呂霞 馬向陽(yáng) 冮地 房圣東 王彥剛

摘要：設(shè)計(jì)一種基于無(wú)人機(jī)影像的水稻群體監(jiān)控系統(tǒng)，預(yù)處理獲取圖像后使用多種模型計(jì)算植被覆蓋度，對(duì)比模型準(zhǔn)確度。結(jié)果表明：Otsu灰度閾值分割、邏輯回歸和樸素貝葉斯的模型算法誤差在4%～5%之間，誤差度在可接受范圍內(nèi);KNN算法中，K取不同值時(shí)模型準(zhǔn)確度有較大差別，K=4時(shí)誤差最小為3.96%;Kmeans算法中，K取不同值時(shí)模型準(zhǔn)確度也有較大差別，K=4時(shí)誤差最小為2.56%。

關(guān)鍵詞：水稻;監(jiān)控系統(tǒng);影像;無(wú)人機(jī);植被覆蓋度

中圖分類號(hào)：S511;S126? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：1674-1161（2022）01-0047-02

收稿日期：2021-11-30

作者簡(jiǎn)介：呂 霞（1979—），女，碩士，高級(jí)工程師，從事農(nóng)業(yè)機(jī)械化研究工作。

水稻是我國(guó)重要糧食作物，生長(zhǎng)期環(huán)境改變、土壤成分變化、施肥時(shí)間及用量、品種差異等因素，均對(duì)其產(chǎn)量和質(zhì)量產(chǎn)生影響。實(shí)現(xiàn)對(duì)水稻生長(zhǎng)期全過(guò)程智能化監(jiān)控，有利于解決諸多問(wèn)題。作物監(jiān)控系統(tǒng)已成為當(dāng)下農(nóng)業(yè)科研熱點(diǎn)，可用于服務(wù)精細(xì)化農(nóng)業(yè)，了解作物生長(zhǎng)狀況，控制作物生長(zhǎng)發(fā)育，提高作物產(chǎn)量和質(zhì)量。通過(guò)無(wú)人機(jī)搭載影像系統(tǒng)，建立數(shù)據(jù)庫(kù)獲取分析技術(shù)平臺(tái)，可實(shí)現(xiàn)對(duì)農(nóng)作物的群體監(jiān)控。設(shè)計(jì)一種基于無(wú)人機(jī)影像的水稻群體監(jiān)控系統(tǒng)，通過(guò)預(yù)處理獲取圖像，對(duì)比幾種植被覆蓋度模型的預(yù)測(cè)準(zhǔn)確度，進(jìn)而為作物群體監(jiān)控系統(tǒng)提供依據(jù)。

1 材料與方法

1.1 試驗(yàn)小區(qū)設(shè)計(jì)與無(wú)人機(jī)圖像采集

試驗(yàn)于2020年7月18日中午在沈陽(yáng)農(nóng)業(yè)大學(xué)水稻試驗(yàn)站進(jìn)行，天氣晴朗，小區(qū)面積667 m2。水稻品種“沈稻529”，處于分蘗期。通過(guò)大疆創(chuàng)新公司的M600六旋翼無(wú)人機(jī)搭載川雙利合譜公司的GaiaSky-mini內(nèi)置推掃式機(jī)載高光譜成像系統(tǒng)獲取該小區(qū)水稻影像數(shù)據(jù)，對(duì)水稻進(jìn)行群體監(jiān)控。

1.2 圖像預(yù)處理和樣本庫(kù)構(gòu)建

從小區(qū)圖像中截取一部分作為試驗(yàn)圖，統(tǒng)一選取300×300像素點(diǎn)，方便后期數(shù)據(jù)處理對(duì)比。每個(gè)像素點(diǎn)有3 個(gè)通道，分別用R，G，B表示。圖片在程序中可表示為1個(gè)300×300×3的三維數(shù)組，通過(guò)函數(shù)讀取每點(diǎn)的顏色通道值。在PS軟件中用紅色將圖中水稻部分像素點(diǎn)全部填充，提取紅色像素點(diǎn)，得到二值化圖像，作為水稻實(shí)際圖像。在試驗(yàn)圖的9萬(wàn)個(gè)像素點(diǎn)中按規(guī)律選取100 個(gè)像素點(diǎn)，讀取每點(diǎn)R，G，B的數(shù)值，給每個(gè)點(diǎn)打上標(biāo)簽。水稻像素點(diǎn)標(biāo)為1，非水稻像素點(diǎn)標(biāo)為0。將數(shù)據(jù)存于CSV文件，把JPG圖像和CSV文件放在根目錄下，便于寫(xiě)程序時(shí)讀取。

1.3 水稻識(shí)別及圖像分割試驗(yàn)方法

使用軟件Anaconda捆綁交互式源代碼文本編輯器Jupyter notebook，使用NumPy、matplotlib、Pandas、scikit-learn、scikit-image等Python庫(kù)，實(shí)現(xiàn)矩陣數(shù)學(xué)運(yùn)算、繪制圖形、圖像處理等，并對(duì)不同植被覆蓋度模型進(jìn)行分別處理。

1.4 植被覆蓋度算法構(gòu)建模型

植被覆蓋度是描述地面植被分布情況的重要參數(shù)，在某種程度上反映了植被的生長(zhǎng)情況和趨勢(shì)。通過(guò)觀測(cè)水稻圖像獲取植被覆蓋度，監(jiān)測(cè)水稻分蘗期各階段長(zhǎng)勢(shì)，可得到作物最佳生長(zhǎng)時(shí)期。通過(guò)停止灌溉等手段控制水稻分蘗，可獲得作物最佳生長(zhǎng)狀態(tài)。構(gòu)建以下5 種植被覆蓋度模型，通過(guò)與實(shí)際對(duì)比進(jìn)一步預(yù)測(cè)準(zhǔn)確度。

1） OTSU灰度閾值分割：專門(mén)用于確定二維閾值點(diǎn)在圖像中的分割率和閾值的圖像算法。

2） 邏輯回歸：相對(duì)線性的特征回歸分類模型，經(jīng)常被用于只有2 個(gè)類別的分類問(wèn)題。

3） KNN：即K-近鄰訓(xùn)練算法，一種基本的實(shí)例分類訓(xùn)練算法，通過(guò)多數(shù)實(shí)例組合進(jìn)行表決等手段對(duì)其類型進(jìn)行綜合預(yù)測(cè)。

4） kmeans：一種非監(jiān)督學(xué)習(xí)、面向聚類函數(shù)的算法。

5） 樸素貝葉斯模型：基于貝葉斯定理及其樸素特征符合條件的幾個(gè)獨(dú)立基本假設(shè)，通過(guò)對(duì)聯(lián)合訓(xùn)練的多個(gè)數(shù)據(jù)模型進(jìn)行聯(lián)合學(xué)習(xí)分析來(lái)幫助理解的一種聯(lián)合概率分布方法。

2 結(jié)果與分析

2.1 水稻識(shí)別模型植被覆蓋度的提取

先對(duì)1 張完整圖像進(jìn)行處理，選取其中部分圖片，統(tǒng)一截取300×300像素圖片。然后進(jìn)行人工標(biāo)注，將水稻部分用紅色填充。通過(guò)每個(gè)算法，顯示出通過(guò)算法得到的二值化圖像。再提取圖片中植被像元的個(gè)數(shù)和非植被像元的個(gè)數(shù)。根據(jù)植被指數(shù)閾值法提取的植被覆蓋度計(jì)算公式為

MFVC=×100% ? ? ? ? ? ? ?（1）

式中，MFVC—植被覆蓋度;Npaddy—水稻像元個(gè)數(shù);Nsoil—非植被像元個(gè)數(shù)。

2.2 評(píng)估不同水稻識(shí)別模型誤差的方法

將人工標(biāo)注的水稻圖像作為植被覆蓋度真實(shí)值，將各種分類方法得到的圖像作為預(yù)測(cè)值，對(duì)其進(jìn)行誤差估計(jì)。植被覆蓋度提取誤差的計(jì)算公式為

EF= ? ? ? ? ? ? ? （2）

式中，EF—水稻覆蓋度提取模型與實(shí)際覆蓋度的誤差;Fsup—經(jīng)由人工標(biāo)注獲得的水稻實(shí)際覆蓋度;FVI—經(jīng)由分類方法獲得的水稻植被覆蓋度。

2.3 不同水稻識(shí)別模型誤差對(duì)比

把人工標(biāo)注圖像的分蘗期水稻覆蓋度近似為實(shí)際覆蓋度，與每種方法分別得到的水稻植被覆蓋度進(jìn)行對(duì)比，得到模型的誤差，確定每種方法準(zhǔn)確度。首先確定了人工標(biāo)注圖像的植被覆蓋度為0.410 2。各個(gè)模型的植被覆蓋度和誤差見(jiàn)表1。

由表1可以看出：Otsu灰度閾值分割、邏輯回歸和樸素貝葉斯的模型算法誤差在4%～5%之間，誤差度在可接受范圍。KNN算法中，當(dāng)K取不同值時(shí)，模型準(zhǔn)確度有較大差別。當(dāng)取K=4時(shí)誤差最小，為3.96%。Kmeans算法中，當(dāng)K取不同值時(shí)，模型準(zhǔn)確度也有較大差別。當(dāng)K=4時(shí)，取得試驗(yàn)最小誤差，為2.56%。

3 結(jié)論與討論

試驗(yàn)結(jié)果表明：Otsu灰度閾值分割、邏輯回歸和樸素貝葉斯的模型算法誤差在4%～5%之間，誤差度在可接受范圍。KNN算法中，當(dāng)K取不同值時(shí)，模型準(zhǔn)確度有較大差別。當(dāng)取K=4時(shí)誤差最小，為3.96%。Kmeans算法中，當(dāng)K取不同值時(shí)，模型準(zhǔn)確度有較大差別。當(dāng)K=4時(shí)，取得試驗(yàn)最小誤差，為2.56%。

水稻關(guān)鍵生長(zhǎng)發(fā)育期包括分蘗期、拔節(jié)期、抽穗期等。本試驗(yàn)只選取分蘗期水稻作為試驗(yàn)對(duì)象，對(duì)其進(jìn)行群體監(jiān)控，模型誤差在5%以下均在可接受范圍。當(dāng)然，模型誤差越小，則該系統(tǒng)越精準(zhǔn)。試驗(yàn)后期會(huì)使用水稻其他時(shí)期的圖像作為觀測(cè)目標(biāo)，選用更大面積的圖像來(lái)驗(yàn)證模型效果，以便得到更多試驗(yàn)數(shù)據(jù)，進(jìn)一步研究模型準(zhǔn)確度，分析水稻在各個(gè)時(shí)期生長(zhǎng)狀況，進(jìn)而搭建全時(shí)期水稻群體監(jiān)控系統(tǒng)。

參考文獻(xiàn)

[1] 胡景輝.基于無(wú)人機(jī)成像高光譜遙感數(shù)據(jù)的水稻估產(chǎn)方法研究[D].杭州：浙江大學(xué)，2020.

[2] 肖海文.基于無(wú)人機(jī)遙感技術(shù)的水稻面積提取方法研究[D].贛州：江西理工大學(xué)，2020.

[3] 田婷，張青，張海東.無(wú)人機(jī)遙感在作物監(jiān)測(cè)中的應(yīng)用研究進(jìn)展[J].作物雜志，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