一种燕麦识别方法及系统

1.本技术涉及一种燕麦识别方法及系统。


背景技术：

2.燕麦，为一年生禾本科草本植物，喜凉爽，不耐热，适应能力强。燕麦的营养价值高，利用方式多样。在我国，燕麦种植区域与规模化生产面积也逐年增加。如何及时获取大尺度的燕麦产量、长势对于畜牧业的发展至关重要。目前，常用的作物长势监测方法主要有人工观察法、机器视觉与数字图像处理法、遥感监测法等。其中，在遥感监测法中，无人机航拍作为高分辨率遥感数据的重要组成部分，其时效性强、空间分辨率高、数据量大、云层干扰小，能够长期地监测作物变化以及反映作物长势情况。目前，基于无人机影像技术的长势遥感系统在小麦、水稻、马铃薯等农作物的应用已经较为广泛，但应用在燕麦作物上的研究却鲜有报道，主要原因为燕麦存在识别困难、差异性小、存在干扰时难以识别等问题。


技术实现要素：

3.为了解决上述问题，本技术一方面公开了一种燕麦识别方法，包括如下步骤：获得待监测区域的原始图像；对原始图像进行影像数据处理得到dsm影像；根据植被指数判断燕麦所在的区域并将dsm影像中的燕麦所在区域进行提取得到初步识别影像；对初步识别影像当中确定的区域通过超声波传感测量的方式得到燕麦测量高度，将测量高度作为基值进行燕麦范围、燕麦高度以及株数的计量。本技术将原始图像变化为dsm影像，然后将dsm影像作为基础进行初步提取得到初步识别影像，然后再依靠燕麦测量高度来进行范围、高度以及株数的再确定，在降低计算难度和计算量的前提下，进一步的保证提取结果的准确性和可靠性，以用于种植决策。
4.优选的，还包括计算高度，所述计算高度按照如下方式得到：
5.建立基于区域的不同构建长势算法，所述长势算法按照如下方式得到：通过设定监测无人机的指定飞行高度，从播种开始进行定期燕麦长势的跟踪；通过长势跟踪的时间差异来计算区域目标植物生长速度的历史数据，从而得到基于区域的长势算法；
6.根据长势算法来计算得到待监测区域的燕麦的计算高度，将计算高度进行拓展得到高度阈值。本技术通过历史数据来得到计算高度，计算高度实质上就是一个历史数据，通过区域、时间等进行追溯而得到该数据，然后以此作为判断基准，尽可能的避免误认。
7.优选的，所述指定飞行高度为100m。
8.优选的，所述高度阈值为在0.5倍的计算高度和1.5倍的计算高度之间。
9.优选的，还包括再筛选的过程：包括将结合了区域信息的计算高度与无人机处理后同步生成的初步识别影像结合，以每一区域计算的燕麦范围作为一个搜索窗口，搜索其在初步识别影像中的相应位置，然后向外扩展一个像素形成新的计算窗口，按照该种方式进行逐一区域的对比，并利用土地利用类型调查数据与影像、燕麦的计算高度，对修正识别影像进行再筛选，最终确定燕麦的位置，得到优化影像。本技术通过该种逐步像素的确定方
式，可以基本上保证99％的准确率，且利于后期对于植株株数的识别。
10.优选的，所述原始图像以及超声波传感测量全部通过无人机测量实现：通过无人机的超声波传感器进行燕麦高度采集得到测量高度。
11.优选的，还包括推算高度，所述推算高度按照初步识别影像得到的燕麦的冠层直径进行燕麦的初步识别并根据冠层高度得到推算高度，将推算高度与燕麦的测量高度进行高度匹配，若在设定范围内，则将该冠层对应的植物设定为一株燕麦。本技术通过将冠层直径作为一个判断依据，并辅助以推算高度，从而可以对于其是否是冠层做出更为准确的判定，以此来提高植株识别的准确定，尽可能的避免植株数量识别的错误。
12.优选的，所述高度匹配首先拓展推算高度得到推算范围，所述推算范围为0.7倍的推算高度到1.3倍的推算高度，然后验证测量高度是否在该推算范围之内。
13.优选的，根据对于冠层的识别结果绘制得到燕麦植株的分布图，计算设定单位范围内的植株数量，继而得到植株分布的均一化系数。
14.另一方面，本技术还公开了一种燕麦识别系统，包括如下模块：
15.图像获取模块，用于获得待监测区域的原始图像；
16.预处理模块，用于对原始图像进行影像数据处理得到dsm影像；
17.提取模块，用于根据植被指数判断燕麦所在的区域并将dsm影像中的燕麦所在区域进行提取得到初步识别影像；
18.计算模块，对初步识别影像当中通过超声波传感测量的方式得到燕麦测量高度，将测量高度作为基值进行燕麦范围以及株数的计量。
19.本技术具有如下优点：
20.1.本技术将原始图像变化为dsm影像，然后将dsm影像作为基础进行初步提取得到初步识别影像，然后再依靠燕麦测量高度来进行范围、高度以及株数的再确定，在降低计算难度和计算量的前提下，进一步的保证提取结果的准确性和可靠性，以用于种植决策。
21.2.本技术通过历史数据来得到计算高度，计算高度实质上就是一个历史数据，通过区域、时间等进行追溯而得到该数据，然后以此作为判断基准，尽可能的避免误认。
22.3.本技术通过将冠层直径作为一个判断依据，并辅助以推算高度，从而可以对于其是否是冠层做出更为准确的判定，以此来提高植株识别的准确定，尽可能的避免植株数量识别的错误。
附图说明
23.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
24.图1为实施例1的示意图；
25.图2为实施例2的示意图。
具体实施方式
26.为能清楚说明本方案的技术特点，下面通过具体实施方式，对本技术进行详细阐述。
27.在第一个实施例中，如图1所示，一种燕麦识别方法，包括如下步骤：
28.s101通过无人机获得待监测区域的原始图像；
29.试验由大疆rtk 像控技术进行图像与数据采集；先用rtk进行线性扫描地况，然后将素材倒入服务器进行渲染、生成，最终获取高精度的燕麦三维影像。
30.s102对原始图像进行影像数据处理得到dsm影像；
31.无人机影像通过对普通数码相机提供的可见光影像和rededge相机提供的多光谱影像两种影像数据进行处理，从而获得dsm影像。
32.s103根据植被指数判断燕麦所在的区域并将dsm影像中的燕麦所在区域进行提取得到初步识别影像；
33.影像处理过程中主要是利用植被指数对植被区域进行提取，将非燕麦种植区设为背景，消除其对燕麦植株识别时产生的影响。将消除非植被区域的植被指数影像作为输入影像，利用env15.5软件的count crops工具，获得初步识别的燕麦植株影像，并对产生的结果进行二次或多次处理，从而提高燕麦的识别精度，得到初步识别影像。
34.s104对初步识别影像当中确定的区域通过无人机超声波传感测量的方式得到燕麦测量高度，将测量高度作为基值进行燕麦范围、燕麦高度以及株数的计量：
35.s1041还包括计算高度，所述计算高度按照如下方式得到：
36.建立基于区域的不同构建长势算法，所述长势算法按照如下方式得到：通过设定监测无人机的指定飞行高度，指定飞行高度为100m，从播种开始进行定期燕麦长势的跟踪；通过长势跟踪的时间差异来计算区域目标植物生长速度的历史数据，从而得到基于区域的长势算法；
37.根据长势算法来计算得到待监测区域的燕麦的计算高度，将计算高度进行拓展得到高度阈值，所述高度阈值为在0.5倍的计算高度和1.5倍的计算高度之间。
38.s1042还包括再筛选的过程：包括将结合了区域信息的计算高度与无人机处理后同步生成的初步识别影像结合，以每一区域计算的燕麦范围作为一个搜索窗口，搜索其在初步识别影像中的相应位置，然后向外扩展一个像素形成新的计算窗口，按照该种方式进行逐一区域的对比，并利用土地利用类型调查数据与影像、燕麦的计算高度，对修正识别影像进行再筛选，最终确定燕麦的位置，得到优化影像。
39.s1043还包括推算高度，所述推算高度按照初步识别影像得到的燕麦的冠层直径(存在情况下)进行燕麦的初步识别并根据冠层高度得到推算高度，将推算高度与燕麦的测量高度进行高度匹配，若在设定范围内，则将该冠层对应的植物设定为一株燕麦。所述高度匹配首先拓展推算高度得到推算范围，所述推算范围为0.7倍的推算高度到1.3倍的推算高度，然后验证测量高度是否在该推算范围之内。根据对于冠层的识别结果绘制得到燕麦植株的分布图，计算设定单位范围内的植株数量，继而得到植株分布的均一化系数，一般采用kappa系数。
40.若增加基于燕麦冠层高度的推算高度的核算方式，在检测同样325个样本的情况下，总体精度由91.46％提升至98.91％，kappa系数由0.857提升至0.982。
41.在第二个实施例中，如图2所示，一种燕麦识别系统，包括如下模块：
42.图像获取模块201，用于获得待监测区域的原始图像；
43.预处理模块202，用于对原始图像进行影像数据处理得到dsm影像；
44.提取模块203，用于根据植被指数判断燕麦所在的区域并将dsm影像中的燕麦所在
区域进行提取得到初步识别影像；
45.计算模块204，对初步识别影像当中通过超声波传感测量的方式得到燕麦测量高度，将测量高度作为基值进行燕麦范围以及株数的计量。
46.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。