CN117710812A - 一种黑麦草产量预测方法与装置 - Google Patents
一种黑麦草产量预测方法与装置 Download PDFInfo
- Publication number
- CN117710812A CN117710812A CN202311679898.5A CN202311679898A CN117710812A CN 117710812 A CN117710812 A CN 117710812A CN 202311679898 A CN202311679898 A CN 202311679898A CN 117710812 A CN117710812 A CN 117710812A
- Authority
- CN
- China
- Prior art keywords
- ryegrass
- yield
- vegetation index
- yield prediction
- rgb image
- 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
Links
- 241000209082 Lolium Species 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 240000004296 Lolium perenne Species 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 235000019629 palatability Nutrition 0.000 description 1
- 244000043623 perennial rye grass Species 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种黑麦草产量预测方法与装置。该方法包括：获取黑麦草RGB图像；对所述黑麦草RGB图像进行预处理，得到预处理后的RGB图像；对所述预处理后的RGB图像进行数据分析，以提取植被指数；根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型；将待估产的黑麦草RGB图像输入所述黑麦草产量预测模型，预测得到待估产的黑麦草产量数据。本发明提供的黑麦草产量预测方法与装置，通过从预处理后的RGB图像中提取植被指数，并以植被指数和对应的黑麦草产量来构建黑麦草产量预测模型，最终通过构建的模型来预测黑麦草产量，该方法实现了对黑麦草产量的精准预测。
Description
技术领域
本发明涉及农业技术领域，尤其涉及一种黑麦草产量预测方法与装置。
背景技术
黑麦草是禾本科黑麦草属牧草，为须根系异花授粉植物，源于西南亚，现广泛种植于亚洲、北美洲等地。按生长周期可将其分为一年生黑麦草和多年生黑麦草，植株株高一般可达30～90cm。黑麦草叶质柔软平滑，适口性极佳，可做饲料。黑麦草喜欢温凉湿润的气候，生长环境广泛，在年降水量为500～1500mm的地方均能种植成活。黑麦草在所有小粒谷物中最具抗寒能力，在高海拔地区也能生长良好，冬季可耐-10℃的低温，适宜各种地域引种栽培。耐湿不耐旱，最适温度为20～27℃，在强光短日照下分蘖速度较快。因其具有分蘖多、生长快、繁殖力强、牧草品质高等特点，被各种家畜所喜食。黑麦草还能加工成各种黑麦草衍生产品以满足不同农户的种养需求，因此，其既符合可持续发展农业的需要，也将在草地畜牧业发展过程中发挥着更加重要的作用。
然而，随着黑麦草种植面积的不断扩大，对黑麦草测产时依然采用人工测产的方法，该方法费时费力，且不适合面积较大，地表结构复杂的牧草估产，并且无法实现对黑麦草产量的精准预测。
发明内容
本发明提供一种黑麦草产量预测方法与装置，用以解决现有技术中无法对黑麦草产量进行精准预测的缺陷。
本发明提供一种黑麦草产量预测方法，包括：
获取黑麦草RGB图像；
对所述黑麦草RGB图像进行预处理，得到预处理后的RGB图像；
对所述预处理后的RGB图像进行数据分析，以提取植被指数；
根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型；
将待估产的黑麦草RGB图像输入所述黑麦草产量预测模型，预测得到待估产的黑麦草产量数据。
根据本发明提供的一种黑麦草产量预测方法，对所述黑麦草RGB图像进行预处理包括：对所述黑麦草RGB图像进行拼接处理，以获得正射图像；
将所述正射图像进行去噪、平滑、锐化、裁剪，最终得到获得所述预处理后的RGB图像。
根据本发明提供的一种黑麦草产量预测方法，所述植被指数包括：
可见光大气阻抗指数、超红植被指数、超绿植被指数、绿红差值指数、归一化差分指数、改良绿红植被指数、红绿蓝植被指数。
根据本发明提供的一种黑麦草产量预测方法，所述根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型包括：
分别将所述可见光大气阻抗指数、超红植被指数、超绿植被指数、绿红差值指数、归一化差分指数、改良绿红植被指数、红绿蓝植被指数与实际产量数据进行相关性分析，选择相关性最高对应的植被指数来构建黑麦草产量预测模型。
根据本发明提供的一种黑麦草产量预测方法，所述黑麦草产量预测模型通过决定系数和均方根误差来检验模型精度，以模型精度大于预设值对应的决定系数和均方根误差来构建模型。
根据本发明提供的一种黑麦草产量预测方法，所述获取黑麦草RGB图像包括：获取在黑麦草拔节期和开花期的RGB图像。
本发明还提供一种黑麦草产量预测装置，包括：
获取单元，用于获取黑麦草RGB图像；
预处理单元，用于对所述黑麦草RGB图像进行预处理，得到预处理后的RGB图像；
提取单元，用于对所述预处理后的RGB图像进行数据分析，以提取植被指数；
构建单元，用于根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型；
预测单元，用于将待估产的黑麦草RGB图像输入所述黑麦草产量预测模型，预测得到待估产的黑麦草产量数据。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述黑麦草产量预测方法。
本发明提供的黑麦草产量预测方法与装置，通过从预处理后的RGB图像中提取植被指数，并以植被指数和对应的黑麦草产量来构建黑麦草产量预测模型，最终通过构建的模型来预测黑麦草产量，该方法实现了对黑麦草产量的精准预测。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种黑麦草产量预测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
无人机(UnmannedAerial Vehicle，UAV)，是指利用遥感设备及程序控制装置运行的不载人飞机。按照应用领域可以划分为军用无人机及民用无人机，其中，民用无人机在航拍、农业保护、灾难救援、监测及救灾等方面具有重要的作用。其中轻小型无人机以其操作简便、成本低、运输方便及能够持续动态化监测等优势得到了广泛应用。随着图像获取技术的不断发展，目前可见光传感器具有成像分辨率高、数据处理简单、成本低等优势，由于可见光传感器获取的图像数据对于人眼来说是可见的，易于直观解释，因此通过观察和分析图像，可以直观看到作物的生长状态、颜色和覆盖度等特征，从而对作物产量进行初步的估计和预测。将轻小型无人机与可见光传感器相结合可以捕捉到作物生长过程中的细微变化，本发明基于无人机RGB图像构建黑麦草产量预测模型来对其产量进行预测，有助于黑麦草生产的现代化和可持续发展。从而提供了一种精细化管理手段，减少了资源浪费，增加了农业的可持续性，具有重要应用价值。
图1为本发明提供的一种黑麦草产量预测方法流程图，如图1所示，该方法包括：
步骤101：获取黑麦草RGB图像。
具体地，在黑麦草拔节期和开花期利用无人机获取RGB影像，影像获取设备为大疆公司生产的御2Pro无人机，搭载哈苏可见光传感器，最大像素2000万使用大疆Pilot软件规划航线，并设置飞行参数，航线重叠率70％，旁向重叠率80％，飞行高度12m。
步骤102：对所述黑麦草RGB图像进行预处理，得到预处理后的RGB图像。
具体地，采用PhotoScans软件对无人机RGB影像进行拼接处理，并获得正射影像，使用Matlab2023a对图像进行预处理，预处理包括去噪，平滑，锐化，裁剪，获得每个黑麦草小区正射影像。
步骤103：对所述预处理后的RGB图像进行数据分析，以提取植被指数。
具体地，对处理后的黑麦草RGB影像进行7个植被指数的数据分析，包括，可见光大气阻抗指数(VARI)、超红植被指数(ExR)、超绿植被指数(ExG)、绿红差值指数(ExGR)、归一化差分指数(NDI)、改良绿红植被指数(MGRVI)、红绿蓝植被指数(RGBVI)。对提取出的7个植被指数数据与实际产量数据进行相关性分析，选择相关性最高的植被指数构建预测模型。
步骤104：根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型。
具体地，在黑麦草成熟期对小区产量进行测定，得到黑麦草产量。以相关性最高的植被指数对应的黑麦草产量来构建预测模型。
步骤105：将待估产的黑麦草RGB图像输入所述黑麦草产量预测模型，预测得到待估产的黑麦草产量数据。
具体地，使用SPSS软件通过随机森林算法构建产量预测模型，通过决定系数(R2)和均方根误差(RMSE)来检验模型精度。
本发明针对传统黑麦草测产办法费时费力，成本高，且无法对产量进行有效预测的缺点，利用无人机RGB影像构建预测模型对产量进行预测方法，可以对黑麦草产量进行精准有效预测，并根据预测结果制定针对性的管理方案，降低成本减少资源浪费的同时进一步实现精细化管理，为黑麦草种植的可持续性和生产力提升提供了有力支持。
下面对本发明提供的黑麦草产量预测装置进行描述，下文描述的黑麦草产量预测装置与上文描述的黑麦草产量预测方法可相互对应参照。
一种黑麦草产量预测装置，包括：
获取单元，用于获取黑麦草RGB图像；
预处理单元，用于对所述黑麦草RGB图像进行预处理，得到预处理后的RGB图像；
提取单元，用于对所述预处理后的RGB图像进行数据分析，以提取植被指数；
构建单元，用于根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型；
预测单元，用于将待估产的黑麦草RGB图像输入所述黑麦草产量预测模型，预测得到待估产的黑麦草产量数据。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。
Claims (8)
1.一种黑麦草产量预测方法，其特征在于，包括：
获取黑麦草RGB图像；
对所述黑麦草RGB图像进行预处理，得到预处理后的RGB图像；
对所述预处理后的RGB图像进行数据分析，以提取植被指数；
根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型；
将待估产的黑麦草RGB图像输入所述黑麦草产量预测模型，预测得到待估产的黑麦草产量数据。
2.根据权利要求1所述的黑麦草产量预测方法，其特征在于，对所述黑麦草RGB图像进行预处理包括：对所述黑麦草RGB图像进行拼接处理，以获得正射图像；
将所述正射图像进行去噪、平滑、锐化、裁剪，最终得到获得所述预处理后的RGB图像。
3.根据权利要求1所述的黑麦草产量预测方法，其特征在于，所述植被指数包括：
可见光大气阻抗指数、超红植被指数、超绿植被指数、绿红差值指数、归一化差分指数、改良绿红植被指数、红绿蓝植被指数。
4.根据权利要求1所述的黑麦草产量预测方法，其特征在于，所述根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型包括：
分别将所述可见光大气阻抗指数、超红植被指数、超绿植被指数、绿红差值指数、归一化差分指数、改良绿红植被指数、红绿蓝植被指数与实际产量数据进行相关性分析，选择相关性最高对应的植被指数来构建黑麦草产量预测模型。
5.根据权利要求4所述的黑麦草产量预测方法，其特征在于，所述黑麦草产量预测模型通过决定系数和均方根误差来检验模型精度，以模型精度大于预设值对应的决定系数和均方根误差来构建模型。
6.根据权利要求1所述的黑麦草产量预测方法，其特征在于，所述获取黑麦草RGB图像包括：
获取在黑麦草拔节期和开花期的RGB图像。
7.一种黑麦草产量预测装置，其特征在于，包括：
获取单元，用于获取黑麦草RGB图像；
预处理单元，用于对所述黑麦草RGB图像进行预处理，得到预处理后的RGB图像；
提取单元，用于对所述预处理后的RGB图像进行数据分析，以提取植被指数；
构建单元，用于根据所述植被指数和对应的黑麦草产量构建黑麦草产量预测模型；
预测单元，用于将待估产的黑麦草RGB图像输入所述黑麦草产量预测模型，预测得到待估产的黑麦草产量数据。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述黑麦草产量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311679898.5A CN117710812A (zh) | 2023-12-08 | 2023-12-08 | 一种黑麦草产量预测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311679898.5A CN117710812A (zh) | 2023-12-08 | 2023-12-08 | 一种黑麦草产量预测方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117710812A true CN117710812A (zh) | 2024-03-15 |
Family
ID=90154575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311679898.5A Pending CN117710812A (zh) | 2023-12-08 | 2023-12-08 | 一种黑麦草产量预测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710812A (zh) |
-
2023
- 2023-12-08 CN CN202311679898.5A patent/CN117710812A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shafian et al. | Unmanned aerial systems-based remote sensing for monitoring sorghum growth and development | |
| Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
| Feng et al. | Cotton yield estimation from UAV-based plant height | |
| WO2024061159A1 (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
| CN112304902B (zh) | 一种农作物物候的实时监测方法和装置 | |
| CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
| CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
| CN116385885B (zh) | 一种病虫害识别方法及系统 | |
| Lyu et al. | UAV time-series imagery with novel machine learning to estimate heading dates of rice accessions for breeding | |
| Roslin et al. | Smartphone Application Development for Rice Field Management Through Aerial Imagery and Normalised Difference Vegetation Index (NDVI) Analysis. | |
| Deng et al. | Inversion of chlorophyll and leaf area index for winter wheat based on UAV image segmentation | |
| Evstatiev et al. | Fast Pasture Classification Method using Ground-based Camera and the Modified Green Red Vegetation Index (MGRVI) | |
| Kutugata et al. | Seed rain potential in late-season weed escapes can be estimated using remote sensing | |
| CN108537164A (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
| CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| AU2021101996A4 (en) | Nutrient deficiency stress detection and prediction in corn fields from aerial images using machine learning | |
| NO20220416A1 (en) | Methods and systems for estimating crop yield from vegetation index data | |
| Souza et al. | Using passive and active multispectral sensors on the correlation with the phenological indices of cotton | |
| CN117710812A (zh) | 一种黑麦草产量预测方法与装置 | |
| CN117292267A (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
| WO2023144293A1 (en) | Plant disease detection at onset stage | |
| CN115424151A (zh) | 一种基于图像处理的农业智能平台 | |
| Wang et al. | Estimation of Crop Height and Digital Biomass from UAV-Based Multispectral Imagery | |
| CN116297243B (zh) | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 | |
| CN113361377A (zh) | 一种植物生长管控模型构建方法、电子设备、存储介质 |
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 |