基于无人机多光谱影像深度特征的小麦锈病监测方法

技术领域

本发明属于小麦锈病监测技术领域，具体公开了一种基于无人机多光谱影像深度特征的小麦锈病监测方法。

背景介绍

小麦是我国主要的粮食作物之一，在国家粮食安全和国民经济发展中有着重要的地位，小麦锈病是影响小麦生产的主要病虫害之一，具有影响范围广、演变性强、传播速度快等特点，严重时会导致作物减产50％以上。传统的小麦锈病监测方法主要依靠人工田间调查，该方法不仅费时费力，还难以快速、精准的获取受灾区域范围和受灾程度。因此，需要一种快速、大范围、无损，并且能够保证识别准确率的小麦锈病监测方法，从而及时采取相关措施，降低作物损失。遥感技术可以通过解析作物反射或者辐射的电磁波信息，实现对作物生长参数和生理参数的监测识别，已经逐渐成为监测作物长势、病虫害、产量预测的主要方式之一。其中卫星遥感可以获取大范围区域的影像数据，实现作物生长参量反演和病虫害监测应用，但是其较长的访问周期、较低的分辨率以及混合像元等问题，导致难以获取及时、有效的作物病虫害监测结果。针对上述存在的问题，研究设计一种新型的基于无人机多光谱影像深度特征的小麦锈病监测方法，克服现有小麦锈病监测中存在的问题是十分必要的。

发明内容

为了克服现有技术中通过人工田间调查监测小麦锈病不仅需要大量的人力和时间，还难以快速、精准的获取受灾区域范围和受灾程度，通过卫星遥感监测小麦锈病需要较长的访问周期且分辨率较低，不能够及时的获得监测结果的问题，本发明提供了一种基于无人机多光谱影像深度特征的小麦锈病监测方法。

本发明提供了一种基于无人机多光谱影像深度特征的小麦锈病监测方法，包括如下步骤：

S1.地面采集实测数据，在研究区域内随机选取不同位置的小麦作为采样方，并采集每个采样方的对应坐标，分别计算每个采样方内小麦的病叶比率；

S2.通过多光谱无人机获取研究区域内不同波段的多光谱影像，获取小麦遥感影像数据集；

S3.对步骤S2中获取所述小麦遥感影像数据集中的多光谱影像进行拼接和预处理得到小麦光谱影像，并计算所述小麦光谱影像的光谱指数，得到采样方光谱指数影像特征集；

S4.对步骤S3中得到的所述光谱指数影像特征集进行相关性特征排序和第一特征筛选，得到最优光谱特征集；

S5.对步骤S2中得到的所述小麦遥感影像数据集和步骤S4中得到的最优光谱特征集中的影像进行纹理特征计算，得到纹理特征集，将所述纹理特征集与所述最优光谱特征集组合生成第一候选特征集，对所述第一候选特征集进行特征排序和第二特征筛选，得到最优组合特征集；

S6.通过预训练的深度学习网络对步骤S2中得到的所述小麦遥感影像数据集和步骤S5中得到的最优组合特征集中的影像进行深度特征提取，得到深度特征集，将所述深度特征集与所述最优组合特征集组合生成第二候选特征集，对所述第二候选特征集进行特征排序和第三特征筛选，得到最优深度特征集，利用所述最优深度特征集构建多个相关性-回归模型；

S7.通过步骤S1中得到的每个采样方内小麦的病叶比率比较步骤S6中构建的所述多个相关性-回归模型的精度，选取精度最高的相关性-回归模型对待测小麦区域进行反演制图，得到小麦锈病监测结果。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S1中，通过千寻位置提供的厘米级差分定位系统，在研究区域内随机选取采样方，采样方均为10cm×10cm的样方，标注采样方中心位置坐标并记录，获取采样方内患病叶片个数和小麦叶片总数，分别计算每个采样方内小麦的病叶比率RD，病叶比率RD如公式(1)所示：

RD＝d/s (1)

其中，RD为病叶比率，d为采样方内患病叶片个数，s为采样方内的小麦叶片总数。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S2中，通过多光谱无人机获取研究区域内不同波段的多光谱影像时，多光谱无人机在晴朗天气飞行，在当地时间11：00-13：00完成飞行，多光谱影像空间分辨率不低于每像素1.6cm，多光谱无人机的航向重叠率不低于75％，多光谱无人机的旁向重叠率不低于75％。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S3中，所述预处理包括：地理配准、几何校正、反射率校正、辐射校正和大气校正；

所述光谱指数包括计算光谱指数和经验光谱指数，所述计算光谱指数包括差值光谱指数、比值光谱指数和归一化光谱指数，所述差值光谱指数的计算如公式(2)所示：

DSI

其中，DSI

所述比值光谱指数的计算如公式(3)所示：

其中，RSI

所述归一化光谱指数的计算如公式(4)所示：

其中，NDSI

所述经验光谱指数包括花青素反射指数、优化土壤调整植被指数、三角植被指数、宽动态范围植被指数、土壤调节植被指数、红边叶绿素指数、修正型三角植被指数、改良非线性植被指数、绿叶指数和绿色叶绿素植被指数；

所述花青素反射指数的计算如公式(5)所示：

其中，ARI表示花青素反射指数，R

所述优化土壤调整植被指数的计算如公式(6)所示：

其中，OSAVI表示优化土壤调整植被指数，R

三角植被指数的计算如公式(7)所示：

其中，TVI表示三角植被指数；

宽动态范围植被指数的计算如公式(8)所示：

其中，WDRVI表示宽动态范围植被指数，R

土壤调节植被指数的计算如公式(9)所示：

其中，SAVI表示土壤调节植被指数；

红边叶绿素指数的计算如公式(10)所示：

其中，CIre表示红边叶绿素指数；

修正型三角植被指数的计算如公式(11)所示：

其中，MTVI

改良非线性植被指数的计算如公式(12)所示：

其中，MNLI表示改良非线性植被指数；

绿叶指数的计算如公式(13)所示：

其中，GLI表示绿叶指数，R

绿色叶绿素植被指数的计算如公式(14)所示：

其中，CI

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S4中，所述相关性排序包括皮尔逊相关系数、灰色关联度和投影变量重要性；所述第一特征筛选包括根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算所述多个回归拟合模型的AIC值，将AIC值最小的回归拟合模型包含的光谱指数输出为最优光谱特征集，所述机器学习模型包括偏最小二乘回归模型、后向传播神经网络模型、随机森林模型和极限学习机模型。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S5中，通过灰度共生矩阵的概率统计方法对步骤S2中得到的所述小麦遥感影像数据集中的多光谱影像和步骤S4中得到的最优光谱特征集中的多光谱影像和光谱指数影像进行纹理特征提取，所述纹理特征包括均值、协同性、相异性、信息熵、二阶矩、相关性、对比度和方差。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S5中，所述相关性排序包括皮尔逊相关系数、灰色关联度和投影变量重要性；所述第二特征筛选包括根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归模型的AIC值，将AIC值最小的回归拟合模型所包含的光谱指数和纹理指数特征输出为最优组合特征集，所述机器学习模型包括偏最小二乘回归模型、后向传播神经网络模型、随机森林模型和极限学习机模型。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S6中的深度学习网络为ResNet50网络，在VGG19网络的卷积层之间添加了跳跃链接得到所述ResNet50网络，所述ResNet50网络包括49个卷积层和1个全连阶层，通过预训练后的所述ResNet50网络提取影像的深度特征包括如下步骤：

步骤a.提取步骤S2中得到的所述小麦遥感影像数据集和步骤S5中得到的最优组合特征集中以采样区为中心的15×15像素大小的影像，并将影响拓展为224×224像素，得到第一拓展影像；

步骤b.通过构建以高斯核为核函数的3层卷积核将所述第一拓展影像由1维拓展为3维，得到第二拓展影像；

步骤c.将所述第二拓展影像输入所述ResNet50网络中，得到2048个深度特征。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S6中，所述相关性排序包括皮尔逊相关系数、灰色关联度和投影变量重要性，所述第三特征筛选包括根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归模型的AIC值，将AIC值最小的回归拟合模型所包含的光谱指数、纹理指数、深度特征输出为最优深度特征集，所述机器学习模型包括偏最小二乘回归模型、后向传播神经网络模型、随机森林模型和极限学习机模型。

根据本申请一些实施例的基于无人机多光谱影像深度特征的小麦锈病监测方法，所述步骤S6中，利用所述最优深度特征集构建的所述多个相关性-回归模型包括皮尔逊相关系数-偏最小二乘回归模型、灰色关联度-偏最小二乘回归模型、变量投影重要性-偏最小二乘回归模型、皮尔逊相关系数-后向传播神经网络模型、灰色关联度-后向传播神经网络模型、变量投影重要性-后向传播神经网络模型、皮尔逊相关系数-随机森林模型、灰色关联度-随机森林模型、变量投影重要性-随机森林模型、皮尔逊相关系数-极限学习机模型、灰色关联度-极限学习机模型和变量投影重要性-极限学习机模型。

本发明提出的一种基于无人机多光谱影像深度特征的小麦锈病监测方法，利用光谱指数、纹理特征和深度特征相结合的方法，构建了监测小麦锈病的特征集，利用深度学习网络挖掘出潜在有效的深度特征信息，提高了无人机多光谱影像监测小麦锈病的精度，使用了多种特征筛选方法，尽可能的避免了可能出现的特征冗余和过拟合问题，在提升模型精度的同时，降低监测模型复杂度，提升监测模型的运行效能。

附图说明

图1是基于无人机多光谱影像深度特征的小麦锈病监测方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

实施例1

本实施例提供了一种基于无人机多光谱影像深度特征的小麦锈病监测方法，如图1所示，包括如下步骤：

S1.地面采集实测数据，在研究区域内随机选取不同位置的小麦作为采样方，并采集每个采样方的对应坐标，分别计算每个采样方内小麦的病叶比率；

具体的，通过千寻位置提供的厘米级差分定位系统，在研究区域内随机选取采样方，采样方均为10cm×10cm的样方，标注采样方中心位置坐标并记录，获取采样方内患病叶片个数和小麦叶片总数，分别计算每个采样方内小麦的病叶比率RD，病叶比率RD如公式(1)所示：

RD＝d/s (1)

其中，RD为病叶比率，d为采样方内患病叶片个数，s为采样方内的小麦叶片总数。

S2.通过多光谱无人机获取研究区域内不同波段的多光谱影像，获取小麦遥感影像数据集；

具体的，通过多光谱无人机获取研究区域内不同波段的多光谱影像时，为了保证光谱质量，多光谱无人机在晴朗天气飞行，在当地时间11：00-13：00完成飞行，多光谱影像空间分辨率不低于每像素1.6cm，为了保证影像的拼接质量，多光谱无人机的航向重叠率不低于75％，多光谱无人机的旁向重叠率不低于75％。

S3.对步骤S2中获取的小麦遥感影像数据集中的多光谱影像进行拼接和预处理得到小麦光谱影像，并计算小麦光谱影像的光谱指数，得到采样方光谱指数影像特征集；

预处理包括：地理配准、几何校正、反射率校正、辐射校正和大气校正；

通过Pix4Dmapper软件完成无人机影像的拼接；通过飞行前在待测区域铺设的地面控制点，完成地理配准；在ENVI软件中完成几何校正、反射率校正、辐射校正、大气校正等预处理；

光谱指数包括计算光谱指数和经验光谱指数，计算光谱指数包括差值光谱指数、比值光谱指数和归一化光谱指数，差值光谱指数的计算如公式(2)所示：

DSI

其中，DSI

比值光谱指数的计算如公式(3)所示：

其中，RSI

归一化光谱指数的计算如公式(4)所示：

其中，NDSI

经验光谱指数包括花青素反射指数、优化土壤调整植被指数、三角植被指数、宽动态范围植被指数、土壤调节植被指数、红边叶绿素指数、修正型三角植被指数、改良非线性植被指数、绿叶指数和绿色叶绿素植被指数；

花青素反射指数的计算如公式(5)所示：

其中，ARI表示花青素反射指数，R

优化土壤调整植被指数的计算如公式(6)所示：

其中，OSAVI表示优化土壤调整植被指数，R

三角植被指数的计算如公式(7)所示：

其中，TVI表示三角植被指数；

宽动态范围植被指数的计算如公式(8)所示：

其中，WDRVI表示宽动态范围植被指数，R

土壤调节植被指数的计算如公式(9)所示：

其中，SAVI表示土壤调节植被指数；

红边叶绿素指数的计算如公式(10)所示：

其中，CIre表示红边叶绿素指数；

修正型三角植被指数的计算如公式(11)所示：

其中，MTVI

改良非线性植被指数的计算如公式(12)所示：

其中，MNLI表示改良非线性植被指数；

绿叶指数的计算如公式(13)所示：

其中，GLI表示绿叶指数，R

绿色叶绿素植被指数的计算如公式(14)所示：

其中，CI

S4.对步骤S3中得到的所述光谱指数影像特征集进行相关性特征排序和第一特征筛选，得到最优光谱特征集；

具体的，相关性排序包括皮尔逊相关系数、灰色关联度和投影变量重要性；第一特征筛选包括根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归拟合模型的AIC值，将AIC值最小的回归拟合模型包含的光谱指数输出为最优光谱特征集，机器学习模型包括偏最小二乘回归模型、后向传播神经网络模型、随机森林模型和极限学习机模型。

S5.对步骤S2中得到的所述小麦遥感影像数据集和步骤S4中得到的最优光谱特征集中的影像进行纹理特征计算，得到纹理特征集，将所述纹理特征集与所述最优光谱特征集组合生成第一候选特征集，对所述第一候选特征集进行特征排序和第二特征筛选，得到最优组合特征集；

具体的，通过灰度共生矩阵的概率统计方法对步骤S2中得到的小麦遥感影像数据集中的多光谱影像和步骤S4中得到的最优光谱特征集中的多光谱影像和光谱指数影像进行纹理特征提取，纹理特征包括均值、协同性、相异性、信息熵、二阶矩、相关性、对比度和方差；

相关性排序包括皮尔逊相关系数、灰色关联度和投影变量重要性；第二特征筛选包括根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归模型的AIC值，将AIC值最小的回归拟合模型所包含的光谱指数和纹理指数特征输出为最优组合特征集，机器学习模型包括偏最小二乘回归模型、后向传播神经网络模型、随机森林模型和极限学习机模型。

S6.通过预训练的深度学习网络对步骤S2中得到的小麦遥感影像数据集和步骤S5中得到的最优组合特征集中的影像进行深度特征提取，得到深度特征集，将深度特征集与最优组合特征集组合生成第二候选特征集，对第二候选特征集进行特征排序和第三特征筛选，得到最优深度特征集，利用最优深度特征集构建多个相关性-回归模型；

具体的，深度学习网络为ResNet50网络，在VGG19网络的卷积层之间添加了跳跃链接得到ResNet50网络，ResNet50网络包括49个卷积层和1个全连阶层，通过预训练后的ResNet50网络提取影像的深度特征包括如下步骤：

步骤a.提取步骤S2中得到的小麦遥感影像数据集和步骤S5中得到的最优组合特征集中以采样区为中心的15×15像素大小的影像，并将影响拓展为224×224像素，得到第一拓展影像；

步骤b.通过构建以高斯核为核函数的3层卷积核将第一拓展影像由1维拓展为3维，得到第二拓展影像；

步骤c.将第二拓展影像输入ResNet50网络中，得到2048个深度特征；

具体的，相关性排序包括皮尔逊相关系数、灰色关联度和投影变量重要性，第三特征筛选包括根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归模型的AIC值，将AIC值最小的回归拟合模型所包含的光谱指数、纹理指数、深度特征输出为最优深度特征集，机器学习模型包括偏最小二乘回归模型、后向传播神经网络模型、随机森林模型和极限学习机模型；

利用最优深度特征集构建的多个相关性-回归模型包括皮尔逊相关系数-偏最小二乘回归模型、灰色关联度-偏最小二乘回归模型、变量投影重要性-偏最小二乘回归模型、皮尔逊相关系数-后向传播神经网络模型、灰色关联度-后向传播神经网络模型、变量投影重要性-后向传播神经网络模型、皮尔逊相关系数-随机森林模型、灰色关联度-随机森林模型、变量投影重要性-随机森林模型、皮尔逊相关系数-极限学习机模型、灰色关联度-极限学习机模型和变量投影重要性-极限学习机模型；

偏最小二乘回归模型是一种集成主成分分析、线性相关分析和多元线性回归的多变量回归分析方法，可以同时实现数据降维、回归建模和分析数据间的相关性分析；后向传播神经网络模型是一种多层前馈神经网络，具有信号向前传播、误差反向传播的特点，主要是以误差逆向传播算法训练模型，本实施例采用的后向传播神经网络模型包含了1个输入层、10个隐藏层和1个输出层，学习率设置为0.01；随机森林模型是一种多因子机器学习算法，中心思想是利用Bootstrap重抽样算法从训练集中随机又放回的抽取样本，对每个随机抽取的样本集进行决策树建模，将这些决策树组成随机森林，并将多棵决策树投票决定的结果作为最终的预测结果，本实施例采用的随机森林模型设置的决策树的个数为500个；极限学习机模型是一种基于单层前馈神经网络理论的改进算法，具有学习速率快、泛化能力强、训练精度较高等优点，本实施例采用的极限学习机模型的隐藏层节点个数设置为50个。

S7.通过步骤S1中得到的每个采样方内小麦的病叶比率比较步骤S6中构建的多个相关性-回归模型的精度，选取精度最高的相关性-回归模型对待测小麦区域进行反演制图，得到小麦锈病监测结果。

实施例2

本实施例选取河南省长葛市某小麦锈病试验田区域，长葛市位于河南省中部，属于暖温带季风区，年平均日照2280h，年平均气温15.0℃，年降水量579mm，适宜于小麦生长。本试验田南北长115m，东西长93.6m，航向由东向西，区域内小麦患有不同程度的锈病。

本实施例步骤一具体操作如下：

在研究区域内随机选取87个地面采样方，使用10cm×10cm大小的单位框标注采样方区域，分别记录每个采样方内的患病叶片个数和小麦叶片总数，并使用千寻位置提供的厘米级差分定位系统标注采样方中心位置坐标并记录编号。

本实施例步骤二具体操作如下：

本实例中使用的多光谱无人机为大疆精灵4多光谱版无人机Phantom4-M，大疆精灵4多光谱版无人机Phantom4-M集成了一个可见光相机和五个多光谱相机，可见光相机和多光谱相机的有效像素均为200万，焦距均为5.74mm。试验通过DJITerra软件进行航线规划，计划飞行高度30m，航向和旁向重叠率分别设置80％和75％，单张影像的空间分辨率为每像素1.6cm。

本实施例步骤三的具体操作如下：

通过无人机共采集137×5张影像，通过Pix4Dmapper软件拼接后，通过ENVI软件完成预处理。依据采样方坐标使用ENVI软件在多光谱影像中提取采样方光谱值，并且每个采样方重复三次以上，选取多次重复提取光谱值的平均值作为采样方光谱值。

本发明步骤四的具体操作如下：

计算得到小麦光谱影像的光谱指数，得到光谱指数影像特征集，对光谱指数影像特征集进行特征排序和第一特征筛选，通过皮尔逊相关系数、灰色关联度和投影变量重要性进行相关性排序，根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归模型的AIC值，将AIC值最小的回归拟合模型所包含的光谱指数输出为最优光谱特征集；对小麦遥感影像数据集与最优光谱特征集中的影像进行纹理特征计算，得到纹理特征集，将纹理特征集与最优光谱特征集组合生成第一候选特征集，对第一候选特征集进行特征排序和第二特征筛选，通过皮尔逊相关系数、灰色关联度和投影变量重要性进行相关性排序，根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归模型的AIC值，将AIC值最小的回归拟合模型所包含的光谱指数和纹理指数特征输出为最优组合特征集；通过预训练的深度学习网络对小麦遥感影像数据集、最优组合特征集所对应的特征影像进行深度特征提取，得到深度特征集，将深度特征集与最优组合特征集组合生成第二候选特征集，对第二候选特征集进行特征排序和第三特征筛选，根据相关性特征排序的多种结果基于机器学习模型构建多个回归拟合模型，采用赤池信息准则通过计算多个回归模型的AIC值，将AIC值最小的回归拟合模型所包含的光谱指数、纹理指数和深度特征输出为最优深度特征集，利用最优深度特征集构建多个相关性-回归模型，计算多个相关性-回归模型的赤池信息准则AIC值、判定系数R

表1监测模型效果计算结果

本实施例步骤五具体操作如下：

根据比较，极限学习机-变量投影重要性模型的判定系数R

本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。