您现在的位置是：首页 > 技术资料 > 基于无人机可见光图像Haar-like特征的水稻病害白穂识别

推荐星级：

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?）打赏收藏评论(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

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

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

·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

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  htan     tan 

（1）









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)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

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

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页