無人機高清數(shù)碼圖像在農(nóng)田作物信息獲取中的應(yīng)用

張黎黎

我國是農(nóng)業(yè)大國，農(nóng)業(yè)是國民經(jīng)濟的重要組成部分。傳統(tǒng)的農(nóng)作物營養(yǎng)診斷和病蟲草害監(jiān)測主要依靠專業(yè)工作人員田間取樣和調(diào)查，具有耗時、費力、效率低、主觀性強等缺點。衛(wèi)星圖像的空間分辨率較低、獲取成本高，且容易受到空中云層的遮擋。相比之下，無人機飛行成本低、操作便捷、影像獲取速度快、影像分辨率高，依據(jù)無人機高清數(shù)碼圖像構(gòu)建農(nóng)作物生長監(jiān)測模型指導農(nóng)作物精準管理，能夠大幅提高農(nóng)作物田間管理效率，為精準農(nóng)業(yè)提供理論依據(jù)。

1 無人機數(shù)碼圖像獲取平臺

以無人機為飛行平臺，搭載高清數(shù)碼相機，實時、快速地獲取高空間分辨率的農(nóng)作物冠層數(shù)碼圖像。可以選擇小型多旋翼無人機，飛行穩(wěn)定，不需要太大的起降平臺，如大鵬CW-10，大疆精靈4、大疆inspire 1 RAW等。可以選擇重量輕、分辨率高、防抖動效果好的數(shù)碼相機，如無人機內(nèi)置高清相機、DSCQX100、佳能EF-M18-55等。

2 無人機數(shù)碼圖像分析方法

對于獲取的無人機數(shù)碼圖像，通常計算小區(qū)作物的顏色指數(shù)、紋理特征等圖像特征信息，通過相關(guān)性分析排除相關(guān)性低的特征，并采用方差膨脹因子進行多重共線性分析。顏色指數(shù)有可見光大氣阻抗植被指數(shù)（VARI）、歸一化差分植被指數(shù)（NDI）、改良綠紅植被指數(shù)（MGRVI）、超紅植被指數(shù)（ExR）、超綠植被指數(shù)（ExG）等。紋理特征指數(shù)有對比度（CON）、相關(guān)性（COR）、熵（ENT）、同質(zhì)性（HOM）、二階矩（SM）等。楊福芹等獲取冬小麥挑旗期和開花期無人機數(shù)碼圖像和對應(yīng)的地面農(nóng)學參數(shù)，結(jié)合相關(guān)系數(shù)和方差膨脹因子篩選顏色指數(shù)。劉楊等構(gòu)建馬鈴薯無人機數(shù)碼圖像的顏色指數(shù)和紋理特征，結(jié)合實測地上生物量數(shù)據(jù)進行相關(guān)性分析對相關(guān)系數(shù)絕對值較大的指數(shù)和特征進行篩選。

3 基于無人機數(shù)碼圖像的生長參數(shù)估計

基于篩選的圖像特征和實測農(nóng)學參數(shù)，構(gòu)建反演模型，再從反演結(jié)果中選出最優(yōu)的模型。楊福芹等通過偏最小二乘回歸建立冬小麥挑旗期和開花期的氮營養(yǎng)指數(shù)反演模型。徐權(quán)等將顏色指數(shù)與大律法、形態(tài)學濾波法相結(jié)合，獲取棉花出苗信息，用于構(gòu)建棉花產(chǎn)量估算模型。李昂等通過提取無人機圖像中的水稻穗數(shù)量，并代入產(chǎn)量估算公式進行估產(chǎn)。馬明洋等通過BP神經(jīng)網(wǎng)絡(luò)建立了水稻SPAD反演模型。

4 基于無人機數(shù)碼圖像的作物分割

當農(nóng)作物的植被覆蓋度較低時，農(nóng)作物沒有完全覆蓋小區(qū)，拍攝的無人機數(shù)碼圖像中包含大量的非作物像素。如在小麥越冬前期，由于麥苗沒有完全覆蓋地面，圖像的相關(guān)系數(shù)總體偏低。作物分割算法能夠提取圖像中的作物像素，排除其他非作物的干擾，有效提高模型估計精度。熊雄等提出水稻穗分割算法Panicle-SEG，采用卷積神經(jīng)網(wǎng)絡(luò)和超像素優(yōu)化的深度學習方法?？紤]到監(jiān)督學習方法需要大量的標記訓練數(shù)據(jù)，算法的性能極大依賴于訓練集的質(zhì)量，Hayat等提出提出非監(jiān)督貝葉斯的水稻穗分割方法。曹英麗等提出將圖像轉(zhuǎn)換到Lab顏色空間，采用非監(jiān)督GMM算法對分蘗期水稻無人機數(shù)碼圖像進行分割，比RGB顏色空間下的圖像分割效果更好。

5 結(jié)論

目前無人機數(shù)碼圖像的作物生長參數(shù)估計研究較多，但是距離真正落地應(yīng)用還有較大的距離。但該技術(shù)有巨大的發(fā)展?jié)摿蛻?yīng)用價值。未來需要將前沿的機器學習、深度學習等技術(shù)與農(nóng)業(yè)深度結(jié)合，使無人機數(shù)碼圖像分析技術(shù)走向成熟。