無人機高清數碼圖像在農田作物信息獲取中的應用

張黎黎

我國是農業大國，農業是國民經濟的重要組成部分。傳統的農作物營養診斷和病蟲草害監測主要依靠專業工作人員田間取樣和調查，具有耗時、費力、效率低、主觀性強等缺點。衛星圖像的空間分辨率較低、獲取成本高，且容易受到空中云層的遮擋。相比之下，無人機飛行成本低、操作便捷、影像獲取速度快、影像分辨率高，依據無人機高清數碼圖像構建農作物生長監測模型指導農作物精準管理，能夠大幅提高農作物田間管理效率，為精準農業提供理論依據。

1 無人機數碼圖像獲取平臺

以無人機為飛行平臺，搭載高清數碼相機，實時、快速地獲取高空間分辨率的農作物冠層數碼圖像?？梢赃x擇小型多旋翼無人機，飛行穩定，不需要太大的起降平臺，如大鵬CW-10，大疆精靈4、大疆inspire 1 RAW等?？梢赃x擇重量輕、分辨率高、防抖動效果好的數碼相機，如無人機內置高清相機、DSCQX100、佳能EF-M18-55等。

2 無人機數碼圖像分析方法

對于獲取的無人機數碼圖像，通常計算小區作物的顏色指數、紋理特征等圖像特征信息，通過相關性分析排除相關性低的特征，并采用方差膨脹因子進行多重共線性分析。顏色指數有可見光大氣阻抗植被指數（VARI）、歸一化差分植被指數（NDI）、改良綠紅植被指數（MGRVI）、超紅植被指數（ExR）、超綠植被指數（ExG）等。紋理特征指數有對比度（CON）、相關性（COR）、熵（ENT）、同質性（HOM）、二階矩（SM）等。楊福芹等獲取冬小麥挑旗期和開花期無人機數碼圖像和對應的地面農學參數，結合相關系數和方差膨脹因子篩選顏色指數。劉楊等構建馬鈴薯無人機數碼圖像的顏色指數和紋理特征，結合實測地上生物量數據進行相關性分析對相關系數絕對值較大的指數和特征進行篩選。

3 基于無人機數碼圖像的生長參數估計

基于篩選的圖像特征和實測農學參數，構建反演模型，再從反演結果中選出最優的模型。楊福芹等通過偏最小二乘回歸建立冬小麥挑旗期和開花期的氮營養指數反演模型。徐權等將顏色指數與大律法、形態學濾波法相結合，獲取棉花出苗信息，用于構建棉花產量估算模型。李昂等通過提取無人機圖像中的水稻穗數量，并代入產量估算公式進行估產。馬明洋等通過BP神經網絡建立了水稻SPAD反演模型。

4 基于無人機數碼圖像的作物分割

當農作物的植被覆蓋度較低時，農作物沒有完全覆蓋小區，拍攝的無人機數碼圖像中包含大量的非作物像素。如在小麥越冬前期，由于麥苗沒有完全覆蓋地面，圖像的相關系數總體偏低。作物分割算法能夠提取圖像中的作物像素，排除其他非作物的干擾，有效提高模型估計精度。熊雄等提出水稻穗分割算法Panicle-SEG，采用卷積神經網絡和超像素優化的深度學習方法?？紤]到監督學習方法需要大量的標記訓練數據，算法的性能極大依賴于訓練集的質量，Hayat等提出提出非監督貝葉斯的水稻穗分割方法。曹英麗等提出將圖像轉換到Lab顏色空間，采用非監督GMM算法對分蘗期水稻無人機數碼圖像進行分割，比RGB顏色空間下的圖像分割效果更好。

5 結論

目前無人機數碼圖像的作物生長參數估計研究較多，但是距離真正落地應用還有較大的距離。但該技術有巨大的發展潛力和應用價值。未來需要將前沿的機器學習、深度學習等技術與農業深度結合，使無人機數碼圖像分析技術走向成熟。