中，将小区的下边界划分为每一个边长为S的n个正方形，每个正方形对应的高度为Hn，Vn为第n个正方形的体积。
优选地，对RGB图像进行特征提取，确定作物群体的纹理指数时，需要对RGB图像进行灰度处理；所述灰度Gray通过以下公式计算：
Gray＝0.299×R+0.587×G+0.114×B
其中，R、G和B是RGB图像的三个组成部分，每个组成部分的取值范围均为0-255。
优选地，所述组合株高估测模型的构建基于提取的纹理指数、植被指数和作物群体的长势状况；所述组合株高估测模型在构建时，通过决定系数、均方根误差和平均绝对误差来进行估测模型精度评价，决定系数越高、均方根误差和平均绝对误差越低，表明估测模型的精度越高；
计算决定系数、均方根误差和平均绝对误差时，需要在田间作物群体中随机选取样本，并测量田间作物的植株高度；
决定系数R2为：
均方根误差RMSE为：
平均绝对误差MAE为：
其中，N是样本数，yi是田间实际测量的样本植株高度，是估测模型输出的植株估测高度，/>是田间实际测量的样本平均株高。
优选地，所述组合株高估测模型包括激光雷达预测子模型、倾斜摄影预测子模型、植被指数预测子模型和纹理指数预测子模型，所述子模型均通过多元线性回归、偏最小二乘回归、支持向量机回归、随机森林、高斯过程回归和人工神经网络的统计和机器学习回归算法中的一种进行构建。
第二方面，提供了一种作物群体的株高测算系统，包括：
图像采集模块，包括多光谱无人机采集单元和激光雷达无人机采集单元；所述多光谱无人机采集单元用于采集多个多光谱图像、DSM图像，所述激光雷达无人机采集单元用于采集多个激光雷达图像和RGB图像；
图像预处理和裁剪模块，包括多光谱图像处理单元和激光雷达图像处理单元，所述多光谱图像处理单元用于对所述多光谱无人机采集单元采集的多光谱图像进行预处理和裁剪，形成适应不同作物的以小区或者以株为单位的目标光谱图像；所述激光雷达图像处理单元用于对所述激光雷达无人机采集单元采集的激光雷达图像进行预处理和裁剪，形成以小区为单位的目标三维点云图像；
特征提取模块，包括对多光谱图像处理单元形成的目标光谱图像进行特征提取，确定作物群体的植被指数；对激光雷达无人机采集单元采集的RGB图像进行特征提取，确定作物群体的纹理指数；对激光雷达图像处理单元形成的目标三维点云图像进行农作物群体的高程信息提取，并根据高程信息，确定作物群体的长势状况；
株高测算模块，用于将特征提取模块确定的植被指数、纹理指数和作物群体的长势状况，输入至多源数据融合的组合株高估测模型中，以输出作物群体的估测株高，实现对作物群体株高的测算。
第三方面，提供了一种计算机设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现第一方面中任一项所述的作物群体的株高测算方法的步骤。
第四方面，提供了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现权利要求第一方面中所述的作物群体的株高测算方法的步骤。
与现有技术相比，本发明的有益效果是：
(1)使用无人机进行图像采集，能够降低作物测算的劳动力和时间成本；通过对采集的多光谱图像和激光雷达图像进行预处理和裁剪，能够保证对复杂大田环境下的高密度作物进行精准分割，从而实现对作物群体的植被指数提取，以及实现对作物群体长势情况的计算，通过提取的植被指数、纹理指数和作物群体长势情况输入至组合株高估测模型中，从而精确获得高密度种植情况下，农作物群体的株高信息，实现对作物群体株高的精准测算。
(2)组合株高估测模型构建基于提取的植被指数和计算的作物群体长势情况，作物群体的长势状况通过冠层体积和小区体积的比值进行描述，从而保证组合株高估测模型的估测精度和估测稳定性。
附图说明
图1是本发明的作物群体的株高测算方法的流程示意图；
图2是本发明的作物群体的株高测算流程图；
图3是本发明的无人机采集图像的效果图；
图4是本发明的冠层体积与小区体积比的计算示意图；
图5是本发明的农作物株高提取的流程图；
图6是本发明的组合株高估测模型的多参数融合比较分析图；
图7是本发明的农作物群体株高不同估测子模型的估测效果图；
图8是本发明的田间采集样本的株高测量方式图；
图9为本发明的作物群体的株高测算系统的结构框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在一实施例中，本发明提供一种作物群体的株高测算方法，如图1和2所示，图2a便是数据采集的两个无人机，图2b是不同田间环境的介绍，图2c是模型构建过程的指数提取过程，图2d是不同株高监测模型的构建与比较过程，所述作物群体株高测算方法包括以下步骤：
S100：利用搭载多光谱传感器的无人机在田间采集多个多光谱图像、DSM图像，利用搭载激光雷达镜头的无人机采集多个激光雷达图像和RGB图像；如图3a和3b所示，给出了采集的多光谱图像的两种实例，图3a和3b的颜色信息已省略，采集的作物以玉米为实例。
S200：如图5所示，图5a为整块实验设计的大田分割成小区的过程示意图，图5b为其中一个小区的放大多光谱图像；图5c为小区中其中一个植株的多光谱图像，图5d为小区内单株作物的激光雷达图像；对多光谱图像进行预处理和裁剪，形成适应不同作物的以小区或者以株为单位的目标光谱图像；对激光雷达图像进行预处理和裁剪，形成以小区为单位的目标三维点云图像。
具体地，对多光谱图像进行预处理和裁剪包括：
D1：对采集的多个多光谱图像进行拼接和辐射校正，以重建图像生成不同波段文件；具体，可以使用DJI公司开发的DJI Terra大疆制图对采集的多光谱图像数据进行拼接，重构图像生成的波段文件为tif文件。
D2：将不同波段文件进行融合构建多光谱融合图像，具体可以使用ENVI软件"Build Layer Stack"工具将多光谱图像5个波段(红、绿、蓝、近红、红边)进行融合构建多光谱融合图像。
D3：将多光谱融合图像图层融合至DSM图像图层中，形成倾斜摄影的栅格数据集，具体地，可以将DSM图像图层按照多光谱融合图像图层的单元大小进行采样，从而使两者合并为倾斜摄影的栅格数据集(OP)。
D4：利用栅格数据集和图像分割技术，将多光谱融合图像进行裁剪。
具体地，将辐射校正后拼接完成的多光谱图像以及倾斜摄影的栅格数据集(OP)两个文件，分别导入到ArcGis10.8软件中，按照以上两个光谱图像文件夹各自新建shapefile，通过新建shapefile编辑要素，设置X、Y坐标系选择GCS_WGS_1984地理坐标信息，利用矩形编辑要素绘制相同大小的目标图像，最后根据不同shapefile形状文件利用Python3.10代码批量剪辑形成以小区或者以株为单位的目标光谱图像，以小区或者以株为单位主要为了适应不同的作物群体。
对激光雷达图像进行预处理和裁剪包括：
E1:对采集的多个激光雷达图像进行拼接生成三维点云图像cloud_merged.las，具体地，可以通过DJI公司开发的DJI Terra大疆制图进行拼接。
E2：对三维点云图像进行点云噪声去除，拼接好的cloud_merged.las文件利用“数据管理工具”导入到PCM v2.0软件中，再通过中“点云处理”、“点云裁剪”等点云基础工具对三维图像进行点云去噪。
E3：利用图像分割技术，将三维点云图像进行裁剪，利用ArcGIS中的“创建特征类工具”创建每个样地的形状文件，并根据形状文件对图像进行批量裁剪，形成以小区为单位的目标三维点云图像，当然也可以根据需要以单株为单位生成目标三维点云图像。
S300：对目标光谱图像进行特征提取，确定作物群体的植被指数；对RGB图像进行特征提取，确定作物群体的纹理指数；对目标三维点云图像进行农作物群体的高程信息提取，并根据高程信息，确定作物群体的长势状况。
具体地，将目标光谱图像使用ENVI软件针对“消除土壤和杂草对结果的影响”进行监督分类；然后通过Python3.10代码计算21个植被指数(VIs)，根据皮尔逊相关系数对21个植被指数进行分析，得出了跟实际测量的株高相关性最高的1个指数，株高相关性最高的1个指数可以将其用于模型构建。
在一些其他的实施例中，对RGB图像进行特征提取，确定作物群体的纹理指数时，需要对RGB图像进行灰度处理；所述灰度Gray通过以下公式计算：
Gray＝0.299×R+0.587×G+0.114×B
其中，R、G和B是RGB图像的三个组成部分，每个组成部分的取值范围均为0-255。
利用灰度共生矩阵(GLCM)，从L1-RGB图像中提取8个纹理指标，采用加权平均法计算灰度图像，在计算完灰度图像之后，同植被指数(VIs)一样根据皮尔逊相关系数对8个纹理指数进行分析，得出与株高相关性最高的1个纹理指数，株高相关性最高的1个纹理指数可以用于模型构建。
如图4所示，所述作物群体的长势状况通过冠层体积和小区体积的比值进行描述，冠层体积与地上部生物量相关，体积比与苗齐和均匀度相关；
所述冠层体积与小区体积的比值为：
其中，Vplant为冠层体积，V为小区体积；
所述小区体积V为：
V＝L×W×(HMAX-H2th)
其中，L为小区的长，W为小区的宽，HMAX为小区的上边界高度值，H2th为小区的下边界高度值；
所述冠层体积Vplant为：
Vplant＝V1+V2+…Vn＝S×S×(H1+H2+…Hn)
其中，将小区的下边界划分为每一个边长为S的n个正方形，每个正方形对应的高度为Hn，Vn为第n个正方形的体积。
具体地，点云图像每个点都包含了高度信息，根据高度从小到大排列，然后将其在高度方向上分成100份，取整体的百分之二作为小区的下边界H2th，最大值百分之百作为小区的上边界HMAX，小区的下边界选取能够去除由于地形原因对株高测量的影响，当然也可以根据植物的具体地形情况，对下边界的百分比进行合理的调整。
S400：将植被指数、纹理指数和作物群体的长势状况，输入至多源数据融合的组合株高估测模型中，以输出作物群体的估测株高，实现对作物群体株高的测算。
具体地，所述组合株高估测模型包括激光雷达预测子模型(LIDAR_elev)、倾斜摄影预测子模型(OP_elev)、植被指数预测子模型(VIs)和纹理指数预测子模型(TIs)，所述子模型均通过多元线性回归、偏最小二乘回归、支持向量机回归、随机森林、高斯过程回归和人工神经网络的统计和机器学习回归算法中的一种进行构建。
具体地，可以通过MATLAB 2022a采用了多元线性回归(MLR)、偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林(RF)、高斯过程回归(GPR)和人工神经网络(ANN)六种统计和机器学习回归算法进行构建，并选择出子模型构建的最优的回归技术。
具体地，在构建组合株高估测模型时，也需要对采集的多光谱图像、RGB图像、DSM图像以及激光雷达图像进行预处理和裁剪，形成适应不同作物的以小区或者以株为单位的目标光谱图像和以小区或者以株为单位的目标三维点云图像，并对目标光谱图像和目标三维点云图像进行特征提取，获得作物群体的植被指数、纹理指数和作物群体的长势状况。
在一些其他的实施例中，所述组合株高估测模型在构建时，通过决定系数、均方根误差和平均绝对误差来进行估测模型精度评价，决定系数越高、均方根误差和平均绝对误差越低，表明估测模型的精度越高。
计算决定系数、均方根误差和平均绝对误差时，需要在田间作物群体中随机选取样本，并测量田间作物的植株高度，测量方式参考图8所示；
决定系数R2为：
均方根误差RMSE为：
平均绝对误差MAE为：
其中，N是样本数，yi是田间实际测量的样本植株高度，是估测模型输出的植株估测高度，/>是田间实际测量的样本平均株高。
如图7所示，在对子模型进行评价时，将实际测量的样本植株高度与估测模型输出的植株估测高度进行对比，图7A为激光雷达预测子模型预测的植株高度最大值的估测效果图；图7B为激光雷达预测子模型预测的植株高度最小值的估测效果图；图7C为激光雷达预测子模型预测的植株高度平均值的估测效果图；图7D为倾斜摄影预测子模型预测的植株高度最大值的估测效果图；图7E为倾斜摄影预测子模型估测的植株高度最小值的估测效果图；图7F为倾斜摄影预测子模型估测的植株高度平均值的估测效果图；图7G为植被指数预测子模型估测的植株高度最大值的估测效果图；图7H为植被指数预测子模型估测的植株高度最小值的估测效果图；图7I为植被指数预测子模型估测的植株高度平均值的估测效果图；图7J为纹理指数预测子模型估测的植株高度最大值的估测效果示意图；图7K为纹理指数预测子模型估测的植株高度最小值的估测效果示意图；图7L为纹理指数预测子模型估测的植株高度平均值的估测效果示意图；结果显示，LIDAR_elev估测精度最高，R2均达到了0.90以上，RMSE在18cm以内；VIs和TIs估测株高的R2范围在0.75-0.85之间，RMSE范围在22cm-29cm之间。根据估测作物株高精度排序：LIDAR_elev＞OP_elev＞VIs＞TIs，Lidar是测量株高的首选数据，为了针对Lidar数据能够较好的反映株高信息，避免Lidar数据受到作物生长状态和群体特性的影响，将植被指数特征、纹理指数特征均引入构建估测模型中，形成包含多个子模型的组合估测模型。
给出了一种示例，为了评价本方法在实际生产中的应用效果，我们采用了江苏省镇江现代高效农业推广示范基地和河南省新乡市农业部植物新品种试验中心田间的两个年度玉米试验数据作为示例进行检验；结果显示如下：四种估测子模型都能较准确估测玉米株高，他们的精度依次为：LIDAR>OP>VIs＞TIs(如附图7所示)，LIDAR对飞行环境的要求较低，是高通量株高测量的首选，其次是倾斜摄影，而VIs和TIs方法的可移植性差；LIDAR_elev和OP_elev的测高精度受冠层长势的影响，可通过引入植被特征降低这种影响，高程数据融合VIs和TIs可以提高株高预测精度，六种回归技术中，GPR回归技术对LIDAR_elev+OP_elev+VIs+TIs组合估测模型进行株高估测的R2最高，达到了0.98，如图6所示，给出了组合株高估测模型多参数融合的比较分析图，图6a为影响OP子模型和LIDAR子模型的预测株高精度的因素分析图，图6b为多参数融合在单生育期和全生育期预测结果图，图6c为回归技术预测株高的精度与稳定性的柱形图。
本申请所述的测算方法可以为玉米、小麦以及其他高密度种植的作物株高测量提供参考。
在一些其他的实施例中，如图9所示，提供一种作物群体的株高测算系统，包括：
图像采集模块10，包括多光谱无人机采集单元和激光雷达无人机采集单元；所述多光谱无人机采集单元用于采集多个多光谱图像、DSM图像，所述激光雷达无人机采集单元用于采集多个激光雷达图像和RGB图像；
图像预处理和裁剪模块20，包括多光谱图像处理单元和激光雷达图像处理单元，所述多光谱图像处理单元用于对所述多光谱无人机采集单元采集的多光谱图像进行预处理和裁剪，形成适应不同作物的以小区或者以株为单位的目标光谱图像；所述激光雷达图像处理单元用于对所述激光雷达无人机采集单元采集的激光雷达图像进行预处理和裁剪，形成以小区为单位的目标三维点云图像；
特征提取模块30，包括对多光谱图像处理单元形成的目标光谱图像进行特征提取，确定作物群体的植被指数；对激光雷达无人机采集单元采集的RGB图像进行特征提取，确定作物群体的纹理指数；对激光雷达图像处理单元形成的目标三维点云图像进行农作物群体的高程信息提取，并根据高程信息，确定作物群体的长势状况；
株高测算模块40，用于将特征提取模块确定的植被指数、纹理指数和作物群体的长势状况，输入至多源数据融合的组合株高估测模型中，以输出作物群体的估测株高，实现对作物群体株高的测算。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
在另一实施例中，本发明提供一种计算机设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现上述作物群体的株高测算方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
在另一实施例中，本发明提供一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现上述作物群体的株高测算方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统、设备和存储介质而言，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。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种作物群体的株高测算方法，其特征在于，包括：
利用搭载多光谱传感器的无人机在田间采集多个多光谱图像、DSM图像，利用搭载激光雷达镜头的无人机采集多个激光雷达图像和RGB图像；
对多光谱图像进行预处理和裁剪，形成适应不同作物的以小区或者以株为单位的目标光谱图像；对激光雷达图像进行预处理和裁剪，形成以小区为单位的目标三维点云图像；
对目标光谱图像进行特征提取，确定作物群体的植被指数；对RGB图像进行特征提取，确定作物群体的纹理指数；对目标三维点云图像进行农作物群体的高程信息提取，并根据高程信息，确定作物群体的长势状况；
将植被指数、纹理指数和作物群体的长势状况，输入至多源数据融合的组合株高估测模型中，以输出作物群体的估测株高，实现对作物群体株高的测算；对多光谱图像进行预处理和裁剪包括：
对采集的多个多光谱图像进行拼接和辐射校正，以重建图像生成不同波段文件；
将不同波段文件进行融合构建多光谱融合图像；
将多光谱融合图像图层融合至DSM图像图层中，形成倾斜摄影的栅格数据集；
利用栅格数据集和图像分割技术，将多光谱融合图像进行裁剪；
所述作物群体的长势状况通过冠层体积和小区体积的比值进行描述；
所述冠层体积与小区体积的比值为：
其中，Vplant为冠层体积，V为小区体积；
所述小区体积V为：
V＝L×W×(HMAX-H2th)
其中，L为小区的长，W为小区的宽，HMAX为小区的上边界高度值，H2th为小区的下边界高度值；
所述冠层体积Vplant为：
Vplant＝V1+V2+…Vn＝S×S×(H1+H2+…Hn)
其中，将小区的下边界划分为每一个边长为S的n个正方形，每个正方形对应的高度为Hn，Vn为第n个正方形的体积。
2.根据权利要求1所述的一种作物群体的株高测算方法，其特征在于，对激光雷达图像进行预处理和裁剪包括：
对采集的多个激光雷达图像进行拼接生成三维点云图像；
对三维点云图像进行点云噪声去除；
利用图像分割技术，将三维点云图像进行裁剪。
3.根据权利要求1所述的一种作物群体的株高测算方法，其特征在于，对RGB图像进行特征提取，确定作物群体的纹理指数时，需要对RGB图像进行灰度处理；所述灰度Gray通过以下公式计算：
Gray＝0.299×R+0.587×G+0.114×B
其中，R、G和B是RGB图像的三个组成部分，每个组成部分的取值范围均为0-255。
4.根据权利要求1所述的一种作物群体的株高测算方法，其特征在于，所述组合株高估测模型的构建基于提取的纹理指数、植被指数和作物群体的长势状况；所述组合株高估测模型在构建时，通过决定系数、均方根误差和平均绝对误差来进行估测模型精度评价，决定系数越高、均方根误差和平均绝对误差越低，表明估测模型的精度越高；
计算决定系数、均方根误差和平均绝对误差时，需要在田间作物群体中随机选取样本，并测量田间作物的植株高度；
决定系数R2为：
均方根误差RMSE为：
平均绝对误差MAE为：
其中，N是样本数，yi是田间实际测量的样本植株高度，是估测模型输出的植株估测高度，/>是田间实际测量的样本平均株高。
5.根据权利要求1所述的一种作物群体的株高测算方法，其特征在于，所述组合株高估测模型包括激光雷达预测子模型、倾斜摄影预测子模型、植被指数预测子模型和纹理指数预测子模型，所述子模型均通过多元线性回归、偏最小二乘回归、支持向量机回归、随机森林、高斯过程回归和人工神经网络的统计和机器学习回归算法中的一种进行构建。
6.一种作物群体的株高测算系统，其特征在于，包括：
图像采集模块，包括多光谱无人机采集单元和激光雷达无人机采集单元；所述多光谱无人机采集单元用于采集多个多光谱图像、DSM图像，所述激光雷达无人机采集单元用于采集多个激光雷达图像和RGB图像；
图像预处理和裁剪模块，包括多光谱图像处理单元和激光雷达图像处理单元，所述多光谱图像处理单元用于对所述多光谱无人机采集单元采集的多光谱图像进行预处理和裁剪，形成适应不同作物的以小区或者以株为单位的目标光谱图像；所述激光雷达图像处理单元用于对所述激光雷达无人机采集单元采集的激光雷达图像进行预处理和裁剪，形成以小区为单位的目标三维点云图像；
特征提取模块，包括对多光谱图像处理单元形成的目标光谱图像进行特征提取，确定作物群体的植被指数；对激光雷达无人机采集单元采集的RGB图像进行特征提取，确定作物群体的纹理指数；对激光雷达图像处理单元形成的目标三维点云图像进行农作物群体的高程信息提取，并根据高程信息，确定作物群体的长势状况；
株高测算模块，用于将特征提取模块确定的植被指数、纹理指数和作物群体的长势状况，输入至多源数据融合的组合株高估测模型中，以输出作物群体的估测株高，实现对作物群体株高的测算；
对多光谱图像进行预处理和裁剪包括：
对采集的多个多光谱图像进行拼接和辐射校正，以重建图像生成不同波段文件；
将不同波段文件进行融合构建多光谱融合图像；
将多光谱融合图像图层融合至DSM图像图层中，形成倾斜摄影的栅格数据集；
利用栅格数据集和图像分割技术，将多光谱融合图像进行裁剪；
所述作物群体的长势状况通过冠层体积和小区体积的比值进行描述；
所述冠层体积与小区体积的比值为：
其中，Vplant为冠层体积，V为小区体积；
所述小区体积V为：
V＝L×W×(HMAX-H2th)
其中，L为小区的长，W为小区的宽，HMAX为小区的上边界高度值，H2th为小区的下边界高度值；
所述冠层体积Vplant为：
Vplant＝V1+V2+…Vn＝S×S×(H1+H2+…Hn)
其中，将小区的下边界划分为每一个边长为S的n个正方形，每个正方形对应的高度为Hn，Vn为第n个正方形的体积。
7.一种计算机设备，其特征在于，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现权利要求1-5任一项所述的作物群体的株高测算方法的步骤。
8.一种计算机可读存储介质，其特征在于，用于存储计算机程序；计算机程序被处理器执行时实现权利要求1-5任一项所述的作物群体的株高测算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324535.XA CN117274359B (zh) | 2023-10-13 | 2023-10-13 | 一种作物群体的株高测算方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324535.XA CN117274359B (zh) | 2023-10-13 | 2023-10-13 | 一种作物群体的株高测算方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274359A CN117274359A (zh) | 2023-12-22 |
| CN117274359B true CN117274359B (zh) | 2024-04-19 |
Family
ID=89219585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311324535.XA Active CN117274359B (zh) | 2023-10-13 | 2023-10-13 | 一种作物群体的株高测算方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274359B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106941843A (zh) * | 2016-08-26 | 2017-07-14 | 江苏省农业科学院 | 一种基于土壤地力和冠层光谱的水稻高产诊断施氮肥方法 |
| CN108376419A (zh) * | 2017-12-11 | 2018-08-07 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
| CN112818880A (zh) * | 2021-02-05 | 2021-05-18 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
| CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
| CN116229289A (zh) * | 2022-12-13 | 2023-06-06 | 河南省农业科学院农业经济与信息研究所 | 一种基于无人机的冬小麦生物量快速高精准估测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US11758844B2 (en) * | 2020-03-19 | 2023-09-19 | Deere & Company | Forward-looking perception and machine control during crop harvesting operations |
-
2023
- 2023-10-13 CN CN202311324535.XA patent/CN117274359B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106941843A (zh) * | 2016-08-26 | 2017-07-14 | 江苏省农业科学院 | 一种基于土壤地力和冠层光谱的水稻高产诊断施氮肥方法 |
| CN108376419A (zh) * | 2017-12-11 | 2018-08-07 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
| CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
| CN112818880A (zh) * | 2021-02-05 | 2021-05-18 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
| CN114549881A (zh) * | 2022-01-24 | 2022-05-27 | 扬州大学 | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 |
| CN116229289A (zh) * | 2022-12-13 | 2023-06-06 | 河南省农业科学院农业经济与信息研究所 | 一种基于无人机的冬小麦生物量快速高精准估测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Optimization of multi-source UAV RS agro-monitoring schemes designed for field-scale crop phenotyping;Wanxue Zhu et al.;《 Precision Agriculture》;20210503;第第22卷卷;第1768–1802页 * |
| 利用数字图像颜色特征指数识别小麦赤霉病;宋英 等;《江苏农业科学》;20220131;第第50卷卷(第第2期期);第186-191页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274359A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
| Fan et al. | The future of Internet of Things in agriculture: Plant high-throughput phenotypic platform | |
| Jiang et al. | Quantitative analysis of cotton canopy size in field conditions using a consumer-grade RGB-D camera | |
| CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
| CN110849264A (zh) | 一种基于多行轨道的田间作物表型监测系统及方法 | |
| CN112597870B (zh) | 一种土地覆盖分类模型的构建方法 | |
| CN111241939A (zh) | 一种基于无人机数码影像的水稻产量估测方法 | |
| Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
| CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
| CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
| CN114692991A (zh) | 一种基于深度学习的枸杞产量预测方法及系统 | |
| CN109034462B (zh) | 玉米群体种植结构优化方法及装置 | |
| Liu et al. | Maize height estimation using combined unmanned aerial vehicle oblique photography and LIDAR canopy dynamic characteristics | |
| CN117274359B (zh) | 一种作物群体的株高测算方法和系统 | |
| CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
| CN115620171B (zh) | 树林蓄积量评估方法、装置、设备及存储介质 | |
| CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 | |
| CN113487636A (zh) | 基于激光雷达的宽垄作物株高及行间距自动提取方法 | |
| CN114154694A (zh) | 基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法 | |
| CN113205543A (zh) | 一种基于机器学习的激光雷达点云树干提取方法 | |
| CN117739871B (zh) | 叶面积指数测量方法、装置、系统、电子设备及存储介质 | |
| CN118097435B (zh) | 基于超图神经网络的玉米倒伏分类方法及装置 | |
| CN118864724A (zh) | 作物群体三维重建方法、装置、设备及介质 |
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 |