[发明专利]基于无人机高光谱的荔枝病害检测方法及系统

说明书

本发明公开了一种基于无人机高光谱的荔枝病害检测方法及系统，通过无人机搭载机载高光谱相机获取并处理得到局部高光谱数据和可见光数据；将局部高光谱数据经过处理拼接成一幅高光谱立体全景图；选取特定大小的区域，将该区域中的光谱数据输入预先构建的病害数据模型，判断出该区域植株健康状况以及患病类型。该方法运用2D和3D卷积神经网络构建了深度影像拼接模型和病害数据模型，残差结构的设计使网络运算更加简单，所需计算量变小，为利用高光谱遥感技术进行大规模果园病害发散动向、病情监测和预警提供了数据支持。

技术领域

本发明涉及遥感监测技术领域，更具体的说是涉及一种基于无人机高光谱的荔枝病害检测方法及系统。

背景技术

目前，荔枝是广东岭南特色水果产业之一，又是广东十大特色作物之一。尽管近年来荔枝现代生产技术有了较大的提高，但广东气候条件容易引起病虫害发生，如在荔枝果期，正值广东高温多雨季节，霜疫霉病、炭疽病和蒂蛀虫往往同时发生，严重影响荔枝果品的质量，已成为荔枝增产、农户增收的重要障碍。

传统的荔枝果园病虫害监测与防治主要是依靠农户田间走访调查取样，不仅耗时、耗力、效率低下，而且因人的主观性而容易遗漏。近年来随着深度学习的兴起，图像识别的准确率已经很高了，但是图像识别只是对患病进行分类识别，并不能实现快速大面积的识别患病区域。

相较于田间拍照识别，精准农业航空的理念非常符合未来农业的发展方向，该理念的基本思想是通过空中和地面遥感采集农田信息，制作作业处方图，根据处方图实现精准施药。但是，采用航天或卫星遥感影像来提取果园植株信息时，后期处理工作效率低，周期长，成本高，需要耗费大量的人力和物力，并且测量精度也受卫星精度和环境影响，并未取得理想的检测效果。

在传统遥感领域，主流的遥感图像拼接方法是以尺度不变(SIFT)特征转换为代表的经典算法，但该方法存在不足，如果遥感影像来自不同视角，或者视角差别较大时，影像中的物体可能会发生较大形变，传统方法就不能准确获得特征点，并且计算得到特征点的算力消耗较大，成本也较高。

因此，如何提供一种高效方便、成本低廉的病害检测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于无人机高光谱的荔枝病害检测方法及系统，解决了现有病害检测方式效率低、周期长、成本高且精度不够的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于无人机高光谱的荔枝病害检测方法，包括以下步骤：

步骤1：通过无人机搭载机载高光谱相机获取并处理得到局部高光谱数据和可见光数据；

步骤2：将可见光数据结合局部高光谱数据，拼接成一幅高光谱立体全景图；

步骤3：在所述高光谱立体全景图中根据设定范围选取区域，将选取区域中的高光谱数据输入预先构建的病害数据模型中，获取选取区域检测结果，所述检测结果包括植株健康状况以及患病类型。

上述技术方案的技术效果为，通过针对全景图大范围的随机选取区域进行检测，实现检测的全面性和有效性。通过图像拼接成高光谱立体全景图，可以实现任意区域精确检测，避免漏检局部图像的边缘区域，使得检测更加全面。

优选的，所述步骤1中对机载高光谱相机采集数据的处理过程包括：

步骤11：在地面上对所述机载高光谱相机进行黑板校正和标准白板辐射校正；

步骤12：利用无人机搭载机载高光谱相机按预设飞行路线自动低空飞行并拍摄采集高光谱数据和可见光数据；

步骤13：对采集到的高光谱数据和可见光数据进行删选，删除起飞、降落和飞机转弯时拍摄的照片以及其他与研究区域无关的照片，获得处理后的局部高光谱数据和可见光数据。