基于低空无人机遥感技术的油菜机械直播苗期株数识别

2017-11-01 22:51赵必权丁幼春蔡晓斌廖庆喜
农业工程学报 2017年19期
关键词:株数植被指数栅格

赵必权,丁幼春,蔡晓斌,谢 静,廖庆喜,张 建



基于低空无人机遥感技术的油菜机械直播苗期株数识别

赵必权1,2,丁幼春3,蔡晓斌4,谢 静5,廖庆喜3,张 建1,2※

(1. 华中农业大学资源与环境学院,武汉430070;2. 农业部长江中下游耕地保育重点实验室,武汉430070; 3. 华中农业大学工学院,武汉430070;4. 中国科学院测量与地球物理研究所,武汉430077; 5. 华中农业大学理学院,武汉 430070)

植株数量识别是油菜机械直播效果和质量评估的关键。该文针对油菜机械直播田间植株数量检测中人工统计耗时、费工、效率低下的现实,通过自主搭建的低空无人机遥感平台采集油菜机械直播区域的遥感影像,基于超高分辨率(0.18 cm/pixel)遥感影像计算的颜色植被指数进行油菜目标识别及其形态特征信息提取。结合田间调查数据,采用逐步回归分析方法,建立了机械直播油菜在苗期的株数与遥感特征信息之间的关系。结果显示,油菜目标的株数与其外接矩形的长宽比、像素分布密度和周长栅格数具有较好的线性关系,回归模型的决定系数2为0.803,并通过显著性检验,其标准估计误差为0.699。模型检验结果显示,观测值与预测值之间的2为0.809,均方根误差RMSE为0.728。研究结果表明,利用集成超高分辨率传感器的低空无人机遥感平台,通过计算颜色植被指数并分析油菜目标数量与形态特征的相关性,能有效识别油菜机械直播的出苗株数,可为后续油菜机械直播效果的快速、准确评估提供技术支持。

无人机;遥感;模型;油菜;机械直播;株数;多元回归

0 引 言

油菜是全球重要的油料作物,中国是世界油菜的主要种植国,种植面积和总产量均占世界的30%左右,均居世界第一[1-2]。目前,中国农村劳动力、生产资料的成本大幅上涨以及油菜机械化程度低等问题导致油菜种植的经济效益低于其他作物,影响了农户生产的积极性。传统人工种植的用工费用占生产成本的60%~70%,每公顷耗工180~225个,高昂的用工成本,迫切需要实现油菜的机械化种植[3-6]。最新颁布的《全国农业机械化发展第十三个五年规划》也明确指出,推进主要农作物生产全程机械化,同时加快配套机械化技术推广应用。提高油菜种植的机械化水平,将有效促进油菜种植的可持续发展[7]。

油菜播种机械在示范推广前都必须经过严格的检验和评估,而田间试验机械化是制约中国农作物品种试验工作的主要瓶颈[8]。植株数量识别是油菜机械播种效果评估的基础,也是进行后续的出苗率估算、行距与株距分布特征等播种效果和质量评估的前提。杨松等以人工调查的方式对油菜田间植株分布规律进行研究,为2BFQ- 6型油菜精量联合直播机的结构优化、排种过程改进提供参考依据,其中就包括油菜株数的调查和成苗率的计算[9]。此外,其他作物出苗数、果实数量的田间识别也是农业领域研究的热点。Shi等设计了一个基于地面雷达的玉米植株位置和间距自动测量系统,该系统对200株玉米计数识别的结果误差为5.5%,间距的均方根误差(root mean square error,RMSE)为1.9 cm[10]。Font等在夜间的葡萄园设置人工光照环境并拍摄红葡萄的高分辨率影像,利用光谱反射特征对红葡萄进行数量识别,其结果与人工计数相比,平均误差率为-14%[11]。由此可见,数量识别研究在播种效果评估、产量预估等方面有重要作用。

低空无人机遥感技术具有高分辨率、实时获取影像、操作简单和低成本等优势,在现代农业生产上具有重要应用前景[12-14]。Hunt等通过无人机获取的近红外-绿波段-蓝波段(NIR-G-B)影像进行了冬小麦的监测,发现叶面积指数(leaf area index,LAI)与绿色归一化植被指数(green normalized difference vegetation Index, GNDVI)有着较好的相关性(2=0.85),表明无人机平台能为精准农业提供重要信息[15]。Bendig等从无人机影像得到的作物表面模型(crop surface models, CSMs)对大麦的生物量进行估计,得到2高达0.92的预测模型[16]。李冰等利用低空无人机遥感监测冬小麦覆盖度变化,提出低空无人机遥感在大面积农作物覆盖度监测有良好应用前景[17]。王利民等基于无人机影像进行农业遥感监测的应用,结果表明基于无人机影像的农情遥感监测具有巨大的推广潜力[18]。汪小钦等通过无人机遥感进行可见光波段的植被信息提取,且进一步提出了可见光波段差异植被指数(visible-band difference vegetation index, VDVI),该指数对植被信息提取的精度高达90%[19]。Sankaran等以冬小麦为研究对象,利用无人机分别采集3种类型的冬小麦越冬期前后的多光谱影像,基于GNDVI反演的冬小麦的出苗率、越冬存活率与地面观测值比较,发现整体的出苗率相关系数为0.87,越冬存活率相关系数为0.86[20]。因此,低空无人机遥感技术是评估作物种植和长势的一种有用工具。

目前,虽然通过遥感手段对作物种植进行识别和监测已经成为研究的热点和常规的方式,但这些研究和应用通常专注于宏观尺度下作物生长信息的提取,如作物类型识别、覆盖度监测等,而对微观尺度下作物生长信息,如株数、出苗率等鲜有研究。少部分的研究也往往关注特定类型的作物,如玉米、小麦等,这些作物因其幼苗的生长特征明显也更适合进行微观尺度下的生长信息识别和提取研究。本文以机械直播的油菜为研究对象,一方面因为机械直播的油菜,其生长和分布具有较好的可识别性,同时也是利用无人机低空遥感技术对油菜直播机械改进、油菜直播全程自动化的探索。

综上所述,针对油菜机械直播植株数量检测中人工统计耗时、费力,探索油菜直播全程自动化识别新方式,本文通过自主搭建的超高分辨率低空无人机遥感平台对油菜苗期出苗株数提取展开研究。利用获取的超高分辨率遥感影像,在目标识别、特征提取等方法下提取油菜苗期的特征信息,结合多元线性回归分析方法,探究机械直播油菜在苗期的株数与其形态特征之间的关系,尝试得出油菜直播机械作业下的油菜在苗期出苗数量的回归模型,探索利用低空无人机遥感技术进行油菜直播机械作业下的油菜苗期出苗数量信息提取的可行性。

1 材料与方法

1.1 研究区域与试验设计

本研究在湖北省武汉市华中农业大学的油菜试验基地开展。实验田块共13垄,实验田从西到东分别通过气送式精量播种(8行)、气力滚筒式精量排种(6行)、旋转盘式排种(8行)、离心式排种(8行)共4种自行探索性研制的不同原理与结构的排种器对甘蓝型油菜“华油杂62”进行播种作业,作业时间分别为2016-10-06、2016-10-07、2016-10-09和2016-10-09。研究区域面积约为50 m×25 m(图1)。

本研究的影像数据于2016-11-02通过低空无人机平台获取。研究中使用的是集成Nikon D800相机(株式会社尼康,NIKON CORPORATION)的超高分辨率成像平台。无人机平台为大疆M600飞行器(大疆创新科技有限公司,DJI-Innovations),其在无风环境下最大水平飞行速度为18 m/s,最大负载质量为6 kg,在最大负载质量下能持续飞行16 min。平台搭载的Nikon D800相机,实际输出分辨率为3 615万像素(7 360像素×4 912像素),本研究采用尼康50 mm f/1.4D定焦镜头,同时配备GPS模块和无线触发器。数据获取时,设置无人机飞行航向重叠度为80%,旁向重叠度为70%,飞行高度为20 m,同时设置交叉飞行的航线。相机快门无线触发器将相机成像间隔设置为1 s。

图1 研究区域

无人机飞行过程共拍摄影像816幅,图像记录为24位的真彩色JEPG格式。无人机获取的影像首先通过Pix4D Mapper无人机图像拼接软件进行处理,本研究在影像拼接时,通过增加用RTK采集的地面控制点来进一步提高影像的空间精度,最终生成试验区域的正射影像,其空间分辨率为0.18 cm/pixel,其中验证控制点的RMSE为=0.76 cm,=0.74 cm。图1是本文的研究区域,图1b是图像采集区域整体拼接结果影像,图1c是包含了4种排种器试验的研究区域影像。

本文根据不同的排种器类型对研究区域分别随机选取6个(共24个)样方区域,通过田间实地调查获取样方中油菜的株数。气力滚筒式精量排种(6行)的样方区域尺寸为1.6 m×2 m;气送式精量播种(8行)、旋转盘式排种(8行)、离心式排种(8行)的样方尺寸为2 m×2.5 m。本文是从整体的角度出发,因此在不影响本研究的基础上,结合不同的垄宽情况,未对所有样方区域尺寸统一。本研究中油菜直播的作业时间相隔较短(3d),因此假设本研究的作业间隔对油菜的出苗情况没有显著的影响。本研究的技术路线见图2。

注:ExG为过绿指数,ExG-ExR为过绿-过红指数,NGRDI为归一化绿-红差值指数,GLI为绿叶指数。

1.2 研究方法

1.2.1 油菜目标识别与分割

1)基于颜色植被指数的油菜植株目标识别

通过搭载多光谱和高光谱传感器的卫星与航空遥感技术,能获取植被在更多波段上的光谱信息,但通过这种方式难以获取足够高分辨率的影像,不能满足油菜出苗期植株提取的要求。

相比多光谱和高光谱传感器,本文采用的单反相机虽然无法获得丰富的光谱信息,但其超高分辨率的成像特点对于油菜出苗期植株准确提取更为重要。与此同时,基于传统数码相机的可见光波段进行植被指数的研究也取得了较好的进展。高林等基于无人机数码影像对冬小麦叶面积指数进行探测研究,发现通过无人机搭载的数码相机获取的RGB影像计算的可见光大气阻抗植被指数(visible atmospherically resistant index,VARI)模型估测的LAI与实测值拟合2达到0.71,证明无人机数码影像能应用于冬小麦LAI探测[21]。张正健等人通过无人机拍摄的RGB影像对若尔盖高原草地生物量进行估测,发现归一化绿-红差值指数(normalized green-red difference,NGRDI)对生物量的模拟精度最高,R达到0.856[22]。丁雷龙等基于4种RGB色域的颜色植被指数,对冬小麦覆盖区域进行识别,4种颜色植被指数的植被识别精度达到90%以上[23]。杨琦等利用无人机拍摄RGB影像来提取甘蔗株高并估算LAI,结果发现选取的6种可见光植被指数均能估测甘蔗LAI,其中绿红植被指数(green red vegetation index, GRVI)的2为0.779[24]。表1列举了基于传统数码相机可见光波段建立的常用颜色植被指数[25-26]。

表1 基于传统数码相机的常用颜色植被指数

注:、、分别为红波段、绿波段和蓝波段反射率。

Note:,,respectively represents the reflectance of Red-band, Green-band, Blue-band.

根据油菜苗期植株对绿波段敏感的特征,本研究将基于过绿指数(excess green,ExG)、过绿-过红指数(excess green-excess red,ExG-ExR)、归一化绿-红差值指数(normalized green-red difference,NGRDI)和绿叶指数(green leaf index,GLI)进行油菜植株目标的识别,选择出可用于油菜植株目标分割的颜色植被指数。

2)基于Otsu阈值算法的油菜植株目标分割

本研究选取Otsu阈值算法来自动确定阈值,进行油菜植株目标的分割。Otsu阈值算法,又称为最大类间方差法,是一种自适应的阈值提取方法[27]。这种方法的核心思想是通过一个最佳阈值,使得目标和背景的类间方差最大,其快速运算、错分概率小的特点,适合于油菜植株分布的识别和提取。

设影像(,),大小为像元×像元,背景较暗,阈值为;目标和背景的像元点占整幅影像的比例分别为1、2,平均灰度分别为1、2;影像总平均灰度,类间方差为;同时将影像中像素的灰度值小于阈值的像素个数记作1,像素灰度大于阈值的像素个数记作2,则有:

(2)

12×(3)

1+2= 1 (4)

1122(5)

=1(1–)2+2(2–)2(6)

通过上述公式,求得使取最大值使得阈值即为最佳阈值。

1.2.2 油菜株数多元线性回归建模

通过线性方程来表示因变量与多个自变量间的数量关系,这种分析方法就称为多元线性回归建模[28]。本研究通过随机抽样的方式,将提取所得目标中的80%用于多元回归建模,剩余20%的目标用于建模结果的检验。本文共提取了油菜目标的15类形态参数特征信息作为自变量。表2中列举了这些特征信息的提取公式[29]。

表2 特征信息提取公式

注:1()、2()、3、4由外接矩形计算所得,分别为外接矩形的周长(cm)、面积(cm2)、长宽比和面积周长比。其余特征由栅格特征计算所得。5(b)为周长栅格数,6(P)为面积栅格数,7为栅格长宽比,8为边界指数,9为形状指数,10为像素分布密度,11为匀称度,12为紧凑度,13为圆度,14为方度,15为椭圆度。公式中,V代表油菜目标体积的栅格个数。lw分别是油菜目标的长、宽栅格数。、分别是在和方向上的方差,1、2、3是协方差矩阵对角化的特征值。

Note:1()、2()、3、4is calculated by the external rectangle of the object, they are perimeter (cm), area (cm2), length-wide ratio, area-perimeter ratio of the external rectangle. The others calculated from the raster characteristic of the object.5(b) is the count of raster about perimeter,6(P)is the count of raster about area,7is the length-wide ratio of raster number,8is boundary index,9is shape index,10is the distribution density of the pixel feature,11is symmetry,12is compactness,13is round fit,14is rectangle fit,15is ellipticity fit。In the formula,Vrepresent is the count of raster about volume.lis the count of raster about length.wis the count of raster about width.andrespectively represent variances in theanddirections.1、2、3is the eigenvalue of the diagonalization covariance matrix.

近似外包椭圆,主要通过协方差矩阵的特征值来计算。协方差矩阵是对称矩阵,对角线上是方差,非对角线上是协方差。协方差矩阵对角化后,得到3个表示沿特征向量方向的方差的特征值。所以当协方差矩阵是对角矩阵时,方差等于特征值。其协方差矩阵如下。

1)自变量的初步筛选

本研究对这些自变量之间,以及它们与因变量之间的线性相关程度进行分析。若两自变量之间的相关系数||≥0.8,则认为二者存在突出的共线性。本文继续将它们分别与因变量的相关系数||进行比较,只保留较大值所对应的自变量。

2)逐步多元回归建模

逐步回归分析是多元线性回归分析中的一种常用方法。它对方程中引入的变量反复检验,使模型外的自变量均无统计学意义,而模型内的自变量均有统计学意义。本研究设置变量入选、剔除的显著水平分别为0.05和0.10。

1.2.3 模型精度检验

油菜株数多元回归模型的精度评价,主要是通过未用于建模的20%油菜目标观测值和模型预测值进行比较,检验指标主要有2、均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、预测株数总和。

2 结果与分析

2.1 油菜植株目标识别

基于过绿指数(ExG)、过绿-过红指数(ExG-ExR)、归一化绿-红差值指数(NGRDI)和绿叶指数(GLI)的影像对第7号样方区域(位于图1c中序号为2的区域内)进行Otsu阈值化的结果如图3所示。图3a是RGB影像。图3b是基于ExG的阈值化提取结果,其阈值为55。图3c是基于ExG-ExR的阈值化提取结果,其阈值为-14.6。图3d是基于NGRDI的阈值化提取结果,其阈值为0.047。图3e是基于GLI的阈值化提取结果,其阈值为0.074。图3表明,4种可见光植被指数阈值化结果都能较好地对油菜目标进行识别和提取。

图3 使用Otsu对不同植被指数的油菜目标提取(以7号样方为例)

为了在4种可见光植被指数中选择最优的植被指数,本研究对阈值化结果矢量化后对图层进行叠加分析,图4显示的是4种可见光植被指数的矢量边界。为了直观比较,本文进一步对两个不同位置的油菜目标进行放大。图4的结果显示,NGRDI指数和ExG指数的油菜目标的范围小于ExG-ExR指数和GLI指数。在4种可见光植被指数都能较好地识别出油菜目标的情况下,当这个油菜目标的范围更大的时候,在这个范围内的油菜目标的特征和信息就相对更完整。因此,ExG-ExR指数和GLI指数的效果要比NGRDI指数和ExG指数好。对图4的进一步观察发现,GLI指数比其他3个指数有更多面积较小的“噪点”。这种情况不利于后续的处理。因此,本文选择ExG-ExR指数用于油菜目标的识别和提取。

图4 基于4种可见光植被指数提取的油菜目标的叠加(以7号样方为例)

为了解决提取结果中油菜目标存在的斑块破碎、面积过小等问题,本研究还进行一系列的目标识别后处理,包括矢量化、缓冲区分析、剔除异常值等。缓冲区分析中,本研究设置缓冲距离为向外延伸1 cm。进行缓冲区分析的原因在于提取并矢量化后的油菜目标间,由于间距、叶片大小和倾角等方面存在差异使得油菜目标数量显著增加,同时也对数据的精度造成影响。从解译的结果来看,某些距离较近的油菜目标,它们可能是同一株油菜不同倾斜方向的叶片,或能合并成一个完整油菜目标。

异常值的剔除,主要是对面积过小的“油菜目标”进行剔除。本研究根据影像的空间分辨率,同时结合影像获取时油菜的生长情况及对真彩色影像的解译结果,选择1.16 cm2(约36个像素)为阈值,剔除面积小于此值的“油菜目标”。

本文基于过绿-过红指数(ExG-ExR)图像,对24个样方区域的影像,分割提取了3 565个油菜目标。图5展示第7号样方区域中经过后处理得到的用于特征信息提取的矢量油菜目标、外接矩形边界和栅格油菜目标。

图5 油菜目标处理结果(以7号样方为例)

2.2 油菜植株目标形态特征提取

油菜株数识别的基础是油菜目标的提取,但要得到最终的株数结果,还需要完成油菜植株个体的分割剥离。虽然很多植株群体无法分割出单独的植株个体,但多株群体其植株数量往往决定了其目标的形态特征。因此本研究通过形态特征估算不同植株目标内所对应的个体数量,即表2提取所得的15类形态特征。表3是变量间的相关系数,所有的相关系数均在显著水平= 0.01(双尾)下显著。

2.3 基于形态参数的油菜植株数量估测模型

表3中第1列数据,反映出15类形态特征参数与因变量有着较好的相关性(||> 0.5),其中5(周长栅格数)与的相关系数的绝对值最大,达到0.886。这表明基于形态参数对油菜植株数量进行估测建模具有可行性。

表3 变量间相关系数

表3的其他列数据,反映的是两个自变量之间的相关系数,若该值的绝对值越接近1,表明这些自变量存在较为严重的共线性(一般超过0.8即认为共线性明显),这会降低模型的预测精度,同时将难以衡量每个解释变量对总体2的贡献。因此本文对这些特征信息进行初步筛选时,以0.8作为两变量之间相关系数绝对值的阈值。

实际上,以1(外接矩形的周长)为例,对表3的第2列分析可得,与1(外接矩形的周长)相关系数的绝对值大于0.8的形态特征参数有2(外接矩形的面积)、4(外接矩形的面积周长比)、5(周长栅格数)、6(面积栅格数)、8(边界指数)、9(形状指数)、12(紧凑度)、13(圆度),其中最大值高达0.992(4)。这说明这些自变量之间存在明显的共线性。1与2、4、5及6相关性较高,主要的原因在于它们都与油菜目标的几何特征,如周长、面积等有着密切的联系。因此,根据这些形态特征参数的含义和提取公式(表2)也能进一步解释它们之间存在严重共线性的原因。所以,在这些存在明显共线性关系的形态特征参数中,本研究选择与因变量有着最高相关性的5(周长栅格数)作为建模的参数。

根据对表3各列数据的分析,本研究最终确定3(外接矩形的长宽比)、5(周长栅格数)、10(像素分布密度)共3个自变量用于建模。

油菜目标外接矩形的长宽比,是描述油菜目标的形态,其值越大,油菜目标越狭长,其形状越趋向于长方形;反之,油菜目标形状越紧凑,趋向于圆形、正方形。像素分布密度特征描述的是栅格对象像素在空间分布情况,其值取决于对象的形状。正方形对象的像素分布密度值最大;对象形状越狭长,像素分布密度越小。周长栅格数,反映油菜目标边界所占的栅格个数,其值越大,周长越大。

表4对3个自变量分别从总体数据和建模数据进行统计分析,每个特征信息的各项指标差异不大,这也验证了抽样的结果对于反映总体的特征具有可靠性,所以抽样的结果能应用于建模过程中。

基于油菜目标外接矩形的长宽比(1)、像素分布密度(2)和周长栅格数(3)进行油菜植株数量()的逐步回归建模。所得模型的2为0.803,值为3 864.825,模型值<0.05,标准估计误差为0.699,3个自变量在模型中均显著,因此可以认为油菜目标的植株数量与其外接矩形的长宽比、像素分布密度和周长栅格数存在线性关系,建立的回归方程成立,所得模型方程为

= 0.3181– 1.592+ 0.013+ 3.32 (9)

表4 三个自变量的统计描述

注:①表示总体数据,②表示建模数据。1、2、3分别为3105

Note: ①indicates total data, ②indicates modeling data.1、2、3respectively represent3105

模型从整体的角度出发,建立了研究区域所采用的自行探索性研制的不同原理与结构的4种排种器直播作业下油菜目标的植株数量与形态特征之间的一般关系。模型系数的正负值显示,油菜对象外接矩形的长宽比、周长栅格数与植株数量成正相关,而像素分布密度与植株数量成负相关。从表3也发现,像素分布密度与外接矩形的长宽比、周长栅格数成负相关。因此,模型符合实际规律。

结合三个自变量的标准化系数分析,1、2、3对应标准化系数分别为0.056、–0.120、0.794。标准化系数反映的是变量之间的相对重要性,若该变量波动程度较大,则显得该变量比较重要。因此,从周长栅格数的标准化系数也印证了其波动的程度较大,相比像素分布密度,其重要性更明显。

综上所述,本研究所得的模型及其各自变量均具有统计学意义,回归模型的2为0.803,对总体变异的解释程度较理想。一般情况下,当油菜目标外接矩形的长宽比值越大,其形状越狭长,像素分布密度也就越小,从而使其周长栅格数有所增加,最后该油菜目标所对应的植株数量相对较多。

2.4 预测结果与精度评价

模型检验的结果显示(图6),观测值和模型预测值拟合2为0.809;油菜目标观测的株数总和为1 268株,预测总和约为1307株,预测总和比观测总和多39株,误差率为3.08%;RMSE为0.728;MAE为0.420。图6反映了观测值和模型预测值之间的拟合效果。各项指标显示,模型的检验结果较为理想。拟合2>0.8,RMSE、MAE均小于1,且MAE还小于0.5。考虑到在数据处理过程中,对油菜目标进行了异常值的剔除,所以所得的结果仍在合理的范围内。

图6 株数的真实值和模型预测值的比较

3 结论与讨论

研究发现,将低空无人机遥感技术与油菜机械化直播相结合,能有效识别油菜机械直播的出苗株数,可为后续油菜机械直播效果的快速、准确评估提供技术支持。识别的机械直播油菜目标对应的植株数量与其外接矩形的长宽比、密度像素分布和周长栅格数存在线性关系,2= 0.803。一般而言,油菜目标外接矩形的长宽比的值越大,其形状越狭长,像素分布密度就越小,从而使其周长栅格数有所增加,最后该油菜目标所对应的植株数量相对较多。所得模型的2为0.803,通过显著性检验,标准估计误差为0.699。验证结果显示,观测值和预测值的拟合2为0.809,预测总和比观测总和多39株,误差率为3.08%,均方根误差为0.728,平均绝对误差为0.420。

本研究从整体的角度出发,利用超高分辨率的遥感影像对研究区域的机械直播油菜进行株数识别并获得较好的结果。未来,可以针对本研究区域油菜机械直播所采用的自行探索性研制的不同原理与结构的排种器分别评估并进行对比,分析这4种排种器机械直播效果和质量的优劣,实现更深入的油菜机械直播效果和质量评估。除此以外,植株数量识别作为油菜机械播种效果和质量评估的基础,还能在此基础上进行后续出苗率估算、行距与株距分布特征等播种效果和质量评估的尝试。

综上所述,低空无人机遥感技术在农业现代化、机械化、规模化种植等方面的应用潜力巨大。低空无人机遥感技术凭借其成本低、易操作、效率高等优势,未来可能应用于油菜或其他作物的机械播种效果和质量的评估。

[1] 吴崇友,易中懿.我国油菜全程机械化技术路线的选择[J].中国农机化,2009(2):3-6. Wu Chongyou, Yi Zhongyi. Selection of technology route of oilseed rape mechanization in entire production proceeding in China[J]. Chinese Agricultural Mechanization, 2009(2): 3-6. (in Chinese with English abstract)

[2] 王汉中,殷艳.我国油料产业形势分析与发展对策建议[J].中国油料作物学报,2014,36(3):414-421. Wang Hanzhong, Yin Yan. Analysis and strategy for oil crop industry in China[J]. Chinese Journal of Oil Crop Sciences, 2014, 36(3): 414-421. (in Chinese with English abstract)

[3] 谌国鹏,冯志峰,李英,等.我国油菜生产机械化的现状、问题及对策[J].中国种业,2009(8):14-15. Chen Guopeng, Feng Zhifeng, Li Ying, et al. Current situation, problem and countermeasure of rape production mechanization in china[J]. China Seed Industry, 2009(8): 14-15. (in Chinese with English abstract)

[4] 马霓,李云昌,胡琼,等.我国南方冬油菜机械化生产农艺研究进展[J].中国油料作物学报,2010, 32(3):451-456. Ma Ni, Li Yunchang, Hu Qiong, et al. Research of agronomic techinques for mechanical production of winter rape (Brassica campestris L.) in south China[J]. Chinese Journal of Oil Crop Sciences, 2010, 32(3): 451-456. (in Chinese with English abstract)

[5] 周广生,左青松,廖庆喜,等.我国油菜机械化生产现状、存在问题及对策[J].湖北农业科学,2013, 52(9):2153-2157. Zhou Guangsheng, Zuo Qingsong, Liao Qingxi, et al. Mechanical production status, existing problems and strategy discussion of rapeseed in China[J]. Hubei Agricultural Sciences, 2013, 52(9):2153-2157.(in Chinese with English abstract)

[6] 吴崇友,王积军,廖庆喜,等.油菜生产现状与问题分析[J].中国农机化学报,2017, 38(1):124-131. Wu Chongyou, Wang Jijun, Liao Qingxi, et al. Current status and problems of rapeseed production[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(1): 124-131.(in Chinese with English abstract)

[7] 罗锡文,廖娟,胡炼,等.提高农业机械化水平促进农业可持续发展[J].农业工程学报,2016, 32(1):1-11. Luo Xiwen, Liao Juan, Hu Lian, et al. Improving agricultural mechanization level to promote agrivultural sustainable development[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 1-11. (in Chinese with English abstract)

[8] 朱明,陈海军,李永磊.中国种业机械化现状调研与发展分析[J].农业工程学报,2015, 31(14):1-7. Zhu Ming, Chen Haijun, Li Yonglei. Investigation and development analysis of seed industry[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 1-7. (in Chinese with English abstract)

[9] 杨松,廖庆喜,陈立,等.2BFQ-6型油菜精量联合直播机播种油菜的田间植株分布规律[J].农业工程学报, 2011,27(12):23-28. Yang Song, Liao Qingxi, Chen Li, et al. Distribution of rapeseed sowed by 2BFQ-6 precision planter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(12): 23-28. (in Chinese with English abstract)

[10] Shi Yeyin, Wang Ning, Taylor Randal K, et al. Automatic corn plant location and spacing measurement using laser line-scan technique[J]. Precision Agriculture, 2013, 14(5): 478-494.

[11] Font D, Palleja T, Tresanchez M., et al. Counting red grapes in vineyards by detecting specular spherical reflection peaks in RGB images obtained at night with artificial illumination[J]. Computers and Electronics In Agriculture, 2014, 108: 105-111.

[12] Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review[J]. Journal of Photogrammetry and Remote Sensing (ISPRS), 2014, 92: 79-97.

[13] Zhang Chunhua, Kovacs John M. The application of small unmanned aerial systems for precision agriculture: a review[J]. Precision Agriculture, 2012, 13(6): 693-712.

[14] 汪沛,罗锡文,周志艳,等.基于微小型无人机的遥感信息获取关键技术综述[J].农业工程学报,2014, 30(18):1-12. Wang Pei, Luo Xiwen, Zhou Zhiyan, et al. Key technology for remote sensing information acquisition based on micro UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 1-12. (in Chinese with English abstract)

[15] Hunt E Raymond, Hively W Dean, Fujikawa Stephen J, et al. Acquisition of NIR-Green-Blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing, 2010, 2(1): 290-305.

[16] Bendig Juliane, Bolten Andreas, Bennertz Simon, et al. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-Based RGB imaging[J]. Remote Sensing, 2014, 6(11): 10395-10412.

[17] 李冰,刘镕源,刘素红,等.基于低空无人机遥感的冬小麦覆盖度变化监测[J].农业工程学报,2012, 28(13):160-165. Li Bing, Liu Rongyuan, Liu Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(13): 160-165.(in Chinese with English abstract)

[18] 王利民,刘佳,杨玲波,等.基于无人机影像的农情遥感监测应用[J].农业工程学报,2013, 29(18):136-145. Wang Limin, Liu Jia, Yang Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18):136-145. (in Chinese with English abstract)

[19] 汪小钦,王苗苗,王绍强,等.基于可见光波段无人机遥感的植被信息提取[J].农业工程学报,2015, 31(5):152-157. Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152-157. (in Chinese with English abstract)

[20] Sankaran Sindhuja, Khot Lav R, Carter Arron H. Field-based crop phenotyping: Multispectral aerial imaging for evaluation of winter wheat emergence and spring stand[J]. Computers and Electronics in Agriculture, 2015,118:372-379.

[21] 高林,杨贵军,李红军,等.基于无人机数码影像的冬小麦叶面积指数探测研究[J].中国生态农业学报,2016, 24(9):1254-1264. Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1254-1264. (in Chinese with English abstract)

[22] 张正健,李爱农,边金虎,等.基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究[J].遥感技术与应用,2016, 31(1):51-62. Zhang Zhengjian, Li Ainong, Bian Jinhu, et al. Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehivle image[J]. Remote Sensing Technology And Application, 2016, 31(1): 51-62.(in Chinese with English abstract)

[23] 丁雷龙,李强子,杜鑫,等.基于无人机图像颜色指数的植被识别[J].国土资源遥感,2016, 28(1):78-86. Ding Leilong, Li Qiangzi, Du Xin, et al. Vegetation extraction method based on color indices from UAV images[J]. 2016, 28(1): 78-86. (in Chinese with English abstract)

[24] 杨琦,叶豪,黄凯,等.利用无人机影像构建作物表面模型估测甘蔗LAI[J].农业工程学报,2017, 33(8):104-111. Yang Qi, Ye Hao, Huang Kai, et al. Estimation of leaf area index of sugarvane using crop surface model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33 (8): 104-111.(in Chinese with English abstract)

[25] 郭铌.植被指数及其研究进展[J].干旱气象, 2003, 21(4) :71-75. Guo Ni. Vegetation index and its advances[J]. Arid Meteo Rology, 2003, 21(4): 71-75.(in Chinese with English abstract)

[26] 田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1998, 13(4):10-16. Tian Qingjiu, Min Xiangjun. Advances in study on vegetation indices[J]. Advance in Earth Sciences, 1998, 13(4): 10-16. (in Chinese with English abstract)

[27] Otsu N. Threshold selection method from gray-level histograms[J]. Systems Man & Cybernetics IEEE ransactions on, 1979, 9(1): 62-66.

[28] 潘林,潘发明.SPSS统计分析大全[M].北京:清华大学出版社,2016.

[29] Trimble. eCognition Developer 9.0 Reference Book[Z]. 2014.

赵必权,丁幼春,蔡晓斌,谢 静,廖庆喜,张 建.基于低空无人机遥感技术的油菜机械直播苗期株数识别[J]. 农业工程学报,2017,33(19):115-123. doi:10.11975/j.issn.1002-6819.2017.19.015 http://www.tcsae.org

Zhao Biquan, Ding Youchun, Cai Xiaobin, Xie Jing, Liao Qingxi, Zhang Jian. Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 115-123. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2017.19.015 http://www.tcsae.org

Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology

Zhao Biquan1,2, Ding Youchun3, Cai Xiaobin4, Xie Jing5, Liao Qingxi3, Zhang Jian1,2※

(1.430070,; 2.(),430070,; 3.430070,; 4.430077,; 5.430070,)

Identification of plant number of rape seedlings is the key to evaluating effect and quality of mechanical planting. In terms of the long-lasting and inefficient manual statistics in plant quantity detection of rape seedlings planted mechanically, this article explored a new means to automatically identify the number by a low altitude unmanned aerial vehicles (UAV) remote sensing system with ultra-high resolution. A color vegetation index, excess green - excess red (ExG-ExR), was chosen for image segmentation which was performed by Otsu algorithm. The features of rape plant like spectral and shape information were extracted after image segmentation. Combined with the field survey data, the research applied stepwise multiple regression analysis to build the relationship between the plant number of rape seedlings and features. The low altitude UAV used in research was integrated with an ultra-high resolution sensor, Nikon D800, an FX-format digital single lens reflex (DSLR) camera with effective pixel count of 36.3 million for definition and image quality. Its ultra-high resolution (0.18 cm/pixel) made the identification of rape seedlings plant number possible, although it captured RGB (red, green, blue) images. In fact, there were several color vegetation indices based on visible band. And the research on them had an outstanding achievement. This article compared the ExG, ExG-ExR, normalized green-red difference (NGRD) and green leaf index (GLI), which were commonly used in the study, especially in the UAV digital image system. The result of image segmentation showed that all the color vegetation indices could be suitable for the rape seedlings area identification and extraction. In the end, ExG-ExR was chosen in this paper because it was matched with the area of rape seedlings in RGB image best, while GLI had a lot of noise. Before feature extraction, there were some post-processings for the segmentation objects, such as vectorization, buffer analysis, abnormal object elimination and field survey data input. Finally, in 24 quadrats of this research area, 3 565 segmentation objects of rape with 15 shape features were identified and extracted. Eighty percent of them were randomly selected for regression, while the remaining 20% were used for testing. A correlation analysis for 15 shape features was conducted to solve the problem of choosing independent variables preliminarily. Three shape features, i.e. the length-to-width ratio of the minimum bounding rectangle, the distribution density of the pixels and the raster number of perimeter, were chosen for the stepwise multiple regression analysis. For the minimum bounding rectangle of vector segmentation rape objects, the length-to-width ratio was calculated. The distribution density of the pixels describes the distribution of the pixels of a segmentation object in space. The most “dense” shape is a square; the more an object is shaped like a filament, the lower its density. The raster number of perimeter is the sum of the raster numbers of border length for a segmentation object. The result indicated that there was a linear relationship between the plant number and 3 selected shape features. The model showed a determination coefficient2of 0.803 with high significance, and its standard error of estimate (SEE) was 0.699. Furthermore, strong correlation existed between the ground-measured and model-predicted plant number (2=0.809) in the test, and the root-mean-square error (RMSE) was 0.728. Overall, by calculating the color vegetation index and analyzing the correlation between rape seedlings plant number and features, the application of low altitude UAV remote sensing system integrated with ultra-high resolution sensor can effectively identify the plant number of rape seedlings planted by mechanical planter. Based on the automatic identification of rape seedlings plant number, the estimation of rape seedlings emergence and the distribution characteristic of row and plant space would be the next study direction for the evaluation on effect and quality of mechanical planting of rape seedlings.

unmanned aerial vehicles; remote sensing; models; rape; mechanical planting; plant number; multiple regression

10.11975/j.issn.1002-6819.2017.19.015

TP75;S127

A

1002-6819(2017)-19-0115-09

2017-05-15

2017-08-05

国家自然科学基金(41201364,31501222);中央高校基本科研业务费专项资金资助(2017JC038, 2015BQ026,2014QC013)

赵必权,广东佛山人,博士生,主要从事基于低空遥感技术的的田间表型观测方法研究。武汉 华中农业大学资源与环境学院,430070。Email:zhaobiq@163.com

※通信作者:张 建,湖北大冶人,副教授,主要从事基于低空遥感技术的的田间表型观测平台研制及相关理论方法研究。武汉 华中农业大学资源与环境学院,430070。Email:JZ@mail.hzau.edu.cn

猜你喜欢
株数植被指数栅格
子午岭细裂槭天然分布及其重要性研究
不同品种苎麻新麻分株力差异比较及其与农艺性状指标的相关性
基于邻域栅格筛选的点云边缘点提取方法*
冬小麦SPAD值无人机可见光和多光谱植被指数结合估算
基于A*算法在蜂巢栅格地图中的路径规划研究
我院耐碳青霉烯类肠杆菌科细菌感染分布特点及耐药性分析
基于植被指数选择算法和决策树的生态系统识别
河南省冬小麦产量遥感监测精度比较研究
巧解“植树问题”
不同剖面形状的栅格壁对栅格翼气动特性的影响