基于无人机多光谱的葡萄氮含量监测研究

快速准确地获取葡萄关键生育期的元素含量,是现代精准农业的基本要求。利用无人机搭载五通道多光谱相机,采集4个葡萄关键生育期多光谱影像数据,并以相应实测葡萄叶片氮含量为基准,进行葡萄叶片氮含量估测遥感无损监测研究。通过皮尔逊相关性分析,筛选出16个与氮含量强相关的光谱变量,并采用后退逐步回归分析法逐个剔除不显著变量,综合考虑模型精度与简洁度,在不同生育期选择合适的光谱变量进行建模,实现对葡萄叶片氮含量较高精度检测。在各生育期选取无人机多光谱遥感最优光谱变量监测葡萄氮素含量,为葡萄园的精准管理提供决策信息和技术支持。

基于低空遥感与GA-BP神经网络的葡萄叶片含水量估算研究

以武威市凉州区威龙庄园的葡萄为研究对象,使用无人机搭载多光谱相机对田间葡萄叶片含水量进行无损检测。选用Pix4D mapper软件对多光谱影像进行拼接,并利用矫正板矫正,通过指数计算器得到5个波段的光谱反射率影像。随机选取70组葡萄叶片光谱反射率作为训练样本,采用经典BP神经网络建立基于多光谱图像的葡萄叶片含水率模型,并融合遗传算法(Genetic Algorithms,GA)优化神经网络,输入量为蓝、绿、红、红边、近红等5个波段图像对应反射率,输出为葡萄叶片含水量。30组葡萄叶片验证样本用于模型反演数据的相关性分析。试验结果表明,利用多光谱图像信息并结合遗传算法优化的BP神经网络葡萄叶片含水量的反演模型,多光谱反演的含水量模型拟合相关系数达0.76982,30组验证集中葡萄叶片含水率实测参考值和网络反演值的相关系数r为0.8146,反演结果比较理想。本方法可实现对葡萄叶片含水量的快速无损准确检测,有助于西北干旱区农业的灌溉决策与精准管理。

果园监控机器人自主行驶及视觉导航系统研究

目前果园的人工巡检在面对大规模区域种植时,作业任务极为繁重。基于此研究了一种在果园道路自主行驶的监控车以及机器视觉导航系统。选用基于图优化的Cartographer算法进行果园路面信息采集以及全局路径规划,采用LiDAR(Light Detection and Ranging)进行道路建图和路径规划,利用机器视觉系统进行道路分割识别并提取道路虚拟中线为导航线,并在转角区域等利用激光雷达定位和路径规划。提出了聚类算法和HSV颜色空间分割算法相结合的道路区域图像分割识别算法,并采取形态学滤波和连通域处理降噪方法,实现了果园道路的准确提取。在视觉导航实验研究中,分块并标记道路目标区域中心点,曲率拟合获得导航线,实验结果表明拟合提取的虚拟导航线与道路实际中线偏差小于4%,准确性高,满足机器视觉导航的精度要求。

基于双目视觉的葡萄识别定位及跟踪方法研究

为消除不同光照强度和葡萄叶片遮挡等因素对果穗识别定位与跟踪精确度的影响,通过搭建基于vs2017与OpenCV3.4双目识别定位系统,研究基于自然光环境下红提葡萄果穗的识别、定位及跟踪,提出一种K-Means聚类算法和HSV颜色分量相结合的葡萄果穗识别分割方法,并提出了基于深度卷积神经网络与双目视觉相结合的葡萄跟踪算法。选用OpenCv与MATLAB对双目相机标定,去除误差过大及模糊的照片,标定误差控制在0.13%以内。采用双目相机视差获得深度图进行葡萄定位,试验表明,当定位距离在0.8~1.5 m时,葡萄定位误差小于1%;利用轻量级卷积神经网络YoLov4训练葡萄位置区域模型,试验结果表明葡萄位置区域检测平均准确率达85.4%,召回率达87.6%;利用MATLAB对葡萄轮廓模型实施匹配跟踪和kalman滤波,试验结果表明跟踪效果较好。