不同種植設(shè)施背景蔬菜作物無人機高光譜精細(xì)分類

1、引言

中國是蔬菜第一生產(chǎn)大國，蔬菜生產(chǎn)種植規(guī)模、出口規(guī)模穩(wěn)居世界第一位，蔬菜產(chǎn)量和質(zhì)量逐年增長，年度總產(chǎn)值達(dá)到2萬億元。蔬菜在中國農(nóng)作物種植結(jié)構(gòu)中占比高達(dá)12.83%，是僅次于糧食的主要農(nóng)作物之一，已成為實現(xiàn)農(nóng)業(yè)增收和促進(jìn)農(nóng)村經(jīng)濟發(fā)展的主要支柱產(chǎn)業(yè)之一，在豐富老百姓菜品、提高人們生活水平和促進(jìn)鄉(xiāng)村振興戰(zhàn)略實施等方面具有重要作用。準(zhǔn)確掌握蔬菜種植類型、面積、空間分布等種植結(jié)構(gòu)信息對準(zhǔn)確評估和預(yù)測區(qū)域蔬菜產(chǎn)量及價格具有重要價值，對區(qū)域蔬菜作物管理現(xiàn)代化、自動化和精細(xì)化具有重要意義。

本研究以湖南省農(nóng)業(yè)科學(xué)研究院高橋科研試驗基地為研究區(qū)，采用無人機高光譜數(shù)據(jù)，探索基地內(nèi)不同蔬菜作物精細(xì)分類方法，以期為開展復(fù)雜背景下的基于無人機高光譜遙感技術(shù)的蔬菜作物精細(xì)分類方法研究和蔬菜種植精細(xì)管理提供技術(shù)支撐。

2、研究區(qū)概況和數(shù)據(jù)處理

2.1 研究區(qū)概況

湖南省農(nóng)業(yè)科學(xué)院高橋科研試驗基地（113°21′39.5928″E，28°28′54.3756″N）位于湖南省長沙縣高橋鎮(zhèn)，占地面積3246畝，地勢平坦；該基地包含湖南省作物所、蔬菜所等11個研究所作物新品種選育、栽培、篩選試驗核心區(qū)和成果展示區(qū)，是一個綜合性的試驗示范基地。本次研究區(qū)域位于該試驗基地南部區(qū)域，如圖1（a）所示。

圖1研究區(qū)域、作物覆蓋背景分布圖

通過實地踏勘和統(tǒng)計，研究區(qū)域內(nèi)包含有番茄、辣椒、水稻等9種農(nóng)作物，不同農(nóng)作物的種植結(jié)構(gòu)、植株大小、間隙等并不一致；作物背景信息十分復(fù)雜。試驗時間正值該區(qū)域不同蔬菜作物培育、生長關(guān)鍵期，實驗區(qū)蔬菜作物類型較多，不同蔬菜作物的覆蓋背景十分復(fù)雜，包括地膜、防鳥網(wǎng)、防蟲網(wǎng)以及大棚覆蓋等，如圖1（b）所示，比較適合復(fù)雜背景下作物分類研究。部分作物底部覆有地膜，如辣椒、絲瓜種植區(qū)；部分作物是種植在大棚內(nèi)部，如辣椒種植區(qū)；甚至還有部分作物底部覆蓋地膜，頂部有防鳥網(wǎng)或紗網(wǎng)，如番茄、南瓜種植區(qū)。而水稻種植區(qū)頂部沒有防鳥網(wǎng)，屬于大面積密集覆蓋，且長勢良好，實景照片如圖2所示

圖2不同覆蓋背景

2.2 數(shù)據(jù)獲取與預(yù)獲取

本次試驗選擇的無人機平臺高光譜成像儀。飛行前，在飛行區(qū)域平整地面上鋪設(shè)定標(biāo)白布，用于獲取地表反射率數(shù)據(jù)；同時獲取傳感器相應(yīng)的暗電流用于消除噪聲，提高數(shù)據(jù)信噪比。此次實驗共獲取4個條帶，分別將每個條帶轉(zhuǎn)換成輻射亮度數(shù)據(jù)，然后對其進(jìn)行正射校正并鑲嵌成一幅圖像；最后采用基于平場域方法獲取研究區(qū)域的地表反射率數(shù)據(jù)。由于圖像空間分辨率較高、范圍較大，在分類時需要較大的計算機內(nèi)存，為此我們將原始圖像以4∶1的方式進(jìn)行空間采樣，同時訓(xùn)練樣本與測試樣本執(zhí)行同樣的操作。

2.3 訓(xùn)練與測試樣本的選取

為了準(zhǔn)確提取研究區(qū)作物類別，根據(jù)現(xiàn)場踏勘結(jié)果將研究區(qū)的地物類型劃分14個類別。

圖3 14類地物訓(xùn)練樣本和測試樣本分布圖

如圖3所示，包括茄子、絲瓜、水稻、辣椒、番茄、鐵皮廠房、西瓜、南瓜、黃瓜、番薯、無種植、水泥路面、裸土和其他。不同于眾多高光譜分類驗證實驗采用隨機抽取訓(xùn)練集的做法，本研究采取更貼合實際應(yīng)用的方式，根據(jù)實地踏勘結(jié)果，通過人工選取小塊作物作為帶標(biāo)記的訓(xùn)練樣本（圖3（a）），再選擇剩下的作物作為測試樣本（圖3（b）），以此減少訓(xùn)練集與測試集的空間相關(guān)性，同時增加樣本測試的難度。具體樣本劃分如表1所示。

表1訓(xùn)練樣本及測試樣本統(tǒng)計

3、結(jié)果分析

3.1 樣本的光譜特診

高光譜技術(shù)能夠以較高的光譜分辨率獲得地物的診斷光譜，從而區(qū)分具有不同性質(zhì)的地物，但是當(dāng)?shù)匚锸艿酵寥馈⒌啬?、大棚覆蓋背景物體等強烈影響時，地物診斷光譜特征會發(fā)生變化。

圖4不同覆蓋背景作物平均光譜與標(biāo)準(zhǔn)差，訓(xùn)練樣本平均光譜相關(guān)系數(shù)矩陣

圖4（a）、（b）、（c）分別顯示了在大棚、地膜和防蟲網(wǎng)覆蓋背景下，不同作物平均光譜與標(biāo)準(zhǔn)差?？梢钥闯?，作物在不同覆蓋背景下，同類作物的光譜變化范圍較大，不同作物之間會存在交疊區(qū)域，這意味著僅采用光譜特征對作物精細(xì)分類存在較大挑戰(zhàn)。另外，研究區(qū)14類不同地物訓(xùn)練樣本的平均光譜相關(guān)系數(shù)矩陣如圖4（d）所示，此相關(guān)系數(shù)矩陣圖也表明，鐵皮廠房與其他地物光譜呈負(fù)相關(guān)特征，受地面背景影響，水泥路面和無種植區(qū)與其他作物的光譜相似程度有較大差異；而從整體上來看，不同蔬菜作物之間的光譜相似程度較高，這也表明僅利用光譜特征較難區(qū)分這些不同蔬菜作物。

3.2 不同分類方法的結(jié)果與精度

實驗所用訓(xùn)練集、測試集及不同分類方法得到的結(jié)果如圖5所示，精度評價見表2。

表2測試樣本的分類精度

圖5基于不同方法的作物分類結(jié)果

從圖5中可以看出，采用基于SVM的分類方法結(jié)果整體上要劣于深度學(xué)習(xí)的方法，其分類結(jié)果圖像中椒鹽噪聲更加突出。這是由于圖像整體空間分辨率較高、地物的光譜變化較大所造成的，同時還受到土壤、地膜等復(fù)雜背景的影響，采用逐像素分類的SVM類方法效果不太理想。1D-CNN模型盡管采用了深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，但是由于其僅利用單個像素的光譜信息，沒有融合鄰域信息，所以其分類結(jié)果仍然存在較多的椒鹽噪聲。其他基于深度學(xué)習(xí)的模型由于能夠更好地結(jié)合光譜與空間信息，分類效果能夠得到顯著提高，并極大程度地消除了椒鹽噪聲現(xiàn)象。另外，對于小塊田間作物以及受地膜、大棚以及防鳥網(wǎng)覆蓋影響的作物分類結(jié)果，由于其混合光譜現(xiàn)象嚴(yán)重，傳統(tǒng)基于SVM的方法和1D-CNN方法非常容易產(chǎn)生錯分現(xiàn)象。

從分類精度評價結(jié)果來看，基于SVM方法的總體分類精度、用戶平均精度和Kappa系數(shù)均要低于深度學(xué)習(xí)方法得到的結(jié)果。而當(dāng)訓(xùn)練樣本數(shù)量較少時，基于SVM方法難以挖掘總體特征，分類模型的泛化能力不足，從而導(dǎo)致分類結(jié)果不穩(wěn)定，在有些模型中分類精度偏低，比如西瓜、諧瓜、番薯、水泥路面等地物。然而，基于深度學(xué)習(xí)的分類方法能夠容納更多的特征信息，學(xué)習(xí)到更多抽象特征，對噪聲及模型的容錯能力也更強，所以在3D-CNN模型和Attention-CNN模型中，所有類別的分類精度均比較穩(wěn)定且都較高。另外，受背景因素影響小且屬于大面積密集分布的地物在所有分類方法中均能有效地區(qū)分開來，比如鐵皮廠房、水稻，這從訓(xùn)練樣本的平均光譜特征也能反映出來。而不同蔬菜種類的混合光譜較為嚴(yán)重，且種植面積小、植株間隔與生長發(fā)育階段差異大，從而導(dǎo)致難以區(qū)分，這在不同的分類方法體現(xiàn)較為明顯，比如番茄、番、黃瓜和辣椒等，在3D-CNN和Attention-CNN模型中得到了極好的區(qū)分，而其他分類方法的結(jié)果差異較大。

續(xù)~

推薦：

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。