基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支...     

无人机施药在水直播稻田杂草防除中的应用效果研究

近年来,农村劳荒现象凸显,高效率、低强度的植保无人机作业服务蓬勃发展,有关无人机应用的研究不断深入,但在水直播稻田化学除草方面很少有人涉及。为了探索植保无人机施药在单季晚稻水直播田杂草防除中的应用效果和安全性,推进植物保护"机器换人",2018年开展了以担架式喷雾机为对照,植保无人机施药防除单季晚稻水直播田杂草试验。结果表明,应用植保无人机在单晚水直播稻田喷施除草剂防除杂草,其防除效果与担架式机动喷雾机相近,作业效率高,喷洒均匀度相对较高,使用300 g/L丙草胺乳油播后1 d封杀和40%氰氟草酯乳油、19%氟酮磺草胺悬浮剂、10%噁唑酰草胺乳油播后15 d茎叶处理,对水稻比较安全,但植保无人机作业受风力等环境因子影响较大。     

低空无人机遥感的应用及发展

无人机遥感即是利用先进的无人驾驶飞行器技术、遥感传感器技术、通讯技术、GPS差分定位技术和遥感应用技术,实现自动化、智能化、专用化快速获取空间遥感信息,完成遥感数据处理、建模和应用分析的应用技术。近年来,无人机遥感系统已被广泛应用在地质环境与灾害调查、土地利用动态监测、地形图更新等领域。本文分析了无人机遥感系统的组成,归纳了目前无人机遥感研究存在的问题,展望了今后无人机遥感研究的热点和重点。     

一种基于无人机遥感和卷积神经网络的梨树树龄梯度识别方法

梨树的树龄测定是古梨树保护监管以及开发其经济价值工作中最初也是最重要的一步,现有的古树树龄测定方法主要都是针对单棵古树,不适合对大量(超过上千棵)的梨树进行树龄测定。针对上述问题,提出了一种基于卷积神经网络的梨树树龄梯度识别方法,在确定梨树树龄梯度后,通过无人机获取梨树遥感图像,合成梨树图像后,进行分割,得到单棵梨树的图像,利用RESNET模型自动获取图像深层特征,从而实现对梨树树龄梯度的识别。实验结果表明:该方法目标识别准确率为85.56%,优于其他方法,时间效率则远胜传统树龄测定方法。因此,该方法具有较高的使用价值,可以大幅度降低梨树树龄测定成本开支,具有实际意义。     

宜秀区水稻田间杂草调查初报

2019年8-9月,采用倒置“W”九点取样法,“三层三级”目测法,对安庆市宜秀区稻田杂草发生情况进行了调查,初步查清了现阶段宜秀区稻田杂草种类、群落组成和危害程度,并结合当地实际,提出了科学防除稻田杂草的有效对策。     

基于深度卷积神经网络的水稻田杂草识别研究

目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验。结果 在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954。在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作。     

植保无人机玉米田间杂草防除应用效果试验

玉米田间杂草防除过程中,将农用植保无人机应用到其中,能提高田间杂草防除效率。通过连续两年的对比试验可以发现,应用植保无人机防治玉米田间杂草要优于传统机械防治,能够提高玉米整体产量与质量,降低人力成本投入,提高喷药效率,在今后农业生产过程中值得进一步推广应用。     

植保无人机在防治小麦田间杂草的实践推广

在当前的农业生产当中,农作物的生长通常都受到多种病虫害的侵害,导致农作物的质量与产量受到影响,这将会给农户带来巨额的经济损失.伴随着中国机械制造产业的不断发展,植保无人机已逐步应用到各种类型的农业生产过程中.植保无人机主要利用自动导航技术与低空喷雾作业技术进行工作,可有效的解决农村劳动力缺乏这一问题,高空喷施药物的方式...     

基于遥感影像和卷积神经网络的农田及道路信息提取

为对农用地(耕地)遥感影像中道路和农田信息进行精确高效的提取,采用卷积神经网络(CNN)的方法,以河北省献县某乡冬小麦种植田为研究区,建立“道路-背景”和“农田-背景”2个高精度遥感影像数据集,构建基于MobileNet v1的U-Net、SegNet、PSPNet、DeepLab v3+和基于MobileNet v2的DeepLab v3+共5种CNN语义分割模型,进行道路和农田提取试验;在模型训练前后加入迁移学习、图像拼接和模型融合3种策略。结果表明:1)在2个数据集上,基于MobileNet v1的U-Net和基于MobileNet v1的SegNet 2种模型的识别率和稳定性最佳;2)在提取道路和农田时,融合后模型的平均交并比值分别为0.853 3和0.956 8;3)对预测图进行后处理,可以为路径规划和作物秸秆产量计算等研究提供道路拓扑图和农田预测图。     

概率神经网络的水稻种植面积遥感信息提取研究

为了提高水稻种植面积遥感信息提取精度,将根据水稻生长期所选择的多时相遥感影像经过大气校正和几何校正后,实施单波段统计、主成份变换和比值变换,选出最佳组合波段,通过分析概率神经网络(probabilistic neural network,PNN)的学习算法和基本结构,对最佳组合波段影像实现PNN模型分类,并将其分类结果与反向传播(back propagation,BP)神经网络模型和最小距离法的分类结果进行比较.结果表明:PNN模型比最小距离法的分类精度高出近6个百分点;PNN模型比BP模型的分类精度高出近13个百分点;对于水稻种植面积提取精度,PNN模型比最小距离法的结果高出15个百分点.从本次试验可知,PNN模型是一种有效的遥感影像分类方法,在作物种植面积提取方面将具有独到的功效.     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

目的 结合传统与现代农业病虫害监测的优缺点,探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像,经过光谱预处理和特征工程后,采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合,基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法,建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve,AUC)分别为0.883 0和0.912 0,分类准确率均超过95%;提取出698和762 nm的特征波长组合,基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率,证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。     

基于无人机多光谱遥感的冬小麦叶面积指数反演

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。     

基于无人机遥感影像的沙糖橘果树提取方法研究

目的 通过无人机获取沙糖橘果园的遥感图像,快速提取果树分布位置,为果树的长势监测和产量预估提供参考。方法 以无人机拍摄的可见光遥感图像为研究对象,计算超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数和蓝绿比指数6种可见光植被指数,使用双峰阈值法选取阈值进行果树的提取。在使用光谱指数进行识别的基础上,结合数字表面模型作为识别模型的输入变量,进行对比试验。结果 相比使用单一光谱指数,结合数字表面模型提高了果树和非果树像元的提取精度,6次波段融合后的总体精度均大于97%。超红指数与数字表面模型结合后的总体精度最高,为98.77%,Kappa系数为0.956 7,植被信息提取精度优于其他5种可见光植被指数与数字表面模型结合后的提取精度。结论 数字表面模型结合可见光植被指数的提取方法能够更深层次地挖掘遥感数据蕴含的信息量,为影像中色调相似地物的提取提供参考。     

基于无人机遥感的果园冠层氮素估算及空间分析

为快速准确地获取植株冠层氮素含量及空间分布特征,对大尺度的果园进行精准动态的管理,以宽行窄株小冠模式、宽行窄株篱壁模式和传统栽培模式3种栽培模式的120棵柑橘树为研究对象,通过测定冠层氮素含量并提取无人机遥感影像多光谱数据中的纹理指数和植被指数,运用随机森林算法（RF）建立基于植被指数、纹理指数以及融合植被指数和纹理指数的柑橘冠层氮素反演模型,并比较融合植被指数和纹理指数的支持向量机（SVM）、BP神经网络算法（BP）和RF的模型反演精度。结果显示：在随机森林算法中,融合植被指数和纹理指数比单独的植被指数或纹理指数更能准确预测柑橘冠层氮素含量;植被指数训练集R²为0.710,测试集R²为0.430;纹理指数训练集R²为0.761,测试集R²为0.349;融合植被指数和纹理指数训练集R²为0.775,测试集R²为0.533。融合植被指数和纹理指数在SVM算法训练集R²为0.511,测试集R²为0.371;BP神经网络训练集R²为0.651,测试集R²为0.204。用融合植被指数和纹理指数的RF模型对3种栽培模式的柑橘园进行氮素反演,得到宽行窄株小冠模式的柑橘冠层平均氮素含量最高,其次为宽行窄株篱壁模式,传统栽培模式最低,氮素含量均值分别为31.33、30.20和27.82 mg/g。结合无人机遥感与融合植被指数和纹理指数的随机森林算法能够有效预测柑橘冠层氮素含量,可为大尺度柑橘果园定量施肥提供参考。     

多源遥感数据协同的地块级农作物精细提取

【目的】 针对云南省大理市耕地地块不规整、破碎且农作物空间种植结构复杂的特点,结合多源数据在时间和空间分辨率的优势,达到准确地提取农作物信息的目的。【方法】 协同BJ-2数据和Sentinal-2数据进行农作物精细信息提取。首先,利用空间分辨率较高的BJ-2数据进行面向对象的图像分割,获得农作物地块信息;其次,在农作物物候规律分析的基础上,通过标准差分析获得关键时相,利用相应时间分辨率较高的Sentinal-2数据获取农作物地类信息,实现基于地块的小春农作物的快速精细提取。【结果】 采用实地调查地块真值与提取地类生成混淆矩阵进行精度验证,总体精度和Kappa系数分别为87.4%和0.83。其中,连片种植的农作物如蚕豆和马铃薯提取精度较高,地块细碎且内部种植结构复杂的作物提取精度略低。【结论】 多源遥感数据协同的农作物提取方法,通过高分辨率影像上获得的对象分析单元能很好地对单一地块中的农作物空间特征进行统计分析,很大程度上弥补了中分辨率影像由于分辨率偏低所导致的混合像元处错分的不足;不仅能从耕地地块级别获得农作物种植结构,更直观地反映农作物种植,能有效提升农作物提取的精细化程度,有利于精细化的农作物种植结构管理。     

基于卷积神经网络遥感图像的荔枝花期长势评估

【目的】通过无人机获取荔枝冠层的遥感图像,评估每棵荔枝的开花率,以期为后续荔枝花期疏花保果、精准施肥施药提供决策依据。【方法】以遥感图像为研究对象,利用实例分割的方法分割每棵荔枝冠层后,结合园艺专家的综合判断,按开花率为0、10%～20%、50%～60%、80%及以上将开花率分为4类,使用ResNet、ResNeXt、ShuffleNetv2进行开花率分类比较,试验过程中发现ShuffleNetv2在识别准确率、参数量、训练和验证时间都有很大优势;在ShuffleNetv2上引入了空间注意力模块(Spatial attention module,SAM)后,增加了模型对位置信息的学习,在不显著增加参数量的情况下,提升荔枝冠层花期分类的精度。【结果】通过对多个主流深度神经网络的比较分析,ResNet50、ResNeXt50、ShuffleNetv2的分类精度分别达到85.96%、87.01%和86.84%,而改进后的ShuffleNetv2分类精度更高,达到88.60%;ResNet50、ResNeXt50、ShuffleNetv2和改进后的ShuffleNetv2对测试集单张冠层图像验...     

基于优化的ICNet高分遥感影像城市建成区分类

城市建成区是一类具有大面积的组合型目标群体,该区域地物丰富,光谱特征复杂多变,且具有大量的同物异谱与地物像素单元交错等现象,影像分类难度显著增加。针对图像级联网络（image cascade network,ICNet）计算复杂、分类精度低的问题,采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究,通过添加高效通道注意力机制（efficient channel attention,ECA）和联合金字塔上采样模块（joint pyramid upsampling,JPU）替换空洞卷积来获得ICNet改进网络,采用总体分类精度（overallaccuracy,OA）、Kappa系数与F13个指标对分类结果进行精度评估,并与随机森林（random forest,RF）、ENet和ICNet3种方法进行对比分析。结果表明,优化的ICNet网络模型能够更准确的进行地物分类,总体分类精度为75.12%,相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性,说明优化的ICNet网络可用于城市建成区的分类研究。