[发明专利]一种利用热红外图像的水稻倒伏监测方法

摘要

本发明公开了一种利用热红外图像的水稻倒伏监测方法，农田图像获取，通过无人机搭载热红外成像设备，定点获取；特征值提取，通过图像分析工具Matlab提取目标区域的颜色特征值、纹理特征值和温度特征值；构建倒伏区域判别模型，利用步骤二中提取的特征值和已知的倒伏情况训练水稻倒伏识别模型；倒伏监测模型的校准：通过采集较多的倒伏水稻与非倒伏水稻样本对步骤三中训练的模型进行校准；倒伏模型验证：利用独立的样本对步骤四中已校准的模型进行验证。本发明利用热红外图像识别水稻倒伏区域与非倒伏区域的差异，为水稻倒伏监测提供有效的手段。

主权项

1.一种利用热红外图像的水稻倒伏监测方法，其特征在于包含以下步骤：

步骤一：农田图像获取，通过无人机搭载热红外成像设备，定点获取；

步骤二：特征值提取，通过图像分析工具Matlab提取目标区域的颜色特征值、纹理特征值和温度特征值；

步骤三：构建倒伏区域判别模型，利用步骤二中提取的特征值和已知的倒伏情况训练水稻倒伏识别模型；

步骤四：倒伏监测模型的校准：通过采集较多的倒伏水稻与非倒伏水稻样本对步骤三中训练的模型进行校准；

步骤五：倒伏模型验证：利用独立的样本对步骤四中已校准的模型进行验证。

2.按照权利要求1所述的一种利用热红外图像的水稻倒伏监测方法，其特征在于：所述步骤一农田图像获取具体过程为，利用手持式热红外仪Fl ir E40近地获取热红外图像，利用DJI Inspire 1无人机搭载ZENMUSE XT热红外镜头获取水稻冠层热红外图像，热红外波段7.5‑13.5μm，搭载DJI X5R镜头获取水稻冠层可见光图像，分辨率为4608×3456pixel，无人机飞行高度为60m、100m和150m，60m图像用于建模和验证，100m和150m图像用于探讨飞行高度对模型的影响，图像获取选择晴天、无大风天气，获取时间为8点‑20点每隔2小时获取一次。

3.按照权利要求1所述的一种利用热红外图像的水稻倒伏监测方法，其特征在于：所述步骤二特征值提取具体过程为，可见光图像颜色特征提取通过Matlab进行，热红外图像通过Flir Tools进行读取和导出温度数据后在Matlab中进行处理，利用图像融合方法匹配RGB图像和热红外图像，并将图像分割为20×20pix的子图像，子图像大小40×40cm；

颜色特征值提取过程为，利用公式(1)‑(3)提取RGB图像中的红、绿、蓝三个波段特征，利用公式(4)提取图像的ExG特征

ExG＝2×g‑r‑b   (4)

其中，R、G、B为RGB图像中的红、绿、蓝，r、g、b为RGB图像中红、绿、蓝三个波段特征；

纹理特征提取过程为，利用公式(5)‑(8)计算纹理特征，粗糙度、对比度、线性度、方向度

其中，F_crs为粗糙度，F_con为对比度，F_lin为线性度，F_dir为方向度，p代为直方图中的峰值，np为直方图中所有的峰值，对于某个峰值p，Wp代表该峰值所包含的所有的离散区域，而Φp是波峰的中心位置；

温度特征提取过程为，区域温度特征为每个像素点温度值的均值，利用冠层温度与空气温度之差DT来表示冠层温度特征，

公式中，N为子图像的像素总数，T_i为子图像第i个像素点的温度值，T_et为环境温度。

4.按照权利要求1所述的一种利用热红外图像的水稻倒伏监测方法，其特征在于：所述步骤三构建倒伏区域判别模型具体为，

3.1、PSO算法模块的一个粒子寻找到一组适宜参数；

3.2、以该组参数构造SVM，在数据上进行交叉验证，将均方根误差作为适应度值返回给PSO算法模块；

3.3、如果PSO算法的所有粒子都进行了3.2的适应度值的计算，那么转3.4，否则转3.1；

3.4、更新PSO算法的各个粒子的位置信息、速度信息以及局部极值等，转3.5；

3.5、PSO算法模块判断是否达到退出条件，若符合退出条件，则退出返回最优适应度值，否则转3.1；

利用PSO‑SVM模型识别出子图像是否为倒伏，并最终计算倒伏数量和面积。

5.按照权利要求1所述的一种利用热红外图像的水稻倒伏监测方法，其特征在于：所述步骤五倒伏模型验证过程为，人工从图像上选取不同时间段倒伏区域与非倒伏区域60个，每个区域划分成100个子图像，利用误报率FPR和漏报率FNR来判断本方法的精准性，根据区域中倒伏子图像占整副图像的比例来计算倒伏率。