基于无人机遥感的高原山区成熟火龙果实识别与计数方法与流程

本发明涉及一种高原山区种植区域成熟火龙果实识别与计数方法，尤其是一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，属于植物种植的技术领域。

背景技术：

成熟火龙果果实的采摘是火龙果种植和商品化过程中劳动强度大、季节性强的一个重要环节。目前，贵州省乃至中国的火龙果估产仍然采用传统的人工田间抽样、目测清点单株果实数量的方式，对观测人员的经验要求较高，劳动强度较大。其次，对于种植在崎岖地形的山地区域的火龙果，传统的以亩为单位估算火龙果产量的方法精确度较差，不足以科学支撑火龙果的精确采收、指导水果定价、合理计划成熟火龙果的果实采摘人力和费用。全国各地火龙果的产量大，面对如此大产量的特色优势水果产品，急需解决成熟火龙果果实的识别与估产方法。

技术实现要素：

本发明所要解决的技术问题在于提供一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，该方法具有操作简便、劳动强度小、精确度高、成本较低的特点。

为解决上述技术问题，本发明采用的技术方案如下：

一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，该方法包括以下步骤，

(1)采用无人机超低空飞行拍摄采集火龙果树图像，获取火龙果树与果实的放大rgb图像；

(2)分别制作成熟、半成熟、未成熟的火龙果实rgb图像对应的r、g、b波段曲线图，确定成熟火龙果实的红色图像特征；

(3)通过超红指数公式将红色特征地物与非红色的水泥柱、火龙果植株叶片、土壤、杂草地物进行分离，筛选成熟火龙果目标；

(4)对超红指数计算结果图像进行灰度阈值分割；

(5)对灰度阈值分割出来的果实、枝条图像采用基于灰度差分统计特征的纹理特征消噪方法，采集经超红指数计算之后灰度图中的火龙果实、枝条的灰度值，利用成熟火龙果实目标的图像值大于枝条的图像值的差异特征，消除枝条，保证成熟火龙果果实目标的纯净度；

(6)基于成熟火龙果果实的近圆形外观特征，利用果实圆度率计算公式进一步消除非成熟期的火龙果的果实图斑；

(7)通过火龙果实的图斑面积阈值控制，消除极小、极大的面积近圆形图斑，得到成熟火龙果果实图斑；其实现过程为：利用火龙果果实目标与无人机单目镜头的距离产生的火龙果果实目标成比例变化的规律，结合火龙果实目标的不变特征，确定火龙果果实目标的图斑面积，再次利用此火龙果果实目标的图斑面积消除近圆形目标中超界值的对象，得到成熟火龙果果实图斑；

(8)将识别的成熟火龙果果实图斑与通过无人机拍摄采集的火龙果树与果实的放大rgb图像进行叠加，验证识别准确率。

上述的高原基于无人机遥感的高原山地成熟火龙果实识别与计数方法，作为一种优选方案，步骤(1)中，所述的无人机是通过单镜头俯仰30～60°夹角范围内，在不同海拔高度的航点位置拍摄斜视镜头图片，能够较好地消除火龙果在自然生长产生叶片重叠、遮挡导致火龙果果实被遮挡的现象。

前述的基于无人机遥感的高原山地成熟火龙果实识别与计数方法，具体来说，步骤(3)中，所述的超红指数公式为er＝2*r-g-b，式中：er为超红指数计算结果，数据表现形式为灰度图像，r为red红波段，g为green绿波段，b为blue蓝波段。

前述的基于无人机遥感的高原山地成熟火龙果实识别与计数方法，具体来说，步骤(4)中，假设超红指数计算的灰度图像的大小为m×n，灰度级数为l，采用单阈值分割确定一个阈值t，对所有像素的灰度级进行如下映射：

f(x,y)表示坐标为(x,y)的像素灰度级，其中x∈[1,m]，y∈[1,n]；设定一个阈值t为火龙果果实与其他非火龙果果实地物的灰度分割阈值，在软件中进行阈值分割，通过多次的人机交互操作，调整分割阈值t使成熟火龙果的果实识别效果较理想，消除噪声图斑效果最好。

前述的基于无人机遥感的高原山地成熟火龙果实识别与计数方法，具体来说，步骤(6)中，所述果实圆度率计算公式：

区域圆度率＝区域面积/具有相同周长的圆的面积，rc＝4πa/p^2，其中，rc为区域圆度率，a为面积；p为周长。

本发明的有益效果：与现有技术相比，本发明基于自然光照条件下，结合成熟火龙果果实图像的rgb颜色特征和形状特征等深度信息对成熟火龙果果实进行识别，不但操作简便，大大降低了人工识别的劳动强度，提高了识别效率，而且精确度高，成本低，易于推广，填补了山地立体特殊地形区野外环境下成熟火龙果果实识别的难题和技术空白，具有较高的推广应有价值。该方法也适用于其他任何类似颜色和近圆形状特征的农作物识别与估产。本发明使用消费级单镜头可见光无人机进行超低空飞行拍摄来采集火龙果图像，其优点是作业灵活、成本低廉。

附图说明

图1是本发明无人机超低空飞行采集火龙果图像示意图；

图2是本发明成熟的火龙果果实对应的r、g、b波段曲线图；图中1为红色r波段曲线，2为蓝色b波段曲线，3为绿色g波段曲线；

图3是本发明半成熟的火龙果果实对应的r、g、b波段曲线图；图中1为红色r波段曲线，2为蓝色b波段曲线，3为绿色g波段曲线；

图4是本发明未成熟的火龙果果实对应的r、g、b波段曲线图；图中1为红色r波段曲线，2为蓝色b波段曲线，3为绿色g波段曲线；

图5是本发明经计算过红指数和灰度阈值分割后的图斑叠加图，灰度图为计算过红指数后的结果，4为红色近似圆形图斑；

图6是本发明经计算果实圆度率、面积阈值控制后的火龙果果实红色图斑；

图7是本发明识别的火龙果图斑与真实火龙果rgb图像叠加图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

实施例1：基于无人机遥感的高原山地成熟火龙果实识别与计数方法，包括以下步骤：

(1)如图1所示，采用无人机超低空飞行的方式拍摄采集火龙果树图像，通过无人机单镜头俯仰30～60°夹角范围内，在不同海拔高度的航点位置拍摄斜视镜头图片，能够较好地消除火龙果在自然生长产生叶片重叠、遮挡导致火龙果果实被遮挡的现象。

(2)如图2-4所示，分别制作成熟、半成熟、未成熟的火龙果果实rgb图像对应的r、g、b波段曲线图，确定成熟火龙果实的红色图像特征；1为红色r波段曲线，2为蓝色b波段曲线，3为绿色g波段曲线，r波段对成熟火龙果(红色)具有明显的果实目标指示特征。

(3)在rgb颜色系统中，探索火龙果果实目标颜色空间特征，并建立成熟火龙果目标筛选计算公式。经过多次对成熟、半成熟、未成熟的火龙果果实图像进行对比试验，发现成熟期火龙果果实图像r-g-b值的关系为：2*r≈g+b，因此，利用此关系可将红色特征地物与非红色的水泥柱、火龙果植株叶片、土壤、杂草等地物进行分离。建立超红指数(er，excessred)公式如下：

er＝2*r-g-b，式中，er为超红指数计算结果，数据表现形式为灰度图像。r为red红波段，g为green绿波段，b为blue蓝波段。

(4)对超红指数计算结果图像进行灰度阈值分割。假设超红指数计算的灰度图像的大小为m×n，灰度级数为l，f(x,y)表示坐标为(x,y)的像素灰度级，其中x∈[1,m]，y∈[1,n]。进而采用单阈值分割确定一个阈值t，对所有像素的灰度级进行如下映射：

设定一个阈值t为火龙果果实与其他非火龙果果实地物的灰度分割阈值。在软件中进行阈值分割，通过多次的人机交互操作，根据目视效果和经验知识调整分割阈值t＝120时，成熟火龙果的果实识别效果较为理想，消除噪声图斑的效果最好。

(5)如图5所示，图为经计算过红指数和灰度阈值分割后的图斑叠加图。灰度图为计算过红指数后的结果，红色近似圆形图斑4为灰度阈值分割后的图斑。分割后图像中会存在分割碎片，所以对灰度阈值分割出来的果实、枝条图像采用基于灰度差分统计特征的纹理特征消噪方法，采集经超红指数计算之后灰度图中的火龙果实、枝条的灰度值，利用成熟火龙果实目标的图像值大于枝条的图像值的差异特征，消除枝条，保证成熟火龙果果实目标的纯净度。

(6)基于成熟火龙果果实的近圆形外观特征，利用果实圆度率进一步消除非成熟期的火龙果的果实图斑。计算公式为：

区域圆度率＝区域面积/具有相同周长的圆的面积。

rc＝4πa/p^2，其中，rc为区域圆度率，a为面积，p为周长。

(7)此步骤为消除近圆形的极小、极大面积图斑。经过上一步消除非近圆形的图斑后，仍然存在面积非常小的近圆形图斑。因此，本步骤采用图斑面积阈值控制，达到消除极小、极大面积的图斑的效果，如图6所示。实现过程为：利用火龙果果实目标与无人机单目镜头的距离产生的火龙果果实目标成比例变化的规律，结合火龙果实目标的不变特征，确定火龙果果实目标的图斑面积，再次利用此火龙果果实目标的图斑面积消除近圆形目标中超界值的对象，得到成熟火龙果果实图斑。

(8)如图7所示，将识别的成熟火龙果果实图斑与通过无人机拍摄采集的火龙果树与果实的放大rgb图像进行叠加，经实地验证，成熟火龙果果实的识别准确率高达90％以上，完全符合要求。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于发明的保护范围。