基于无人机巡检的水稻区域性旱青立病预警方法及装置

1.本文件涉及计算机技术领域，尤其涉及一种基于无人机巡检的水稻区域性旱青立病预警方法及装置。


背景技术：

2.近几年，旱青立病在全国各地的发生频率越来越高，发生程度也越来越严重，由于此病发病的特殊原因，常给农户造成的巨大损失。水稻发生旱青立病的主要症状是稻株抽穗后，病穗梗弯大都直立而不下垂，穗轴和枝曲，颖壳畸形，有的似鹰嘴，黄熟期仍保持绿色，灌浆不良或呈秕谷。旱青立病的发病原因是土壤有机质含量低，土壤容易淀浆板结，理化性质差，活性微量元素不足，这也造成了旱青立病区容易扩大。而旱青立病一般在水稻近抽穗时才有明显症状。在水稻生长前期很难发现，这也是旱青立病常给农户造成巨大损失的原因之一。
3.传统的旱青立病的发现途径主要由人工巡查。然而，这种方法存在人力成本高，且在大片水田上，人工巡检时容易产生视觉疲劳，从而未能很好的发现患有旱青立病的水稻，因为发现不及时而扩大了旱青立病区，使得农户损失加大。因此，现有技术中传统方法存在以下缺点：人力成本高、效率低；对大片水田的巡查效果低；容易出现巡查不及时，旱青立病区域扩大。因此，目前亟需一种基于无人机巡检的水稻区域性旱青立病预警方法，以解决现有技术中传统方法存在的问题。


技术实现要素：

4.本发明的目的在于提供一种基于无人机巡检的水稻区域性旱青立病预警方法及装置，旨在解决现有技术中的上述问题。
5.本发明提供一种基于无人机巡检的水稻区域性旱青立病预警方法，包括：
6.通过无人机对水稻区域进行巡检并获取图像序列，获取所述图像序列中每张图的rgb三通道图像并保留rg两通道图像矩阵；
7.计算所述rg两通道图像矩阵中每张图的r通道矩阵均值，并计算r通道矩阵均值的均值和方差；
8.基于r通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域，基于所述生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵；
9.计算所述标记矩阵的s值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警。
10.本发明提供一种基于无人机巡检的水稻区域性旱青立病预警装置，包括：
11.图像处理模块，用于通过无人机对水稻区域进行巡检并获取图像序列，获取所述图像序列中每张图的rgb三通道图像并保留rg两通道图像矩阵；
12.第一计算模块，用于计算所述rg两通道图像矩阵中每张图的r通道矩阵均值，并计
算r通道矩阵均值的均值和方差；
13.第二计算模块，用于基于r通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域，基于所述生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵；
14.第三计算模块，用于计算所述标记矩阵的s值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警。
15.本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于无人机巡检的水稻区域性旱青立病预警方法的步骤。
16.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述基于无人机巡检的水稻区域性旱青立病预警方法的步骤。
17.采用本发明实施例进行旱青立病检测预警，能够降低人力成本；使用无人机巡检，机器视觉识别，不会视觉疲劳，对旱青立病的识别效果好，极大程度的减少了旱青立病区域扩大所造成的损失。
附图说明
18.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明实施例的基于无人机巡检的水稻区域性旱青立病预警方法的流程图；
20.图2是本发明实施例的基于无人机巡检的水稻区域性旱青立病预警方法的详细处理的流程图；
21.图3是本发明实施例的农田和无人机的示意图；
22.图4是本发明实施例的无人机巡检轨迹的示意图；
23.图5是本发明实施例的周围的8个元素的示意图；
24.图6是本发明实施例的基于无人机巡检的水稻区域性旱青立病预警装置的示意图；
25.图7是本发明实施例的电子设备的示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
27.方法实施例
28.根据本发明实施例，提供了一种基于无人机巡检的水稻区域性旱青立病预警方法，图1是本发明实施例的基于无人机巡检的水稻区域性旱青立病预警方法的示意图，如图1所示，根据本发明实施例的基于无人机巡检的水稻区域性旱青立病预警方法具体包括：
29.步骤s101，通过无人机对水稻区域进行巡检并获取图像序列，获取所述图像序列中每张图的rgb三通道图像并保留rg两通道图像矩阵；具体地：
30.设置水稻区域为一个长为m宽为n的长方形，无人机在高度为h的位置摄像区域为k
×
k，根据公式1和公式2分别计算无人机巡检时横向获取图像次数p和纵向获取图像次数q，并根据公式3确定无人机巡检时需要获取图像的总次数：
[0031][0032][0033]
num＝p
×qꢀꢀꢀꢀ
公式3；
[0034]
其中，其中[
·
]表示取整数部分；num表示表示在水稻区域中获取的照片总数；
[0035]
设定无人机巡检轨迹，无人机每移动一次便收集一张图像，并按照获取图像顺序进行编号为p1，p2，p3，...，p
num
，获取图像序列p1，p2，p3，...，p
num
。
[0036]
对每一个图像pi，其中，i＝1，2，...，num，读取rgb三通道图像，分别记为ri，gi，bi三个数据矩阵，这三个数据矩阵的大小为k
×
k，无人机的摄像头采集的区域，保留ri，gi两通道图像矩阵。
[0037]
步骤s102，计算所述rg两通道图像矩阵中每张图的r通道矩阵均值，并计算r通道矩阵均值的均值和方差；具体地，
[0038]
分别计算每张图像的ri，gi矩阵中数据的均值：
[0039]
设算子为一个k维的元素全为的向量，则根据公式4计算均值：
[0040]vri
＝qriq
t
ꢀꢀ
公式4；
[0041]
其中，t表示转置；
[0042]
根据公式5和公式6计算所有ri均值的均值和方差分别为：
[0043][0044][0045]
其中，num表示表示在水稻区域中获取的照片总数。
[0046]
步骤s103，基于r通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域，基于所述生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵；具体地，设置vr表示稻田中水稻的整体平均成熟度，设置ωσr表示正常生长范围，其中ω的数值由农户经验确定；
[0047]
基于公式7，确定图像序列p1，p2，p3，...，p
num
的每个v
ri
检测区域水稻生长是否异常的判定指标：
[0048][0049]
获取可能出现旱青立的图像序{pj|v
rj
＜v
r-ωσr}。
[0050]
对每一张图像pj的如公式8绿通道矩阵gj进行梯度分割
[0051][0052]
其中，gj
kk
表示这个通道数据矩阵里的第k行第k列的数值，j表示的是按照获取顺序的第j张图片；
[0053]
对绿通道矩阵gj进行遍历，每遍历到一个元素gj
ij
，取围绕在它周围的8个元素，并将围绕在其周围的8个元素分别与gj
ij
做差，若差大于梯度分割阈值t，则标记gj
ij
为1；否则标记gj
ij
为0，得到标记矩阵mj。
[0054]
步骤s104，计算所述标记矩阵的s值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警。具体地，
[0055]
根据公式9计算标记为1的元素占矩阵mj的比例如下：
[0056]
sj＝qmjq
t
ꢀꢀꢀꢀ
公式9；
[0057]
设置旱青立预警阈值为θ，并执行公式10；
[0058][0059]
获取下标序列{j|sj≥θ}，根据下标序列进行定位回溯，并返回预警发生旱青立的位置到客户端。
[0060]
综上所述，采用本发明实施例的技术方案，通过无人机定时巡查，传回无人机巡检时设定采集的图像；通过旱青立病识别模块进行旱青立病区识别；通过用户终端向农户发送稻田中可能发生旱青立病变的区域预警信息。
[0061]
以下结合附图，对本发明实施例的上述技术方案进行详细说明。
[0062]
如图2所示，本发明实施例的技术方案使用无人机对大片水田进行巡检，首先对农田和无人机的一些参数进行设定如下：
[0063]
为了方便理解，如图3所示，本发明实施例对水稻田(水稻区域)设置为一个长为m宽为n的长方形，无人机在高度为h的位置摄像区域为k
×
k。
[0064]
通过下列几何关系，计算无人机巡检时需要获取图像的次数：
[0065]
横向获取图像次数p：其中[
·
]表示取整数部分；
[0066]
纵向获取图像次数q：其中[
·
]表示取整数部分；
[0067]
则中共要获取图像的次数为p
×
q。
[0068]
设定无人机巡检轨迹如图4所示的例子：
[0069]
无人机每次横向移动的距离为每次纵向移动的距离为
[0070]
无人机每移动一次便收集一张图像，并按照获取图像顺序进行编号为p1，p2，p3，...，p
num
，方便系统对旱青立病区域进行定位。
[0071]
在获取上述图像序列p1，p2，p3，...，p
num
后进行初挖掘：
[0072]
①
对每一个图像pi，其中i＝1，2，...，num，读取三通道颜色，分别记为ri，gi，bi三个数据矩阵，这三个数据矩阵的大小为k
×
k，即摄像头采集的区域，保留ri，gi两个颜色矩阵，分别计算每张图像的ri，gi矩阵中数据的均值：
[0073]
设算子为一个k维的元素全为的向量，则均值计算过程如下：
[0074]vri
＝qriq
t
[0075]
接下来计算所有ri均值的均值和方差分别为：
[0076][0077][0078]
首先使用vr表示稻田中水稻的整体平均成熟度，使用ωσr表示正常生长范围，其中ω的数值由农户经验确定，通常设置为3。
[0079]
根据图像序列p1，p2，p3，...，p
num
的每个v
ri
检测区域水稻生长是否异常的判定指标如下：
[0080][0081]
②
对可能出现旱青立的区域图像进行再挖掘：
[0082]
从上面的初挖掘中获取到可能出现旱青立的图像序{pj|v
rj
＜v
r-3σr}，紧接着对每一张图像pj的绿通道矩阵gj进行梯度分割，梯度分割方案如下：
[0083]
对于矩阵gj形如：
[0084][0085]
对上述矩阵进行遍历，每遍历到一个元素gj
ij
，取围绕在它周围的8个元素如图5所示：
[0086]
将围绕在其周围的8个元素分别与gj
ij
做差，若差大于给定阈值t(t为梯度分割阈值，该阈值由历史经验所得，可在试验田中调试该系统后获得)，则标记gj
ij
为1；若否，则标记gj
ij
为0。从而得到标记矩阵mj。
[0087]
计算标记为1的元素占矩阵mj的比例如下：
[0088]
sj＝qmjq
t
[0089]
令旱青立预警阈值为θ，θ为人为设定，代表着达到该比例的旱青立会发出才预警。
[0090][0091]
③
返回以上步骤说记录下的下标序列{j|sj≥θ}，通过原始的编号进行定位回溯，返回预警发生旱青立的位置到客户端。
[0092]
装置实施例一
[0093]
根据本发明的实施例，提供了一种基于无人机巡检的水稻区域性旱青立病预警装置，图6是本发明实施例的基于无人机巡检的水稻区域性旱青立病预警装置的示意图，如图6所示，根据本发明实施例的基于无人机巡检的水稻区域性旱青立病预警装置具体包括：
[0094]
图像处理模块60，用于通过无人机对水稻区域进行巡检并获取图像序列，获取所述图像序列中每张图的rgb三通道图像并保留rg两通道图像矩阵；
[0095]
第一计算模块62，用于计算所述rg两通道图像矩阵中每张图的r通道矩阵均值，并计算r通道矩阵均值的均值和方差；
[0096]
第二计算模块64，用于基于r通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域，基于所述生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵；
[0097]
第三计算模块66，用于计算所述标记矩阵的s值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警。
[0098]
本发明实施例是与上述方法实施例对应的装置实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0099]
装置实施例二
[0100]
本发明实施例提供一种电子设备，如图7所示，包括：存储器70、处理器72及存储在所述存储器70上并可在所述处理72上运行的计算机程序，所述计算机程序被所述处理器72执行时实现如方法实施例中所述的步骤。
[0101]
装置实施例二
[0102]
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器72执行时实现如方法实施例中所述的步骤。
[0103]
本实施例所述计算机可读存储介质包括但不限于为：rom、ram、磁盘或光盘等。
[0104]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于无人机巡检的水稻区域性旱青立病预警方法，其特征在于，包括：通过无人机对水稻区域进行巡检并获取图像序列，获取所述图像序列中每张图的rgb三通道图像并保留rg两通道图像矩阵；计算所述rg两通道图像矩阵中每张图的r通道矩阵均值，并计算r通道矩阵均值的均值和方差；基于r通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域，基于所述生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵；计算所述标记矩阵的s值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警。2.根据权利要求1所述的方法，其特征在于，通过无人机对水稻区域进行巡检并获取图像序列具体包括：设置水稻区域为一个长为m宽为n的长方形，无人机在高度为h的位置摄像区域为k
×
k，根据公式1和公式2分别计算无人机巡检时横向获取图像次数p和纵向获取图像次数q，并根据公式3确定无人机巡检时需要获取图像的总次数：据公式3确定无人机巡检时需要获取图像的总次数：num＝p
×
q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式3；其中，其中[
·
]表示取整数部分；num表示表示在水稻区域中获取的照片总数；设定无人机巡检轨迹，无人机每移动一次便收集一张图像，并按照获取图像顺序进行编号为p1,p2,p3,
…
,p
num
，获取图像序列p1,p2,p3,
…
,p
num
。3.根据权利要求2所述的方法，其特征在于，获取所述图像序列中每张图的rgb三通道图像并保留rg两通道图像矩阵具体包括：对每一个图像p
i
，其中，i＝1,2,
…
,num，读取rgb三通道图像，分别记为r
i
,g
i
,b
i
三个数据矩阵，这三个数据矩阵的大小为k
×
k，无人机的摄像头采集的区域，保留r
i
,g
i
两通道图像矩阵。4.根据权利要求3所述的方法，其特征在于，计算所述rg两通道图像矩阵中每张图的r通道矩阵均值，并计算r通道矩阵均值的均值和方差具体包括：分别计算每张图像的r
i
,g
i
矩阵中数据的均值：设算子为一个k维的元素全为的向量，则根据公式4计算均值：v
ri
＝qr
i
q
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4；其中，t表示转置；根据公式5和公式6计算所有r
i
均值的均值和方差分别为：
其中，num表示表示在水稻区域中获取的照片总数。5.根据权利要求4所述的方法，其特征在于，基于r通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域具体包括：设置v
r
表示稻田中水稻的整体平均成熟度，设置ωσ
r
表示正常生长范围，其中ω的数值由农户经验确定；基于公式7，确定图像序列p1,p2,p3,
…
,p
num
的每个v
ri
检测区域水稻生长是否异常的判定指标：获取可能出现旱青立的图像序{p
j
|v
rj
<v
r-ωσ
r
}。6.根据权利要求5所述的方法，其特征在于，基于所述生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵具体包括：对每一张图像p
j
的如公式8绿通道矩阵g
j
进行梯度分割其中，gj
kk
表示这个通道数据矩阵里的第k行第k列的数值，j表示的是按照获取顺序的第j张图片；对绿通道矩阵g
j
进行遍历，每遍历到一个元素gj
ij
，取围绕在它周围的8个元素，并将围绕在其周围的8个元素分别与gj
ij
做差，若差大于梯度分割阈值t，则标记gj
ij
为1；否则标记gj
ij
为0，得到标记矩阵m
j
。7.根据权利要求6所述的方法，其特征在于，计算所述标记矩阵的s值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警具体包括：根据公式9计算标记为1的元素占矩阵m
j
的比例如下：s
j
＝qm
j
q
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式9；设置旱青立预警阈值为θ，并执行公式10；获取下标序列{j|s
j
≥θ}，根据下标序列进行定位回溯，并返回预警发生旱青立的位置到客户端。8.一种基于无人机巡检的水稻区域性旱青立病预警装置，其特征在于，包括：图像处理模块，用于通过无人机对水稻区域进行巡检并获取图像序列，获取所述图像序列中每张图的rgb三通道图像并保留rg两通道图像矩阵；第一计算模块，用于计算所述rg两通道图像矩阵中每张图的r通道矩阵均值，并计算r
通道矩阵均值的均值和方差；第二计算模块，用于基于r通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域，基于所述生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵；第三计算模块，用于计算所述标记矩阵的s值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警。9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于无人机巡检的水稻区域性旱青立病预警方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至7中任一项所述的基于无人机巡检的水稻区域性旱青立病预警方法的步骤。

技术总结
本说明书实施例提供了一种基于无人机巡检的水稻区域性旱青立病预警方法及装置，其中，方法包括：通过无人机对水稻区域进行巡检并获取图像序列，获取所述图像序列中每张图的RGB三通道图像并保留RG两通道图像矩阵；计算所述RG两通道图像矩阵中每张图的R通道矩阵均值，并计算R通道矩阵均值的均值和方差；基于R通道矩阵均值的均值和方差，并根据预先设置的ω值计算识别生长异常区域，基于生长异常区域，根据设定的梯度分割阈值t对识别生长异常的区域的绿通道图像进行梯度分割，得到标记矩阵；计算所述标记矩阵的S值并根据设定的θ值判定该区域水稻是否出现旱青立病，并根据记录的下标序列回溯旱青立病区域并向客户端发出预警。预警。预警。


技术研发人员：张乐君 张旭灿 苏申
受保护的技术使用者：广州大学
技术研发日：2023.07.04
技术公布日：2023/9/6