基于无人机多光谱图像融合的作物产量预测方法及系统技术方案

本发明专利技术提供一种基于无人机多光谱图像融合的作物产量预测方法及系统，属于产量预测领域，作物产量预测方法包括：采集目标区域作物成熟前的多光谱图像并确定作物测产区域；从作物测产区域中提取5个波段的灰度图像；确定每个灰度图像各波段的纹理特征；根据各波段的纹理特征确定6个纹理指数；根据5个波段的反射率平均值确定6个植被指数；根据红、绿、蓝波段的平均灰度值确定6个颜色指数；根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；根据产量指数，采用随机森林方法，确定目标区域的作物产量。采用图像处理的方式降低了对作物的影响，同时融合纹理指数、植被指数和颜色指数提高了产量预测的精度。指数提高了产量预测的精度。指数提高了产量预测的精度。

Crop yield prediction method and system based on UAV multispectral image fusion

【技术实现步骤摘要】
基于无人机多光谱图像融合的作物产量预测方法及系统


[0001]本专利技术涉及产量预测领域，特别是涉及一种基于无人机多光谱图像融合的作物产量预测方法及系统。

技术介绍

[0002]监测粮食作物的种植面积和产量历来受到高度重视，不管是政府还是科学研究者都致力于研究如何能够及时地了解并准确地掌握粮食作物种植产量等信息。作物种植信息的及时获取可为政府制定农业生产政策提供科学依据，这对于确保粮食安全具有非常重要的意义。在农业生产中，作物产量及时准确预测，也能为对农民每年和下一年更好地实施农作物管理具有重要意义，特别是在农作物保险、收获计划、仓储需求、现金流预算、营养、农药、水等投入决策的测定等方面。
[0003]传统的作物产量预测方法需要测量行距、株距，还需要破坏性取样测量每穗总粒数、结实率、千粒重等参数才能最后计算得出预测亩产量，劳动强度大、成本高、耗费时间长，而且主观性强，主要依靠操作人员的专业知识，操作人员的专业知识和经验高低不同导致测量精度高低不一，难以保持稳定度和可信度。而现有的利用遥感技术测产方法大多只用了植被指数，或者结合地面作物生理指标，此类方法只适用于特定地区、品种和施肥模式，但实际应用中可能因为年份、地区、品种、施肥方式等影响，导致预测精度不足，进而导致收割时不能合理安排收获机的数量以及人员的分配，导致收割效率低，资源浪费，成本增加等问题。

技术实现思路

[0004]本专利技术的目的是提供一种基于无人机多光谱图像融合的作物产量预测方法及系统，可提高产量预测的精度，提高收割效率。/>[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于无人机多光谱图像融合的作物产量预测方法，包括：
[0007]采集目标区域作物成熟前的多光谱图像；
[0008]根据所述多光谱图像，确定作物测产区域；
[0009]从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段；
[0010]根据每个灰度图像，确定对应波段的纹理特征；
[0011]根据各波段的纹理特征，确定6个纹理指数；
[0012]从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值；
[0013]根据各波段的反射率平均值，确定6个植被指数；
[0014]从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度值；
[0015]根据红、绿、蓝波段的平均灰度值，确定6个颜色指数；
[0016]根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；
[0017]根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量。
[0018]可选地，所述采集目标区域作物成熟前的多光谱图像，具体包括：
[0019]通过无人机携带多光谱相机采集所述目标区域的多张初始多光谱图像；
[0020]根据各初始多光谱图像的特征，对多张初始多光谱图像进行拼接，得到所述目标区域作物成熟前的多光谱图像。
[0021]可选地，所述根据所述多光谱图像，确定作物测产区域，具体包括：
[0022]通过预先在目标区域放置的光谱校正板，对所述多光谱图像进行校正，得到多光谱校正图像；
[0023]将所述多光谱校正图像中的周边区域去除，得到作物测产目标区域。
[0024]可选地，所述纹理特征包括逆差距纹理、反差纹理、能量纹理及自相关纹理；
[0025]采用以下公式，确定6个纹理指数：
[0026][0027][0028][0029][0030][0031][0032]其中，TI1、TI2、TI3、TI4、TI5、TI6为6个纹理指数，CON
Red
为红色波段的反差纹理，ENENIR为近红外波段的能量纹理，ENE
Red
为红色波段的能量纹理，COR
Red
为红色波段的自相关纹理，CON
NIR
为近红外波段的反差纹理。
[0033]可选地，采用以下公式，确定6个植被指数：
[0034]VI1＝(RE
‑
NIR)/(B
‑
R)；
[0035]VI2＝R
‑
B；
[0036]VI3＝(NIR
‑
R)/(NIR+R)；
[0037]VI4＝NIR/B；
[0038]VI5＝1.5*(R
‑
B)/(R+B+0.5)；
[0039]VI6＝1.16*(NIR
‑
R)/(NIR+R+0.16)；
[0040]其中，VI1、VI2、VI3、VI4、VI5、VI6为6个植被指数，RE为红边波段的反射率平均值，NIR为近红外波段的反射率平均值，B为蓝波段的反射率平均值，R为红波段的反射率平均值。
[0041]可选地，所述根据红、绿、蓝波段的平均灰度值，确定6个颜色指数，具体包括：
[0042]对每一波段的平均灰度值进行归一化，得到对应波段的归一化灰度值；
[0043]根据各波段的归一化灰度值，确定6个颜色指数。
[0044]可选地，采用以下公式，分别确定红、绿、蓝波段的归一化灰度值：
[0045]r＝R/(R+G+B)；
[0046]g＝G/(R+G+B)；
[0047]b＝B/(R+G+B)；
[0048]其中，r为红波段的归一化灰度值，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，R为红波段的平均灰度值，G为绿波段的平均灰度值，B为蓝波段的平均灰度值。
[0049]可选地，采用以下公式，确定6个颜色指数：
[0050]CI1＝2g
‑
b
‑
r；
[0051]CI2＝(g2‑
r2)/(g2+r2)；
[0052]CI3＝(g2‑
b*r)/(g2+b*r)；
[0053]CI4＝(r
‑
g)/(r+g
‑
b)；
[0054]CI5＝3g
‑
2.4r
‑
b；
[0055]CI6＝(2g
‑
b
‑
r)/(2g+b+r)；
[0056]其中CI1、CI2、CI3、CI4、CI5、CI6为新建的6个颜色指数，g为绿波段的归一化灰度值，b为蓝波段的归一化灰度值，r为红波段的归一化灰度值。
[0057]可选地，所述根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量，具体包括：
[0058]根据所述产量指数，基于机器学习随机森林模型，确定所述目标区域的作物亩产量；
[0059]根据目标区域的作物种植面积和作物亩产量，确定作物总产量。
[0060]为实现上述目的，本专利技术还提供了如下方案：
[0061]一种基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述基于无人机多光谱图像融合的作物产量预测方法包括：采集目标区域作物成熟前的多光谱图像；根据所述多光谱图像，确定作物测产区域；从所述作物测产区域中提取5个波段的灰度图像；5个波段包括蓝、绿、红、红边及近红外波段；根据每个灰度图像，确定对应波段的纹理特征；根据各波段的纹理特征，确定6个纹理指数；从所述作物测产区域中提取5个波段的反射率值，并分别确定每个波段的反射率平均值；根据各波段的反射率平均值，确定6个植被指数；从所述作物测产区域中提取红、绿、蓝波段的灰度值，并分别确定红、绿、蓝波段的平均灰度值；根据红、绿、蓝波段的平均灰度值，确定6个颜色指数；根据6个纹理指数、6个植被指数和6个颜色指数，确定产量指数；根据所述产量指数，采用随机森林方法，确定所述目标区域的作物总产量。2.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述采集目标区域作物成熟前的多光谱图像，具体包括：通过无人机携带多光谱相机采集所述目标区域的多张初始多光谱图像；根据各初始多光谱图像的特征，对多张初始多光谱图像进行拼接，得到所述目标区域作物成熟前的多光谱图像。3.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述根据所述多光谱图像，确定作物测产区域，具体包括：通过预先在目标区域放置的光谱校正板，对所述多光谱图像进行校正，得到多光谱校正图像；将所述多光谱校正图像中的周边区域去除，得到作物测产目标区域。4.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述纹理特征包括逆差距纹理、反差纹理、能量纹理及自相关纹理；采用以下公式，确定6个纹理指数：采用以下公式，确定6个纹理指数：采用以下公式，确定6个纹理指数：采用以下公式，确定6个纹理指数：采用以下公式，确定6个纹理指数：
其中，TI1、TI2、TI3、TI4、TI5、TI6为6个纹理指数，CON
Red
为红色波段的反差纹理，ENE
NIR
为近红外波段的能量纹理，ENE
Red
为红色波段的能量纹理，COR
Red
为红色波段的自相关纹理，CON
NIR
为近红外波段的反差纹理。5.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，采用以下公式，确定6个植被指数：VI1＝(RE
‑
NIR)/(B
‑
R)；VI2＝R
‑
B；VI3＝(NIR
‑
R)/(NIR+R)；VI4＝NIR/B；VI5＝1.5*(R
‑
B)/(R+B+0.5)；VI6＝1.16*(NIR
‑
R)/(NIR+R+0.16)；其中，VI1、VI2、VI3、VI4、VI5、VI6为6个植被指数，RE为红边波段的反射率平均值，NIR为近红外波段的反射率平均值，B为蓝波段的反射率平均值，R为红波段的反射率平均值。6.根据权利要求1所述的基于无人机多光谱图像融合的作物产量预测方法，其特征在于，所述根据红、绿、蓝波段的平均灰度值，确定6个颜色指数，具体包...

【专利技术属性】
技术研发人员：刘飞，周军，陆祥宇，杨睿，陈梦媛，焦杰，刘羽飞，孔汶汶，
申请(专利权)人：浙江大学，
类型：发明
国别省市：