基于水稻群體監控系統的植被覆蓋度模型對比研究

呂霞 馬向陽 冮地 房圣東 王彥剛

摘要：設計一種基于無人機影像的水稻群體監控系統，預處理獲取圖像后使用多種模型計算植被覆蓋度，對比模型準確度。結果表明：Otsu灰度閾值分割、邏輯回歸和樸素貝葉斯的模型算法誤差在4%～5%之間，誤差度在可接受范圍內;KNN算法中，K取不同值時模型準確度有較大差別，K=4時誤差最小為3.96%;Kmeans算法中，K取不同值時模型準確度也有較大差別，K=4時誤差最小為2.56%。

關鍵詞：水稻;監控系統;影像;無人機;植被覆蓋度

中圖分類號：S511;S126? ? 文獻標識碼：A? ? 文章編號：1674-1161（2022）01-0047-02

收稿日期：2021-11-30

作者簡介：呂 霞（1979—），女，碩士，高級工程師，從事農業機械化研究工作。

水稻是我國重要糧食作物，生長期環境改變、土壤成分變化、施肥時間及用量、品種差異等因素，均對其產量和質量產生影響。實現對水稻生長期全過程智能化監控，有利于解決諸多問題。作物監控系統已成為當下農業科研熱點，可用于服務精細化農業，了解作物生長狀況，控制作物生長發育，提高作物產量和質量。通過無人機搭載影像系統，建立數據庫獲取分析技術平臺，可實現對農作物的群體監控。設計一種基于無人機影像的水稻群體監控系統，通過預處理獲取圖像，對比幾種植被覆蓋度模型的預測準確度，進而為作物群體監控系統提供依據。

1 材料與方法

1.1 試驗小區設計與無人機圖像采集

試驗于2020年7月18日中午在沈陽農業大學水稻試驗站進行，天氣晴朗，小區面積667 m2。水稻品種“沈稻529”，處于分蘗期。通過大疆創新公司的M600六旋翼無人機搭載川雙利合譜公司的GaiaSky-mini內置推掃式機載高光譜成像系統獲取該小區水稻影像數據，對水稻進行群體監控。

1.2 圖像預處理和樣本庫構建

從小區圖像中截取一部分作為試驗圖，統一選取300×300像素點，方便后期數據處理對比。每個像素點有3 個通道，分別用R，G，B表示。圖片在程序中可表示為1個300×300×3的三維數組，通過函數讀取每點的顏色通道值。在PS軟件中用紅色將圖中水稻部分像素點全部填充，提取紅色像素點，得到二值化圖像，作為水稻實際圖像。在試驗圖的9萬個像素點中按規律選取100 個像素點，讀取每點R，G，B的數值，給每個點打上標簽。水稻像素點標為1，非水稻像素點標為0。將數據存于CSV文件，把JPG圖像和CSV文件放在根目錄下，便于寫程序時讀取。

1.3 水稻識別及圖像分割試驗方法

使用軟件Anaconda捆綁交互式源代碼文本編輯器Jupyter notebook，使用NumPy、matplotlib、Pandas、scikit-learn、scikit-image等Python庫，實現矩陣數學運算、繪制圖形、圖像處理等，并對不同植被覆蓋度模型進行分別處理。

1.4 植被覆蓋度算法構建模型

植被覆蓋度是描述地面植被分布情況的重要參數，在某種程度上反映了植被的生長情況和趨勢。通過觀測水稻圖像獲取植被覆蓋度，監測水稻分蘗期各階段長勢，可得到作物最佳生長時期。通過停止灌溉等手段控制水稻分蘗，可獲得作物最佳生長狀態。構建以下5 種植被覆蓋度模型，通過與實際對比進一步預測準確度。

1） OTSU灰度閾值分割：專門用于確定二維閾值點在圖像中的分割率和閾值的圖像算法。

2） 邏輯回歸：相對線性的特征回歸分類模型，經常被用于只有2 個類別的分類問題。

3） KNN：即K-近鄰訓練算法，一種基本的實例分類訓練算法，通過多數實例組合進行表決等手段對其類型進行綜合預測。

4） kmeans：一種非監督學習、面向聚類函數的算法。

5） 樸素貝葉斯模型：基于貝葉斯定理及其樸素特征符合條件的幾個獨立基本假設，通過對聯合訓練的多個數據模型進行聯合學習分析來幫助理解的一種聯合概率分布方法。

2 結果與分析

2.1 水稻識別模型植被覆蓋度的提取

先對1 張完整圖像進行處理，選取其中部分圖片，統一截取300×300像素圖片。然后進行人工標注，將水稻部分用紅色填充。通過每個算法，顯示出通過算法得到的二值化圖像。再提取圖片中植被像元的個數和非植被像元的個數。根據植被指數閾值法提取的植被覆蓋度計算公式為

MFVC=×100% ? ? ? ? ? ? ?（1）

式中，MFVC—植被覆蓋度;Npaddy—水稻像元個數;Nsoil—非植被像元個數。

2.2 評估不同水稻識別模型誤差的方法

將人工標注的水稻圖像作為植被覆蓋度真實值，將各種分類方法得到的圖像作為預測值，對其進行誤差估計。植被覆蓋度提取誤差的計算公式為

EF= ? ? ? ? ? ? ? （2）

式中，EF—水稻覆蓋度提取模型與實際覆蓋度的誤差;Fsup—經由人工標注獲得的水稻實際覆蓋度;FVI—經由分類方法獲得的水稻植被覆蓋度。

2.3 不同水稻識別模型誤差對比

把人工標注圖像的分蘗期水稻覆蓋度近似為實際覆蓋度，與每種方法分別得到的水稻植被覆蓋度進行對比，得到模型的誤差，確定每種方法準確度。首先確定了人工標注圖像的植被覆蓋度為0.410 2。各個模型的植被覆蓋度和誤差見表1。

由表1可以看出：Otsu灰度閾值分割、邏輯回歸和樸素貝葉斯的模型算法誤差在4%～5%之間，誤差度在可接受范圍。KNN算法中，當K取不同值時，模型準確度有較大差別。當取K=4時誤差最小，為3.96%。Kmeans算法中，當K取不同值時，模型準確度也有較大差別。當K=4時，取得試驗最小誤差，為2.56%。

3 結論與討論

試驗結果表明：Otsu灰度閾值分割、邏輯回歸和樸素貝葉斯的模型算法誤差在4%～5%之間，誤差度在可接受范圍。KNN算法中，當K取不同值時，模型準確度有較大差別。當取K=4時誤差最小，為3.96%。Kmeans算法中，當K取不同值時，模型準確度有較大差別。當K=4時，取得試驗最小誤差，為2.56%。

水稻關鍵生長發育期包括分蘗期、拔節期、抽穗期等。本試驗只選取分蘗期水稻作為試驗對象，對其進行群體監控，模型誤差在5%以下均在可接受范圍。當然，模型誤差越小，則該系統越精準。試驗后期會使用水稻其他時期的圖像作為觀測目標，選用更大面積的圖像來驗證模型效果，以便得到更多試驗數據，進一步研究模型準確度，分析水稻在各個時期生長狀況，進而搭建全時期水稻群體監控系統。

參考文獻

[1] 胡景輝.基于無人機成像高光譜遙感數據的水稻估產方法研究[D].杭州：浙江大學，2020.

[2] 肖海文.基于無人機遙感技術的水稻面積提取方法研究[D].贛州：江西理工大學，2020.

[3] 田婷，張青，張海東.無人機遙感在作物監測中的應用研究進展[J].作物雜志，2020（5）：1-8.

Comparative Study of Vegetation Cover Model Based on?Rice Population Monitoring System

Lü Xia1， MA Xiangyang1， GANG Di2， FANG Shengdong1， WANG Yangang1

（1. Liaoning Institute of Agricultural Mechanization， Shenyang 110161， China; 2. Liaoning Agricultural Economics School， Jinzhou Liaoning 121007， China）

Abstract： A rice population monitoring system based on UAV images was designed， and after pre-processing and obtaining images， multiple models were used to calculate vegetation coverage and compare the accuracy of models. The results show that the error of Otsu gray threshold segmentation， logistic regression and naive Bayes is between 4%～5%， within the acceptable range; In KNN algorithm， the model accuracy is different when K takes different values， the minimum error is 3.96%; In Kmeans algorithm， the model accuracy is different with different values， and the minimum error is 2.56% when K=4.

Key words： rice; monitoring system; image; UAV; vegetation coverage