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
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)第34 卷 第20 期
2018 年 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像Haar-like 特征的水稻病害白穂识别
王 震1,2,褚桂坤1,张宏建1,刘双喜1,2,黄信诚3,高发瑞3,
※
张春庆4,王金星1,2
(1. 山东农业大学机械与电子工程学院,泰安 271018;2. 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,济宁273013;4. 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。
关键词:无人机;算法;病害;水稻白穗;Haar-like 特征
doi:10.11975/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]. 农业工程学报,2018,34(20):73-82.
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): 73-82. (in Chinese with English abstract)
doi:10.11975/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
用 K-means 聚类算法将果树图像分为树叶、枝条和果
实 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
了 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]还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
穂率可达50%[1],在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]。在大面积稻田种植中,人工观测法很难准确
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 RGB、HSI 和 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;山东省“双一流”奖补资金资助(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,如图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
述能力与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
式中x 为单帧图像实际拍摄宽度,m;α 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/s;h 为无人机距作物冠层垂直高度,m;t 为帧提取时
间,s;v0 为航拍视频流速率,帧/s;n 为2 张有效图像之
间帧图像数。视频流采集示意图如图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 年至2017 年期间,
每年8 月-10 月采集稻田白穂图像建立试验样本图像库。
以多旋翼无人机SPREADING WINGS S900 平台(如图1
所示)为采集设备,设备具体参数见表1。
注: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.
图 2 视频流采集示意图
Fig.2 Schematic diagram of video capture
采样过程中,设定无人机航拍视频流速率v0=25 帧/s,
无人机飞行速度v=1 m/s,航拍飞行高度h=1.5 m,相机
视角β=54°,视频格式为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° 进行拍摄,即
α+0.5β=45°,故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
间t=3.64 s。所以每隔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 帧间隔规则提取的第2 184、2 275、2 366、2 457 帧图
像;图 4 为图 3 中 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。由航拍飞行高度h=1.5 m,相机视
角 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.工业CDD 数字相机4.GPS 和指南针
1.Multi-rotor UAV 2.Gimbal controller 3.Industrial CDD digital camera
4.GPS and COMPASS
图 1 试验样本采集设备
Fig.1 Experimental sample collection equipment
表1 试验设备参数
Table 1 Parameters of experimental equipments
试验设备Test equipment
参数Parameters
设备尺寸460 mm×450 mm×360 mm
飞行承载质量4 700~8 200 g
电池LiPo(6S、10 000~15 000 mAh、最
小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)
最大像素数1 720 万,有效像素1 605 万
高清摄像4 K 超高清视频
松下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°
电子快门288 μs~1 s
全部评论(0)