基于高分辨率無人機(jī)影像的噴藥除草效果評估

琚書存 汪志存 張東彥

摘要：針對快速檢測農(nóng)藥噴灑效果和農(nóng)藥利用率問題，通過設(shè)計(jì)1組噴藥對比試驗(yàn)，分析不同區(qū)域雜草的顏色特征（RGB）、顏色空間轉(zhuǎn)換特征（HLS、HSV）、紋理特征（mean、variance等）、可見光波段植被指數(shù)（EXG、EXR、VDVI等），比較各個特征及指數(shù)在噴藥和對照區(qū)的差異，篩選出最優(yōu)特征或指數(shù)進(jìn)行閾值分割;在此基礎(chǔ)上，計(jì)算噴藥前后雜草像元數(shù)評估無人機(jī)噴藥的除草效果。試驗(yàn)結(jié)果表明，利用歸一化過紅、過綠植被指數(shù)之差（EXG-EXR）可有效檢測噴藥除草效果，該方法能夠?yàn)樘岣咿r(nóng)田噴藥效果提供技術(shù)支持。

關(guān)鍵詞：無人機(jī);可見光波段;顏色特征;植被指數(shù);噴藥試驗(yàn)

無人機(jī)（unmanned aerial vehicle，簡稱UAV）可以進(jìn)行播種、施肥、噴藥、產(chǎn)量評估以及病蟲害檢測等多種操作，與其相關(guān)的技術(shù)正在快速地推動農(nóng)業(yè)信息化的發(fā)展[1]。無人機(jī)遙感具有低空觀測、機(jī)動靈活、成本相對較低等優(yōu)勢[2-4]，是提高農(nóng)業(yè)機(jī)械化發(fā)展的重要技術(shù)力量[5]。

大田農(nóng)藥噴灑效果問題一直是關(guān)乎農(nóng)作物產(chǎn)量的關(guān)鍵性問題[6]。農(nóng)藥噴灑太少或者不均勻都會影響作物病蟲害防治效果，既關(guān)系到作物產(chǎn)量和品質(zhì)，也會產(chǎn)生生態(tài)環(huán)境污染問題。所以如何借助無人機(jī)遙感促進(jìn)大田農(nóng)藥噴施技術(shù)發(fā)展以及效果評估，成為當(dāng)前農(nóng)業(yè)生產(chǎn)關(guān)注的熱點(diǎn)問題之一。

試驗(yàn)分為噴藥、非噴藥的2塊區(qū)域，在此基礎(chǔ)上，進(jìn)一步劃分出均勻噴藥區(qū)域、飄移區(qū)域和地塊邊緣區(qū)域。試驗(yàn)思路是通過分析各個區(qū)域的圖像特征找出差異;計(jì)算9種常見的植被指數(shù)[7]并確定最能表征噴藥效果的植被指數(shù)。最后利用RGB（紅光、綠光、藍(lán)光）顏色波段、可見光波段植被指數(shù)和支持向量機(jī)[8]3種圖像閾值分割方法來直觀顯示噴藥除草效果。由于基于像元的方法[9]在農(nóng)田作物的檢測方面效果良好[10-12]，本研究最終利用基于像元的方法作出噴藥率估算，研究結(jié)果旨在為今后農(nóng)業(yè)生產(chǎn)中無人機(jī)噴藥效果評估提供借鑒。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)地點(diǎn)位于安徽省合肥市廬江縣白湖鎮(zhèn)白湖農(nóng)場。無人機(jī)圖像拍攝時間分別為2018年4月20日、4月28日 13：00 至14：00之間?？偯娣e0.37 hm2。4月20日天氣狀況為多云，風(fēng)力為南風(fēng)2級。4月28日天氣狀況為多云、風(fēng)力為東南風(fēng)2級。噴藥時間為4月24日，天氣狀況為多云，風(fēng)力為西北風(fēng)1級，適宜開展無人機(jī)噴灑作業(yè)。噴藥前后田塊對比見圖1。

1.2 試驗(yàn)設(shè)計(jì)

試驗(yàn)地塊分為2塊相同大小、種植密度相同的區(qū)域，雜草為芒草（Miscanthus），除草劑為草甘膦。其中一個區(qū)域不進(jìn)行無人機(jī)噴藥，稱為非噴藥區(qū)。另一個區(qū)域則進(jìn)行噴藥處理，稱為噴藥區(qū)。由于風(fēng)向的原因，無人機(jī)在噴灑農(nóng)藥時會發(fā)生不同程度的農(nóng)藥霧滴飄移。根據(jù)田間調(diào)查并結(jié)合無人機(jī)拍攝的高清圖像，可看到明顯的飄移區(qū)（圖2）。根據(jù)圖像成像效果，試驗(yàn)地塊被分為飄移區(qū)、均勻噴藥區(qū)、地塊邊緣區(qū)、噴藥區(qū)、非噴藥區(qū)5個區(qū)域，無人機(jī)拍攝各個劃分區(qū)域見圖2。

1.3 無人機(jī)系統(tǒng)介紹

無人機(jī)型號為大疆公司生產(chǎn)的精靈4 pro，搭載高分辨率相機(jī)，在40 m飛行高度下，空間分辨率約為1 cm，2條航線覆蓋整個試驗(yàn)區(qū)。試驗(yàn)當(dāng)天微風(fēng)，設(shè)置飛行速度為3.5 m/s。

本試驗(yàn)所用圖像裁剪工具為ENVI 5.3，圖像拼接采用PhotoScan 1.4.1軟件。

2 結(jié)果與分析

2.1 整體區(qū)域數(shù)據(jù)處理

4月20日、4月28日2個時期整體區(qū)域顏色波段分量結(jié)果見表1，其中R、G、B分別代表RGB顏色空間的紅光、綠光和藍(lán)光波段均值;H、L、S分量分別代表HLS顏色空間的色相（hue）、亮度（luminance）和飽和度（saturation）均值;H、S、V分量分別代表HSV顏色空間的色相、飽和度和明度（value）均值。為了更直觀地看出差異，還進(jìn)行了常見可見光植被指數(shù)計(jì)算，包括歸一化紅植被指數(shù)（R*）、綠植被指數(shù)（G*）、藍(lán)植被指數(shù)（B*）;歸一化過綠植被指數(shù)（EXG）[13]、過紅植被指數(shù)（EXR）[14];可見光波段差異植被指數(shù)（VDVI）[15]、歸一化綠紅差異指數(shù)（NGBDI）、歸一化綠藍(lán)差異植被指數(shù)（NGRDI）[16]，表2為所用到的可見光波段植被指數(shù)，計(jì)算公式如下：

2.2 局部區(qū)域數(shù)據(jù)處理

從圖2可以看出，非噴藥區(qū)域的雜草健康生長，而噴藥區(qū)域的大多數(shù)雜草已被除去。從顏色特征和可見光波段植被指數(shù)中可以觀察出2個區(qū)域在前期沒有明顯差異，但是在后期噴藥區(qū)域比非噴藥區(qū)域的R波段值上升快，且G波段值下降要快，而最明顯的變化差異反映在EXG-EXR植被指數(shù)上（表3、表4）。

無人機(jī)在飛行過程中是沿主航線直線飛行，噴灑農(nóng)藥時由于風(fēng)向的影響，使得一部分農(nóng)藥霧滴被風(fēng)吹離主航線，偏離了預(yù)設(shè)的噴灑路線，造成了農(nóng)藥噴霧中的飄移現(xiàn)象。部分農(nóng)藥霧滴向西北方向偏移，從圖2可以看到一塊飄移區(qū)域。這個現(xiàn)象在無人機(jī)噴藥的過程中較常見，是會影響農(nóng)藥噴灑效果和農(nóng)藥覆蓋度均勻性的重要因素。本研究著重觀察了農(nóng)藥在飄移區(qū)域?qū)﹄s草的除草效果，試驗(yàn)發(fā)現(xiàn)飄移區(qū)域的雜草除草率要高于其他噴藥區(qū)域;地塊邊緣區(qū)域的雜草除草率要高于飄移區(qū)域，在顏色特征和植被指數(shù)都有所差異。

2.3 紋理特征分析

試驗(yàn)過程中對不同區(qū)域也進(jìn)行了紋理特征分析，取均值、方差、熵、偏離度4種紋理特征值（表5）。試驗(yàn)選取各個區(qū)域R、G、B波段的均值（圖3）。從表5可以看出，4月20日同一區(qū)域的R、G、B波段中G波段均值最高，而4月28日除了非噴藥區(qū)域以外其他區(qū)域的R、G、B波段中R波段均值最高。4月20日同一區(qū)域的R、G、B波段之間均值差異相對于4月28日的R、G、B波段之間均值差異更大，主要原因在于后期經(jīng)過噴藥除草后各個區(qū)域地表裸露出來、雜草減少。從方差分析來看，4月20日同一區(qū)域的R、G、B波段中G波段方差均值最高，而4月28日除了非噴藥區(qū)域以外其他區(qū)域的R、G、B波段中R波段均值最高。從熵分析來看，2個時期中各個區(qū)域R、G、B波段的熵值差異不大，非噴藥區(qū)域熵值相對偏高，飄移區(qū)域熵值相對偏低。2個時期中各個區(qū)域的偏離度極低且差異很小。

從圖3可以看出，飄移區(qū)域、地塊邊緣區(qū)域、均勻噴藥區(qū)域3個區(qū)域分別在2個時期的紋理特征無明顯差別。表明從紋理特征中能觀察出噴藥前后雜草的變化。

2.4 基于圖像分割的除草率計(jì)算

利用G-R波段自動閾值分割后的二值化圖像作為掩膜，提取分割出植被。統(tǒng)計(jì)前后2個時期的植被像素?cái)?shù)，最后分別計(jì)算出均勻噴藥區(qū)域、飄移區(qū)、地塊邊緣區(qū)的除草率，并比較它們之間的差別。平均每15個像素代表1株植被，經(jīng)過試驗(yàn)統(tǒng)計(jì)，4月20日地塊邊緣區(qū)、均勻噴藥區(qū)、飄移區(qū)的G-R圖像分割效果見圖4-b。

從表2、表4可以看出，EXG-EXR植被指數(shù)均值在各個區(qū)域都有比較明顯的差別，故利用EXG-EXR植被指數(shù)二值化后的圖像做閾值分割提取出植被。發(fā)現(xiàn)這種方法更能提取出健康的雜草，比G-R的分割方法精確度更高，計(jì)算出的除草率也更高。4月20日地塊邊緣區(qū)、均勻噴藥區(qū)、飄移區(qū)的EXG-EXR圖像分割效果見圖4-c。

從圖4-a從左到右分別是4月20日地塊邊緣區(qū)、均勻噴藥區(qū)、飄移區(qū)的原圖，圖4-d左、右2個圖分別是圖4-b、圖4-c中地塊邊緣區(qū)域紅色方框所在的局部放大。從 圖4-d 可以發(fā)現(xiàn)，EXG-EXR閾值分割圖比G-R閾值分割圖更加精細(xì)，即EXG-EXR閾值分割去除了原圖當(dāng)中一些發(fā)白和偏黃的雜草像元，最后只保留健康的雜草像元。實(shí)際當(dāng)中偏黃和發(fā)白的雜草隨著時間的推移會逐漸死亡，所以 EXG-EXR閾值分割的效果更加貼近于真實(shí)的除草情況。

試驗(yàn)也利用支持向量機(jī)（support vector machine，簡稱SVM）從不同區(qū)域中隨機(jī)取健康雜草100個像素點(diǎn)和背景100像素點(diǎn)的RGB值進(jìn)行訓(xùn)練，利用訓(xùn)練的模型對原圖進(jìn)行分類。發(fā)現(xiàn)支持向量機(jī)的方法計(jì)算出的除草率偏低，跟實(shí)際情況偏差較多，而且模型訓(xùn)練過程繁瑣、計(jì)算精度跟取樣點(diǎn)大小有關(guān)，所以SVM方法不適合大范圍拍攝、研究對象個體較小且數(shù)量多的條件下的圖像分割。計(jì)算所得的除草率見表6。除草率計(jì)算為公式（2）。

試驗(yàn)中利用樣方法對原圖各個區(qū)域進(jìn)行采樣，人工手動記錄采樣樣方的植被和背景像元數(shù)，計(jì)算二者的比值作為實(shí)測的除草率。對比3種方法的除草率發(fā)現(xiàn)，在均勻噴藥區(qū)中G-R閾值分割和EXG-EXR閾值分割的除草率跟實(shí)測值90.249%最為相近，除草率分別為95.014%、97.580%，基于SVM方法測得的除草率僅為70.504%，主要是SVM方法訓(xùn)練樣本偏少，不能準(zhǔn)確估計(jì)大面積雜草的除草率（表6）。

3 討論與結(jié)論

3.1 特征分析

分別選取表1、表2、表3和表4的全部數(shù)據(jù)制成折線圖形式，如圖5-a、圖5-b、圖5-c和圖5-d所示。

整體區(qū)域由于后期噴灑農(nóng)藥除去了很多雜草，整體區(qū)域顏色偏黃，因此4月28日的R、B、B*、R*、EXR值比4月20日的高，而G、G*、H、S、EXG、NGBDI、NGRDI值比4月20日的低。

4月20日噴藥區(qū)域與非噴藥區(qū)域差別不大，而4月28日二者的區(qū)別很明顯。噴藥區(qū)R、B、B*、R*、EXR值比非噴藥區(qū)域高，而G、G*、H、S、EXG、EXG-EXR、NGBDI、NGRDI值比非噴藥區(qū)域低。噴藥區(qū)域的紋理特征比非噴藥區(qū)域小，主要因素是雜草噴藥后枯萎失綠，背景土壤暴露出來，導(dǎo)致紋理特征值偏低。

飄移區(qū)域、均勻噴藥區(qū)域、地塊邊緣區(qū)域：從RGB、HLS、HSV 3個顏色空間特征來看，2個時期的飄移區(qū)域、地塊邊緣區(qū)域、均勻噴藥區(qū)域各分量均值依次遞增。從植被指數(shù)來看，4月20日正常噴藥區(qū)域和飄移區(qū)域的植被指數(shù)差別不大，而地塊邊緣區(qū)的EXG-EXR、VDVI、NGBDI、NGRDI值低于前二者，從側(cè)面說明地塊邊緣區(qū)播種的密度相對較低。4月28日 3個區(qū)域的植被指數(shù)值并沒有明顯差別。

3.2 除草率對比

從G-R閾值分割法來看，地塊邊緣區(qū)、飄移區(qū)、均勻噴藥區(qū)除草率依次遞減。原因在于均勻噴藥區(qū)的雜草長勢比較旺盛，播種比較均勻，所以在噴藥后所殘留的雜草較多。地塊邊緣區(qū)雜草相對播種較少，無人機(jī)噴灑的農(nóng)藥也能覆蓋到此區(qū)域。故地塊邊緣區(qū)的除草率最高。

從數(shù)據(jù)上來看，飄移區(qū)并沒有因?yàn)檗r(nóng)藥飄移的原因而產(chǎn)生過度影響，其除草率也很高。無人機(jī)的路線是直線飛行，當(dāng)某一瞬時風(fēng)向使農(nóng)藥以霧滴的形式降落到飄移區(qū)，故飄移區(qū)的除草率也相對較高。試驗(yàn)結(jié)果表明，飄移區(qū)域的除草率與均勻噴藥區(qū)的除草率沒有明顯差別，即飄移現(xiàn)象對雜草的除草效果沒有明顯不好的影響。但是飄移現(xiàn)象會造成農(nóng)藥的浪

費(fèi)，還可能會造成某些區(qū)域的噴灑不均勻，為避免這種現(xiàn)象發(fā)生，應(yīng)該在風(fēng)力較小的情況下用無人機(jī)噴灑農(nóng)藥或者通過無人機(jī)遙感航空制圖后針對性地實(shí)施補(bǔ)救措施。

數(shù)據(jù)顯示基于EXG-EXR閾值分割的方法計(jì)算出的除草率更高一點(diǎn)，主要是這種方法更能有效地分割出綠色植物，去除了一些已經(jīng)死亡但是仍存在地里的雜草，所以對健康綠色雜草的分割更加精確，也使得除草率的計(jì)算更加準(zhǔn)確。因此EXG-EXR閾值分割方法比G-R閾值分割方法更好。

本試驗(yàn)探討了在復(fù)雜背景、目標(biāo)物體繁多且小的情況下，分割處理方法及機(jī)器學(xué)習(xí)方法的處理效果，并對農(nóng)業(yè)噴藥中常見的飄移現(xiàn)象進(jìn)行了分析。試驗(yàn)驗(yàn)證了EXG-EXR植被指數(shù)分割效果相對于傳統(tǒng)分割方法效果更好，且佐證了基于SVM的機(jī)器學(xué)習(xí)分割方法在處理樣本多且尺寸細(xì)小物體時效果并不理想，而且工作量很大。本試驗(yàn)填補(bǔ)了國內(nèi)利用EXG-EXR植被指數(shù)進(jìn)行噴藥除草評估應(yīng)用的空白，能為大面積噴藥除草效果評估提供借鑒。同時，隨著多光譜、高光譜等新型傳感器的使用，也為更加精準(zhǔn)的農(nóng)藥噴灑評估提供了新的技術(shù)支持。

參考文獻(xiàn)：

[1]金 偉，葛宏立，杜華強(qiáng)，等. 無人機(jī)遙感發(fā)展與應(yīng)用概況[J]. 遙感信息，2009（1）：88-92.

[2]李 冰，劉镕源，劉素紅，等. 基于低空無人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（13）：160-165.

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

[4]Everaerts J. The use of unmanned aerial vehicles（UAVs）for remote sensing and mapping[J]. Remote Sensing and Spatial Information Sciences，2008，144：1187-1191.

[5]汪 沛，羅錫文，周志艷，等. 基于微小型無人機(jī)的遙感信息獲取關(guān)鍵技術(shù)綜述[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（18）：1-12.

[6]王 玲，蘭玉彬，Hoffmann W C，等. 微型無人機(jī)低空變量噴藥系統(tǒng)設(shè)計(jì)與霧滴沉積規(guī)律研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（1）：15-22.

[7]汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見光波段無人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：152-159.

[8]Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks，1999，10（5）：988-999.

[9]郭 鵬，武法東，戴建國，等. 基于無人機(jī)可見光影像的農(nóng)田作物分類方法比較[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（13）：112-119.

[10]Miao R H，Tang J L，Chen X Q. Classification of farmland images based on color features[J]. Journal of Visual Communication and Image Representation，2015，29（2）：138-146.

[11]Sklenicka P. Classification farmland ownership fragmentation as a cause of land degradation：a review on typology，con-sequences，and

remedies[J]. Land Use Policy，2016，57（3）：694-701.

[12]Mesas-Carrascosay F J，Notario-Garcia M D，de Larriva J E M，et al. Validation of measurements of land plot area using UAV imagery[J]. International Journal of Applied Earth Observation and Geoinformation，2014，33（5）：270-279.

[13]Mao W H，Wang Y M，Wang Y Q. Real time detection of between-row weeds using machine vision[C]. Las Vegas，Nv July，2003.

[14]龍滿生，何東健. 玉米苗期雜草的計(jì)算機(jī)識別技術(shù)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（7）：139-144.

[15]楊 柳，陳延輝，岳德鵬，等. 無人機(jī)遙感影像的城市綠地信息提取[J]. 測繪科學(xué)，2017，42（2）：59-64.

[16]江 洪，汪小欽，吳 波，等. 地形調(diào)節(jié)植被指數(shù)構(gòu)建及在植被覆蓋度遙感監(jiān)測中的應(yīng)用[J]. 福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，38（4）：527-532.張 悅，施 維，李 丹，等. 禾谷鐮刀菌全基因組候選效應(yīng)因子預(yù)測與分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（6）：81-84.