CN108537164A - 基于无人机遥感的点穴播种出芽率监测方法与装置 - Google Patents
基于无人机遥感的点穴播种出芽率监测方法与装置 Download PDFInfo
- Publication number
- CN108537164A CN108537164A CN201810305437.4A CN201810305437A CN108537164A CN 108537164 A CN108537164 A CN 108537164A CN 201810305437 A CN201810305437 A CN 201810305437A CN 108537164 A CN108537164 A CN 108537164A
- Authority
- CN
- China
- Prior art keywords
- plant
- vital point
- sowing
- attacking
- remote sensing
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于无人机遥感的点穴播种出芽率监测方法与装置,所述方法包括:以完整点穴播种农田影像中作物植被区的独立影像斑块为监测单元,通过监测每个所述监测单元的轮廓形状及尺寸特性,划分出重叠植株单元和单株植株单元;利用数据统计法,确定单棵植株所覆盖的像元个数,并基于所述单棵植株所覆盖的像元个数,计算所述重叠植株单元中植株的重叠次数;通过统计所述单株植株单元的总数和各所述重叠植株单元的所述重叠次数,计算出芽总植株数,并基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率。本发明能够有效提高作物出芽率的监测效率、准确性和适用性,从而极大的节省人力资源的消耗,提升信息化管理水平。
Description
技术领域
本发明涉及农业信息技术领域,更具体地,涉及一种基于无人机遥感的点穴播种出芽率监测方法与装置。
背景技术
快速准确的监测作物播种后的出芽情况对于对出芽率较低地块的及时补种管理,从而有效提高土地的出产率,节约成本,提高生成效益,具有十分重要的意义。
目前,一般通过人工在农田进行目视查找和统计实现对作物出芽率的监测。或者,通过采集作物种植区域的影像,并对影像进行固定像元数的像元组划分,再对各像元组进行分类处理,得到绿色的作物植被和地表土壤。然后对得到的分类为作物植被的象元进行拓扑转换,得到作物植株的矢量,并对矢量的个数进行计数即得到总的作物植株量,最后计算总的作物植株量与播种量的比值即得到作物的出芽率。此处拓扑转换是指对由多个作物象元聚集在一起形成的孤立象元集合的边界进行提取并转换为矢量的处理过程。
上述的人工地块调查方法精度高、效果好,但十分耗费人力资源,且效率低下,特别是在大面积的作物种植地区,往往会因为部分农田的作物在出芽后不能及时的进行补种作业,而影响后续作物产量。并且,随着人工成本的上升,该方法将越来越难以被广泛使用。
而通过采集作物地块影像,并进行像元组划分、分类、拓扑转换和计数的方法,由于在进行像元组划分时采用固定的像元数量标准,并以像元组为单位进行影像数据处理,而忽略了植株的重叠问题和植株大小问题,从而导致估算的出芽率存在偏差。例如,由于大田环境存在的差异,导致相邻的播种点穴发芽的作物植株有重叠的可能,会导致估算的出芽率比实际情况偏低,或者由于一株植株较大而被划分到多个像元组中,导致重复计算,并从而导致估算值偏高。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种基于无人机遥感的点穴播种出芽率监测方法与装置,用以有效提高作物出芽率的监测效率、准确性和适用性。
一方面,本发明提供一种基于无人机遥感的点穴播种出芽率监测方法,包括:S1,以完整点穴播种农田影像中作物植被区的独立影像斑块为监测单元,通过监测每个所述监测单元的轮廓形状及尺寸特性,划分出重叠植株单元和单株植株单元;S2,利用数据统计法,确定单棵植株所覆盖的像元个数,并基于所述单棵植株所覆盖的像元个数,计算所述重叠植株单元中植株的重叠次数;S3,通过统计所述单株植株单元的总数和各所述重叠植株单元的所述重叠次数,计算出芽总植株数,并基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率。
其中,所述S1的步骤进一步包括:根据目标点穴播种作物的单株植株轮廓形状特性,制定植株重叠判定模型,并根据各所述监测单元的轮廓形状及尺寸特性,利用所述植株重叠判定模型,判定每个所述监测单元属于所述重叠植株单元或者所述单株植株单元。
其中,所述S2的步骤进一步包括:利用数据统计法,制定单棵植株所覆盖的像元个数的频率分布百分比图,并基于所述频率分布百分比图,计算所述单棵植株所覆盖的像元个数;基于所述单棵植株所覆盖的像元个数,计算单棵植株平均轮廓直径,并基于所述单棵植株平均轮廓直径和所述重叠植株单元的最大轴长,计算所述植株的重叠次数。
进一步的,在所述S1的步骤之前,所述方法还包括:S01,控制无人机在目标点穴播种农田上空飞行,采集所述目标点穴播种农田的多张离散区域点穴播种农田遥感影像;S02,对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像,并利用监督分类方法,对所述完整点穴播种农田影像进行分类,提取所述作物植被区。
进一步的,在所述S01和S02的步骤之间,所述方法还包括:对所述多张离散区域点穴播种农田遥感影像进行质量监测,并输出质量指数满足设定标准的离散区域遥感影像;相应的,步骤S02中所述对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像的步骤进一步包括:对所述质量指数满足设定标准的离散区域遥感影像进行拼接处理,获取所述完整点穴播种农田影像。
进一步的,在步骤S02中所述利用监督分类方法,对所述完整点穴播种农田影像进行分类和所述提取所述作物植被区的步骤之间,所述方法还包括:去除分类为植被区的遥感影像中的孤立斑点,所述孤立斑点表示覆盖像元数小于给定数值的孤立植被区。
其中,步骤S02中所述对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像的步骤进一步包括:将所述多张离散区域点穴播种农田遥感影像输入AgisoftScan软件,经拼接处理后,输出包含地理坐标的正射遥感影像作为所述完整点穴播种农田影像。
进一步的,所述S02的步骤还包括:提取裸地区;在所述S02的步骤之后,所述方法还包括:将所述作物植被区和所述裸地区根据所述地理坐标进行区别显示,并根据显示结果指示补种区域。
进一步的,在步骤S3中所述基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率的步骤之前,所述方法还包括:根据点穴播种总行数、点穴播种每行长度、点穴播种速度以及相邻点穴间点穴播种时间间隔,计算所述总播种点穴数。
另一方面,本发明提供一种基于无人机遥感的点穴播种出芽率监测装置,包括:至少一个存储器、至少一个处理器、通信接口和总线;其中,所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口用于所述监测装置与无人机数据通信接口和人机交互接口之间的信息传输;所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的方法。
本发明提供的一种基于无人机遥感的点穴播种出芽率监测方法与装置,通过对点穴播种后农田的无人机遥感影像数据进行处理,分析遥感影像中单株植物植株所覆盖的像元数,以及植株的重叠情况等,实现对目标点穴播种出芽率的自动准确估算,能够有效提高作物出芽率的监测效率、准确性和适用性,从而极大的节省人力资源的消耗,提升信息化管理水平。
附图说明
图1为本发明实施例一种基于无人机遥感的点穴播种出芽率监测方法的流程图;
图2为棉花作物单株植株所占象元数的频率分布百分比示意图;
图3为根据本发明实施例一种基于无人机遥感的点穴播种出芽率监测方法中计算重叠植株单元中植株的重叠次数的流程图;
图4为根据本发明实施例一种基于无人机遥感的点穴播种出芽率监测方法中提取作物植被区的流程图;
图5为本发明实施例一种基于无人机遥感的点穴播种出芽率监测装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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的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。
作为本发明实施例的一个方面,本实施例提供一种基于无人机遥感的点穴播种出芽率监测方法,参考图1,为本发明实施例一种基于无人机遥感的点穴播种出芽率监测方法的流程图,包括:
S1,以完整点穴播种农田影像中作物植被区的独立影像斑块为监测单元,通过监测每个所述监测单元的轮廓形状及尺寸特性,划分出重叠植株单元和单株植株单元;
S2,利用数据统计法,确定单棵植株所覆盖的像元个数,并基于所述单棵植株所覆盖的像元个数,计算所述重叠植株单元中植株的重叠次数;
S3,通过统计所述单株植株单元的总数和各所述重叠植株单元的所述重叠次数,计算出芽总植株数,并基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率。
可以理解为,本实施例利用无人机高效率的数据获取特性,结合计算机视觉和图像处理等技术,快速的进行点穴播种作物种植区域的出芽率估算。应当理解的是,对于点穴播种后的目标农田,根据本实施例进行出芽率的监测之前,需要预先利用无人机采集该农田的整体遥感影像,并能够识别出其中的作物植被区。
其中,点穴播种法是指按照固定的间隔挖掘洞穴,将种子放置于洞穴中并覆土的种植方法。
完整点穴播种农田影像是指进行点穴播种的农田的全区域遥感影像。对于待监测的目标点穴播种农田,其所覆盖的是一片连续的区域范围,则对该连续的区域范围形成的全区域遥感影像即为完整点穴播种农田影像。
于是,在步骤S1中,首先确定进行点穴播种后,对种子出芽形成的植株的统计监测单元,即,确定以作物植被区中的独立影像斑块为监测单元。其中作物植被区是从完整点穴播种农田影像中识别出的植株覆盖区域。作物植被区中的独立影像斑块是指由多个象元组成的一个与其他植株象元不邻接的独立影像形状。
然后,根据每个监测单元所构成的独立影像形状,统计其轮廓形状及尺寸特性,并结合点穴播种的作物的植株轮廓特性,判断每个监测单元的植株重叠状态,即是否存在植株重叠,划分出存在植株重叠的监测单元,即重叠植株单元,以及不存在植株重叠的监测单元,即单株植株单元。
其中可选的,所述S1的步骤进一步包括:根据目标点穴播种作物的单株植株轮廓形状特性,制定植株重叠判定模型,并根据各所述监测单元的轮廓形状及尺寸特性,利用所述植株重叠判定模型,判定每个所述监测单元属于所述重叠植株单元或者所述单株植株单元。
可以理解为,不同的作物类型具有不同的植株轮廓形状及大小差异,因此可以根据单株植株的轮廓及尺寸特性,判断每个监测单元的植株重叠状态。对于目标点穴播种作物,根据其单株植株轮廓形状特性,或者结合其尺寸特性,制定植株重叠判定模型。
然后,将待监测的各监测单元的轮廓形状即尺寸特性输入该植株重叠判定模型,通过模型内部比对判断,即可输出各监测单元的植株重叠状态,即要么属于重叠植株单元,要么属于单株植株单元。
以目标点穴播种作物为棉花为例,无人机获取的多张棉花田遥感影像进行拼接后,得到棉花田真彩色影像实例,即完整点穴播种农田影像。从该完整点穴播种农田影像中可识别出作物植被区,但识别出的作物植被区中相邻点穴间的棉花植株存在重叠的情况。这些重叠区域发生的程度对于不同的出芽生长阶段是不同的,为此需要进行识别和提取以提高监测的准确性。
应当理解的是,实际生产中一个播种点穴所播种的种子个数是不确定的,且农民补种是以点穴为单位进行的,即一个点穴中有棉花苗则不进行补种,不考虑棉花植株的数量。因此,本发明实施例中以一个点穴为单元,即认为一个点穴为一个监测点,考虑每个点穴是否有棉花苗,不考虑每个点穴棉花苗的数量。即,一个点穴中的多个或者一株棉花均被当作一株来对待。因此本发明实施例描述中一株棉花植株均指代一个播种点穴中形成的棉花集合。
但是,应当理解的是,通过合理提高采集影像的分辨率,可实现对一个点穴中包含的棉花植株的实际植株数的详细监测。
因棉花植株叶片呈现圆形,因此可以使用圆形来近似的拟合一株棉花植株。当两株植株半径为r的棉花植株相邻但不完全重叠时,形成影像的形状最大轴长小于4r且大于2r,最小轴长大于0且小于r。因此,在实际中,两植株的重叠率并不固定,因此较难使用特定的公式去描述。本发明实施例中,对于分类影像中棉花植株的形状,以最大轴长Lmax大于3r且最小轴长Lmin小于作为植株之间存在相互覆盖的判断条件,即具体用下式进行表示:
式中,Lmax表示形成形状的最大轴长,即监测单元的最大轴长,Lmin表示形成形状的最小轴长,即监测单元的最小轴长,rmean表示平均的棉花植株半径,Smean表示平均的棉花植株的面积。
此处需要说明的是,由棉花植株形成的形状,即各监测单元的划分规则为:由多个象元组成的一个与其他植株象元不邻接的独立影像斑块即为一个监测单元。
步骤S2可以理解为,单株植株所占象元个数的确定较为困难,因不同的生长季节作物植株的大小并不相同。但通过统计分析发现,在一个较大的区域内,对应的作物植株的大小符合一定的概率分布,如单株棉花植株遥感影像所覆盖像元数符合偏态分布。如图2所示,为棉花作物单株植株所占象元数的频率分布百分比示意图,图中可以明显看出棉花植株所占象元的数量存在比较显著的分布,即大部分的棉花植株所占象元的面积是小于200个象元,仅有10%的大于200。
因此,通过对现有目标点穴播种作物的单株植株覆盖像元数进行统计,或者通过采样统计,确定单棵植株所覆盖的像元个数。并根据该确定单棵植株所覆盖的像元个数,以及根据上述步骤划分出的重叠植株单元尺寸特征,计算各个重叠植株单元中植株的重叠次数,即计算每个重叠植株单元所包含的植株个数。
其中可选的,所述S2的进一步处理步骤参考图3,为根据本发明实施例一种基于无人机遥感的点穴播种出芽率监测方法中计算重叠植株单元中植株的重叠次数的流程图,包括:
S21,利用数据统计法,制定单棵植株所覆盖的像元个数的频率分布百分比图,并基于所述频率分布百分比图,计算所述单棵植株所覆盖的像元个数。
可以理解为,根据上述实施例,对于不同的作物植株,或者同一作物在不同生长时期,其植株轮廓所覆盖的像元数是具有一定统计规律的。对于现有的作物植株类型,通过对单株植株轮廓所覆盖像元数的统计,制定单棵植株所覆盖的像元个数的频率分布百分比图。该制定单棵植株所覆盖的像元个数的频率分布百分比图,该图横轴表示单株植株所覆盖的像元个数,纵轴表示对应像元个数的统计发生频率。
例如,对于上述实施例的棉花植株,在一个较大的区域内,棉花植株的大小符合偏态分布。图2即为单株棉花植株所覆盖的像元个数的频率分布百分比图,图中显示大部分的棉花植株所占象元的面积是小于200个象元,仅有10%的大于200。
然后,根据所制作的单棵植株所覆盖的像元个数的频率分布百分比图,通过统计计算,估算单棵植株所覆盖的像元个数。例如,考虑到在出芽阶段,大部分的棉花植株不会重叠,为此本方法认为使用面积象元发生频率最大的像素个数为所需确定的单株棉花所占象元个数。另外考虑到实际中存在一定波动情况,选择象元发生频率最大的10%以内的象元个数的均值为所需确定的单株棉花所占象元个数,具体见下式。
式中,p表示象元的频率,pmax表示最大的象元个数发生频率,Nump表示发生频率对应的象元个数,Ntotal表示发生频率的个数总和,SGSD表示影像获取的分辨率,Smean表示平均的棉花植株的面积,即单株植株所覆盖象元大小的均值。
上式的含义表现在,取出现次数最多的象元的面积作为Smean。在实际中可能需求取象元出现频次最高的附近象元面积来作为取值范围,为此本发明实施例中设计为Pmax-10%。可以理解为,在一个大的区域内,棉花的面积呈现一个特定的分布,对大部分植株来说,叶片面积肯定是有一个出现次数最多的值,本发明实施例中把这个值取为需要的均值。
S22,基于所述单棵植株所覆盖的像元个数,计算单棵植株平均轮廓直径,并基于所述单棵植株平均轮廓直径和所述重叠植株单元的最大轴长,计算所述植株的重叠次数。
可以理解为,在根据上述步骤计算获取单棵植株所覆盖的像元个数之后,即可根据该值计算单株植株的评价轮廓直径。应当理解的是,此处也可以是植株轮廓半径。例如对于单株植株轮廓为圆形的情况,如棉花植株,单株植株平均轮廓半径计算公式如下:
式中,rmean表示平均的棉花植株半径,Smean表示平均的棉花植株的面积,即单株植株所覆盖象元大小的均值。
同时,观察作物植被区中重叠植株单元的轴长,并根据重叠植株单元的最大轴长和计算获取的单棵植株平均轮廓直径,计算各重叠植株单元的植株的重叠次数。
例如,对于上述步骤的棉花植株,在计算获取平均的棉花植株半径rmean之后,根据下式计算棉花植株各重叠植株单元的植株的重叠次数:
式中,Numoverlay表示重叠植株单元的植株的重叠次数,即有几株棉花植株重叠,rmean表示平均的棉花植株半径,Lmax表示形成形状的最大轴长,即监测单元的最大轴长。
步骤S3可以理解为,出芽率的计算通常计算的是总出芽数量与总种植数量的比值。而考虑到实际点穴播种中,每个点穴中所播种的种子数不一定只有一粒,一个点穴中植株的株数也不一定只有一株。进行补种时也是以点穴为单位,在没有出芽的点穴中进行种子补种,因此,总种植数量以总播种点穴数代替。
在根据上述步骤划分出单株植株单元和重叠植株单元,并计算出各重叠植株单元的重叠次数之后,几个统计计算单株植株单元总个数和重叠植株单元中植株的总个数,二者求和,即为出芽总植株数。同时,可根据实际种植情况,统计总播种点穴数。最后求取出芽总植株数与总播种点穴数的比值,即为所要求的出芽率,即目标点穴播种的出芽率。
其中,考虑到由于采用机器播种,播种的间距和速度是恒定的,为此可以较为方便的计算出总播种点穴数,然后计算出芽率,如下:
式中,Rate表示监测的出芽率,Numisolated表示独立的未重叠的棉花植株,Numsowing表示总播种点穴数,(Numoverlay)i表示第i个重叠植株单元的植株的重叠次数,即有几株棉花植株重叠,n表示重叠植株单元的总个数。
其中,在步骤S3中所述基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率的步骤之前,所述方法还包括:根据点穴播种总行数、点穴播种每行长度、点穴播种速度以及相邻点穴间点穴播种时间间隔,计算所述总播种点穴数。
可以理解为,对于上述实施例的总播种点穴数,考虑到机械种植时播种的间距和速度是恒定的,种植完成后,目标点穴播种农田中播种的总行数、每行的长度以及播种速度等都是确定的,因此可根据上述已知的数据及数据间数量关系,计算总播种点穴数。具体如下:
式中,Numsowing表示总播种点穴数,Nrow表示点穴播种总行数,Lrow表示点穴播种每行长度,Speed表示点穴播种速度,T表示相邻点穴间点穴播种时间间隔。
本发明实施例提供的一种基于无人机遥感的点穴播种出芽率监测方法,通过对点穴播种后农田的无人机遥感影像数据进行处理,分析遥感影像中单株植物植株所覆盖的像元数,以及植株的重叠情况等,实现对目标点穴播种出芽率的自动准确估算,能够有效提高作物出芽率的监测效率、准确性和适用性,从而极大的节省人力资源的消耗,提升信息化管理水平。
其中,在一个实施例中,在所述S1的步骤之前,所述方法还包括如图4所示的处理流程,为根据本发明实施例一种基于无人机遥感的点穴播种出芽率监测方法中提取作物植被区的流程图,包括:
S01,控制无人机在目标点穴播种农田上空飞行,采集所述目标点穴播种农田的多张离散区域点穴播种农田遥感影像。
可以理解为,由于通常农田的范围都相对较宽广,无人机无法一次性采集到农田的全局遥感影像。因此,首先需要控制无人机在目标点穴播种农田上空飞行,以遍历采集目标点穴播种农田各不同分区域的单张遥感影像,形成多张离散区域点穴播种农田遥感影像。
例如,野外的棉花田的影像采集使用大疆精灵4无人机进行,飞行的高度为10m到15m,得到的影像的分辨率不低于12mm。
S02,对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像,并利用监督分类方法,对所述完整点穴播种农田影像进行分类,提取所述作物植被区。
可以理解为,对于上述步骤无人机采集的多张离散区域点穴播种农田遥感影像,不便于从全局视角观测整片农田的出芽率情况。因此,在根据农田影像进行监测之前,首先,将无人机采集的多张离散区域点穴播种农田遥感影像按相邻区域逐张进行拼接,即可得到完整的分类后的棉花植株影像。
其中可选的,步骤S02中所述对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像的步骤进一步包括:将所述多张离散区域点穴播种农田遥感影像输入AgisoftScan软件,经拼接处理后,输出包含地理坐标的正射遥感影像作为所述完整点穴播种农田影像。
可以理解为,本实施例中影像的拼接使用AgisoftScan软件进行,输入多张离散区域点穴播种农田遥感影像,经AgisoftScan软件自动拼接后得到的影像为包含地理坐标的正射遥感影像,即作为完整点穴播种农田影像,该完整点穴播种农田影像的分辨率与原始影像一致。
然后,对拼接完成得到的完整点穴播种农田影像利用监督分类方法进行分类,得到影像中被作物植株所覆盖的区域,作为作物植被区,没有被作为植株所覆盖的区域,作为裸地区。
其中,监督分类方法的实现原理为,从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、方差等),建立判别函数,并依据样本类别的特征来识别非样本像元的归属类别,实现对样本像元进行分类。具体在本发明实施例中,利用ENVI软件进行完整点穴播种农田影像的分类。
即,在ENVI软件中加载所需的影像——完整点穴播种农田影像,创建两个分类类别:人工选择多个影像中为地表的感兴趣区域和影像中为植株的区域作为训练样本区域。然后利用ENVI软件自带的最大释然分类算法对影像进行分类。
其中,在上述实施例的基础上,在所述S01和S02的步骤之间,所述方法还包括:对所述多张离散区域点穴播种农田遥感影像进行质量监测,并输出质量指数满足设定标准的离散区域遥感影像;
相应的,步骤S02中所述对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像的步骤进一步包括:对所述质量指数满足设定标准的离散区域遥感影像进行拼接处理,获取所述完整点穴播种农田影像。
可以理解为,实际应用过程中,由于农田地势因素,无人机飞行环境等的影像,会使采集到的部分影像数据质量达不到分类识别标准,如分辨率过低、曝光过度等,从而导致影像数据分类的失败。因此,本实施例中在无人机对目标点穴播种农田的多张离散区域点穴播种农田遥感影像进行采集之后,先对采集到的遥感影像进行质量监测。具体若检测到的影像质量指数满足设定标准,则保留对应的离散区域遥感影像,若检测到的影像质量指数达不到设定标准,则将对应的离散区域遥感影像舍弃。另外,对于一次飞行未覆盖地区进行再次补飞作业,以获取覆盖目标点穴播种农田的全局地区遥感影像。
相应的,由于对达不到设定标准的遥感影像数据进行了滤除,剩余的是能够满足设定标准的遥感影像数据。另外,经过补飞作业获取了农田全部区域的离散遥感影像数据,则在步骤S02中进行离散区域点穴播种农田遥感影像的拼接时,仅对质量指数满足设定标准的离散区域遥感影像进行拼接处理。
进一步的,在上述实施例的基础上,在步骤S02中所述利用监督分类方法,对所述完整点穴播种农田影像进行分类和所述提取所述作物植被区的步骤之间,所述方法还包括:
去除分类为植被区的遥感影像中的孤立斑点,所述孤立斑点表示覆盖像元数小于给定数值的孤立植被区。
可以理解为,由于存在数据噪声等因素的影响,在对完整点穴播种农田影像进行分类之后,所形成的分类影像中可能有些孤立斑点所覆盖的像元数明显少于正常植株所覆盖的像元数,如覆盖像元数小于3,因此不可能是目标作物的植株影像。为此,将这些覆盖的像元数明显少于正常植株所覆盖的像元数的孤立斑点去除,以降低数据处理规模,提高计算效率。其中的孤立斑点表示覆盖像元数小于给定数值的孤立植被区。
进一步的,在上述实施例的基础上,所述S02的步骤还包括:提取裸地区;
在所述S02的步骤之后,所述方法还包括:将所述作物植被区和所述裸地区根据所述地理坐标进行区别显示,并根据显示结果指示补种区域。
可以理解为,根据上述实施例,在进行完整点穴播种农田影像的分类时,可以同时划分出作物植被区和裸地区两种地表类型。因此为了补种方便,在分类出作物植被区和裸地区之后,将这两种地表类型以不同的状态在显示单元上进行显示,以供相关人员根据显示结果对缺苗位置进行针对性的补种。如此能够帮助相关人员快速定位缺苗点穴,从而有效提高工作效率,减小劳动强度。
作为本发明实施例的另一个方面,本实施例提供一种基于无人机遥感的点穴播种出芽率监测装置,参考图5,为本发明实施例一种基于无人机遥感的点穴播种出芽率监测装置的结构框图,包括:至少一个存储器1、至少一个处理器2、通信接口3和总线4。其中,
存储器1、处理器2和通信接口3通过总线4完成相互间的通信,通信接口3用于所述监测装置与无人机数据通信接口和人机交互接口之间的信息传输;存储器1中存储有可在处理器2上运行的计算机程序,处理器2执行所述程序时实现如上述实施例所述的基于无人机遥感的点穴播种出芽率监测方法。
可以理解为,所述的基于无人机遥感的点穴播种出芽率监测装置中至少包含存储器1、处理器2、通信接口3和总线4,且存储器1、处理器2和通信接口3通过总线4形成相互之间的通信连接,并可完成相互间的通信。
通信接口3实现基于无人机遥感的点穴播种出芽率监测装置与无人机数据通信接口和人机交互接口之间的通信连接,并可完成相互间信息传输,如通过通信接口3实现对无人机所采集的离散区域点穴播种农田遥感影像的获取,以及接收人工设置点穴播种参数等。
出芽率监测装置运行时,处理器2调用存储器1中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:通过统计所述单株植株单元的总数和各所述重叠植株单元的所述重叠次数,计算出芽总植株数,并基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率等。
本发明另一个实施例中,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述实施例所述的基于无人机遥感的点穴播种出芽率监测方法。
可以理解为,上述的存储器1中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。或者,实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的基于无人机遥感的点穴播种出芽率监测装置的实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,既可以位于一个地方,或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解,各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令,用以使得一台计算机设备(如个人计算机,服务器,或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
本发明实施例提供的一种基于无人机遥感的点穴播种出芽率监测装置,通过处理器2调用存储器1中的程序指令,对点穴播种后农田的无人机遥感影像数据进行处理,分析遥感影像中单株植物植株所覆盖的像元数,以及植株的重叠情况等,实现对目标点穴播种出芽率的自动准确估算,能够有效提高作物出芽率的监测效率、准确性和适用性,从而极大的节省人力资源的消耗,提升信息化管理水平。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于无人机遥感的点穴播种出芽率监测方法,其特征在于,包括:
S1,以完整点穴播种农田影像中作物植被区的独立影像斑块为监测单元,通过监测每个所述监测单元的轮廓形状及尺寸特性,划分出重叠植株单元和单株植株单元;
S2,利用数据统计法,确定单棵植株所覆盖的像元个数,并基于所述单棵植株所覆盖的像元个数,计算所述重叠植株单元中植株的重叠次数;
S3,通过统计所述单株植株单元的总数和各所述重叠植株单元的所述重叠次数,计算出芽总植株数,并基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率。
2.根据权利要求1所述的方法,其特征在于,所述S1的步骤进一步包括:
根据目标点穴播种作物的单株植株轮廓形状特性,制定植株重叠判定模型,并根据各所述监测单元的轮廓形状及尺寸特性,利用所述植株重叠判定模型,判定每个所述监测单元属于所述重叠植株单元或者所述单株植株单元。
3.根据权利要求2所述的方法,其特征在于,所述S2的步骤进一步包括:
利用数据统计法,制定单棵植株所覆盖的像元个数的频率分布百分比图,并基于所述频率分布百分比图,计算所述单棵植株所覆盖的像元个数;
基于所述单棵植株所覆盖的像元个数,计算单棵植株平均轮廓直径,并基于所述单棵植株平均轮廓直径和所述重叠植株单元的最大轴长,计算所述植株的重叠次数。
4.根据权利要求1所述的方法,其特征在于,在所述S1的步骤之前,还包括:
S01,控制无人机在目标点穴播种农田上空飞行,采集所述目标点穴播种农田的多张离散区域点穴播种农田遥感影像;
S02,对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像,并利用监督分类方法,对所述完整点穴播种农田影像进行分类,提取所述作物植被区。
5.根据权利要求4所述的方法,其特征在于,在所述S01和S02的步骤之间,还包括:
对所述多张离散区域点穴播种农田遥感影像进行质量监测,并输出质量指数满足设定标准的离散区域遥感影像;
相应的,步骤S02中所述对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像的步骤进一步包括:
对所述质量指数满足设定标准的离散区域遥感影像进行拼接处理,获取所述完整点穴播种农田影像。
6.根据权利要求5所述的方法,其特征在于,在步骤S02中所述利用监督分类方法,对所述完整点穴播种农田影像进行分类和所述提取所述作物植被区的步骤之间,还包括:
去除分类为植被区的遥感影像中的孤立斑点,所述孤立斑点表示覆盖像元数小于给定数值的孤立植被区。
7.根据权利要求4所述的方法,其特征在于,步骤S02中所述对所述多张离散区域点穴播种农田遥感影像进行拼接处理,获取所述完整点穴播种农田影像的步骤进一步包括:
将所述多张离散区域点穴播种农田遥感影像输入AgisoftScan软件,经拼接处理后,输出包含地理坐标的正射遥感影像作为所述完整点穴播种农田影像。
8.根据权利要求7所述的方法,其特征在于,所述S02的步骤还包括:提取裸地区;
在所述S02的步骤之后,还包括:
将所述作物植被区和所述裸地区根据所述地理坐标进行区别显示,并根据显示结果指示补种区域。
9.根据权利要求1所述的方法,其特征在于,在步骤S3中所述基于所述出芽总植株数和总播种点穴数,计算目标点穴播种的出芽率的步骤之前,还包括:
根据点穴播种总行数、点穴播种每行长度、点穴播种速度以及相邻点穴间点穴播种时间间隔,计算所述总播种点穴数。
10.一种基于无人机遥感的点穴播种出芽率监测装置,其特征在于,包括:至少一个存储器、至少一个处理器、通信接口和总线;
所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信,所述通信接口用于所述监测装置与无人机数据通信接口和人机交互接口之间的信息传输;
所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810305437.4A CN108537164B (zh) | 2018-04-08 | 2018-04-08 | 基于无人机遥感的点穴播种出芽率监测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810305437.4A CN108537164B (zh) | 2018-04-08 | 2018-04-08 | 基于无人机遥感的点穴播种出芽率监测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537164A true CN108537164A (zh) | 2018-09-14 |
CN108537164B CN108537164B (zh) | 2020-08-28 |
Family
ID=63482853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810305437.4A Active CN108537164B (zh) | 2018-04-08 | 2018-04-08 | 基于无人机遥感的点穴播种出芽率监测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537164B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示*** |
US11580729B2 (en) * | 2019-11-22 | 2023-02-14 | Intelinair, Inc. | Agricultural pattern analysis system |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9058633B2 (en) * | 2010-10-25 | 2015-06-16 | Trimble Navigation Limited | Wide-area agricultural monitoring and prediction |
CN105046909A (zh) * | 2015-06-17 | 2015-11-11 | 中国计量学院 | 一种基于小型无人机的农业辅助定损方法 |
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析*** |
CN107148633A (zh) * | 2014-08-22 | 2017-09-08 | 克莱米特公司 | 用于使用无人机***进行农艺和农业监测的方法 |
CN107493920A (zh) * | 2017-09-26 | 2017-12-22 | 界首市俊良种植专业合作社 | 一种用于花生高产的栽培方法 |
-
2018
- 2018-04-08 CN CN201810305437.4A patent/CN108537164B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9058633B2 (en) * | 2010-10-25 | 2015-06-16 | Trimble Navigation Limited | Wide-area agricultural monitoring and prediction |
CN107148633A (zh) * | 2014-08-22 | 2017-09-08 | 克莱米特公司 | 用于使用无人机***进行农艺和农业监测的方法 |
CN105046909A (zh) * | 2015-06-17 | 2015-11-11 | 中国计量学院 | 一种基于小型无人机的农业辅助定损方法 |
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析*** |
CN107493920A (zh) * | 2017-09-26 | 2017-12-22 | 界首市俊良种植专业合作社 | 一种用于花生高产的栽培方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580729B2 (en) * | 2019-11-22 | 2023-02-14 | Intelinair, Inc. | Agricultural pattern analysis system |
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
CN112560833A (zh) * | 2021-03-01 | 2021-03-26 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示*** |
CN112560833B (zh) * | 2021-03-01 | 2021-05-11 | 广州汇图计算机信息技术有限公司 | 一种基于遥感影像的信息展示*** |
Also Published As
Publication number | Publication date |
---|---|
CN108537164B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
Zhou et al. | Using colour features of cv.‘Gala’apple fruits in an orchard in image processing to predict yield | |
CN108363949B (zh) | 一种基于物候分析的棉花遥感监测方法 | |
Alencastre-Miranda et al. | Robotics for sugarcane cultivation: Analysis of billet quality using computer vision | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN104239886B (zh) | 基于图像分析的草坪与背景分界线的提取方法 | |
CN108537164A (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Syal et al. | A survey of computer vision methods for counting fruits and yield prediction | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
CN113221806A (zh) | 基于云平台融合多源卫星影像和茶树物候期的茶园自动识别方法 | |
CN108961295B (zh) | 基于正态分布h阈值的紫色土图像分割提取方法 | |
CN112734083A (zh) | 一种基于机器视觉的水稻收割机路径规划控制*** | |
Liu et al. | UAV-based crops classification with joint features from orthoimage and DSM data | |
Kassim et al. | Oil palm fresh fruit bunches (FFB) growth determination system to support harvesting operation | |
CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
CN110598514B (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
Reza et al. | Automatic counting of rice plant numbers after transplanting using low altitude uav images | |
CN106683069A (zh) | 农田苗期行内作物-杂草识别方法 | |
CN115619286B (zh) | 一种评估育种田间小区样地质量的方法和*** | |
Xiao et al. | 3D reconstruction and characterization of cotton bolls in situ based on UVA technology | |
CN110232345A (zh) | 使用计算机生成杂草识别模型的程序和杂草识别装置 | |
CN115937314A (zh) | 一种油茶果生长姿态检测方法 | |
CN115527192A (zh) | 一种油菜苗期杂株定位方法及杂株去除方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |