CN112434569A - 一种无人机热成像*** - Google Patents
一种无人机热成像*** Download PDFInfo
- Publication number
- CN112434569A CN112434569A CN202011237627.0A CN202011237627A CN112434569A CN 112434569 A CN112434569 A CN 112434569A CN 202011237627 A CN202011237627 A CN 202011237627A CN 112434569 A CN112434569 A CN 112434569A
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- unmanned aerial
- aerial vehicle
- imaging system
- 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
- 238000001931 thermography Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000003672 processing method Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 11
- 235000015097 nutrients Nutrition 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 229930002875 chlorophyll Natural products 0.000 claims description 5
- 235000019804 chlorophyll Nutrition 0.000 claims description 5
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound 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 claims description 5
- 238000013500 data storage Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 241000196324 Embryophyta Species 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 208000035126 Facies Diseases 0.000 abstract 1
- 238000000034 method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 238000012272 crop production Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 239000013067 intermediate product Substances 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008654 plant damage Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种无人机热成像***,包括成像光谱仪,用于获取作物的光谱遥感图像,提取作物图像光谱和相对应的地面叶片的各参数含量数据及填图;传感单元用于采集相大田的环境数据;CPS定位,用于获取当前作物的地理位置信息;拍摄校正装置,用于对会影响到图谱的因素对无人机进行实时调整;数据处理装置,用于根据作物种类的不同,选取合适的特征波段和数据处理方法进行数据分析处理,剔除冗余数据、减少数据量;作物长势预测装置,用于对目标作物的参数进行分析,得出长势预测结果。本发明在提高作物信息诊断准确性的同时提高数据处理的适用性,省时、高效节省人力。
Description
技术领域
本发明属于农业无人机技术领域,具体涉及一种用于大田生产的无人机热成像***。
背景技术
农业在我国经济中占据着重要的地位,因此,作物的生长情况不仅关系着人们的生活,还影响着经济的发展。然而,作物的生长因其占地面积大,生长周期长等特点,使得人们无法随时掌握生长情况,传统作物生长环境监测时,需要在田间布置传感器及铺设电路,通常会出现破坏植株、维护成本高、耗时费力的现象。尤其是在大田生产中,如何能够快速、无损、实时了解作物生产情况,及时进行肥水调控、病虫害防治、产量预判是当前面临的重要问题。而无人机热成像技术作为一种新型的探测手段,具有获取信息快、覆盖面积广及运行成本低的优势,为作物生长监测提供了有利条件。
发明内容
针对目前在大田生产中,如何能够快速、无损、实时了解作物生产情况,及时进行肥水调控、病虫害防治、产量预判的问题,将无人机热成像技术应用到上述问题中,设计了一种用于大田生产的无人机热成像***。
为实现上述目的,本发明提供了如下方案:一种无人机热成像***,包括:
成像光谱仪,用于获取作物的光谱遥感图像,并结合地面测量数据,提取出作物图像光谱和相对应的地面叶片的各参数含量数据及含量填图,用于监测作物营养元素的含量来预测作物的营养状况;
传感单元,包括温度传感器、湿度传感器、二氧化碳传感器、光照传感器,用于采集大田的环境数据,并将所述环境数据传输至拍摄校正装置,用于对无人机进行三维校正调整;
CPS定位,用于获取当前作物的地理位置信息,所述地理位置信息包括经纬度、时间、日期;
拍摄校正装置,用于对太阳光照的强度、角度会影响到图谱的因素对无人机进行实时调整,用于降低对地物反射率的影响,使图谱拍摄时角度达到最佳状态,降低数据存储压力;
数据处理装置,用于根据作物种类的不同,选取合适的特征波段和数据处理方法进行数据分析处理,剔除冗余数据、减少数据量;
作物长势预测装置,用于对目标作物的参数进行分析,得出长势预测结果。
优选地,所述冗余数据包括杂草数据、其他作物数据、非目标区域特征光谱信息。
优选地,所述数据处理装置包括:
预处理模块,用于对成像影响进行初步处理;
目标参数特征提取模块,采用多尺度分割算法对影像进行多尺度分割,然后进行特征提取、特征融合;
数据分类模块,用于对融合后的特征根据目标参数的不同,选取适合的模型进行分类。
优选地,所述初步处理过程为暗电流去除、辐射校正、反射率反演、去噪。
优选地,进行所述预处理模块构建的方法为:
对历史数据进行训练得到适合的处理模型,然后分别对目标参数分别进行处理;
建立作物长势预测模型,用于对作物进行长势进行监测及预测。
优选地,所述目标参数特征提取模块包括:目标参数提取模块用于选取特征提取模型,来提取目标参数的特征,然后评估提取模型的有效性;单尺度选择模块用于提取目标参数的单尺度特征;多尺度融合模块用于对单尺度特征进行特征融合。
优选地,所述叶片参数包括营养元素、叶绿素含量、水含量、叶面积指数、生物含量。
优选地,所述数据分类模块的工作过程为:从模型数据库调取与目标参数适配度高的模型对融合后的特征根据目标参数进行训练,然后进行分类,将分类结果输入作物长势预测装置中。
本发明公开了以下技术效果:本发明针对目前对作物研究中对单一影响因素研究较多、模型也是建立的单一模型的问题,提出了一种使用无人机热成像技术来预测作物长势,本方法适应性更广,使用无人机热成像***对作物生理指标的监测时,考虑到天气及地理位置的影响,实时调整无人机拍摄角度,使得拍摄角度达到最佳状态时才进行拍摄,减少环境因素的干扰及冗余数据,缓解了数据存储、分析的压力;另外还可以根据作物种类不同,自动选取适合的处理模型对目标参数分别进行处理,然后基于各参数的进行对作物生长态势做综合预测,可以获得较高精度的位置信息、高程信息、成像清晰,即在提高作物信息诊断准确性的同时提高数据处理的适用性,因此可应用于大比例尺度区域的大田作物监测,省时、高效节省人力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明图像光谱数据预处理流程图;
图2为本发明的装置结构示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
通过采集作物叶片与冠层的图像及光谱信息预测田间植株的长势,检测参数包括氮、磷、钾等营养元素、叶绿素含量、水含量、叶面积指数、生物含量。对于叶片、叶绿素、水分、蛋白质等的变化引起叶片和光谱的变化;对于冠层、叶面积指数、氮、磷、钾等的变化也会使冠层图像和光谱发生变化,因此对上述参数进行估计,实现快速、无损和大面积分析作物的水肥状况,预测其长势,为施肥、灌溉、估产等提供依据,达到节约成本的目的。具体方案如下:
如图1-2所示,本发明提供一种无人机热成像***,包括:
成像光谱仪,用于获取作物的光谱遥感图像,并结合地面测量数据,提取出作物图像光谱和相对应的地面叶片的各参数含量数据及含量填图。
进一步优化方案,本发明中的所述光谱仪为高光谱仪。
进一步优化方案,所述叶片参数包括营养元素、叶绿素含量、水含量、叶面积指数、生物含量。提取出作物图像光谱和相对应的地面叶片氮、磷、钾等营养元素的含量数据及含量填图,用于监测作物营养元素的含量来预测作物的营养状况。
传感单元,包括温度传感器、湿度传感器、二氧化碳传感器、光照传感器,用于采集大田的环境数据,并将所述环境数据传输至拍摄校正装置,用于对无人机进行三维校正调整,使得拍摄目标性更强、更清晰。
CPS定位,用于获取当前作物的地理位置信息,所述地理位置信息包括经纬度、时间、日期。
拍摄校正装置,用于对太阳光照的强度、角度、云层、风向等会影响到图谱的因素对无人机进行实时调整,来降低上述因素对地物反射率的影响,同时将调整后的无人机在图谱拍摄时能达到最佳状态,减少拍摄次数,减少数据存储压力。
对作物生产过程中产生的数据进行处理和分析,并不断及逆行反复演示从而获得新的作物的生长数据,以此展现作物整个生长周期的生长过程,因此数据处理量巨大。本发明的数据处理装置,用于根据作物种类的不同,选取合适的特征波段和数据处理方法进行数据分析处理,剔除冗余数据、减少数据量,提高数据检测和分析速度。
所述冗余数据包括杂草数据、其他作物数据、非目标区域特征光谱信息。
所述数据处理装置的工作过程为:
A、根据作物种类的不同选取一定数量的样本,形成训练样本集合,所述样本信息包括作物生长周期、生长规律,以及各生长阶段所需条件种植数据;
B、采集目标成像光谱信息,并对其进行预处理;
C、作物的种植方式多种多样,包括轮作、套种等多种方式,相较于种植面积和复种模式而言,尤其是多种作物进行同一时间的监测,而传统遥感方法高精度获取作物品种难度较大,因此本发明采用多尺度分割算法对影像进行多尺度分割,然后进行特征提取、特征融合;
D、将融合后的特征输入分类模型进行分类,得出分类结果,能够取得较好的分类结果,保证较高的分类精度。
进一步优化方案,所述数据处理装置工作过程包括预处理模块、数据分类模块、目标参数特征提取模块。
所述初步处理过程为:暗电流去除、辐射校正、反射率反演、去噪。
所述暗电流为本装置中残留的电流,利用已经测量并存储的暗电流文件,将成像光谱图像中每个像元与暗电流文件做减法运算。
所述辐射校正将测量获取的图像中没有意义的DN值变成具有实际物理意义的辐射值或反射率。先对原始高光谱影像做辐射校正和粗几何校正,生成中间产品,对多光谱影像做空三处理生成正射影像,用正射影像对中间产品进行正射校正,最后进行图像拼接,生成一幅完整的无人机高光谱影像。所述空三处理的过程为:对多光谱影像建立密集点云,生成网格,生成纹理,最终生成正射影像;通过选取正射影像和中间产品的控制点,从而实现正射校正;最后对影像进行拼接,最终得到完整的反射率高光谱影像图,其空间分辨率为0.1m。
所述去噪过程为:采用Saviztky-Golay滤波进行初步去噪,然后进行精确去噪,所述精确去噪时首先要计算目标特征中每个点到其K个最近邻节点的平均距离,然后计算出这些平均距离的均值及标准差,最后通过比较每个点到K个最近邻节点的平均距离与均值的差是否在标准差的N倍范围内来判断是不是噪声点,若是,则集中去除。
进一步优化方案,所述预处理模块构建的方法为:
对历史数据进行训练得到合适的处理模型,然后分别对目标参数分别进行处理;建立作物长势预测模型,用于对作物进行长势进行监测及预测。
进一步优化方案,所述目标参数特征提取模块包括:目标参数提取模块用于选取特征提取模型,来提取目标参数的特征,然后评估提取模型的有效性;单尺度选择模块用于提取目标参数的单尺度特征;多尺度融合模块用于对单尺度特征进行特征融合。
进一步优化方案,由于作物种类、生长时期或同一作物的不同成分,其对应的特征波段是不一样的,因此选择的数据处理方法也不相同。因此所述数据分类模块用于根据不同目标参数选取适合的模型进行处理,提高了数据处理的准确性。
所述数据分类模块的工作过程为:从模型数据库调取与目标参数适配度高的模型对融合后的特征根据目标参数进行训练,然后进行分类,将分类结果输入作物长势预测装置中。所述适配度的选取标准为:适配度达90%以上。所述分类模型包括:KNN算法、Bayesian算法、Decision Tree算法、Random Forest算法、SVM等。
本发明针对目前对作物研究中对单一影响因素研究较多、模型也是建立的单一模型的问题,提出了一种使用无人机热成像技术来预测作物长势,本方法适应性更广,使用无人机热成像***对作物生理指标的监测时,考虑到天气及地理位置的影响,实时调整无人机拍摄角度,使得拍摄角度达到最佳状态时才进行拍摄,减少环境因素的干扰及冗余数据,缓解了数据存储、分析的压力;另外还可以根据作物种类不同,自动选取适合的处理模型对目标参数分别进行处理,然后基于各参数的进行对作物生长态势做综合预测,可以获得较高精度的位置信息、高程信息、成像清晰,即在提高作物信息诊断准确性的同时提高数据处理的适用性,因此可应用于大比例尺度区域的大田作物监测,省时、高效节省人力。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种无人机热成像***,其特征在于,包括:
成像光谱仪,用于获取作物的光谱遥感图像,并结合地面测量数据,提取出作物图像光谱和相对应的地面叶片的各参数含量数据及含量填图,用于监测作物营养元素的含量来预测作物的营养状况;
传感单元,包括温度传感器、湿度传感器、二氧化碳传感器、光照传感器,用于采集大田的环境数据,并将所述环境数据传输至拍摄校正装置,用于对无人机进行三维校正调整;
CPS定位,用于获取当前作物的地理位置信息,所述地理位置信息包括经纬度、时间、日期;
拍摄校正装置,用于对太阳光照的强度、角度会影响到图谱的因素对无人机进行实时调整,用于降低对地物反射率的影响,使图谱拍摄时角度达到最佳状态,降低数据存储压力;
数据处理装置,用于根据作物种类的不同,选取合适的特征波段和数据处理方法进行数据分析处理,剔除冗余数据、减少数据量;
作物长势预测装置,用于对目标作物的参数进行分析,得出长势预测结果。
2.根据权利要求1所述的无人机热成像***,其特征在于,所述冗余数据包括杂草数据、其他作物数据、非目标区域特征光谱信息。
3.根据权利要求1所述的无人机热成像***,其特征在于,所述数据处理装置包括:
预处理模块,用于对成像影响进行初步处理;
目标参数特征提取模块,采用多尺度分割算法对影像进行多尺度分割,然后进行特征提取、特征融合;
数据分类模块,用于对融合后的特征根据目标参数的不同,选取适合的模型进行分类。
4.根据权利要求3所述的无人机热成像***,其特征在于,所述初步处理过程为暗电流去除、辐射校正、反射率反演、去噪。
5.根据权利要求4所述的无人机热成像***,其特征在于,进行所述预处理模块构建的方法为:
对历史数据进行训练得到适合的处理模型,然后分别对目标参数分别进行处理;
建立作物长势预测模型,用于对作物进行长势进行监测及预测。
6.根据权利要求3所述的无人机热成像***,其特征在于,所述目标参数特征提取模块包括:目标参数提取模块用于选取特征提取模型,来提取目标参数的特征,然后评估提取模型的有效性;单尺度选择模块用于提取目标参数的单尺度特征;多尺度融合模块用于对单尺度特征进行特征融合。
7.根据权利要求3所述的无人机热成像***,其特征在于,所述数据分类模块的工作过程为:从模型数据库调取与目标参数适配度高的模型对融合后的特征根据目标参数进行训练,然后进行分类,将分类结果输入作物长势预测装置中。
8.根据权利要求1所述的无人机热成像***,其特征在于,所述叶片参数包括营养元素、叶绿素含量、水含量、叶面积指数、生物含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011237627.0A CN112434569B (zh) | 2020-11-09 | 2020-11-09 | 一种无人机热成像*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011237627.0A CN112434569B (zh) | 2020-11-09 | 2020-11-09 | 一种无人机热成像*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434569A true CN112434569A (zh) | 2021-03-02 |
CN112434569B CN112434569B (zh) | 2024-03-12 |
Family
ID=74700564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011237627.0A Active CN112434569B (zh) | 2020-11-09 | 2020-11-09 | 一种无人机热成像*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434569B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252584A (zh) * | 2021-04-22 | 2021-08-13 | 华南农业大学 | 基于5g传输的作物生长检测方法及*** |
CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
CN117636056A (zh) * | 2023-12-13 | 2024-03-01 | 中南大学 | 基于大数据的农业信息监控方法及*** |
Citations (6)
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 |
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 |
CN107367300A (zh) * | 2017-07-25 | 2017-11-21 | 广东容祺智能科技有限公司 | 一种基于无人机的作物生长环境监测*** |
CN110020635A (zh) * | 2019-04-15 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 基于无人机影像与卫星影像的种植区农作物精细分类方法和*** |
WO2020075868A1 (ja) * | 2018-10-12 | 2020-04-16 | 株式会社ナイルワークス | 圃場画像分析方法 |
WO2021109120A1 (zh) * | 2019-12-06 | 2021-06-10 | 深圳市大疆创新科技有限公司 | 作物生长状况评估方法和装置 |
-
2020
- 2020-11-09 CN CN202011237627.0A patent/CN112434569B/zh active Active
Patent Citations (6)
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 |
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 |
CN107367300A (zh) * | 2017-07-25 | 2017-11-21 | 广东容祺智能科技有限公司 | 一种基于无人机的作物生长环境监测*** |
WO2020075868A1 (ja) * | 2018-10-12 | 2020-04-16 | 株式会社ナイルワークス | 圃場画像分析方法 |
CN110020635A (zh) * | 2019-04-15 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 基于无人机影像与卫星影像的种植区农作物精细分类方法和*** |
WO2021109120A1 (zh) * | 2019-12-06 | 2021-06-10 | 深圳市大疆创新科技有限公司 | 作物生长状况评估方法和装置 |
Non-Patent Citations (4)
Title |
---|
惠金喜: "基于高光谱和LiDAR数据协同的阔叶灌木LAI反演", 中国优秀硕士学位论文全文数据库 基础科技辑, pages 006 - 1225 * |
李敬兆 等: "地空交互多感融合森林防护监测***", vol. 38, no. 1, pages 110 - 113 * |
李敬兆 等: "地空交互多感融合森林防护监测***", 传感器与微***, vol. 38, no. 1, pages 110 - 113 * |
胡蝶 等: "基于OBIA 的高分辨率遥感作物识别", 科技视界, pages 286 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252584A (zh) * | 2021-04-22 | 2021-08-13 | 华南农业大学 | 基于5g传输的作物生长检测方法及*** |
CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
CN117636056A (zh) * | 2023-12-13 | 2024-03-01 | 中南大学 | 基于大数据的农业信息监控方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112434569B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN112434569A (zh) | 一种无人机热成像*** | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
CN113505635A (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
CN113221765A (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
Sun et al. | Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及*** | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
Ouyang et al. | UAV and ground-based imagery analysis detects canopy structure changes after canopy management applications | |
CN117690024B (zh) | 一种针对多种植模式水稻田的一体化遥感识别方法 | |
Hu et al. | Comparison of the performance of Multi-source Three-dimensional structural data in the application of monitoring maize lodging | |
Zou et al. | The fusion of satellite and unmanned aerial vehicle (UAV) imagery for improving classification performance | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
LU102497B1 (en) | An UAV thermal imaging system | |
CN112179853A (zh) | 基于影像阴影去除的果树冠层氮素含量遥感反演方法及*** | |
Sadiq et al. | A review on the imaging approaches in agriculture with crop and soil sensing methodologies | |
Rananavare et al. | Monocot Crop Yield Prediction using Sentinal-2 Satellite Data |
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 |