CN108334110A - 一种基于无人机的林业病害监测方法和装置 - Google Patents
一种基于无人机的林业病害监测方法和装置 Download PDFInfo
- Publication number
- CN108334110A CN108334110A CN201810118167.6A CN201810118167A CN108334110A CN 108334110 A CN108334110 A CN 108334110A CN 201810118167 A CN201810118167 A CN 201810118167A CN 108334110 A CN108334110 A CN 108334110A
- Authority
- CN
- China
- Prior art keywords
- region
- monitored
- tree
- ndvi
- orthophotoquad
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 73
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000036541 health Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 abstract description 6
- 230000003595 spectral effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000002689 soil Substances 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 230000009102 absorption Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000243771 Bursaphelenchus xylophilus Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241000244206 Nematoda Species 0.000 description 2
- 240000007263 Pinus koraiensis Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 235000006667 Aleurites moluccana Nutrition 0.000 description 1
- 241001070941 Castanea Species 0.000 description 1
- 235000014036 Castanea Nutrition 0.000 description 1
- 235000018244 Castanea mollissima Nutrition 0.000 description 1
- 241001465204 Cronartium flaccidum Species 0.000 description 1
- 235000018783 Dacrycarpus dacrydioides Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000011615 Pinus koraiensis Nutrition 0.000 description 1
- 235000011609 Pinus massoniana Nutrition 0.000 description 1
- 241000018650 Pinus massoniana Species 0.000 description 1
- 235000008578 Pinus strobus Nutrition 0.000 description 1
- 241000403513 Schizostachyum chinense Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical group C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- KNHUKKLJHYUCFP-UHFFFAOYSA-N clofibrate Chemical compound CCOC(=O)C(C)(C)OC1=CC=C(Cl)C=C1 KNHUKKLJHYUCFP-UHFFFAOYSA-N 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- -1 regulate the climate Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于无人机的林业病害监测方法和装置，通过在无人机上搭载由可见光相机和近红外相机所集成的双光相机，对待监测区域的林木进行航拍监测，通过对航拍数据的分析，充分结合可见光图像信息和归一化差分植被指数正射影像图，以可见光图像信息选出明显健康或已死树木，再结合NDVI指标做进一步的判断，从而快速、准确而高效的确定待监测区域的死树和病树信息，克服了单一使用可见光图像或者NDVI指标来识别林业病害引起的判断效率不高、准确度较低的现状，从而解决现有技术在发生林业病虫害时无法快速、精确找到病树和死树的问题。
Description
技术领域
本发明属于林业病虫害监测领域，特别涉及一种基于无人机的林业病害监测方法和装置。
背景技术
森林在国民经济中占有重要地位,它仅能提供国家建设和人民生活所需的木材及林副产品,而且还肩负着释放氧气、调节气候、涵养水源、保持水土、防风固沙、美化环境、净化空气、减少噪音及旅游保健等多种使命。同时,森林还是农牧业稳产高产的重要条件。
然而，林业病害毁灭大片森林的事例时有发生。如自1904年前后板栗疫病传入北美后，不到40年时间便摧毁了相当于5400万亩左右的美国板栗纯林，使一个经济价值很高的树种很难继续用于造林。20世纪初在北美流行的松疱锈病曾使该地区的美国五针松大量死亡，至今仍无妥善防治办法。这一病害自50年代以来，在中国东北地区的红松人工林中也不断蔓延，有的林分死亡率达40％以上，并有日渐扩展的趋势。又如松材线虫病，在美国、加拿大、墨西哥、日本、韩国等国均有发生，20世纪80年代侵袭中国香港，几乎毁灭了香港分布广泛的马尾松林。1982年在南京中山陵首次被发现，随后相继在安徽、山东、浙江、广东等地形成几个疾病中心，并向四周扩散，使这些省的局部地区发生并流行成灾，导致大批松树枯死。松材线虫病给安徽、浙江两省带来的经济损失高达5亿～7亿元。
很多林业病害的传播速度很快，且病害的传播媒介本身又寄生在病树上，因此，对于某些林业病害较好的一种处理方法就是及时发现病树及死树，并将病树及死树砍掉处理(如高温处理、药物熏蒸处理等)，以防止病害的蔓延。
在现有技术中，森林疫情监测主要依靠地面人工普查和卫星监测相结合的方式。我国的森林面积巨大，分布多聚集于山区，人员有限，所以依靠徒步进行监测难度极大，成本非常高，很难对林区进行全面覆盖；另外很多林业病害传播较快，人工普查无法达到即时发现及时处理，依然会造成较大损失。卫星遥感等范围大，但是分辨率有限，受到云层、水汽、雾霾等因素影响很大，因此高精度的影像获得较难。
发明内容
本发明提供了一种基于无人机的林业病害监测方法和装置，其目的在于，克服现有技术中林业区域中树木健康状况无法实时监测，且无法有效确定病害位置的问题。
本发明采用如下技术方案：
一种基于无人机的林业病害监测方法，包括以下步骤：
步骤1：利用无人机同时获取待监测区域的多张连续的可见光图像和近红外图像；
通过将可见光相机、近红外相机搭载在所述无人机上，按照设定的航线对所述待监测区域进行航拍，获得多张连续的可见光图像、近红外图像；
步骤2：将所述多张连续的可见光图像、近红外图像分别进行校正和拼接，获得所述待监测区域的可见光正射影像图和近红外正射影像图；
步骤3：通过所述可见光正射影像图和所述近红外正射影像图获取所述待监测区域中同一位置的植被覆盖指数NDVI，构建所述待监测区域的归一化差分植被指数正射影像图；
所述植被覆盖指数由可见光正射影像图和近红外正射影像图获得；
可见光相机获取红光波段数据，红光波段的反射值R；近红外相机获取近红外波段数据，近红外波段的反射值NIR；NDVI＝(NIR-R)/(NIR+R)；
步骤4：从所述可见光正射影像图中分别选取N棵死树和N棵健康树所在的位置，并从所述归一化差分植被指数正射影像图中获取所述N棵死树和N棵健康树的NDVI值，统计所述N棵死树的NDVI均值A以及所述N棵健康树的NDVI均值B，N≥2，N为正整数；
步骤5：依据步骤4获得的A、B，对步骤3获得的归一化差分植被指数正射影像图进行林业病害分析，获得所述待监测区域的树木健康状况；
从所述归一化差分植被指数正射影像图中，依次得到所述待监测区域中各位置x的NDVI值NDVI(x)，当0≤NDVI(x)≤A时，位于x位置的树木为死树；当A＜NDVI(x)＜B时，位于x位置的树木为病树；当B≤NDVI(x)≤1时，位于x位置的树木为健康树。
进一步地，依据所述待监测区域的树木健康状况，对所述待监测区域的死树和病树总数、分布以及小班信息进行统计。
在林业上，每一片林场分为很多个小班，是一种组织单位，例如发现一棵死树，该树木可能携带松材线虫，此时需要及时将这棵死树处理掉，这棵树的地理位置是已知的，它所对应的小班(即归哪个小班负责)就是已知的；
进一步地，依据设定的无人机飞行要求高度H和所述待监测区域的高程信息，确定无人机拍摄航线；
所述待监测区域的高程信息包括待所述监测区域最高点和最低点的海拔高度分别为C和D；
若H＞C-D，则所述无人机在所述待监测区域按照H+D的海拔高度飞行；
若H≤C-D，则将所述待监测区域按照海拔高度划分为M个区域，在所述第j个区域内按照jH+D的海拔高度飞行，其中，第j个区域内的最高点的高程值与D的差值为L，且(j-1)H≤L＜jH，1≤j≤M，M、j为正整数。
一种基于无人机的林业病害监测装置，包括：
图像采集单元，通过将可见光相机、近红外相机搭载在无人机上，按照设定的航线对所述待监测区域进行航拍，获得多张连续的可见光图像、近红外图像；
第一图像处理单元，用于将所述无人机获取的可见光图像、近红外图像分别进行校正和拼接，获得待监测区域的可见光正射影像图和近红外正射影像图；
第二图像处理单元，用于从所述可见光正射影像图和所述近红外正射影像图获取所述待监测区域中同一位置的植被覆盖指数NDVI，构建所述待监测区域的归一化差分植被指数正射影像图；
树木指标确定单元，用于从所述可见光正射影像图中分别选取N棵死树和健康树所在的位置，并从所述归一化差分植被指数正射影像图中获取所述N棵死树以及所述N棵健康树的NDVI值，确定所述N棵死树的NDVI均值A以及所述N棵健康树的NDVI均值B，N≥2，N为正整数；
分析单元，依据树木指标确定单元获得的A、B，对所述第二图像处理单元获得的归一化差分植被指数正射影像图进行林业病害分析，获得所述待监测区域的树木健康状况；
从所述归一化差分植被指数正射影像图中，依次得到所述待监测区域中各位置x的NDVI值NDVI(x)，当0≤NDVI(x)≤A时，位于x位置的树木为死树；当A＜NDVI(x)＜B时，位于x位置的树木为病树；当B≤NDVI(x)≤1时，位于x位置的树木为健康树木。
进一步地，还包括统计单元，所述统计单元依据所述待监测区域的树木健康状况，对所述待监测区域的死树和病树总数、分布以及小班信息进行统计。
进一步地，还包括飞行高度规划单元，所述飞行高度规划单元依据设定的无人机飞行要求高度H和待监测区域的高程信息，确定无人机拍摄航线；
利用高程信息采集单元获取所述待监测区域的高程信息包括所述待监测区域最高点和最低点的海拔高度分别为C和D；
若H＞C-D，则所述无人机在所述待监测区域按照H+D的海拔高度飞行；
若H≤C-D，则将所述待监测区域按照海拔高度划分为M个区域，在所述第j个区域内按照jH+D的海拔高度飞行，其中，第j个区域内的最高点的高程值与D的差值为L，且(j-1)H≤L＜jH，1≤j≤M，M、j为正整数。
有益效果
本发明提供了一种基于无人机的林业病害监测方法和装置，通过在无人机上搭载由可见光相机和近红外相机所集成的双光相机，对待监测区域的林木进行航拍监测，通过对航拍数据的分析，充分结合可见光图像信息和归一化差分植被指数正射影像图，以可见光图像信息选出明显健康或已死树木，再结合NDVI指标做进一步的判断，从而快速、准确而高效的确定待监测区域的死树和病树信息，克服了单一使用可见光图像或者NDVI指标来识别林业病害引起的判断效率不高、准确度较低的现状，从而解决现有技术在发生林业病虫害时无法快速、精确找到病树和死树的问题。
附图说明
图1为本发明所述一种基于无人机的林业病害监测方法的流程示意图；
图2为本发明所述方法中确定实际飞行高度的流程示意图；
图3为本发明所述一种基于无人机的林业病害监测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
为解决现有技术在发生林业病虫害时无法快速、精确找到病树的问题，结合图1，本发明实施例提供了一种基于无人机的林业病害监测方法，该方法包括：
S101、利用无人机同时获取待监测区域的多张连续的可见光图像和近红外图；
通过将可见光相机、近红外相机搭载在所述无人机上，按照设定的航线对所述待监测区域进行航拍，获得多张连续的可见光图像、近红外图像；
其中，无人机搭载双光相机，双光相机包含可见光相机和近红外相机。
植被在不同的波段，具有不同的吸收和反射光谱特征。例如在可见光波段内，在中心波长分别为0.45μm(蓝色)和0.65μm(红色)的两个谱带内为叶绿素吸收峰，在0.54μm(绿色)附近有一个反射峰。在光谱的红外阶段，绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。
地面植物具有明显的光谱反射特征，不同于土壤、水体和其他的典型地物，植被对电磁波的响应是由其化学特征和形态学特征决定的，这种特征与植被的发育、健康状况以及生长条件密切相关。
因此，通过树木的可见光光谱波段的数据，结合近红外光光谱波段的数据，就可以对森林中的树木的健康度进行准确判别。
其中，在航空拍照中，为保证分辨率的要求，可见光相机通常需要高像素、支持GPS定位以及搭配有大容量内部存储卡及定焦镜头。
近红外，英文名称near infrared，定义为波长在780～3000nm范围的电磁波。对植物反射光非常敏感。
近红外工业相机具有性能稳定可靠等技术优势，是应用于工业场合，对波长在780-3000nm范围的电磁波感应敏感的数字成像设备。近红外工业相机输出的是裸数据，适合进行高质量的图像处理算法，例如机器视觉检测等应用。
近红外相机增强了灵敏度，特别适合应用于对植被进行拍照，感知光谱特征。通过病害和正常植株的特征比较，提取出来的特征信息，按照拍照的结果进行数字化分析。
通过在无人机上搭载可见光相机和近红外相机，对被监测的林木区域进行航空拍照，获得多张连续的可见光图像、近红外图像，作为树木健康度的分析依据。
S102、将所述多张连续的可见光图像、近红外图像分别进行校正和拼接，获得所述待监测区域的可见光正射影像图和近红外正射影像图；
结合无人机采集回来的定位定姿***(英文：Positioning and OrientationSystem，简称：POS)数据，对步骤S101中无人机采集回来的多张连续的可见光图像、近红外图像分别进行拼接、校正处理，获得待监测区域的可见光正射影像图和近红外正射影像图。
S103、通过所述可见光正射影像图和所述近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI，构建所述待监测区域的归一化差分植被指数正射影像图；
所述植被覆盖指数由可见光正射影像图和近红外正射影像图获得；
归一化差分植被指数(英文：Normalized Difference Vegetation Index，简称：NDVI)是通过对可见光内红光波段反射率值和对多光谱内近红外波段反射率值进行运算得到的，具体的表达式为：NDVI＝(NIR-R)/(NIR+R)；
其中，NIR为近红外波段反射率值，R为红波段反射率值。
它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关。
归一化是指将其限定在[-1，1]之间，便于使用，包括赋伪彩色和计算机程序运算。其中负值部分表示地面覆盖为云、水、雪等，对可见光高反射；0表示岩石、土壤或者已经死亡的树木等；正值表示有植被覆盖，随着数值增大覆盖率和健康度增大。NDVI可以大部分消除太阳高度角和大气波动造成的光线误差、航拍设备造成的角度误差、地形和云层等原因造成的自然光线误差影响、群落结构的阴影和辐射干扰。
此外，实验表明，NDVI对土壤背景的变化较为敏感；它是单位像元内的植被类型、覆盖形态、生长状况等的综合反映，其大小取决于植被覆盖度和叶面积指数等要素；NDVI对植被覆盖度的检测幅度较宽，有较好的时间和空间适应性。
需要说明的是，NDVI的获取需要NIR和R两种数据。R数据可通过可见光正射影像图获取，NIR可通过近红外正射影像图获取。
S104、从所述可见光正射影像图中分别选取N棵死树和N棵健康树所在的位置，并从所述归一化差分植被指数正射影像图中获取所述N棵死树和N棵健康树的NDVI值，统计N棵死树的NDVI均值A以及所述N棵健康树的NDVI均值B，N≥2，N为正整数；
可见光正射影像图能够清晰、直观的展示待监测区域内树木的生长状态和健康状态，通过从可见光正射影像图中选取多棵明显死树和健康树木，通过这多棵死树和健康树木在可见光正射影像图中的位置信息，找到这多棵病树和健康树木在NDVI正射影像图中的对应位置，从而获取这多棵病树和健康树木所对应的NDVI值。
NDVI是植被生长状态及植被覆盖度的最佳指示因子，通过统计从可见光正摄影像图中选取的多棵明显病树的NDVI值的平均值A，以及多棵明显健康树木的NDVI值的平均值B。作为通过待监测区域NDVI正射影像图分析待监测区域植物健康状态的依据，可快速找到待监测区域内的病树及死树。
S105、依据获得的A、B，对获得的归一化差分植被指数正射影像图进行林业病害监测，获得待监测区域的树木健康状况；
从归一化差分植被指数正射影像图中，依次得到待监测区域中各位置x的NDVI值NDVI(x)，当0≤NDVI(x)≤A时，位于x位置的树木为死树；当A＜NDVI(x)＜B时，位于x位置的树木为病树；当B≤NDVI(x)≤1时，位于x位置的树木为健康树木。
因此，通过对可见光正射影像图和归一化差分植被指数正射影像图进行分析，可准确并且快速的获得待监测区域的病树和死树信息，病树和死树信息包括但不限于待监测区域的病树和死树总数、分布以及地理信息和小班信息。
在林业上，每一片林场分为很多个小班，是一种组织单位，当发现一棵死树或病树后，该树木可能携带松材线虫等传播性较强的林业病害时，此时需要及时将这棵死树处理掉，这棵树的地理位置是已知的，它所对应的小班(即归哪个小班负责)就是已知的，从而能够有效遏制病虫害的蔓延。
此外，在对待监测林业区域进行图像拍摄时，由于待监测区域中的海拔可能存在差异，需要对不同区域的海拔高度，对无人机的飞行高度进行如下控制，如图2所示，确保无人机所获得清楚完整的图像。
判断图像质量的技术指标有多种，如图像分辨率、图像比例尺等。根据对无人机所采集的数据的用途不同、功能不同等，对图像的质量要求也不同。在图像质量的要求已确定时，根据无人机所搭载的双光相机的像素、飞行的航向重叠率、旁向重叠率等参数，结合现有的计算方法可计算出无人机的飞行标准要求高度H。
举例来说，当5060万像素全画幅可见光相机搭配35mm定焦镜头，要求获取0.1米的地面分辨率，且需要航向重叠80％，旁向重叠60％，则通过现有的计算方法可计算出飞行高度约为844米，即H＝844米。
确定待监测区域的高程信息；
高程指的是某点沿铅垂线方向到绝对基面的距离，称绝对高程，简称高程。以海平面为绝对基面的高程为海拔高程，也称作海拔高度。确定待监测区域的高程信息，主要是确定待监测区域的最高点的海拔高度C和最低点的海拔高度D；
依据设定的无人机飞行要求高度H和待监测区域的高程信息，确定无人机拍摄航线；
所述无人机飞行要求高度应满足图像质量要求，或优于图像质量要求；
所述待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度分别为C和D；
若H＞C-D，则所述无人机在所述待监测区域按照H+D的海拔高度飞行；
若H≤C-D，则将所述待监测区域按照海拔高度划分为M个区域，在所述第j个区域内按照jH+D的海拔高度飞行，其中，第j个区域内的最高点的高程值与D的差值为L，且(j-1)H≤L＜jH，1≤j≤M，M、j为正整数。举例来说，待监测区域最高点的海拔高程值C为500米，最低点的海拔高程值D为100米，通过计算得出H为844米，则海拔高程差C-D＝400米＜H，此时，无人机在整个待监测区域按照844米的与最低点D的相对高度，即944米的海拔高度进行飞行作业即可；
若待监测区域最高点的海拔高程值C为1300米，最低点的海拔高程值D为100米，则最高点与最低点的海拔高程差为1200米，若计算得出飞机飞行要求高度H为844米，则H≤C-D，此时，将待监测区域分为两个区域，第1个区域最高点的高程值与D的差应为L1，0≤L＜844，无人机在第一个区域按照944(即H+D)米的海拔高度飞行；第二个区域最高点与D的差值为L2，则844＜L2≤1688，则无人机在第二个区域的区域按照2H+D的海拔高度飞行。
需要说明的是，在划分区域时，第j个区域的最低高程应大于(j-1)H+D，才能使得无人机采集到的所有待监测区域的数据都满足既定的图像质量。但是在实际应用中，由于监测面积广阔、地势复杂，出现小部分区域不能满足图像质量的问题不可避免。
需要说明的是，上述实施例仅为一种实施方式，其他基于本发明实施例的其他实施方式，如上例中C为1300米，D为100米时，在第二个区域飞机的飞行海拔高度在1300米到1788米(2H+D)之间都可以满足分辨率的需求，此种实施方式也应该在本发明的保护范围之中。
除此之外，在规划航线时还应考虑最低安全飞行高度的问题，一般来说，无人机在待监测区域飞行的海拔高度与该区域最高点的海拔高度差应不小于150米至250米。
本发明实施例提供了一种基于无人机的林业病害监测方法，通过在飞行前规划航线，对待监测区域的高程信息进行分析，当待监测区域的最高点的高程值与最低点的高程值之差非常大时，采取分层作业的方式，从而保证所采集的数据的图像质量要求。通过对高质量的图像进行处理分析，解决了现有技术中发生林业病害后病树无法被及时、高效、准确找到的问题。
为解决现有技术在发生林业病虫害时无法快速、精确找到病树的问题，结合图3，本发明实施例还提供了一种基于无人机的林业病害监测装置，该装置包括：
一种基于无人机的林业病害监测装置，包括：
图像采集单元301，通过将可见光相机、近红外相机搭载在无人机上，按照设定的航线对所述待监测区域进行航拍，获得多张连续的可见光图像、近红外图像；
第一图像处理单元302，用于将所述无人机获取的可见光图像、近红外图像分别进行校正和拼接，获得待监测区域的可见光正射影像图和近红外正射影像图；
第二图像处理单元303，用于从可见光正射影像图和近红外正射影像图获取待监测区域中同一位置的植被覆盖指数NDVI，构建待监测区域的归一化差分植被指数正射影像图；
树木指标确定单元304，用于从所述可见光正射影像图中分别选取N棵死树和健康树所在的位置，并从所述归一化差分植被指数正射影像图中获取所述N棵死树以及所述N棵健康树的NDVI值，确定所述N棵死树的NDVI均值A以及所述N棵健康树的NDVI均值B，N≥2，N为正整数；
分析单元305，依据树木指标确定单元获得的A、B，对所述第二图像处理单元获得的归一化差分植被指数正射影像图进行林业病害分析，获得待监测区域的树木健康状况；
从归一化差分植被指数正射影像图中，依次得到待监测区域中各位置x的NDVI值NDVI(x)，当0≤NDVI(x)≤A时，位于x位置的树木为死树；当A＜NDVI(x)＜B时，位于x位置的树木为病树；当B≤NDVI(x)≤1时，位于x位置的树木为健康树木。
该装置还包括统计单元306和飞行高度规划单元307；
所述统计单元306依据待监测区域的树木健康状况，对待监测区域的病树总数、病树分布以及小班信息进行统计。
所述飞行高度规划单元307依据设定的无人机飞行要求高度H和待监测区域的高程信息，确定无人机拍摄航线；
利用高程信息采集单元308获取所述待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度分别为C和D；
若H＞C-D，则所述无人机在所述待监测区域按照H+D的海拔高度飞行；
若H≤C-D，则将所述待监测区域按照海拔高度划分为M个区域，在所述第j个区域内按照jH+D的海拔高度飞行，其中，第j个区域内的最高点的高程值与D的差值为L，且(j-1)H≤L＜jH，1≤j≤M，M、j为正整数。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于无人机的林业病害监测方法，其特征在于，包括以下步骤：
步骤1：利用无人机同时获取待监测区域的多张连续的可见光图像和近红外图像；
通过将可见光相机、近红外相机搭载在所述无人机上，按照设定的航线对所述待监测区域进行航拍，获得多张连续的可见光图像、近红外图像；
步骤2：将所述多张连续的可见光图像、近红外图像分别进行校正和拼接，获得所述待监测区域的可见光正射影像图和近红外正射影像图；
步骤3：通过所述可见光正射影像图和所述近红外正射影像图获取所述待监测区域中同一位置的植被覆盖指数NDVI，构建所述待监测区域的归一化差分植被指数正射影像图；
步骤4：从所述可见光正射影像图中分别选取N棵死树和N棵健康树所在的位置，并从所述归一化差分植被指数正射影像图中获取所述N棵死树和N棵健康树的NDVI值，统计所述N棵死树的NDVI均值A以及所述N棵健康树的NDVI均值B，N≥2，N为正整数；
步骤5：依据步骤4获得的A、B，对步骤3获得的归一化差分植被指数正射影像图进行林业病害分析，获得所述待监测区域的树木健康状况；
从所述归一化差分植被指数正射影像图中，依次得到所述待监测区域中各位置x的NDVI值NDVI(x)，当0≤NDVI(x)≤A时，位于x位置的树木为死树；当A＜NDVI(x)＜B时，位于x位置的树木为病树；当B≤NDVI(x)≤1时，位于x位置的树木为健康树。
2.根据权利要求1所述的方法，其特征在于，依据所述待监测区域的树木健康状况，对所述待监测区域的死树和病树总数、分布以及小班信息进行统计。
3.根据权利要求1或2所述的方法，其特征在于，依据设定的无人机飞行要求高度H和所述待监测区域的高程信息，确定无人机拍摄航线；
所述待监测区域的高程信息包括待所述监测区域最高点和最低点的海拔高度分别为C和D；
若H＞C-D，则所述无人机在所述待监测区域按照H+D的海拔高度飞行；
若H≤C-D，则将所述待监测区域按照海拔高度划分为M个区域，在所述第j个区域内按照jH+D的海拔高度飞行，其中，第j个区域内的最高点的高程值与D的差值为L，且(j-1)H≤L＜jH，1≤j≤M，M、j为正整数。
4.一种基于无人机的林业病害监测装置，其特征在于，包括：
图像采集单元，通过将可见光相机、近红外相机搭载在无人机上，按照设定的航线对所述待监测区域进行航拍，获得多张连续的可见光图像、近红外图像；
第一图像处理单元，用于将所述无人机获取的可见光图像、近红外图像分别进行校正和拼接，获得所述待监测区域的可见光正射影像图和近红外正射影像图；
第二图像处理单元，用于从所述可见光正射影像图和所述近红外正射影像图获取所述待监测区域中同一位置的植被覆盖指数NDVI，构建所述待监测区域的归一化差分植被指数正射影像图；
树木指标确定单元，用于从所述可见光正射影像图中分别选取N棵死树和健康树所在的位置，并从所述归一化差分植被指数正射影像图中获取所述N棵死树以及所述N棵健康树的NDVI值，确定所述N棵死树的NDVI均值A以及所述N棵健康树的NDVI均值B，N≥2，N为正整数；
分析单元，依据树木指标确定单元获得的A、B，对所述第二图像处理单元获得的归一化差分植被指数正射影像图进行林业病害分析，获得所述待监测区域的树木健康状况；
从所述归一化差分植被指数正射影像图中，依次得到所述待监测区域中各位置x的NDVI值NDVI(x)，当0≤NDVI(x)≤A时，位于x位置的树木为死树；当A＜NDVI(x)＜B时，位于x位置的树木为病树；当B≤NDVI(x)≤1时，位于x位置的树木为健康树木。
5.根据权利要求4所述的装置，其特征在于，还包括统计单元，所述统计单元依据所述待监测区域的树木健康状况，对所述待监测区域的死树和病树总数、分布以及小班信息进行统计。
6.根据权利要求4或5所述的装置，其特征在于，还包括飞行高度规划单元，所述飞行高度规划单元依据设定的无人机飞行要求高度H和待监测区域的高程信息，确定无人机拍摄航线；
利用高程信息采集单元获取所述待监测区域的高程信息包括所述待监测区域最高点和最低点的海拔高度分别为C和D；
若H＞C-D，则所述无人机在所述待监测区域按照H+D的海拔高度飞行；
若H≤C-D，则将所述待监测区域按照海拔高度划分为M个区域，在所述第j个区域内按照jH+D的海拔高度飞行，其中，第j个区域内的最高点的高程值与D的差值为L，且(j-1)H≤L＜jH，1≤j≤M，M、j为正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810118167.6A CN108334110A (zh) | 2018-02-06 | 2018-02-06 | 一种基于无人机的林业病害监测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810118167.6A CN108334110A (zh) | 2018-02-06 | 2018-02-06 | 一种基于无人机的林业病害监测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108334110A true CN108334110A (zh) | 2018-07-27 |
Family
ID=62928446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810118167.6A Pending CN108334110A (zh) | 2018-02-06 | 2018-02-06 | 一种基于无人机的林业病害监测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108334110A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109211802A (zh) * | 2018-09-13 | 2019-01-15 | 航天信德智图（北京）科技有限公司 | 卫星监测感染松材线虫病枯死马尾松的快速提取算法 |
| CN109341702A (zh) * | 2018-12-13 | 2019-02-15 | 广州极飞科技有限公司 | 作业区域内的路线规划方法、装置、设备及存储介质 |
| CN109405114A (zh) * | 2018-10-22 | 2019-03-01 | 张振花 | 一种基于农业种植的智能城市净化方法及其*** |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN110334683A (zh) * | 2019-07-12 | 2019-10-15 | 四川长虹电器股份有限公司 | 基于无人机遥感***智能识别植物的方法 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和*** |
| WO2021198967A1 (en) * | 2020-04-02 | 2021-10-07 | Grace And Kowloon Holdings Limited | Tree image data acquisition |
| CN113492981A (zh) * | 2020-04-03 | 2021-10-12 | 广州极飞科技股份有限公司 | 播撒控制方法、装置、终端设备、无人设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104035412A (zh) * | 2014-06-12 | 2014-09-10 | 江苏恒创软件有限公司 | 一种基于无人机的农作物病虫害监测***和方法 |
| WO2014147043A1 (fr) * | 2013-03-18 | 2014-09-25 | Delta Drone | Procédé d'analyse d'une parcelle agricole cultivée |
| CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及*** |
| CN104915674A (zh) * | 2014-10-24 | 2015-09-16 | 北京师范大学 | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 |
| US20160217562A1 (en) * | 2014-06-30 | 2016-07-28 | Trimble Navigation Limited | Active Imaging Systems for Plant Growth Monitoring |
| CN106412393A (zh) * | 2016-09-09 | 2017-02-15 | 西北农林科技大学 | 一种农用双目多光谱相机 |
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
| CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和*** |
-
2018
- 2018-02-06 CN CN201810118167.6A patent/CN108334110A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014147043A1 (fr) * | 2013-03-18 | 2014-09-25 | Delta Drone | Procédé d'analyse d'une parcelle agricole cultivée |
| CN104035412A (zh) * | 2014-06-12 | 2014-09-10 | 江苏恒创软件有限公司 | 一种基于无人机的农作物病虫害监测***和方法 |
| US20160217562A1 (en) * | 2014-06-30 | 2016-07-28 | Trimble Navigation Limited | Active Imaging Systems for Plant Growth Monitoring |
| CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及*** |
| CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和*** |
| CN104915674A (zh) * | 2014-10-24 | 2015-09-16 | 北京师范大学 | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 |
| CN106412393A (zh) * | 2016-09-09 | 2017-02-15 | 西北农林科技大学 | 一种农用双目多光谱相机 |
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
Non-Patent Citations (2)
| Title |
|---|
| 张学敏: "基于支持向量数据描述的遥感图像病害松树识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 李振兴: "基于无人机遥感的小麦全蚀病监测***设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109211802A (zh) * | 2018-09-13 | 2019-01-15 | 航天信德智图（北京）科技有限公司 | 卫星监测感染松材线虫病枯死马尾松的快速提取算法 |
| CN109405114A (zh) * | 2018-10-22 | 2019-03-01 | 张振花 | 一种基于农业种植的智能城市净化方法及其*** |
| CN109341702A (zh) * | 2018-12-13 | 2019-02-15 | 广州极飞科技有限公司 | 作业区域内的路线规划方法、装置、设备及存储介质 |
| CN109341702B (zh) * | 2018-12-13 | 2021-07-20 | 广州极飞科技股份有限公司 | 作业区域内的路线规划方法、装置、设备及存储介质 |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN110334683A (zh) * | 2019-07-12 | 2019-10-15 | 四川长虹电器股份有限公司 | 基于无人机遥感***智能识别植物的方法 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和*** |
| WO2021198967A1 (en) * | 2020-04-02 | 2021-10-07 | Grace And Kowloon Holdings Limited | Tree image data acquisition |
| CN113492981A (zh) * | 2020-04-03 | 2021-10-12 | 广州极飞科技股份有限公司 | 播撒控制方法、装置、终端设备、无人设备及介质 |
| CN113492981B (zh) * | 2020-04-03 | 2024-04-09 | 广州极飞科技股份有限公司 | 播撒控制方法、装置、终端设备、无人设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334110A (zh) | 一种基于无人机的林业病害监测方法和装置 | |
| Key et al. | Landscape assessment (LA) | |
| CN108267175A (zh) | 一种基于无人机的农作物监测方法和装置 | |
| Yang | A high-resolution airborne four-camera imaging system for agricultural remote sensing | |
| CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的***及方法 | |
| CN110533595A (zh) | 一种作物病虫害空间动态分布监测的方法和*** | |
| CN109142240A (zh) | 一种基于无人机遥感的大田作物水分胁迫监测方法 | |
| Song et al. | Ecological characterization of vegetation using multisensor remote sensing in the solar reflective spectrum | |
| Jung et al. | Analysis of vegetation infection information using unmanned aerial vehicle with optical sensor | |
| Liu et al. | An efficient approach based on UAV orthographic imagery to map paddy with support of field-level canopy height from point cloud data | |
| Ahongshangbam et al. | Drone‐based photogrammetry‐derived crown metrics for predicting tree and oil palm water use | |
| Sivanpillai et al. | Mapping locust habitats in the Amudarya River Delta, Uzbekistan with multi-temporal MODIS imagery | |
| Samseemoung et al. | Oil palm pest infestation monitoring and evaluation by helicopter-mounted, low altitude remote sensing platform | |
| Liu et al. | Detection of Firmiana danxiaensis canopies by a customized imaging system mounted on an UAV platform | |
| Pauly | Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations | |
| Gil-Docampo et al. | Plant survival monitoring with UAVs and multispectral data in difficult access afforested areas | |
| Maurya et al. | Recent advancement and role of drones in forest monitoring: Research and practices | |
| Song et al. | An effective leaf area index estimation method for wheat from UAV-based point cloud data | |
| Huang et al. | Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images | |
| US20220092306A1 (en) | Cloud platform-based garlic crop recognition method by coupling active and passive remote sensing images | |
| Thomasson et al. | Disease detection and mitigation in a cotton crop with UAV remote sensing | |
| Wang et al. | Mapping Robinia pseudoacacia forest health in the Yellow River delta by using high-resolution IKONOS imagery and object-based image analysis | |
| CN207215687U (zh) | 光谱测量***、多光谱相机及遥感监控*** | |
| CN206704565U (zh) | 无人机 | |
| Ye et al. | Inter-relationships between canopy features and fruit yield in citrus as detected by airborne multispectral imagery |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180727 |
|
| WD01 | Invention patent application deemed withdrawn after publication |