基于消费级无人机监测水稻成熟度研究

周立鸣　邵小龙　徐 文

[摘要]本文旨在探究利用消费级无人机搭载数码相机长期监测水稻成熟度的可行性。2018年7月—11月，监测2个品种3个生育期的水稻生长状况，从水稻生长的抽穗期开始每隔7d采用无人机自带的数码相机获取试验区数码图像，并提取5种颜色指数，同步田间取样并检测水稻的千粒重，淀粉、蛋白质、水分含量及色差值等5项理化指标作为水稻的长势信息，探究水稻各生育期长势信息与颜色指数之间的关系。结果表明：水稻生长过程中，色差b*值、L*值及蛋白质含量与颜色指标相关性较低（R2=0.143 5～0.579 6），而千粒重、含水率、色差a*值以及淀粉含量与颜色指数相关性较好（R2=0.711 3～0.908 6），本研究为利用无人机搭载数码相机快速监测水稻成熟度奠定了基础。

[关键词]水稻;理化指标;成熟度;无人机;图像处理;颜色指数

中图分类号：S511 文献标识码：A DOI：10.16465/j.gste.cn431252ts.201912

水稻是我国主要的粮食作物之一[1]，大量研究表明稻谷收获期对水稻品质的影响是巨大的，其中包括水稻的食味品质，以及储藏期间的性状变化[2-3]。而快速无损监测水稻成熟度，能够有效地调控水稻采后品质。

遥感技术目前已广泛应用于精准农业，其具有快速无损、可持续性、可周期性观测等特点，其常用的观测平台有地面平台、无人机平台以及航天航空平台。地面平台依靠手持光谱仪器，具有操作简单、数据分辨率高等优点[4-5]，但是数据获取耗时耗力，测量范围受限;航天航空遥感基于卫星、航空飞机等平台，具有观测范围广、可持续跟踪等优点[6-7]，但其成本高昂，灵活性差，易受云、雾天气等影响，导致作物生长的关键生育期数据严重匮乏。近年来发展的无人机遥感技术，相比地面遥感具有覆盖面广、效率高的优点，相比卫星遥感具有空间分辨率高、灵活性强的优点。许多研究者已基于无人机图像进行了作物长势的监测研究[8-10]，如Hunt等[9]通过无人机搭载数码相机获取了高分辨率数码图像，用于估计玉米的营养状况和玉米、苜蓿和大豆作物的生物量，并利用归一化红绿差指数NGRDI评估了其生长期间氮素营养状况;Zhou等[11]使用多旋翼无人机搭载EOS 5D Mark III数码相机获取颜色指数对比了多光谱相机的结果，证实了无人机搭载数码相机可应用于水稻产量的预测。然而，利用无人机获得颜色指数与作物理化指标来估测作物成熟度的研究较少，这些颜色指数在作物长势预测方面的性能和潜力有待进一步检验。

本文利用无人机在两个品种的水稻生长期间，以7d为单位间隔长期拍摄水稻抽穗生长期间的数码图像，并同步采样测得水稻的千粒重、含水率、色差值、淀粉含量、蛋白质含量等理化指标作为水稻的长势信息，在抽穗前期、后期及全生育期运用多项式函数建立各项指标，并利用数码图像提取的颜色指数间的定量关系，建立基于并利用消费级无人机的水稻长势信息监测模型，以期为水稻成熟度的无损监测和精确预测提供理论依据和数据支持。

1 试验概述

1.1 试验设计

水稻试验于2018年7月—2018年11月在常州市新北區孟河镇仁厚村的水稻种植田开展，该地位于32°01，N，119°47′E，海拔高度10m，气候类型属于典型的亚热带季风气候，夏季高温多雨，冬季温和干燥。水稻品种分别为南梗5055和软玉，6月15日移植插秧，种植密度27穴/m2，9月15日全田抽穗80%后开始田间随机取样，之后每隔7d一次，试验期间气候正常，采样时间截至11月17日，覆盖水稻抽穗期、开花期，将9月15日—10月13日设为抽穗前期，10月20日—11月17日设为抽穗后期，整个生长期设为全生育期。

1.2 试验仪器

TP-214型分析天平;JE602型电子天平;CM-5型色差仪;GNP-9160型隔水式恒温培养箱;FW100型高速万能磨粉机;Buchi 凯氏定氮仪 K-360;101-电热恒温鼓风干燥箱。

1.3 试验方法

（1）千粒重测定。随机选取1 000颗带壳新鲜籽粒，通过分析天平测定重量。

（2）淀粉测定。水稻籽粒烘干至恒重之后，带壳磨粉过80目筛，得到粉末样品，再根据《食品安全国家标准 食品中淀粉的测定》（GB 5009.9-2016），通过酶解法测定样品中淀粉含量。

（3）蛋白质测定。根据《食品安全国家标准 食品中蛋白质的测定》（GB 5009.5-2016），通过凯氏定氮法测定样品的蛋白质含量。

（4）水分测定。根据《食品安全国家标准 食品中水分的测定》（GB 5009.3-2016），经过预处理后在105℃烘干至恒重，测定样品的水分含量。

（5）表面色差测定。用CM-5色差仪测定水稻籽粒的明度（L*）、红绿色调（a*）和黄蓝色调（b*），根据公式（1）计算色差（△E*值）。

（6）无人机图像数据的获取与处理。本研究采用大疆Mavic Pro旋翼式无人机（DJI-Innovations Inc.，Shenzhen，China）。无人机净重约734g，续航时间约23min，配备惯性测量单元（inertial measurement unit，IMU）和全球定位系统（Global Position System，GPS），可以记录无人机姿态信息和地理位置信息。其搭载的相机主要参数：1/2.3英寸CMOS，光圈f/2.2，总像素1 271万，获取影像分辨率为4 000×3 000，图片以JPG格式存储。

无人机遥感试验于当天上午太阳光辐射强度稳定，天气晴朗无云时开展，飞行高度分别为80m和450m，地面分辨率0.028m，航向重叠率为60%，旁向重叠率为60%，拍摄时感光度ISO、快门速度Shutter、光圈F、曝光值EV均为全自动，拍摄时停顿2～5s让相机获取最佳曝光条件。使用Photoshop（Photoshop CC 2017，Adobe Systems，America）对图像进行裁剪，获得试验区水稻无人机数码图像，见图1。采用Matlab软件（Matlab R2016a，MathWorks，America）提取水稻图像红、蓝、绿通道像元（gray level）值，计算其平均值分别定义为R、G、B值，归一化处理后得到各通道标准值，分别定义为r、g、b，其标准化公式如（2）～（4）所示。基于现有研究成果，利用r，g，b可以构建以下5种颜色指数（见表1），对水稻长势进行估测。

1.4 数据统计

使用SPSS 24.0（SPSS Inc.，Chicago，Illinois，USA）对5种颜色指数与各理化指标进行相关性分析和方差分析。采用Microsoft Excel 2016（Microsoft Corporation，Redmond，WA，USA）绘制图表。

2 结果与分析

2.1 影响因素分析

将影响因素分为80m和450m两个飞行高度，南梗5055和软玉两个水稻品种，全生育期分为前后两个抽穗期，以这三个因素对理化指标千粒重、水分含量、淀粉、蛋白质和L*、a*、b*以及△E*值，以及图像参数r、g、b值进行统计分析，见表2，结果表明：在不同品种间，水分含量未达到极显著水平，总淀粉达到显著水平（P<0.05），其余指標均达到极显著差异水平（P<0.01），图像参数中除g值外均达到极显著差异水平（P<0.01）;在不同生育期，除色差L*值外理化指标和图像指标均达到极显著差异水平;在不同飞行高度下，理化指标间的差异并不显著（P>0.05），仅图像参数达到极显著差异水平。由表2可知，品种和生育期是对研究理化指标和图像参数之间关系的极显著因素。

2.2 理化指标与颜色指数的模型建立

将试验数据以品种分为软玉和南梗5055，在整个生育期对基于无人机RGB图像提取的5种颜色指数分别与千粒重、含水率、L*值、a*值、b*值、△E*值、总淀粉含量、蛋白质含量等理化指标进行相关性分析，根据相关系数（r）的大小选取与各项理化指标相关性最好的颜色指数，将整个生育期分为抽穗前期和抽穗后期，分别建立基于优选颜色指数的各项长势指标的监测模型。

2.2.1 南梗5055的理化指标与颜色指数相关性分析

由表3可知，当水稻品种为南梗5055时，千粒重与归一化绿减红差值指数NGRDI极显著负相关（P<0.01），含水率与NGRDI极显著正相关（P<0.01），这表明随着水稻生长，NGRDI指数呈逐步降低趋势，稻谷颜色由绿变黄，水稻千粒重逐渐上升，含水率下降。色差数值中，明度（L*）值与可见光大气阻抗指数VARI极显著负相关（P<0.01），红绿色调（a*）值与NGRDI指数极显著负相关（P<0.01），黄蓝色调（b*）值与绿叶指数GLI极显著正相关（P<0.01），△E*与任何指数都不相关，这表明随着水稻生长，水稻颗粒明度下降，表面颜色由绿变黄，而总色差几乎不变。总淀粉与GLI极显著负相关（P<0.01），蛋白质含量与超绿指数ExG显著正相关（P<0.05），这表明随着长势增加，淀粉含量逐渐上升，蛋白质含量缓慢下降。

2.2.2 南梗5055长势模型的建立

基于相关性分析，将所有水稻长势指标与其对应的最优颜色指数进行数据拟合，在抽穗前期、抽穗后期以及全生育期构建监测模型，见表4，多项式函数拟合效果最佳。7项建模在抽穗前期的R2最低值属于蛋白质-ExG一项，仅0.088 2，R2最高值属于含水率-NGRDI一项，为0.891;在抽穗后期的R2最低值也属于蛋白质-ExG一项，为0.034 1，R2最高值属于b*-GLI一项，为0.529 1;在全生育期，R2最低值仍属于蛋白质-ExG一项为0.143 5，R2最高值属于含水率-NGRDI，为0.890 2。由表4可知，生长期的不同对于数据拟合的影响极大，在抽穗前期拟合效果较好的指标，在抽穗后期拟合效果会变差，反之，在抽穗前期拟合效果较差的指标，在抽穗后期会变好。其中，蛋白质-ExG一项的拟合效果最差，在三个生育期都无法获得较好的拟合效果。其他所有指标至少在一个生育期都获得了较好的拟合效果，并且在全生育期也获得了最低大于0.624 1（b*-GLI）的R2，其中，含水率-NGRDI的R2高达0.890 2，拟合效果最佳。

2.2.3 软玉的理化指标与颜色指数相关性分析

由表5可知，当水稻品种为软玉时，千粒重与超红指数ExR极显著正相关（P<0.01），含水率与绿叶指数GLI极显著正相关（P<0.01），这表明随着水稻生长，ExR呈上升趋势，水稻千粒重逐渐上升，GLI呈下降趋势，水稻含水率随生长时间下降。色差数值中，明度（L*）值与可见光大气阻抗指数VARI极显著负相关（P<0.01），红绿色调（a*）值与GLI极显著正相关（P<0.01），黄蓝色调（b*）值与任何指数都不相关（P>0.05），△E*与ExR极显著正相关（P<0.01），这表明随着水稻生长，水稻颗粒明度变暗，表面颜色变绿，总色差逐渐上升。总淀粉含量与GLI极显著负相关（P<0.01），蛋白质含量与ExR极显著负相关（P<0.01），这表明随着长势增加，淀粉含量逐渐上升，蛋白质含量缓慢下降。

2.2.4 软玉长势模型的建立

与南梗5055相同，基于相关性分析，将所有水稻长势指标与其对应的最优颜色指数进行数据拟合，在抽穗前期、抽穗后期以及全生育期构建监测模型，见表6，多项式函数拟合效果最佳。7项建模在抽穗前期的R2最高值属于含水率-GLI一项，为0.908 6，R2最低值属于蛋白质-ExR一项，仅0.227 3;在抽穗后期R2最高值也属于含水率-GLI一项，但也仅有0.184 8，最低值属于a*-GLI一项，仅0.007 5;在全生育期，R2最高值属于a*-GLI一项，为0.88，最低值属于蛋白质-ExR一项，仅0.151 7。由表6可知，除了蛋白质一项在三个生育期表现都较差，剩余几项至少在2个生育期都获得了较好的拟合效果。

3 结 论

本文利用无人机数码图像为数据源，在水稻关键生育期拍摄并提取RGB灰度值构建的5种数字图像颜色指数，结合了以水稻的千粒重、含水率、色差值、淀粉含量、蛋白质含量几项理化指标以及抽穗时间作为长势指标的相关性分析，最终与优选的颜色指数进行数据拟合，结果表明对于两种水稻，蛋白质都不能很好地与任何一个颜色指数建模，而色差指标中，a*值相较于L*值、b*值与颜色指数拟合较好，△E*不能作为参考色差值，而千粒重、含水率、淀粉含量与颜色指数关联性较好，可以很好地作为水稻的长势指标：一方面，这四项理化参数随生育期变化的同时，归一化值r、g、b和颜色指数也表现出规律性的变化;另一方面，归一化值和颜色指数在不同的品种和全生育期下都与理化参数显著性相关。考虑到光线条件变化、灌溉土壤管理差异对作物长势的影响[16]，R2精度从0.71～0.9波动在合理范围内。本实验证明了消费级无人机可以用来实现长期监测水稻生长情况的目的，可以用来建立最优监测模型的理化指标。由于建模仅基于同一试验田，因此往后需要更多的试验田对长势监测模型进行完善和验证，提高普适性。

参考文献

[1] 实时实地氮肥管理对水稻产量和氮素利用率的影响[J].中国农业科学，2003（12）：36-41.

[2] 刘兵，汪楠，邵小龙，等.不同收获期对两种粳稻综合品质的影响分析[J].食品科学，2017（19）：113-121.

[3] 汪楠，邵小龙，时小转，等.稻谷低温低湿干燥特性与水分迁移分析[J].食品工业科技，2017（5）：72-77.

[4] Xiaojun L， Richard F， Hengbiao Z， et al. Using an Active-Optical Sensor to Develop an Optimal NDVI Dynamic Model for High-Yield Rice Production （Yangtze， China）[J].Sensors，2017，17（4）：672.

[5] 陈青春，田永超，顾凯健，等.基于多种光谱仪的水稻前期植株氮积累量监测[J].农业工程学报，2011，27（1）：223-229.

[6] Wang J， Huang J F， Wang X Z， et al. 基于环境减灾卫星及Landsat-8 卫星的植被指数时间序列的水稻物候期提取研究（英文）[J].Journal of Zhejiang University-SCIENCE B，2015，16（10）：832-844.

[7] 陈鹏飞，杨飞，杜佳.基于环境减灾卫星时序归一化植被指数的冬小麦产量估测[J].农业工程学报，2013（11）：132-139.

[8] Zhang J， Yang C， Zhao B， et al. Crop Classification and LAI Estimation Using Original and Resolution-Reduced Images from Two Consumer-Grade Cameras[J]. Remote Sensing，2017，9（10）：1054.

[9] Hunt E R， Cavigelli M， Daughtry C S T， et al. Evaluation of Digital Photography from Model Aircraft for Remote Sensing of Crop Biomass and Nitrogen Status[J].Precision Agriculture，2005，6（4）：359-378.

[10] Lee K J， Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J].European Journal of Agronomy，2013， 48：57-65.

[11] Zhou X， Zheng H B， Xu X Q， et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2017（130）：246-255.

[12] Woebbecke D M， Meyer G E， Von Bargen K， et al. Color indices for weed identification under various soil， residue， and lighting conditions[J].Transactions of the ASAE，1995，38（1）：259-269.

[13] Meyer G E，Hindman T W，Laksmi K.Machine vision detection parameters for plant species identification[J].Proceedings of SPIE - The International Society for Optical Engineering， 1999：3543.

[14] Louhaichi M， Borman M M， Johnson D E. Spatially Located Platform and Aerial Photography for Documentation of Grazing Impacts on Wheat[J].Geocarto International，2001，16（1）：65-70.

收稿日期：2019-09-18

基金項目：江苏省研究生科研与实践创新计划项目（KYCX18-1415）。

作者简介：周立鸣，男，硕士，研究方向为粮食无损检测。

通信作者：邵小龙，男，博士，副教授，研究方向为无损检测技术，粮油储运工程和食品机械设备。

Monitoring the Growth Status of Rice Based on Consumer UAV

Zhou Liming，Shao Xiaolong，Xu Wen

（College of Food Science and Engineering， Nanjing University of Finance and Economics，Nanjing，Jiangsu 210023）

Abstract：The purpose of this paper is to explore the feasibility of using a consumer-grade drone to carry digital cameras for long-term monitoring of rice growth. From July to November 2018， the rice growth status of two varieties in three growth stages was monitored. From the heading period of rice growth， digital images of the test area were obtained using drone own digital camera every 7 days. Five kinds of color indexes were extracted， and five physical and chemical indicators such as 1000-grain weight， starch， protein， moisture content and color difference of rice were detected as the growth information of rice， and the relationship between growth information and color index of rice growth stages was explored. The results showed that the color difference b* value， L* value and protein and color index were low （R2=0.1435～0.5796）， while 1000-grain weight， water content， color difference a* value and starch content were related to color index. The performance is good （R2=0.7113～0.9086）. This study laid the foundation for the rapid monitoring of rice growth by using digital cameras equipped with drones.

Key Words：rice， physical and chemical indicators， growth status， unmanned aerial vehicles， image processing， vegetation indices