面向?qū)ο蠛投喾诸惼鞯拿藁ǔ雒缧畔⒖焖偬崛》椒?/h1>

2021-03-08 06:17:06閆春雨趙靜蘭玉彬魯力群楊東建溫昱婷

山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版)訂閱 2021年3期 收藏

關(guān)鍵詞：面向?qū)ο?/a>分類器尺度

閆春雨，趙靜，蘭玉彬，魯力群，楊東建，溫昱婷

(1.山東理工大學(xué) 農(nóng)業(yè)工程與食品科學(xué)學(xué)院,山東 淄博 255049；2.山東理工大學(xué) 國(guó)際精準(zhǔn)農(nóng)業(yè)航空應(yīng)用技術(shù)研究中心，山東 淄博 255049；3.山東理工大學(xué) 交通與車輛工程學(xué)院，山東 淄博 255049)

棉花作為中國(guó)重要的經(jīng)濟(jì)作物之一，在國(guó)民經(jīng)濟(jì)中有著舉足輕重的地位，與其他大宗農(nóng)產(chǎn)品相比有一定的收益優(yōu)勢(shì)[1]。作物的出苗期是其生長(zhǎng)的初始物候期，也是其關(guān)鍵物候期之一[2]。棉田中若出現(xiàn)棉苗弱小或缺苗斷壟會(huì)嚴(yán)重影響棉花的品質(zhì)與產(chǎn)量。苗期管理是棉花經(jīng)營(yíng)管理的核心，快速提取棉花出苗信息可為苗期管理提供指導(dǎo)。傳統(tǒng)獲取棉花出苗信息的主要手段是靠實(shí)地調(diào)研測(cè)量，以人的主觀判斷與個(gè)人經(jīng)驗(yàn)為主，對(duì)于大面積的棉田來(lái)說(shuō)耗時(shí)費(fèi)力、判別準(zhǔn)確率與精確性較低。

無(wú)人機(jī)具有機(jī)動(dòng)靈活、響應(yīng)快、高分辨率、更新速度快等優(yōu)勢(shì)。遙感技術(shù)具有獲取信息快、覆蓋面積大、獲取成本相對(duì)低等優(yōu)勢(shì)。無(wú)人機(jī)遙感技術(shù)作為新的信息獲取手段已越來(lái)越多地用于農(nóng)作物氮含量、植被覆蓋度和作物產(chǎn)量等信息的獲取[3]。精準(zhǔn)農(nóng)業(yè)的迅速發(fā)展要求更準(zhǔn)確、快速、低成本地獲取各種作物生長(zhǎng)信息。李明等[4]利用多尺度分割對(duì)水稻種植面積進(jìn)行提取，與目視解譯結(jié)果相比面積誤差小于3.5%。雷亞平等[5]利用HIS閾值法對(duì)無(wú)人機(jī)獲取的低空棉田數(shù)字圖像進(jìn)行棉苗識(shí)別，精度超過(guò)90%。魏文麗等[6]利用NDVI均值及均方差對(duì)研究區(qū)玉米出苗情況進(jìn)行提取，總體積精度達(dá)80%。董梅等[7]利用面向?qū)ο蠓椒▽?duì)無(wú)人機(jī)拍攝的煙草遙感影像進(jìn)行種植面提取和監(jiān)測(cè)，為大區(qū)域的煙草種植面積監(jiān)測(cè)提供了參考。面向?qū)ο蟮臒o(wú)人機(jī)遙感影像在棉花苗情信息方面的提取研究鮮有報(bào)道。本研究利用無(wú)人機(jī)拍攝的棉苗正射圖像，通過(guò)面向?qū)ο蟮姆诸愃枷?，采用機(jī)器學(xué)習(xí)分類器快速提取棉花苗期出苗信息，提取結(jié)果可為苗期管理提供及時(shí)的參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)地處冀魯豫三省交界處(如圖1所示)，屬黃河下游沖積平原。試驗(yàn)小區(qū)地勢(shì)平坦，土地肥沃，土質(zhì)以沙壤為主，屬典型的溫帶大陸性季風(fēng)氣候，年平均降水量為600 mm左右，年平均日照時(shí)數(shù)2 629.7 h，年平均氣溫為12.8 ℃，年無(wú)霜期平均206 d，非常適宜棉花生長(zhǎng)，為黃淮流域棉花生態(tài)區(qū)的典型代表。

圖1 研究區(qū)位置與研究區(qū)分布Fig.1 Location and distribution of research area

1.2 數(shù)據(jù)獲取與處理

本研究數(shù)據(jù)于2019年5月20日在山東棉花研究中心(臨清棉花試驗(yàn)站)采集。數(shù)據(jù)獲取的設(shè)備為深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的Mavic 2無(wú)人機(jī)，該無(wú)人機(jī)將可見(jiàn)光相機(jī)與三軸增穩(wěn)云臺(tái)設(shè)計(jì)于一體，保證了高質(zhì)量圖像的獲取。無(wú)人機(jī)重量為907 g、展開(kāi)尺寸322 mm×242 mm×84 mm、最長(zhǎng)飛行時(shí)間31 min(無(wú)風(fēng)環(huán)境25 km/h勻速飛行)、最遠(yuǎn)續(xù)航里程18 km(無(wú)風(fēng)環(huán)境)；相機(jī)使用的傳感器為1英寸CMOS、有效像素2 000萬(wàn)，最大照片尺寸5 472×3 648。拍攝時(shí)無(wú)人機(jī)飛行高度為30 m，航向重疊率與旁向重疊率均為85%。拍攝時(shí)間為當(dāng)天的12:00-14:00，天氣晴朗，相機(jī)曝光模式為自動(dòng)。

本研究借助Pix4Dmapper軟件對(duì)無(wú)人機(jī)獲取的高清影像進(jìn)行拼接處理。將帶有POS數(shù)據(jù)的原始影像與地面控制點(diǎn)數(shù)據(jù)導(dǎo)入，便可自動(dòng)完成空三測(cè)量，生成DSM、DOM，拼接過(guò)程中可以使用GPU加速處理。航拍前在無(wú)人機(jī)飛行區(qū)域內(nèi)設(shè)置50 cm×50 cm幾何參考板(如圖2所示)，幾何參考板由兩塊黑色布和兩塊白色布十字相間粘貼而成，幾何參考板在棉花整個(gè)生長(zhǎng)周期內(nèi)是保持固定不變的。幾何參考板的中心點(diǎn)為地面控制點(diǎn)，為后期影像拼接時(shí)提供參考，用以提高影像拼接精度，降低相機(jī)的系統(tǒng)誤差。

圖2 幾何參考板Fig.2 Geometric reference board

2 研究方法

無(wú)人機(jī)拍攝的影像具有空間分辨率高和色彩鮮明的特點(diǎn)，高分辨率影像能夠更清晰地表達(dá)地物拓補(bǔ)關(guān)系、紋理和形狀等特征[8]。在高分辨率影像的分類中，面向?qū)ο蟮姆诸惙椒ㄓ兄鴱V泛的應(yīng)用。本研究使用的是只有紅、綠、藍(lán)3個(gè)通道的JPEG圖像，只采用基于單個(gè)像元光譜信息對(duì)地物進(jìn)行分類會(huì)造成分類精度不高，對(duì)遙感圖像處理帶來(lái)不利影響。通過(guò)面向?qū)ο蟮姆诸惙椒?，不僅利用單一像素的光譜信息，而且能充分利用遙感影像的形狀、大小、紋理以及上下文聯(lián)系等特征，可以更好地提取遙感影像中的有效信息，進(jìn)而提高分類的精度[9]。在本研究中通過(guò)采用基于面向?qū)ο蟮姆诸惙椒?，將棉花、地膜和土壤進(jìn)行分類。因?yàn)榉诸愔邪藁?，所以在三種地物信息分類完成的同時(shí)也就完成了棉花出苗信息的提取。數(shù)據(jù)處理軟件使用eCognition Essentials，分割算法采用多尺度分類算法，技術(shù)路線如圖3所示。

圖3 技術(shù)路線Fig.3 Technical route

2.1 面向?qū)ο蠓诸惖乃悸?/h3>

面向?qū)ο蟮倪b感影像分析技術(shù)在地理信息科學(xué)與遙感領(lǐng)域取得了突出的成績(jī)，尤其是對(duì)高分辨率遙感影像的處理效果更佳。多尺度分割的目的是把遙感影像分割成影像對(duì)象，若干個(gè)滿足一定同質(zhì)標(biāo)準(zhǔn)的基本像元單元組成了具有多邊形區(qū)域的影像對(duì)象。利用eCognition Essentials軟件進(jìn)行面向?qū)ο蠓诸惙治?，首先在?jīng)任一尺度分割后生成初始影像對(duì)象，該軟件能夠生成多個(gè)層，并把這幾個(gè)層進(jìn)行組織形成等級(jí)結(jié)構(gòu)，生成的第一個(gè)對(duì)象層的下限是像素層，上限是整幅影像。后續(xù)新產(chǎn)生的影像對(duì)象層，可以放在已有層的上層、中間層或下層。在這個(gè)具有拓補(bǔ)關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)中，每一個(gè)對(duì)象都知道自己的子對(duì)象、父對(duì)象和相鄰對(duì)象。比如，子對(duì)象的邊界是由父對(duì)象決定的，子對(duì)象的總和決定了父對(duì)象的區(qū)域大小。對(duì)象層的層次結(jié)構(gòu)展示的不同尺度的影像對(duì)象信息，對(duì)象層次結(jié)構(gòu)如圖4所示。

圖4 影像對(duì)象層次結(jié)構(gòu)Fig.4 Image object hierarchy

2.2 多尺度分割

影像分割質(zhì)量的好壞直接影響后期分析處理的結(jié)果。影像分割是基于對(duì)象影像分析的關(guān)鍵和基礎(chǔ)，后續(xù)的影像分析對(duì)分割出的影像對(duì)象有嚴(yán)格的要求，使分割出來(lái)的對(duì)象同時(shí)具備非連續(xù)性和相似性兩大特征，非連續(xù)性是指影像對(duì)象區(qū)域邊界處特征不連續(xù)，相似性是指影像對(duì)象內(nèi)的所有像素都基于色彩、紋理、灰度等滿足某種相似性準(zhǔn)則[10-12]。eCogniton Essential軟件能夠進(jìn)行任意分辨率的區(qū)域合并算法，因此需要設(shè)置合理的分割尺度參數(shù)來(lái)控制合并算法的閾限，從而滿足提取不同尺度地物的需要。

對(duì)于遙感影像的分類、信息提取等操作來(lái)說(shuō)，前期的影像分割是極其重要的。如果只是單一提取棉花這一類別，則不能最大可能地排除錯(cuò)分(棉花類別被錯(cuò)分到土壤類別或地膜類別)和漏分(土壤、地膜中應(yīng)該為棉花類別卻沒(méi)有分到棉花類別中)，所以本研究中分類對(duì)象為土壤、地膜與棉花三類。常用的分割算法有四叉樹(shù)分割、多尺度分割、多閾值分割等。本研究采用多尺度分割算法，分割算法的主要參數(shù)包含分割尺度、形狀因子和緊密度等[13]。具體為形狀與顏色權(quán)重相加為1，形狀特征包含緊密度與光滑度，兩者權(quán)重相加也為1。在選擇分割尺度時(shí)可根據(jù)目視解譯結(jié)果進(jìn)行調(diào)整。分割參數(shù)設(shè)置如圖5所示。

圖5 分割參數(shù)設(shè)置Fig.5 Segmentation parameter settings

在eCogniton Essential軟件分割設(shè)置中選擇基于對(duì)象的區(qū)域生長(zhǎng)分割算法。由于出苗放苗后的棉苗較小，分割尺度采用5比較合適。除分割尺度外，還需設(shè)置形狀、顏色因子、緊致度、光滑度因子，來(lái)保證分割的結(jié)果不至于太破碎。在清晰分割出棉苗的同時(shí)，還要使地膜、土壤對(duì)象與棉苗對(duì)象形狀差異盡可能地大。經(jīng)過(guò)多次嘗試與可視化調(diào)節(jié)，最終顏色/形狀設(shè)置為0.9，光滑度/緊致度設(shè)置為0.9。分割結(jié)果如圖6所示。

圖6 分割結(jié)果Fig.6 Segmentation results

2.3 機(jī)器學(xué)習(xí)模型

機(jī)器學(xué)習(xí)是從已知的實(shí)例中自動(dòng)發(fā)現(xiàn)規(guī)律，來(lái)對(duì)未知實(shí)例建立預(yù)測(cè)模型。機(jī)器學(xué)習(xí)分類器，既可用于像素級(jí)分類，也可用于影像對(duì)象分類。相對(duì)基于像素的訓(xùn)練，基于對(duì)象的機(jī)器學(xué)習(xí)分類方法需要更少的訓(xùn)練樣本，一個(gè)樣本對(duì)象可以包含很多的典型的像素樣本。本研究采用樸素貝葉斯(NB)、K最鄰近分類(K-NN)、支持向量機(jī)(SVM)、決策樹(shù)(CART)和隨機(jī)森林(RF)。

3 結(jié)果與分析

3.1 精度驗(yàn)證

對(duì)遙感信息提取完成之后，分類結(jié)果的好壞影響著分類結(jié)果的可信性與可利用性，通常使用精度評(píng)價(jià)來(lái)評(píng)判遙感影像分類結(jié)果的好壞。分類的精度是用分類結(jié)果與地面實(shí)測(cè)值、數(shù)據(jù)等，比較與實(shí)地的吻合程度。遙感信息提取的過(guò)程中，精度評(píng)價(jià)是非常重要的一個(gè)步驟，是對(duì)整個(gè)信息提取的評(píng)價(jià)。

在以總體分類精度為主的前提下，用戶精度和生產(chǎn)者精度兩者均越高則分類結(jié)果越好，綜合三種分類精度評(píng)價(jià)來(lái)確定最佳分類器。本研究中精度驗(yàn)證采用目視解譯分類結(jié)果與五種機(jī)器學(xué)習(xí)分類器的分類結(jié)果進(jìn)行驗(yàn)證，用戶精度和生產(chǎn)者精度都是研究中進(jìn)行定量評(píng)價(jià)的重要指標(biāo)。由表1和表2中可以得出總體分類精度較高的三種分類器分別為支持向量機(jī)、K最鄰近和樸素貝葉斯。在表1中，樸素貝葉斯分類器對(duì)三種類別的生產(chǎn)者分類精度都非常高，但因生產(chǎn)者精度實(shí)際上是一種分類結(jié)果制圖的衡量方法，他僅可以說(shuō)明分類結(jié)果滿足參考分類的程度，卻不能給出一個(gè)分類a的像素確實(shí)是屬于a的可能性。這時(shí)候可以使用用戶精度來(lái)進(jìn)一步確定估計(jì)的可能性。在表2中可以看到樸素貝葉斯分類器分類的結(jié)果中，棉花這一類精度是非常低的，綜合表1和表2可以確定樸素貝葉斯分類器不是最佳分類器。在剩余的兩個(gè)分類器分類結(jié)果的比較中，可以得出支持向量機(jī)分類器是面向?qū)ο蠓诸愄崛∶藁ǔ雒缧畔⒌淖罴逊诸惼鳌?/p>

表1 五種分類器生產(chǎn)者精度對(duì)比Tab.1 Comparison of producer precision of five classifiers

表2 五種分類器用戶精度對(duì)比Tab.2 Comparison of precision of five classifiers

3.2 總體苗情分析

利用本文提出的方法對(duì)研究區(qū)無(wú)人機(jī)影像(圖7)進(jìn)行自動(dòng)分類，將最佳分類器分類結(jié)果中的棉花類別進(jìn)行提取導(dǎo)出(圖8)，按實(shí)際種植面積折算出研究區(qū)地塊的平均種植株數(shù)為5 250 株。在提取的棉花類別中，面積小于2 cm2的對(duì)象算為弱苗。本研究最佳分類器-支持向量機(jī)識(shí)別出棉花的出苗數(shù)、弱苗數(shù)分別為4 539株、921株，目視解譯的出苗數(shù)、弱苗數(shù)分別為4 362株、812株，最佳分類器識(shí)別與目視解譯出苗數(shù)與弱苗數(shù)一致性都較好。從表3中可以看出支持向量機(jī)與目視解譯的出苗率一致性比較好。本研究的快速提取體現(xiàn)在對(duì)大范圍的棉田內(nèi)某一研究小區(qū)進(jìn)行分割、分類、提取出苗信息之后，可以將分類參數(shù)及規(guī)則進(jìn)行移植到其他棉田區(qū)域，完成整個(gè)棉田范圍的棉花出苗信息快速提取。

圖7 無(wú)人機(jī)拍攝的大田棉苗原圖Fig.7 Original picture of field cotton seedling taken by UAV

圖8 面向?qū)ο蠓指罘诸惷廾缃Y(jié)果圖Fig.8 Results of object-oriented segmentation and classification of cotton seedlings

表3 SVM與目視解譯提取苗情比較Tab.3 Comparison between SVM and visual interpretation to extract seedling situation

4 結(jié)論

與傳統(tǒng)的棉花出苗信息提取相比，無(wú)人機(jī)遙感具有數(shù)據(jù)獲取靈活方便、提取精度高、成本較低等優(yōu)勢(shì)，對(duì)大范圍的棉花出苗信息提取具有十分大的潛力。本研究基于高分辨率可見(jiàn)光無(wú)人機(jī)影像，通過(guò)面向?qū)ο蟮姆诸愃悸?，選取合適的閾值進(jìn)行多尺度分割，采用常用的機(jī)器學(xué)習(xí)分類器進(jìn)行分類，提取棉花出苗信息，并通過(guò)對(duì)比分析得出以下結(jié)論：

1)采用基于面向?qū)ο蟮姆诸愃枷?，提取高分辨率無(wú)人機(jī)影像中棉花出苗信息，五種分類器總體精度都比較高，表明無(wú)人機(jī)遙感技術(shù)在提取棉花出苗信息方面是可行的。

2)通過(guò)五種分類器分類結(jié)果對(duì)比可知，支持向量機(jī)分類器無(wú)論在用戶精度方面還是在生產(chǎn)者精度方面，都具有很高的分類精度?？梢詫⒆顑?yōu)分類分割參數(shù)應(yīng)用到整個(gè)棉花種植區(qū)域，完成棉花出苗信息提取。

猜你喜歡

面向?qū)ο?/a>分類器尺度

財(cái)產(chǎn)的五大尺度和五重應(yīng)對(duì)

內(nèi)蒙古民族大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)(2020年2期)2020-11-06 09:08:52

面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開(kāi)發(fā)

電子測(cè)試(2018年15期)2018-09-26 06:01:34

BP-GA光照分類器在車道線識(shí)別中的應(yīng)用

電子測(cè)試(2018年1期)2018-04-18 11:52:35

面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用

電測(cè)與儀表(2017年24期)2017-12-19 05:15:24

加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類

光學(xué)精密工程(2016年4期)2016-11-07 09:05:00

結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器

光學(xué)精密工程(2016年3期)2016-11-07 09:03:33

宇宙的尺度

太空探索(2016年5期)2016-07-12 15:17:55

面向?qū)ο骔eb開(kāi)發(fā)編程語(yǔ)言的的評(píng)估方法

現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25

9

時(shí)代英語(yǔ)·高三(2014年5期)2014-08-26 17:01:17

基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識(shí)別

電測(cè)與儀表(2014年15期)2014-04-04 12:05:20

山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版)2021年3期

山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版)的其它文章

近零折射率區(qū)超導(dǎo)/介質(zhì)雙層結(jié)構(gòu)的Goos-H?nchen位移

基于隱馬爾可夫模型的半掛車制動(dòng)側(cè)滑狀態(tài)辨識(shí)

基于行程時(shí)間的駕駛風(fēng)格貝葉斯決策樹(shù)動(dòng)態(tài)識(shí)別

重型拖拉機(jī)CAN通信網(wǎng)絡(luò)設(shè)計(jì)

基于文本特征和語(yǔ)言知識(shí)的神經(jīng)網(wǎng)絡(luò)情感分類

高青縣設(shè)施農(nóng)田土壤重金屬分布特征及污染評(píng)價(jià)