CN117036963A - 一种针对典型草原地表植物量的检测估算方法 - Google Patents
一种针对典型草原地表植物量的检测估算方法 Download PDFInfo
- Publication number
- CN117036963A CN117036963A CN202311287182.0A CN202311287182A CN117036963A CN 117036963 A CN117036963 A CN 117036963A CN 202311287182 A CN202311287182 A CN 202311287182A CN 117036963 A CN117036963 A CN 117036963A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- image
- information
- detection
- points
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 241000196324 Embryophyta Species 0.000 claims description 25
- 239000002689 soil Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 210000005069 ears Anatomy 0.000 claims description 8
- 244000025254 Cannabis sativa Species 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 230000004720 fertilization Effects 0.000 description 5
- 238000009331 sowing Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 244000144972 livestock Species 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 241001523383 Achnatherum Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000000295 complement effect Effects 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 235000013613 poultry product Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种针对典型草原地表植物量的检测估算方法,属于智能农业机械化技术领域。该检测估算方法包括,用图像采集摄像头获取样方区域RGB数据,深度摄像头获取深度点云数据,热红外传感器获取红外光谱数据,数据融合分析,得出植被分布信息,根据所述植被分布信息,基于图像像元估算盖度,基于离散点聚拟,对地表植被的高度检测,获取样方高度,搭载训练模型对样方区域的植被环境进行训练,并建立预测模型的评价体系,最终获取植物量预测的权重文件,该权重文件能够通过输入高度、盖度、硬度、含水率信息来完成区域内植物量估算。
Description
技术领域
本发明涉及智能农业机械化技术,尤其是一种针对典型草原地表植物量的检测估算方法。
背景技术
中国是草地资源大国,草地总面积4亿公顷左右,约占国土面积的40%。草原在气候调节、水源保护和生态平衡维护方面发挥着许多重要作用。典型草原是中国北方草原畜牧业生产基地的主体,在生产优质无污染低成本草食畜禽产品方面有优势,对发展经济、提高人民生活水平、改善食物结构具有重要意义。当前,典型草原地带牧草退化、土地沙化、盐渍化和水土流失严重,鼠害和虫害猖獗,毒草大面积孳生,其主要原因都是盲目开垦、过度放牧破坏了草原植被和生态平衡。控制放牧强度是实现草畜平衡的重要因素,在草原资源调查中,样方法是普遍常用的方法,大部分研究人员通过样方法来分析草地群落植物的盖度变化。为了使人从传统的采集草类植被信息获取的方式解放出来,研发智能化检测装备对于草地资源调查十分有帮助。虽然无人机、卫星遥感目前在植被的高度、盖度上有很多应用,但是针对典型草原草地资源调查却并不适用。无人机、卫星遥感比起地面估算方法,植被检测的范围和尺度较大,但小样方区域的检测并不适用,定量检测部分草地覆盖的变化具有挑战性,因为在检测中必须使用两组卫星图像在相同条件下如大气条件、季节条件等。同时,无人机搭载的传感器如激光多线雷达、多光谱、高光谱等传感器对于草地管理或研究人员成本较太高。除此之外,典型草原多为温带半干旱大陆性气候,多风且强风时段较多,而目前民用无人机5级以上的风就无法正常飞行。
我国的草地智能化播种与施肥在决策***上缺少植被盖度、高度与植物量信息获取与挖掘。尤其在精量施肥控制这方面,缺少对施肥控制的判断。针对不同的植被生长情况,控制器需分析施肥量的多少。而这一过程中最关键的部分即为分析植被的生长情况,即地表植物量的高低。目前针对田间作物的植物量估算已有一些专家研究,但田间作物生长在人为干预下较为统一,而草地的植被生长情况较为复杂,野外草原的植被种类更是多达几百种,这使得播种和施肥的决策上更为困难。
因此研发一种地面搭载的一种典型草原植被盖度的检测***可有效地对草原进行监测,并提出高效的估算方法,这可以节约人力、物力,并保障了草业工作者的野外安全。该装置和方法通过对植物量的监测,还可用于草地补播和施肥,对播种施肥的处方图建立有所帮助,能实现智能化播种和施肥的决策。本发明的检测***包括检测装置以及检测方法,可以推动草原资源调查的智能化进步。
发明内容
本发明的目的在于提供一种针对典型草原地表植物量的检测估算方法,可有效地对草原进行监测。
为了解决上述问题,本发明提供一种针对典型草原地表植物量的检测估算方法,其特征在于,包括以下步骤:
S10、用图像采集摄像头获取样方区域RGB数据,深度摄像头获取深度点云数据,热红外传感器获取红外光谱数据,数据融合分析,得出植被分布信息;
S20、根据所述植被分布信息,基于图像像元估算盖度;
S30、基于离散点聚拟,对地表植被的高度检测,获取样方高度;
S40、搭载训练模型对样方区域的植被环境进行训练,将获取的样方信息进行编辑整理;
S50、基于深度学习算法建立预测模型,根据以往试验获取的高度、盖度信息建立一个数据集,并将土壤的硬度、含水率信息作为辅助数据输入,加载训练模型做为预测模型,开始训练;
S60、预测模型训练完成,建立预测模型的评价体系,通过精确度、召回率、准确率、置信度进行评价,设定一个标准的阈值,若评价体系没有通过则再次进行训练,修改模型参数进行优化,直到通过评价体系,最终获取植物量预测的权重文件,该权重文件能够通过输入高度、盖度、硬度、含水率信息来完成区域内植物量估算。
所述步骤S10中包括以下步骤:
S11、以RGB数据作为后续检测分割的基准,RGB图像输入后,首先经过图像增强来增加植被和土壤的对比度,根据不同的植被调整红、绿、蓝三个通道的特征,设定标准的阈值;
S12、图像增强后对植被区域进行一轮检测,基于深度学习对植被区域进行范围内识别,标出二轮感知区域,标出检测框后,输出该植被区域的顶点坐标,完成二轮感知区域位置在图像上的定位;
S13、在RGB数据处理的过程中,深度点云图以及热红外图像也在上位机处理器进行处理,深度点云图获取后,处理器会将植被的高度和土壤距深度相机的深度信息输出,进而生成深度点云数据,在深度点云图中植被和土壤呈现不同颜色的深度信息,而土壤距深度相机的深度相比植被更为固定,从而能够获取植被的区域范围;
S14、在热红外图像输入后,处理器获取植被温度和土壤温度的信息,在处理后输出植被和土壤的红外光谱图,由于土壤和植被的温度不同,植被区域会被明显的检测分割出来,此时,深度点云图中的植被检测分割信息以及红外光谱图中的植被检测分割信息都被获取;
S15、通过RGB图像的二轮感知明确植被在图像的分布,将植被检测分割信息、植被检测分割信息同RGB图像进行语义融合,语义融合的目的是为了将三种传感数据进行不同尺度的信息提取,从而获取更全面的植被语义信息;
S16、将语义融合后的植被语义信息作为参考,检测分割后的RGB图像能够获取较为全面的植被分布,将分割后的植被区域信息输出,为后续盖度估算提供数据支撑。
所述步骤S20中包括以下步骤:
S21、对分割后的植被区域信息进行颜色通道特征提取,即获取标定区域信息的三通道颜色值;
S22、对原图像进行灰度化处理,使得原图像的各个像素点的颜色通道值都是相同的;
S23、对灰度化处理后的图像获取像素数,通过图像本身的像素大小计算或通过图像对灰度化的颜色通道值进行筛选,获取像素点的数目;
S24、基于三通道颜色值,对颜色点进行筛选,获取植被区域的像素点数,植被区域与图像的像素点数的比值即为该植被区域的盖度。
所述步骤S30中包括以下步骤:
S31、搭载RGB传感器的设备对检测区域的6-8个进行图像获取;
S32、先对单个角度的RGB信息进行处理,分为两个过程:
(1)第一个过程是对图像进行增强,增加植被与外部环境对比度,增强后对植被区域进行边缘检测获取边缘特征点;为了获取后续高度估算的特征点,对边缘检测后的外部特征进行离散化,通过聚类的方式进行处理,设定阈值,点与点的距离的既定范围拟合成一个点,这样植被的边缘特征就被拟合成单独的离散点;各个离散点由于拟合后在图像上会呈现为有面积的圆形,输出圆形的圆心坐标点为备选点;
(2)第二个过程是对草的穗进行检测,针对成熟期后的植被,穗与茎秆的颜色特征不同,通过目标检测框进行识别,检测框输出后获取框的四个顶点坐标,该顶点坐标内的区域即为筛选区域;
S33、经过离散化聚拟化的备选点经过检测框的筛选区域可将大部分茎秆及以下的筛除,剩余的备选点输出后,为后续的高度估算提供数据支持,处理器根据判定估算该筛选区域内极值还是平均值,若为极值,则输出备选点的极值,若为平均值,则取前10个点的平均值进行输出;
S34、输出后的点的坐标处在像素坐标系,经过图像坐标系换算到世界坐标系,世界坐标系下点的纵坐标即为本轮高度的估算结果。
附图说明
图1为对草原地表植物量估算模型的获取流程图;
图2为对草原植被盖度的多传感融合的检测方法流程图;
图3为基于图像处理的地表植被盖度的估算发明方法流程图;
图4为对草原植被高度的离散点聚拟的方法流程图;
图5为本发明实施例中的地表植被盖度估算结果 ;
图6为本发明实施例中的芨芨草高度估算结果 。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
如图1至图6所示的本发明的针对典型草原地表植物量的检测估算方法的实施例中,该针对典型草原地表植物量的检测估算方法包提供了一种典型草原盖度的检测估算方法,其中检测方法如图1包括如下步骤:
本发明针对盖度检测,提供了一种多传感数据多尺度融合的方法。如图1所示,对地表植被通过三种传感器感知,分别获取RGB数据、点云深度信息数据、红外光谱数据。本发明以RGB数据作为后续检测分割的基准,RGB图像输入后,首先经过图像增强来增加植被和土壤的对比度,根据不同的植被调整红、绿、蓝三个通道的特征,设定标准的阈值。图像增强后对植被区域进行一轮检测,这通过深度学习中的目标检测方法,对植被区域进行范围内识别,标出二轮感知区域,目标检测方法标出检测框后,对该区域的顶点坐标输出,这样就完成了二轮感知区域位置在图像上的定位。在RGB数据处理的过程中,深度点云图以及热红外图像也在上位机处理器进行处理。点云深度图获取后,处理器会将植被的高度和土壤距深度相机的深度信息输出,从而深度点云数据生成。在点云图中植被和土壤将呈现不同颜色的深度信息,而土壤距深度相机的深度相比植被更为固定,从而可以获取植被的区域范围。同理,在热红外图像输入后,处理器会获取植被温度和土壤温度的信息。在处理后输出植被和土壤的红外光谱图。由于土壤和植被的温度不同,植被区域也会被明显的检测分割出来。这样,深度点云图中的植被检测分割信息以及红外光谱图中的植被检测分割信息都被获取。RGB图像的二轮感知过程是为了明确植被在图像的分布,这轮感知就将上述提到的两种传感数据的检测分割信息同RGB图像进行语义融合,语义融合的目的是为了将三种传感数据进行不同尺度的信息提取,从而获取更全面的植被语义信息。经过上述融合后的植被语义信息作为参考, 检测分割后的RGB图像可获取较为全面的植被分布,将分割后的植被区域信息输出,为后续盖度估算提供数据支撑。
而针对植被盖度的估算,本发明同样提供一种基于图像像元的方法。如图2所示,上述分割后的植被区域信息获取后,对此信息进行颜色通道特征提取,即获取标定区域信息的三通道颜色值。获取后,对原图像进行灰度化处理,这使得原图像的各个像素点的颜色通道值都是相同的。对灰度化处理后的图像获取像素数,即为该图像有多少像素点。通过图像本身的像素大小计算或通过图像对灰度化的颜色通道值进行筛选,都可以获取像素点的数目。同理,上述过程获得植被区域的三通道颜色值后,对颜色点进行筛选,获取植被区域的像素点数。植被区域与图像的像素点数的比值即为该区域的盖度。本发明提供的该方法可针对标准的样方点盖度估算以及自划区域内的盖度估算。标准的样方点一般为0.5m2、0.75m2和1m2,通过金属框或插旗圈定范围。本发明通过目标检测划分该范围,通过输出识别后的样方范围标定同一的颜色值,并对该颜色值进行输出,通过图像筛选出该颜色的像素数。而非标准的样方点盖度估算,可通过对本发明获取的RGB图像进行手动颜色标定,标定后记录颜色值,经过处理器处理后同样会输出该颜色值的像素数。最后通过植被区域与图像的像素点数的比值获取盖度估算值。
本发明对地表植被的高度检测估算提供一种“离散点聚拟”的方法。搭载RGB传感器的设备会对检测区域的各个角度进行图像获取,一般为6个~8个角度,根据区域面积的大小决定。如图3所示,先对单个角度的RGB信息进行处理,分为两个过程,第一是对图像进行增强,增加植被与外部环境对比度。增强后对植被区域进行边缘检测获取边缘特征点。为了获取后续高度估算的特征点,对边缘检测后的外部特征进行离散化,这步通过聚类的方式进行处理,设定阈值,点与点的距离的既定范围可拟合成一个点,这样植被的边缘特征就被拟合成单独的离散点。同时,各个离散点由于拟合后在图像上会呈现为有面积的圆形,所以输出圆形的圆心坐标点,这部分为备选点。第二个过程是对草的穗进行检测,本方法针对成熟期后的植被,一般穗与茎秆的颜色特征不同,通过目标检测框进行识别,检测框输出后获取框的四个顶点坐标,该顶点坐标内的区域即为筛选区域。综上,经过离散化聚拟化的的备选点经过检测框的筛选区域可将大部分茎秆及以下的筛除。剩余的备选点输出后,为后续的高度估算提供数据支持。处理器会根据判定估算该区域内极值还是平均值,若为极值,则输出备选点的极值,若为平均值,则取前10个点的平均值进行输出。输出后的点的坐标处在像素坐标系,需要经过图像坐标系,换算到世界坐标系。世界坐标系下点的纵坐标即为本轮高度的估算结果。
在高度信息、盖度信息都获取后,本发明提供一种地表植物量的多模态估算方法。该方法可通过对高度、盖度等信息进行处理建立一个该区域的植被模型,通过多模态的信息加载模型的输出权重可获取该区域的植物量信息。该过程如图4所示,首先搭载一个针对该区域的植被环境进行模型训练。在该环境下,将获取的样方点信息进行编辑整理。选择一个深度学习算法作为预测模型。根据以往试验获取的高度、盖度、3D点云信息植物量信息建立一个数据集,并将土壤的硬度、含水率等信息作为辅助数据输入。这些多模态的信息可有利于更全面的预测植物量。建立好数据后,加载以往的训练模型做预模型,开始训练。模型训练完成,建立模型的评价体系,设定一个标准的阈值,通过精确度、召回率、准确率、置信度等信息,若评价体系没有通过则再次进行训练,修改模型参数进行优化直到通过评价体系。最终获取植物量预测的权重文件,该权重文件可通过输入高度、盖度等信息来完成区域内植物量估算。
本发明在内蒙古锡林浩特草原进行实地试验。对植被盖度进行试验的阶段处于草原返青期,植被盖度估算的结果如图5的表1所示,10个实验组的平均准确率为87.9%,平均召回率为89.6%,平均F1值为88.8%。对植被高度进行试验处于草原生长期,针对草原退化植物芨芨草进行高度检测估算。估算结果如图6的表2所示,10个测试组的平均相对误差与绝对误差都在10%以内,模型的拟合为0.84,代表与人工测量有较强的相关性。本发明对植物量的估算准确率在85%左右。
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,本领域的普通技术人员应当理解: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 (4)
1.一种针对典型草原地表植物量的检测估算方法,其特征在于,包括以下步骤:
S10、用图像采集摄像头获取样方区域RGB数据,深度摄像头获取深度点云数据,热红外传感器获取红外光谱数据,数据融合分析,得出植被分布信息;
S20、根据所述植被分布信息,基于图像像元估算盖度;
S30、基于离散点聚拟,对地表植被的高度检测,获取样方高度;
S40、搭载训练模型对样方区域的植被环境进行训练,将获取的样方信息进行编译整理;
S50、基于深度学习算法建立预测模型,根据以往试验获取的高度、盖度信息建立一个数据集,并将土壤的硬度、含水率信息作为辅助数据输入,加载训练模型做为预测模型,开始训练;
S60、预测模型训练完成,建立预测模型的评价体系,通过精确度、召回率、准确率、置信度进行评价,设定一个标准的阈值,若评价体系没有通过则再次进行训练,修改模型参数进行优化,直到通过评价体系,最终获取植物量预测的权重文件,该权重文件能够通过输入高度、盖度、硬度、含水率信息来完成区域内植物量估算。
2.根据权利要求1所述的检测估算方法,其特征在于,所述步骤S10中包括以下步骤:
S11、以RGB数据作为后续检测分割的基准,RGB图像输入后,首先经过图像增强来增加植被和土壤的对比度,根据不同的植被调整红、绿、蓝三个通道的特征,设定标准的阈值;
S12、图像增强后对植被区域进行一轮检测,基于深度学习对植被区域进行范围内识别,标出二轮感知区域,标出检测框后,输出该植被区域的顶点坐标,完成二轮感知区域位置在图像上的定位;
S13、在RGB数据处理的过程中,深度点云图以及热红外图像也在上位机处理器进行处理,深度点云图获取后,处理器会将植被的高度和土壤距深度相机的深度信息输出,进而生成深度点云数据,在深度点云图中植被和土壤呈现不同颜色的深度信息,而土壤距深度相机的深度相比植被更为固定,从而能够获取植被的区域范围;
S14、在热红外图像输入后,处理器获取植被温度和土壤温度的信息,在处理后输出植被和土壤的红外光谱图,由于土壤和植被的温度不同,植被区域会被明显的检测分割出来,此时,深度点云图中的植被检测分割信息以及红外光谱图中的植被检测分割信息都被获取;
S15、通过RGB图像的二轮感知明确植被在图像的分布,将植被检测分割信息、植被检测分割信息同RGB图像进行语义融合,语义融合的目的是为了将三种传感数据进行不同尺度的信息提取,从而获取更全面的植被语义信息;
S16、将语义融合后的植被语义信息作为参考,检测分割后的RGB图像能够获取较为全面的植被分布,将分割后的植被区域信息输出,为后续盖度估算提供数据支撑。
3.根据权利要求2所述的检测估算方法,其特征在于,所述步骤S20中包括以下步骤:
S21、对分割后的植被区域信息进行颜色通道特征提取,即获取标定区域信息的三通道颜色值;
S22、对原图像进行灰度化处理,使得原图像的各个像素点的颜色通道值都是相同的;
S23、对灰度化处理后的图像获取像素数,通过图像本身的像素大小计算或通过图像对灰度化的颜色通道值进行筛选,获取像素点的数目;
S24、基于三通道颜色值,对颜色点进行筛选,获取植被区域的像素点数,植被区域与图像的像素点数的比值即为该植被区域的盖度。
4.根据权利要求3所述的检测估算方法,其特征在于,所述步骤S30中包括以下步骤:
S31、搭载RGB传感器的设备对检测区域的6-8个进行图像获取;
S32、先对单个角度的RGB信息进行处理,分为两个过程:
第一个过程是对图像进行增强,增加植被与外部环境对比度,增强后对植被区域进行边缘检测获取边缘特征点;为了获取后续高度估算的特征点,对边缘检测后的外部特征进行离散化,通过聚类的方式进行处理,设定阈值,点与点的距离的既定范围拟合成一个点,这样植被的边缘特征就被拟合成单独的离散点;各个离散点由于拟合后在图像上会呈现为有面积的圆形,输出圆形的圆心坐标点为备选点;
第二个过程是对草的穗进行检测,针对成熟期后的植被,穗与茎秆的颜色特征不同,通过目标检测框进行识别,检测框输出后获取框的四个顶点坐标,该顶点坐标内的区域即为筛选区域;
S33、经过离散化聚拟化的备选点经过检测框的筛选区域可将大部分茎秆及以下的点筛除,剩余的备选点输出后,为后续的高度估算提供数据支持,处理器根据判定估算该筛选区域内极值还是平均值,若为极值,则输出备选点的极值,若为平均值,则取前10个点的平均值进行输出;
S34、输出后的点的坐标处在像素坐标系,经过图像坐标系换算到世界坐标系,世界坐标系下点的纵坐标即为本轮高度的估算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287182.0A CN117036963B (zh) | 2023-10-08 | 2023-10-08 | 一种针对典型草原地表植物量的检测估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287182.0A CN117036963B (zh) | 2023-10-08 | 2023-10-08 | 一种针对典型草原地表植物量的检测估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036963A true CN117036963A (zh) | 2023-11-10 |
CN117036963B CN117036963B (zh) | 2024-01-26 |
Family
ID=88635803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287182.0A Active CN117036963B (zh) | 2023-10-08 | 2023-10-08 | 一种针对典型草原地表植物量的检测估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036963B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288954A (zh) * | 2011-08-01 | 2011-12-21 | 高吉喜 | 一种草地植被覆盖度遥感估测方法 |
CN103196839A (zh) * | 2013-03-20 | 2013-07-10 | 浙江工商大学 | 快鸟卫星归一化植被指数预测苦草盖度的方法 |
CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 |
CN112541921A (zh) * | 2020-11-18 | 2021-03-23 | 上海市园林科学规划研究院 | 城市绿地植被信息数据化精准测定方法 |
US20210142559A1 (en) * | 2019-11-08 | 2021-05-13 | General Electric Company | System and method for vegetation modeling using satellite imagery and/or aerial imagery |
US20210209424A1 (en) * | 2020-01-06 | 2021-07-08 | Quantela Inc | Computer-based method and system for predicting and generating land use land cover (lulc) classification |
CN113128405A (zh) * | 2021-04-20 | 2021-07-16 | 北京航空航天大学 | 一种结合语义分割与点云处理的植物识别与模型构建方法 |
CN113655027A (zh) * | 2021-09-10 | 2021-11-16 | 贵阳倍隆生物科技有限公司 | 一种近红外快速检测植物中单宁含量的方法 |
CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
CN115796344A (zh) * | 2022-11-21 | 2023-03-14 | 赵忠宝 | 一种区域尺度上森林植被碳储量的估算方法 |
-
2023
- 2023-10-08 CN CN202311287182.0A patent/CN117036963B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288954A (zh) * | 2011-08-01 | 2011-12-21 | 高吉喜 | 一种草地植被覆盖度遥感估测方法 |
CN103196839A (zh) * | 2013-03-20 | 2013-07-10 | 浙江工商大学 | 快鸟卫星归一化植被指数预测苦草盖度的方法 |
CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 |
US20210142559A1 (en) * | 2019-11-08 | 2021-05-13 | General Electric Company | System and method for vegetation modeling using satellite imagery and/or aerial imagery |
US20210209424A1 (en) * | 2020-01-06 | 2021-07-08 | Quantela Inc | Computer-based method and system for predicting and generating land use land cover (lulc) classification |
CN112541921A (zh) * | 2020-11-18 | 2021-03-23 | 上海市园林科学规划研究院 | 城市绿地植被信息数据化精准测定方法 |
CN113128405A (zh) * | 2021-04-20 | 2021-07-16 | 北京航空航天大学 | 一种结合语义分割与点云处理的植物识别与模型构建方法 |
CN113655027A (zh) * | 2021-09-10 | 2021-11-16 | 贵阳倍隆生物科技有限公司 | 一种近红外快速检测植物中单宁含量的方法 |
CN115481368A (zh) * | 2022-09-29 | 2022-12-16 | 河北省科学院地理科学研究所 | 一种基于全遥感机器学习的植被覆盖度估算方法 |
CN115796344A (zh) * | 2022-11-21 | 2023-03-14 | 赵忠宝 | 一种区域尺度上森林植被碳储量的估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117036963B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hall et al. | Optical remote sensing applications in viticulture‐a review | |
CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及*** | |
CN111357009B (zh) | 用于进行植物表型分型数据分析的方法和*** | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及*** | |
CN110926430B (zh) | 一种空地一体化红树林监测***及控制方法 | |
CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN111028096A (zh) | 一种天、空、地一体化数据融合的***和方法 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN112541921A (zh) | 城市绿地植被信息数据化精准测定方法 | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
CN117496356A (zh) | 农业人工智能作物检测方法及*** | |
CN109738438B (zh) | 一种小麦叶片衰老程度快速测量方法 | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN117036963B (zh) | 一种针对典型草原地表植物量的检测估算方法 | |
CN112861712A (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
CN115372281A (zh) | 一种土壤物理结构和化学构成的监测***及方法 | |
CN116503740A (zh) | 一种精准识别作物种类的无人机视觉*** | |
CN109446965B (zh) | 一种基于无人机数据的烟田自动识别方法 | |
CN116416532A (zh) | 一种病株诊断及缺株检测方法、***、设备及存储介质 | |
CN109115771A (zh) | 甘蔗工艺成熟期自动观测方法 | |
CN114863296A (zh) | 一种松材线虫病危害木的识别与定位的方法及*** |
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 |