【技术实现步骤摘要】
本专利技术涉及图像数据处理，具体涉及基于无人机遥感的玉米种植密度监测方法。
技术介绍
1、玉米(maize)是全世界范围内重要的粮食和饲料作物，其广泛的应用领域涵盖人类食品，牲畜饲料和燃料生产等。在玉米的生长过程中，准确检测玉米的出现并监测玉米的种植密度至关重要，尤其是早期的玉米密度被认为是影响产量的主要因素之一。这对于农场管理，早期育种决策，提高品种出苗率以及及时补种等方面提供了关键的参考依据。因此，玉米种植密度的准确监测对于农业管理者开展农业决策至关重要。传统的人工采集作物性状参数监测方式，往往存在较高的人员成本和人为偏见。
2、相较于传统的人工采集数据方式，无人机(unmanned aerial vehicle，uav)的应用提高了效率，降低了人员成本，并简化了数据采集的复杂性。在过去的几年中，uav在农业观测领域的应用迅速发展。基于uav的监测提供了在时间，光谱和空间分辨率方面高度灵活性的机会，能够更精确地观测和分析作物的生长情况，并及时调整管理措施。此外，uav可以配备各种功能的相机，如数码和多光谱相机，以快速，准确的获取大田里各种作物生长状态信息。近二十年来，研究人员一直在探索利用uav的方法去替代费时费力的手动作物性状信息提取工作，并取得了许多卓有成效的工作。
3、研究人员利用uav实现在田间尺度上高效地收集作物的高清数码图像，通过解析作物清晰的纹理特征来提取作物的性状信息，涉及方面包括病害检测、物候期预测等，这对于优化田间管理措施和预测产量具有重要意义。当前研究在估算作物数量方面已经应用在
4、uav采集的多光谱数据在应用方面通常对高分辨率图像没有严格的要求，因此在实际应用中表现出很大的灵活性。并且利用多光谱传感器和vis的方法在评估植物生长状态方面已经取得了显著的成果，涉及的方面包括覆盖度，生物量，叶绿素等，然而在在植株数量和密度的估算方面应用较少，但其在植物生长状态评估方面的成功经验为进一步探索这一领域提供了有益的启示。从多光谱图像中提取的光谱和形态学信息，用机器学习回归方法对小麦数量进行估算。利用uav多光谱数据和回归模型评估小麦的植物密度。多光谱数据在植株数量和密度估计方面的应用仍有待进一步拓展，这主要是因为多光谱传感器的分辨率通常低于数码传感器，缺乏高分辨率来准确地解析出苗的几何形状。但是多光谱成像带来了计算vis的好处，然后可用于开发多变量回归模型，用于植物性状的参数估计。
5、当开展基于uav玉米种植密度遥感信息提取时，目前针对超高清数码影像和多光谱数据在数据特点(如，图像分辨率、光谱分辨率等)、方法的选择和使用(如，目标检测、统计回归等)、图像分辨率对结果的影响、制图等方面的适用性研究并不清晰，缺乏对它们在实际应用中的比较和综合评估，从而导致进行玉米种植密度监测时可能模型选择不合理，进而导致玉米种植密度监测的准确度较差。因此，急需对这两种方法的优劣势进行详细的对比分析，以深入研究其适用性和局限性。
技术实现思路
1、为了解决玉米种植密度监测的准确度较差的技术问题，本专利技术提出了基于无人机遥感的玉米种植密度监测方法。
2、本专利技术提供了基于无人机遥感的玉米种植密度监测方法，该方法包括：
3、使用携带数码相机和多光谱传感器的两种uav获取田间玉米数据图像，并将其拼接在一起，生成整个区域的数字正射影像；
4、若待监测玉米区域为小面积区域，则通过uhdi-od方法进行种植密度估算，包括：对数字正射影像进行裁剪并标注，将标注好的数据输入yolo目标检测模型中进行训练，生成最终的检测模型，得到最终的玉米检测结果，并估算待监测玉米区域的种植密度；
5、若待监测玉米区域为大面积区域，则通过multi-ml方法进行种植密度估算，包括：用多光谱数据求得vis和glcm纹理特征信息，将两者进行组合并用回归模型估算待监测玉米区域的种植密度。
6、可选地，所述生成最终的检测模型，得到最终的玉米检测结果，并估算待监测玉米区域的种植密度，包括：
7、通过最终的检测模型识别了待监测玉米区域中的玉米数量，并将该数量与待监测玉米区域的实测面积相除，得到待监测玉米区域的玉米种植密度的统计值。
8、可选地，所述用多光谱数据求得vis和glcm纹理特征信息，将两者进行组合并用回归模型估算待监测玉米区域的种植密度，包括：
9、通过灰度共生矩阵分析图像中像素之间的灰度级别空间关系，glcm捕捉了图像中不同区域之间的纹理差异；在灰度共生矩阵的基础上，从中提取出多个重要的统计特征，用于深入理解图像的纹理结构；
10、通过多元逐步回归建立预测模型，以解释多个自变量与一个因变量之间的关系，其中，多元逐步回归的工作原理是通过迭代过程，逐步添加或删除自变量，以优化模型的预测精度和解释能力，在每一步中，它会考虑所有可能的自变量组合，并选择最优的组合来更新模型；
11、通过随机森林建立多个决策树并取其输出的平均值来进行预测，其中，每个决策树都是在随机选择的特征子集上独立训练的，这使得模型能够处理大量的特征和复杂的关系；
12、通过偏最小二乘回归解决变量之间的多重共线性问题，并估算待监测玉米区域的种植密度。
13、可选地，所述方法还包括：
14、确定目标检测结果评价指标，其中，目标检测结果评价指标分为性能评价和复杂度评价两个方面；模型性能评价指标包括精确率、召回率和map；模型复杂度评价指标包括模型大小和浮点运算；精确率是正确预测的正样本与预测为正的样本总数的比值；召回率衡量的是正确预测的正样本与正样本总数的比值；ap是精确率和召回率的积分，map是ap的平均值；
15、精确率precision对应的公式为：
本文档来自技高网...【技术保护点】
1.一种基于无人机遥感的玉米种植密度监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机遥感的玉米种植密度监测方法，其特征在于，所述生成最终的检测模型，得到最终的玉米检测结果，并估算待监测玉米区域的种植密度，包括：
3.根据权利要求1所述的一种基于无人机遥感的玉米种植密度监测方法，其特征在于，所述用多光谱数据求得VIs和GLCM纹理特征信息，将两者进行组合并用回归模型估算待监测玉米区域的种植密度，包括：
4.根据权利要求1所述的一种基于无人机遥感的玉米种植密度监测方法，其特征在于，所述方法还包括：
【技术特征摘要】
1.一种基于无人机遥感的玉米种植密度监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机遥感的玉米种植密度监测方法，其特征在于，所述生成最终的检测模型，得到最终的玉米检测结果，并估算待监测玉米区域的种植密度，包括：
3.根据权利要求1...
【专利技术属性】
技术研发人员：岳继博，孙肖云，束美艳，郭伟，申家宁，王健，刘超，李振兴，付元元，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。