一种无人机遥感监测调查林业有害生物的方法技术

本发明专利技术属于林业大数据技术领域，提供了一种无人机遥感监测调查林业有害生物的方法，通过连续采集待监测区域的光谱影像构成光谱影像序列，根据RX算法获取识别序列中各个光谱影像的虫害区域；通过识别序列对参照图像上的虫害区域的位置进行修正。能识别出虫害区域和无人机航线上识别点的偏移位置，能够去除参照图像中已经存在了虫害区域在经过植物在自然状态下的本身的局部发生变化时对虫害区域的准确识别产生的强干扰，提高了虫害区域的识别准确率。均衡的判断出非虫害区域和虫害区域的位置之间的差异性，并且能够智能根据该差异性对参照图像进行的虫害区域增删。参照图像进行的虫害区域增删。参照图像进行的虫害区域增删。

【技术实现步骤摘要】
一种无人机遥感监测调查林业有害生物的方法


[0001]本专利技术属于林业大数据
，具体是一种无人机遥感监测调查林业有害生物的方法。

技术介绍

[0002]目前，通过遥感监测林业有害生物(林业有害生物例如松毛虫、松材线虫病死树、阔叶树种食叶害虫等)的方法，是采集监测区域中的遥感图像，与监测区域中历史的遥感图像中像素点的光谱特征信息进行对比，进而判断该区域是否存在有害生物，但是由于植物在自然状态下的本身的变化(植被生长、干燥环境导致的叶片含水量变化或叶片覆盖范围变化)导致像素点的光谱特征信息发生的改变对有害生物的光谱特征信息识别产生强干扰，误识别率较高。
[0003]为解决该问题，公开号CN115131683A的中国专利于2022年9月30日公开了基于高分辨率遥感影像的林业信息识别方法，通过参照图像中像素点的光谱特征向量对像素点进行聚类，划分出了待检测区域的不同树种；通过计算像素点的灰度值序列中波长与灰度值的差异性，得到了该像素点的光谱曲线的形变量以及不同波段灰度值的偏移量，同时结合各个波段灰度值变化量的均匀性对损伤概率进行综合判断，以排除由于植被覆盖程度高而造成的曲线偏移量较高的情况，提高了对林业病虫害检测的准确性；还根据同种树种损伤概率的均匀性对损伤概率进行调整得到最终损伤概率进而判断病虫害发生的可能性，从而可以实现对同种树种不同季节的病虫害检测；但是，包括该技术在内的诸多现有技术中，如果是参照图像中已经存在了虫害区域，或者，在植物在自然状态下的本身的局部发生变化时，会产生强干扰，导致识别准确率会降低，并且该虫害区域甚至无法识别，并且由于地区的图像较大，识别速度慢，需要较大的运算成本。

技术实现思路

[0004]本专利技术的目的在于提出一种无人机遥感监测调查林业有害生物的方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]为了实现上述目的，本专利技术提出一种无人机遥感监测调查林业有害生物的方法，具体包括以下步骤：
[0006]S1：获取待监测林地的电子地图作为待监测区域,待监测林地中包括松科植物、阔叶树种、桉属树种和/或藤蔓植物(松科植物：湿地松、马尾松、落叶松等；阔叶树种：杨树、榆树、樟树等；桉属树种：柠檬桉、广九等；藤蔓植物：薇甘菊、五爪金龙、金钟藤等)；
[0007]S2：设置无人机在待监测区域中飞行的起点、终点和障碍物位置信息，并在待监测区域内设置从起点到终点的无人机的航线路径；
[0008]S3：从起点开始，以固定的采集间距将在航线路径上取多个点作为识别点；
[0009]S4：无人机按照航线路径飞行并且连续采集待监测区域的光谱影像，依次由各张光谱影像构成的序列作为光谱影像序列，在光谱影像序列中，在每个识别点位置都获取一
张光谱影像；(由于无人机搭载的光谱仪的狭窄视场限制了每个光谱影像的地面覆盖范围，因此需要在飞行过程中连续的采集光谱仪的视场中的光谱影像形成光谱影像数据集，然后对光谱影像数据集中的各张光谱影像进行拼接得到整体的光谱影像，使得整体的光谱影像才能有效覆盖待监测区域)；
[0010]S5：获取光谱影像序列中所有识别点位置的所有光谱影像构成的序列作为识别序列；
[0011]S6：根据RX算法获取识别序列中各个光谱影像的虫害区域；
[0012]S7：通过识别序列对参照图像上的虫害区域的位置进行修正；
[0013]S8：在待监测林地的电子地图上标注出修正后的参照图像上的虫害区域位置。
[0014]进一步地，在S1中，所述电子地图是通过卫星、无人机获取的一定坐标系统内具有确定的坐标和属性的地面要素和现象的离散数据。
[0015]进一步地，在S2中，在待监测区域内设置从起点到终点的无人机的航线路径包括:A*算法、基于K
‑
最短路径算法、Dijkstra算法、APF算法(APF：Artificial Potential Field，人工势场算法)和SAA算法(SAA:Simulated Annealing Algorithm，模拟退火算法)中的任意一种在待监测区域内从起点到终点的无人机的航线路径。
[0016]其中，航线路径是电子地图上的一组连续变化的位置坐标数据，无人机根据航线路径在电子地图上航线路径在待监测区域中航线路径对应位置坐标数据进行飞行移动。
[0017]其中，起点是无人机在待监测区域中起飞的位置(一般是当前位置)，终点分别是无人机在待监测区域中飞行的终点位置，障碍物位置信息是待监测区域中障碍物位置，无人机需与障碍物位置保持预设的障碍物安全距离(2～5m)。
[0018]进一步地，设置无人机的初始参数：光谱成像系统视场角(15～25
°
)、航线间距(8～35m)、飞行高度(15～55m)、飞行速度(10～20m/s)、边界安全距离(2～5m)、障碍物安全距离(2～5m)。
[0019]优选地，设置光谱成像系统视场角为16
°
、飞行高度为30m、飞行速度13m/s。
[0020]进一步地，在S3中，固定的采集间距为8～35m。
[0021]进一步地，在S4中，连续采集待监测区域的光谱影像是通过无人机搭载的光谱仪在按照航线路径飞行的过程中对待监测区域进行光谱影像采集。
[0022]进一步地，在S6中，根据RX算法获取识别序列中各个光谱影像的虫害区域的方法为：将光谱影像中各个像素点的光谱反射率输入到RX算法(Reed
‑
Xiaoli高光谱目标检测算法)中识别出光谱影像中待监测区域对应位置的虫害区域。
[0023]遥感监测病虫害是通过测量植物中叶绿素含量的变化进行判断，叶绿素的光谱反射率有其显著的特征，并且会随着波长的变化而变化。植物的叶绿素的光谱反射率在0.5～0.7μm处很低，在近红外波段，在0.7～0.9μm处明显增加，这是因为绿色植物可以吸收该波段的辐射能量。由于病虫害的植物体内的叶绿素会逐渐减少，吸收光的能力也随之减弱，可见光的反射率会明显提高，红外区域的反射率会显著降低，尤其是近红外波段。
[0024]优选地，根据RX算法获取识别序列中各个光谱影像的虫害区域的方法为：通过专利公开号为CN107347849A中公开的方法获取病虫害信息无人机作业区域中对应位置的虫害区域(RX异常探测方法)。
[0025]其中，虫害区域为病虫害像素点组成的区域，或者由病虫害像素点组成的边缘线
的内部区域；其中，病虫害像素点是可见光反射率高于光谱影像中各个像素点的可见光反射率的平均值的光谱影像中对应的像素点，或者，病虫害像素点是近红外波段光谱反射率低于光谱影像中各个像素点的近红外波段光谱反射率的平均值的光谱影像中对应的像素点。
[0026]进一步地，在S7中，参照图像是在前一个时间间隔通过步骤S1～S6获取的各个光谱影像拼接成的待监测区域的整体光谱影像，其整体光谱影像在对应的待监测区域相应位置的上标注有通过步骤S6识别到的各个虫本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机遥感监测调查林业有害生物的方法，其特征在于，所述方法包括如下步骤：S1：获取待监测林地的电子地图作为待监测区域；S2：设置无人机在待监测区域中飞行的起点、终点和障碍物位置信息，并在待监测区域内设置从起点到终点的无人机的航线路径；S3：从起点开始，以固定的采集间距将在航线路径上取多个点作为识别点；S4：无人机按照航线路径飞行并且连续采集待监测区域的光谱影像，依次由各张光谱影像构成的序列作为光谱影像序列，在光谱影像序列中，在每个识别点位置都获取一张光谱影像；S5：获取光谱影像序列中所有识别点位置的所有光谱影像构成的序列作为识别序列；S6：根据RX算法获取识别序列中各个光谱影像的虫害区域；S7：通过识别序列对参照图像上的虫害区域的位置进行修正；S8：在待监测林地的电子地图上标注出修正后的参照图像上的虫害区域位置。2.根据权利要求1所述的一种无人机遥感监测调查林业有害生物的方法，其特征在于，在S6中，根据RX算法获取识别序列中各个光谱影像的虫害区域的方法为：将光谱影像中各个像素点的光谱反射率输入到RX算法中识别出光谱影像中待监测区域对应位置的虫害区域；其中，虫害区域为病虫害像素点组成的区域，或者由病虫害像素点组成的边缘线的内部区域；其中，病虫害像素点是可见光反射率高于光谱影像中各个像素点的可见光反射率的平均值的光谱影像中对应的像素点，或者，病虫害像素点是近红外波段光谱反射率低于光谱影像中各个像素点的近红外波段光谱反射率的平均值的光谱影像中对应的像素点。3.根据权利要求1所述的一种无人机遥感监测调查林业有害生物的方法，其特征在于，所述无人机为搭载光谱仪的共轴双旋翼无人机、微型旋翼无人机或多旋翼无人机；所述光谱仪为GaiaField
‑
mini光谱仪、Specim AFX系列高光谱相机或ATH9020高光谱成像仪。4.根据权利要求1所述的一种无人机遥感监测调查林业有害生物的方法，其特征在于，在S7中，通过识别序列对参照图像上的虫害区域的位置进行修正的方法包括以下步骤：记识别序列为RLocal，以RLocal中的各个光谱影像为识别分区，RLocal＝{RL(i)},i是识别分区的序号，i∈[1,N1]，N1为识别分区的数量，RL(i)是序列RLocal中第i个识别分区；在i的取值范围内，以RL(i)对应的识别点为P1(i)，计算RL(i)内部的各个虫害区域的几何重心点到P1(i)之间的欧氏距离，则RL(i)内部的所有所述的欧氏距离的均值为RLMean(i)；选择RL(i)中的各个虫害区域的几何重心点与P1(i)的距离值最大的所述几何重心点在参照图像上对应位置的点记为远心点P2(i)，选择RL(i)中的各个虫害区域的几何重心点与P1(i)的距离值最小的所述几何重心点在参照图像上对应位置的点记为近心点P3(i)；从参照图像上筛选出所有的虫害区域的几何重心点到P2(i)的距离小于RLMean(i)的虫害区域构成的集合记为RLSUB(i)；和/或，从参照图像上筛选出所有的虫害区域的几何重心点到P2(i)的距离小于RLMean(i)并且虫害区域中所有像素点的近红外波段光谱反射率的均值低于远心点P2(i)在RL(i)中对应的虫害区域中所有像素点的近红外波段光谱反射率的均值的虫害区域构成的集合记为RLSUB(i)；以N2为RLSUB(i)中的元素的数量，RLSUB(i,j)是RLSUB(i)中第j个虫害区域的几何重心点,j是RLSUB(i)中元素的序号，j...

【专利技术属性】
技术研发人员：刘春燕，刘华，许伟杰，周志新，梁祖锋，官东清，余国城，廖艳平，陈梦婷，曾泽方，
申请(专利权)人：广东博幻生态科技有限公司，
类型：发明
国别省市：