基于机器视觉的无人机油菜长势调查研究
发布时间：2020-02-22
摘要:精准农业以实时准确地获得作物生长信息为前提，可精确调控各种环境因素，促进农业物资合理利用和实现高产。在各种生长信息中，作物长势相关的参数是研究的重点。基于无人机的作物长势调查能够适应农田的复杂环境，在作业效率和降低成本上也有明显的优势。为此，开发了基于机器视觉的油菜长势调查方法，利用无人机搭载数码相机拍摄油菜图像，经过机器视觉分析处理后区分不同生育时期的油菜。以H分量值作为与生物量相关的特征参数，用于反映油菜的长势。在实际的应用中，建模样本的H值与实测生物量之间存在极显著的相关性，建立的模型准确计算出检验样本的生物量，为油菜的长势调查和产量预测提供了依据。
关键词:机器视觉;无人机;油菜;长势;生物量
0引言
近年来，我国人口持续增长，农业耕地面积却日益减少，加剧了农产品需求与农业生产力之间的矛盾。因此，在现有的耕地上如何获得最大的产出，成为一个重要的研究课题。为了缓解这个矛盾，人们在原有的生产方式基础上引入各种新型技术，探索出更加高效的农业生产模式。精准农业是新型农业生产模式的一种，它从农业可持续发展的基本点出发，努力提高现有土地资源的利用率，使农业生产资料得到更为合理的配置，从而优化农业生产环境[1]。
.精准农业实施的前提是实时准确地获得作物生长信息和环境信息，经过分析诊断后精确调控各种环境因素，促进农业物资合理利用并实现高产[2]。在现代农业体系中，作物生长的环境信息可以通过物联网和无线传感网络获取，采集的难度不大。崔世钢等在Android系统中设计了一个植物生长柜的监控程序，可以对多种环境因子进行监测和控制[3]。施连敏等利用无线传感网络构建了蔬菜生长环境的监测系统，还具有环境信息显示和存储功能，可以作为智能决策和控制的技术支撑[4]。
与环境条件相比，作物的生长状态信息种类繁多，且相互之间关联复杂，对采集方式的要求更高。
在各种生长信息中，作物长势相关参数是研究的重点。作物的长势包括外部性状和内部性状，外部性状是植株的大小、形状和颜色等，可以直接观察的外观特征，是作物健康状况的直观反映和产量预测的基础;内部性状包括各种生理代谢状况和生理生化指标，是外部性状形成的原因。刘业亮和贾彪分别基于ZigBee无线传感器网络和“互联网+”技术建立蔬菜和玉米的远程监控平台，可以采集作物的生长态势，为诊断决策提供依据[5-6]。目前已有无线传感器和多维图像等多种先进技术应用到了作物长势监控系统中，覆盖了玉米和小麦等作物[7-9]。
大部分的作物长势监控系统是依托设施农业建设的，安装在特定的位置，检测固定区域内的作物生长。这些系统的稳定性好，检测的性状种类较多，但受到覆盖范围的限制，无法进行大规模的作物长势调查。无人机的全称是无人驾驶航空飞行器，在20世纪初诞生，发展至今已经形成了具有多种型号和功能的家族。无人机的飞行速度快，机动灵活性强，非常适合作为作物信息采集的平台。基于无人机的作物信息采集方法能够适应农田的复杂环境，在作业效率和成本上也有着明显的优势，是农田作物信息采集的重要手段。王妮利用无人机和多光谱传感器提取不同种植条件下的小麦冠层反射率，构建了小麦的长势监测和产量预测模型[10]。周祥利用无人机搭载的多种相机拍摄水稻不同时期的影像，通过光谱和纹理等特征分析植被指数与叶面积指数和产量之间的关系，构建了水稻产量的预测模型[11]。裴浩杰等利用无人机拍摄冬小麦的高光谱影像，分析了各种内部和外部性状以评价作物长势，筛选到多个能够准确反映综合生长指标的光谱参数[12]。随着无人机技术的不断提升，其在农业领域的应用也将日益广泛。
无人机所搭载的传感器有多种类型，包括数码相机、红外成像仪、光谱相机和激光雷达等。这些设备针对的作物性状不同，采集的精度也存在差异，有各自的适用范围[13]。数码相机拍照是无人机作物长势调查的最普遍方式，图像的后续处理依赖于机器视觉分析。机器视觉以计算机代替人类的视觉，分析拍摄的图像并从中提取目标信息，得到有价值的结果。在农业领域，对作物生长信息的采集是机器视觉的应用内容之一，在多种作物的长势监控上取得了良好的效果[14-16]。
油菜是我国重要的经济作物之一，分布范围广，种植面积大。在部分地区，大规模种植的油菜不仅是油料的主要来源，春季盛开的油菜花还可以作为景观带动旅游产业的发展。因此，加强对油菜长势的调查研究，有利于推动种植区域的经济发展。本文提出了基于机器视觉的油菜长势调查方法，利用无人机搭载数码相机进行航拍，通过机器视觉提取油菜图像中的特征参数，然后分析特征参数与生物量之间的相关性，评价油菜的长势，为准确预测产量提供依据。
1硬件设备
油菜的长势调查设备包括无人机和机器视觉设备。无人机平台采用大疆精灵的Phantom4型智能无人机，飞行时间最长可达30min，定位采用GPS/GLONASS两种模式。无人机的无线通讯为WIFI形式，传输的速度可达Class10，最远距离为7km。无线通讯装置以PID控制方法和通讯接口将数据传送回地面站，具有很好的实时性。飞行控制装置为方向舵、副翼舵和升降舵，通过舵面的偏转调整无人机飞行方向和姿态，从而对航线进行控制，并赋予无人机红外避障的能力。地面站安装大疆DJIGSPro专业版软件，可以规划无人机的飞行路线，实时控制飞行速度、高度和姿态，以及启动相机拍摄。
机器视觉的关键设备是尼康COOLPIXP60型数码相机，安装在无人机的下方，竖直向下拍摄。相机产生JPEG格式的图像，宽度和高度上的像素分别为3264和2448点，经过天创UB570型图像采集卡转换为数字信号后用于视觉分析处理。核心计算机安装在地面站，选用联想扬天M4700型台式电脑。计算机的主要配置为Inteli6中央处理器和10GB的DDR4内存，具有较好的运行速度和稳定性。计算机安装Windows10操作系统和MatLab工具箱，用于进行图像视觉分析和处理结果的存储。
2图像处理
拍摄图像时无人机处于飞行的状态，因此相机与油菜田之间存在相对运动。另外，拍摄的瞬间相机在垂直高度上可能也有变化，或者拍摄角度出现微小的偏转，这些因素都会导致油菜图像中含有噪音，影响成像质量和后续分析的效果。针对这些问题，本文通过对图像进行5×5的中值滤波平滑处理来消除噪音，得到油菜田的原始图像，如图1(a)所示。在拍摄的范围内，相机正下方的位置与相机之间的距离最短，其它越远的位置与相机之间的距离越长，不同位置上的物体在图像中存在畸变。图像的畸变会降低后续特征提取的准确性，本文参考纪寿文等的方法矫正了图像的畸变。原始图像由垄沟和油菜组成，垄沟包括绿色的杂草和灰色的土壤。前人的研究表明:RGB颜色坐标系统中的3个分量对目标和土壤背景的分离效果较差，本文采用HSI颜色坐标系统对图像进行处理，同时克服了光照变化和植物阴影的影响。在HSI颜色空间下以H分量进行灰度化，得到的结果如图1(b)所示。
图像中的油菜处于蕾薹期和开花期，蕾薹期的油菜为绿色，始花期为绿色夹杂黄色，盛花期为黄色。这里以生物量作为反映油菜长势的指标，从蕾薹期至盛花期生物量逐渐增大。因此，从图像中提取与生育时期相关的特征参数，便可以对油菜的长势进行评价。图像中的颜色种类较少，RGB色彩空间难以全面反映特征参数。HSI色彩空间中的3个分量分别为色调H、饱和度S和亮度I，不同生育时期油菜之间的色调H变化最大。因此，将H分量做最大类间方差分析后进行二值化处理，从直方图中获得最大阈值T1、T2和T3。阈值分割得到垄沟、蕾薹期油菜、始花期油菜和盛花期油菜的图像区域，分别用黑色、深灰色、浅灰色和白色表示，如图1(c)所示。
3试验结果与分析
2018年，对油菜长势调查方法的效果进行试验，试验地点位于新疆维吾尔自治区石河子市南山新区，地处天山北麓中段的洪水冲积平原，属于温带大陆性气候，日照充沛，降雨量较少。试验区域的土壤为灰潮土，种植的油菜品种为新油2号，按照常规的方式栽培。在油菜从蕾薹期向开花期过渡时采集田间影像，采集时间为上午9:00-11:00，天气多云无风，具有较好的能见度。无人机的飞行高度100m，速度5m/s。
采集田间影像进行机器视觉分析，同时在试验区内均匀选择30个1m×1m的取样点。收获取样点内的油菜地上部分，烘干水分至恒重，然后称量实际的生物量;将机器视觉图像中各取样点的H值除以2π，使H值处于0～1之间，用于建立生物量的计算模型;30个取样点随机选择15个作为建模样本，剩余15个作为检验样本。
H值与建模样本生物量实测值的回归分析如图2所示。其回归方程为y=3344.7x+934.76，决定系数为0.864，达到了极显著的相关性，表明机器视觉图像中的H值可以用于估算油菜的生物量。用上述的模型估算15个检验样本的生物量，并与实测值进行拟合分析，结果如图3所示。
回归方程的决定系数和斜率都接近1，分别为0.940和0.960，表明建立的模型可以准确计算油菜的生物量，能够用于油菜长势的评价。
4结论
提出了基于机器视觉的油菜长势调查方法，利用无人机搭载数码相机拍摄油菜田的图像。机器视觉分析软件对图像依次进行预处理和HIS色彩空间中的灰度化，然后通过阈值分割将图像划分为垄沟和不同生育时期的油菜。以H分量值作为与生物量相关的特征参数，用于反映油菜的长势。在实际的应用中，H值与建模样本的实测生物量之间存在极显著的相关性，以此建立的模型可以准确计算油菜的生物量，能够用于油菜长势的评价，为产量预测提供依据。
相关期刊推荐：《机器人技术与应用》(双月刊)1988年创刊，是公开发行的科技刊物，国际机器人联合会会员单位，在国内自动化领域享有很高的声誉，国外亦有一定的影响。本刊主要报道工业自动化和机器人领域的相关理论、技术与应用等方面的新进展情况，涵盖面广，集知识性与趣味性于一体，具有很强的技术性和可读性。
