无人机高清数码图像在农田作物信息获取中的应用

张黎黎

我国是农业大国，农业是国民经济的重要组成部分。传统的农作物营养诊断和病虫草害监测主要依靠专业工作人员田间取样和调查，具有耗时、费力、效率低、主观性强等缺点。卫星图像的空间分辨率较低、获取成本高，且容易受到空中云层的遮挡。相比之下，无人机飞行成本低、操作便捷、影像获取速度快、影像分辨率高，依据无人机高清数码图像构建农作物生长监测模型指导农作物精准管理，能够大幅提高农作物田间管理效率，为精准农业提供理论依据。

1 无人机数码图像获取平台

以无人机为飞行平台，搭载高清数码相机，实时、快速地获取高空间分辨率的农作物冠层数码图像。可以选择小型多旋翼无人机，飞行稳定，不需要太大的起降平台，如大鹏CW-10，大疆精灵4、大疆inspire 1 RAW等。可以选择重量轻、分辨率高、防抖动效果好的数码相机，如无人机内置高清相机、DSCQX100、佳能EF-M18-55等。

2 无人机数码图像分析方法

对于获取的无人机数码图像，通常计算小区作物的颜色指数、纹理特征等图像特征信息，通过相关性分析排除相关性低的特征，并采用方差膨胀因子进行多重共线性分析。颜色指数有可见光大气阻抗植被指数（VARI）、归一化差分植被指数（NDI）、改良绿红植被指数（MGRVI）、超红植被指数（ExR）、超绿植被指数（ExG）等。纹理特征指数有对比度（CON）、相关性（COR）、熵（ENT）、同质性（HOM）、二阶矩（SM）等。杨福芹等获取冬小麦挑旗期和开花期无人机数码图像和对应的地面农学参数，结合相关系数和方差膨胀因子筛选颜色指数。刘杨等构建马铃薯无人机数码图像的颜色指数和纹理特征，结合实测地上生物量数据进行相关性分析对相关系数绝对值较大的指数和特征进行筛选。

3 基于無人机数码图像的生长参数估计

基于筛选的图像特征和实测农学参数，构建反演模型，再从反演结果中选出最优的模型。杨福芹等通过偏最小二乘回归建立冬小麦挑旗期和开花期的氮营养指数反演模型。徐权等将颜色指数与大律法、形态学滤波法相结合，获取棉花出苗信息，用于构建棉花产量估算模型。李昂等通过提取无人机图像中的水稻穗数量，并代入产量估算公式进行估产。马明洋等通过BP神经网络建立了水稻SPAD反演模型。

4 基于无人机数码图像的作物分割

当农作物的植被覆盖度较低时，农作物没有完全覆盖小区，拍摄的无人机数码图像中包含大量的非作物像素。如在小麦越冬前期，由于麦苗没有完全覆盖地面，图像的相关系数总体偏低。作物分割算法能够提取图像中的作物像素，排除其他非作物的干扰，有效提高模型估计精度。熊雄等提出水稻穗分割算法Panicle-SEG，采用卷积神经网络和超像素优化的深度学习方法。考虑到监督学习方法需要大量的标记训练数据，算法的性能极大依赖于训练集的质量，Hayat等提出提出非监督贝叶斯的水稻穗分割方法。曹英丽等提出将图像转换到Lab颜色空间，采用非监督GMM算法对分蘖期水稻无人机数码图像进行分割，比RGB颜色空间下的图像分割效果更好。

5 结论

目前无人机数码图像的作物生长参数估计研究较多，但是距离真正落地应用还有较大的距离。但该技术有巨大的发展潜力和应用价值。未来需要将前沿的机器学习、深度学习等技术与农业深度结合，使无人机数码图像分析技术走向成熟。