CN108765544B - 一种大田作物冠层表型波谱图像的实时自动较正方法与*** - Google Patents
一种大田作物冠层表型波谱图像的实时自动较正方法与*** Download PDFInfo
- Publication number
- CN108765544B CN108765544B CN201810322084.9A CN201810322084A CN108765544B CN 108765544 B CN108765544 B CN 108765544B CN 201810322084 A CN201810322084 A CN 201810322084A CN 108765544 B CN108765544 B CN 108765544B
- Authority
- CN
- China
- Prior art keywords
- field crop
- canopy
- point cloud
- automatic correction
- cloud data
- 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 57
- 238000012937 correction Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007639 printing Methods 0.000 claims abstract description 11
- 238000010146 3D printing Methods 0.000 claims abstract description 10
- 238000002310 reflectometry Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 241000209094 Oryza Species 0.000 claims description 36
- 235000007164 Oryza sativa Nutrition 0.000 claims description 36
- 235000009566 rice Nutrition 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 8
- 244000037666 field crops Species 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 4
- 229920005610 lignin Polymers 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000350052 Daniellia ogea Species 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种大田作物冠层表型波谱图像的实时自动较正方法，包括：获取大田作物冠层点云数据，对大田作物进行三维建模，采用3D打印技术打印生成自动校正靶标；通过无人机机载波谱传感***得到自动校正靶标波谱图像，并采用全局和相素反射较正模型测定自动校正靶标的反射率；采用R900和全黑色反射率来构建较准模型，自动完成对自动校正靶标的波谱图像的较准。本发明还公开了一种用于大田作物冠层表型波谱图像的实时自动较正方法的***，包括：大田作物点云数据采集***、3D建模***、3D打印***、无人机机载波谱传感***。
Description
技术领域
本发明涉及智能农业技术领域，具体涉及一种大田作物冠层表型波谱 图像的实时自动较正方法与***。
背景技术
随着波谱技术在智能农业中的广泛应用，基于波谱技术支撑的作物含 水率、含氮量及多项生理分成的表型信息获取已经成为实现智能农业数据 采集的有效手段。但是例如水稻等大田作物在不同生长时期的冠层形态各 具特点，如何通过无人机搭载的表型成像***对大田作物冠层生长状况数 据进行量化采集受多方面因素的影响，实际应用中需要考虑到季节、温度、 光照、太阳高度角、太阳方位角等因素的影响，诸多因素叠加会让表型成 像在某些波段处的数据被削弱。
此外，不同生长时期的大田作物冠层表现出不同的性状特征，表型成 像***对大田作物冠层的准确感知需要对表型成像***进行较正，目前的 常用做法通过采用灰度值逐渐变化且反射率已知的靶标，该靶标多为单一 平面模式，而实际上随着作物的生长，不同生长时期冠层表现出的巨大的 差异性，传统的较正靶标未能在实时性与普适性满足表型成像***的成像 需求。
申请号为201710273395.6的中国发明专利申请书中公开了一种无人 机快拍式高光谱遥感***及一致性辐射校准方法，该发明采用平面靶标实 实体模型，能充分表现处与大田作物冠层各个生长时期的表型特征的相关 性，因此通过靶标波谱图像的实施自动校正即可实现对大田作物冠层表型 波普图像的实时自动校正。
作为优选，步骤(1)中所述的获取大田作物冠层点云数据采用激光 扫描仪和球型靶标采集大田作物冠层点云数据。
作为进一步的优选，步骤(1)中所述的获取大田作物冠层点云数据， 包括：采集大田作物冠层点云数据后，对大田作物冠层点云数据进行配准 拼接、去噪化处理等预处理，获得完整的水稻冠层点云数据。
作为优选，步骤(1)中所述的对大田作物进行三维建模，包括：
(1.1)采用非接触式高速激光测量方式，以点云形式快速获取大田作 物冠层表面的阵列式几何图形的单位数据，可将植物冠层的几何、颜色、 纹理等信息记录下来。
(1.2)基于点云数据和大田作物冠层纹理数据验证大田作物冠层点 云数据的拟合误差和配准误差，完成平滑处理，结合大田作物冠层特征对 水稻冠层进行三维建模，并对其进行纹理和颜色贴图，生成大田作物冠层 的三维模型。
作为优选，(1)中所述的打印生成自动校正靶标所采用的3D打印采 用对环境无害的木质素粉末。
作为优选，(1)中所述的打印生成自动校正靶标按照自动校正靶标与 三维模型大小比例为9：1打印，既能使无人机机载波谱传感***完全得 到大田作物冠层不同生长时期冠层的信息，又在一定程度上降低了打印自 动校正靶标的成本。
作为优选，步骤(3)中所述的构建较准模型通过以下步骤完成构建：
(3.1)至少得到两个包含了待测样本反射波段在内的标准波谱值；
(3.2)通过拟合最小二乘法模型完成真实值与测得值的标准化较正。
作为进一步的优选，步骤(3.1)中只需要两个标准光谱值：全反射 标准反射值和镜头全遮罩后的全黑色反射值。
本发明还提供了一种大田作物冠层表型波谱图像的实时自动较正系 统，能够采集实时的大田作物冠层信息，并对无人机机载波谱传感***采 集到的表型波谱图像进行自动校准。
一种用于大田作物冠层表型波谱图像的实时自动较正方法的***，包 括：
点云数据采集***，采集大田作物水稻冠层点云数据；
3D建模***，导入采集得到的大田作物冠层点云数据，并对大田作物 冠层进行三维建模；
3D打印***，导入3D建模***构建的三维模型，打印成实体模型， 作为大田作物冠层的自动校正靶标；
无人机机载波谱传感***，包括：无人机机载波谱传感信息靶标生成 单元，用于高空采集自动校正靶标的波谱图像；波谱自动较正单元，对自 动校正靶标的波谱图像自动校准，从而实现对大田作物冠层实时的表型波 谱图像自动校正，并进行滤波处理、消除图像畸变等进一步处理，得到校 正后更准确的大田作物冠层实时的表型波谱图像。
作为优选，所述点云数据采集***包括：
球形靶标，用于反射标志大田作物的同名特征点；所述球形靶标布设 符合如下3点要求：
(a)靶标在扫描范围内均匀布置且高低错落；
(b)每组球形标靶个数不少于4个；
(c)作物明显特征点作为靶标使用。
3D扫描仪，用于扫描球型靶标，并采集大田作物冠层点云数据。
本发明提供了当前大田作物全生长周期冠层表型波谱图像采集过程 中对表型波谱图像实时自动校正的方法，使得针对大田作物全生长周期冠 层表型波谱图像校正过程更具有实时性与普适性，提高了大田生产环境下 表型波谱图像采集的准确性。
本发明提供了当前大田作物全生长周期冠层表型波谱图像采集过程 中对表型波谱图像实时自动校正的***，能准确获取大田作物全生长周期 冠层的三维信息后生成自动校正靶标，更准确地对大田作物全生长周期冠 层表型波谱图像实时自动校正。
附图说明
图1为水稻全生长周期冠层表型波谱图像的点云数据采集方案。
图2为生成自动校正靶标的方法示意图。
具体实施方式
本实施例结合对水稻全生长周期冠层表型波谱图像的实时自动较正 对本发明进行更详细的说明。
一种水稻全生长周期冠层表型波谱图像的实时自动较正方法，包括：
1、采用如图2所示的方法生成自动校正靶标，具体步骤如下：
(1)采用如图1所示的方案采集水稻冠层激光点云数据：
在水稻田间一角选取5*5平方米的区域作为三维数据采集区域，用来 采集水稻冠层三维数据，将3D扫描分别放置于三维数据采集区域的每个 角外，从距3D扫描仪3m位置开始布设一个球形靶标组，采集得到三维数 据采集区域内水稻冠层激光点云数据。球形靶标组布设如下：
(a)靶标在扫描范围内均匀布置且高低错落；
(b)每一扫描站的标靶个数为8个；
(c)作物明显特征点作为靶标使用。
本实施例的3D扫描仪选用FARO Focus三维激光扫描仪。
(2)对水稻冠层激光点云数据预处理，包括：配准拼接、去噪简化， 得到水稻冠层实体点云数据；
(3)获取水稻冠层表面的阵列式几何图形的单位数据；
采用非接触式高速激光测量方式，以点云形式快速获取大田作物冠层 表面的阵列式几何图形的单位数据。
(4)水稻冠层三维重建，包括：基于激光点云数据和水稻冠层纹理 数据验证冠层点云数据的拟合误差和配准误差，完成平滑处理，结合代表 性轮廓线和三维几何模型，通过HD-Modeling for CAD2013对水稻冠层进 行几何建模。
将完成的几何建模导入3DMAX软件中，利用经过处理的纹理影像对其 进行纹理和颜色贴图，生成水稻冠层的三维模型；
(5)采用3D打印技术，按照9：1的比例打印水稻的三维模型，生 成自动校正靶标实体模型。3D打印的主材料为对环境无害的木质素粉末。
2、对水稻冠层自动校正靶标进行校准
采用全局和相素反射较正模型完成对自动校正靶标反射率的测定。
3、采用R900和全黑色反射率来构建校准模型，并根据式(1)自动完 成对自动校正靶标的较准。
通过以下步骤构建校准模型：
(3.1)获得两个包含了待测样本反射波段在内的标准波谱值，分别 为全反射标准反射值和镜头全遮罩后的全黑色反射值；
(3.2)通过拟合最小二乘法模型完成真实值与测得值的标准化较正。
Rc＝b0+b1R900 (1)
其中，Rc为校准后的光谱值，b0为线性偏移，b1为线性校准模型的斜 率，R900表示900nm波段处的靶标光谱值。
4、对波谱影像数据进一步处理
对波谱图像进一步处理，包括：滤波处理、消除图像畸变，进而得到 无人机机载波谱传感***对水稻不同时期冠层的波谱图像。
所述的水稻全生长周期冠层表型波谱图像的实时自动较正方法所采 用的***，包括：
FARO Focus三维激光扫描仪，用于采集三维数据采集区域内水稻冠 层点云数据；
球形靶标组，位于三维数据采集区域四周，用于反射标志水稻冠层同 名特征点；
3D建模***，导入采集得到的水稻冠层点云数据，并对对水稻冠层进 行三维建模；
其中，3D建模***包括：AutoCAD的插件HD Modeling工具和3DMAX 软件。
3D打印***，导入3D建模***构建的水稻冠层三维模型，并将水稻 冠层三维模型打印成实体模型，作为水稻冠层的自动校正靶标；
无人机机载波谱传感***，包括：无人机机载波谱传感信息靶标生成 单元，用于高空采集自动校正靶标的波谱图像；波谱自动较正单元，对自 动校正靶标的波谱图像自动校准，从而实现对大田作物冠层实时的表型波 谱图像自动校正，并进行滤波处理、消除图像畸变。
Claims (8)
1.一种大田作物冠层表型波谱图像的实时自动校正方法，其特征在于，包括：
(1)获取大田作物冠层点云数据，对大田作物进行三维建模，采用3D打印技术打印生成自动校正靶标；
所述的对大田作物进行三维建模，包括：
(1.1)采用非接触式高速激光测量方式，以点云形式快速获取被测对象表面的阵列式几何图形的单位数据；
(1.2)基于点云数据和大田作物冠层纹理数据验证大田作物冠层点云数据的拟合误差和配准误差，完成平滑处理，结合大田作物冠层特征对水稻冠层进行三维建模，并对其进行纹理和颜色贴图，生成大田作物冠层的三维模型；
(2)通过无人机机载波谱传感***得到自动校正靶标波谱图像，并采用全局和像 素反射校正模型测定自动校正靶标的反射率；
(3)采用R900和全黑色反射率来构建校准模型，校准模型根据式(1)自动完成对自动校正靶标的波谱图像的校准，得到校准后的表型波谱图像，实现对大田作物冠层表型波谱图像的实时自动校正：
Rc＝b0+b1R900 (1)
其中，Rc为校准后的光谱值，b0为线性偏移，b1为线性校准模型的斜率，R900表示900nm波段处的靶标光谱值；
所述的构建校准模型通过以下步骤完成构建：
(3.1)至少得到两个包含了待测样本反射波段在内的标准波谱值；
(3.2)通过拟合最小二乘法模型完成真实值与测得值的标准化校正。
2.根据权利要求1所述的大田作物冠层表型波谱图像的实时自动校正方法，其特征在于，步骤(1)中所述的获取大田作物冠层点云数据采用激光扫描仪和球型靶标采集大田作物冠层点云数据。
3.根据权利要求2所述的大田作物冠层表型波谱图像的实时自动校正方法，其特征在于，步骤(1)中所述的获取大田作物冠层点云数据，包括：采集大田作物冠层点云数据后，对大田作物冠层点云数据进行配准拼接、去噪化处理，获得完整的水稻冠层点云数据。
4.根据权利要求1所述的大田作物冠层表型波谱图像的实时自动校正方法，其特征在于，步骤(1)中所述的3D打印技术中采用木质素粉末进行打印。
5.根据权利要求1所述的大田作物冠层表型波谱图像的实时自动校正方法，其特征在于，步骤(1)中所述的打印生成自动校正靶标按照自动校正靶标与三维模型大小比例为9：1打印。
6.根据权利要求1所述的大田作物冠层表型波谱图像的实时自动校正方法，其特征在于，步骤(3.1)中采用两个标准波谱值：全反射标准反射值和镜头全遮罩后的全黑色反射值。
7.一种大田作物冠层表型波谱图像的实时自动校正***，其特征在于，包括：
点云数据采集***，采集大田作物水稻冠层点云数据；
3D建模***，导入采集得到的大田作物冠层点云数据，并对大田作物冠层进行三维建模，所述的对大田作物进行三维建模的步骤包括：
(1.1)采用非接触式高速激光测量方式，以点云形式快速获取被测对象表面的阵列式几何图形的单位数据；
(1.2)基于点云数据和大田作物冠层纹理数据验证大田作物冠层点云数据的拟合误差和配准误差，完成平滑处理，结合大田作物冠层特征对水稻冠层进行三维建模，并对其进行纹理和颜色贴图，生成大田作物冠层的三维模型；3D打印***，导入3D建模***构建的三维模型，打印成实体模型，作为大田作物冠层的自动校正靶标；
无人机机载波谱传感***，包括：无人机机载波谱传感信息靶标生成单元，用于高空采集自动校正靶标的波谱图像；波谱自动校正单元，对自动校正靶标的波谱图像自动校准，并进行滤波处理、消除图像畸变。
8.根据权利要求7所述的大田作物冠层表型波谱图像的实时自动校正***，其特征在于，所述点云数据采集***包括：
球形靶标，用于反射标志大田作物的同名特征点；
3D扫描仪，用于扫描球型靶标，并采集大田作物冠层点云数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810322084.9A CN108765544B (zh) | 2018-04-11 | 2018-04-11 | 一种大田作物冠层表型波谱图像的实时自动较正方法与*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810322084.9A CN108765544B (zh) | 2018-04-11 | 2018-04-11 | 一种大田作物冠层表型波谱图像的实时自动较正方法与*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765544A CN108765544A (zh) | 2018-11-06 |
| CN108765544B true CN108765544B (zh) | 2020-06-19 |
Family
ID=63981450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810322084.9A Active CN108765544B (zh) | 2018-04-11 | 2018-04-11 | 一种大田作物冠层表型波谱图像的实时自动较正方法与*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765544B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599272A (zh) * | 2015-01-22 | 2015-05-06 | 中国测绘科学研究院 | 面向可移动靶标球的机载LiDAR点云与影像联合配准方法 |
| CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查***和方法 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| CN107402069A (zh) * | 2017-04-21 | 2017-11-28 | 浙江大学 | 无人机快拍式高光谱遥感***及一致性辐射校正方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120003728A1 (en) * | 2010-07-01 | 2012-01-05 | Mark Allen Lanoue | Scalable Portable Sensory and Yield Expert System for BioMass Monitoring and Production |
-
2018
- 2018-04-11 CN CN201810322084.9A patent/CN108765544B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599272A (zh) * | 2015-01-22 | 2015-05-06 | 中国测绘科学研究院 | 面向可移动靶标球的机载LiDAR点云与影像联合配准方法 |
| CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查***和方法 |
| CN107402069A (zh) * | 2017-04-21 | 2017-11-28 | 浙江大学 | 无人机快拍式高光谱遥感***及一致性辐射校正方法 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 农作物冠层光谱信息检测技术及方法综述;方孝荣等;《光谱学与光谱分析》;20150731;第35卷(第7期);第1949-1955页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765544A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105675549B (zh) | 一种便携式农作物参数测量与长势智能分析装置及方法 | |
| Bendig et al. | Very high resolution crop surface models (CSMs) from UAV-based stereo images for rice growth monitoring in Northeast China | |
| CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
| CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、***及设备 | |
| CN108132220B (zh) | 林区机载推扫式高光谱影像的brdf归一化校正方法 | |
| CN112131746B (zh) | 叶绿素a浓度反演方法及*** | |
| CN113324656B (zh) | 无人机搭载红外遥感的地表热异常探测方法及*** | |
| Wang et al. | Unmanned Aerial System multispectral mapping for low and variable solar irradiance conditions: Potential of tensor decomposition | |
| CN111486864B (zh) | 基于立体正八边结构的多源传感器联合标定方法 | |
| CN113533256B (zh) | 一种光谱反射率的确定方法、装置及设备 | |
| Mäkeläinen et al. | 2D hyperspectral frame imager camera data in photogrammetric mosaicking | |
| CN113409379B (zh) | 一种光谱反射率的确定方法、装置及设备 | |
| CN111798509B (zh) | 一种基于半球图像法测量叶面积指数的方法 | |
| Zhang et al. | Evaluation of a UAV-mounted consumer grade camera with different spectral modifications and two handheld spectral sensors for rapeseed growth monitoring: performance and influencing factors | |
| CN109087341B (zh) | 一种近距离高光谱相机与测距传感器的融合方法 | |
| Wang et al. | The impact of variable illumination on vegetation indices and evaluation of illumination correction methods on chlorophyll content estimation using UAV imagery | |
| Aasen et al. | Spectral and 3D nonspectral approaches to crop trait estimation using ground and UAV sensing | |
| Kröhnert et al. | Watching grass grow-a pilot study on the suitability of photogrammetric techniques for quantifying change in aboveground biomass in grassland experiments | |
| Liao et al. | Algorithm of leaf area index product for HJ-CCD over Heihe River Basin | |
| Zhang et al. | Analysis of vegetation indices derived from aerial multispectral and ground hyperspectral data | |
| CN108765544B (zh) | 一种大田作物冠层表型波谱图像的实时自动较正方法与*** | |
| CN115541032A (zh) | 基于无人机热红外遥感影像的烟株温度提取方法 | |
| CN116385894A (zh) | 基于遥感图像的海岸线识别方法、装置以及设备 | |
| CN114136445B (zh) | 一种提高无人机机载高光谱辐射校正精度的方法 | |
| CN115598071A (zh) | 植物生长分布状态检测方法及装置 |
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 |