应用可见光遥感影像的林区植被分割方法

为快速准确提取可见光遥感图像中的林区植被,降低林区复杂地物与不均匀的光照对提取效果的影响。采用无人机获取的林区可见光遥感图像,利用ArcGIS软件根据植被与裸地、道路以及光照均匀程度的不同占比进行裁剪,获得5个试验样区,分别利用多尺度分割、光谱差异分割和多尺度结合光谱差异分割方法对样区影像进行分割,应用最近邻分类方法分类并分析3种分割方法对分类精度的影响。研究结果表明：基于多尺度分割的分类精度整体优于光谱差异分割和多尺度结合光谱差异分割,植被分类总体精度分别为90.0%、93.0%、92.0%、89.0%、94.0%,Kappa系数分别为0.801、0.855、0.839、0.781、0.880。使用多尺度分割在林区植被提取时受环境影响小,可以有效提取林区植被信息。     

基于局部阈值的植物叶片图像分割算法研究

提供了采用数字图像处理方法快速分割含边框植物叶片的方法,分别采用局部阈值分割和最佳阈值分割获取二值图像,得到局部阈值分割效果较好的结论,最终得到了比较清晰的边框图像和叶片二值图像,为后续图像处理打下良好基础。     

基于无人机的水肥一体化玉米出苗率估算方法与试验

出苗率是西北地区春播玉米夺得高产的前提保障。针对宁夏大面积玉米种植过程中人工统计出苗状况工程量大、耗时费力、误查漏数等现象。本文设计不同氮素处理试验,运用无人机搭载数码相机获取玉米苗期高清图像,运用MATLAB软件中ORB算法与距离加权融合算法合成无人机图像,通过二值化、腐蚀膨胀等深度优化处理技术得出玉米苗期图像轮廓,然后运用MATLAB软件八位连通域和ARCMAP 10.3计算方法自动规划路线并计算出玉米的出苗数量。结合田间人工调查数据,采用线性回归分析方法,建立了人工计数和无人机获取玉米出苗株数之间的线性关系模型。结果表明,线性回归关系模型的决定系数、均方根误差和标准均方根误差分别为0.895、4.359和2.436%。因此,基于低空无人机平台快速获取大田玉米出苗株数,是一种省时省力、高效精准的出苗率获取方法。可为后续玉米高产的准确评估提供技术支持,对于优化宁夏玉米滴灌水肥一体化精准种植技术具有积极意义。     

采用模糊形态学的大田害虫图像分割

介绍了基于机器视觉的大田害虫智能检测系统.文章通过对获取的大田害虫原始图像采用模糊形态学进行分割,将害虫从背景中分割出来,以提取出的周长、不变矩等特征,运用神经网络分类器对常见的9类害虫进行分类.试验验证了该系统的可行性,表明该方法分割速度快,容错性好,能够正确分割有噪声的大田害虫图像.     

基于多颜色空间的麦田监控图像分割技术研究

快速有效地对农作物图像(特别是大田监控图像)进行绿色植被分割,在图像处理技术在农业中的应用中具有重要意义。小麦是我国一个重要的粮食作物,小麦田中植物呈现绿色,与土壤背景颜色有明显的差异,合适的选取颜色空间可进行有效分割,进而计算特定时段麦田的植被覆盖度,长势等信息。本研究首先通过对常见颜色模型各单通道图像进行初步对比分析,选取HSV的H分量、YCb Cr的Cr分量、L*a*b*的a*分量、RGB颜色空间的G与R减运算量,通过2013年11月至2014年3月的大量小麦监控图像,人工选取34幅图像进行植被分割,并从结果数据中统计分析每种彩色分量的分割准确度和标准差。最终得出了在对麦田监控图像进行植被分割中,L*a*b*颜色模型的a*通道具有最准确和最稳定的结果:34幅不同时点的麦田监控图像,图像分割平均准确度近90%,分割准确度标准差在0.08以下。     

基于马氏距离的小麦彩色图像无监督分割研究

为了实现小麦彩色图像的自动分割,通过采集大田环境下6个品种的小麦图像样本,基于RGB颜色空间,采用马氏距离对图像的像素进行分类,并构建一个无监督分割模型.结果表明,该模型可以快速的分离出小麦图像与背景图像,与有监督的分割方法的分割效果相当,差异性在19%以下,可以应用于大田环境下小麦群体图像的自动分割.     

基于无人机平台和图像分析的田间作物检测

为高效、精准、及时地获取农作物的空间分布及其面积,建立了基于无人机平台和图像分析的大田作物检测方法:采用小型四旋翼无人机搭载高性能数码相机获取作物图像后,通过图元分割和目视解译获得目标样本,提取其21维颜色特征和3维纹理特征,采用BP神经网络分类器和像素累加法进行作物种类识别和面积测量。试验结果表明,系统对小麦、油菜、蚕豆和大蒜的平均识别率达86%,面积测量的平均相对误差约为9.62%。     

基于像元二分法的冬小麦植被覆盖度提取模型

【目的】快速准确提取冬小麦返青期植被覆盖度信息。【方法】利用无人机获取田间冬小麦可见光图像,提取图像中4种常见可见光植被指数;在像元二分法原理的基础上,分别构建基于差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)、归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI)和归一化绿红差异指数(Normalized green-red difference index,NGRDI)的植被覆盖度提取模型,采用支持向量机(Support vector machine,SVM)监督分类结果作为真值对各模型进行精度验证。【结果】4种模型中,利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高,提取效果较好。与监督分类结果对比,4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%,R2分别为0.946 1、0.934 4、0.695 3和0.746 0,均方根误差(RMSE)分别为0.021 9、0.059 5、0.042 0和0.055 9。【结论】采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取,为植被覆盖度提取提供了一种新途径,可为无人机遥感监测提供参考。     

基于RGB植被指数的大田油菜图像分割定量评价

以自然光下大田油菜幼苗图像为研究对象,运用超红指数ExR、超绿指数ExG、超绿超红差分指数ExGR、归一化植被指数NDI、植被提取颜色指数CIVE、植被指数组合COM等6种常用植被指数和阈值算法分割具有阴影区域的大田油菜图像,同时试验中引入定量评价标准客观评价常用RGB空间植被指数的分割效果。结果表明:定性分析中COM指数优于其他5种植被指数,能够减少阴影带来的分割影响,并在局部叶片分割试验中保留完整叶片轮廓;定量分析中COM指数提供最佳分割精度、灵敏度和特指度分别为94.1%、97.2%、90.9%,其相应标准差为1.1、1.3和0.06。     

无人机测绘在皖南烟区种烟面积及烟株数量提取中的应用研究

为准确测量皖南烟区集中连片烟叶种植面积,核算试验烟田实栽株数、缺苗率。利用测绘无人机搭载不同挂载设备,获得试验区域正射影像、激光雷达点云数据。结果表明,无人机测绘正射影像,通过后处理并测量得到的田块面积精准率99%,团棵期烟株数量准确率99%,清田期烟株数量准确率77.83%。利用无人机测绘在合适窗口期核定烟草种植面积及推算实栽烟株数可行性强,可复制推广。     

基于无人机三维点云的玉米植株自动计数研究

植株计数是农民、育种专家等在整个作物生长季评估作物生长状况和管理实践的最常用方法之一,可用来进行合理的田间规划以及管理。针对高密度种植试验区高通量获取玉米自动株数方法匮乏的问题,本研究利用无人机遥感平台,获取田间314个不同基因型的玉米高密度育种小区的数码影像和激光雷达(light detection and ranging,LiDAR)点云数据,发展了一种结合玉米三维空间信息的固定窗口局部最大值算法,实现了高密度玉米育种小区成株数的自动检测,并对比了基于此两种不同数据源的检测精度。该方法以冠层高度模型(canopy height model,CHM)中包含的株高信息为基础,以玉米种植株距为固定窗口进行单株玉米种子点检测,并将检测到的种子点与目视解译的玉米位置进行空间匹配来进行精度的评估。结果表明,基于无人机数码影像构建3种空间分辨率CHM的综合检测精度分别为81.30%、83.11%和78.93%;基于无人机LiDAR的综合精度分别为82.33%、88.66%和81.46%;基于两种数据源构建的CHM,均在空间分辨率为0.05 m时,获得最佳的检测精度。此外,当空间分辨率相同时,LiDAR数据检测精度略优于无人机数码影像,无人机数码传感器由于其成本低、易于操作等优势,在大面积、高密度育种小区的玉米高通量单株检测中表现出更大的潜力。本研究实现了对密植玉米育种试验区玉米株数的自动计数,为表型筛选、田间管理和精准估产等提供依据。     

MmNet: Identifying Mikania micrantha Kunth in the wild via a deep Convolutional Neural Network

Mikania micrantha Kunth is an invasive alien weed and known as a plant killer around the world. Accurately and rapidly identifying M. micrantha in the wild is important for monitoring its growth status, as this helps management officials to take the necessary steps to devise a comprehensive strategy to control the invasive weed in the identified area. However, this approach still mainly depends on satellite remote sensing and manual inspection. The cost is high and the accuracy rate and efficiency are low. We acquired color images of the monitoring area in the wild environment using an Unmanned Aerial Vehicle(UAV) and proposed a novel network-MmNet-based on a deep Convolutional Neural Network(CNN) to identify M. micrantha in the images. The network consists of AlexNet Local Response Normalization(LRN), along with the GoogLeNet and continuous convolution of VGG inception models. After training and testing, the identification of 400 testing samples by MmNet is very good, with accuracy of 94.50% and time cost of 10.369 s. Moreover, in quantitative comparative analysis, the proposed MmNet not only has high accuracy and efficiency but also simple construction and outstanding repeatability. Compared with recently popular CNNs, MmNet is more suitable for the identification of M. micrantha in the wild. However, to meet the challenge of wild environments, more M. micrantha images need to be acquired for MmNet training. In addition, the classification labels need to be sorted in more detail. Altogether, this research provides some theoretical and scientific basis for the development of intelligent monitoring and early warning systems for M. micrantha and other invasive species.     

基于无人机的田间地膜识别算法研究

为了满足基于机器视觉的田间地膜智能识别要求,对垂直拍摄的6叶期单垄单行烟田图像进行研究,分析图像中地膜、烟苗和土壤的RGB和HSV分量的直方图,发现B分量和V分量采用阈值分割法能分割出地膜。对地膜图像进行手动阈值分割、迭代阈值分割、大律法分割和基于遗传算法的最大熵值法等分割算法比较,发现迭代阈值分割算法目标识别率最高,为71%,且处理过程用时较短。通过对无人机不同飞行高度下地膜识别情况分析,发现50 m飞行高度下的地膜识别率最高,为80.06%,地膜识别面积为246.83 m²,地膜覆盖率为30.12%。该研究为残膜的智能识别提供方法和参考。     

中国农用植保无人机施药技术研究概况

小型无人飞机作为新型农用植保机械凭借着相较于传统背负式施药机械的高效率、轻简化的农药施用技术,近年来发展迅速,针对植保无人机的研发与应用也日益增加。植保无人机施药是一种低容量高浓度的低空施药方式,其具有作业效率高、对人体危害小、适应性广、不受地形限制等特点,但低容量高浓度的施药方式不仅需要对农药的浓度有精准把握,同时施药技术、农药剂型的不同也会制约防治效果,本文旨在通过对植保无人机专用药剂及施药技术的研究与发展现状进行剖析,以期对植保无人机的未来研究与应用提供参考。     

Airborne Videography to Identify Spatial Plant Growth Variability for Grain Sorghum

Much research has focused on the use of intensive grid soil sampling and yield monitors to identify within-field spatial variability in precision farming. This paper reports on the use of airborne videography to identify spatial plant growth patterns for grain sorghum. Color-infrared (CIR) digital video images were acquired from two grain sorghum fields in south Texas several times during the 1995 and 1996 growing seasons. The video images were registered, and classified into several zones of homogeneous spectral response using an unsupervised classification procedure. Ground truthing was performed upon a limited number of sites within each zone to determine plant density, plant height, leaf area index, biomass, and grain yield. Results from both years showed that the digital video imagery identified within-field plant growth variability and that classification maps effectively differentiated grain production levels and growth conditions within the two fields. A temporal comparison of the images and classification maps indicated that plant growth patterns differed somewhat between the two successive growing seasons, though areas exhibiting consistently high or low yield were identified within each field.     

贵州石阡烤烟种植的气候适宜性和灾害性分析

利用石阡县1981~2010年气象观测资料,通过对烤烟的生态学特征及生长发育特性的了解,对石阡县烤烟种植区光、热、水等气象条件进行了统计分析,找出适宜烤烟生长的气候条件及影响其产量和品质的气象灾害。结果表明,石阡县气象条件(温度、降水、光照)适宜烤烟的种植和发展,其具有大力发展烤烟产业的气候优势。影响烤烟生育期的主要有低温雨雪、高温干旱、暴雨洪涝和阴雨寡照,其中影响烤烟生育期的低温天气主要有冬季低温雨雪、倒春寒和5月低温,分别影响烤烟苗床期、移栽伸根期和旺长期。     

一种基于航空可见光图像的烟草数量统计方法

传统烟草(Nicotiana tabacum L.)数量清点工作主要依靠人工现场抽样的方式,这种方法费时、费力且统计误差较大。针对这一缺点,提出一种基于航空可见光图像处理的烟草数量统计方法。利用无人机所获取的高分辨率影像,采用K-means聚类方法对烟田图像进行图像分割分类,提取图像中绿色植物部分,提取颜色、面积、长宽比等简单特征对杂草进行预剔除,通过构建烟株与杂草样本库,利用灰度梯度共生矩阵,提取其灰度平均、梯度均方差、相关、惯性等4种特征参量,并基于BP神经网络算法进一步对杂草进行识别,剔除杂草,统计烟株,提取连通域数量,即为烟株数量。     

烟田微生态环境对烤烟光合作用影响研究进展

烟株的生长发育和产量及品质的形成最终决定于个体和群体的光合作用。该文综述了近年来烟田微生态环境因子对烤烟光合作用影响的研究进展,包括烤烟光合作用特点、各类烟田微生态环境因子及其对烤烟光合作用的具体影响等,以期为提高烟叶质量提供参考。     

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础，而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割，以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点，提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象，在南山实习林场采集积雪背景下无人机遥感影像作为试验数据，构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先，从无人机遥感影像中选取1 000张训练样本，128张测试样本，并对样本进行标注，通过数据增强将1 000张训练样本扩增为16 000张，按照4∶1分为训练集和验证集，对U-Net模型进行训练，在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后，利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后，在深度神经网络U-Net单木树冠提取的基础上，采用MCW算法对提取结果进行优化，并对单木树冠提取效果进行精度评估。结果表明，U-Net+MCW算法对于单木尺度的F测度为74.04%，比单一使用U-Net模型提高了28.52%，以该方法提取遥感影像中的天山云杉树冠信息为基础，计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此，U-Net+MCW算法能够有效解决自然光照条件下，由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素，导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题，是一种低成本、高效率的单木树冠提取方法，能够满足中小尺度山地森林资源调查和监测要求。     

利用无人机遥感测定岷江冷杉单木树干生物量

无人机获取的高分辨率遥感影像,已成为单木生物量估算的有效手段。本文以四川省王朗自然保护区岷江冷杉为研究对象,利用本项目组自行研制的无人机获取无阴影遥感影像。设置2块样地,其中plot 1为建模样本,plot 2为验证样本。通过人机交互的方式提取单木树冠面积(CA)数据,并结合野外实测的胸径(DBH),建立DBH遥感估算模型。最后基于CA-DBH模型的有效性,结合已有DBH-SB(树干生物量)经验方程,计算plot 2岷江冷杉单木树干生物量。结果表明:基于无人机遥感影像提取的单木CA与实测DBH存在较好的非线性相关关系,所建立的模型有较好的拟合度,R2达到0.752(P<0.001,n=94)。采用t检验验证CA-DBH模型预测值与观测值的差异,同时计算皮尔森相关系数(Pearson Correlation Coefficient),检验结果表明:该模型估算的DBH与实测值偏差差异不显著(P>0.05),其皮尔森相关系数可达0.879,证明利用无人机获取的遥感影像,通过提取的CA估算DBH是可行的。本次实验表明:利用无人机遥感获取影像,通过提取的单木CA进行树干生物量的估算是有效的。