本发明涉及无人机遥感应用技术领域，具体涉及一种基于无人机数码影像的水稻产量估测方法。
背景技术：
传统的水稻产量估算方法主要是卫星遥感估产，但是，利用卫星遥感估产的分辨率较低，在地形复杂、耕作制度多样的地区，尤其是辅助育种应用时精度得不到保障；而且，卫星遥感估产所建立的估产模型大多是统计模型，在不同地域、不同年份误差较大，缺乏机理性，不能够进一步推广应用；其次是缺乏面向实际生产应用的水稻遥感估产系统。
无人机遥感属于低空遥感技术，其在获取影像过程中受大气因素干扰较小，具有使用成本低、操作简单、获取影像速度快、地面分辨率高等优点。经过研究分析表明无人机获取的遥感图像能够很好地代替卫星图像对小面积水稻产量进行估算。在实际应用中，利用水稻数码图像方法的水稻估产并不多见，因此，需要开发一种新的能够精准估测水稻产量的方法。
技术实现要素：
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于无人机数码影像的水稻产量估测方法，可以实现水稻产量的精准估计。
为了达到上述目的，本发明采用以下技术方案：
一种基于无人机数码影像的水稻产量估测方法，包括以下步骤：
s1、利用无人机搭载数码相机获取研究区域的水稻冠层数码影像；
s2、对步骤s1中获取到的水稻冠层数码影像进行人工剪裁与标注，构建由水稻穗、水稻叶和背景组成的三类图像样本；
s3、对步骤s2中的三类图像样本，分别计算图像像素级的r、g、b值、投影到hsv空间的h、s、v值，以及四个指数：归一化绿红差异指数ngrdi、红绿比值指数rgri、绿叶指数gli和过绿指数exg，并将r、g、b、h、s、v、ngrdi、rgri、gli和exg10个参数作为初始分类特征；
s4、基于最优子集选择算法遍历所有特征的组合分别建立水稻穗、叶、背景分类模型，对10个分类特征r、g、b、h、s、v、ngrdi、rgri、gli和exg进行优化选择，计算回归模型中交叉验证的均方根误差，降低维度，从而简化分类模型，找出最优的特征输入；
s5、根据选出的最优分类特征为输入，构建基于bp神经网络的图像分割模型，把图像分割为三类：水稻穗、叶和背景；
s6、图像分割后，对分割出的水稻穗图像进行二值化处理，计算图像中接近水稻穗大小的连通区域的个数，估测出水稻穗数量，最后代入到水稻产量估算公式估测出水稻的产量。
作为优选的技术方案，所述步骤s3中，包括下述步骤：
应用matlab进行图像预处理，读取图像像素点的r、g、b值，并根据以下公式分别计算投影空间h、s、v值以及四个指数的值，所述h、s、v值以及四个指数的值计算公式如下：
v＝max{r,g,b}
ngrdi＝(g-r)/(g r)
rgri＝r/g
gli＝(2g-r-b)/(2g r b)
exg＝2g-r-b
式中，r、g、b分别表示红色波段、绿色波段和蓝色波段像素值，r、g、b分别表示标准化后的结果，r＝r/(r g b)，g＝g/(r g b)，b＝b/(r g b)。
作为优选的技术方案，所述步骤s4中，还包括对r、g、b、h、s、v、ngrdi、rgri、gli和exg的值进行归一化处理，具体为：
对拍摄的水稻图片进行截取后，计算每一类像素的r、g、b、h、s、v、ngrdi、rgri、gli和exg的值，作为10个分类特征；
先从每类样本像素中取出相同个数的样本，标定每类的结果标号，选择y＝0代表水稻穗，选择y＝1代表水稻叶片；选择y＝2作为背景；
把所有样本像素信息按特征连接成一张表，利用公式x-max/(max-min)对所有数据与回归值进行归一化操作，其中，x表示任一位置数据，max为x所在特征列最大值，min为x所在特征列最小值，将回归后得到的表拆成特征数据与回归值两部分分别赋给变量x与y。
作为优选的技术方案，所述步骤s4中，还包括下述步骤：
利用交叉验证法对水稻穗、水稻叶和背景三个种类的10个特征的样本数据进行分组，具体为：
(1)初始采样分割成k个子样本，一个单独的子样本被保留作为验证模型的数据，其他k-1个样本用来训练；
(2)交叉验证重复k次，不重复地每次取其中一个子样本做测试集，用其他剩下的样本做训练集训练模型，每个子样本验证一次；
(3)平均k次的结果或者使用其它结合方式，最终得到一个单一估测；
其中mse的计算方法为：
作为优选的技术方案，步骤s4中，最优子集选择算法从1到p依次设置k个特征，遍历k个特征所有组合情况
(1)设置特征数目k从1到10，循环执行下面操作；
(2)包含k个特征的所有模型组合用
(3)应用交叉验证方法来估计模型的预测误差，从模型m1,…,mp中选取最优分类模型。
作为优选的技术方案，步骤s6中，根据水稻产量估算公式估测出水稻的产量具体为：
从水稻冠层图像中分割出水稻穗，提取出水稻穗的数量，然后根据水稻产量估算公式：每公顷估产产量(kg)＝每公顷穗数×穗粒数×千粒重(g)×10-6×85％，计算出水稻的产量，最后与实测的水稻产量进行对比，验证图像估产的准确度。
作为优选的技术方案，步骤s6之后，还包括估计精度验证的步骤，具体为：
用均方根误差rmse和平均绝对百分误差mape来评价和判断水稻穗提取的精度；
式中：n为水稻小区总的试验样方的个数；y为田间实测每一个样方内的水稻穗数；yi为对应每个样方从图像中提取的水稻穗数，rmse与mape的值越小，表明估测值越接近真实值，估产的效果越好，精度越高。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明采用了最优子集选择与bp神经网络相结合的技术方案，分析了北方粳稻冠层数码影像颜色空间各个通道或指数对水稻穗识别能力，解决了水稻穗特征选取与水稻穗数量估测的问题，为构建不依赖于统计方法的水稻产量估测提供了重要技术支撑。
(2)本发明采用了基于无人机搭载数码影像估测水稻产量的技术方案，具有高效灵活、分辨率高等优势，能准确活获取指定区域的水稻冠层数码，结合所构建的基于稻穗分割的产量估测模型，解决了小面积试验小区水稻产量快速、准确估测的问题，从而达到高通量水稻产量估测的技术效果。
附图说明
图1是本发明的总体技术流程图；
图2是本发明的水稻试验田位置及小区分布图。
图3是本发明标注的水稻穗、叶、背景的部分训练样本图。
图4是本发明所运用的最优子集选择算法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，本发明提供基于无人机数码影像的水稻产量估测方法，包括以下步骤：选定试验小区，然后在水稻齐穗期，应用四旋翼无人机搭载数码相机获取水稻冠层数码影像。对拍摄的水稻图片进行人工裁剪和标注后，构建水稻穗、叶、背景样本库，计算水稻穗、叶和背景每一类图像像素的r、g、b、h、s、v、ngrdi、rgri、gli和exg的值，作为10个待选分类特征，从每类样本像素中取出相同个数的样本，进行基于最优子集选择算法的特征分析。
将标注好的数据分为训练数据集和测试数据集，。运用最优子集选择算法遍历所有特征的组合情况分别建立线性回归模型，运用交叉验证算法来评估模型的分类结果，对10个分类特征r、g、b、h、s、v、ngrdi、rgri、gli和exg进行优化选择，计算分类均方根误差，降低维度，从而简化分类模型，获取北方粳稻稻穗分割的最优特征。
利用最优子集选择算法选取的稻穗分割特征作为输入，构建基于bp神经网络的图像分割模型，将图像分为三类：水稻穗、叶和背景。然后对分割出的水稻穗图像进行二值化处理，计算图像中接近水稻穗大小的连通区域的个数，即为水稻穗的数量。提取出水稻穗的数量后，根据水稻产量估算公式：每公顷估产产量(kg)＝每公顷穗数×穗粒数×千粒重(g)×10-6×85％，估测出水稻的产量。
实施例1
水稻无人机数码影像拍摄与稻穗提取试验于2017年和2018年在辽宁省沈阳市沈阳农业大学超级稻成果转化基地(123宁省沈阳市沈阳农，413宁省沈阳市沈阳)进行。沈阳位于东北地区南部，属于温带半湿润大陆性气候，年平均气温6.2～9.7。，年降水量600～800mm。两年小区设计一致，均采用裂区试验设计，选取当地主栽水稻品种沈农9816，设置了7个施氮水平：无氮处理(0kg/ha)、低氮处理(150kg/ha)、中氮处理(240kg/ha)、高氮处理(330kg/ha)、有机肥替代10％、有机肥替代20％、有机肥替代30％，试验重复3次，共21个小区随机排列(不同施氮水平小区如图2中间图所示)，小区面积为30m2(4.2m积为平小区如)，不同施肥处理小区间采用土埂隔离。
数据采集分别于2017年8月21日和2018年9月1日水稻齐穗期进行。试验在21个小区的边角区域和中心区域分别布设两个面积为0.5m×0.5m的白色样方(如图1右图所示)，应用四旋翼无人机搭载高清数码相机(phantom4，1240万像素，照片分辨率为4000×3000)，采集白色样方内水稻冠层正射数码影像，拍摄时间为10:00-14:00，天气晴朗、无云，无人机分别从2m、3m、6m和9m四个飞行高度进行拍摄，由于2m飞行高度无人机旋翼风场影响拍摄误差过大，舍弃该飞行高度拍摄数据，试验共获取三个飞行高度的21×2×3＝126幅rgb数码影像；地面测试同步开展：人工数出42个样方内水稻穗的数量。
试验获取的水稻rgb数码影像主要包含水稻穗、水稻叶和背景三类对象，采用监督分类的方法对三类对象进行分类，提取水稻稻穗及单位面积内稻穗的数量，用于产量估测模型设计。采用人工标注方法构建了由水稻穗、叶、背景三分类图像样本1800个(如图3所示)，用于训练分类模型。对拍摄的三个高度的三类对象样本分别计算像素级的r、g、b、h、s、v、ngrdi、rgri、gli和exg的值，作为10个待选分类特征。先从每类样本像素中取出相同数量的像素，本研究每类样本随机选取像素30000个，构成90000条样本记录个；接着为每条记录对应的类别进行标注，选择y＝0表示水稻穗、y＝1表示水稻叶片、y＝2表示图片背景；最后对全部90000条样本记录进行归一化处理，分别将特征数据与分类结果两部分赋给变量x与y，其中x应为90000×10矩阵，y为90000×1矩阵。
基于最优子集选择算法找出最优的分类特征或模型，流程图如图4所示，其中分类模型采用线性回归模型，运用交叉验证算法估计模型测试误差，对10个分类特征r、g、b、h、s、v、ngrdi、rgri、gli和exg进行优化选择，剔除模型中不相关的特征，降低维度，从而简化分类模型。线性回归模型表达式为：y＝β0 β1x1 β2x2 …，这里使用最小二乘法估计权向量
交叉验证法对全部样本数据集进行分组，选择k＝5，将所有数据集分成5份，基于线性回归方法建立模型，不重复地每次取其中一份做测试集，用其他四份做训练集，之后计算该模型在测试集上的均方误差msei(i＝1,2,3,4,5)，将5次的msei取平均得到最后的mse。为避免出现失衡，导致估计测试误差不准，在抽取5组时设置在每一组中每类的样本像素个数尽可能相同。用所得预测结果计算均方误差mse作为一次测试的测试误差，计算上述5组mse的平均值作为最终的测试误差的估计，测试误差值的大小作为最优模型选择的依据。
最优子集选择算法将待选特征中所有的组合情况作为输入特征，计算分类的均方根误差，选取误差最小时对应的特征或模型。本研究共有10个特征，所以p＝10，产生的所有组合情况共有2p＝1024种，应用最优子集选择算法分别对3m、6m、9m飞行高度拍摄的数码影像进行特征选择，结果表明，数码影像分类模型精度随特征数量增多而减小，当特征数p＝7时模型精度趋于稳定，交叉验证均方根误差为0.0385，结果如表1所示，对应优选的特征r、b、h、s、v、gli和exg可作为北方粳稻冠层影像水稻穗提取的特征。
表1最优子集特征选择的过程结果与误差
利用最优子集选择算法选取的分类特征，输入三层bp神经网络，输入层7个神经元节点、输出层3个神经元节点，分别对应稻穗、稻叶和背景的概率，权重学习率和阈值学习率分别设置为0.1和0.01，训练迭代次数为50，分别对3m、6m、9m三个飞行高度数码影像进行穗、叶、背景三分类。对分割出的水稻穗图像先进行二值化处理，计算图像中接近水稻穗大小的连通区域的个数，即为水稻穗的数量，从而识别试验样方内水稻穗数。用均方根误差(rmse)和平均绝对百分误差(mape)来评价和判断水稻穗提取的精度。
式中：n为水稻小区总的试验样方的个数；y为田间实测每一个样方内的水稻穗数；yi为对应每个样方从图像中提取的水稻穗数。rmse与mape的值越小，表明估测值越接近真实值，估产的效果越好，精度越高。水稻穗提取精度评价如表2所示。
表2水稻穗提取精度评价
从水稻冠层图像中分割出水稻穗，提取出水稻穗的数量，然后代入水稻产量估算公式计算出水稻的产量，进行试验的水稻品种为“沈农9816”，千粒重为22.6克，穗粒数为139.1粒。对从图像中提取的每个水稻小区试验样方内的水稻穗数取平均值，然后换算成每公顷的穗数，带入公式中求出每个水稻小区每公顷估产产量，最后与实测的水稻产量进行对比，验证图像估产的准确度，水稻产量估测精度评价如表3所示。
表3水稻产量估测精度评价
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
1.一种基于无人机数码影像的水稻产量估测方法，其特征在于，包括以下步骤：
s1、利用无人机搭载数码相机获取研究区域的水稻冠层数码影像；
s2、对步骤s1中获取到的水稻冠层数码影像进行人工剪裁与标注，构建由水稻穗、水稻叶和背景组成的三类图像样本；
s3、对步骤s2中的三类图像样本，分别计算图像像素级的r、g、b值、投影到hsv空间的h、s、v值，以及四个指数：归一化绿红差异指数ngrdi、红绿比值指数rgri、绿叶指数gli和过绿指数exg，并将r、g、b、h、s、v、ngrdi、rgri、gli和exg10个参数作为初始分类特征；
s4、基于最优子集选择算法遍历所有特征的组合分别建立水稻穗、叶、背景分类模型，对10个分类特征r、g、b、h、s、v、ngrdi、rgri、gli和exg进行优化选择，计算回归模型中交叉验证的均方根误差，降低维度，从而简化分类模型，找出最优的特征输入；
s5、根据选出的最优分类特征为输入，构建基于bp神经网络的图像分割模型，把图像分割为三类：水稻穗、叶和背景；
s6、图像分割后，对分割出的水稻穗图像进行二值化处理，计算图像中接近水稻穗大小的连通区域的个数，估测出水稻穗数量，最后代入到水稻产量估算公式估测出水稻的产量。
2.根据权利要求1所述基于无人机数码影像的水稻产量估测方法，其特征在于，所述步骤s3中，包括下述步骤：
应用matlab进行图像预处理，读取图像像素点的r、g、b值，并根据以下公式分别计算投影空间h、s、v值以及四个指数的值，所述h、s、v值以及四个指数的值计算公式如下：
v＝max{r，g，b}
ngrdi＝(g-r)/(g r)
rgri＝r/g
gli＝(2g-r-b)/(2g r b)
exg＝2g-r-b
式中，r、g、b分别表示红色波段、绿色波段和蓝色波段像素值，r、g、b分别表示标准化后的结果，r＝r/(r g b)，g＝g/(r g b)，b＝b/(r g b)。
3.根据权利要求2所述基于无人机数码影像的水稻产量估测方法，其特征在于，所述步骤s4中，还包括对r、g、b、h、s、v、ngrdi、rgri、gli和exg的值进行归一化处理，具体为：
对拍摄的水稻图片进行截取后，计算每一类像素的r、g、b、h、s、v、ngrdi、rgri、gli和exg的值，作为10个分类特征；
先从每类样本像素中取出相同个数的样本，标定每类的结果标号，选择y＝0代表水稻穗，选择y＝1代表水稻叶片；选择y＝2作为背景；
把所有样本像素信息按特征连接成一张表，利用公式x-max/(max-min)对所有数据与回归值进行归一化操作，其中，x表示任一位置数据，max为x所在特征列最大值，min为x所在特征列最小值，将回归后得到的表拆成特征数据与回归值两部分分别赋给变量x与y。
4.根据权利要求1所述基于无人机数码影像的水稻产量估测方法，其特征在于，所述步骤s4中，还包括下述步骤：
利用交叉验证法对水稻穗、水稻叶和背景三个种类的10个特征的样本数据进行分组，具体为：
(1)初始采样分割成k个子样本，一个单独的子样本被保留作为验证模型的数据，其他k-1个样本用来训练；
(2)交叉验证重复k次，不重复地每次取其中一个子样本做测试集，用其他剩下的样本做训练集训练模型，每个子样本验证一次；
(3)平均k次的结果或者使用其它结合方式，最终得到一个单一估测；
其中mse的计算方法为：
5.根据权利要求1所述基于无人机数码影像的水稻产量估测方法，其特征在于，步骤s4中，最优子集选择算法从1到p依次设置k个特征，遍历k个特征所有组合情况
(1)设置特征数目k从1到10，循环执行下面操作；
(2)包含k个特征的所有模型组合用
(3)应用交叉验证方法来估计模型的预测误差，从模型m1，…，mp中选取最优分类模型。
6.根据权利要求1所述基于无人机数码影像的水稻产量估测方法，其特征在于，步骤s6中，根据水稻产量估算公式估测出水稻的产量具体为：
从水稻冠层图像中分割出水稻穗，提取出水稻穗的数量，然后根据水稻产量估算公式：每公顷估产产量(kg)＝每公顷穗数×穗粒数×千粒重(g)×10-6×85％，计算出水稻的产量，最后与实测的水稻产量进行对比，验证图像估产的准确度。
7.根据权利要求1所述基于无人机数码影像的水稻产量估测方法，其特征在于，步骤s6之后，还包括估计精度验证的步骤，具体为：
用均方根误差rmse和平均绝对百分误差mape来评价和判断水稻穗提取的精度；
式中：n为水稻小区总的试验样方的个数；y为田间实测每一个样方内的水稻穗数；yi为对应每个样方从图像中提取的水稻穗数，rmse与mape的值越小，表明估测值越接近真实值，估产的效果越好，精度越高。
技术总结