一种基于无人机图像融合特征的小麦植株氮含量估测方法技术

本发明专利技术提出一种基于无人机图像融合特征的小麦植株氮含量估测方法，步骤包括：采集小麦冠层无人机图像和小麦植株氮含量；首先，通过无人机图像预处理，计算灰度共生矩阵；其次，利用小波变换技术实现水平方向、垂直方向和对角方向的多尺度小波纹理特征提取；再次，利用卷积神经网络提取深层特征；最后，构建基于融合特征的粒子群优化支持向量回归模型估测小麦植株氮含量。本发明专利技术的方法估测精度高、特征鲁棒性强，适用于小麦全生育期，同时也是目前第一次提出综合无人机图像灰度共生矩阵、小波纹理特征、深层特征构建融合特征估测小麦植株氮含量的方法。氮含量的方法。氮含量的方法。

【技术实现步骤摘要】
一种基于无人机图像融合特征的小麦植株氮含量估测方法


[0001]本专利技术属于作物生长监测领域，尤其是一种基于无人机图像融合特征的小麦植株氮含量估测方法。

技术介绍

[0002]小麦作为中国重要的粮食作物，在农业生产和战略性粮食储备中占有重要地位。氮(N)是小麦生长所需的最基本营养素之一，氮含量无损遥感监测对于麦田高效管理具有重要意义。定量监测氮素已成为当前农业遥感领域的一个重要研究方向，是智慧农业发展中作物生长监测、精确农作管理及精准施肥实施的关键。
[0003]随着无人机的快速发展，无人机遥感在作物高空监测和建模中的广泛应用，展示了该技术的遥感和摄影测量能力(晏磊等,2004；吴云东等,2007；赵鹏等,2008)。研究表明，基于无人机的遥感监测不仅具有广泛的应用潜力，还具有对冠层、作物高度和生长进行定量和定性监测的潜力。Al-Arab等(2013)利用小型无人飞行器监测燕麦的生长状况。Caturegli等(2016)利用无人机影像评估草坪草及其空间内的物种变异的状态。Chosa等(2010)采用携带数码相机的无人机监测水稻生长情况。Du&Noguchi(2016)从获取的无人机图像中提取了可见光波段，通过构建差值植被指数成功地估测籽粒蛋白质含量。Hunt等(2006，2010)利用无人机遥感信息获取平台监测作物的叶面积指数和归一化植被指数。Lelong et al.(2008)采用无人机遥感平台监测小麦生长的物理参数。Rasmussen等(2016)评价了从无人机数码影像中提取波段构建植被指数的可靠性。Swain等(2010)利用无人直升机低空遥感平台，分析不同的遥感数据成功地估算水稻产量。褚洪亮等(2017)利用轻型无人机获取遥感监测数据，构建了叶面积指数反演模型。田振坤等(2013)基于无人机低空航飞获取的遥感监测影像，通过分析、提取不同的光谱特征较好地检测冬小麦。汪小钦等(2015)分析无人机影像中植被与非植被的光谱特性。然而，植被指数在高氮状态下易饱和现象导致了小麦营养监测的局限性。
[0004]随着图像处理技术的突破性发展，纹理特征的获取为作物营养监测提供了新的路径，尽管灰度共生矩阵、小波纹理特征可以弥补小麦冠层的空间特征，如何保持无人机图像特征的稳定性和鲁棒性仍需进一步研究。近年来，深度模型因具有局部感受区域和层次结构化的特点，能够实现逐层提取更复杂和抽象的特征而被广泛应用(Nevavuori et al.,2019)。另外，只要有足够数量的隐藏单元，且激活权重和函数具有适当的非线性，从输入到输出的任何连续函数都可以通过深度学习来实现深层特征提取。因此，有必要研究综合利用无人机图像的纹理特征和深层特征，实现不同层次特征的互补，提供准确和可靠的小麦植株氮含量估算方法，为提高小麦氮素营养无损监测的精度及稳定性提供新途径。

技术实现思路

[0005]本专利技术所解决的技术问题在于提供一种基于无人机图像融合特征的小麦植株氮含量估测方法，结合无人机图像融合特征估测小麦植株氮含量，适用于小麦全生育期，估测
精度高。
[0006]实现本专利技术目的的技术解决方案为：
[0007]一种基于无人机图像融合特征的小麦植株氮含量估测方法，包括以下步骤：
[0008]步骤1：通过无人机搭载的消费级数码相机获取小麦冠层无人机图像数据，同时对小麦植株进行随机破坏性取样，得到小麦植株样本；
[0009]步骤2：对小麦冠层无人机图像数据进行预处理，包括镜头畸变及几何校正，得到预处理后的小麦冠层无人机图像数据；
[0010]步骤3：提取试验小区小麦冠层无人机图像的灰度共生矩阵，同时测定小麦植株样本的植株氮含量数据；
[0011]步骤3-1：利用试验小区小麦冠层无人机图像提取灰度共生矩阵；其中，试验小区的定义为42m
×
4m的区域；
[0012]步骤3-2：将小麦植株样本去根洗净、分离，在烘箱中进行杀青、烘干、称重、测定，得到小麦植株样本的植株氮含量数据；
[0013]步骤4：利用离散小波变换对小麦冠层无人机图像提取小波纹理特征；
[0014]步骤4-1：利用离散小波变换对小麦冠层无人机图像进行两层小波分解，每层小波分解均获得3个高频子图和1个低频子图；
[0015]步骤4-2：根据第一层小波分解获得的3个高频子图和第二层小波分解获得的3个高频子图计算小波纹理特征；
[0016]步骤5：利用卷积神经网络对小麦冠层无人机图像提取深层特征；
[0017]步骤5-1：以无人机图像中的小麦长势均匀为原则，根据试验小区不同的氮素水平、种植方式和种植密度，裁剪成尺寸为227
×
227pixel的图像；
[0018]步骤5-2：以步骤5-1中裁剪后的无人机图像作为卷积神经网络的输入，利用卷积神经网络提取深层特征，所述卷积神经网络包括五层卷积层、三层池化层和两层全连接层，卷积层提取更多的小麦冠层无人机图像的局部深层特征，池化层提取小麦冠层无人机图像的显著特征，全连接层进行特征扁平化和输出深层特征；
[0019]步骤5-3：利用主成分-随机森林分析方法进行深层特征选择：首先利用主成分分析方法根据累计贡献率大于90％确定深层特征的主成分，再利用随机森林方法计算各主成分的相对重要性，最后根据相对重要性由高到低排序前10％确定为优选的深层特征；
[0020]步骤6：将灰度共生矩阵、小波纹理特征、优选的深层特征及融合特征作为输入变量，小麦植株氮含量作为目标变量，建立基于粒子群优化支持向量回归PSO-SVR模型估测小麦植株氮含量，所述融合特征是通过并行融合策略融合了灰度共生矩阵、小波纹理特征、优选的深层特征；
[0021]计算校正集的决定系数R2和均方根误差RMSE，评定该估测模型在小麦植株氮含量估测上的表现；
[0022]步骤7：根据田间试验数据，采用留一交叉验证法对小麦植株氮含量估测模型进行精度验证，并计算测试集的决定系数R2和剩余预测偏差RPD；
[0023]通过比较不同估测模型测试集的决定系数R2和剩余预测偏差RPD，得到基于融合特征的粒子群优化支持向量回归PSO-SVR模型为最佳小麦植株氮含量估测模型，所述融合特征包括灰度共生矩阵、小波纹理特征和优选的深层特征。
[0024]进一步的，本专利技术的一种基于无人机图像融合特征的小麦植株氮含量估测方法，步骤1中的小麦冠层无人机图像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括开花期、灌浆期和成熟期；
[0025]步骤1中对小麦植株进行随机破坏性取样具体为：在每个试验小区随机选取六株小麦植株，连根拔起装入水桶中。
[0026]进一步的，本专利技术的一种基于无人机图像融合特征的小麦植株氮含量估测方法，步骤2中对小麦冠层无人机图像数据进行预处理具体为：
[0027]步骤2-1：通过无人机的具有非球面镜的精密镜组消除镜头畸变；
[0028]步骤2-2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机图像融合特征的小麦植株氮含量估测方法，其特征在于，包括以下步骤：步骤1：通过无人机搭载的消费级数码相机获取小麦冠层无人机图像数据，同时对小麦植株进行随机破坏性取样，得到小麦植株样本；步骤2：对小麦冠层无人机图像数据进行预处理，包括镜头畸变及几何校正，得到预处理后的小麦冠层无人机图像数据；步骤3：提取试验小区小麦冠层无人机图像的灰度共生矩阵，同时测定小麦植株样本的植株氮含量数据；步骤3-1：利用试验小区小麦冠层无人机图像提取灰度共生矩阵；其中，试验小区的定义为42m
×
4m的区域；步骤3-2：将小麦植株样本去根洗净、分离，在烘箱中进行杀青、烘干、称重、测定，得到小麦植株样本的植株氮含量数据；步骤4：利用离散小波变换对小麦冠层无人机图像提取小波纹理特征；步骤4-1：利用离散小波变换对小麦冠层无人机图像进行两层小波分解，每层小波分解均获得3个高频子图和1个低频子图；步骤4-2：根据第一层小波分解获得的3个高频子图和第二层小波分解获得的3个高频子图计算小波纹理特征；步骤5：利用卷积神经网络对小麦冠层无人机图像提取深层特征；步骤5-1：以无人机图像中的小麦长势均匀为原则，根据试验小区不同的氮素水平、种植方式和种植密度，裁剪成尺寸为227
×
227pixel的图像；步骤5-2：以步骤5-1中裁剪后的无人机图像作为卷积神经网络的输入，利用卷积神经网络提取深层特征，所述卷积神经网络包括五层卷积层、三层池化层和两层全连接层，卷积层提取更多的小麦冠层无人机图像的局部深层特征，池化层提取小麦冠层无人机图像的显著特征，全连接层进行特征扁平化和输出深层特征；步骤5-3：利用主成分-随机森林分析方法进行深层特征选择：首先利用主成分分析方法根据累计贡献率确定深层特征的主成分，再利用随机森林方法计算各主成分的相对重要性，最后根据相对重要性排序确定优选的深层特征；步骤6：将灰度共生矩阵、小波纹理特征、优选的深层特征及融合特征作为输入变量，小麦植株氮含量作为目标变量，建立基于粒子群优化支持向量回归PSO-SVR模型估测小麦植株氮含量，所述融合特征是通过并行融合策略融合了灰度共生矩阵、小波纹理特征、优选的深层特征；计算校正集的决定系数R2和均方根误差RMSE，评定该估测模型在小麦植株氮含量估测上的表现；步骤7：根据田间试验数据，采用留一交叉验证法对小麦植株氮含量估测模型进行精度验证，并计算测试集的决定系数R2和剩余预测偏差RPD；通过比较不同估测模型测试集的决定系数R2和剩余预测偏差RPD，得到基于融合特征的粒子群优化支持向量回归PSO-SVR模型为最佳小麦植株氮含量估测模型，所述融合特征包括灰度共生矩阵、小波纹理特征和优选的深层特征。2.根据权利要求1所述的一种基于无人机图像融合特征的小麦植株氮含量估测方法，
其特征在于，步骤1中的小麦冠层无人机图像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同小麦品种类型的小麦田，其中生育期包括开花期、灌浆期和成熟期；步骤1中对小麦植株进行随机破坏性取样具体为：在每个试验小区随机选取六株小麦植株，连根拔起装入水桶中。3.根据权利要求1所述的一种基于无人机图像融合特征的小麦植株氮含量估测方法，其特征在于，步骤2中对小麦冠层无人机图像数据进行预处理具体为：步骤2-1：通过无人机的具有非球面镜的精密镜组消除镜头畸变；步骤2-2：通过获取无人机拍摄的俯仰角、翻角、航偏角以及航高信息等，进行图像的几何校正。4.根据权利要求1所述的一种基于无人机图像融合特征的小麦植株氮含量估测方法，其特征在于，步骤3-1中灰度共生矩阵包括：均值T
mean
、方差T
var
、协同性T
hom
、对比度T
con
、相异性T
dis
、熵T
ent
、角二阶矩T
sm
和相关性T
corr
。5.根据权利要求1所述的一种基于无人机图像融合特征的小麦植株氮含量估测方法，其特征在于，步骤3-2中测定小麦植株样本的植株氮含量数据具体为：将小麦植株样本去根洗净，按照小麦不同器官进行分离，并将所有样品放在105℃的烘箱中30分钟，然后在80℃干燥20h以上，随后称重以获得每个样品的干重，将样品粉碎，利用凯氏定氮法测定小麦植株样本的植株氮含量数据。6.根据权利要求1所述的一种基于无人机图像融合特征的小麦植株氮含量估测方法，其特征在于，步骤4-1中，小麦冠层无人机图像的第一层小波分解产生1个低频子图LL1以及水平方向HL1、...

【专利技术属性】
技术研发人员：杨宝华，周帅军，武立权，黄正来，张海鹏，高远，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：