基于水稻群体监控系统的植被覆盖度模型对比研究

吕霞 马向阳 冮地 房圣东 王彦刚

摘要：设计一种基于無人机影像的水稻群体监控系统，预处理获取图像后使用多种模型计算植被覆盖度，对比模型准确度。结果表明：Otsu灰度阈值分割、逻辑回归和朴素贝叶斯的模型算法误差在4%～5%之间，误差度在可接受范围内;KNN算法中，K取不同值时模型准确度有较大差别，K=4时误差最小为3.96%;Kmeans算法中，K取不同值时模型准确度也有较大差别，K=4时误差最小为2.56%。

关键词：水稻;监控系统;影像;无人机;植被覆盖度

中图分类号：S511;S126    文献标识码：A    文章编号：1674-1161（2022）01-0047-02

收稿日期：2021-11-30

作者简介：吕 霞（1979—），女，硕士，高级工程师，从事农业机械化研究工作。

水稻是我国重要粮食作物，生长期环境改变、土壤成分变化、施肥时间及用量、品种差异等因素，均对其产量和质量产生影响。实现对水稻生长期全过程智能化监控，有利于解决诸多问题。作物监控系统已成为当下农业科研热点，可用于服务精细化农业，了解作物生长状况，控制作物生长发育，提高作物产量和质量。通过无人机搭载影像系统，建立数据库获取分析技术平台，可实现对农作物的群体监控。设计一种基于无人机影像的水稻群体监控系统，通过预处理获取图像，对比几种植被覆盖度模型的预测准确度，进而为作物群体监控系统提供依据。

1 材料与方法

1.1 试验小区设计与无人机图像采集

试验于2020年7月18日中午在沈阳农业大学水稻试验站进行，天气晴朗，小区面积667 m2。水稻品种“沈稻529”，处于分蘖期。通过大疆创新公司的M600六旋翼无人机搭载川双利合谱公司的GaiaSky-mini内置推扫式机载高光谱成像系统获取该小区水稻影像数据，对水稻进行群体监控。

1.2 图像预处理和样本库构建

从小区图像中截取一部分作为试验图，统一选取300×300像素点，方便后期数据处理对比。每个像素点有3 个通道，分别用R，G，B表示。图片在程序中可表示为1个300×300×3的三维数组，通过函数读取每点的颜色通道值。在PS软件中用红色将图中水稻部分像素点全部填充，提取红色像素点，得到二值化图像，作为水稻实际图像。在试验图的9万个像素点中按规律选取100 个像素点，读取每点R，G，B的数值，给每个点打上标签。水稻像素点标为1，非水稻像素点标为0。将数据存于CSV文件，把JPG图像和CSV文件放在根目录下，便于写程序时读取。

1.3 水稻识别及图像分割试验方法

使用软件Anaconda捆绑交互式源代码文本编辑器Jupyter notebook，使用NumPy、matplotlib、Pandas、scikit-learn、scikit-image等Python库，实现矩阵数学运算、绘制图形、图像处理等，并对不同植被覆盖度模型进行分别处理。

1.4 植被覆盖度算法构建模型

植被覆盖度是描述地面植被分布情况的重要参数，在某种程度上反映了植被的生长情况和趋势。通过观测水稻图像获取植被覆盖度，监测水稻分蘖期各阶段长势，可得到作物最佳生长时期。通过停止灌溉等手段控制水稻分蘖，可获得作物最佳生长状态。构建以下5 种植被覆盖度模型，通过与实际对比进一步预测准确度。

1） OTSU灰度阈值分割：专门用于确定二维阈值点在图像中的分割率和阈值的图像算法。

2） 逻辑回归：相对线性的特征回归分类模型，经常被用于只有2 个类别的分类问题。

3） KNN：即K-近邻训练算法，一种基本的实例分类训练算法，通过多数实例组合进行表决等手段对其类型进行综合预测。

4） kmeans：一种非监督学习、面向聚类函数的算法。

5） 朴素贝叶斯模型：基于贝叶斯定理及其朴素特征符合条件的几个独立基本假设，通过对联合训练的多个数据模型进行联合学习分析来帮助理解的一种联合概率分布方法。

2 结果与分析

2.1 水稻识别模型植被覆盖度的提取

先对1 张完整图像进行处理，选取其中部分图片，统一截取300×300像素图片。然后进行人工标注，将水稻部分用红色填充。通过每个算法，显示出通过算法得到的二值化图像。再提取图片中植被像元的个数和非植被像元的个数。根据植被指数阈值法提取的植被覆盖度计算公式为

MFVC=×100%              （1）

式中，MFVC—植被覆盖度;Npaddy—水稻像元个数;Nsoil—非植被像元个数。

2.2 评估不同水稻识别模型误差的方法

将人工标注的水稻图像作为植被覆盖度真实值，将各种分类方法得到的图像作为预测值，对其进行误差估计。植被覆盖度提取误差的计算公式为

EF=               （2）

式中，EF—水稻覆盖度提取模型与实际覆盖度的误差;Fsup—经由人工标注获得的水稻实际覆盖度;FVI—经由分类方法获得的水稻植被覆盖度。

2.3 不同水稻识别模型误差对比

把人工标注图像的分蘖期水稻覆盖度近似为实际覆盖度，与每种方法分别得到的水稻植被覆盖度进行对比，得到模型的误差，确定每种方法准确度。首先确定了人工标注图像的植被覆盖度为0.410 2。各个模型的植被覆盖度和误差见表1。

由表1可以看出：Otsu灰度阈值分割、逻辑回归和朴素贝叶斯的模型算法误差在4%～5%之间，误差度在可接受范围。KNN算法中，当K取不同值时，模型准确度有较大差别。当取K=4时误差最小，为3.96%。Kmeans算法中，当K取不同值时，模型准确度也有较大差别。当K=4时，取得试验最小误差，为2.56%。

3 結论与讨论

试验结果表明：Otsu灰度阈值分割、逻辑回归和朴素贝叶斯的模型算法误差在4%～5%之间，误差度在可接受范围。KNN算法中，当K取不同值时，模型准确度有较大差别。当取K=4时误差最小，为3.96%。Kmeans算法中，当K取不同值时，模型准确度有较大差别。当K=4时，取得试验最小误差，为2.56%。

水稻关键生长发育期包括分蘖期、拔节期、抽穗期等。本试验只选取分蘖期水稻作为试验对象，对其进行群体监控，模型误差在5%以下均在可接受范围。当然，模型误差越小，则该系统越精准。试验后期会使用水稻其他时期的图像作为观测目标，选用更大面积的图像来验证模型效果，以便得到更多试验数据，进一步研究模型准确度，分析水稻在各个时期生长状况，进而搭建全时期水稻群体监控系统。

参考文献

[1] 胡景辉.基于无人机成像高光谱遥感数据的水稻估产方法研究[D].杭州：浙江大学，2020.

[2] 肖海文.基于无人机遥感技术的水稻面积提取方法研究[D].赣州：江西理工大学，2020.

[3] 田婷，张青，张海东.无人机遥感在作物监测中的应用研究进展[J].作物杂志，2020（5）：1-8.

Comparative Study of Vegetation Cover Model Based on Rice Population Monitoring System

LÜ Xia1， MA Xiangyang1， GANG Di2， FANG Shengdong1， WANG Yangang1

（1. Liaoning Institute of Agricultural Mechanization， Shenyang 110161， China; 2. Liaoning Agricultural Economics School， Jinzhou Liaoning 121007， China）

Abstract： A rice population monitoring system based on UAV images was designed， and after pre-processing and obtaining images， multiple models were used to calculate vegetation coverage and compare the accuracy of models. The results show that the error of Otsu gray threshold segmentation， logistic regression and naive Bayes is between 4%～5%， within the acceptable range; In KNN algorithm， the model accuracy is different when K takes different values， the minimum error is 3.96%; In Kmeans algorithm， the model accuracy is different with different values， and the minimum error is 2.56% when K=4.

Key words： rice; monitoring system; image; UAV; vegetation coverage