趙必權(quán),丁幼春,蔡曉斌,謝 靜,廖慶喜,張 建
?
基于低空無(wú)人機(jī)遙感技術(shù)的油菜機(jī)械直播苗期株數(shù)識(shí)別
趙必權(quán)1,2,丁幼春3,蔡曉斌4,謝 靜5,廖慶喜3,張 建1,2※
(1. 華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,武漢430070;2. 農(nóng)業(yè)部長(zhǎng)江中下游耕地保育重點(diǎn)實(shí)驗(yàn)室,武漢430070; 3. 華中農(nóng)業(yè)大學(xué)工學(xué)院,武漢430070;4. 中國(guó)科學(xué)院測(cè)量與地球物理研究所,武漢430077; 5. 華中農(nóng)業(yè)大學(xué)理學(xué)院,武漢 430070)
植株數(shù)量識(shí)別是油菜機(jī)械直播效果和質(zhì)量評(píng)估的關(guān)鍵。該文針對(duì)油菜機(jī)械直播田間植株數(shù)量檢測(cè)中人工統(tǒng)計(jì)耗時(shí)、費(fèi)工、效率低下的現(xiàn)實(shí),通過(guò)自主搭建的低空無(wú)人機(jī)遙感平臺(tái)采集油菜機(jī)械直播區(qū)域的遙感影像,基于超高分辨率(0.18 cm/pixel)遙感影像計(jì)算的顏色植被指數(shù)進(jìn)行油菜目標(biāo)識(shí)別及其形態(tài)特征信息提取。結(jié)合田間調(diào)查數(shù)據(jù),采用逐步回歸分析方法,建立了機(jī)械直播油菜在苗期的株數(shù)與遙感特征信息之間的關(guān)系。結(jié)果顯示,油菜目標(biāo)的株數(shù)與其外接矩形的長(zhǎng)寬比、像素分布密度和周長(zhǎng)柵格數(shù)具有較好的線性關(guān)系,回歸模型的決定系數(shù)2為0.803,并通過(guò)顯著性檢驗(yàn),其標(biāo)準(zhǔn)估計(jì)誤差為0.699。模型檢驗(yàn)結(jié)果顯示,觀測(cè)值與預(yù)測(cè)值之間的2為0.809,均方根誤差RMSE為0.728。研究結(jié)果表明,利用集成超高分辨率傳感器的低空無(wú)人機(jī)遙感平臺(tái),通過(guò)計(jì)算顏色植被指數(shù)并分析油菜目標(biāo)數(shù)量與形態(tài)特征的相關(guān)性,能有效識(shí)別油菜機(jī)械直播的出苗株數(shù),可為后續(xù)油菜機(jī)械直播效果的快速、準(zhǔn)確評(píng)估提供技術(shù)支持。
無(wú)人機(jī);遙感;模型;油菜;機(jī)械直播;株數(shù);多元回歸
油菜是全球重要的油料作物,中國(guó)是世界油菜的主要種植國(guó),種植面積和總產(chǎn)量均占世界的30%左右,均居世界第一[1-2]。目前,中國(guó)農(nóng)村勞動(dòng)力、生產(chǎn)資料的成本大幅上漲以及油菜機(jī)械化程度低等問(wèn)題導(dǎo)致油菜種植的經(jīng)濟(jì)效益低于其他作物,影響了農(nóng)戶生產(chǎn)的積極性。傳統(tǒng)人工種植的用工費(fèi)用占生產(chǎn)成本的60%~70%,每公頃耗工180~225個(gè),高昂的用工成本,迫切需要實(shí)現(xiàn)油菜的機(jī)械化種植[3-6]。最新頒布的《全國(guó)農(nóng)業(yè)機(jī)械化發(fā)展第十三個(gè)五年規(guī)劃》也明確指出,推進(jìn)主要農(nóng)作物生產(chǎn)全程機(jī)械化,同時(shí)加快配套機(jī)械化技術(shù)推廣應(yīng)用。提高油菜種植的機(jī)械化水平,將有效促進(jìn)油菜種植的可持續(xù)發(fā)展[7]。
油菜播種機(jī)械在示范推廣前都必須經(jīng)過(guò)嚴(yán)格的檢驗(yàn)和評(píng)估,而田間試驗(yàn)機(jī)械化是制約中國(guó)農(nóng)作物品種試驗(yàn)工作的主要瓶頸[8]。植株數(shù)量識(shí)別是油菜機(jī)械播種效果評(píng)估的基礎(chǔ),也是進(jìn)行后續(xù)的出苗率估算、行距與株距分布特征等播種效果和質(zhì)量評(píng)估的前提。楊松等以人工調(diào)查的方式對(duì)油菜田間植株分布規(guī)律進(jìn)行研究,為2BFQ- 6型油菜精量聯(lián)合直播機(jī)的結(jié)構(gòu)優(yōu)化、排種過(guò)程改進(jìn)提供參考依據(jù),其中就包括油菜株數(shù)的調(diào)查和成苗率的計(jì)算[9]。此外,其他作物出苗數(shù)、果實(shí)數(shù)量的田間識(shí)別也是農(nóng)業(yè)領(lǐng)域研究的熱點(diǎn)。Shi等設(shè)計(jì)了一個(gè)基于地面雷達(dá)的玉米植株位置和間距自動(dòng)測(cè)量系統(tǒng),該系統(tǒng)對(duì)200株玉米計(jì)數(shù)識(shí)別的結(jié)果誤差為5.5%,間距的均方根誤差(root mean square error,RMSE)為1.9 cm[10]。Font等在夜間的葡萄園設(shè)置人工光照環(huán)境并拍攝紅葡萄的高分辨率影像,利用光譜反射特征對(duì)紅葡萄進(jìn)行數(shù)量識(shí)別,其結(jié)果與人工計(jì)數(shù)相比,平均誤差率為-14%[11]。由此可見,數(shù)量識(shí)別研究在播種效果評(píng)估、產(chǎn)量預(yù)估等方面有重要作用。
低空無(wú)人機(jī)遙感技術(shù)具有高分辨率、實(shí)時(shí)獲取影像、操作簡(jiǎn)單和低成本等優(yōu)勢(shì),在現(xiàn)代農(nóng)業(yè)生產(chǎn)上具有重要應(yīng)用前景[12-14]。Hunt等通過(guò)無(wú)人機(jī)獲取的近紅外-綠波段-藍(lán)波段(NIR-G-B)影像進(jìn)行了冬小麥的監(jiān)測(cè),發(fā)現(xiàn)葉面積指數(shù)(leaf area index,LAI)與綠色歸一化植被指數(shù)(green normalized difference vegetation Index, GNDVI)有著較好的相關(guān)性(2=0.85),表明無(wú)人機(jī)平臺(tái)能為精準(zhǔn)農(nóng)業(yè)提供重要信息[15]。Bendig等從無(wú)人機(jī)影像得到的作物表面模型(crop surface models, CSMs)對(duì)大麥的生物量進(jìn)行估計(jì),得到2高達(dá)0.92的預(yù)測(cè)模型[16]。李冰等利用低空無(wú)人機(jī)遙感監(jiān)測(cè)冬小麥覆蓋度變化,提出低空無(wú)人機(jī)遙感在大面積農(nóng)作物覆蓋度監(jiān)測(cè)有良好應(yīng)用前景[17]。王利民等基于無(wú)人機(jī)影像進(jìn)行農(nóng)業(yè)遙感監(jiān)測(cè)的應(yīng)用,結(jié)果表明基于無(wú)人機(jī)影像的農(nóng)情遙感監(jiān)測(cè)具有巨大的推廣潛力[18]。汪小欽等通過(guò)無(wú)人機(jī)遙感進(jìn)行可見光波段的植被信息提取,且進(jìn)一步提出了可見光波段差異植被指數(shù)(visible-band difference vegetation index, VDVI),該指數(shù)對(duì)植被信息提取的精度高達(dá)90%[19]。Sankaran等以冬小麥為研究對(duì)象,利用無(wú)人機(jī)分別采集3種類型的冬小麥越冬期前后的多光譜影像,基于GNDVI反演的冬小麥的出苗率、越冬存活率與地面觀測(cè)值比較,發(fā)現(xiàn)整體的出苗率相關(guān)系數(shù)為0.87,越冬存活率相關(guān)系數(shù)為0.86[20]。因此,低空無(wú)人機(jī)遙感技術(shù)是評(píng)估作物種植和長(zhǎng)勢(shì)的一種有用工具。
目前,雖然通過(guò)遙感手段對(duì)作物種植進(jìn)行識(shí)別和監(jiān)測(cè)已經(jīng)成為研究的熱點(diǎn)和常規(guī)的方式,但這些研究和應(yīng)用通常專注于宏觀尺度下作物生長(zhǎng)信息的提取,如作物類型識(shí)別、覆蓋度監(jiān)測(cè)等,而對(duì)微觀尺度下作物生長(zhǎng)信息,如株數(shù)、出苗率等鮮有研究。少部分的研究也往往關(guān)注特定類型的作物,如玉米、小麥等,這些作物因其幼苗的生長(zhǎng)特征明顯也更適合進(jìn)行微觀尺度下的生長(zhǎng)信息識(shí)別和提取研究。本文以機(jī)械直播的油菜為研究對(duì)象,一方面因?yàn)闄C(jī)械直播的油菜,其生長(zhǎng)和分布具有較好的可識(shí)別性,同時(shí)也是利用無(wú)人機(jī)低空遙感技術(shù)對(duì)油菜直播機(jī)械改進(jìn)、油菜直播全程自動(dòng)化的探索。
綜上所述,針對(duì)油菜機(jī)械直播植株數(shù)量檢測(cè)中人工統(tǒng)計(jì)耗時(shí)、費(fèi)力,探索油菜直播全程自動(dòng)化識(shí)別新方式,本文通過(guò)自主搭建的超高分辨率低空無(wú)人機(jī)遙感平臺(tái)對(duì)油菜苗期出苗株數(shù)提取展開研究。利用獲取的超高分辨率遙感影像,在目標(biāo)識(shí)別、特征提取等方法下提取油菜苗期的特征信息,結(jié)合多元線性回歸分析方法,探究機(jī)械直播油菜在苗期的株數(shù)與其形態(tài)特征之間的關(guān)系,嘗試得出油菜直播機(jī)械作業(yè)下的油菜在苗期出苗數(shù)量的回歸模型,探索利用低空無(wú)人機(jī)遙感技術(shù)進(jìn)行油菜直播機(jī)械作業(yè)下的油菜苗期出苗數(shù)量信息提取的可行性。
本研究在湖北省武漢市華中農(nóng)業(yè)大學(xué)的油菜試驗(yàn)基地開展。實(shí)驗(yàn)田塊共13壟,實(shí)驗(yàn)田從西到東分別通過(guò)氣送式精量播種(8行)、氣力滾筒式精量排種(6行)、旋轉(zhuǎn)盤式排種(8行)、離心式排種(8行)共4種自行探索性研制的不同原理與結(jié)構(gòu)的排種器對(duì)甘藍(lán)型油菜“華油雜62”進(jìn)行播種作業(yè),作業(yè)時(shí)間分別為2016-10-06、2016-10-07、2016-10-09和2016-10-09。研究區(qū)域面積約為50 m×25 m(圖1)。
本研究的影像數(shù)據(jù)于2016-11-02通過(guò)低空無(wú)人機(jī)平臺(tái)獲取。研究中使用的是集成Nikon D800相機(jī)(株式會(huì)社尼康,NIKON CORPORATION)的超高分辨率成像平臺(tái)。無(wú)人機(jī)平臺(tái)為大疆M600飛行器(大疆創(chuàng)新科技有限公司,DJI-Innovations),其在無(wú)風(fēng)環(huán)境下最大水平飛行速度為18 m/s,最大負(fù)載質(zhì)量為6 kg,在最大負(fù)載質(zhì)量下能持續(xù)飛行16 min。平臺(tái)搭載的Nikon D800相機(jī),實(shí)際輸出分辨率為3 615萬(wàn)像素(7 360像素×4 912像素),本研究采用尼康50 mm f/1.4D定焦鏡頭,同時(shí)配備GPS模塊和無(wú)線觸發(fā)器。數(shù)據(jù)獲取時(shí),設(shè)置無(wú)人機(jī)飛行航向重疊度為80%,旁向重疊度為70%,飛行高度為20 m,同時(shí)設(shè)置交叉飛行的航線。相機(jī)快門無(wú)線觸發(fā)器將相機(jī)成像間隔設(shè)置為1 s。
圖1 研究區(qū)域
無(wú)人機(jī)飛行過(guò)程共拍攝影像816幅,圖像記錄為24位的真彩色JEPG格式。無(wú)人機(jī)獲取的影像首先通過(guò)Pix4D Mapper無(wú)人機(jī)圖像拼接軟件進(jìn)行處理,本研究在影像拼接時(shí),通過(guò)增加用RTK采集的地面控制點(diǎn)來(lái)進(jìn)一步提高影像的空間精度,最終生成試驗(yàn)區(qū)域的正射影像,其空間分辨率為0.18 cm/pixel,其中驗(yàn)證控制點(diǎn)的RMSE為=0.76 cm,=0.74 cm。圖1是本文的研究區(qū)域,圖1b是圖像采集區(qū)域整體拼接結(jié)果影像,圖1c是包含了4種排種器試驗(yàn)的研究區(qū)域影像。
本文根據(jù)不同的排種器類型對(duì)研究區(qū)域分別隨機(jī)選取6個(gè)(共24個(gè))樣方區(qū)域,通過(guò)田間實(shí)地調(diào)查獲取樣方中油菜的株數(shù)。氣力滾筒式精量排種(6行)的樣方區(qū)域尺寸為1.6 m×2 m;氣送式精量播種(8行)、旋轉(zhuǎn)盤式排種(8行)、離心式排種(8行)的樣方尺寸為2 m×2.5 m。本文是從整體的角度出發(fā),因此在不影響本研究的基礎(chǔ)上,結(jié)合不同的壟寬情況,未對(duì)所有樣方區(qū)域尺寸統(tǒng)一。本研究中油菜直播的作業(yè)時(shí)間相隔較短(3d),因此假設(shè)本研究的作業(yè)間隔對(duì)油菜的出苗情況沒(méi)有顯著的影響。本研究的技術(shù)路線見圖2。
注:ExG為過(guò)綠指數(shù),ExG-ExR為過(guò)綠-過(guò)紅指數(shù),NGRDI為歸一化綠-紅差值指數(shù),GLI為綠葉指數(shù)。
1.2.1 油菜目標(biāo)識(shí)別與分割
1)基于顏色植被指數(shù)的油菜植株目標(biāo)識(shí)別
通過(guò)搭載多光譜和高光譜傳感器的衛(wèi)星與航空遙感技術(shù),能獲取植被在更多波段上的光譜信息,但通過(guò)這種方式難以獲取足夠高分辨率的影像,不能滿足油菜出苗期植株提取的要求。
相比多光譜和高光譜傳感器,本文采用的單反相機(jī)雖然無(wú)法獲得豐富的光譜信息,但其超高分辨率的成像特點(diǎn)對(duì)于油菜出苗期植株準(zhǔn)確提取更為重要。與此同時(shí),基于傳統(tǒng)數(shù)碼相機(jī)的可見光波段進(jìn)行植被指數(shù)的研究也取得了較好的進(jìn)展。高林等基于無(wú)人機(jī)數(shù)碼影像對(duì)冬小麥葉面積指數(shù)進(jìn)行探測(cè)研究,發(fā)現(xiàn)通過(guò)無(wú)人機(jī)搭載的數(shù)碼相機(jī)獲取的RGB影像計(jì)算的可見光大氣阻抗植被指數(shù)(visible atmospherically resistant index,VARI)模型估測(cè)的LAI與實(shí)測(cè)值擬合2達(dá)到0.71,證明無(wú)人機(jī)數(shù)碼影像能應(yīng)用于冬小麥LAI探測(cè)[21]。張正健等人通過(guò)無(wú)人機(jī)拍攝的RGB影像對(duì)若爾蓋高原草地生物量進(jìn)行估測(cè),發(fā)現(xiàn)歸一化綠-紅差值指數(shù)(normalized green-red difference,NGRDI)對(duì)生物量的模擬精度最高,R達(dá)到0.856[22]。丁雷龍等基于4種RGB色域的顏色植被指數(shù),對(duì)冬小麥覆蓋區(qū)域進(jìn)行識(shí)別,4種顏色植被指數(shù)的植被識(shí)別精度達(dá)到90%以上[23]。楊琦等利用無(wú)人機(jī)拍攝RGB影像來(lái)提取甘蔗株高并估算LAI,結(jié)果發(fā)現(xiàn)選取的6種可見光植被指數(shù)均能估測(cè)甘蔗LAI,其中綠紅植被指數(shù)(green red vegetation index, GRVI)的2為0.779[24]。表1列舉了基于傳統(tǒng)數(shù)碼相機(jī)可見光波段建立的常用顏色植被指數(shù)[25-26]。
表1 基于傳統(tǒng)數(shù)碼相機(jī)的常用顏色植被指數(shù)
注:、、分別為紅波段、綠波段和藍(lán)波段反射率。
Note:,,respectively represents the reflectance of Red-band, Green-band, Blue-band.
根據(jù)油菜苗期植株對(duì)綠波段敏感的特征,本研究將基于過(guò)綠指數(shù)(excess green,ExG)、過(guò)綠-過(guò)紅指數(shù)(excess green-excess red,ExG-ExR)、歸一化綠-紅差值指數(shù)(normalized green-red difference,NGRDI)和綠葉指數(shù)(green leaf index,GLI)進(jìn)行油菜植株目標(biāo)的識(shí)別,選擇出可用于油菜植株目標(biāo)分割的顏色植被指數(shù)。
2)基于Otsu閾值算法的油菜植株目標(biāo)分割
本研究選取Otsu閾值算法來(lái)自動(dòng)確定閾值,進(jìn)行油菜植株目標(biāo)的分割。Otsu閾值算法,又稱為最大類間方差法,是一種自適應(yīng)的閾值提取方法[27]。這種方法的核心思想是通過(guò)一個(gè)最佳閾值,使得目標(biāo)和背景的類間方差最大,其快速運(yùn)算、錯(cuò)分概率小的特點(diǎn),適合于油菜植株分布的識(shí)別和提取。
設(shè)影像(,),大小為像元×像元,背景較暗,閾值為;目標(biāo)和背景的像元點(diǎn)占整幅影像的比例分別為1、2,平均灰度分別為1、2;影像總平均灰度,類間方差為;同時(shí)將影像中像素的灰度值小于閾值的像素個(gè)數(shù)記作1,像素灰度大于閾值的像素個(gè)數(shù)記作2,則有:
(2)
12×(3)
1+2= 1 (4)
1122(5)
=1(1–)2+2(2–)2(6)
通過(guò)上述公式,求得使取最大值使得閾值即為最佳閾值。
1.2.2 油菜株數(shù)多元線性回歸建模
通過(guò)線性方程來(lái)表示因變量與多個(gè)自變量間的數(shù)量關(guān)系,這種分析方法就稱為多元線性回歸建模[28]。本研究通過(guò)隨機(jī)抽樣的方式,將提取所得目標(biāo)中的80%用于多元回歸建模,剩余20%的目標(biāo)用于建模結(jié)果的檢驗(yàn)。本文共提取了油菜目標(biāo)的15類形態(tài)參數(shù)特征信息作為自變量。表2中列舉了這些特征信息的提取公式[29]。
表2 特征信息提取公式
注:1()、2()、3、4由外接矩形計(jì)算所得,分別為外接矩形的周長(zhǎng)(cm)、面積(cm2)、長(zhǎng)寬比和面積周長(zhǎng)比。其余特征由柵格特征計(jì)算所得。5(b)為周長(zhǎng)柵格數(shù),6(P)為面積柵格數(shù),7為柵格長(zhǎng)寬比,8為邊界指數(shù),9為形狀指數(shù),10為像素分布密度,11為勻稱度,12為緊湊度,13為圓度,14為方度,15為橢圓度。公式中,V代表油菜目標(biāo)體積的柵格個(gè)數(shù)。l、w分別是油菜目標(biāo)的長(zhǎng)、寬柵格數(shù)。、分別是在和方向上的方差,1、2、3是協(xié)方差矩陣對(duì)角化的特征值。
Note:1()、2()、3、4is calculated by the external rectangle of the object, they are perimeter (cm), area (cm2), length-wide ratio, area-perimeter ratio of the external rectangle. The others calculated from the raster characteristic of the object.5(b) is the count of raster about perimeter,6(P)is the count of raster about area,7is the length-wide ratio of raster number,8is boundary index,9is shape index,10is the distribution density of the pixel feature,11is symmetry,12is compactness,13is round fit,14is rectangle fit,15is ellipticity fit。In the formula,Vrepresent is the count of raster about volume.lis the count of raster about length.wis the count of raster about width.andrespectively represent variances in theanddirections.1、2、3is the eigenvalue of the diagonalization covariance matrix.
近似外包橢圓,主要通過(guò)協(xié)方差矩陣的特征值來(lái)計(jì)算。協(xié)方差矩陣是對(duì)稱矩陣,對(duì)角線上是方差,非對(duì)角線上是協(xié)方差。協(xié)方差矩陣對(duì)角化后,得到3個(gè)表示沿特征向量方向的方差的特征值。所以當(dāng)協(xié)方差矩陣是對(duì)角矩陣時(shí),方差等于特征值。其協(xié)方差矩陣如下。
1)自變量的初步篩選
本研究對(duì)這些自變量之間,以及它們與因變量之間的線性相關(guān)程度進(jìn)行分析。若兩自變量之間的相關(guān)系數(shù)||≥0.8,則認(rèn)為二者存在突出的共線性。本文繼續(xù)將它們分別與因變量的相關(guān)系數(shù)||進(jìn)行比較,只保留較大值所對(duì)應(yīng)的自變量。
2)逐步多元回歸建模
逐步回歸分析是多元線性回歸分析中的一種常用方法。它對(duì)方程中引入的變量反復(fù)檢驗(yàn),使模型外的自變量均無(wú)統(tǒng)計(jì)學(xué)意義,而模型內(nèi)的自變量均有統(tǒng)計(jì)學(xué)意義。本研究設(shè)置變量入選、剔除的顯著水平分別為0.05和0.10。
1.2.3 模型精度檢驗(yàn)
油菜株數(shù)多元回歸模型的精度評(píng)價(jià),主要是通過(guò)未用于建模的20%油菜目標(biāo)觀測(cè)值和模型預(yù)測(cè)值進(jìn)行比較,檢驗(yàn)指標(biāo)主要有2、均方根誤差(root mean square error,RMSE)、平均絕對(duì)誤差(mean absolute error,MAE)、預(yù)測(cè)株數(shù)總和。
基于過(guò)綠指數(shù)(ExG)、過(guò)綠-過(guò)紅指數(shù)(ExG-ExR)、歸一化綠-紅差值指數(shù)(NGRDI)和綠葉指數(shù)(GLI)的影像對(duì)第7號(hào)樣方區(qū)域(位于圖1c中序號(hào)為2的區(qū)域內(nèi))進(jìn)行Otsu閾值化的結(jié)果如圖3所示。圖3a是RGB影像。圖3b是基于ExG的閾值化提取結(jié)果,其閾值為55。圖3c是基于ExG-ExR的閾值化提取結(jié)果,其閾值為-14.6。圖3d是基于NGRDI的閾值化提取結(jié)果,其閾值為0.047。圖3e是基于GLI的閾值化提取結(jié)果,其閾值為0.074。圖3表明,4種可見光植被指數(shù)閾值化結(jié)果都能較好地對(duì)油菜目標(biāo)進(jìn)行識(shí)別和提取。
圖3 使用Otsu對(duì)不同植被指數(shù)的油菜目標(biāo)提?。ㄒ?號(hào)樣方為例)
為了在4種可見光植被指數(shù)中選擇最優(yōu)的植被指數(shù),本研究對(duì)閾值化結(jié)果矢量化后對(duì)圖層進(jìn)行疊加分析,圖4顯示的是4種可見光植被指數(shù)的矢量邊界。為了直觀比較,本文進(jìn)一步對(duì)兩個(gè)不同位置的油菜目標(biāo)進(jìn)行放大。圖4的結(jié)果顯示,NGRDI指數(shù)和ExG指數(shù)的油菜目標(biāo)的范圍小于ExG-ExR指數(shù)和GLI指數(shù)。在4種可見光植被指數(shù)都能較好地識(shí)別出油菜目標(biāo)的情況下,當(dāng)這個(gè)油菜目標(biāo)的范圍更大的時(shí)候,在這個(gè)范圍內(nèi)的油菜目標(biāo)的特征和信息就相對(duì)更完整。因此,ExG-ExR指數(shù)和GLI指數(shù)的效果要比NGRDI指數(shù)和ExG指數(shù)好。對(duì)圖4的進(jìn)一步觀察發(fā)現(xiàn),GLI指數(shù)比其他3個(gè)指數(shù)有更多面積較小的“噪點(diǎn)”。這種情況不利于后續(xù)的處理。因此,本文選擇ExG-ExR指數(shù)用于油菜目標(biāo)的識(shí)別和提取。
圖4 基于4種可見光植被指數(shù)提取的油菜目標(biāo)的疊加(以7號(hào)樣方為例)
為了解決提取結(jié)果中油菜目標(biāo)存在的斑塊破碎、面積過(guò)小等問(wèn)題,本研究還進(jìn)行一系列的目標(biāo)識(shí)別后處理,包括矢量化、緩沖區(qū)分析、剔除異常值等。緩沖區(qū)分析中,本研究設(shè)置緩沖距離為向外延伸1 cm。進(jìn)行緩沖區(qū)分析的原因在于提取并矢量化后的油菜目標(biāo)間,由于間距、葉片大小和傾角等方面存在差異使得油菜目標(biāo)數(shù)量顯著增加,同時(shí)也對(duì)數(shù)據(jù)的精度造成影響。從解譯的結(jié)果來(lái)看,某些距離較近的油菜目標(biāo),它們可能是同一株油菜不同傾斜方向的葉片,或能合并成一個(gè)完整油菜目標(biāo)。
異常值的剔除,主要是對(duì)面積過(guò)小的“油菜目標(biāo)”進(jìn)行剔除。本研究根據(jù)影像的空間分辨率,同時(shí)結(jié)合影像獲取時(shí)油菜的生長(zhǎng)情況及對(duì)真彩色影像的解譯結(jié)果,選擇1.16 cm2(約36個(gè)像素)為閾值,剔除面積小于此值的“油菜目標(biāo)”。
本文基于過(guò)綠-過(guò)紅指數(shù)(ExG-ExR)圖像,對(duì)24個(gè)樣方區(qū)域的影像,分割提取了3 565個(gè)油菜目標(biāo)。圖5展示第7號(hào)樣方區(qū)域中經(jīng)過(guò)后處理得到的用于特征信息提取的矢量油菜目標(biāo)、外接矩形邊界和柵格油菜目標(biāo)。
圖5 油菜目標(biāo)處理結(jié)果(以7號(hào)樣方為例)
油菜株數(shù)識(shí)別的基礎(chǔ)是油菜目標(biāo)的提取,但要得到最終的株數(shù)結(jié)果,還需要完成油菜植株個(gè)體的分割剝離。雖然很多植株群體無(wú)法分割出單獨(dú)的植株個(gè)體,但多株群體其植株數(shù)量往往決定了其目標(biāo)的形態(tài)特征。因此本研究通過(guò)形態(tài)特征估算不同植株目標(biāo)內(nèi)所對(duì)應(yīng)的個(gè)體數(shù)量,即表2提取所得的15類形態(tài)特征。表3是變量間的相關(guān)系數(shù),所有的相關(guān)系數(shù)均在顯著水平= 0.01(雙尾)下顯著。
表3中第1列數(shù)據(jù),反映出15類形態(tài)特征參數(shù)與因變量有著較好的相關(guān)性(||> 0.5),其中5(周長(zhǎng)柵格數(shù))與的相關(guān)系數(shù)的絕對(duì)值最大,達(dá)到0.886。這表明基于形態(tài)參數(shù)對(duì)油菜植株數(shù)量進(jìn)行估測(cè)建模具有可行性。
表3 變量間相關(guān)系數(shù)
表3的其他列數(shù)據(jù),反映的是兩個(gè)自變量之間的相關(guān)系數(shù),若該值的絕對(duì)值越接近1,表明這些自變量存在較為嚴(yán)重的共線性(一般超過(guò)0.8即認(rèn)為共線性明顯),這會(huì)降低模型的預(yù)測(cè)精度,同時(shí)將難以衡量每個(gè)解釋變量對(duì)總體2的貢獻(xiàn)。因此本文對(duì)這些特征信息進(jìn)行初步篩選時(shí),以0.8作為兩變量之間相關(guān)系數(shù)絕對(duì)值的閾值。
實(shí)際上,以1(外接矩形的周長(zhǎng))為例,對(duì)表3的第2列分析可得,與1(外接矩形的周長(zhǎng))相關(guān)系數(shù)的絕對(duì)值大于0.8的形態(tài)特征參數(shù)有2(外接矩形的面積)、4(外接矩形的面積周長(zhǎng)比)、5(周長(zhǎng)柵格數(shù))、6(面積柵格數(shù))、8(邊界指數(shù))、9(形狀指數(shù))、12(緊湊度)、13(圓度),其中最大值高達(dá)0.992(4)。這說(shuō)明這些自變量之間存在明顯的共線性。1與2、4、5及6相關(guān)性較高,主要的原因在于它們都與油菜目標(biāo)的幾何特征,如周長(zhǎng)、面積等有著密切的聯(lián)系。因此,根據(jù)這些形態(tài)特征參數(shù)的含義和提取公式(表2)也能進(jìn)一步解釋它們之間存在嚴(yán)重共線性的原因。所以,在這些存在明顯共線性關(guān)系的形態(tài)特征參數(shù)中,本研究選擇與因變量有著最高相關(guān)性的5(周長(zhǎng)柵格數(shù))作為建模的參數(shù)。
根據(jù)對(duì)表3各列數(shù)據(jù)的分析,本研究最終確定3(外接矩形的長(zhǎng)寬比)、5(周長(zhǎng)柵格數(shù))、10(像素分布密度)共3個(gè)自變量用于建模。
油菜目標(biāo)外接矩形的長(zhǎng)寬比,是描述油菜目標(biāo)的形態(tài),其值越大,油菜目標(biāo)越狹長(zhǎng),其形狀越趨向于長(zhǎng)方形;反之,油菜目標(biāo)形狀越緊湊,趨向于圓形、正方形。像素分布密度特征描述的是柵格對(duì)象像素在空間分布情況,其值取決于對(duì)象的形狀。正方形對(duì)象的像素分布密度值最大;對(duì)象形狀越狹長(zhǎng),像素分布密度越小。周長(zhǎng)柵格數(shù),反映油菜目標(biāo)邊界所占的柵格個(gè)數(shù),其值越大,周長(zhǎng)越大。
表4對(duì)3個(gè)自變量分別從總體數(shù)據(jù)和建模數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,每個(gè)特征信息的各項(xiàng)指標(biāo)差異不大,這也驗(yàn)證了抽樣的結(jié)果對(duì)于反映總體的特征具有可靠性,所以抽樣的結(jié)果能應(yīng)用于建模過(guò)程中。
基于油菜目標(biāo)外接矩形的長(zhǎng)寬比(1)、像素分布密度(2)和周長(zhǎng)柵格數(shù)(3)進(jìn)行油菜植株數(shù)量()的逐步回歸建模。所得模型的2為0.803,值為3 864.825,模型值<0.05,標(biāo)準(zhǔn)估計(jì)誤差為0.699,3個(gè)自變量在模型中均顯著,因此可以認(rèn)為油菜目標(biāo)的植株數(shù)量與其外接矩形的長(zhǎng)寬比、像素分布密度和周長(zhǎng)柵格數(shù)存在線性關(guān)系,建立的回歸方程成立,所得模型方程為
= 0.3181– 1.592+ 0.013+ 3.32 (9)
表4 三個(gè)自變量的統(tǒng)計(jì)描述
注:①表示總體數(shù)據(jù),②表示建模數(shù)據(jù)。1、2、3分別為3105
Note: ①indicates total data, ②indicates modeling data.1、2、3respectively represent3105
模型從整體的角度出發(fā),建立了研究區(qū)域所采用的自行探索性研制的不同原理與結(jié)構(gòu)的4種排種器直播作業(yè)下油菜目標(biāo)的植株數(shù)量與形態(tài)特征之間的一般關(guān)系。模型系數(shù)的正負(fù)值顯示,油菜對(duì)象外接矩形的長(zhǎng)寬比、周長(zhǎng)柵格數(shù)與植株數(shù)量成正相關(guān),而像素分布密度與植株數(shù)量成負(fù)相關(guān)。從表3也發(fā)現(xiàn),像素分布密度與外接矩形的長(zhǎng)寬比、周長(zhǎng)柵格數(shù)成負(fù)相關(guān)。因此,模型符合實(shí)際規(guī)律。
結(jié)合三個(gè)自變量的標(biāo)準(zhǔn)化系數(shù)分析,1、2、3對(duì)應(yīng)標(biāo)準(zhǔn)化系數(shù)分別為0.056、–0.120、0.794。標(biāo)準(zhǔn)化系數(shù)反映的是變量之間的相對(duì)重要性,若該變量波動(dòng)程度較大,則顯得該變量比較重要。因此,從周長(zhǎng)柵格數(shù)的標(biāo)準(zhǔn)化系數(shù)也印證了其波動(dòng)的程度較大,相比像素分布密度,其重要性更明顯。
綜上所述,本研究所得的模型及其各自變量均具有統(tǒng)計(jì)學(xué)意義,回歸模型的2為0.803,對(duì)總體變異的解釋程度較理想。一般情況下,當(dāng)油菜目標(biāo)外接矩形的長(zhǎng)寬比值越大,其形狀越狹長(zhǎng),像素分布密度也就越小,從而使其周長(zhǎng)柵格數(shù)有所增加,最后該油菜目標(biāo)所對(duì)應(yīng)的植株數(shù)量相對(duì)較多。
模型檢驗(yàn)的結(jié)果顯示(圖6),觀測(cè)值和模型預(yù)測(cè)值擬合2為0.809;油菜目標(biāo)觀測(cè)的株數(shù)總和為1 268株,預(yù)測(cè)總和約為1307株,預(yù)測(cè)總和比觀測(cè)總和多39株,誤差率為3.08%;RMSE為0.728;MAE為0.420。圖6反映了觀測(cè)值和模型預(yù)測(cè)值之間的擬合效果。各項(xiàng)指標(biāo)顯示,模型的檢驗(yàn)結(jié)果較為理想。擬合2>0.8,RMSE、MAE均小于1,且MAE還小于0.5??紤]到在數(shù)據(jù)處理過(guò)程中,對(duì)油菜目標(biāo)進(jìn)行了異常值的剔除,所以所得的結(jié)果仍在合理的范圍內(nèi)。
圖6 株數(shù)的真實(shí)值和模型預(yù)測(cè)值的比較
研究發(fā)現(xiàn),將低空無(wú)人機(jī)遙感技術(shù)與油菜機(jī)械化直播相結(jié)合,能有效識(shí)別油菜機(jī)械直播的出苗株數(shù),可為后續(xù)油菜機(jī)械直播效果的快速、準(zhǔn)確評(píng)估提供技術(shù)支持。識(shí)別的機(jī)械直播油菜目標(biāo)對(duì)應(yīng)的植株數(shù)量與其外接矩形的長(zhǎng)寬比、密度像素分布和周長(zhǎng)柵格數(shù)存在線性關(guān)系,2= 0.803。一般而言,油菜目標(biāo)外接矩形的長(zhǎng)寬比的值越大,其形狀越狹長(zhǎng),像素分布密度就越小,從而使其周長(zhǎng)柵格數(shù)有所增加,最后該油菜目標(biāo)所對(duì)應(yīng)的植株數(shù)量相對(duì)較多。所得模型的2為0.803,通過(guò)顯著性檢驗(yàn),標(biāo)準(zhǔn)估計(jì)誤差為0.699。驗(yàn)證結(jié)果顯示,觀測(cè)值和預(yù)測(cè)值的擬合2為0.809,預(yù)測(cè)總和比觀測(cè)總和多39株,誤差率為3.08%,均方根誤差為0.728,平均絕對(duì)誤差為0.420。
本研究從整體的角度出發(fā),利用超高分辨率的遙感影像對(duì)研究區(qū)域的機(jī)械直播油菜進(jìn)行株數(shù)識(shí)別并獲得較好的結(jié)果。未來(lái),可以針對(duì)本研究區(qū)域油菜機(jī)械直播所采用的自行探索性研制的不同原理與結(jié)構(gòu)的排種器分別評(píng)估并進(jìn)行對(duì)比,分析這4種排種器機(jī)械直播效果和質(zhì)量的優(yōu)劣,實(shí)現(xiàn)更深入的油菜機(jī)械直播效果和質(zhì)量評(píng)估。除此以外,植株數(shù)量識(shí)別作為油菜機(jī)械播種效果和質(zhì)量評(píng)估的基礎(chǔ),還能在此基礎(chǔ)上進(jìn)行后續(xù)出苗率估算、行距與株距分布特征等播種效果和質(zhì)量評(píng)估的嘗試。
綜上所述,低空無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)現(xiàn)代化、機(jī)械化、規(guī)?;N植等方面的應(yīng)用潛力巨大。低空無(wú)人機(jī)遙感技術(shù)憑借其成本低、易操作、效率高等優(yōu)勢(shì),未來(lái)可能應(yīng)用于油菜或其他作物的機(jī)械播種效果和質(zhì)量的評(píng)估。
[1] 吳崇友,易中懿.我國(guó)油菜全程機(jī)械化技術(shù)路線的選擇[J].中國(guó)農(nóng)機(jī)化,2009(2):3-6. Wu Chongyou, Yi Zhongyi. Selection of technology route of oilseed rape mechanization in entire production proceeding in China[J]. Chinese Agricultural Mechanization, 2009(2): 3-6. (in Chinese with English abstract)
[2] 王漢中,殷艷.我國(guó)油料產(chǎn)業(yè)形勢(shì)分析與發(fā)展對(duì)策建議[J].中國(guó)油料作物學(xué)報(bào),2014,36(3):414-421. Wang Hanzhong, Yin Yan. Analysis and strategy for oil crop industry in China[J]. Chinese Journal of Oil Crop Sciences, 2014, 36(3): 414-421. (in Chinese with English abstract)
[3] 諶國(guó)鵬,馮志峰,李英,等.我國(guó)油菜生產(chǎn)機(jī)械化的現(xiàn)狀、問(wèn)題及對(duì)策[J].中國(guó)種業(yè),2009(8):14-15. Chen Guopeng, Feng Zhifeng, Li Ying, et al. Current situation, problem and countermeasure of rape production mechanization in china[J]. China Seed Industry, 2009(8): 14-15. (in Chinese with English abstract)
[4] 馬霓,李云昌,胡瓊,等.我國(guó)南方冬油菜機(jī)械化生產(chǎn)農(nóng)藝研究進(jìn)展[J].中國(guó)油料作物學(xué)報(bào),2010, 32(3):451-456. Ma Ni, Li Yunchang, Hu Qiong, et al. Research of agronomic techinques for mechanical production of winter rape (Brassica campestris L.) in south China[J]. Chinese Journal of Oil Crop Sciences, 2010, 32(3): 451-456. (in Chinese with English abstract)
[5] 周廣生,左青松,廖慶喜,等.我國(guó)油菜機(jī)械化生產(chǎn)現(xiàn)狀、存在問(wèn)題及對(duì)策[J].湖北農(nóng)業(yè)科學(xué),2013, 52(9):2153-2157. Zhou Guangsheng, Zuo Qingsong, Liao Qingxi, et al. Mechanical production status, existing problems and strategy discussion of rapeseed in China[J]. Hubei Agricultural Sciences, 2013, 52(9):2153-2157.(in Chinese with English abstract)
[6] 吳崇友,王積軍,廖慶喜,等.油菜生產(chǎn)現(xiàn)狀與問(wèn)題分析[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2017, 38(1):124-131. Wu Chongyou, Wang Jijun, Liao Qingxi, et al. Current status and problems of rapeseed production[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(1): 124-131.(in Chinese with English abstract)
[7] 羅錫文,廖娟,胡煉,等.提高農(nóng)業(yè)機(jī)械化水平促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展[J].農(nóng)業(yè)工程學(xué)報(bào),2016, 32(1):1-11. Luo Xiwen, Liao Juan, Hu Lian, et al. Improving agricultural mechanization level to promote agrivultural sustainable development[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 1-11. (in Chinese with English abstract)
[8] 朱明,陳海軍,李永磊.中國(guó)種業(yè)機(jī)械化現(xiàn)狀調(diào)研與發(fā)展分析[J].農(nóng)業(yè)工程學(xué)報(bào),2015, 31(14):1-7. Zhu Ming, Chen Haijun, Li Yonglei. Investigation and development analysis of seed industry[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 1-7. (in Chinese with English abstract)
[9] 楊松,廖慶喜,陳立,等.2BFQ-6型油菜精量聯(lián)合直播機(jī)播種油菜的田間植株分布規(guī)律[J].農(nóng)業(yè)工程學(xué)報(bào), 2011,27(12):23-28. Yang Song, Liao Qingxi, Chen Li, et al. Distribution of rapeseed sowed by 2BFQ-6 precision planter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(12): 23-28. (in Chinese with English abstract)
[10] Shi Yeyin, Wang Ning, Taylor Randal K, et al. Automatic corn plant location and spacing measurement using laser line-scan technique[J]. Precision Agriculture, 2013, 14(5): 478-494.
[11] Font D, Palleja T, Tresanchez M., et al. Counting red grapes in vineyards by detecting specular spherical reflection peaks in RGB images obtained at night with artificial illumination[J]. Computers and Electronics In Agriculture, 2014, 108: 105-111.
[12] Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review[J]. Journal of Photogrammetry and Remote Sensing (ISPRS), 2014, 92: 79-97.
[13] Zhang Chunhua, Kovacs John M. The application of small unmanned aerial systems for precision agriculture: a review[J]. Precision Agriculture, 2012, 13(6): 693-712.
[14] 汪沛,羅錫文,周志艷,等.基于微小型無(wú)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. Wang Pei, Luo Xiwen, Zhou Zhiyan, et al. Key technology for remote sensing information acquisition based on micro UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(18): 1-12. (in Chinese with English abstract)
[15] Hunt E Raymond, Hively W Dean, Fujikawa Stephen J, et al. Acquisition of NIR-Green-Blue digital photographs from unmanned aircraft for crop monitoring[J]. Remote Sensing, 2010, 2(1): 290-305.
[16] Bendig Juliane, Bolten Andreas, Bennertz Simon, et al. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-Based RGB imaging[J]. Remote Sensing, 2014, 6(11): 10395-10412.
[17] 李冰,劉镕源,劉素紅,等.基于低空無(wú)人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2012, 28(13):160-165. Li Bing, Liu Rongyuan, Liu Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(13): 160-165.(in Chinese with English abstract)
[18] 王利民,劉佳,楊玲波,等.基于無(wú)人機(jī)影像的農(nóng)情遙感監(jiān)測(cè)應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),2013, 29(18):136-145. Wang Limin, Liu Jia, Yang Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18):136-145. (in Chinese with English abstract)
[19] 汪小欽,王苗苗,王紹強(qiáng),等.基于可見光波段無(wú)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):152-157. Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152-157. (in Chinese with English abstract)
[20] Sankaran Sindhuja, Khot Lav R, Carter Arron H. Field-based crop phenotyping: Multispectral aerial imaging for evaluation of winter wheat emergence and spring stand[J]. Computers and Electronics in Agriculture, 2015,118:372-379.
[21] 高林,楊貴軍,李紅軍,等.基于無(wú)人機(jī)數(shù)碼影像的冬小麥葉面積指數(shù)探測(cè)研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2016, 24(9):1254-1264. Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1254-1264. (in Chinese with English abstract)
[22] 張正健,李愛農(nóng),邊金虎,等.基于無(wú)人機(jī)影像可見光植被指數(shù)的若爾蓋草地地上生物量估算研究[J].遙感技術(shù)與應(yīng)用,2016, 31(1):51-62. Zhang Zhengjian, Li Ainong, Bian Jinhu, et al. Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehivle image[J]. Remote Sensing Technology And Application, 2016, 31(1): 51-62.(in Chinese with English abstract)
[23] 丁雷龍,李強(qiáng)子,杜鑫,等.基于無(wú)人機(jī)圖像顏色指數(shù)的植被識(shí)別[J].國(guó)土資源遙感,2016, 28(1):78-86. Ding Leilong, Li Qiangzi, Du Xin, et al. Vegetation extraction method based on color indices from UAV images[J]. 2016, 28(1): 78-86. (in Chinese with English abstract)
[24] 楊琦,葉豪,黃凱,等.利用無(wú)人機(jī)影像構(gòu)建作物表面模型估測(cè)甘蔗LAI[J].農(nóng)業(yè)工程學(xué)報(bào),2017, 33(8):104-111. Yang Qi, Ye Hao, Huang Kai, et al. Estimation of leaf area index of sugarvane using crop surface model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33 (8): 104-111.(in Chinese with English abstract)
[25] 郭鈮.植被指數(shù)及其研究進(jìn)展[J].干旱氣象, 2003, 21(4) :71-75. Guo Ni. Vegetation index and its advances[J]. Arid Meteo Rology, 2003, 21(4): 71-75.(in Chinese with English abstract)
[26] 田慶久,閔祥軍.植被指數(shù)研究進(jìn)展[J].地球科學(xué)進(jìn)展,1998, 13(4):10-16. Tian Qingjiu, Min Xiangjun. Advances in study on vegetation indices[J]. Advance in Earth Sciences, 1998, 13(4): 10-16. (in Chinese with English abstract)
[27] Otsu N. Threshold selection method from gray-level histograms[J]. Systems Man & Cybernetics IEEE ransactions on, 1979, 9(1): 62-66.
[28] 潘林,潘發(fā)明.SPSS統(tǒng)計(jì)分析大全[M].北京:清華大學(xué)出版社,2016.
[29] Trimble. eCognition Developer 9.0 Reference Book[Z]. 2014.
趙必權(quán),丁幼春,蔡曉斌,謝 靜,廖慶喜,張 建.基于低空無(wú)人機(jī)遙感技術(shù)的油菜機(jī)械直播苗期株數(shù)識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2017,33(19):115-123. doi:10.11975/j.issn.1002-6819.2017.19.015 http://www.tcsae.org
Zhao Biquan, Ding Youchun, Cai Xiaobin, Xie Jing, Liao Qingxi, Zhang Jian. Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 115-123. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2017.19.015 http://www.tcsae.org
Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology
Zhao Biquan1,2, Ding Youchun3, Cai Xiaobin4, Xie Jing5, Liao Qingxi3, Zhang Jian1,2※
(1.430070,; 2.(),430070,; 3.430070,; 4.430077,; 5.430070,)
Identification of plant number of rape seedlings is the key to evaluating effect and quality of mechanical planting. In terms of the long-lasting and inefficient manual statistics in plant quantity detection of rape seedlings planted mechanically, this article explored a new means to automatically identify the number by a low altitude unmanned aerial vehicles (UAV) remote sensing system with ultra-high resolution. A color vegetation index, excess green - excess red (ExG-ExR), was chosen for image segmentation which was performed by Otsu algorithm. The features of rape plant like spectral and shape information were extracted after image segmentation. Combined with the field survey data, the research applied stepwise multiple regression analysis to build the relationship between the plant number of rape seedlings and features. The low altitude UAV used in research was integrated with an ultra-high resolution sensor, Nikon D800, an FX-format digital single lens reflex (DSLR) camera with effective pixel count of 36.3 million for definition and image quality. Its ultra-high resolution (0.18 cm/pixel) made the identification of rape seedlings plant number possible, although it captured RGB (red, green, blue) images. In fact, there were several color vegetation indices based on visible band. And the research on them had an outstanding achievement. This article compared the ExG, ExG-ExR, normalized green-red difference (NGRD) and green leaf index (GLI), which were commonly used in the study, especially in the UAV digital image system. The result of image segmentation showed that all the color vegetation indices could be suitable for the rape seedlings area identification and extraction. In the end, ExG-ExR was chosen in this paper because it was matched with the area of rape seedlings in RGB image best, while GLI had a lot of noise. Before feature extraction, there were some post-processings for the segmentation objects, such as vectorization, buffer analysis, abnormal object elimination and field survey data input. Finally, in 24 quadrats of this research area, 3 565 segmentation objects of rape with 15 shape features were identified and extracted. Eighty percent of them were randomly selected for regression, while the remaining 20% were used for testing. A correlation analysis for 15 shape features was conducted to solve the problem of choosing independent variables preliminarily. Three shape features, i.e. the length-to-width ratio of the minimum bounding rectangle, the distribution density of the pixels and the raster number of perimeter, were chosen for the stepwise multiple regression analysis. For the minimum bounding rectangle of vector segmentation rape objects, the length-to-width ratio was calculated. The distribution density of the pixels describes the distribution of the pixels of a segmentation object in space. The most “dense” shape is a square; the more an object is shaped like a filament, the lower its density. The raster number of perimeter is the sum of the raster numbers of border length for a segmentation object. The result indicated that there was a linear relationship between the plant number and 3 selected shape features. The model showed a determination coefficient2of 0.803 with high significance, and its standard error of estimate (SEE) was 0.699. Furthermore, strong correlation existed between the ground-measured and model-predicted plant number (2=0.809) in the test, and the root-mean-square error (RMSE) was 0.728. Overall, by calculating the color vegetation index and analyzing the correlation between rape seedlings plant number and features, the application of low altitude UAV remote sensing system integrated with ultra-high resolution sensor can effectively identify the plant number of rape seedlings planted by mechanical planter. Based on the automatic identification of rape seedlings plant number, the estimation of rape seedlings emergence and the distribution characteristic of row and plant space would be the next study direction for the evaluation on effect and quality of mechanical planting of rape seedlings.
unmanned aerial vehicles; remote sensing; models; rape; mechanical planting; plant number; multiple regression
10.11975/j.issn.1002-6819.2017.19.015
TP75;S127
A
1002-6819(2017)-19-0115-09
2017-05-15
2017-08-05
國(guó)家自然科學(xué)基金(41201364,31501222);中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助(2017JC038, 2015BQ026,2014QC013)
趙必權(quán),廣東佛山人,博士生,主要從事基于低空遙感技術(shù)的的田間表型觀測(cè)方法研究。武漢 華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,430070。Email:zhaobiq@163.com
※通信作者:張 建,湖北大冶人,副教授,主要從事基于低空遙感技術(shù)的的田間表型觀測(cè)平臺(tái)研制及相關(guān)理論方法研究。武漢 華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,430070。Email:JZ@mail.hzau.edu.cn