基于高分辨率無人機影像的噴藥除草效果評估

琚書存 汪志存 張東彥

摘要：針對快速檢測農藥噴灑效果和農藥利用率問題，通過設計1組噴藥對比試驗，分析不同區域雜草的顏色特征（RGB）、顏色空間轉換特征（HLS、HSV）、紋理特征（mean、variance等）、可見光波段植被指數（EXG、EXR、VDVI等），比較各個特征及指數在噴藥和對照區的差異，篩選出最優特征或指數進行閾值分割;在此基礎上，計算噴藥前后雜草像元數評估無人機噴藥的除草效果。試驗結果表明，利用歸一化過紅、過綠植被指數之差（EXG-EXR）可有效檢測噴藥除草效果，該方法能夠為提高農田噴藥效果提供技術支持。

關鍵詞：無人機;可見光波段;顏色特征;植被指數;噴藥試驗

無人機（unmanned aerial vehicle，簡稱UAV）可以進行播種、施肥、噴藥、產量評估以及病蟲害檢測等多種操作，與其相關的技術正在快速地推動農業信息化的發展[1]。無人機遙感具有低空觀測、機動靈活、成本相對較低等優勢[2-4]，是提高農業機械化發展的重要技術力量[5]。

大田農藥噴灑效果問題一直是關乎農作物產量的關鍵性問題[6]。農藥噴灑太少或者不均勻都會影響作物病蟲害防治效果，既關系到作物產量和品質，也會產生生態環境污染問題。所以如何借助無人機遙感促進大田農藥噴施技術發展以及效果評估，成為當前農業生產關注的熱點問題之一。

試驗分為噴藥、非噴藥的2塊區域，在此基礎上，進一步劃分出均勻噴藥區域、飄移區域和地塊邊緣區域。試驗思路是通過分析各個區域的圖像特征找出差異;計算9種常見的植被指數[7]并確定最能表征噴藥效果的植被指數。最后利用RGB（紅光、綠光、藍光）顏色波段、可見光波段植被指數和支持向量機[8]3種圖像閾值分割方法來直觀顯示噴藥除草效果。由于基于像元的方法[9]在農田作物的檢測方面效果良好[10-12]，本研究最終利用基于像元的方法作出噴藥率估算，研究結果旨在為今后農業生產中無人機噴藥效果評估提供借鑒。

1 材料與方法

1.1 研究區概況

試驗地點位于安徽省合肥市廬江縣白湖鎮白湖農場。無人機圖像拍攝時間分別為2018年4月20日、4月28日 13：00 至14：00之間?？偯娣e0.37 hm2。4月20日天氣狀況為多云，風力為南風2級。4月28日天氣狀況為多云、風力為東南風2級。噴藥時間為4月24日，天氣狀況為多云，風力為西北風1級，適宜開展無人機噴灑作業。噴藥前后田塊對比見圖1。

1.2 試驗設計

試驗地塊分為2塊相同大小、種植密度相同的區域，雜草為芒草（Miscanthus），除草劑為草甘膦。其中一個區域不進行無人機噴藥，稱為非噴藥區。另一個區域則進行噴藥處理，稱為噴藥區。由于風向的原因，無人機在噴灑農藥時會發生不同程度的農藥霧滴飄移。根據田間調查并結合無人機拍攝的高清圖像，可看到明顯的飄移區（圖2）。根據圖像成像效果，試驗地塊被分為飄移區、均勻噴藥區、地塊邊緣區、噴藥區、非噴藥區5個區域，無人機拍攝各個劃分區域見圖2。

1.3 無人機系統介紹

無人機型號為大疆公司生產的精靈4 pro，搭載高分辨率相機，在40 m飛行高度下，空間分辨率約為1 cm，2條航線覆蓋整個試驗區。試驗當天微風，設置飛行速度為3.5 m/s。

本試驗所用圖像裁剪工具為ENVI 5.3，圖像拼接采用PhotoScan 1.4.1軟件。

2 結果與分析

2.1 整體區域數據處理

4月20日、4月28日2個時期整體區域顏色波段分量結果見表1，其中R、G、B分別代表RGB顏色空間的紅光、綠光和藍光波段均值;H、L、S分量分別代表HLS顏色空間的色相（hue）、亮度（luminance）和飽和度（saturation）均值;H、S、V分量分別代表HSV顏色空間的色相、飽和度和明度（value）均值。為了更直觀地看出差異，還進行了常見可見光植被指數計算，包括歸一化紅植被指數（R*）、綠植被指數（G*）、藍植被指數（B*）;歸一化過綠植被指數（EXG）[13]、過紅植被指數（EXR）[14];可見光波段差異植被指數（VDVI）[15]、歸一化綠紅差異指數（NGBDI）、歸一化綠藍差異植被指數（NGRDI）[16]，表2為所用到的可見光波段植被指數，計算公式如下：

2.2 局部區域數據處理

從圖2可以看出，非噴藥區域的雜草健康生長，而噴藥區域的大多數雜草已被除去。從顏色特征和可見光波段植被指數中可以觀察出2個區域在前期沒有明顯差異，但是在后期噴藥區域比非噴藥區域的R波段值上升快，且G波段值下降要快，而最明顯的變化差異反映在EXG-EXR植被指數上（表3、表4）。

無人機在飛行過程中是沿主航線直線飛行，噴灑農藥時由于風向的影響，使得一部分農藥霧滴被風吹離主航線，偏離了預設的噴灑路線，造成了農藥噴霧中的飄移現象。部分農藥霧滴向西北方向偏移，從圖2可以看到一塊飄移區域。這個現象在無人機噴藥的過程中較常見，是會影響農藥噴灑效果和農藥覆蓋度均勻性的重要因素。本研究著重觀察了農藥在飄移區域對雜草的除草效果，試驗發現飄移區域的雜草除草率要高于其他噴藥區域;地塊邊緣區域的雜草除草率要高于飄移區域，在顏色特征和植被指數都有所差異。

2.3 紋理特征分析

試驗過程中對不同區域也進行了紋理特征分析，取均值、方差、熵、偏離度4種紋理特征值（表5）。試驗選取各個區域R、G、B波段的均值（圖3）。從表5可以看出，4月20日同一區域的R、G、B波段中G波段均值最高，而4月28日除了非噴藥區域以外其他區域的R、G、B波段中R波段均值最高。4月20日同一區域的R、G、B波段之間均值差異相對于4月28日的R、G、B波段之間均值差異更大，主要原因在于后期經過噴藥除草后各個區域地表裸露出來、雜草減少。從方差分析來看，4月20日同一區域的R、G、B波段中G波段方差均值最高，而4月28日除了非噴藥區域以外其他區域的R、G、B波段中R波段均值最高。從熵分析來看，2個時期中各個區域R、G、B波段的熵值差異不大，非噴藥區域熵值相對偏高，飄移區域熵值相對偏低。2個時期中各個區域的偏離度極低且差異很小。

從圖3可以看出，飄移區域、地塊邊緣區域、均勻噴藥區域3個區域分別在2個時期的紋理特征無明顯差別。表明從紋理特征中能觀察出噴藥前后雜草的變化。

2.4 基于圖像分割的除草率計算

利用G-R波段自動閾值分割后的二值化圖像作為掩膜，提取分割出植被。統計前后2個時期的植被像素數，最后分別計算出均勻噴藥區域、飄移區、地塊邊緣區的除草率，并比較它們之間的差別。平均每15個像素代表1株植被，經過試驗統計，4月20日地塊邊緣區、均勻噴藥區、飄移區的G-R圖像分割效果見圖4-b。

從表2、表4可以看出，EXG-EXR植被指數均值在各個區域都有比較明顯的差別，故利用EXG-EXR植被指數二值化后的圖像做閾值分割提取出植被。發現這種方法更能提取出健康的雜草，比G-R的分割方法精確度更高，計算出的除草率也更高。4月20日地塊邊緣區、均勻噴藥區、飄移區的EXG-EXR圖像分割效果見圖4-c。

從圖4-a從左到右分別是4月20日地塊邊緣區、均勻噴藥區、飄移區的原圖，圖4-d左、右2個圖分別是圖4-b、圖4-c中地塊邊緣區域紅色方框所在的局部放大。從 圖4-d 可以發現，EXG-EXR閾值分割圖比G-R閾值分割圖更加精細，即EXG-EXR閾值分割去除了原圖當中一些發白和偏黃的雜草像元，最后只保留健康的雜草像元。實際當中偏黃和發白的雜草隨著時間的推移會逐漸死亡，所以 EXG-EXR閾值分割的效果更加貼近于真實的除草情況。

試驗也利用支持向量機（support vector machine，簡稱SVM）從不同區域中隨機取健康雜草100個像素點和背景100像素點的RGB值進行訓練，利用訓練的模型對原圖進行分類。發現支持向量機的方法計算出的除草率偏低，跟實際情況偏差較多，而且模型訓練過程繁瑣、計算精度跟取樣點大小有關，所以SVM方法不適合大范圍拍攝、研究對象個體較小且數量多的條件下的圖像分割。計算所得的除草率見表6。除草率計算為公式（2）。

試驗中利用樣方法對原圖各個區域進行采樣，人工手動記錄采樣樣方的植被和背景像元數，計算二者的比值作為實測的除草率。對比3種方法的除草率發現，在均勻噴藥區中G-R閾值分割和EXG-EXR閾值分割的除草率跟實測值90.249%最為相近，除草率分別為95.014%、97.580%，基于SVM方法測得的除草率僅為70.504%，主要是SVM方法訓練樣本偏少，不能準確估計大面積雜草的除草率（表6）。

3 討論與結論

3.1 特征分析

分別選取表1、表2、表3和表4的全部數據制成折線圖形式，如圖5-a、圖5-b、圖5-c和圖5-d所示。

整體區域由于后期噴灑農藥除去了很多雜草，整體區域顏色偏黃，因此4月28日的R、B、B*、R*、EXR值比4月20日的高，而G、G*、H、S、EXG、NGBDI、NGRDI值比4月20日的低。

4月20日噴藥區域與非噴藥區域差別不大，而4月28日二者的區別很明顯。噴藥區R、B、B*、R*、EXR值比非噴藥區域高，而G、G*、H、S、EXG、EXG-EXR、NGBDI、NGRDI值比非噴藥區域低。噴藥區域的紋理特征比非噴藥區域小，主要因素是雜草噴藥后枯萎失綠，背景土壤暴露出來，導致紋理特征值偏低。

飄移區域、均勻噴藥區域、地塊邊緣區域：從RGB、HLS、HSV 3個顏色空間特征來看，2個時期的飄移區域、地塊邊緣區域、均勻噴藥區域各分量均值依次遞增。從植被指數來看，4月20日正常噴藥區域和飄移區域的植被指數差別不大，而地塊邊緣區的EXG-EXR、VDVI、NGBDI、NGRDI值低于前二者，從側面說明地塊邊緣區播種的密度相對較低。4月28日 3個區域的植被指數值并沒有明顯差別。

3.2 除草率對比

從G-R閾值分割法來看，地塊邊緣區、飄移區、均勻噴藥區除草率依次遞減。原因在于均勻噴藥區的雜草長勢比較旺盛，播種比較均勻，所以在噴藥后所殘留的雜草較多。地塊邊緣區雜草相對播種較少，無人機噴灑的農藥也能覆蓋到此區域。故地塊邊緣區的除草率最高。

從數據上來看，飄移區并沒有因為農藥飄移的原因而產生過度影響，其除草率也很高。無人機的路線是直線飛行，當某一瞬時風向使農藥以霧滴的形式降落到飄移區，故飄移區的除草率也相對較高。試驗結果表明，飄移區域的除草率與均勻噴藥區的除草率沒有明顯差別，即飄移現象對雜草的除草效果沒有明顯不好的影響。但是飄移現象會造成農藥的浪

費，還可能會造成某些區域的噴灑不均勻，為避免這種現象發生，應該在風力較小的情況下用無人機噴灑農藥或者通過無人機遙感航空制圖后針對性地實施補救措施。

數據顯示基于EXG-EXR閾值分割的方法計算出的除草率更高一點，主要是這種方法更能有效地分割出綠色植物，去除了一些已經死亡但是仍存在地里的雜草，所以對健康綠色雜草的分割更加精確，也使得除草率的計算更加準確。因此EXG-EXR閾值分割方法比G-R閾值分割方法更好。

本試驗探討了在復雜背景、目標物體繁多且小的情況下，分割處理方法及機器學習方法的處理效果，并對農業噴藥中常見的飄移現象進行了分析。試驗驗證了EXG-EXR植被指數分割效果相對于傳統分割方法效果更好，且佐證了基于SVM的機器學習分割方法在處理樣本多且尺寸細小物體時效果并不理想，而且工作量很大。本試驗填補了國內利用EXG-EXR植被指數進行噴藥除草評估應用的空白，能為大面積噴藥除草效果評估提供借鑒。同時，隨著多光譜、高光譜等新型傳感器的使用，也為更加精準的農藥噴灑評估提供了新的技術支持。

參考文獻：

[1]金 偉，葛宏立，杜華強，等. 無人機遙感發展與應用概況[J]. 遙感信息，2009（1）：88-92.

[2]李 冰，劉镕源，劉素紅，等. 基于低空無人機遙感的冬小麥覆蓋度變化監測[J]. 農業工程學報，2012，28（13）：160-165.

[3]Zhang C H，Kovacs J M. The application of small unmanned aerial system for precision agriculture：a review[J]. Precision Agriculture，2012，13（6）：693-712.

[4]Everaerts J. The use of unmanned aerial vehicles（UAVs）for remote sensing and mapping[J]. Remote Sensing and Spatial Information Sciences，2008，144：1187-1191.

[5]汪 沛，羅錫文，周志艷，等. 基于微小型無人機的遙感信息獲取關鍵技術綜述[J]. 農業工程學報，2014，30（18）：1-12.

[6]王 玲，蘭玉彬，Hoffmann W C，等. 微型無人機低空變量噴藥系統設計與霧滴沉積規律研究[J]. 農業機械學報，2016，47（1）：15-22.

[7]汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，2015，31（5）：152-159.

[8]Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks，1999，10（5）：988-999.

[9]郭 鵬，武法東，戴建國，等. 基于無人機可見光影像的農田作物分類方法比較[J]. 農業工程學報，2017，33（13）：112-119.

[10]Miao R H，Tang J L，Chen X Q. Classification of farmland images based on color features[J]. Journal of Visual Communication and Image Representation，2015，29（2）：138-146.

[11]Sklenicka P. Classification farmland ownership fragmentation as a cause of land degradation：a review on typology，con-sequences，and

remedies[J]. Land Use Policy，2016，57（3）：694-701.

[12]Mesas-Carrascosay F J，Notario-Garcia M D，de Larriva J E M，et al. Validation of measurements of land plot area using UAV imagery[J]. International Journal of Applied Earth Observation and Geoinformation，2014，33（5）：270-279.

[13]Mao W H，Wang Y M，Wang Y Q. Real time detection of between-row weeds using machine vision[C]. Las Vegas，Nv July，2003.

[14]龍滿生，何東健. 玉米苗期雜草的計算機識別技術研究[J]. 農業工程學報，2007，23（7）：139-144.

[15]楊 柳，陳延輝，岳德鵬，等. 無人機遙感影像的城市綠地信息提取[J]. 測繪科學，2017，42（2）：59-64.

[16]江 洪，汪小欽，吳 波，等. 地形調節植被指數構建及在植被覆蓋度遙感監測中的應用[J]. 福州大學學報（自然科學版），2010，38（4）：527-532.張 悅，施 維，李 丹，等. 禾谷鐮刀菌全基因組候選效應因子預測與分析[J]. 江蘇農業科學，2019，47（6）：81-84.