推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于无人机可见光图像Haar-like特征的水稻病害白穂识别

更新时间:2019-12-27 14:31:50 大小:3M 上传用户:IC老兵查看TA发布的资源 标签:无人机 下载积分:1分 评价赚积分 (如何评价?) 收藏 评论(0) 举报

资料介绍

实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图像提取Haar-like特征,其次以Adaboost算法进行白穗训练识别。以4类Haar-like特征及其组合构建弱分类器,用采集的稻田白穗和背景共700个样本点训练生成强分类器。所得强分类器对测试集中65幅图像中的423个白穗样本点进行识别验证,结果表明:白穗识别率可达93.62%,误识别率为5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。


部分文件列表

文件名 大小
基于无人机可见光图像Haar-like特征的水稻病害白穂识别.pdf 3M

部分页面预览

(完整内容请下载后查看)
34 20 期  
2018 10 月  
农 业 工 程 学 报  
Vol.34 No.20  
Oct. 2018  
Transactions of the Chinese Society of Agricultural Engineering  
73  
·农业航空工程·  
基于无人机可见光图Haar-like 特征的水稻病害白穂识别  
1,2,褚桂1,张宏1,刘双1,2,黄信3,高发3,  
张春4,王金1,2  
1. 山东农业大学机械与电子工程学院,泰安 2710182. 山东省园艺机械与装备重点实验室,泰安 271018;  
3. 济宁市农业科学研究院,济2730134. 山东农业大学农学院,泰安 271018)  
摘 要:实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出  
一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图  
像提Haar-like 特征,其次Adaboost 算法进行白穗训练识别。4 Haar-like 特征及其组合构建弱分类器,用采集  
的稻田白穗和背景700 个样本点训练生成强分类器得强分类器对测试集65 幅图像中423 个白穗样本点进行识  
别验证,结果表明:白穗识别率可93.62%,误识别率5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光  
照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。  
关键词:无人机;算法;病害;水稻白穗;Haar-like 特征  
doi10.11975/j.issn.1002-6819.2018.20.010  
中图分类号:TP391.41  
文献标志码:A  
文章编号:1002-6819(2018)-20-0073-10  
王 震,褚桂坤,张宏建,刘双喜,黄信诚,高发瑞,张春庆,王金星. 基于无人机可见光图像 Haar-like 特征的水稻  
病害白穂识别[J]. 业工程学报,201834(20)7382.  
doi 10.11975/j.issn.1002-6819.2018.20.010  
Wang Zhen, Chu Guikun, Zhang Hongjian, Liu Shuangxi, Huang Xincheng, Gao Farui, Zhang Chunqing, Wang Jinxing.  
Identification of diseased empty rice panicles based on Haar-like feature of UAV optical image[J]. Transactions of the Chinese  
Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(20): 7382. (in Chinese with English abstract)  
doi10.11975/j.issn.1002-6819.2018.20.010  
换的快速类圆果实目标检测方法;蔡建荣等[9]应用球体  
0 引 言  
HSI 颜色系统描述成熟西红柿的颜色,利用 Otsu 算法自  
动获取分割阈值,提取目标区域,分割效果显著;詹文  
田等[10]利用颜色空间多个通道构建不同的弱分类器,再  
通过样本训练得到一个强分类器,对田间猕猴桃进行识  
别,识别率高达 96.7%。模式识别方面,宋怀波等[11]利  
K-means 聚类算法将果树图像分为树叶、枝条和果  
3 个类别,然后利用形态学方法对果实目标进行处  
理,得到目标边缘并进行轮廓跟踪,有效识别到遮挡  
的苹果,平均定位误差为 4.28%;李昕等[12]提出的人  
工免疫网络识别的多特征融合识别方法,利用偏好免  
疫算法进行多特征有效融合,使油茶果的识别率达到  
93.9%;赵源深等[13]提出了一种基于非颜色编码的  
西红柿识别算法,使成熟西红柿的识别率达到了  
93.3%。在稻穗识别方面,刘占宇等[14]提出了一种基  
于学习矢量量化神经网络的水稻白穗和正常穗的高光  
谱识别方法,在稻穗离体识别试验中,识别精度可达  
100%刘占宇等[15]通过测定稻穗室内高光谱反射  
率,对稻穗的健康状态进行了分类,分类精度也达到了  
理想效果,但该方法不适于稻田实时识别;白晓东[16]  
提出了一种基于稻穗颜色特征检测、梯度直方图检测  
以及卷积神经网络提升的水稻抽穗期自动检测方法,  
该方法可在稻田中识别出新生稻穗,满足农气观测需  
要,对于病害稻穗未做相关研究。  
白穂是稻田中常见的一种影响稻米产量和品质的病  
虫害特征,严重时可造成稻田大面积减产,严重地区白  
穂率可50%[1]白穂形成早期对稻田进行病虫害防治  
是预防白穂大面积发生的最佳时期。目前稻田白穂的识  
别还是以人工肉眼观察为主,且白穂早期的呈现往往具  
有局簇性[2]大面积稻田种植中工观测法很难准确  
全面的识别到早期形成的白穂。小型多旋翼无人机是近  
几年迅速发展起来的农情观测手段,尤其适用于田间环  
境不易于人工进入的农田区域。  
白穂发生早期的识别,关键是对白穂和正常稻穗的  
准确区分、识别以及白穂发生位置的定位。在农田环境  
中,目标识别一般基于颜色或者形态特征等算法进行。  
目标识别的颜色空间主要有 RGBHSI La*b*;形态  
特征识别主要采用支持向量机(SVM)、神经网络算法、  
遗传模糊神经网络算法等模式识别方法[3-7]。颜色模型方  
面,谢忠红等[8]提出了一种基于改进圆形随机 Hough 变  
收稿日期:2018-04-03  
修订日期:2018-07-05  
基金项目:国家公益性行业农业科研专项(201303005);山东省现代农业产  
业技术体系创新项目双一流补资金资SYL2017XTTD14)  
作者简介:王 震,讲师,博士生,主要从事精准农业信息化研究。  
Email
※通信作者:王金星,博士生导师,主要从事农业机械化工程研究。  
Email
农业工程学报()  
综上所述,从农田目标识别的研究来看,不管是基  
2018 年  
74  
稻田图像采用对无人机航拍视频流进行帧提取的方  
式进行采集。首先利用小型多旋翼无人机沿预定航线进  
行视频拍摄,然后通过各项参数计算提取图像的间隔帧  
数,最后通过 premiere 软件提取有效图像。提取到的有  
效图像按照时序拼接处理可还原出整个稻田图像[21],进  
而建立试验样本库,进行白穗识别,实现无人机大面积  
稻田白穗的识别。另外,多旋翼无人机自带 GPS 定位导  
航系统,如1 所示,从而可获得无人机航拍时的坐标,  
计算可得提取样本的位置信息,从而定位白穗的具体位  
置。稻田图像提取计算公式如下  
于颜色特征,还是形态特征的农田目标识别算法,都得  
到了较高的目标识别率,但是各算法之间也存在着特征  
能力描述和识别速度之间互斥矛盾的不足之处[17-18]。从  
识别手段来看,多数目标识别可做到无损识别,图像采  
集多以地面随机多点方式采集,图像质量较高却难以覆  
盖大面积农田目标,高光谱采集虽可进行大面积信息获  
取,却难以满足高精度识别要求,存在识别覆盖度与识  
别精度之间的矛盾。  
为平衡农田目标识别过程中,特征描述能力与识别  
速度之间、识别覆盖度与识别精度之间的矛盾,本文提  
出一种利用小型多旋翼无人机机载高分辨率相机采集稻  
田图像,基于 Haar-like 特征和 AdaBoost 学习算法[19-20]  
的稻田白穂识别方法,并通过试验研究 Haar-like 特征描  
述能力AdaBoost 学习过程中训练次数对识别算法性能  
的影响,以期达到快速准确识别稻田白穂的效果。迄今  
为止,尚未看到有关利用小型多旋翼无人机图像进行水  
稻白穂识别的研究报道,本文提出的基于小型多旋翼无  
人机图像和 Haar-like 特征的稻田水稻白穂识别,将为稻  
田无人机精准施药提供参考。  
x htan tan  
1)  
x
v
t   
2)  
3)  
n v0 t  
x 为单帧图像实际拍摄宽度mα 为相机盲区视角,  
(°)β 为相机视角,(°)v 为无人机航拍水平飞行速度,  
m/sh 为无人机距作物冠层垂直高度,mt 为帧提取时  
间,sv0 为航拍视频流速率,帧/sn 2 张有效图像之  
间帧图像数。视频流采集示意图如2 所示。  
1 材料与方法  
1.1 白穂样本图像获取  
采集山东省济宁市陈庄农林科技试验站“圣稻 19”  
水稻齐穗期至成熟期图像供试。2015 2017 年期间,  
8 -10 月采集稻田白穂图像建立试验样本图像库。  
以多旋翼无人SPREADING WINGS S900 1  
所示)为采集设备,设备具体参数见1。  
α 为相机盲区视角(°)β 为相机视角(°)v 为无人机飞行速度m·s-1。  
Note: α is the blind angle of the camera, (°); β is the visual angle of the camera,  
(°); v is the flying speed of UAV, m·s-1.  
2 视频流采集示意图  
Fig.2 Schematic diagram of video capture  
采样过程中定无人机航拍视频流速v0=25 /s,  
无人机飞行速v=1 m/s,航拍飞行高h=1.5 m,相机  
β=54°,视频格式MPEG-4为规避无人机旋翼下  
旋气流影响拍摄效果,拍摄过程中利用云台遥控器固定  
相机中轴线与地面垂直夹角为 45° 行拍摄,即  
α+0.5β=45°α=18°。以上数据带入式(1)~式(3)  
计算可知,单帧图像实际拍摄宽度 x=3.64 m,帧提取时  
t=3.64 s以每3.64×25=91 帧图像提取一帧作为试  
验样本图像。图 3 为视频流拆解的帧图像,图 3 为按照  
91 帧间隔规则提取的2 1842 2752 3662 457 帧图  
像;图 4 为图 3 4 帧提取图像的拼接效果图,图像方  
向为无人机行进方向。因无人机风力和扰动影响,拼接  
图像存在一定的误差,但对于单幅提取的帧图像进行算  
法处理没有太大影响。由航拍飞行高h=1.5 m,相机视  
β=54°,可计算出相机视角至地面的中垂线距离为  
1.5 m/cos45°=2.12 m 进而可计算相机视角幅宽为  
2.12 m×tan27°×2=2.16 m,再由无人机飞行速度 v=1 m/s  
可知,无人机每小时可进行识别作业面积为 2.12 m×  
1.多旋翼无人机 2.相机云台 3.CDD 数字相4.GPS 和指南针  
1.Multi-rotor UAV 2.Gimbal controller 3.Industrial CDD digital camera  
4.GPS and COMPASS  
1 试验样本采集设备  
Fig.1 Experimental sample collection equipment  
1 试验设备参数  
Table 1 Parameters of experimental equipments  
试验设Test equipment  
Parameters  
设备尺460 mm×450 mm×360 mm  
飞行承载质4 7008 200 g  
LiPo6S10 00015 000 mAh、最  
15C)  
SPREADING WINGS  
S900 多旋翼无人机  
传感器类型:Live MOS  
传感器尺寸:4/3 画幅(17.3 mm×13 mm)  
最大像素1 720 万,有效像1 605 万  
高清摄4 K 超高清视频  
GH4 相机  
对焦方式:反差式自动对焦系统  
云台角度抖动量±0.01°  
电子快288 μs1 s  

全部评论(0)

暂无评论