基于无人机多光谱影像深度特征的小麦锈病监测方法技术

本发明专利技术提出一种基于无人机多光谱影像深度特征的小麦锈病监测方法，包括地面采集实测数据；获取小麦遥感影像数据；计算光谱指数，得到光谱指数影像特征集；对光谱指数影像特征集进行相关性特征排序和第一特征筛选，得到最优光谱特征集；对小麦遥感影像数据集和最优光谱特征集中影像进行纹理特征计算后，与最优光谱特征集组合并进行特征排序和第二特征筛选，得到最优组合特征集；提取小麦遥感影像数据集和最优组合特征集中影像所对应的深度特征后，与最优组合特征集组合并进行特征排序和第三特征筛选，利用筛选后的最优深度特征集构建多个相关性

【技术实现步骤摘要】
基于无人机多光谱影像深度特征的小麦锈病监测方法


[0001]本专利技术属于小麦锈病监测
，具体公开了一种基于无人机多光谱影像深度特征的小麦锈病监测方法
。
[0002]背景介绍
[0003]小麦是我国主要的粮食作物之一，在国家粮食安全和国民经济发展中有着重要的地位，小麦锈病是影响小麦生产的主要病虫害之一，具有影响范围广
、
演变性强
、
传播速度快等特点，严重时会导致作物减产
50
％以上
。
传统的小麦锈病监测方法主要依靠人工田间调查，该方法不仅费时费力，还难以快速
、
精准的获取受灾区域范围和受灾程度
。
因此，需要一种快速
、
大范围
、
无损，并且能够保证识别准确率的小麦锈病监测方法，从而及时采取相关措施，降低作物损失
。
遥感技术可以通过解析作物反射或者辐射的电磁波信息，实现对作物生长参数和生理参数的监测识别，已经逐渐成为监测作物长势
、
病虫害
、...

【技术保护点】

【技术特征摘要】
1.
一种基于无人机多光谱影像深度特征的小麦锈病监测方法，其特征在于，包括如下步骤：
S1.
地面采集实测数据，在研究区域内随机选取不同位置的小麦作为采样方，并采集每个采样方的对应坐标，分别计算每个采样方内小麦的病叶比率；
S2.
通过多光谱无人机获取研究区域内不同波段的多光谱影像，获取小麦遥感影像数据集；
S3.
对步骤
S2
中获取所述小麦遥感影像数据集中的多光谱影像进行拼接和预处理得到小麦光谱影像，并计算所述小麦光谱影像的光谱指数，得到采样方光谱指数影像特征集；
S4.
对步骤
S3
中得到的所述光谱指数影像特征集进行相关性特征排序和第一特征筛选，得到最优光谱特征集；
S5.
对步骤
S2
中得到的所述小麦遥感影像数据集和步骤
S4
中得到的最优光谱特征集中的影像进行纹理特征计算，得到纹理特征集，将所述纹理特征集与所述最优光谱特征集组合生成第一候选特征集，对所述第一候选特征集进行特征排序和第二特征筛选，得到最优组合特征集；
S6.
通过预训练的深度学习网络对步骤
S2
中得到的所述小麦遥感影像数据集和步骤
S5
中得到的最优组合特征集中的影像进行深度特征提取，得到深度特征集，将所述深度特征集与所述最优组合特征集组合生成第二候选特征集，对所述第二候选特征集进行特征排序和第三特征筛选，得到最优深度特征集，利用所述最优深度特征集构建多个相关性
‑
回归模型；
S7.
通过步骤
S1
中得到的每个采样方内小麦的病叶比率比较步骤
S6
中构建的所述多个相关性
‑
回归模型的精度，选取精度最高的相关性
‑
回归模型对待测小麦区域进行反演制图，得到小麦锈病监测结果
。2.
根据权利要求1所述的一种基于无人机多光谱影像深度特征的小麦锈病监测方法，其特征在于，所述步骤
S1
中，通过千寻位置提供的厘米级差分定位系统，在研究区域内随机选取采样方，采样方均为
10cm
×
10cm
的样方，标注采样方中心位置坐标并记录，获取采样方内患病叶片个数和小麦叶片总数，分别计算每个采样方内小麦的病叶比率
RD
，病叶比率
RD
如公式
(1)
所示：
RD
＝
d/s(1)
其中，
RD
为病叶比率，
d
为采样方内患病叶片个数，
s
为采样方内的小麦叶片总数
。3.
根据权利要求2所述的一种基于无人机多光谱影像深度特征的小麦锈病监测方法，其特征在于，所述步骤
S2
中，通过多光谱无人机获取研究区域内不同波段的多光谱影像时，多光谱无人机在晴朗天气飞行，在当地时间
11
：
00
‑
13
：
00
完成飞行，多光谱影像空间分辨率不低于每像素
1.6cm
，多光谱无人机的航向重叠率不低于
75
％，多光谱无人机的旁向重叠率不低于
75
％
。4.
根据权利要求3所述的一种基于无人机多光谱影像深度特征的小麦锈病监测方法，其特征在于，所述步骤
S3
中，所述预处理包括：地理配准
、
几何校正
、
反射率校正
、
辐射校正和大气校正；所述光谱指数包括计算光谱指数和经验光谱指数，所述计算光谱指数包括差值光谱指数
、
比值光谱指数和归一化光谱指数，所述差值光谱指数的计算如公式
(2)
所示：
DSI
i,j
＝
R
i
‑
R
j
(2)
其中，
DSI
i,j
表示
i
波段与
j
波段的差值光谱指数，
i
表示蓝
、
绿
、
红
、
红边或近红外中的任意一波段，
j
表示蓝
、
绿
、
红
、
红边或近红外中的任意一波段，
R
i
表示蓝
、
绿
、
红
、
红边或近红外中的任意一波段反射率，
R
j
表示蓝
、
绿
、
红
、
红边或近红外中的任意一波段反射率；所述比值光谱指数的计算如公式
(3)
所示：其中，
RSI
i,j
表示
i
波段与
j
波段的比值光谱指数；所述归一化光谱指数的计算如公式
(4)
所示：其中，
NDSI
i,j
表示
i
波段与
j
波段的归一化光谱指数；所述经验光谱指数包括花青素反射指数
、
优化土壤调整植被指数
、
三角植被指数
、
宽动态范围植被指数
、
土壤调节植被指数
、
红边叶绿素指数
、
修正型三角植被指数
、
改良非线性植被指数
、
绿叶指数和绿色叶绿素植被指数；所述花青素反射指数的计算如公式
(5)
所示：其中，
ARI
表示花青素反射指数，
R
G
表示绿波段反射率，
R
RE
表示红边波段反射率；所述优化土壤调整植被指数的计算如公式
(6)
所示：其中，
OSAVI
表示优化土壤调整植被指数，
R
NIR
表示近红外波段反射率；三角植被指数的计算如公式
(7)
所示：其中，
TVI
表示三角植被指数；宽动态范围植被指数的计算如公式
(8)...

【专利技术属性】
技术研发人员：刘涛，张慧，刘立峰，焦有宙，张寰，王志业，
申请(专利权)人：河南财经政法大学，
类型：发明
国别省市：