《精准农业中的无人机系统》:无人机飞行高度对小麦倒伏率检测的影响


发布时间:

2022-06-22

来源:

本站

作者:

PhenoTrait

  Springer出版社推出的智慧农业系列丛书介绍了智慧农业技术的进展,包括但不限于作物收获机器人、大田作物无人机技术、植物工厂中的创新物联网应用以及优化生产过程的大数据。它包括理论研究和实际应用,重点是系统研究。将强调农业生产中的人工智能技术,包括创新算法和新的应用领域。此外,新的作物正在出现,如美国的大麻,也有覆盖。这一系列书籍将覆盖世界各地,如美国、加拿大、中国、日本、韩国和巴西。

 

  智慧农业系列丛书旨在为跨学科研究人员提供一个学术平台,提供与智慧农业相关的最新技术。鼓励不同学术背景的研究人员为本书做出贡献,例如农业工程师、育种者、园艺家、农学家和植物病理学家。这套书的目标读者非常广泛—所有与农业生产有关的专业人员。它也可以作为研究生的教科书。

 

 

  由Zhao ZHANG, Hu LIU, Ce YANG, Yiannis AMPATZIDIS, Jianfeng ZHOU和Yu JIANG编著的《Unmanned Aerial Systems in Precision Agriculture》(《精准农业中的无人机系统》)刚出版不久。全书共8章,描述了无人机(UAV)在精准农业中的技术进步和应用。它专注于无人机在农业中的应用,如作物病害检测,季中产量估计,作物养分状况和高通量表型。与专注于特定应用的个别论文不同,本书为具有广泛主题的读者提供了一个整体的观点。除了植物科学,植物病理学,育种,工程领域的研究人员外,它还面向对成像处理,农业人工智能,精准农业,农业自动化和机器人技术感兴趣的本科生和研究生。植物表型资讯组织专业编辑人员做了系统介绍,将分8期推出。

 


  

  小麦是世界上的重要粮食作物,倒伏是限制其产量的关键因素。准确、客观、及时地评估小麦倒伏状况对许多利益相关者来说非常重要。使用无人驾驶飞行器(UAV)图像进行小麦倒伏检测是一种相对较新的方法,研究人员通常采用人工方法生成田间地块数据集。考虑到人工方法效率低下、不准确和主观性强,该研究开发了一种基于图像处理的新方法,用于自动生成田间地块数据集并进行了测试。由于只有少数研究探讨了不同无人机任务高度对小麦倒伏率检测的影响,我们在三个任务高度(15、45和91米)进行了实验,并使用机器学习(支持向量机-SVM)和深度学习(Resnet50)算法对图像进行分析和检测小麦倒伏率(3级)。结果表明,在91米(2.5厘米/像素)的任务高度上收集的图像可以产生类似甚至比在45米(1.2厘米/像素)和15米(0.4厘米/像素)高度上收集的图像更高的检测精度。本研究建议,在约91米高度采集的无人机图像(2.5厘米/像素分辨率),加上颜色和纹理特征以及SVM分类器,是检测小麦倒伏率的有用方法。本研究表明,用较高的无人机任务高度产生的低分辨率图像进行自动地块提取的应用,对于小麦倒伏等地块规模(1.5米×3.6至14.6米)的研究形成了一个关键的信息,可以被无人机应用和图像分析的相关用户采用。

 

  图1基于机器学习(ML)和深度学习(DL)模型的不同无人驾驶飞行器(UAV)任务高度上的小麦倒伏率检测总体程序流程图。

 

  图2 地块位置和布局。有两种尺寸的地块-短(312):1.5 × 3.6米(5 × 12英尺)和长(116):1.5 × 14.6米(5 × 48英尺)。在右图中,从左到右,第1、11、20、29和55列是边界地块,在本研究中没有使用。

 

  图3数据集生成流程图。(i)原始图像;(ii)超绿单色;(iii) 阈值化(0.01)超绿图像(ii)后的二维图像;(iv)x坐标(水平方向)与每列总和之间的关系;(v)y坐标(垂直方向)与每行总和之间的关系;以及(vi)自动生成的单个地块的提取图像样本。

 

  图4基于颜色和纹理特征结合支持向量机分类器对不同高度图像的检测精度。

 

  图5基于Resnet50深度学习模型对不同任务高度的检测精度。

 

  智慧农业系列丛书介绍了智慧农业技术的进展,包括但不限于作物收获机器人、大田作物无人机技术、植物工厂中的创新物联网应用以及优化生产过程的大数据。它包括理论研究和实际应用,重点是系统研究。将强调农业生产中的人工智能技术,包括创新算法和新的应用领域。此外,新的作物正在出现,如美国的大麻,也有覆盖。这一系列书籍将覆盖世界各地,如美国、加拿大、中国、日本、韩国和巴西。

 

  智慧农业系列丛书旨在为跨学科研究人员提供一个学术平台,提供与智慧农业相关的最新技术。鼓励不同学术背景的研究人员为本书做出贡献,例如农业工程师、育种者、园艺家、农学家和植物病理学家。这套书的目标读者非常广泛—所有与农业生产有关的专业人员。它也可以作为研究生的教科书。

 

  本书共8章,描述了无人机(UAV)在精准农业中的技术进步和应用。它专注于无人机在农业中的应用,如作物病害检测,季中产量估计,作物养分状况和高通量表型。与专注于特定应用的个别论文不同,本书为具有广泛主题的读者提供了一个整体的观点。除了植物科学,植物病理学,育种,工程领域的研究人员外,它还面向对成像处理,农业人工智能,精准农业,农业自动化和机器人技术感兴趣的本科生和研究生。

  

  来源:Zhang, Z, Liu, H, Yang, C, et al. Unmanned Aerial Systems in Precision Agriculture [M]. Springer, Singapore, 2022.

  https://doi.org/10.1007/978-981-19-2027-1_4

 

  编辑:小王博士在努力

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。