【摘要】：目前,在發(fā)展“互聯(lián)網(wǎng)+”的背景下,將信息技術(shù)融入到現(xiàn)代農(nóng)業(yè)發(fā)展中,使農(nóng)業(yè)生產(chǎn)更加高效化、智能化,這將是我國以及全世界現(xiàn)代農(nóng)業(yè)發(fā)展的必然趨勢。本文提出的基于無人機圖像分析技術(shù)的小麥出苗均勻度評價研究正是基于當前“互聯(lián)網(wǎng)+農(nóng)業(yè)”的背景,目的是探求診斷小麥出苗情況的智能化新方法。小麥出苗均勻度是麥田診斷的重要內(nèi)容,對小麥生長發(fā)育具有重要影響。本研究應(yīng)用無人機獲取小麥田間圖像,通過圖像處理技術(shù)進行圖像預(yù)處理,并利用多元逐步回歸方法構(gòu)建了小麥苗數(shù)估算模型,結(jié)合苗數(shù)估算模型和圖像處理技術(shù)構(gòu)建反映小麥出苗均勻度的方法,并結(jié)合產(chǎn)量數(shù)據(jù)進行小麥出苗均勻度評價。主要研究結(jié)果如下:(1)為探明小麥1-3葉期的苗數(shù)快速獲取方法,本研究結(jié)合播種方式和種植密度試驗,分析了小麥蓋度與1-3葉期麥苗數(shù)量的相關(guān)關(guān)系,并單獨利用蓋度建立不同時期的麥苗數(shù)量估算模型,結(jié)果表明,估算模型的R2值在1葉期最低密度時最高,隨著密度的增高或葉齡的增加,R2呈下降趨勢。盡管蓋度與麥苗數(shù)量有著顯著相關(guān)關(guān)系,但是在生育后期及高密度的情況下精度較低。(2)為了構(gòu)建最佳的苗數(shù)估算模型,本研究提出基于蓋度、角點數(shù)量、葉齡和品種系數(shù)組成的多元指標估算模型。結(jié)果表明,建模過程中R2均超過0.95,RMSE也保持一個較小的范圍。最后通過苗數(shù)估測值與實測值之間的比較驗證,模型雖然在不同密度和不同葉齡對象上存在一定的差異,但條播小麥和撒播小麥在低密度條件下,模型驗證的R2均在0.95以上,RMSE較小,高密度的R2均在0.85以上;1葉期的準確率最高,3葉期的準確率最低,但R2均值均在0.9以上。(3)利用無人機獲取不同密度和不同播種方式處理的小麥田間苗期圖像,將每個圖像劃分成若干等份,在上述苗數(shù)估測模型的基礎(chǔ)上快速獲取圖像每一等份的麥苗數(shù)量,同時計算各等份苗數(shù)變異系數(shù)的倒數(shù),并以此來反映該小區(qū)小麥出苗均勻度。將人工調(diào)查與無人機圖像分析技術(shù)計算的出苗均勻度對比發(fā)現(xiàn),圖像處理計算的均勻度平均誤差小于10%,RMSE較小,R2值均在0.7以上。上述結(jié)果表明本研究提出的無人機圖像處理技術(shù)能夠較準確的反映小麥苗期出苗均勻度。(4)分析了撒播方式下三種播種密度小麥出苗均勻度與產(chǎn)量及其構(gòu)成因素的關(guān)系。在出苗均勻度較好時,產(chǎn)量無較大變化。隨著出苗均勻度降低,小麥產(chǎn)量有下降趨勢。穗數(shù)、穗粒數(shù)與均勻度呈極顯著正相關(guān),千粒重雖然也隨均勻度的加大有增加的趨勢,但趨勢不明顯。在撒播240×104·9ha-1密度條件下,依據(jù)產(chǎn)量數(shù)據(jù)對20個不同處理的出苗均勻度進行聚類分析,在類間距離約為7時可分為3類:6470-6837kg·ha-1、7060-7314kg·ha-1、5598-6324kg·ha-1。出苗均勻度在3.01以上范圍,產(chǎn)量受出苗均勻度影響較小。出苗均勻度在2.33-3.01范圍內(nèi),產(chǎn)量較易受出苗均勻度影響。出苗均勻度在2.33以下范圍,產(chǎn)量受出苗均勻度影響較大。
【圖文】：

本研究利用ＤＪ１ＧＳ邋Ｐｒｏ在指定區(qū)域內(nèi)自動生成航線，自動飛行、自動拍攝并完成逡逑相關(guān)數(shù)據(jù)接收、處理和發(fā)送�？紤]到要在較短的時間內(nèi)獲得所需的全部圖像，無人機飛行逡逑路線將采用“Ｓ”型（如圖２－３）。以圖像序列可以精確反映田塊圖像信息的同時又能以較快的逡逑速度獲取圖像為原則來研宄飛行高度對圖像獲取的影響，并通過研究飛行高度與相機像素逡逑之間的關(guān)系來制定飛行高度標準，本研究飛行高度選用ｌ0ｍ。為了實現(xiàn)精確的圖像配準，逡逑在航線和航點規(guī)劃時，相鄰圖像的重復(fù)率應(yīng)設(shè)置在６５％－９０％，在這個范圍內(nèi)重復(fù)率越高圖逡逑像拼接精度越高，本試驗主航線上圖像重復(fù)率設(shè)置為６０％，主航線間圖像重復(fù)率設(shè)置為７０％。逡逑航拍采集完圖像后利用軟件Ｐｉｘ４ＤＭａｐｐｅｒ?qū)D像生成正射影像、ＤＳＭ和三維點云數(shù)據(jù)，逡逑通過相鄰圖像的特征匹配將相鄰圖像無縫拼接起來。逡逑

￥逡逑ｉｐＱ＾ｎｊｉ逡逑圖２－２禪思Ｘ５航拍相機逡逑Ｆｉｇ邋２－２邋ＺＥＮＭＵＳＥ邋Ｘ５Ｒ逡逑禪思Ｘ５航拍相機具體的參數(shù)指標見表２－３。逡逑表２－３無人機傳感器的技術(shù)參數(shù)逡逑Ｔａｂｌｅ．邋２－３邋Ｔｅｃｈｎｏｌｏｇｙ邋Ｐａｒａｍｅｔｅｒｓ邋ｏｆ邋ＵＡＶ＇ｓ邋Ｓｅｎｓｏｒ逡逑技術(shù)名稱邐具體參數(shù)邐技術(shù)名稱邐具體參數(shù)逡逑尺寸邐１７．３邋ｘ邋１３．０邋ｍｍ邋（高寬比４：３）邐快門速度邐８？１／８０００秒逡逑最大像素邐１６００萬邐ＩＳＯ范圍邐１００？２５６００逡逑多張連拍邐全像素７張每秒邐對焦范圍邐２０厘米－無窮逡逑２．２圖像獲取過程逡逑為了保證作業(yè)時飛機的安全性及數(shù)據(jù)采集的可靠性，開始起飛之前需要對無人機進行逡逑飛前安全檢查，并設(shè)定航點、航線、飛行高度以及圖像重復(fù)率。逡逑無人機航線規(guī)劃和航點設(shè)計通過ＤＪ１ＧＳ邋Ｐｒｏ邋（Ｇｒｏｕｎｄ邋Ｓｔａｔｉｏｎ，地面站）來實現(xiàn)，ＧＳ邋Ｐｒｏ逡逑是專業(yè)的地面站，，側(cè)重在規(guī)劃任務(wù)，控制無人機自主規(guī)劃框選范圍內(nèi)的航線，完成測繪拍逡逑攝任務(wù)。本研究利用ＤＪ１ＧＳ邋Ｐｒｏ在指定區(qū)域內(nèi)自動生成航線，自動飛行、自動拍攝并完成逡逑相關(guān)數(shù)據(jù)接收、處理和發(fā)送�？紤]到要在較短的時間內(nèi)獲得所需的全部圖像，無人機飛行逡逑路線將采用“Ｓ”型（如圖２－３）。以圖像序列可以精確反映田塊圖像信息的同時又能以較快的逡逑速度獲取圖像為原則來研宄飛行高度對圖像獲取的影響，并通過研究飛行高度與相機像素逡逑之間的關(guān)系來制定飛行高度標準
【學(xué)位授予單位】：揚州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：S512.1;TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 李紅軍;李佳珍;雷玉平;張玉銘;;無人機搭載數(shù)碼相機航拍進行小麥、玉米氮素營養(yǎng)診斷研究[J];中國生態(tài)農(nóng)業(yè)學(xué)報;2017年12期

2 裴浩杰;馮海寬;李長春;金秀良;李振海;楊貴軍;;基于綜合指標的冬小麥長勢無人機遙感監(jiān)測[J];農(nóng)業(yè)工程學(xué)報;2017年20期

3 支磊;;“互聯(lián)網(wǎng)+”背景下傳統(tǒng)農(nóng)業(yè)的發(fā)展路徑[J];江蘇農(nóng)業(yè)科學(xué);2017年15期

4 梁曉彤;徐踐;;MATLAB圖像處理技術(shù)在農(nóng)業(yè)病蟲害識別中的應(yīng)用分析[J];南方農(nóng)業(yè);2017年21期

5 武威;劉濤;孫成明;陳雯;陳晨;王瑞;;基于圖像處理的小麥種植密度估算研究[J];揚州大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版);2017年01期

6 馬浚誠;溫皓杰;李鑫星;傅澤田;呂雄杰;張領(lǐng)先;;基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J];農(nóng)業(yè)機械學(xué)報;2017年02期

7 張斯梅;顧克軍;許博;張恒敢;顧東祥;石祖梁;張傳輝;楊四軍;;稻秸還田與播種方式影響小麥出苗及產(chǎn)量的大田試驗研究[J];中國農(nóng)學(xué)通報;2016年33期

8 魏全全;李嵐?jié)?任濤;王振;王少華;李小坤;叢日環(huán);魯劍巍;;數(shù)字圖像技術(shù)估測冬油菜氮素營養(yǎng)拍攝參數(shù)標準化研究[J];植物營養(yǎng)與肥料學(xué)報;2016年06期

9 董錦繪;楊小冬;高林;王寶山;王磊;;基于無人機遙感影像的冬小麥倒伏面積信息提取[J];黑龍江農(nóng)業(yè)科學(xué);2016年10期

10 陸國政;李長春;楊貴軍;于海洋;趙曉慶;;基于無人機搭載數(shù)碼相機的小麥育種表型信息解析[J];中國種業(yè);2016年08期

相關(guān)博士學(xué)位論文 前5條

1 賈彪;基于計算機視覺技術(shù)的棉花長勢監(jiān)測系統(tǒng)構(gòu)建[D];石河子大學(xué);2014年

2 唐晏;基于無人機采集圖像的植被識別方法研究[D];成都理工大學(xué);2014年

3 沈?qū)W善;砂姜黑土區(qū)小麥玉米一年兩熟秸稈全量還田對夏玉米生育及產(chǎn)量影響研究[D];安徽農(nóng)業(yè)大學(xué);2010年

4 彭代亮;基于統(tǒng)計與MODIS數(shù)據(jù)的水稻遙感估產(chǎn)方法研究[D];浙江大學(xué);2009年

5 鞠昌華;利用地—空高光譜遙感監(jiān)測小麥氮素狀況與生長特征[D];南京農(nóng)業(yè)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 陳玉輝;基于圖像識別的工業(yè)機器人軌跡規(guī)劃研究與應(yīng)用[D];浙江大學(xué);2017年

2 王妮;基于無人機平臺的小麥長勢監(jiān)測與產(chǎn)量預(yù)測研究[D];南京農(nóng)業(yè)大學(xué);2016年

3 劉勇;基于無人機平臺的小麥冠層葉片氮素營養(yǎng)監(jiān)測研究[D];南京農(nóng)業(yè)大學(xué);2016年

4 滕景祥;基于數(shù)字圖像技術(shù)的苗期番茄鈣營養(yǎng)水平診斷研究[D];南京農(nóng)業(yè)大學(xué);2016年

5 程子航;寒地冬小麥不同密度下性狀整齊度遺傳差異對產(chǎn)量的影響[D];東北農(nóng)業(yè)大學(xué);2016年

6 劉仁杰;大田作物冠層無損檢測設(shè)備應(yīng)用及車載平臺開發(fā)[D];東北農(nóng)業(yè)大學(xué);2015年

7 付巍;小麥全蝕病無人機遙感監(jiān)測研究[D];河南農(nóng)業(yè)大學(xué);2015年

8 茍文;西南丘陵旱地免耕機播套作小麥種肥一體化研究[D];四川農(nóng)業(yè)大學(xué);2014年

9 龐曉丹;基于圖像處理技術(shù)的小麥營養(yǎng)狀況遠程監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[D];河南農(nóng)業(yè)大學(xué);2014年

10 周果;基于圖像處理技術(shù)的大田玉米苗期雜草識別方法研究[D];吉林農(nóng)業(yè)大學(xué);2013年

本文編號：2606427