基于改进DeepLabV3+的荞麦苗期无人机遥感

针对DeepLabV3+语义分割模型计算复杂度高、内存消耗大、难以在计算力有限的移动平台上部署等问题,提出一种改进的轻量化DeepLabV3+深度学习语义分割算法,用于实现无人机荞麦苗期图像的分割与识别。该算法采用RepVGG（Re-parameterization visual geometry group）与MobileViT（Mobile vision transformer）模块融合的方式建立主干网络实现特征提取;同时,在RepVGG网络结构中引入SENet（Squeeze-and-excitation networks）注意力机制,通过利用通道间的相关性,捕获更多的全局语义信息,保证荞麦分割的性能。实验结果表明,与FCN（Fully convolutional networks）、PSPNet（Pyramid scene parsing network）、DenseASPP（Dense atrous spatial pyramid pooling）、DeepLabV3、DeepLabV3+模型相比,本文提出的改进算法在较大程度上降低了模型参数规模,更适合在移动端部署,自建荞麦苗期分割数据集上的语义分割平均像素准确率（Mean pixel accuracy,mPA）和平均交并比（Mean intersection over union,mIoU）分别为97.02%和91.45%,总体参数量、浮点运算次数（Floating-point operations,FLOPs）和推理速度分别为9.01×106、8.215×1010、37.83f/s,综合表现最优。在全尺寸图像分割中,训练模型对不同飞行高度的荞麦苗期分割的mPA和mIoU均能满足要求,也具有较好的分割能力和推理速度,该算法可为后期荞麦补种、施肥养护和长势监测等提供重要技术支持,进而促进小杂粮产业智能化发展。     

基于无人机遥感技术的玉米种植信息提取方法研究

使用无人机遥感试验获取的可见光图像研究拔节期玉米种植信息提取方法。首先确定感兴趣区地物种类,包括:玉米、小麦、向日葵、树苗和裸地;然后分别统计计算5类地物的27项纹理特征,比较各类地物特征的种内变异系数和与玉米的相对差异系数,选出适宜提取玉米种植信息的特征。经过分析发现,仅用一个特征参数难以准确提取玉米种植信息,需要各特征组合分层分类提取玉米信息。最后确定绿色均值、蓝色协同性和纹理低通植被指数TLVI为玉米种植信息提取特征。经过对初步提取结果的分析,发现分类后的小麦地和树苗地中仍残留有与玉米区特征相同的斑块,玉米地中有与非玉米区特征相同的斑块,结合两种斑块各自形状面积分布的独特性,分别实现残留斑块去除和玉米地错分斑块保留,完成玉米种植信息提取。选取与感兴趣区影像同时期不同区域的两幅影像进行方法验证,结果表明:该方法对玉米种植信息提取有较好效果,面积提取误差在20%以内,对用无人机可见光遥感影像进行玉米种植信息提取具有一定的适用性。     

基于旋翼无人机的农业低空高光谱遥感技术研究

低空高光谱遥感技术是一种新型技术,其可以搭载在旋翼无人机平台之上,被广泛应用于农业领域中,以实现对大面积农作物光谱信息进行精确和实时的快速检测。但由于其建立的统计模型主要是将地物光谱信息和卫星遥感影像数据直接结合,导致模型的精度容易受到一些外在因素的影响,如时间、地点、对象、图谱的特异性等,使其在现代化农业发展中还难以实现有效推广。基于此,笔者围绕低空高光谱遥感技术在农业方面的应用展开研究。研究结果表明,运用无人机低空高光谱遥感技术,能够更为方便和快捷地收集农作物信息数据,掌握各种农作物的生长情况,能够减少实际成本,有效克服传统航天技术存在的相应问题,极大地促进了现代农业的发展。     

基于DCP和OCE的无人机航拍图像混合去雾算法

针对无人机在雨雾天气下的农田航拍图像退化问题,考虑无人机自身特性,提出了一种基于DCP和OCE的无人机航拍图像混合去雾算法。首先判断原始图像天空区域的存在,利用Canny边缘检测算法对带天空区域的原始图像进行分割并做高斯羽化处理,再采用膨胀和腐蚀等形态学操作进行二值化区域填充,去除非天空区域中对应亮度低的区域,提取天空区域和非天空区域。非天空区域图像采用基于导向滤波的暗通道先验算法去雾。天空区域图像采用基于代价函数的优化对比度算法去雾。本试验分别从主观视觉性和无参考量化评测两方面对100幅航拍图像去雾结果作出评价,试验结果表明,所提算法在对带雾图像去雾后,出现Halo现象的概率相较于DCP算法降低了95%,其综合评测均值指数提高了26%,去雾效果明显,色彩还原度高,没有明显的过渡区域和偏色现象,处理速度可达33帧/s,平均速度相较于DCP算法提高了32%,能满足实时性要求。     

基于Lab颜色空间的非监督GMM水稻无人机图像分割

为解决传统水稻冠层图像分割算法性能在很大程度上依赖于训练数据集的质量,且分割效果易受田间多变光照强度影响,导致水稻生产参数估计精度不高等问题,提出一种基于Lab颜色空间的非监督贝叶斯方法,用于田间水稻无人机图像分割.模型参数从每个独立、未标记的无人机图像直接学习获得,无需训练.不同图像会有不同的模型参数,该算法能够适应...     

基于深度学习的无人机土地覆盖图像分割方法

编制土地覆盖图需要包含精准类别划分的土地覆盖数据,传统获取方法成本高、工程量大,且效果不佳。提出一种面向无人机航拍图像的语义分割方法,用于分割不同类型的土地区域并分类,从而获取土地覆盖数据。首先,按照最新国家标准,对包含多种土地利用类型的航拍图像进行像素级标注,建立无人机高分辨率复杂土地覆盖图像数据集。然后,在语义分割模型DeepLab V3+的基础上进行改进,主要包括:将原始主干网络Xception+替换为深度残差网络ResNet+;引入联合上采样模块,增强编码器的信息传递能力;调整扩张卷积空间金字塔池化模块的扩张率,并移除该模块的全局池化连接;改进解码器,使其融合更多浅层特征。最后在本文数据集上训练和测试模型。实验结果表明,本文提出的方法在测试集上像素准确率和平均交并比分别为95. 06%和81. 22%,相比原始模型分别提升了14. 55个百分点和25. 49个百分点,并且优于常用的语义分割模型FCN-8S和PSPNet模型。该方法能够得到精度更高的土地覆盖数据,满足编制精细土地覆盖图的需要。     

基于无人机遥感技术的水稻倒伏区域识别研究

针对大范围水稻区域难以识别的问题,基于无人机遥感技术建立了水稻倒伏区域识别系统,主要由硬件系统和软件系统组成。对硬件系统和软件系统进行设计,包括采用补偿的方式降低飞控系统误差,采用改进的加权支持向量数据描述分类方法进行水稻倒伏区域的识别,使系统能够识别水稻倒伏区域。为验证该系统性能,进行了无人机飞行试验和水稻倒伏区域识别试验。结果表明:系统可以使无人机按照预设路径飞行,能够准确地识别水稻倒伏区域。     

基于无人机遥感的大豆株高计算方法研究

针对目前田间大豆株高测量采用作物标尺准确度不够或人工测量费时费力的问题，基于50个试验小区、10个标准株高不同的大豆品种，以无人机(UAV)低空遥感平台获取大豆田间影像及数字表面模型，同时测定地面大豆实际冠层高度；利用克里金插值算法获取地面高程值(DEM),通过计算提取大豆株高信息，并验证此方法的精度和提取误差。研究表明：利用无人机遥感正射影像、数字表面模型和克里金插值算法生成的DEM模型符合试验田的地势情况，提取的大豆株高范围为0～1.13627m,所建立的株高提取模型R²=0.8163,计算得到的大豆实际株高与提取株高平均误差为3.79%。此方法可较为精确地计算大豆的植株高度，能够为大豆田间管理和高产株型选育过程中株高性状数据获取提供参考。     

大数据在农业无人机上的应用研究

大数据是无法在一定时间内用普通软件分析管理的数据集合,具有规模性、多样性和高速性的特点,其在相应的需求下产生,已经应用到社会生产和科学研究中的多个领域。无人机在飞行和作业中产生大量数据,普通设备难以完成这些数据的分析处理。为此,研究了大数据在农业无人机上的应用。工作时,由硬件设备采集巨量数据,Hadoop大数据分析技术运行相应算法,经过一系列处理获得有用的信息。利用无人机对油菜地和山茶园的信息进行采集,其大数据分析处理功能在航线规划、飞行控制和图像处理的测试中取得了理想效果。此研究可以推动大数据与无人机的结合,为无人机性能升级提供技术支撑。     

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.     

无人机低空遥感技术在大田作物监测与产量预测中的应用

在数字乡村发展的背景下,新一代信息技术不断向农业领域渗透,将助推我国农业机械化进一步向自动化、信息化、智能化的方向发展。本文简要概述了精准农业技术、遥感技术以及无人机低空遥感技术,列举了无人机低空遥感技术在大田作物监测与产量预测中的应用例子,并用实例介绍了应用低空遥感视觉与光谱图像预测棉花产量的方法与步骤。为大田作物的生长监测与产量预测提供可借鉴的理论与方法。     

无人机遥感技术在小麦生产中的应用综述

环境遥感技术具备成本低、高效、便捷等优势,近年来在农业生产领域得到了大范围的应用。以小麦生产为例,在小麦作物生长发育过程中实现精准化的管控,加强对小麦生长状态实行迅速的诊断、评估、监测,既是对小麦生产实现精准化管控的前提,也是现代化农业在发展层面的主流趋势。笔者论述了无人机遥感技术在应用层面的优势,分析了无人机遥感技术在当前小麦生产环节的具体应用状况。现阶段农业生产领域应用到的遥感模型,大多数是以统计分析为基础展开研究分析,随着应用尺度、区域、气候等条件因素的变换,适用性可能会受到不同程度的影响,降低预测环节的数值精准度。为此,笔者建议在未来的研究中,需要在不同的气候环境、土壤状况、生态区域内部,针对小麦生长发育模型、小麦产量品质的预测评估数字模型展开研究和分析,不仅有助于提高数字模型在应用期间的精准性,也能合理提高其在区域层面的适用性和实用性。     

基于小型智能无人机低空遥感技术的农田信息采集的研究

随着现代农业的发展,精准掌握农田信息越来越重要。目前,传统的地面农田信息监测设备不能准确快速获取农田的空间信息、农田区域边界的划分以及农作物的生长状态等,部分采用遥感技术的无人机虽然可以获取农作物的倒伏状态,但是经常会出现数据判断错误的情况,导致将本来生长正常的农作物判断成伏地农作物。基于此,研究小组采用智能无人机低空遥感技术作为农田信息采集的核心,分析了智能无人机在农田中对农作物信息采集的简便性和快捷性,介绍了智能无人机在农田工作的操作步骤以及与相机数据采集通信的处理。研究结果表明:无人机遥感技术在农田面积检测和面积划分方面具有超高的精度,为农业科学化生产奠定了坚实的基础,推动我国更精细化、更智能化的现代农业的发展。     

基于最优子集选择的水稻穗无人机图像分割方法

为探索有效的稻穗识别特征选取方法,解决基于无人机数码影像水稻产量估测中图像颜色空间各个通道或指数对水稻穗识别能力不清的问题,利用2017年和2018年沈阳农业大学超级稻成果转化基地水稻试验田无人机高清数码影像、地面小区样方内水稻穗数量等实测数据,构建了水稻穗、叶、背景的3分类图像样本库,应用最优子集选择(Best subset selection)算法分析了RGB和HSV颜色空间各个通道或指数对水稻穗的识别能力,提取适合东北粳稻稻穗图像分割的7种特征参数,以此特征为输入构建了基于BP神经网络的稻穗分割模型,进一步对稻穗图像进行连通域分析,获取稻穗数量,并与地面实测数据进行比较。结果表明:最优子集选择算法获取的稻穗像素分割特征参数为R、B、H、S、V、GLI、ExG等7种,飞行高度为3 m时,稻穗分割效果最好,对应的交叉验证均方误差MSE为0.036 3;构建的稻穗分割模型可有效实现东北粳稻稻穗的提取,3、6、9 m飞行高度下,拍摄图像稻穗数量提取的均方根误差分别为9.03、11.21、13.10,平均绝对百分误差分别为10.60%、14.88%和17.16%。     

无人机遥感技术在农业中的应用前景

随着我国无人机行业高速发展,农业无人机的应用也进入了人们的视野.由于自身的先天优越性,使其不受地形约束,高精准、高效率的工作方式受到人们的青睐.由于操作人员远离作业区,可有效避免农药对人体的危害,面对突发性虫害有很好的强突能力.由于无人机技术的逐渐成熟,成本也大大降低,加上良好的应用性,必将成为替代原始农耕的重要手段,让农耕变得更加精准,更加高效,减少人力成本.     

基于计算机视觉的水果直径检测方法的研究

利用机器视觉对水果进行自动分级是国内研究热点.在水果分级中,按直径大小对水果进行分类是自动分级技术的一个关键部分,然而目前通过图像对水果直径检测存在着精度与计算量之间的突出矛盾.针对这一问题,本文介绍了一种水果边界快速提取的方法,并在此基础上提出了一种新的水果直径检测的快速算法:该方法通过对水果图像进行分割,并计算各个区域内水果的最大半径,进而计算出水果的最大直径.通过实验表明,与传统方法相比较,该算法能够在较小的计算量下得到较高的计算精度,可应用于工业实际生产中.     

基于无人机热红外遥感的夏玉米蒸散量估算及其影响因子

农田蒸散量(ET)是土壤—作物—大气连续体水分运移的关键参数,与作物生理活动和产量有着极为密切的关系,准确实时估算田间作物蒸散量对研究作物生长发育至关重要。基于无人机热红外传感器反演夏玉米的冠层温度,基于反演的冠层温度构建夏玉米蒸散模型(ET_(d,t))并验证了模型反演作物蒸散量的精度,分析了ET_(d,t)相关影响因子。结果表明:以热红外冠层温度作物蒸散模型计算的ET_(d,t)最低值出现在幼苗期为3.42 mm/d,最高值出现在灌浆期为10.94 mm/d,并与涡度相关实测值ET_(d,e)、FAO Penman-Monteith模型计算值ET_(d,f)进行验证,在P0.01水平上呈显著线性关系(R~2=0.739、0.742,RMSE=0.676、0.109 mm/d),ET_(d,t)估算精度达到80%以上。ET_(d,t)的计算受日净辐射、风速、气温、降雨等气象因子影响,不同气象条件的ET_(d,t)不同。叶面积指数(LAI)为夏玉米农田最主要的生物因子,LAI与ET_(d,t)呈线性正相关关系(R~2=0.700),空气动力学阻抗(r_a)是最主要的环境驱动因子,r_a与ET_(d,t)呈线性负相关关系(R~2=0.696)。随着植被覆盖度(NDVI)的变化,ET_(d,t)呈现相同变化趋势(R~2=0.656)。因此,基于无人机热红外反演的冠层温度计算的(ET_(d,t))能较好的反映田间夏玉米蒸散变化过程,从而为利用无人机热红外遥感估算作物蒸散量提供了科学依据。     

基于深度卷积神经网络的红树林物种无人机监测研究

红树林生态系统具有重要的生态价值和经济价值。但是近年来由于人类活动、环境污染等因素红树林的面积日益减少,红树林的保护变得极其迫切且重要。提出一种基于深度学习的红树林物种监测方法,以无人机采集红树林待监测区域图像为研究对象,基于LeNet-5模型结构构建深度卷积神经网络模型,将得到的新的网络模型命名为LeNet-5(2)。在新的卷积神经网络模型中,利用Leaky-ReLU激活函数解决模型中容易出现的梯度消失的问题,并且采用dropout技术提高网络模型的泛化能力,解决网络模型中容易出现的过拟合问题。利用LeNet-5(2)网络模型对红树林图像进行物种识别并标记,总体识别准确率87.31%,基本映射红树林各类物种的分布情况,预测出图像中4类红树林物种的面积分别为:白骨壤1 578.31 m^2、红海榄162.07 m^2、木榄58.94 m^2、秋茄871.79 m^2。将预测结果与图像中红树林物种的实际分布进行比较,总体上符合四类物种的实际分布情况。     

基于旋翼无人机的农业低空高光谱遥感技术分析

无人机设备具备便捷、能够低空飞行等特征,在农业领域中得到了广泛应用。利用旋翼无人机搭载各类高光谱遥感设备,能通过反射光谱探测各类农作物信息。笔者阐述了旋翼无人机与高光谱遥感技术,深入分析了旋翼无人机与高光谱遥感技术的应用,在此基础上提出了基于旋翼无人机的农业低空高光谱遥感技术。     

基于双目视觉系统的农用无人机导航算法研究

农用无人机市场大,发展迅速,双目视觉系统对周边环境检测能力强,被广泛用于路径规划、避障和导航中。针对农用无人机的路径规划和导航的特定场合,利用双目视觉、图像处理和嵌入式控制等技术,设计了一套农用无人机导航算法,可以为无人机提供准确的导航策略。