基于可见光影像的小麦产量计算模型的构建方法及其应用技术

本发明专利技术特别涉及一种基于可见光影像的小麦产量计算模型的构建方法，包括如下步骤：A、拍摄实验麦田的RGB图像；B、对麦田RGB图像进行预处理得到训练集和测试集；C、计算样本的特征值；D、人工计算样本的小麦产量；E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练，得到每种特征的权重系数，选取最优特征组合；F、将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型；本发明专利技术还公开了利用该模型计算小麦产量的方法。以RGB像元值以及植被指数来作为样本的特征值，这些特征值能很好地作为小麦产量评估依据；利用随机森林算法挑选最优特征组合，可以大幅减少后期小麦产量计算量和处理速度，并且计算结果的精确度也能够得到保证。

【技术实现步骤摘要】
基于可见光影像的小麦产量计算模型的构建方法及其应用
本专利技术涉及农业自动化
，特别涉及一种基于可见光影像的小麦产量计算模型的构建方法及其应用。
技术介绍
小麦作为我国三大粮食作物之一，其产量关乎着国计民生，是国家经济正常发展的基石。国家统计局的数据显示，2019年小麦产量达到13106万吨(2621亿斤)，同比增长2.1％，而播种面积为22984千公顷(34477万亩)，同比下降1.8％。这主要是国家正全面推动深化农村改革的“以科技驱动农业，逐步引导中国农业进入数字化、自动化时代”政策有关。即利用新一代信息技术对小麦生产中的产量进行监测，以期利用有限的耕地资源实现最大粮食产出的目的，满足新时期下因经济发展、人口上升所带来的巨大小麦产量需求。遥感技术作为一种行之有效的地球观测技术，具有尺度大、效率高、无损伤等优点，被广泛地应用于各种精准农业相关课题研究。目前，遥感技术按空间尺度的不同可分为卫星遥感、航空遥感、无人机遥感、近地遥感。卫星遥感以卫星为监测平台，覆盖范围极广、监测尺度极大，但是易受天气影响，若监测地区有云层、浓雾遮挡，则部分传感器不能很好地获取到有效信息，而且卫星遥感具有固定的回访周期，不能保证即时即刻获取数据；航空遥感灵活性较高，且具备一定的抗天气影响能力，而且监测尺度大小也能随需求做出相应改变，但是其部署成本较高，具有一定风险性；近地遥感能获取到高分辨率的数据，但是一般仅能做到“点”上的监测，无法快速便捷地做到“面”上的监测；无人机遥感以无人机为平台，具有极大的灵活性和安全性，获取的数据具有分辨率高、时效快、不受云层影响等优点，近年来已逐渐成为作物长势监测、农情分析的热门手段。利用无人机遥感技术进行作物产量反演的任务中，通常使用线性回归算法和偏最小二乘回归算法来建立模型，这些模型的计算精度不高。
技术实现思路
本专利技术的首要目的在于提供一种基于可见光影像的小麦产量计算模型的构建方法，能够快速的构建出小麦产量计算模型，且得到的模型计算精度高。为实现以上目的，本专利技术采用的技术方案为：一种基于可见光影像的小麦产量计算模型的构建方法，包括如下步骤：A、通过无人机拍摄实验麦田的RGB图像；B、对麦田RGB图像进行预处理得到感兴趣区域后进行处理得到样本，并将样本按一定比例分成训练集和测试集；C、根据样本的RGB图像计算样本的特征值，特征值为样本区域的R、G、B像元值以及利用像元值计算得到的植被指数；D、人工计算样本的小麦产量；E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练，得到每种特征的权重系数，选取最优特征组合；F、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种，将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。与现有技术相比，本专利技术存在以下技术效果：通过原始图像的RGB像元值以及常见的植被指数来作为样本的特征值，这些特征值能很好地作为小麦产量评估依据；同时，利用随机森林算法对训练集进行初步训练，可以得到每种特征值的权重系数，再根据权重系数挑选最优特征组合，可以大幅减少后期小麦产量计算量和处理速度，并且计算结果的精确度也能够得到保证。本专利技术的另一个目的在于提供小麦产量计算方法，可以准确的计算小麦产量。为实现以上目的，本专利技术采用的技术方案为：一种小麦产量计算方法，包括如下步骤：S1、通过无人机拍摄待测麦田的RGB图像；S2、对待测麦田的RGB图像进行剪裁得到待测麦田区块的RGB图像；S3、根据待测麦田区块的RGB图像中每个像素的像元值R、G、B计算植被指数得到特征值；S4、将待测麦田区块RGB图像中所有像素点的特征值代入模型中计算得到该像素点对应的产量；S5、对所有像素点的产量求取平均值即可得到该麦田的小麦产量；所述步骤S4中的模型按前述步骤A-F构建得到。与现有技术相比，本专利技术存在以下技术效果：根据构建好的模型，将待测麦田进行预处理得到感兴趣区域，然后直接利用模型对感兴趣区域进行产量计算，这样就可以计算出待测麦田中的产量分布，从而可以方便的计算出待测麦田中小麦的产量，模型事先可根据实验田块构建好，这里只需要将图像预处理后代入模型中即可方便的计算得出，处理速度非常快。附图说明图1是步骤B31的示意图，其中左侧是RGB大图，右侧是麦田区域；图2是步骤B32的示意图，其中第一行第一列是人工标记获得，其他部分是自动处理获得；图3是步骤B34的示意图；图4是本专利技术实施例中特征值的权重排序示意图；图5是本专利技术实施例中小麦测试样本的产量实测值与不同模型的预测值关系图；图6是不同采样尺度的ROI示意图；图7是小麦产量反演图。具体实施方式下面结合图1至图7，对本专利技术做进一步详细叙述。本专利技术公开了一种基于可见光影像的小麦产量计算模型的构建方法，包括如下步骤：A、通过无人机拍摄实验麦田的RGB图像；B、对麦田RGB图像进行预处理得到感兴趣区域后进行处理得到样本，并将样本按一定比例分成训练集和测试集；C、根据样本的RGB图像计算样本的特征值，特征值为样本区域的R、G、B像元值以及利用像元值计算得到的植被指数；D、人工计算样本的小麦产量；E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练，得到每种特征的权重系数，选取最优特征组合；F、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种，将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。通过原始图像的RGB像元值以及常见的植被指数来作为样本的特征值，这些特征值能很好地作为小麦产量评估依据；同时，利用随机森林算法对训练集进行初步训练，可以得到每种特征值的权重系数，再根据权重系数挑选最优特征组合，可以大幅减少后期小麦产量计算量和处理速度，并且计算结果的精确度也能够得到保证。进一步地，所述的步骤A中，无人机拍摄的RGB图像为JPG格式的，所拍摄的田块上布设有像控点，步骤B包括如下步骤：B1、对无人机拍摄的RGB图像进行影像拼接得到一副完整的RGB大图，这里之所以对图像进行拼接，是因为虽然现在的图像传感器分辨率已经能达到千万像素的级别，但由于有限的镜头视场角，影像的地面分辨率以及覆盖地物的面积是矛盾的，因此，在追求影像分辨率高的场景下，影像所覆盖地物的面积往往较小，影像拼接即可解决这一问题；影像拼接是将在同一地点拍摄的一系列具有一定重叠度的影像经过一系列算法步骤生成一幅较大影像的方法，这是非常成熟的技术，我们可以直接通过AgisoftPhotoscan软件来进行拼接。由于无人机在飞行过程中会受到风速、风向等因素影响造成航迹偏移，以及自身所带GPS精度较低，使得最后的成图会有一定的几何畸变以及地理坐标偏移问题，因此需要在拼接过程中引入像控点进行几何校正，故这里还包括步骤B2、根据像控点坐标对RGB大图进行几何校正，像控点坐标通过全球导航卫星系统定位得到；本专利技术本文档来自技高网...

【技术保护点】
1.一种基于可见光影像的小麦产量计算模型的构建方法，其特征在于：包括如下步骤：/nA、通过无人机拍摄实验麦田的RGB图像；/nB、对麦田RGB图像进行预处理得到感兴趣区域后进行处理得到样本，并将样本按一定比例分成训练集和测试集；/nC、根据样本的RGB图像计算样本的特征值，特征值为样本区域的R、G、B像元值以及利用像元值计算得到的植被指数；/nD、人工计算样本的小麦产量；/nE、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练，得到每种特征的权重系数，选取最优特征组合；/nF、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种，将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。/n

【技术特征摘要】
1.一种基于可见光影像的小麦产量计算模型的构建方法，其特征在于：包括如下步骤：
A、通过无人机拍摄实验麦田的RGB图像；
B、对麦田RGB图像进行预处理得到感兴趣区域后进行处理得到样本，并将样本按一定比例分成训练集和测试集；
C、根据样本的RGB图像计算样本的特征值，特征值为样本区域的R、G、B像元值以及利用像元值计算得到的植被指数；
D、人工计算样本的小麦产量；
E、将训练集的特征值和对应的小麦产量输入随机森林算法中进行训练，得到每种特征的权重系数，选取最优特征组合；
F、利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法中的任一种，将训练集的最优特征组合和对应的小麦产量代入进行训练即可得到小麦产量计算模型。


2.如权利要求1所述的基于可见光影像的小麦产量计算模型的构建方法，其特征在于：所述的步骤A中，无人机拍摄的RGB图像为JPG格式的，所拍摄的田块上布设有像控点，步骤B包括如下步骤：
B1、对无人机拍摄的RGB图像进行影像拼接得到一副完整的RGB大图；
B2、根据像控点坐标对RGB大图进行几何校正，像控点坐标通过全球导航卫星系统定位得到；
B3、对RGB大图进行剪裁得到样本。


3.如权利要求2所述的基于可见光影像的小麦产量计算模型的构建方法，其特征在于：所述的步骤B3中，包括如下步骤：
B31、人工剪裁出麦田区域，该麦田区域由多行、多列麦田区块构成，麦田区域中的小麦品种有多个；
B32、人工标记麦田区域中第一行、第一列中麦田区块，再根据第一行和第一列的麦田区块坐标自动推算出其他行列麦田区块的坐标；
B34、将每个麦田区块等比例分成多行多列得到麦田子区块，每个麦田子区块即一个样本。


4.如权利要求1、2或3所述的基于可见光影像的小麦产量计算模型的构建方法，其特征在于：所述的步骤C中，样本的特征值包括R、G、B三个像元值和15种植被指数，其中15种植被指数按如下公式计算得到：



式中，R、G、B三个像元值是针对每个样本区域中所有像素点的R、G、B值求平均后得到，r、g、b是分别对样本的R、G、B像元值进行归一化后得到的。


5.如权利要求1、2或3所述的基于可见光影像的小麦产量计算模型的构建方法，其特征在于：所述的步骤D中，小麦产量按如下步骤计算得到：
D1、统计样本某一区域或整个区域中麦穗数量L并计算所统计区域的面积S；
D2、随机挑选多个麦穗进行脱粒，统计麦穗上的穗粒数N；
D3、将多个麦穗上脱下的籽粒混匀后分成多份，每份有X粒籽粒，统计各份籽粒并求平均值得到每份籽粒的重量M；
D4、样本的小麦产量按如下公式计算得到：产量＝(L×N×M)/(X×S)。


6.如权利要求1、2或3所述的基于可见光影像的小麦产量计算模型的构建方法，其特征在于：所述的步骤E中，按如下步骤选取最优特征组合：
E1、将所有特征按照权重系数从大到小进行排序；
E2、按照排序挑选前若干个特征使得这些特征的权重系数之和大于设定阈值；
E3、满足步骤E2条件的若干个特征即最优特征组合。


7.如权利要求1、2或3所述的基于可见光影像的小麦产量计算模型的构建方法，其特征在于：所述的步骤F中，包括如下步骤：
F1、将训练集的最优特征组合以及小麦产量分别利用线性回归算法、偏最小二乘回归算法、支持向量机算法、决策树算法、随机森林算法、梯度提升树算法建立六个模型；
F2、根据测试集的数据，按如下公式计算六个模型的决定系数R2或均方根误差RMSE：



其中，fi为第i个样本的预测值，为因变量均值；
F3、取六个模型中决定系数R2最接近1的那个模型或取六个模型中均方...

【专利技术属性】
技术研发人员：张东彦，杨琦，梁栋，赵鑫，黄林生，杜世州，张向前，郭森，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34