基于影像与坡度数据融合的梯田田块分割方法

梯田在很大程度上开发了坡耕地的农业生长潜力,具有蓄水、保土作用。由于梯田数量、面积等分布信息较难准确获得,使其定量研究难以深入展开。随着无人机技术的不断发展,高精度梯田地形信息的获取成为可能。本文基于无人机正射影像并结合坡度数据,通过Canny边缘检测算子对梯田的粗轮廓进行提取,结合梯田的结构特性,对梯田中的伪边缘进行剔除;再通过对梯田边缘强度叠加和边缘连接;最后利用区域生长算法对梯田进行分割。该方法有效解决了梯田形状不规则、田面堆积物干扰、图像光谱特征复杂等问题。与手工标注的梯田样区田块数据的对比结果表明,本文算法对梯田区的提取总精度可达84.9%,可为梯田区的快速制图提供解决方案。     

基于无人机遥感图像提取农田微地形特征

近年来极端暴雨天气与自然灾害频发,导致农田损毁,影响耕作。该研究利用高精度农田数字地形模型（FDTM, Farmland Digital Terrain Model),基于地形因子综合属性提出一种识别农田微地形特征（凸起特征及洼地特征）的方法。首先,基于SfM（Structure from Motion）技术处理试验田的航拍图像,获取高精度农田FDTM。分析FDTM的高程方差随局部窗口尺度的变化趋势,确定分析窗口的尺度区间为31×31至51×51像素。其次,选择高程、地形起伏度和坡度综合评价在51×51像素窗口下提取的315个高程极值点,获取多窗口地形因子综合隶属度。最终,根据斯特吉斯公式确定阈值为0.627,提取16个农田凸起特征顶点,并结合等高线图识别凸起特征的外形轮廓。类似地,建立反转数字地形模型（RFDTM, Reverse-FDTM）,将FDTM中的洼地特征转变为RFDTM中的凸起特征,识别9个农田洼地特征。研究结果可为农田复垦及精准土地平整作业提供理论依据与方法支持。     

考虑地形特征的无人机影像分区域加权平差拼接方法

无人机遥感手段以其方便、快捷、成本低、可云下飞行的优势正越来越多地应用于农情信息的获取。为了解决无人机影像的数量多、畸变大、影像拼接过程中产生大量累积误差等问题,对拼接过程中如何减少误差累积进行了研究。首先,根据记录影像匹配过程中心点位置计算大致的匹配区域。然后,进行区域网概略计算,列出误差方程。对不同地形特征区域影像赋予权值,进行分区域加权平差。最后,利用3条航带的无人机影像分别对所提方法和直接拼接法进行了实验对比。实验结果表明:所提方法拼接后错位和鬼影现象减少了12%,拼接效率提高了15%,拼接后获得的面积扩大了8%。     

基于无人机遥感影像的农作物分类研究

本研究结合实际案例,在简单介绍研究区概况的基础上,深入探讨基于无人机遥感影像的农作物分类,并分析其结果。本研究借助无人机搭载数码相机的方式生成研究区域的RGB图像,相比于传统的只提取纹理特征的农作物分类方法,本研究有效地对比了两个不同时段的农作物DSM数据,使农作物的生长差异特征变得更为明显,并在农作物分类中有效运用了这一特征。仿真结果表明,在进行农作物分类时综合考虑农作物纹理、光谱、高度等多维特征,能够精准划分农作物种类,同时Kappa系数也能够维持较高的水平。     

基于无人机遥感影像的收获期后残膜识别方法

针对人工评估农田残膜劳动强度高、效率低等问题,以及收获期后残膜识别困难的问题,提出了一种基于颜色特征的残膜识别方法。为了克服光照对残膜识别精度的影响,首先分析了阳光直射区、阴影区残膜和土壤RGB与HSV颜色分量灰度差异;然后,选择最佳颜色分量进行残膜图像分割,分别对比分析了手动阈值法、迭代阈值法、最大类间方差法、最大熵值法、K-means均值聚类法和脉冲耦合神经网络法的分割效果,结合原始图像残膜分布特点,优选出基于脉冲耦合神经网络的分割法;结合图像形态学算法,最终提取了烟地残膜面积与分布。结果表明,B分量可从背景中分割出直射区残膜,但不能分割阴影区残膜; S分量可从背景中分割出直射区和阴影区残膜;基于S分量的脉冲耦合神经网络分割法效果最佳,利用该方法对不同时期的农田残膜进行识别,6叶期、烟叶收获后、烟杆拔除后和冬季空闲期的识别率分别为96.99%、69.47%、93.55%和88.95%,地膜覆盖周期的平均识别率为87.49%。本文方法可快速准确地识别出秋后的农田残膜,提供残膜时空分布信息及变化特征,可为农田环境健康评估提供决策依据。     

基于无人机遥感影像的盐碱地信息的精准提取方法

为探索在无人机遥感影像下可以对盐碱地信息精确分类的方法.选取甘肃省景泰川电力提灌灌区一期灌区为研究区,通过运用Trimble UX5固定机翼无人机采集研究区遥感数据,结合ENVI软件应用监督分类的五种分类器(平行六面体、最小距离、神经网络、最大似然、支持向量机)执行分类,对分类结果进行精度对比,并将典型区域盐碱地面积进...     

基于无人机高光谱遥感影像的农作物分类研究

为快速、精准地对农作物信息进行分类和提取,笔者以某研究区农作物作为研究对象,对农作物分类展开研究。利用SVM和RF分类方法,对降维和一阶导数处理后的无人机高光谱遥感影像中的农作物进行分类,并比较了SVM和RF分类结果的精准性。研究结果表明,通过对高光谱影像农作物进行分类,利用RF分类法获得的分类结果精度较高,可以实现对农作物的有效提取,能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。     

基于无人机遥感与植被指数的冬小麦覆盖度提取方法

基于开源飞控Pixhawk开发了一套集成稳定云台、位置与姿态系统(Position and orientation system,POS)数据采集模块的无人机多光谱遥感图像采集系统,同步采集520~920 nm范围内的红、绿和近红外波段信息。以冬小麦为例,分别在越冬期、拔节期、挑旗期和抽穗期进行飞行实验,飞行高度55 m,多光谱影像地面分辨率2.2 cm。采用监督分类与植被指数统计直方图相结合的方式,提出了一种田间尺度小麦覆盖度快速提取的方法,给出归一化植被指数(Normalized difference vegetation index,NDVI)、土壤调节植被指数(Soil-adjusted vegetation index,SAVI)及修正土壤调节植被指数(Modified soil-adjusted vegetation index,MSAVI)对应的植被像元与土壤像元的分类阈值,分别为0.475 6、0.705 6和0.635 0。同时利用基于同步采集的地面分辨率可达0.8 cm的高清可见光遥感图像提取了相应时期的冬小麦覆盖度参考值。结果表明,基于无人机多光谱遥感技术及植被指数法可以较好地提取冬小麦越冬期、拔节期、挑旗期和抽穗期的植被覆盖度信息。与SAVI、MSAVI相比,基于NDVI分类阈值的提取效果最好,绝对误差最小。     

高分遥感影像道路提取方法研究

高分辨率遥感影像道路提取是当前研究的一个热点,传统的提取方法多基于光谱特征,不能充分利用高分影像的形状、纹理等特征。文章提出了一种利用光谱特征和形状特征提取高分遥感影像道路的方法。首先利用道路的光谱特征,采用阈值分割法提取可能的道路段并去除小面积区域,再根据道路的线性特征去除非线性区域,之后进行形态学闭合运算填补由道路光谱差异造成的孔洞,并进行修剪,实现道路的提取。     

基于深度学习的无人机遥感小麦倒伏面积提取方法

为及时准确地提取小麦倒伏面积,提出一种融合多尺度特征的倒伏面积分割模型Attention_U2-Net。该模型以U2-Net为架构,利用非局部注意力（Non-local attention）机制替换步长较大的空洞卷积,扩大高层网络感受野,提高不同尺寸地物识别准确率;使用通道注意力机制改进级联方式提升模型精度;构建多层级联合加权损失函数,用于解决均衡难易度和正负样本不均衡问题。Attention_U2-Net在自建数据集上采用裁剪方式提取小麦倒伏面积,查准率为86.53%,召回率为89.42%,F1值为87.95%。与FastFCN、U-Net、U2-Net、FCN、SegNet、DeepLabv3等模型相比,Attention_U2-Net具有最高的F1值。通过与标注面积对比,Attention_U2-Net使用裁剪方式提取面积与标注面积最为接近,倒伏面积准确率可达97.25%,且误检面积最小。实验结果表明,Attention_U2-Net对小麦倒伏面积提取具有较强的鲁棒性和准确率,可为无人机遥感小麦受灾面积及评估损失提供参考。     

基于改进SURF算法无人机影像特征匹配的研究

由于无人机受相机广角和飞行高度的限制,单张影像无法拍摄整个农田形状,导致无法准确测量农田实际面积。为此,基于图像特征匹配技术,提出改进SURF算法,用于无人机影像拼接。该算法针对传统SURF算法初始特征点选取精度不足的问题提出改进方案,优化高斯模糊的过程,进而形成新的尺度空间生成方式。通过在实验基地试验得出:本研究提出的改进SURF算法比传统SURF算法特征点在卷积核尺寸为3×3时,70 m、120 m高空的匹配率分别提升4.7%和5.3%;在卷积核尺寸为5×5时,70 m、120 m高空的匹配率分别提升4.0%和4.3%。本研究将改进后的SURF算法用于后期图像拼接中,经试验对比发现:改进的SURF算法在图片拼接处衔接程度明显提升,得到匹配精度更优的拼接图像。     

基于无人机遥感数据的生态渠系信息提取

针对河套灌区引水灌溉中存在粗放型灌溉,且当地为提高产量,仅注重扩大种植面积的问题,提出了一种渠系信息精准提取的方法.基于无人机遥感图像,运用ENVI 5.1软件,对遥感图像进行预处理,对图像RGB3个通道分别进行拉伸显示,经组合以增强其对比度;运用面向对象法进行图像分割,用基于规则的分类方法,基于不同规则进行单独及组合分析,确定了“光谱平均值小于98、最小包围矩形长宽比处于其最小值与0.85之间、延长线大于1 m”的最优组合规则,提取了内蒙古河套灌区某部分生态渠系信息,对于生态渠道的识别精度达到毛沟级,并对提取结果进行了评价,其中组合辅助解译正确率达96.4%,为精准灌溉运行管理提供了较准确的渠系信息.     

基于5G的无人机图传及在植保无人机的应用展望

5G技术与无人机图传的结合,有助于提高图传的画质和传输速率,推进无人机在多个行业的深入应用,并且运用在植保无人机上,还能促进植保无人机对靶喷洒技术的发展.通过梳理无人机图传的几种方式,分析5G无人机图传的优势,综述国内外5G无人机图传和植保无人机对靶喷洒的研究现状,指出5G信号不稳定、图传系统功能单一、5G无人机图传在...     

农田蛾类图像边界特征的获取

介绍了农田蛾类图像的预处理方法,然后使用Otsu方法来对农田蛾类图像进行分割。对分割得到的目标区域采取旋转变换,使同一种蛾类的目标区域具有相同方向;对旋转变换得到的蛾类图像目标区域,以目标区域的边界点到目标区域的质心点距离作为目标区域的边界特征,获取各种蛾类图像的边界特征。从所获取的边界特征可知,不同种类的蛾类图像具有各不相同的边界特征,可以把这些边界特征作为各种蛾类昆虫分类识别的数据依据。     

基于Sentinel-2A遥感影像的潍坊市冬小麦种植面积提取研究

为准确、高效、自动化的提取大尺度范围冬小麦种植面积,利用Sentinel-2A卫星影像进行试验,提出一种基于中等分辨率影像的面向对象结合深度学习的遥感冬小麦提取方法。利用面向对象分类法和随机森林分类算法对2021年潍坊市冬小麦种植面积及种植区域进行提取和结果对比,证明面向对象分类法在提取冬小麦种植面积时的可行性和有效性。此外,利用面向对象方法得到的二值分类图像作为标签图像,基于TensorFlow框架,利用U-Net构建深度学习神经网络模型,使用训练得到最优模型提取2017—2021年潍坊市冬小麦种植面积。使用实地调查数据对分类结果进行精度验证,并对潍坊市近五年冬小麦种植面积进行年际变化分析。该分类方法的总体分类精度达93.1%,Kappa系数为0.91。本研究方法可为大范围的冬小麦种植指导和农业结构调整提供科学、可靠的依据。     

基于语义分割模型和遥感的柑橘园空间信息提取

为应用高分辨率遥感影像和卷积神经网络模型快速提取柑橘园空间信息,选择四川省柑橘重点产区蒲江县为研究区,以高分辨率Google earth图像为数据源,构建3类不同树龄的柑橘园样本数据集,训练U-net和DeepLabv3+语义分割模型,提取柑橘园空间信息。通过验证,具有不同神经网络结构的U-net和DeepLabv3+模型提取柑橘园信息总体精度分别为88.30%和86.79%,Kappa系数为0.75和0.72,二者精度相当;通过分析小地块的果园遥感识别精度,测试区最小识别图斑面积约为120 m²,大于该面积的果园遥感面积平均精度在85%以上。该研究可为经营者、农业部门使用高分辨率遥感影像和开源的深度学习分类工具快速获取果园空间信息提供参考。     

油菜地块边界提取研究

油菜地块精准提取可实现道路、田埂和地块三部分的分离,为植保无人机提供准确作业区域和非作业区域,推动植保无人机实现自主作业。基于甘肃省张掖市民乐县油菜地无人机低空RGB影像,构建基于简单线性迭代聚类(SLIC)分割和VGG16分类网络相结合的方法实现油菜田地块边界提取。首先,以过绿指数方式灰度化图像,区分裸露地表与植被覆盖区域,其次,通过直方图分析、轮廓检测提取地块主体部分;最后,通过简单线性迭代聚类(SLIC)和VGG16模型相结合,划分网格,识别过分割区域中的作物种植区域,提取完整地块。对比所提算法与传统边界检测算法地块边界提取效果,结果表明：所提模型的平均交并比和平均准确率分别为95.9%、96.0%,边界提取精度和完整性明显优于传统算法。所提模型能够消除低空拍摄下杂草的影像,可为农田边界提取提供参考,可为植保无人机完全自主作业做好铺垫。     

基于轮廓特征的单只蛋鸡行为识别方法

育成期蛋鸡的行为能够反映其健康状况和对环境的适应情况,为快速地识别蛋鸡的行为,提出一种基于蛋鸡轮廓特征的行为识别方法.首先获取蛋鸡俯视图图像,并对蛋鸡图像进行预处理,通过自动阈值分割法得到蛋鸡轮廓并进行拟合,提取出拟合轮廓的几何特征,然后对特征进行排列组合,得到四种特征组合并结合极限学习机(ELM)进行训练,得到最佳的...