[发明专利]基于无人机遥感和模式识别的苎麻株数识别方法

说明书

本发明公开了一种基于无人机遥感和模式识别的苎麻株数识别方法，在苎麻株数识别的过程中建立目标监测机制，对预处理得到的图像进行分割取样，使神经网络有侧重地学习目标区域的特征信息；其次，基于获得的目标样本建立基于RGB和HOG的多特征模型；最后，利用SVM分类算法对样本集进行训练优化处理。本发明可以满足种植密度大、重叠率高的作物的株数识别，且识别精度高。

技术领域

本发明涉及作物信息学领域，特别是一种基于无人机遥感和模式识别的苎麻株数识别方法。

背景技术

利用无人机遥感获取作物种植信息已经取得了一定的进展。Anjin Chang等利用DJI多旋翼无人机获取多张具有高重叠度的图像，将SFM算法用于图像生成目标地的最终数字地形模型和数字地表模型，并通过两个模型的高程差实现了高粱的株高提取。李长春等利用无人机获取了大豆高清数码影像，基于B、RGBVI、GLA和B/(R+G+B)四变量组成的多元线性回归模型对作物叶面积指数进行了最优测定，肯定了遥感图像估测LAI的可行性。戴建国等基于无人机遥感获取的可见光图像，利用色彩和纹理两大主要信息对比分析了SVM、ANN、KNN算法对北疆主要农作物进行分类的精准度，为作物特征信息提取以及分类算法选择提供的借鉴。

目前，基于无人机遥感影像的作物种植信息提取研究主要集中于株高、叶面积、植被指数，对作物种植数量的研究较少，随着精准农业对作物密度的空间数据产生的需求，植株株数确定成为热点。Gnadinger等基于不同密度分布，利用无人机RGB图像对4个不同品种玉米苗株进行计数，其采用的阈值分割方式将识别误差控制在约5％。刘帅兵等人利用无人机采集影像，采用骨架提取算法获得高精度作物形态骨架，并结合角点检测对玉米苗期株数信息进行了提取，该方法总体识别率可达97.8％。虽然上述方法在作物株数识别上都取得了较好的效果，但难以满足种植密度大、重叠率高的作物的株数识别，具有一定的局限性。

SVM支持向量机的基本形式是一个按监督学习方式对数据进行二元分类的间隔最大化的分类器，在二十世纪90年代后，SVM得到快速发展牢牢压制神经网络系统多年并广泛地应用于行人识别、文本分类、前向车辆识别等问题中。将这一技术应用与农业作物识别极具创新性。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于无人机遥感和模式识别的苎麻株数识别方法，满足种植密度大、重叠率高的作物的株数识别。

为解决上述技术问题，本发明所采用的技术方案是：一种基于无人机遥感和模式识别的苎麻株数识别方法，包括以下步骤：

1)采集苎麻图像，并对所述图像进行预处理，分割预处理后的图像，利用分割后的图像得到目标苎麻图像、非目标区域图像以及未识别图像，生成中心样本组成目标区域样本集和非目标样本集，对所述目标区域样本集和非目标样本集进行色彩特征提取；

2)选取苎麻图像的HOG特征作为形态特征，得到目标区域样本集和非目标区域样本集各N维数HOG特征；

3)各抽取M个样本组成2M个混合样本的训练组，将每个样本集中包含的N维数HOG特征，G特征(色彩特征提取后得到的G通道特征)和二元类别导入SVM分类器进行训练，实现最优化苎麻中心区域目标归类的模型，利用所述模型对全冠层图像范围内的苎麻进行模式识别。

所述目标区域样本为含有80％以上中心区域面积的图片。

所述中心区域是指以苎麻中点为中心点向外延伸到4-6片叶片距离。

将与处理后的图像分割为若干个大小为L×L的小区域，其中含有80％以上中心区域面积的为目标样本。

本发明中，L＝90。