基于无人机遥感影像的农田画像及药肥大数据分析方法

技术领域

本发明属于无人机遥感影像领域，特别涉及基于无人机遥感影像的农田画像及药肥大数据分析方法。

背景技术

随着社会和科技的发展进步，传统的农耕方式逐渐被具有工业化、科技化现代特色的新型农耕方式所取代。

我国是农业大国，随着科技的兴起和技术的推动，包括大数据、遥感技术、地理信息系统在内的新兴技术被广泛的运用于农业方面，已具备对农作物的增产手段；越来越多的农药和肥料被撒入农田里，比如化肥、除草剂等；它们的出现大大提高了农作物的产量。

但是由于目前的监控系统，大多存在采集的数据单一、数据结构简单，或监测不够精确的问题，无法为农户提供一套完整的解决方案和可视化的处理过程；并且在实际生产过程中，同一农户的同一地块可能种植有不同作物，这些作物所需要的药肥不尽相同，怎么利用无人机进行药肥分析和抛洒相应药肥成为一个亟待解决的难题。

发明内容

针对背景技术中存在的问题，本发明的目的在于：提供了基于无人机遥感影像的农田画像及药肥大数据分析方法，用以建立一个完整的解决方案和可视化的处理过程并且能针对性的解决同一地块不同作物药肥分析及抛洒的问题。

本发明的目的是通过以下技术方案来实现的：基于无人机遥感影像的农田画像及药肥大数据分析方法，包括下述步骤：

步骤S1：航片获取：无人机搭载拍摄设备，所述拍摄设备采集若干幅目标农田的无人机遥感影像；

步骤S2：航片处理：利用SIFT算法进行图像处理，拼接得到目标农田的轮廓图像；并根据无人机遥感影像提取目标农田的地块矢量，对目标农田边界的提取、绘制、修改、整合，得到目标农田的空间位置数据；利用遥感影像分类算法或深度学习方法对目标农田中的农作物的类型进行分类提取；

所述轮廓图像的拼接方法中,在初步获得图像中特征点的基础上，采用SIFT算法获得图像特征点的尺度信息，根据特征点领域内的梯度方向为每个特征点建立一个描述符，确定特征点的主方向，保证其旋转不变性；计算位置A(x，y)处梯度幅度大小和方向公式分别以下两式：

计算位置A(x，y)处梯度幅度大小的公式为：

所述轮廓图像的拼接方法中计算位置(x，y)处方向公式为：

上式中，其中L所用的尺度为每个关键点各自所在的尺度，A表示计算位置，m表示计算位置的梯度幅度，θ表示计算位置的方向，x、y为计算位置的坐标值；

对转换矩阵后的图像数据进行融合，利用加权平均计算融合图像，假设待拼接的图像为T

式中b1、b2表示加权系数，且b1+b2＝1；目的是为了实现重叠区域的平滑过渡。

步骤S3：航片数据处理：将所述轮廓图像、空间位置数据和农作物的类型整合到地块矢量图，建立农田轮廓及作物属性表，所述农田轮廓及作物属性表分区域录入的信息包括：每一地块对应的作物类别、灌溉信息、药肥信息、虫害信息、作物生长记录；

步骤S4：地面数据采集：地面监控终端分时段多次采集目标农田的实时视频和实时地理、天气数据，利用实时视频和实时地理、天气数据，通过卷积神经网络模型预测方法生成目标农田的预测产值数据。

步骤S5：数据整合：对采集的地面数据和农田轮廓及作物属性表进行大数据运算和筛选分析：使用大数据运算分析模块对目标农田的作物信息进行运算分析，得到目标农田的评估报告及分析报表。

作为一种优选的技术方案，所述拍摄设备包括无人机倾斜摄影平台，所述无人机倾斜摄影平台包括云台、悬挂装置、基台和摄影组件，所述云台的一端与无人机固定连接，云台的另一端通过悬挂装置与基台固定连接，所述摄影部件包括竖直摄影部件和旋转摄影部件，所述竖直摄影部件设置于基台的底部中心，所述竖直摄影部件的拍摄方向竖直向下，所述旋转摄影部件可转动地设置在基台的侧面，且拍摄方向相对竖直方向倾斜向下；所述旋转摄影部件能够绕所述竖直摄影部件旋转。

作为上述技术方案的进一步限定，所述基台的侧面设有圆形滑轨，所述旋转摄影部件设置在滑块上，所述滑块在所述圆形滑轨内绕竖直摄影部件转动。

作为上述技术方案的进一步限定，所述悬挂装置设有至少3个调平组件和1个固定铰；所述调平组件为可伸缩杆，调平组件相对于竖直摄影部件在基台上的位置周向均布；所述固定铰为直接将基台和云台连接的球铰。

作为一种优选的技术方案，所述灌溉信息包括灌溉水量、灌溉时间和灌溉区域。

作为一种优选的技术方案，所述药肥信息包括药肥种类、使用药肥数量、使用药肥时间、使用药肥区域。

作为一种优选的技术方案，所述作物生长记录包括作物种类、作物播种时间、作物播种量、作物播种区域、除虫时间以及每十天平均叶面积指数。

作为一种优选的技术方案，所述地面监控终端还包括水土监控装置和气象监控装置。

作为上述技术方案的进一步限定，所述水土监控装置包括温湿度监测设备、土壤PH监测设备、水质监测设备和土壤硬度传感器。

作为上述技术方案的进一步限定，所述气象监控装置包括风速测量器、雨量测量器以及空气温湿度测量器。

综上所述，由于采用了上述技术方案，本发明具有以下积极的技术效果：

1.本发明通过无人机遥感影像和地面数据采集，将目标农田的地块数据、作物信息、地面数据等进行大数据分析方法，可以对目标农田地块进行可视化的分析，可以系统的对目标农田的相关进行智能化管理分析，为农业生产提供一种完整的解决方案，结果更科学可靠，可以为农户的生产过程决策提供科学依据，还可以推广运用到其他种植领域诸如林业等。

2.本发明提供了一种无人机倾斜摄影平台，本发明通过绕竖直摄影部件旋转的旋转摄影部件进行不同水平方向的连续倾斜拍摄，从而能够通过连续倾斜拍摄的图像获取更加准确的非规则目标农田的轮廓图像，利用SIFT算法进行图像处理，拼接得到目标农田所有的轮廓图像；为同一地块种植有不同作物如何区分撒药肥的问题提供一种精度较高的解决方案。

3.本发明将目标农田轮廓图像、空间位置数据和农作物的类型整合到地块矢量图，建立农田轮廓及作物属性表，农田轮廓及作物属性表分区域录入目标农田记录表，目标农田记录表包括：每一地块对应的作物类别、灌溉信息、药肥信息、虫害信息、作物生长记录；使用大数据运算分析模块对目标农田的作物信息进行运算分析，得到目标农田的评估报告及分析报表；便于农户进行精细化管理，提供一种可视化的管理过程。

4.本发明的地面监控终端分时段多次采集目标农田的实时视频，利用实时视频数据通过卷积神经网络模型预测方法生成目标农田的实时地理和天气数据和实时虫害数据。更加贴合现场实际生产需要，为农户建立作物种植管理的实时数据，便于加强农户对于目标农田的生产把握。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：

图1是本发明的整体流程示意图；

图2是本发明的无人机倾斜摄影平台顶部视角的立体结构示意图；

图3是本发明的无人机倾斜摄影平台底部视角的立体结构示意图；

图4是本发明的无人机倾斜摄影平台与无人机的连接示意图；

图中标记：1-无人机倾斜摄影平台；2-悬挂装置；3-基台；4-圆形滑轨；5-竖直摄影部件；6-旋转摄影部件；7-滑块；8-云台；9-无人机。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

如图1所示，本发明提供的基于无人机遥感影像的农田画像及药肥大数据分析方法，包括下述步骤：

步骤S1：航片获取：无人机搭载拍摄设备，所述拍摄设备采集若干幅目标农田的无人机遥感影像；

步骤S2：航片处理：利用SIFT算法进行图像处理，拼接得到目标农田的轮廓图像；并根据无人机遥感影像提取目标农田的地块矢量，对目标农田边界的提取、绘制、修改、整合，得到目标农田的空间位置数据；利用遥感影像分类算法或深度学习方法对目标农田中的农作物的类型进行分类提取；

所述轮廓图像的拼接方法中,在初步获得图像中特征点的基础上，采用SIFT算法获得图像特征点的尺度信息，根据特征点领域内的梯度方向为每个特征点建立一个描述符，确定特征点的主方向，保证其旋转不变性；计算位置A(x，y)处梯度幅度大小和方向公式分别以下两式：

计算位置A(x，y)处梯度幅度大小的公式为：

所述轮廓图像的拼接方法中计算位置(x，y)处方向公式为：

上式中，其中L所用的尺度为每个关键点各自所在的尺度，A表示计算位置，m表示计算位置的梯度幅度，θ表示计算位置的方向，x、y为计算位置的坐标值；

对转换矩阵后的图像数据进行融合，利用加权平均计算融合图像，假设待拼接的图像为T

式中b1、b2表示加权系数，且b1+b2＝1；目的是为了实现重叠区域的平滑过渡。

步骤S3：航片数据处理：将所述轮廓图像、空间位置数据和农作物的类型整合到地块矢量图，建立农田轮廓及作物属性表，所述农田轮廓及作物属性表分区域录入目标农田记录表，所述目标农田记录表包括：每一地块对应的作物类别、灌溉信息、药肥信息、虫害信息、作物生长记录；

步骤S4：地面数据采集：地面监控终端分时段多次采集目标农田的实时视频，利用实时视频数据通过卷积神经网络模型预测方法生成目标农田的实时地理和天气数据和实时虫害数据。

步骤S5：数据整合：对采集的地面数据和农田轮廓及作物属性表进行大数据运算和筛选分析：使用大数据运算分析模块对目标农田的作物信息进行运算分析，得到目标农田的评估报告及分析报表。

本发明通过无人机遥感影像和地面数据采集，将目标农田的地块数据、作物信息、地面数据等进行大数据分析方法，可以对目标农田地块进行可视化的分析，可以系统的对目标农田的相关进行智能化管理分析，为农业生产提供一种完整的解决方案，结果更科学可靠，可以为农户的生产过程决策提供科学依据，还可以推广运用到其他种植领域诸如林业等。

其中，步骤S2中利用SIFT算法进行图像处理，拼接得到目标农田的轮廓图像的主要包括三步，即第一步：分块特征点提取，首先在尺度空间进行特征检测，确定关键点(Keypoints)的位置和所处尺度，然后使用邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。由于该算法是利用高斯差分函数来构造尺度空间函数的，所以其检测出的特征点，在图像上反映的不一定是明显的地形或地物点，但是该点却是高斯差分函数的极值所在。同时SIFT算法未考虑图像的色彩信息，因此在利用该算法对无人机影像提取特征之前，需要将影像做进一步处理将其变为全色影像，根据像对表和分块大小，将分块后的影像利用SIFT算法提取匹配特征点对；第二步：特征点匹配，利用SIFT算法提取的特征点对中存在一些误匹配的点(也称作“外点”)，如果不将这些“外点”去除，将导致计算出的变换矩阵存在较大误差，降低图像的拼接效果，在精匹配过程中首先采用随机一致性检验(RANSAC)算法，它对50％的错误点能有效的剔除，在通过RANSAC算法剔除后的特征点对中再采用最小二乘算法进一步检测剩余的匹配点对；第三步：图像拼接，即是将同一场景、相互间存在重叠部分的图像进行空间匹配对准，合成为一张大的宽视角图像，对于无人机获取的影像，由于是在同一视角、不同地点拍摄的，所以可以用仿射变换来描述相邻是像的变换关系，利用SIFT匹配时生成的数据，根据仿射变换方程和平差原理可以解算出变换矩阵，最终得到分块拼接的图像。

步骤S3将所述轮廓图像、空间位置数据和农作物的类型整合到地块矢量图，建立农田轮廓及作物属性表，所述农田轮廓及作物属性表包括：每一地块对应的作物类别、灌溉信息、药肥信息、虫害信息、作物生长记录；即是为同一地块能种植的不同作物进行区分，并记录不同作物地块的相关信息。

步骤S4中，地面数据采集可用于在数据分析中，基于气象对遥感影像采集、地物变化的客观影响，作为辅助数据，进行数据修正或分析。

步骤S5中对采集的地面数据和农田轮廓及作物属性表进行大数据运算和筛选分析：使用大数据运算分析模块对目标农田的作物信息进行运算分析，得到目标农田的评估报告及分析报表，这些目标农田的评估报告及分析报表是在地面处理中心中生成和备份，其中每一地块对应的作物类别、灌溉信息、药肥信息、虫害信息、作物生长记录都会通过目标农田的评估报告及分析报表可视化的展示在农户的接受终端中；使用大数据运算分析模块对目标农田的作物信息进行运算分析，得到目标农田的评估报告及分析报表；便于农户进行精细化管理，提供一种可视化的管理过程。

实施例二

如图2-3所示，本实施例在实施例一的基础上，所述拍摄设备包括无人机倾斜摄影平台1，所述无人机倾斜摄影平台1包括云台8、悬挂装置2、基台3和摄影组件，所述云台8的一端与无人机9固定连接，云台8的另一端通过悬挂装置2与基台3固定连接，所述摄影部件包括竖直摄影部件5和旋转摄影部件6，所述竖直摄影部件5设置于基台3的底部中心，所述竖直摄影部件5的拍摄方向竖直向下，所述旋转摄影部件6可转动地设置在基台3的侧面，且拍摄方向相对竖直方向倾斜向下；所述旋转摄影部件6能够绕所述竖直摄影部件5旋转；所述基台3的侧面设有圆形滑轨4，所述旋转摄影部件6设置在滑块7上，所述滑块7在所述圆形滑轨4内绕竖直摄影部件5转动。所述悬挂装置2设有至少3个调平组件和1个固定铰；所述调平组件为可伸缩杆、相对于竖直摄影部件5在基台3上的位置周向均布；所述固定铰为直接将基台3和云台8连接的球铰。

由于本发明无人机主要用于对目标农田的户外遥感影像的采集，户外复杂的大气环境可能会造成无人机的倾斜，当无人机发生倾斜时，悬挂装置能够调节云台处于水平状态，使得在旋转摄影组件进行连续倾斜拍摄时，不会因无人机的倾斜而造成连续倾斜拍摄图像存在高度和/或角度的差异，避免因此产生的遥感数据的误差；在旋转摄影组件进行倾斜拍摄时，旋转摄影组件的拍摄方向始终沿旋转摄影组件圆形运动轨迹的径向向外，以保证连续倾斜拍摄的角度保持不变，方便三维模型的合成。在进行连续倾斜拍摄时，滑块7在圆形滑轨4内匀角速度转动，连续拍摄的拍摄步长越短、滑块7旋转一周后，连续倾斜拍摄的图像越多，每帧图像之间的连续性越好，三维模型的合成越贴合实际的拍摄对象，但如果拍摄步长过短，拍摄的图像过多，会极大地增加图像的数据量以及模型合成的计算量，本发明实施例中滑块7旋转一周，连续倾斜拍摄的图像数量为70-144，优选为96。

悬挂装置2通过伸缩来调整基台3和云台8对应位置处的距离，使得在云台8随无人机发生倾斜时，基台3能够保证处于水平状态。此外，由于调平组件3均未可伸缩杆，标定铰的设置能够防止调平组件3造成云台2远离或靠近无人机，只要无人机能够保持相对地表高度不变，即可实现云台2相对地表高度不变，且保持水平，进而使得旋转摄影组件在进行连续倾斜拍摄时不会出现图像的高度差，避免因此产生的三维建模误差，是三维模型能更加准确地模拟实际地形。

竖直摄影组件的拍摄方向竖直向下，竖直摄影组件获取直射图像，能够作为连续倾斜拍摄图像生成三维模型时的合成位置依据，使得图像合成时不会造成图像间明显的位置错位。

旋转摄影组件进行连续倾斜拍摄，并获取连续倾斜拍摄图像，用以合成三维模型，滑块7能够调整旋转摄影组件相对水平面的俯仰角度，在使用旋转摄影组件进行连续倾斜拍摄前，可以根据拍摄目标农田的大致倾斜程度预设旋转摄影组件的俯仰角度，使得旋转摄影组件进行连续倾斜拍摄的图像能够包含更多的拍摄对象的特征、形状等信息，使通过连续倾斜拍摄的图像合成的三维模型能够更加真实地模拟拍摄对象。

可以理解的是，根据本实施例采集到目标农田轮廓数据较为准确，故而，可以根据轮廓数据和作物种类进行分区撒药，针对不同的作物种植区域进行准确撒不同种类的药肥，保证农业生产的高效进行，形成一套整体性的分区撒药技术方案，为农户的生产作业保驾护航。

实施例三

本实施例是在实施例一的基础之上，所述灌溉信息包括灌溉水量、灌溉时间和灌溉区域；所述药肥信息包括药肥种类、使用药肥数量、使用药肥时间、使用药肥区域；所述作物生长记录包括作物种类、作物播种时间、作物播种量、作物播种区域、除虫时间以及每十天平均叶面积指数。

其中，药肥信息可以验证针对某一种作物进行药肥效力验证，如，想得到在基本相同的生长环境下使用不同药肥对某一农作物产量的差异，就可以使用大数据运算在所有数据中把使用药肥数量、使用药肥时间、使用药肥区域、作物的收获信息等信息进行同类对比，以不同药肥种类为对比点，完成农作物相同生长环境的筛选后输出分析报表；可以在相同的生长环境下只辨别药肥与单位面积产量之间的关系，相应的，在其他条件一致或者近似的情况下，使用某一品牌药肥的单位面积产量越高就说明这个药肥品牌效果好，反之效果差。

同样的，还可以得出药肥使用时间、药肥使用数量、药肥使用搭配等等情况的最佳实施方式，在此就不再赘述。

同理，用控制单一变量的试验方法，还可以得出灌溉水量、灌溉时间、灌溉区域中的某一因数对于某一作物的单位面积产量的影响。

利用大数据分析方法和无人机遥感影像技术便于农户对于生产过程中影响因数的把握，为农户提供一套完整的解决方案和可视化的处理过程。

实施例四

本实施例是在实施例一的基础之上，所述地面监控终端还包括水土监控装置和气象监控装置，所述水土监控装置包括温湿度监测设备、土壤PH监测设备、水质监测设备和土壤硬度传感器，所述气象监控装置包括风速测量器、雨量测量器以及空气温湿度测量器。

其中，所述数据监测系统中，温湿度监测设备、土壤PH监测设备、水质监测设备和土壤硬度传感器将采集的数据通过无线(如ZigBee、WiFi、蓝牙等等)/或有线方式传输至地面处理中心。

其中，水质监测装置包括水质监测仪和/或地下水参数监测器等等，用以采集水域、水源或地下水数据。

所述气象监测装置包括风速测量器、雨量测量器以及空气温湿度测量器，用以采集气象监测数据，可以在后续的大数据分析过程中，辅助进行其他类数据的分析。

通过上述技术方案，将采集到的水土数据和气象数据导入到地面处理中心，便于建立农田轮廓及作物属性表对应的地理和气象对应表，更加准确的描述不同情况下的作物情况，为农户提供相应记录，便于进行后期作物生产的合理预测模型。

在上文中，结合具体的实施例对本发明的各种实施方式进行了描述。然而，应当得出的理解是：本发明的对各个实施例描述的用意不是对本发明的限制。以上所述仅是本发明的示范性实施例，而非用于限制本发明的保护范围，本发明的保护范围由权利要求确定。