發(fā)布時間：2022-01-09 16:58

　　在現(xiàn)代農(nóng)業(yè)生產(chǎn)過程中,精準(zhǔn)的苗情信息是實(shí)現(xiàn)農(nóng)作物因苗管理的關(guān)鍵。新疆地區(qū)作為我國最大的優(yōu)質(zhì)棉基地（種植面積占全國76%,2019年）,依靠人工田間抽樣調(diào)查、手動估算的傳統(tǒng)苗情獲取方式,顯然已經(jīng)難以滿足精準(zhǔn)農(nóng)業(yè)中對作物管理的要求。如何快速、高效的獲取棉花苗情信息,及時、準(zhǔn)確的掌握棉田動態(tài),對于棉花精細(xì)化管理、提升棉花產(chǎn)量具有重要意義�；诖�,本文利用無人機(jī)遙感平臺采集3⁴葉期棉花高分辨率影像,結(jié)合圖像處理及機(jī)器學(xué)習(xí)技術(shù)識別分割棉花目標(biāo)、構(gòu)建棉株計數(shù)模型,最后基于該模型提取棉花出苗率、冠層覆蓋度及長勢均勻性等苗情信息。同時,利用改進(jìn)的目標(biāo)檢測算法YOLOv3實(shí)現(xiàn)棉田雜草識別及定位,為棉田雜草去除提供依據(jù)。主要研究內(nèi)容和研究結(jié)果如下:（1）棉花目標(biāo)識別與提取。植被與背景（土壤、地膜）分離是獲取棉花苗情信息的前提。經(jīng)過預(yù)處理操作后,選取GBDI、ExG、NGRDI、NGBDI等8種顏色指標(biāo)對影像進(jìn)行顏色特征分析,并結(jié)合Otsu自適應(yīng)閾值法實(shí)現(xiàn)棉花目標(biāo)的提取。同時,采用形態(tài)學(xué)和網(wǎng)格線法去除雜草噪聲。研究表明:在8種顏色指標(biāo)中,顏色指標(biāo)（GBDI）結(jié)合Otsu方法分割效果最好... 

【文章來源】：石河子大學(xué)新疆維吾爾自治區(qū) 211工程院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

研究路線

第二章研究區(qū)域與數(shù)據(jù)準(zhǔn)備112-3所示。表2-3飛行航線規(guī)劃Table2-3Flightrouteplanning飛行時間飛行高度/m航向重疊率旁向重疊率拍攝方式地面分辨率/pixel焦距/mm2018/5/232080%80%懸停拍照0.10cm152018/5/251060%65%懸停拍照0.29cm152018/5/30570%70%懸停拍照0.52cm152.2.3地面數(shù)據(jù)采集為測試棉花出苗率試驗(yàn)的準(zhǔn)確性，需要同時采集地面信息進(jìn)行驗(yàn)證。在每次無人機(jī)數(shù)據(jù)獲取后，立即開展地面數(shù)據(jù)調(diào)查工作，由于新疆地區(qū)機(jī)采棉種植方式的特異性，樣方大小需根據(jù)實(shí)際情況設(shè)置。新疆地區(qū)機(jī)采棉采用（66+10）cm典型的寬窄行種植模式，即一膜6行，行內(nèi)行外間距分別為10和66cm，總寬為2.28m，因此地面調(diào)查樣方大小設(shè)置為2.28m×2.28m，樣方分布（以2018年5月25日采集數(shù)據(jù)為例）如圖2-2所示。本次數(shù)據(jù)采集按照五點(diǎn)取樣的方式進(jìn)行，與當(dāng)?shù)刂脖T調(diào)查出苗率方法一致。在研究區(qū)內(nèi)設(shè)置5個采樣點(diǎn)，分別統(tǒng)計每個樣方的出苗株數(shù)。根據(jù)研究區(qū)機(jī)采棉一穴一粒的播種方式，可直接計算出每個樣方內(nèi)播種的株數(shù)，本文中每個樣方播種株數(shù)為138。出苗率為樣方內(nèi)出苗株數(shù)與播種株數(shù)之比，因而通過統(tǒng)計可計算出每個樣方的出苗率。5個樣方出苗率的平均值即為試驗(yàn)區(qū)整體出苗率，調(diào)查結(jié)果顯示試驗(yàn)區(qū)整體出苗率為65.78%。圖2-2研究區(qū)影像及樣方分布Fig.2-2Studyareaimageandsampledistribution2.3影像數(shù)據(jù)預(yù)處理利用無人機(jī)飛行平臺采集的數(shù)據(jù)具有很大的重疊率，如果直接用來提取苗情信息，

基于無人機(jī)可見光影像的棉花苗情監(jiān)測12難以反映棉花實(shí)際生長情況；如果直接用來進(jìn)行模型訓(xùn)練，可能導(dǎo)致模型出現(xiàn)過擬合現(xiàn)象�；诖耍枰獙�(shù)據(jù)進(jìn)行預(yù)處理操作（以無人機(jī)飛行高度為20m時采集的圖像為例進(jìn)行說明）。預(yù)處理操作分為三部分：圖像拼接、圖像裁剪和圖像切割，示意圖如圖2-3所示。a.圖像拼接b.圖像裁剪c.圖像切割圖2-3圖像預(yù)處理過程示意圖Fig.2-3Schematicdiagramofimagepreprocessing預(yù)處理第一步是將獲取的影像數(shù)據(jù)進(jìn)行拼接。無人機(jī)獲取的是相互間具有較大重疊度（航向重疊度和旁向重疊度）的單幅影像，需要通過影像拼接技術(shù)將多張影像合成一幅完整地試驗(yàn)區(qū)影像。本文通過Pix4Dmapper軟件對試驗(yàn)區(qū)無人機(jī)影像進(jìn)行圖像快速拼接檢查，拼接過程如圖2-4所示。首先，圖像采集時會利用無人機(jī)平臺的GPS系統(tǒng)獲取位置信息，Pix4Dmapper拼接時則根據(jù)飛行的POS數(shù)據(jù)尋找同名點(diǎn)，每張原始影像平均匹配365805個同名點(diǎn)；然后通過自動空三加密技術(shù)計算影像的真正位置數(shù)據(jù)及拼接參數(shù)，并建立點(diǎn)云模型；最后，自動優(yōu)化、校準(zhǔn)原始影像的位置及拼接參數(shù)，輸出數(shù)字正射影像（DigitalOrthophotoMap，DOM）。預(yù)處理第二步是對拼接影像進(jìn)行裁剪工作。由于拼接時圖像邊緣數(shù)據(jù)畸變較大，存在較多的異常值，這會影響算法設(shè)計和模型的建立。因此，需要在拼接的影像上手動裁剪，剔除邊緣區(qū)域，選擇合適的研究區(qū)。預(yù)處理最后一步就是對裁剪影像進(jìn)行切割，便于后續(xù)試驗(yàn)的開展。2.4本章小結(jié)本文首先介紹了研究區(qū)位置及棉花生長環(huán)境，闡明了該地區(qū)獨(dú)特的生態(tài)環(huán)境十分適合棉花生長。同時介紹了試驗(yàn)區(qū)主要農(nóng)作物及機(jī)采棉種植面積、種植模式，進(jìn)而表明該地區(qū)滿足試驗(yàn)需求。在數(shù)據(jù)獲取方面，主要包括無人機(jī)平臺的介紹、可見光影像的采集過程及地面數(shù)?

【參考文獻(xiàn)】：
期刊論文
[1]揚(yáng)花期冬小麥葉面積指數(shù)高光譜遙感反演研究[J]. 姜海玲,趙藝源,李耀,鄭世欣.  吉林師范大學(xué)學(xué)報(自然科學(xué)版). 2020(01)
[2]基于無人機(jī)多光譜遙感的冬小麥葉面積指數(shù)反演[J]. 孫詩睿,趙艷玲,王亞娟,王鑫,張碩.  中國農(nóng)業(yè)大學(xué)學(xué)報. 2019(11)
[3]基于無人機(jī)數(shù)碼影像的冬小麥株高和生物量估算[J]. 陶惠林,徐良驥,馮海寬,楊貴軍,楊小冬,苗夢珂,代陽.  農(nóng)業(yè)工程學(xué)報. 2019(19)
[4]基于NDVI與EVI的作物長勢監(jiān)測研究[J]. 白燕英,高聚林,張寶林.  農(nóng)業(yè)機(jī)械學(xué)報. 2019(09)
[5]可見光光譜的冬小麥苗期地上生物量估算[J]. 張領(lǐng)先,陳運(yùn)強(qiáng),李云霞,馬浚誠,杜克明,鄭飛翔,孫忠富.  光譜學(xué)與光譜分析. 2019(08)
[6]基于消費(fèi)級無人機(jī)搭載數(shù)碼相機(jī)監(jiān)測小麥長勢狀況研究[J]. 江杰,張澤宇,曹強(qiáng),田永超,朱艷,曹衛(wèi)星,劉小軍.  南京農(nóng)業(yè)大學(xué)學(xué)報. 2019(04)
[7]農(nóng)業(yè)植保無人機(jī)的發(fā)展現(xiàn)狀與問題思考[J]. 王軍,吳修文,吳乃剛,盧蓓蓓.  農(nóng)業(yè)開發(fā)與裝備. 2019(02)
[8]基于無人機(jī)遙感影像的玉米苗期株數(shù)信息提取[J]. 劉帥兵,楊貴軍,周成全,景海濤,馮海寬,徐波,楊浩.  農(nóng)業(yè)工程學(xué)報. 2018(22)
[9]基于Lab顏色空間的棉花覆蓋度提取方法研究[J]. 牛亞曉,張立元,韓文霆.  農(nóng)業(yè)機(jī)械學(xué)報. 2018(10)
[10]基于無人機(jī)遙感可見光影像的北疆主要農(nóng)作物分類方法[J]. 戴建國,張國順,郭鵬,曾窕俊,崔美娜,薛金利.  農(nóng)業(yè)工程學(xué)報. 2018(18)

博士論文
[1]高光譜圖像技術(shù)檢測玉米種子品質(zhì)研究[D]. 楊小玲.浙江大學(xué) 2016

碩士論文
[1]基于無人機(jī)影像的小麥葉綠素含量及產(chǎn)量定量反演研究[D]. 劉小輝.安徽大學(xué) 2019
[2]基于深度學(xué)習(xí)的無人機(jī)影像車輛提取[D]. 項(xiàng)陽.江西理工大學(xué) 2018
[3]松嫩平原農(nóng)作物長勢遙感監(jiān)測研究[D]. 張亮.哈爾濱師范大學(xué) 2018
[4]基于機(jī)器視覺的大棗檢測分級技術(shù)的研究與實(shí)現(xiàn)[D]. 王春普.陜西科技大學(xué) 2018
[5]基于BP神經(jīng)網(wǎng)絡(luò)的田間雜草識別技術(shù)的研究[D]. 楊建姣.吉林農(nóng)業(yè)大學(xué) 2017
[6]農(nóng)用遙感固定翼無人機(jī)飛行姿態(tài)控制系統(tǒng)的研究[D]. 劉超.東北農(nóng)業(yè)大學(xué) 2016
[7]基于雙目視覺的雜草識別系統(tǒng)研究[D]. 王璨.山西農(nóng)業(yè)大學(xué) 2015



本文編號：3579099