【摘要】：水稻是我國(guó)的主要糧食作物,科學(xué)而準(zhǔn)確地預(yù)測(cè)水稻的產(chǎn)量,不但能夠提供及時(shí)、準(zhǔn)確的農(nóng)情信息,而且對(duì)農(nóng)業(yè)政策的制定具有重要的意義。目前,水稻產(chǎn)量估測(cè)方法主要以衛(wèi)星遙感估產(chǎn)為主,但其分辨率較低,誤差較大,缺乏機(jī)理性,不能夠進(jìn)一步推廣應(yīng)用。因此本研究利用無(wú)人機(jī)平臺(tái)搭載高清數(shù)碼相機(jī),拍攝水稻冠層影像,通過(guò)對(duì)數(shù)碼圖像進(jìn)行處理,提取出水稻穗,然后基于水稻產(chǎn)量估算公式進(jìn)行估產(chǎn)。本文主要研究?jī)?nèi)容及成果如下:(1)本研究利用無(wú)人機(jī)平臺(tái)搭載高清數(shù)碼相機(jī),拍攝從抽穗期到成熟期的水稻冠層影像,對(duì)圖像進(jìn)行去噪預(yù)處理后,針對(duì)彩色水稻圖像的顏色特征,將圖像由RGB顏色空間轉(zhuǎn)換到L*a*b*顏色空間,運(yùn)用K均值聚類(lèi)算法對(duì)水稻冠層圖像進(jìn)行聚類(lèi)分析、圖像分割,提取出水稻穗、獲得水稻穗數(shù)量,然后進(jìn)行產(chǎn)量估算。分別對(duì)不同日期拍攝的圖像進(jìn)行處理,其中對(duì)水稻齊穗期拍攝的圖像進(jìn)行聚類(lèi)分割,提取出水稻穗的效果較好,估產(chǎn)精度較高,產(chǎn)量估計(jì)均方根誤差和平均絕對(duì)百分誤差分別為9.08和22.8%。(2)本研究對(duì)無(wú)人機(jī)拍攝的水稻冠層影像進(jìn)行分類(lèi)識(shí)別,初始選取了10個(gè)分類(lèi)特征對(duì)水稻穗、水稻葉和背景進(jìn)行分類(lèi),選取的特征包括圖像像素級(jí)的R、G、B值、投影到HSV空間的H、S、V值,以及四個(gè)指數(shù):歸一化綠紅差異指數(shù)(NGRDI)、紅綠比值指數(shù)(RGRI)、綠葉指數(shù)(GLI)和過(guò)綠指數(shù)(EXG)的值。然后基于最優(yōu)子集選擇算法對(duì)10個(gè)分類(lèi)特征進(jìn)行優(yōu)選,選出的分類(lèi)模型特征為G、B、H、S、V、RGRI、GLI,再利用閾值分割法對(duì)圖像進(jìn)行分割,提取出水稻穗進(jìn)行產(chǎn)量估算。對(duì)不同日期拍攝的圖像進(jìn)行處理,得出水稻齊穗期拍攝的圖像分割結(jié)果較好,提取水稻穗的精度較高,產(chǎn)量估計(jì)均方根誤差和平均絕對(duì)百分誤差最小,分別為6.85和18.2%。把K均值聚類(lèi)法和最優(yōu)子集選擇法的估產(chǎn)結(jié)果進(jìn)行對(duì)比,得出最優(yōu)子集選擇法提取水稻穗的效果較好。(3)本研究基于最優(yōu)子集選擇算法分別對(duì)三米、六米和九米高度無(wú)人機(jī)拍攝的水稻圖像進(jìn)行特征選擇與分類(lèi)識(shí)別,初始選取的特征為R、G、B、H、S、V、NGRDI、RGRI、GLI和EXG,結(jié)果得出三個(gè)拍攝高度的圖像分類(lèi)識(shí)別誤差均隨模型特征數(shù)增加而減小,且當(dāng)特征數(shù)大于7時(shí),誤差基本保持不變,因此三個(gè)高度均選擇7個(gè)特征作為最優(yōu)分類(lèi)特征。然后利用閾值分割法對(duì)三個(gè)高度的水稻圖像進(jìn)行分割,提取出水稻穗進(jìn)行估產(chǎn)。結(jié)果表明:三米高度的圖像水稻穗識(shí)別精度高于六米和九米,水稻穗數(shù)估計(jì)平均絕對(duì)百分誤差達(dá)到10.00%;三米高度的圖像水稻產(chǎn)量估測(cè)精度高于六米和九米,產(chǎn)量估計(jì)平均絕對(duì)百分誤差達(dá)到15.66%。
【圖文】：

無(wú)人機(jī)搭載數(shù)碼相機(jī)Fig2.1UAVequippedwithdigitalcamera

圖 2.2 18 個(gè)水稻小區(qū)分布圖Fig 2.2 Distribution of 18 rice plots 16 日，在沈陽(yáng)農(nóng)業(yè)大學(xué)另一處試驗(yàn)田進(jìn)行圖像采集試試驗(yàn)田做了 7 個(gè)處理，，分別為無(wú)氮處理（0kg/ha）、低氮
【學(xué)位授予單位】：沈陽(yáng)農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP391.41;S511

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 喬紅波;師越;司海平;吳旭;郭偉;時(shí)雷;馬新明;周益林;;基于無(wú)人機(jī)數(shù)字圖像與高光譜數(shù)據(jù)融合的小麥全蝕病等級(jí)的快速分類(lèi)技術(shù)[J];植物保護(hù);2015年06期

2 楊貴軍;李長(zhǎng)春;于海洋;徐波;馮海寬;高林;朱冬梅;;農(nóng)用無(wú)人機(jī)多傳感器遙感輔助小麥育種信息獲取[J];農(nóng)業(yè)工程學(xué)報(bào);2015年21期

3 任哲;陳懷亮;王連喜;李穎;李琪;;利用交叉驗(yàn)證的小麥LAI反演模型研究[J];國(guó)土資源遙感;2015年04期

4 徐黎明;呂繼東;;基于同態(tài)濾波和K均值聚類(lèi)算法的楊梅圖像分割[J];農(nóng)業(yè)工程學(xué)報(bào);2015年14期

5 周志艷;閆夢(mèng)璐;陳盛德;蘭玉彬;羅錫文;;Harris角點(diǎn)自適應(yīng)檢測(cè)的水稻低空遙感圖像配準(zhǔn)與拼接算法[J];農(nóng)業(yè)工程學(xué)報(bào);2015年14期

6 高林;楊貴軍;王寶山;于海洋;徐波;馮海寬;;基于無(wú)人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J];中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào);2015年07期

7 史舟;梁宗正;楊媛媛;郭燕;;農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2015年02期

8 李宗南;陳仲新;王利民;劉佳;周清波;;基于小型無(wú)人機(jī)遙感的玉米倒伏面積提取[J];農(nóng)業(yè)工程學(xué)報(bào);2014年19期

9 汪沛;羅錫文;周志艷;臧英;胡煉;;基于微小型無(wú)人機(jī)的遙感信息獲取關(guān)鍵技術(shù)綜述[J];農(nóng)業(yè)工程學(xué)報(bào);2014年18期

10 代亮;許宏科;陳婷;錢(qián)超;梁殿鵬;;基于MapReduce的多元線性回歸預(yù)測(cè)模型[J];計(jì)算機(jī)應(yīng)用;2014年07期

本文編號(hào)：2673095