基于可见光波段无人机遥感的火龙果精准识别方法 下载: 823次
1 引言
火龙果属于仙人掌科三角柱属植物,源产于墨西哥和巴西等中美洲热带沙漠地区,早期主要分布在我国台湾、海南、广东、广西、福建南部等地区[1-2],后经引种与环境自适应品种的研发,火龙果以极具经济价值与能够缓解喀斯特山区石漠化加剧的特色水果身份,在贵州扎根于罗甸、关岭、册亨、望谟、贞丰和镇宁一带。随着种植面积的增加及生长环境的变化,基于遥感手段的监测精度亟待提高,朱孟等[3]因地制宜使用小型无人机获取种植区可见光波段影像,实现了单株火龙果的识别提取,但该方法仅适用于生长环境呈植株-裸地状态的种植区域,如何剔除杂草对植株提取的干扰尚未解决。
针对地块间杂草的识别,部分学者主要从其形态[4-6]、纹理[7-10]、光谱[11-14]特征及其特征融合[15-18]方向进行了研究。在杂草形态特征方面,从其整体特征结合支持向量机(SVM)的面向对象分类提取取得了初步效果,但需要根据每一类杂草的形态做大量的样本,提取精度与样本数量呈正相关,一定程度上增加了样本数据的冗余,延长了提取周期。纹理与光谱能够重点突出杂草的细节信息,基于纹理与光谱的提取都与影像的空间分辨率极大相关,现有的地块间杂草纹理与光谱特征的采集主要通过近地面获取,在像元精度上得到了较好的保证,凸显了杂草的细节特征,但该方式劳动成本大,特征受限于局部信息干扰,在大区域的研究中没有代表性。另有学者从机器视觉[19-23]、神经网络[24-31]等方面也进行了探索,该方法依托计算机软硬件支持及研究者的编程能力,难以做到技术的迁移与大众化。
杂草种类丰富,形态各异。杂草与火龙果植株同属绿色植被,基于现有的颜色植被指数很难将其区分,很大程度上降低了火龙果提取的精度,阻碍了其应用推广。贵州的火龙果大多种植于喀斯特山区的斜坡山地,周边环境山高谷深,地块破碎,地块间坡度较大,且受云、雨、雾的影响,很难基于传统的卫星获取影像数据,因此本文以四旋翼无人机搭载可见光镜头作为数据采集手段,充分利用其在喀斯特山区小区域大比例尺作业中开展的众多优点,获取火龙果种植区厘米级RGB影像,从火龙果植株与杂草的R、G、B通道像元亮度值(DN值,ρ)差异构建相近颜色差异植被指数(CCVI),进行数字化计算及灰度特征值统计、阈值掩模提取、主次分析、聚类分析等分类后处理,为火龙果单株提取过程中剔除杂草干扰提供参考价值。
2 材料与方法
2.1 研究区概况
研究区选取贵州省南部边陲罗甸县的阳光果园(25°19'43.45″N、106°38'44.78″E)、新中盛(25°24'29.66″N、106°47'40.13″E)和郎当(25°25'15.84″N、106°47'29.79″E)3个火龙果基地。研究区内属于亚热带季风气候,具有春早、夏长、秋迟、冬短的特点,年均日照达1350~1520 h,年平均温度达20 ℃,土壤多为砂质红壤与红棕壤,因其得天独厚的气候条件与地理优势,罗甸县素有“天然温室”之称,是种植火龙果的理想地方。基地品种以紫火龙、粉火龙和台湾大红火龙为主,立地条件为喀斯特山地,种植间距为3 m×2 m,火龙果每年挂果时间为5月至11月,每月挂果两次,具有极强的经济效益潜力。
2.2 数据获取与处理
本次实验数据使用大疆Mavic 2 Pro搭载L1D-20c哈苏相机进行拍摄采集,机身四旋翼可折叠,便捷灵活,相机有效像素2000万,影像传感器为1 inch(1 inch=2.54 cm)互补金属氧化物半导体(CMOS),单张航片最大分辨率为5472 pixel×3684 pixel,运动模式下飞行速度为72 km/h,实际工作中水平悬停精度为±0.2 m,垂直悬停精度为±0.1 m。由于影像的色差变化与采集数据的天气和时间相关,因此一般选择晴朗的12:00—14:00进行拍摄,此时太阳入射光线基本垂直于地表,可以减少因太阳光斜射引起的作物阴影。研究区在喀斯特山区的山腰区域,测区高差较大,整体坡度约为45°,数据获取采用Altizure规划航线。为保证数据精度,设置航向重叠度为80%,旁向重叠度为85%,航高设计(50,70,90 m)3个飞行高度,结果发现50 m时数据采集冗余,90 m时影像分辨率较低,而70 m时既满足数据精度又可减少数据采集冗余。正射影像拼接使用Pix4DMapper,内容包括航片筛选、空三加密和数字产品生成。火龙果基地生长环境一般呈植株-裸地、植株-杂草、植株-裸地-杂草状态,通过ENVI5.5软件对获取的影像进行预处理,并裁剪出植株-杂草的感兴趣区域(ROI)样本。
2.3 实验设计
为探究纯火龙果和纯杂草的光谱特征,充分考虑单个样区实验的偶然性,此实验共选取不同区位的3个火龙基地作为样区,通过ENVI5.5软件分别裁剪出3个植株-杂草ROI,在每个ROI沿对角线分别采集纯植株和纯杂草样本各5个,共计30个,其中植株样本标号为p1~p5,杂草样本标号为g1~g5。为避免样本中出现混合像元,根据植株和杂草的形状特征,每个样本采集11个像元,最终分别获取30个样本的R、G、B波段纯净像元平均DN值见
表 1. 不同样区火龙果植株与杂草影像DN值
Table 1. DN values of pitaya fruit plants and weeds in the different areas
|
图 1. 阳光果园、新中盛、郎当三个样区的影像以及对应的植株和杂草反射率。(a)影像;(b)植株反射率;(c)杂草反射率
Fig. 1. Images of Sunshine orchard, Xinzhongsheng and Langdang, as well as the corresponding reflectances of plants and weeds. (a) Images; (b) plant reflectance; (c) weed reflectance
图 2. 火龙果植株像元、杂草像元和三原色加色原理。(a)火龙果植株像元;(b)三原色加色法;(c)杂草像元
Fig. 2. Pitaya fruit plant pixel, weed pixel and principles of three primary colors addition. (a) Pitaya fruit plant pixel; (b) three primary colors additive color scheme; (c) weed pixel
2.4 植株与杂草光谱特征
由
2.5 相近颜色植被指数构建
针对可见光波段的应用,目前主流的指数主要有可见光波段差异植被指数(VDVI) [32]、过绿指数(EXG)[33]、归一化绿红差异植被指数(NGRDI)[34],其优点是能运用于大区域的植被提取,但对于植被的更精细化区分,效果则不显著。计算方式如下:
图 3. 火龙果植株与杂草同波段反射率对比。(a) R波段;(b) G波段;(c) B波段
Fig. 3. Comparison of reflectance between pitaya fruit plants and weeds. (a) R-band; (b) G-band; (c) B-band
2.6 阈值提取
最大类方差(OTSU)算法,是一种对图像进行二值化的高效算法[35],它可按照图像的灰度特征将其分为背景值和目标地物2部分,当阈值T使目标物与背景值之间的类方差最大时,T为识别提取目标地物的最佳阈值。计算公式为 [36]
式中:W0为目标像元点占整景图像的比例;W1为背景像元点占整景图像的比例;μ0为目标地物像元平均灰度;μ1为背景像元平均灰度;μ为图像总平均灰度;MN表示图像大小;N0为灰度小于最佳阈值时的像元个数;N1为灰度大于最佳阈值时的像元个数;σ为类间方差。
3 结果与分析
3.1 植被指数计算
为了充分说明构建指数的计算效果,选取3个样区使用(1)~(3)式和本研究构建的(4)式进行计算,得到植被指数灰度空间分布如
图 4. 植被指数计算结果。(a) CCVI;(b) VDVI;(c) EXG;(d) NGRDI
Fig. 4. Vegetation index calculation results. (a) CCVI; (b) VDVI; (c) EXG; (d) NGRDI
从
表 2. 三个样区CCVI特征值统计
Table 2. Statistics feature of CCVI in three plots
|
3.2 火龙果植株提取及精度评价
将CCVI应用到三个样区的火龙果提取中,通过灰度密度分割获取植株与杂草的灰度空间分布,采用最大类方差阈值掩模方法将植株与杂草的灰度二值化。由于CCVI以像元计算,二值化结果会出现部分不连续的碎小斑块和斑块空心现象,需通过卷积滤波和聚类分析等处理方法,去除碎小斑块,填充斑块空心区域,最终获取的三个样区的提取结果,如
图 5. 三样区CCVI提取结果。(a)阳光果园;(b)新中盛;(c)郎当
Fig. 5. CCVI extraction results in three sample regions. (a) Sunshine orchard; (b) Xinzhongsheng; (c) Langdang
由
对比三个样区实际株数和提取株数,阳光果园多提14株,新中盛多提5株,郎当漏提10株, 总体精度和Kappa系数均大于90%,达到了提取精度的一般要求。实际生长环境中,由于对火龙果植株的人为管理不周或是火龙果植株的自然倒伏,常会存在大于等于两株植株连体现象,在影像中表现为像元DN值近似连续。连体植株除了受火龙果种植本身的种植结构和管理不周的影响,还与提取后处理参数设置有关。灰度二值化后的结果充分保留了相似DN值的特征,但也造成部分斑块离散和不连续。为了解决这一问题,定义一个像元大小的变换核,以植株中心像元为起点,9×9窗口为灰度值遍历区域,将该范围内变换核中占次要地位(像元数最少)的像元归类到中心像元的值类别内。这一步骤较好地膨胀和丰富了植株区域,为后面的主要分析和聚类处理打下了基础,但同时也导致少数相隔较近的植株像元在空间上连续。
表 3. 提取特征值及精度验证
Table 3. Extracting feature values and precision validation
|
3.3 方法测试验证
上述结果表明,CCVI能从杂草中识别火龙果植株,解决了VDVI、EXG和NGRDI不能区分植株与杂草的问题,CCVI可以与现有指数互为补充使用。为了验证该方法的可迁移性和准确性,选取不同区域的贵州省关岭县花江镇火龙果基地,生长环境呈植株与杂草的ROI样本进行测试。
图 6. CCVI验证结果。(a)测试原始图像;(b) CCVI计算结果;(c) CCVI提取结果
Fig. 6. CCVI verification results. (a) Test original image; (b) CCVI calculation result; (c) CCVI extraction result
如
图 7. 验证区CCVI提取精度指标比较。(a)漏提率;(b)误提率;(c)正确率;(d)总体精度;(e) Kappa系数
Fig. 7. Comparison of CCVI extraction accuracy indicators in verification area. (a) Leakage rate; (b) mistake rate; (c) connected rate; (d) overall accuracy; (e) Kappa coefficient
4 结论
火龙果作为喀斯特山区的特色优势水果,其生长环境复杂,地块破碎,田埂密集不规则,目前贴地可机械化操作尚未突破,传统的生长监测与估产投入了很大的人力劳动成本,而采用无人机遥感方案监测方法受杂草与地形等诸多因素的影响,也一直停滞不前。本研究根据火龙果植株与杂草的像元DN值差异特征,构建CCVI,并与VDVI、EXG、NGRDI等可见光波段植被指数作对比研究,对比结果可知CCVI能更好地从杂草中提取出火龙果植株。经实验,得出以下结论:
1) 由于地块部分土壤反射率近似等于火龙果植株,在CCVI灰度计算时,容易将部分土壤误归为植株,会造成少数植株与土壤混合,在提取结果中表现为连体现象。阳光果园、新中盛、郎当3个样区火龙果植株提取总体平均精度为94.60%,植株与杂草分类Kappa系数平均值为0.9417。经精度测试验证,测试ROI样本火龙果植株提取总体精度为94.33%,Kappa系数为0.9328,总体提取精度较高。
2) CCVI结合阈值掩模、主次要分析和聚类处理,能较好地解决火龙果生长环境呈植株-杂草状态的地块,CCVI中的参数为可变参数,本文针对测区的火龙果植株与杂草特征进行实验获取。成熟状态的火龙果植株为多年生植物,参数基本稳定,对其他作物结合特征分析来获取。VDVI、EXG等指数能分类植被与非植被,CCVI能从植被中再分类,两者能互为补充应用。
3) 喀斯特复杂山地农业发展受限于地形、小生境环境及气候的影响,传统卫星受云、雨、雾的影响很难获取到满足精度要求的数据,而采用低空无人机遥感方案对作物生长数据采集与监测具有灵活的周期性与时效性。该研究可对相关的农业发展辅助决策支持提供高效支撑。
[1] Pimienta-Barrios E, Nobel P S. Pitaya (Stenocereus Spp., Cactaceae): an ancient and modern fruit crop of Mexico[J]. Economic Botany, 1994, 48(1): 76-83.
[2] 何小帆, 丁文沙, 钟源源, 等. 红心火龙果离体培养技术研究[J]. 云南农业大学学报(自然科学), 2019, 34(4): 656-662.
He X F, Ding W S, Zhong Y Y, et al. Study on in vitro cultural technique of red pitaya[J]. Journal of Yunnan Agricultural University(Natural Science), 2019, 34(4): 656-662.
[3] 朱孟, 周忠发, 赵馨, 等. 基于无人机遥感的喀斯特高原峡谷区火龙果单株识别提取方法[J]. 热带地理, 2019, 39(4): 502-511.
Zhu M, Zhou Z F, Zhao X, et al. Recognition and extraction method of single dragon fruit plant in plateau-canyon areas based on UAV remote sensing[J]. Tropical Geography, 2019, 39(4): 502-511.
[4] 王路军, 石峻全, 黄津津. 基于植株整体形状特征的杂草识别算法的研究[J]. 农业工程技术, 2016, 36(14): 15-16.
Wang L J, Shi J Q, Huang J J. Research on weed recognition algorithm based on overall shape characteristics of plants[J]. Agricultural Engineering Technology, 2016, 36(14): 15-16.
[5] 吴兰兰, 刘剑英, 文友先, 等. 基于支持向量机的玉米田间杂草识别方法[J]. 农业机械学报, 2009, 40(1): 162-166.
Wu L L, Liu J Y, Wen Y X, et al. Weed identification method based on SVM in the corn field[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(1): 162-166.
[6] Xavier S, Coffin A, Olson D, et al. Remotely estimating beneficial arthropod populations: implications of a low-cost small unmanned aerial system[J]. Remote Sensing, 2018, 10(9): 1485.
[7] 曹晶晶, 王一鸣, 毛文华, 等. 基于纹理和位置特征的麦田杂草识别方法[J]. 农业机械学报, 2007, 38(4): 107-110.
Cao J J, Wang Y M, Mao W H, et al. Weed detection method in wheat field based on texture and position features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(4): 107-110.
[8] 王怀宇, 李景丽. 基于纹理特征的玉米苗期田间杂草识别[J]. 江苏农业科学, 2014, 42(7): 143-145.
Wang H Y, Li J L. Identification of field weeds in corn seedling stage based on texture features[J]. Jiangsu Agricultural Sciences, 2014, 42(7): 143-145.
[9] 王宏艳, 吕继兴. 基于纹理特征与改进SVM算法的玉米田间杂草识别[J]. 湖北农业科学, 2014, 53(13): 3163-3166, 3169.
Wang H Y, Lü J X. Identifying corn weed based on texture features and optimized SVM[J]. Hubei Agricultural Sciences, 2014, 53(13): 3163-3166, 3169.
[10] Woebbecke D M, Meyer G E, Bargen K V, et al. Color indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE, 1995, 38(1): 259-269.
[11] 李攀. 基于多光谱图像的玉米田间杂草识别方法研究[D]. 咸阳: 西北农林科技大学, 2014.
LiP. Corn and weed seedlings detection based on multi-spectral images[D]. Xianyang: Northwest A & F University, 2014.
[12] 白敬, 徐友, 魏新华, 等. 基于光谱特性分析的冬油菜苗期田间杂草识别[J]. 农业工程学报, 2013, 29(20): 128-134.
Bai J, Xu Y, Wei X H, et al. Weed identification from winter rape at seedling stage based on spectrum characteristics analysis[J]. Transactions of the CSAE, 2013, 29(20): 128-134.
[13] 陈树人, 邹华东, 吴瑞梅, 等. 基于高光谱图像技术的稻田苗期杂草稻识别[J]. 农业机械学报, 2013, 44(5): 253-257, 163.
Chen S R, Zou H D, Wu R M, et al. Identification for weedy rice at seeding stage based on hyper-spectral imaging technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 253-257, 163.
[14] 刘波, 方俊永, 刘学, 等. 基于成像光谱技术的作物杂草识别研究[J]. 光谱学与光谱分析, 2010, 30(7): 1830-1833.
[15] 赵鹏, 韦兴竹. 基于多特征融合的田间杂草分类识别[J]. 农业机械学报, 2014, 45(3): 275-281.
Zhao P, Wei X Z. Weed recognition in agricultural field using multiple feature fusions[J]. Transactions of the Chinese Society of Agricultural Machinery, 2014, 45(3): 275-281.
[16] 王淑芬, 杨玲香. 基于GA-ANN融合算法的棉田杂草特征降维及分类识别[J]. 河南农业科学, 2018, 47(2): 148-154, 160.
Wang S F, Yang L X. Feature dimension reduction and category identification of weeds in cotton field based on GA-ANN complex algorithm[J]. Journal of Henan Agricultural Sciences, 2018, 47(2): 148-154, 160.
[17] 何东健, 乔永亮, 李攀, 等. 基于SVM-DS多特征融合的杂草识别[J]. 农业机械学报, 2013, 44(2): 182-187.
He D J, Qiao Y L, Li P, et al. Weed recognition based on SVM-DS multi-feature fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(2): 182-187.
[18] 邓向武, 齐龙, 马旭, 等. 基于多特征融合和深度置信网络的稻田苗期杂草识别[J]. 农业工程学报, 2018, 34(14): 165-172.
Deng X W, Qi L, Ma X, et al. Recognition of weeds at seedling stage in paddy fields using multi-feature fusion and deep belief networks[J]. Transactions of the CSAE, 2018, 34(14): 165-172.
[19] 颜秉忠. 机器视觉技术在玉米苗期杂草识别中的应用[J]. 农机化研究, 2018, 40(3): 212-216.
Yan B Z. Identification of weeds in maize seedling stage by machine vision technology[J]. Journal of Agricultural Mechanization Research, 2018, 40(3): 212-216.
[20] 周影, 房建东, 赵于东. 基于主成分-贝叶斯分类模型的除草机器人杂草识别方法[J]. 机床与液压, 2018, 46(6): 104-110, 126.
Zhou Y, Fang J D, Zhao Y D. Weed identification method of weeding robot based on PCA-NBC classification model[J]. Machine Tool & Hydraulics, 2018, 46(6): 104-110, 126.
[21] 赵娜. 基于机器视觉的田间杂草识别技术研究[J]. 无线互联科技, 2016( 23): 141- 142.
ZhaoN. Study on identification method of weeds based on machine vision[J]. Wireless Internet Technology, 2016( 23): 141- 142.
[22] Kim D W, Yun H E, Jeong S J, et al. Modeling and testing of growth status for Chinese cabbage and white radish with UAV-based RGB imagery[J]. Remote Sensing, 2018, 10(4): 563.
[23] 袁立, 袁吉收, 张德政. 基于DeepLab-v3+的遥感影像分类[J]. 激光与光电子学进展, 2019, 56(15): 152801.
[24] 邹华东, 陈树人, 陈刚, 等. 基于人工神经网络的稻田杂草稻光谱识别[J]. 农机化研究, 2013, 35(1): 156-158, 163.
Zou H D, Chen S R, Chen G, et al. Identification of weedy rice using vis/NIR spectroscopy and artificial neural network[J]. Journal of Agricultural Mechanization Research, 2013, 35(1): 156-158, 163.
[25] Böhler J, Schaepman M, Kneubühler M. Crop classification in a heterogeneous arable landscape using uncalibrated UAV data[J]. Remote Sensing, 2018, 10(8): 1282.
[26] 杨建姣. 基于BP神经网络的田间杂草识别技术的研究[D]. 长春: 吉林农业大学, 2017.
Yang JJ. Study on identification of the field weed based on BP neural networks[D]. Changchun: Jilin Agricultural University, 2017.
[27] 董亮, 雷良育, 李雪原, 等. 基于改进型人工神经网络的温室大棚蔬菜作物苗期杂草识别技术[J]. 北方园艺, 2017( 22): 79- 82.
DongL, Lei LY, Li XY, et al. Weed identification technology of greenhouse vegetable crops in greenhouse based on improved artificial neural network[J]. Northern Horticulture, 2017( 22): 79- 82.
[28] 王璨, 武新慧, 李志伟. 基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 农业工程学报, 2018, 34(5): 144-151.
Wang C, Wu X H, Li Z W. Recognition of maize and weed based on multi-scale hierarchical features extracted by convolutional neural network[J]. Transactions of the CSAE, 2018, 34(5): 144-151.
[29] 姜红花, 王鹏飞, 张昭, 等. 基于卷积网络和哈希码的玉米田间杂草快速识别方法[J]. 农业机械学报, 2018, 49(11): 30-38.
Jiang H H, Wang P F, Zhang Z, et al. Fast identification of field weeds based on deep convolutional network and binary hash code[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(11): 30-38.
[30] Louhaichi M, Borman M M, Johnson D E. Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]. Geocarto International, 2001, 16(1): 65-70.
[31] 王生生, 王顺, 张航, 等. 基于轻量和积网络及无人机遥感图像的大豆田杂草识别[J]. 农业工程学报, 2019, 35(6): 81-89.
Wang S S, Wang S, Zhang H, et al. Soybean field weed recognition based on light sum-product networks and UAV remote sensing images[J]. Transactions of the CSAE, 2019, 35(6): 81-89.
[32] 汪小钦, 王苗苗, 王绍强, 等. 31(5): 152-157[J]. . 基于可见光波段无人机遥感的植被信息提取. 农业工程学报, 2015, 159: 158.
Wang XQ, Wang MM, Wang SQ, et al., 2015, 31(5): 152-157, 159, 158.
[33] 迟德霞, 张伟, 王洋. 基于EXG因子的水稻秧苗图像分割[J]. 安徽农业科学, 2012, 40(36): 17902-17903.
Chi D X, Zhang W, Wang Y. Segmentation of rice seedling image based on EXG factor[J]. Journal of Anhui Agricultural Sciences, 2012, 40(36): 17902-17903.
[34] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers and Electronics in Agriculture, 2008, 63(2): 282-293.
[35] Gonzalez RC, Woods RE. Digital image processing[M]. 3rd ed. Beijing: Publishing House of Electronics Industry, 2010: 479- 483.
[36] 张引. 基于空间分布的最大类间方差牌照图像二值化算法[J]. 浙江大学学报( 工学版), 2001( 03): 42-45+50.
Engineering Science. 03): 42-45+50[J]. Zhang Y. License plate binarization algorithm based on analysis of the spatial distribution, maximum variance between clusters. Journal of Zhejiang University, 2001.
Article Outline
朱孟, 周忠发, 蒋翼, 黄登红. 基于可见光波段无人机遥感的火龙果精准识别方法[J]. 激光与光电子学进展, 2020, 57(14): 142801. Meng Zhu, Zhongfa Zhou, Yi Jiang, Denghong Huang. An Accurate Recognition Method of Pitaya Plants Based on Visible Light Band UAV Remote Sensing[J]. Laser & Optoelectronics Progress, 2020, 57(14): 142801.