无人机遥感监测作物病虫害胁迫方法与最新研究进展.pdf-

资源描述：

2022 年3 月第4 卷第1 期 Mar 2022 Vol 4 No 1 智慧农业中英文 S m a r t A g r i c u l t u r e 无人机遥感监测作物病虫害胁迫方法与最新研究进展杨国峰 1 2 3 何勇 1 2 3 冯旭萍 1 2 3 李禧尧 1 2 3 张金诺 1 2 3 俞泽宇 1 2 3 1 浙江大学华南工业技术研究院广东广州 5 1 0 7 0 0 2 浙江大学生物系统工程与食品科学学院浙江杭州 3 1 0 0 5 8 3 农业农村部光谱检测重点实验室浙江杭州 3 1 0 0 5 8 摘要病虫害是作物生产面临的主要胁迫之一近年来随着无人机产业的快速发展无人机农业遥感因其图像空间分辨率高数据获取时效性强和成本低等特点在作物病虫害胁迫监测应用中发挥了重要作用本文首先介绍了利用无人机遥感监测作物病虫害胁迫的相关背景其次对目前无人机遥感监测作物病虫害胁迫中的常用方法进行了概述主要探讨无人机遥感监测作物病虫害胁迫的数据获取方式和数据处理方法之后从可见光成像遥感多光谱成像遥感高光谱成像遥感热红外成像遥感激光雷达成像遥感和多遥感融合与对比六个方面重点综述了近期国内外无人机遥感监测作物病虫害胁迫的研究进展最后提出了无人机遥感监测作物病虫害胁迫研究与应用中尚未解决的关键技术问题与未来的发展方向本文为把握无人机遥感监测作物病虫害胁迫研究热点应用瓶颈发展趋势提供借鉴和参考以期助力中国无人机遥感监测作物病虫害胁迫更加标准化信息化精准化和智能化关键词无人机遥感监测病虫害胁迫数据获取数据处理深度学习多遥感融合中图分类号 S 4 3 5 文献标志码 A 文章编号 S A 2 0 2 2 0 1 0 0 8 引用格式杨国峰何勇冯旭萍李禧尧张金诺俞泽宇无人机遥感监测作物病虫害胁迫方法与最新研究进展 J 智慧农业中英文 2022 4 1 1 16 YANG Guofeng HE Yong FENG Xuping LI Xiyao ZHANG Jinnuo YU Zeyu s and new research prog ress of remote sensing monitoring of crop disease and pest stress using unmanned aerial vehicle J SmartAgricul ture 2022 4 1 1 16 inChinesewithEnglishabstract 1 引言病虫害的爆发会影响农业生产造成作物产量和质量的严重下降 1 近年来中国病虫害的发生和传播呈现增多态势各省份发生率都有所增加导致病虫害的防治更加困难 2 目前中国作物病虫害监测主要依靠植保部门植保站等人员实地调查取样不仅费时费力准确性低时效性差区域覆盖小而且受人为因素影响无法实现大范围全覆盖的作物病虫害胁迫监测遥感技术基于其精准快速大面积无破坏等特点在作物病虫害胁迫监测领域已经显示出了独特优势遥感技术是指运用不与探测目标接触的遥感传感器收集记录目标物辐射反 doi 10 12133 j smartag SA202201008 收稿日期 2022 01 26 基金项目广东省重点领域研发计划项目 2019B020216001 国家自然科学基金 31801257 作者简介杨国峰 1994 男博士研究生研究方向为农业计算机视觉与无人机植物表型 E mail yangguofeng 通信作者何勇 1963 男博士教授研究方向为数字农业与精细农业农业物联网技术农业机械装备智能化检测与节能管理信息系统与农用航空等 E mail yhe Vol 4 No 1 智慧农业中英文 S m a r t A g r i c u l t u r e 射散射的电磁波信息进而获取目标物的特征性质及其变化的综合探测技术 3 当前遥感监测方式可大致分为天基空基和地基三种方式其中天基监测如卫星遥感监测容易受气象条件影响重访周期较长且空间分辨率低地基监测如固定监测站监测范围有限成本很高且难以大面积设立 4 而空基中的无人机 Un mannedAerialVehicle UAV 遥感监测具备运行成本低灵活度高采集迅速覆盖面广等特点可获得更高的空间时间和光谱分辨率的影像弥补了传统病虫害监测过程中存在的缺陷被认为是遥感监测作物病虫害胁迫的有效手段 5 近年来随着以无人机飞行平台和数据获取传感器等为代表的硬件不断成熟以机器学习乃至深度学习等为代表的数据处理技术快速发展基于无人机的遥感监测技术逐渐成为低空遥感领域的重要监测方式 6 在作物病虫害胁迫遥感监测领域基于无人机的遥感监测技术已是一个重要且热门的研究方向并且基于感知决策执行的无人机技术也已成为智慧农业的关键核心技术本文围绕无人机遥感监测作物病虫害胁迫研究首先在监测数据获取和处理两部分梳理了无人机作物病虫害遥感监测方法然后从可见光成像遥感多光谱成像遥感高光谱成像遥感热红外成像遥感激光雷达成像遥感和多遥感融合与对比方面分析了国内外无人机遥感监测作物病虫害胁迫的研究方法与进展最后提出了无人机遥感监测作物病虫害胁迫中尚未解决的关键技术问题与未来的发展方向 2 无人机遥感监测作物病虫害胁迫方法 2 1 概述目前基于无人机的遥感监测技术已在作物病虫害胁迫领域被广泛应用与研究当作物受到病虫害胁迫时通常在不同光谱波段上表现出吸收和反射特性的变化即为作物病虫害胁迫的光谱响应 7 作物由于病虫害胁迫受损会引起色素形态结构等改变通常可以通过提取其光谱响应特征并加以分析处理实现对病虫害胁迫的精准快速无损监测 8 无人机遥感监测作物病虫害胁迫是以无人机为遥感监测平台利用搭载的各种传感器获取目标作物的遥感影像视频点云等数据通过对数据的处理挖掘和建模来获取作物病虫害胁迫信息监测方法大致可分为两类 1 单一遥感监测方法主要通过无人机搭载相应传感器进行作物病虫害胁迫数据获取处理及分析 2 综合遥感监测方法主要利用无人机遥感监测技术与地面人工调查取样等方式综合进行作物病虫害胁迫数据获取处理及分析根据实际监测情况的不同选择单一或综合无人机遥感监测作物病虫害胁迫方法以实现作物病虫害信息的精准获取和高效动态监测为作物病虫害科学防治提供支撑其中主要涉及到以无人机飞行平台和机载传感器为代表的无人机遥感监测硬件系统以无人机测绘摄影测量等专业处理软件和数据处理分析相关算法或模型为代表的无人机遥感监测软件系统 2 2 监测数据获取方式 2 2 1 无人机飞行平台无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器 9 大致可分为多旋翼固定翼单旋翼直升机和混合翼垂直起降固定翼几种如图1 所示在使用无人机遥感监测作物病虫害胁迫时关注的重点是无人机载荷续航时间飞行高度监测精度和空间分辨率等如表1 所示为不同的无人机飞行平台由于遥感监测数据获取过程中飞行平台的选择对获取的数据质量有影响因此选择的飞行平台应具备可操控性高稳定性和飞行持久性等特点以获取质量较好的数据目前多旋翼无人 2杨国峰等无人机遥感监测作物病虫害胁迫方法与最新研究进展 Vol 4 No 1 机因具有航速姿态可调飞行稳定能够定点悬停等优势适用于定点重复获取多尺度高分辨率的作物病虫害胁迫数据在遥感监测作物病虫害胁迫研究与应用中最为广泛 2 2 2 机载传感器无人机遥感监测作物病虫害胁迫研究中的机载传感器类型主要包括多光谱相机高光谱相机数码相机热红外相机激光雷达等 18 如图2 所示无人机遥感监测作物病虫害胁迫的机载传感器通常为光学光电学和热力学传感器少部分机载传感器属于声学等领域常用机载传感器及其测量指标优势和劣势如表2 所示因此利用无人机获取病虫害胁迫数据时需要依据地域特征病虫害爆发程度和作物种类等情况选择合适的传感器 2 2 3 数据获取流程无人机遥感监测作物病虫害胁迫的数据获取流程是保证每次飞行能正常操作且安全准确获取监测数据的重要流程无人机数据获取的质量和数量对后续处理分析的结果有重要影响对自主作业模式全球定位系统模式以实现精确悬图1 无人机遥感监测作物病虫害胁迫的不同飞行平台 Fig 1 DifferentflightplatsforUAVremotesensing monitoringofcropdiseasesandpestsstress 表 1 不同无人机飞行平台特点 Table1 Characteristicsofdifferentunmannedaerialvehicle UAV flightplats 类型多旋翼无人机 10 11 固定翼无人机 12 13 单旋翼无人机 14 15 混合翼无人机 16 17 载荷 kg 1 25 1 40 1 35 1 30 续航时间 min 10 120 30 240 30 240 60 600 应用范围小面积大面积中等面积中等面积优点自主导航与起降定点悬停多载荷起降方便自主导航续航长多载荷起降方便飞行速度快垂直起降定点悬停多载荷起降方便续航较长稳定性好起降方便飞行速度较快缺点续航较短信号易受干扰无法定点悬停飞行速度无法快速改变起降要求较高续航较短稳定性较差油耗高噪声较大维护复杂速度较低维护复杂造价较高表 2 无人机遥感监测作物病虫害胁迫常用机载传感器 Table2 CommonlyusedairbornesensorsforUAVremotesensingtomonitorcropdiseasesandpests 传感器多光谱相机高光谱相机数码相机热红外相机激光雷达测量指标氮素水分覆盖度叶面积生物量病虫害胁迫等覆盖度叶面积生物量产量病虫害胁迫等倒伏可见外部伤害生长状况温度水分等株高叶面积生物量等优势波段较多信息量较多类型多波段多分辨率高类型多分辨率高使用方便价格低类型多非接触测温使用较方便分辨率较高抗干扰能力较强不受光线影响劣势仅限于有限的几个波段价格较高成像速度慢分辨率较低数据处理复杂价格高信息量少波段少价格较高分辨率低环境影响较大精度较低探测距离和范围较小价格高 3Vol 4 No 1 智慧农业中英文 S m a r t A g r i c u l t u r e 停指点飞行规划航线等操作下无人机遥感监测作物病虫害胁迫方法来说主要有以下步骤 1 飞行前期准备确认飞行任务区域及申请空域查询地理天气环境信息选择并调试飞行与地面设备无人机飞行平台机载传感器遥控器导航等以及检查电量是否能正常工作等是否携带其他设备如辐射定标板等 2 正式飞行前准备现场组装调试连接飞行与地面设备根据任务区域地形作物病虫害续航载荷等情况设计飞行任务方案如起降点航线高度架次重叠率等 19 20 3 飞行作业执行实时关注无人机飞行平台的速度位置电量电压任务时间等飞行情况监督飞行时稳定安全作业必要时可以手动接管飞行 4 飞行作业结束自主返航或操控返航返航完毕可关闭飞行与地面设备电源回收飞行与地面设备读取储存卡数据或在飞行作业时通过地面设备实时获取遥感监测数据 2 3 监测数据处理方法如何从无人机遥感监测作物病虫害胁迫获取的大量数据中高效提取表型特征十分重要并且很大程度决定处理分析的结果表型特征主要包括光谱特征纹理特征颜色特征形状特征和生理特征等目前对这些表型特征的分析处理是无人机遥感监测作物病虫害胁迫研究的热点 21 22 现阶段主流的无人机遥感监测作物病虫害胁迫数据处理的方法可以大致分为统计分析方法和机器学习方法两类目前监测数据处理方法的流程主要为遥感影像的格式调整清洗预处理拼接校正特征提取特征选择设计方法模型评价指标与调优等对于遥感影像格式调整一般使用机载传感器配套软件处理对于遥感影像拼接和校正等则使用无人机测绘摄影测量软件如 Metashape 软件 Agisoft 公司 PIX4Dmapper 软件 Pix4D 公司和 Inpho 软件 Trimble 公司等 2 3 1 统计分析方法在无人机遥感监测作物病虫害胁迫相关研究中常用描述统计相关分析回归分析判别分析方差分析和聚类分析等统计分析方法通常借助上述方法使用植被的光谱特征进行作物病虫害胁迫遥感监测通过对光谱曲线进行分析可以发现不同作物病虫害胁迫的光谱曲线变化特征一般基于特定光谱波段波段计算与组合以及植被指数 Vegetation Index VI 等方法进行光谱特征提取因为不同病虫害胁迫对作物生长造成的影响程度不一致所以特定光谱波段更有利于对不同病虫害胁迫进行监测光谱波段经运算组合后可以得到反映植被生长状况植被覆盖度等有相关意义的值即VI VI 已广泛用来定性和定量评价植被覆盖及其生长活力常用于作物病虫害胁迫监测的VI 主要由2 3 个波段构成 23 利用VI 进行回归或相关分析可以图2 无人机遥感监测作物病虫害胁迫的机载传感器 Fig 2 Airbornesensorsforunmannedaerialvehicleremote sensingmonitoringofcropdiseasesandpestsstress 4杨国峰等无人机遥感监测作物病虫害胁迫方法与最新研究进展 Vol 4 No 1 建立遥感监测数据与作物生长信息的反演模型即经验模型由于经验模型需要大量的实测数据为基础而实测数据的精度如何很大程度取决于实测数据的测量精度经验模型存在区域适用性的限制常常在实测数据采集的区域模型的适用性较高在其他区域适用性较低地表粗糙度的变化经验模型无法考虑目前由于植被参数的遥感反演物理模型具有因果关系和数学物理基础 24 25 因而正成为遥感反演作物病虫害胁迫研究的主要方向但主要集中在辐射传输模型 26 27 尚无几何光学模型和混合模型等在作物病虫害胁迫中研究与应用 2 3 2 机器学习方法当前无人机遥感监测作物病虫害胁迫的数据处理方法主要集中于机器学习方法机器学习最基本的做法是使用算法来解析遥感监测数据然后对真实世界中的病虫害胁迫做出决策和预测机器学习传统的算法包括决策树聚类贝叶斯分类随机森林 Random Forest RF 支持向量机 Support Vector Machine SVM k 近邻 k Nearest Neighbor kNN 算法等从学习方法上划分机器学习算法可以分为监督学习无监督学习半监督学习集成学习深度学习和强化学习等 28 在机器学习传统的算法中如何最大限度地在数据中提取有用的特征以供算法和模型使用至关重要当作物受到一定程度病虫害胁迫后患病虫害的作物外部形态叶面积株高颜色等与内部生理均会发生较为明显的改变因此除了使用无人机遥感监测获取作物病虫害胁迫影像的光谱特征之外颜色特征如颜色直方图颜色熵颜色矩颜色聚合向量等纹理特征如局部二值模式灰度直方图灰度共生矩阵小波变换等和形状特征如傅立叶变换形状不变矩小波轮廓描述符等等也常被提取使用此外还可以结合实地调查取样获取作物病虫害胁迫下的株高叶绿素含量生物量和含水量等各项指标特别地作物受病虫害胁迫的环境温度湿度海拔土壤含水量养分等也会对病虫害胁迫有影响也是需要重点关注与开展长期性周期性的研究近年来随着数据的高速增长算力的迅猛增强算法的完善成熟深度学习逐渐在无人机遥感监测作物病虫害胁迫领域得以大量应用 29 使用传统的机器学习方法提取特征往往需要进行手工提取或特征工程并且需要大量的时间优化而深度学习减少人为设计特征的过程将自动学习与任务相关的特征即特征学习融入建立模型的过程不过使用深度学习方法面临需要大量训练数据和性能较高的计算机硬件支持以及更优的模型等主要限制 30 尽管如此相关研究表明使用深度学习方法比机器学习传统的算法能获得更好的分类检测识别和分割性能因此未来也需要不断深入研究与改进同时随着高光谱机载传感器和深度学习技术的不断发展利用深度学习技术可以充分挖掘高光谱影像的潜在特征实现更好地对各种作物病虫害胁迫进行监测 3 无人机遥感监测作物病虫害胁迫最新研究进展本节主要针对2019 2021 年无人机遥感监测作物病虫害胁迫相关研究从可见光成像遥感多光谱成像遥感高光谱成像遥感热红外成像遥感激光雷达成像遥感和多遥感融合与对比方面进行综述 3 1 可见光成像遥感使用基于无人机搭载可见光传感器如数码相机与RGB Red Green Blue 传感器可以获得可见光影像红蓝绿波段目前可见光成像遥感在作物病虫害胁迫领域已被广泛应用研究在利用统计分析方法方面有研究提取红绿蓝波段的特征信息后构建VI 和分类模型识别病虫害胁迫程度 Nazir 等 31 为监测种植园生长 5Vol 4 No 1 智慧农业中英文 S m a r t A g r i c u l t u r e 的桉树健康状况利用冠层叶片的可见光波段开发视觉大气阻力指数 VisualAtmospheric Resis tance Index VARI 并基于VARI green 将病虫害胁迫程度分为四级将VARI green 指数和与 NDVI 进行相关性分析平均相关系数为0 73 该研究展示了利用无人机和RGB 相机对大规模工业林场作业区域进行航空调查的实际应用 Dutta 等 32 使用植被指数和Otsu 阈值分割方法对十字花科作物进行早期病害检测利用在两种不同的阳光条件下收集的RGB 图像区分健康叶片患病叶片和背景研究表明需要根据作物类型调整植被指数以便通过图像处理方法准确识别作物的感染部位在使用机器学习方法方面对于可见光成像遥感主要利用提取的可见光影像的颜色纹理光谱和形状等特征开展如分类识别检测等监测任务 33 在利用机器学习方法提取特征方面 Calou 等 34 使用五种传统机器学习分类算法来识别和量化香蕉黄斑病 SVM 算法取得了最佳分类性能类似地 Dang 等 35 基于一系列颜色特征进行阈值检测以对萝卜枯萎病的严重程度进行分类并使用k means 聚类算法实现将萝卜区域与田地的其他区域例如土地和地膜分割为评估无人机遥感监测方法在小麦蠕孢叶枯病检测方面的潜力 Huang 等 36 使用无人机进行可见光影像采集同时进行地面调查根据不同的病害胁迫程度建立了正常轻度中度和重度四种病害类别构建了基于LeNet 5 的卷积神经网络准确区分了小麦蠕孢叶枯病的感染区和健康区为量化非洲叶蝉对葡萄园的影响并开发害虫胁迫严重程度的专题图 del Campo San 等 37 使用 RGB 图像构建基于人工神经网络与几何技术相结合的计算视觉算法该算法与从RGB 图像生成的地理产品相结合改进了受影响植被健康植被和地面的图像分割效果并通过消除土壤的影响提高了检测的效果 Tetila 等 38 使用无人机拍摄的大豆害虫图像进行五种深度学习模型的评估发现经过微调训练的深度学习模型可以获得更高的分类准确率93 82 此外也展示了深度学习模型的性能优于传统的特征提取方法上述研究表明采用较低成本的可见光成像遥感可以方便快捷地对作物病虫害胁迫进行监测并且也能取得不错的识别效果开发基于可见光成像的无人机遥感监测作物病虫害胁迫系统能以更大经济优势进行推广普及从而助力农业高效生产 3 2 多光谱成像遥感多光谱成像遥感是指用2 个以上光谱通道传感器进行地物同步成像接收和记录目标物反射辐射的电磁波信息被分成若干个窄波段的光束在利用无人机搭载多光谱传感器遥感监测作物病虫害胁迫时通常获取不同时空冠层等2 5 个波段遥感影像开展相关研究在使用统计分析方法方面国内外研究通常在提取光谱特征后再筛选组合与作物病虫害胁迫遥感监测任务相关的VI 如归一化植被指数 Normalized Difference Vegetation Index NDVI 增强型植被指数和垂直植被指数等常用 VI 或提出新的植被指数如ExcessNear Infrared 和 Excess Red Edge 39 同时结合地面调查的方式人工采集相关数据基于上述VI 主要通过指数统计相关性方差分析线性回归二元逻辑回归等统计分析方法识别敏感指数以及结合多时空变化进行小麦 40 辣椒 41 香蕉 42 西瓜 43 大豆 44 和油棕 45 作物病虫害的定量评估和分析部分研究建立了不同的机器学习分类模型对梨 10 槟榔 46 47 柑橘 48 49 花生 50 柠檬 51 和马铃薯 52 等病虫害发生情况进行了有效地监测其中使用SVM 和RF 的方法占多数还有使用径向基函数 Radical Basis Function RBF 和kNN 等部分研究测试不同的输入波段组合改进分割算法U net 进行小麦黄锈病检测 53 以及开发新的分割算法处理获取的RGB CIR Color and Infrared 和NDVI 图像随后使用线性判别分析对受木质部难养菌 Xylella Fas 6杨国峰等无人机遥感监测作物病虫害胁迫方法与最新研究进展 Vol 4 No 1 tidiosa 影响的橄榄树进行分类 54 一些研究将统计分析方法和机器学习方法相结合如Lan 等 11 先计算VI 然后使用主成分分析和Auto Encoder 进行相关分析和特

展开阅读全文