服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例>>农业环境
东北粳稻叶绿素相对含量的无人机高清影像检测方法

东北粳稻叶绿素相对含量的无人机高清影像检测方法

image.png


1材料与方法

1.1 研究区域概况

试验地位于辽宁省沈河区沈阳农业大学的研究所育种实验田(123°33′E,41°49′N)。试验材料选择在东北具有广泛种植的中熟粳稻-沈稻 47,由沈阳农业大学农学院提供。实验田大小为936m2(36m×26m),总共18个小区,面积 8m×5m,采用完全随机排列,保护行宽度为 1m,单灌单排,小区之间采用挡肥板,为了使水稻的 SPAD形成梯度,1~14 号小区氮磷钾采用 4 个水平:0 水平指不施肥,2 水平指当地推荐的最佳施肥量,1 水平(指施肥不足)=2 水平×0.5,3 水平=2 水平×1.5(该水平为过量施肥水平),15~18 小区采用微量元素处理(表 1),除施肥措施外,其他田间管理措施一致。

 1  3414 处理的施肥图

image.png

1.2 数据获取

1.2.1 无人机高清影像数据

采用无人机搭载 X5 相机, 获取 18 个小区的高清数码影像 ,1600 万像素 , 借鉴JIA 等获取小麦图像的方法,采集当天天气晴朗无云,采集时间 10∶00 至 14∶00,太阳光辐射强度稳定,日照较强,不同时间拍摄出来的图片受光照影响的变化较小,同时以标准白色比色板进行校正,垂直高度距离地面5m(距离水稻冠层 4m),垂直拍摄 ,整个拍摄过程光照强度在 2600~2950lx,镜头均采用广角 ,设置为 10mm,光圈自动,手动对焦到无穷远,拍摄采用自动白平衡模式,图像储存格式为 raw,曝光时间在 1/6~1/5s 之间,分辨率可达到 4608*3456,所获取的单个水稻冠层面积约为 8m×5m 的长方形。

1.2.2 田间监测 

SPAD 数据采用便携式叶绿素仪 SPAD-502 活体采集粳稻SPAD,测量部位在叶片的中部,中部上、下 3cm 处,取 3 处测定值的平均值表示该叶片的 SPAD,对每个小区随机选取采样区域,每个采样区域定 3 穴,即选择 3 株长势相近无损伤的植株进行测定,每株测定 10 张叶片,即每个采样点测量 30 个叶片,依据拉依达准则去除粗大误差后求平均值作为一个采样点的 SPAD,每次采集间隔时间为 30d,即对分蘖期、拔节孕穗期和抽穗灌浆期各采集 1 次 18 个小区的 SPAD 数据,共采集 54 组数据。



2 图像去背景和特征参数计算及筛选

2.1 图像去背景

采用 GPS 定位截取出对应采样区域的水稻冠层图像,利用 Matlab 对没有长出稻穗的水稻图像采用阈值分割的方法,提取出水稻叶片图像(图 1)。 抽穗灌浆后期有稻穗的水稻图像,仅仅采用阈值分割已经不能满足,首先采用 K 均值聚类分割法去除稻穗,然后再采用阈值分割(图 2),提取分割后的采样点叶片图像非 0 像素点的 R、G、B 分量,分别计算平均像素值作为基础颜色参数 R、G、B 值。

image.png

 原始图像                                         阈值分割后图像

 1  无稻穗的图像处理


image.png

原始图像                k均值去除稻穗后图像               阈值分割后图像

图 2  有稻穗的图像处理(图中黑色部分为水土或者粳稻残体)


2.2 分割后的水稻冠层图像特征参数计算

用 R、G、B 及 G/R、G/B、B/R、R-B、G-R、NRI、NGI、NBI 共 11 种常用的特征参数组合,对粳稻的 SPAD 状况进行描述。 其中 R、G、B 分别代表红光、绿光和蓝光亮度值,G/R、G/B、B/R 分别代表绿光和红光亮度比值、绿光和蓝光亮度比值、蓝光和红光亮度比值,R-B 和 G-R 分别代表红光和蓝光亮度差值以及绿光和红光亮度差值,NRI(normalized redness intensity)、NGI(normalized rgreenness intensity)、NBI(normalized blueness intensity) 分别代表红光标准化、绿光标准化、蓝光标准化,参数计算方法为:

NRI=R/(R+G+B)

NGI=G/(R+G+B)

NBI=B/(R+G+B)

对于图像特征参数和 SPAD 用 Microsoft Excel 2003 软件进行筛选分析, 并去除一些由于偶然因素造成明显的误差的数据,去除奇异值后,最终保留 49 组数据。


2.3 图像特征参数的筛选

将分蘖期、拔节孕穗期、抽穗灌浆期的粳稻的 49 组 SPAD 数据与对应的 11 种图像特征参数进行相关性分析,筛选出与 SPAD 高度相关的图像特征参数进行建模,根据统计学的划定,相关系数|r|≥0.8 时,视为高度相关;0.5≤|r|<0.8 时,视为中度相关;0.3≤|r|<0.5 时,视为低度相关;|r|<0.3 时,表示两者相关性很弱,可视为无关。 从表 2 可以看出 NRI、B/R 和 R-B 的皮尔森相关系数均大于 0.8, 为高度相关,R、B、NBI、G/R、G/B 和 G-R的皮尔森相关系数在0.5 到0.8之间,为中等程度相关,G 和 NGI 与 SPAD 可视为无关或弱相关,说明 NRI、B/R、R-B 这3种颜色参数能够很好的反映粳稻 SPAD 的变化 , 因此可以筛选出与 SPAD 高度相关的 NRI、B/R、R-B 这3种图像特征参数进行 SPAD 反演建模。

表 2粳稻叶片相对叶绿素含量 SPAD 和颜色参数 RGB 及其组合的相关性分析

image.png

image.png

图 3 图像特征参数与 SPAD 的关系



3 NRI、B/R、R-B 与 SPAD 建模

3.1 基于一元线性回归的粳稻 spad预测模型构建

本研究选取相关性达到高度相关的图像特征参数 NRI、B/R 和 R-B 分别与 SPAD 构建的一元线性回归模型,去除奇异值后的监测样点数据80%(39 组)用于模型的构建,剩余的 20%(10 组)进行一元线性回归模型精度测试,用均方根误差 RMSE(root mean square error)对比预测效果。由表 3 可知,基于 NRI、B/R 和 R-B 颜色参数组合的拟合模型都能很好反映粳稻生育期 SPAD 与颜色特征参数的定量关系, 构建的粳稻 SPAD 估算模型预测误差均较小,RMSE 分别为 1.51,1.70,1.72,反演精度较高。


3.2 基于 BP 神经网络的粳稻 SAPD预测模型构建 

BP(back propagation)网络是一种多层前馈网络,引入了误差逆传播算法,是目前实际应用中最常见的神经网络。BP 网络学习属于有监督式的学习,需要样本集和已知的目标输出,基本原理是:训练时采用随机值作为权值,由学习样本得到网络输出,根据输出结果和目标结果的误差,逆向传播修改(迭代)各节点的权重和阈值,减小代价函数,减小误差,如此反复,直到达到设定的要求,网络训练结束。BP 神经网络模型拓扑结构由输入层 (input)、隐藏层 (hide layer)和输出层 (output layer)组成 ,将颜色参数NRI、B/R 和 R-B 作为模型输入矢量 P;输出层为粳的 SPAD;学习目标 T 与构建一元线性回归模型的样本数一致为 39 组,测试样本选择剩余的 10 组样点数据。 训练数据和测试数据的输入输出均归一化处理,归一化的方式为 y=(x-min)/(max-min),x 为代表颜色数 NRI、B/R 和 R-B,y 代表归一化后的 NRI、B/R 和 R-B, 激活函数和输出函数均是 sigmoid 函数,训练采用带动量因子的随机梯度下降法进行训练,学习率为 0.001,动量因子为 0.9,隐藏层数为 1,不断调整隐层的节点数,发现最佳神经元个数为 80,训练误差收敛到 0.0081。


3.3 SPAD反演精度比对

为了比较 BP 神经网络相对于传统的一元线性回归分析预测 SPAD 的精确度, 选取剩余的 10 组数据进行BP 神经网络模型精度测试,将测试样本代入反演模型对粳稻的 SPAD 进行预测,同样用均方根误差法(RMSE)检验预测值和实际观测值的符合度(图 4)。 结果表明,基于 NRI、B/R 和 R-B 的多特征输入的 BP 神经网络模型,模拟误差(RMSE)仅为 1.35,相对一元线性回归预测模型中精度最高的图像特征参数 NRI 的预测模型(表 3),模拟精度有一定的提高,提升了 11%。

 3 NRI、B/R 和 R-B 的模型

image.png

image.png

 4 BP 神经网络预测粳稻 SPAD 误差


4 讨论与结论

与采用叶绿素仪方法测定水稻冠层 SPAD 相比,利用无人机低空遥感可以快速获取大尺度水稻冠层参数,且与卫星遥感相比,具有更好的实时性。 目前,大多数研究均采用地面辅助装置垂直拍摄田间水稻冠层数码影像,为提高水稻冠层高清影像的获取速度,本文利用无人机机动灵活的特点,搭载高清数码相机快速获取水稻冠层影像, 进而探索无人机遥感反演 SPAD 的可行性, 通过相关性分析发现,NRI、B/R、R-B 与粳稻冠层SPAD 高度相关 ,其中 NRI 的相关性最高达到 0.91,该结果与王远等人的研究结果相符 ,进一步说明了用冠层颜色参数反演水稻 SPAD 是可行的。目前,利用颜色参数和 SPAD 进行建模的主要方法为一元线性回归,本研究利用三种颜色参数进行拟合,均方根误差分别为 1.51,1.70,1.72。 同时,利用 NRI、B/R、R-B 作为 BP 神经网络的多输入特征进行建模,经检验,模型的 RMSE 可达到 1.35,比一元线性回归提高 11%,说明利用 BP 神经网络的非线性拟合具有更好的效果。 研究结果说明基于无人机高清影像反演东北粳稻 SPAD 切实可行,相较于一元线性回归,基于 NRI、B/R和 R-B 的多特征输入的BP 神经网络模型预测粳稻 SPAD 具有更好的拟合效果。


Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1