одинПредисловие

Пшеница, одна из трех основных продовольственных культур в мире, является глобальной40%Основные источники питания населения. Пшеница, являющаяся одной из основных продовольственных культур в нашей стране, широко выращивается.Состояние роста специальных сортов пшеницы играет важную роль в развитии народного хозяйства нашей страны и, следовательно,Эффективный и неразрушающий мониторинг роста пшеницы становится особенно важным для своевременного и точного прогнозирования урожая пшеницы.

II. Технические идеи и основные элементы

Австрийские небесаИспользование национального производстваМногоспектральный визуализатор,Используя десять различных сортов пшеницы в качестве объекта исследования, с одной стороны, используя данные изображений ранней и поздней стадии цветения пшеницы, собранные многоспектральными камерами, используя индекс растительности, рассчитанный на основе изображений, для построения моделей инверсии хлорофилла на ранней и поздней стадиях цветения пшеницы под различными камерами; С другой стороны, мультиспектральный доступ БПЛА к изображениям с высоким разрешением в середине цементации пшеницы и построение модели инверсии производства хлорофилла и пшеницы в середине цементации пшеницы на основе цветовых характеристик и индексов растительности.

рисунок1 Общая техническая линия

Необходимо реализовать контент:

1)Предварительная обработка многоспектральных изображений: при использовании многоспектрального сбора видимых и многоспектральных изображений пшеницы на полях для обеспечения единообразия последующей обработки изображений необходимо заранее установить время экспозиции, диафрагму и другие параметры. После сбора изображения, чтобы облегчить количественное использование последующих экспериментов, получение данных изображения требует предварительной обработки, такой как радиационная коррекция, наложение влияния, коррекция положительного излучения, геометрическая коррекция и обрезка изображения.

2)Инверсия содержания хлорофилла в пшенице на основе видимых и многоспектральных изображений:10Для изучения различных сортов пшеницы используются видимые и многоспектральные камеры для получения изображений ранней и поздней стадии цветения пшеницы. На основе анализа корреляции между измеренным содержанием хлорофилла в пшенице и двумя изображениями для расчета индекса многокультурности был выбран индекс растительности, отражающий содержание хлорофилла в пшенице * *. Наконец на основе отдельных индексов растительного покрова были разработаны модели инверсии содержания хлорофилла в пшенице во время цветения и на поздней стадии под различными камерами.

3)Хлорофилл пшеницы и инверсия урожайности на основе изображений БПЛА с высоким разрешением: получение с помощью многоспектральной камеры БПЛАСреднесрочные изображения пшеницы. Внедрение алгоритма наименьших квадратов с частичным уклоном для отбора нескольких характеристик, наиболее актуальных для измеренных параметров, в качестве независимых переменных, соответственно, для создания модели инверсии производства хлорофилла и пшеницы в середине цементации пшеницы.

4) НиктоМногоспектральная фаза на бортуСамолет летает один раз в месяц на основе данных наблюдения изображений с длинными временными рядами, что обеспечивает основу для точного мониторинга.

Технические элементы

Предварительная обработка многоспектральных изображений

Из - за ограничений характеристик самого датчика, погоды и других факторов в процессе получения данных неизбежно возникают ошибки, которые не только снижают качество данных изображения, но и влияют на точность последующего анализа воздействия. Поэтому перед анализом многоспектральных изображений дистанционного зондирования необходимо провести исходные изображения.Операция предварительной обработки. Предварительная обработка данных изображений2ПоказатьА.

рисунок2 блок - схема предварительной обработки данных изображения

（1）Радиационная коррекция:Дрон в полете.，Разница в освещении и погоде.，Полученные изображения вспектрометрическое обществоВозникновение искаженийА.засохранятьПоследующие съёмки успешно завершены, Требуется радиационная коррекция данных. В этой статье видимая радиационная коррекция изображений является ложной. Стандартный закон- Да.Белая доска，Преобразование значения изображения в отражательную способность изображения с помощью коэффициента отражения, измеренного наземной целью，Достаточно реально.Отражение отражения поверхности，Выполнение требований и целей испытания.А.Радиационная коррекция многоспектрального изображенияиспользоватьАвстрийские небесаМногоспектральный визуализатор с собственным программным обеспечением для обработки данных.

（2）Положительная коррекция:Когда дрон собирает данные，фюзеляж, пострадавший от естественного ветранетМожно избежать дрожания.、Наклон и т.д.、В то же время объектив камеры может вызвать проективную деформацию из - за изменения положения полета.，Поэтому необходимо корректировать изображение.А.Положительная коррекция основана на функции коррекционного преобразования, которая преобразует элементы исходного изображения в систему координат коррекционного изображения.. Процессы его обработки показаны на диаграмме3Показано.

рисунок3 процесс обработки коррекции изображения БПЛА

（3) ГеометрияКорректировка:Из - за ограниченной точности собственной системы позиционирования БПЛА и уязвимости перед внешними факторами, такими как воздушный поток, скорость ветра и направление ветра во время полета, существует ошибка между географическими координатами изображения и фактическими координатами, поэтому аэрофотосъемка должна быть получена с помощью данных координат высокоточной системы позиционирования точки управления землейЗвук делает геометрическую коррекцию.

Возвращение наименьшего квадрата

В практических проблемах часто возникает необходимость изучения взаимозависимости между двумя наборами множественных корреляционных переменных и изучения использования одного набора переменных (независимых или прогнозируемых) для прогнозирования другого (зависимых или реагирующих переменных), за исключением классического мультилинейного регрессионного анализа в соответствии с критерием наименьших квадратов.МЛРрегрессионный анализ основного компонента для извлечения компонентов из независимых переменных (ПКРВ дополнение к другим методам, существует наименьший квадрат, разработанный в последние годы (ПЛС) Метод регрессии.

Частично - наименьшая квадратичная регрессия обеспечивает метод многопарного многолинейного регрессионного моделирования, особенно когда оба набора переменных имеют много значений и имеют множественную корреляцию, а количество наблюдаемых данных (выборка) невелико, модель, построенная с частичной наименьшей квадратичной регрессией, имеет преимущества, которые не имеют традиционные методы, такие как классический регрессионный анализ. Частично - наименьший квадратичный регрессионный анализ в процессе моделирования концентрирует основные компоненты анализа, типичный корреляционный анализ и характеристики метода линейного регрессионного анализа, поэтому результаты анализа могут не только обеспечить более рациональную модель регрессии, но и В то же время завершить некоторые исследования, похожие на анализ основных компонентов и типичный корреляционный анализ, чтобы обеспечить более богатыйУглубленная некоторая информация.

Формула расчета индексов растительности

таблица1 Формула расчета индекса растительности

IV. Осуществление программ

4.1многоспектральный БЛА

Многоспектральная визуализация означает одновременное получение нескольких спектральных диапазонов (обычно больше, чем равно).3Технология спектрального зондирования, которая расширяется на основе видимого света как в инфракрасном, так и в ультрафиолетовом диапазонах. Обычным методом реализации является комбинация различных фильтров или спектрометров с цифровыми датчиками изображения, так что они получают одну и ту же цель в разные моменты времени.УзкийСветовые сигналы, излучаемые или отраженные в спектральном диапазоне, получают фотографии цели в нескольких различных спектральных полосах.Многоспектральные изображения получены с помощью спектрометра изображений, который является устройством, способным одновременно получать информацию о спектральных характеристиках и космических изображениях, и является важным направлением развития фотоэлектрических систем визуализации. Многоспектральная система визуализации может обеспечить3до20В сельском хозяйстве и пищевой промышленности широко используются изображения в прерывистых диапазонах. В принципе, многоспектральная визуализация состоит в том, чтобы разделить падающие световые сигналы в полном или широком диапазоне на несколько частей.УзкийСветовые лучи в диапазоне затем изображают их отдельно на соответствующих детекторах, получая изображения в разных спектральных диапазонах.Таким образом, используется большеСпектральные свойства могут отделять растительность от растительности, не связанной с растительностью, и сочетаться с дронами, которые могут быть реализованыАнализ состояния растительностиА.

Больше дроновСпектр имеет следующие характеристики:

Быстрый сбор.А.Из - за относительно небольшого диапазона, который он собирает, мультиспектральная скорость сбора относительно высока*

Низкая сложностьА.Из - за ограничения количества диапазонов многоспектральная сложность ниже, ее легче понять и применять, а работа по обработке относительно невелика.

Объем данных богат. По мере увеличения числа диапазонов объем данных увеличивается экспоненциально. Возможность предоставления информации о пространственных и спектральных областях, т.е.“Объединение карт"Кроме того, спектральные кривые, полученные спектрометром изображений, можно сравнить с спектральными кривыми аналогичных объектов, измеренными на земле.

В планируемой исследовательской области, в соответствии с потребностямиВысота сбораСпектральное изображение. Конкретные шаги заключаются в следующем:

Настройка конца БЛА: сборка гиперспектрального оборудования БЛА, установка высоты полета, скорости, в соответствии с параметрами камеры и перекрытие изображенияТребованияУстановить расстояние между маршрутами изображения;

Настройка конца камеры: Установите частоту кадров камеры в соответствии с высокой скоростью полета, установите время интегрирования (время экспозиции) в соответствии с измерениями на доске;

Стандартная отражающая доска: стандартная отражающая доска размещается в районе маршрута, и при сборе изображения должна быть сделана белая доска.

рисунок8 схема сбора гиперспектральных данных БЛА

4.2Аппаратура обработки гиперспектральных изображений

После сбора данных гиперспектрального изображения БПЛА требуется следующая предварительная обработка:

калибровка длины волны: собранное исходное изображение не содержит информации о длине волны, необходимо добавить файл калибровки длины волны;

Вырезание изображений: использование высоких спектровСтильный режимИзображение, необходимо обрезать собранное изображение области измерения;

Настройка сцепления: географическая или относительная настройка вырезанного изображения зоны измерения, после чего настроенное изображение сшито в полное изображение;

Радиационная коррекция: значения в исходном изображении представляют собой интенсивность отражения, и необходимо использовать значения отражения и шкалы на доскеКвазиальбедо корректируется для расчета альбедо всего изображения.

Гибридное спектральное разложение: спектральные данные, собранные БПЛА, отображаются с пространственным разрешением, что приводит к тому, что один элемент изображения может быть усреднен из смеси различных объектов или растительности. Для повышения точности требуется смешанное спектральное разложение изображения;

（6Спектральная фильтрация (сглаживание): спектральная информация в исходном изображении имеет определенный шум, который требует спектральной фильтрации перед применением.

Интерфейс программного обеспечения для обработки спектральных изображений:

рисунок9 Схема интерфейса программного обеспечения для обработки гиперспектральных изображений БПЛА

4.3Сбор данных о выборке объектов

Австрийские небесаПолевые исследования проводятся с использованием национального высокоспектрального формирователя изображений и геофизического спектрометра, цель которых состоит в том, чтобы предоставить контрольные образцы для классификации изображений, полученных с помощью дистанционного зондирования с помощью беспилотных летательных аппаратов. Основным элементом полевых исследований является измерение шейки колосья инфекции.ЧумаСпектральные данные по рису, полученные с помощью геофизического спектрометраВсякая чума шейки маткиСпектральные данные риса классифицируются по степени заражения и используются в качестве стандартного набора данных выборки для обучения обработке данных гиперспектральных изображений беспилотных летательных аппаратов.

4.4Анализ результатов

рисунок12 Результаты инверсии содержания воды в растительном покрове

4.4.1Надежность оценок

Проверка точности модели может основываться на средней квадратичности и ошибке (Корневая средняя квадратная ошибка, RMSEКоэффициенты корреляции (рДва показателя для анализа.

В формуле,нКоличество выборки,Для выборкииЛабораторные измерения,Средние значения для всех проверенных образцов;Для использования прогнозов модели,Среднее значение прогноза для всех соответствующих проверенных образцов.РМСЕЧем меньше значение,РЧем больше значение корреляционной системы, тем выше точность модели.

4.4.2.Факторы, влияющие на точность оценки

Факторы, влияющие на точность результатов инверсии, в основном включают следующие аспекты:

1. Спектральные данные: антропогенное воздействие на окружающую среду и неопределенность при сборе внешних данных, проводимостьСуществуют определенные различия в качестве гиперспектральных изображений. Однако этот фактор не является основным.

2. Измеренные данные: Измеренные данные включают спектральные данные лопастей и количественные измерения параметров. Под влиянием приборов, оборудования и человеческого фактора эти два измеренных данных могут иметь определенную погрешность, но оказывают меньшее влияние на результаты инверсии. Важно отметить, что разница во времени при измерении этих двух измеренных значений является одним из основных факторов модели инверсии изображения. Старайтесь избегать длительных повторных измерений после сбора лопастей и обеспечивать одновременное проведение спектральных измерений и количественных измерений параметров.

3. Модель инверсии: построение модели инверсии является основным фактором, влияющим на точность инверсии. Под влиянием выбора спектра характеристик, формы переменных и формы модели инверсии существует большая неопределенность в отношении результатов инверсии.