基于無人機遙感影像的收獲期后殘膜識別方法

吳雪梅 梁長江 張大斌 喻麗華 張富貴

(貴州大學機械工程學院， 貴陽 550025)

0 引言

覆膜技術能夠有效優(yōu)化和改善栽培條件，其蓄水、保溫、保墑、保藥、除草等作用顯著，利于作物早熟，提高農作物產(chǎn)量[1-2]。然而，由于地膜回收技術不成熟、農戶缺乏環(huán)保意識等，造成大量地膜殘留在農田中，形成殘膜，破壞了土壤的連續(xù)性，降低土壤的含水率、透氣性和肥力水平，導致農作物減產(chǎn)[3-5]。掌握農田殘膜時空分布圖、精確獲取殘膜時空分布信息及時空變化特征，可為相關部門開展農田環(huán)境健康評估、地膜回收管理、農作物監(jiān)測、殘膜污染防控等提供管理決策依據(jù)。傳統(tǒng)方法采用實地調查獲取地膜覆蓋和殘膜分布信息，該方法主觀性強，耗時、費力。衛(wèi)星遙感技術可克服現(xiàn)場調研的不足，具有覆蓋面積廣、檢測成本低等優(yōu)勢。因此，基于遙感的農田地膜覆蓋監(jiān)測和地膜識別技術成為研究熱點。

李佳雨等[6]基于Landsat衛(wèi)星和資源三號衛(wèi)星，獲取了甘肅中部地區(qū)6月的覆膜農田圖像，分析了圖像的光譜特征、紋理特征、指數(shù)特征和幾何特征，利用隨機森林分類法訓練地膜樣本并進行分類，實現(xiàn)了地膜的快速識別，精度達90%。KOC-SAN[7]利用Word View-2衛(wèi)星采集安塔利亞研究區(qū)影像，利用隨機森林法、最大似然法和支持向量機等分類方法識別塑料薄膜，識別精度均高于90%。HASI等[8]基于Landsat-8遙感數(shù)據(jù)，提取了4月的地膜影像數(shù)據(jù)，結合光譜與紋理的組合特征，對農田中的地膜分別采用支持向量機(SVM)、最大似然分類器(MLC)和最小距離分類器(MDC)方法進行了分類識別，發(fā)現(xiàn)SVM分類法精度最高，達94%。杭丹維[9]利用MODIS遙感影像，提取了4月和5月的覆膜影像數(shù)據(jù)，結合改進的亞像元空間引力模型(SSSAM)，完成了覆膜農田分布信息的高精度識別。高夢婕等[10]基于GF-2遙感衛(wèi)星，獲取了赤峰市研究區(qū)塑料大棚覆蓋薄膜的階段遙感影像，提取了圖像的最優(yōu)分割參數(shù)，對比了決策樹、隨機森林和支持向量機3種分類方法對大棚目標的分類效果，發(fā)現(xiàn)隨機森林法能提取連片塑料大棚，分類精度達89.65%。沙先麗[11]利用Landsat TM獲取了不同年份4月和5月上旬新疆棉區(qū)的遙感影像，分析影像的遙感特征、紋理特征和指數(shù)特征，并建立決策樹模型，實現(xiàn)了覆膜棉田的分類識別，總體精度達90%。TARANTINA等[12]采用面向對象方法基于航空影像檢測了塑料大棚葡萄園。

近年來，無人機作為遙感平臺，在作物生長監(jiān)測方面顯示出巨大的潛力[13-16]，對比衛(wèi)星遙感影像，無人機遙感影像分辨率高、質量好、成本低。但基于無人機的農田地膜識別研究較少。朱秀芳等[17]以無人機為遙感平臺，獲取了5月初期云南省覆膜農田圖像，利用隨機森林優(yōu)選圖像紋理特征，并進行最大似然法分類，結合形態(tài)學算法與面積閾值分割處理提取覆膜農田面積，識別精度達94.84%。孫鈺等[18]利用無人機采集了赤峰市大棚和覆膜農田圖像，結合神經(jīng)網(wǎng)絡和多尺度融合等深度學習方法，快速識別大棚和覆膜農田，識別率高達97%。

以上基于衛(wèi)星和無人機遙感的農田地膜識別，識別目標有地膜和塑料大棚；特征提取包括地膜光譜特征、指數(shù)特征、幾何特征和紋理特征；地膜影像獲取時間大多為4月或5月，即農田地膜覆膜初期或作物生長初期的遙感影像。此時，地膜表面受裸土的干擾小，地膜具有覆蓋面積大、連續(xù)成條狀、特征明顯等特點，利用隨機森林法、最大似然法、閾值分割和支持向量機等分類方法可獲得較高的識別精度。對農田地膜覆蓋后期，即作物收獲期后的農田地膜，因地膜未能及時撿拾而在農田間殘留，形成殘膜，殘膜受裸土和風雨侵蝕的影響，不再連接成條狀，殘膜與裸土的紋理和形狀等特征差異不明顯，利用以上的特征和方法進行地膜識別分類，精度較低。為此，本文基于無人機遙感可見光圖像，針對秋收后期的農田殘膜和土壤數(shù)據(jù)集特點，提出一種基于顏色特征的殘膜識別方法，旨在克服光照強度對目標識別的影響，獲得更為準確的殘膜覆蓋面積及其地理分布信息。

1 材料和方法

1.1 無人機圖像獲取

試驗數(shù)據(jù)為2018年10—12月進行航拍的無人機影像，航拍地點為貴州省安順市平壩區(qū)，北緯26°22′，東經(jīng)106°31′，海拔1 217 m，田間土壤以黃壤為主，種植作物為煙葉。所使用的無人機為大疆精靈4(Phantom4)四旋翼無人機，該機飛行荷載1.38 kg，最大上升速度為21.6 km/h，飛行速度為72 km/h，最大下降速度為14.4 km/h，最大任務載荷為6 kg，續(xù)航時間為28 min，控制距離5 000 m。搭載的相機為內置DJI Lightbridge高清視頻傳輸系統(tǒng)，傳感器型號為1/2.3英寸 CMOS，有效像素為1 240萬，影像尺寸4 000像素×3 000像素。航拍高度為18～55 m，旁向重疊率30%，航向重疊率70%。航拍時天氣晴朗、微風。為研究農田覆膜整個生命周期的地膜識別方法，針對煙葉不同生長期，采集煙葉6葉期、煙葉采摘后、煙桿拔除后的農田地膜或殘膜圖像，不同飛行高度各采集20幅圖像，共1 500幅。采集到的數(shù)據(jù)源為JPG格式影像數(shù)據(jù)。無人機采集影像前，在飛行區(qū)域內布置黑白板，用于相機標定，降低系統(tǒng)誤差。無人機與田間殘膜圖像如圖1所示。

圖1 無人機與田間殘膜圖像Fig.1 UAV and image of plastic film residual

1.2 研究方法

1.2.1殘膜識別流程

本文旨在提取田間殘膜，即當季收獲期后的地膜。晴朗或多云天氣，隨著太陽入射角度的變化，田間會出現(xiàn)陰影區(qū)，陰影區(qū)和陽光直射區(qū)的殘膜和土壤顏色特征有明顯差異，為識別出目標，需分析出該差異的特點，再分割目標。為此，本文設計殘膜識別流程，如圖2所示。主要步驟如下：①對UAV航拍的圖像進行畸變校正。②進行3×3中值濾波和直方圖均衡化處理。③提取HSV空間的S分量和RGB空間的B分量作為分割算子。④基于顏色分割算子，開展不同分割算法的分割效果對比，優(yōu)選最佳分割方法和分割算子。⑤提出殘膜識別方法，對分割后圖像進行形態(tài)學處理，提取殘膜計算面積和空間分布信息。⑥計算識別率，進行精度驗證，輸出識別結果。

1.2.2鏡頭畸變校正

利用AgisoftPhotoScan軟件對采集的圖像進行拼接處理和幾何校正，基于幾何參考板GPS 控制點進行圖像幾何校正，去除無人機姿態(tài)變化、大氣折射等影響[19]。

1.2.3殘膜識別分割方法

(1)顏色分量

RGB顏色模型有紅(Red)、綠(Green)、藍(Blue)3個通道，取值范圍為0～255，各個分量的數(shù)值越小，亮度越低；數(shù)值越大，亮度越高。HSV(hue, saturation, value)是RGB 模型的一種非線性變換，接近人類的色彩感知。其中H表示色相(hue)，是由物體反射或透射出來的顏色，在色相環(huán)上用0°～360°來表示；S表示飽和度(saturation)，是指顏色的強度，用色相中彩色成分所占的比例來表示，取值范圍為0～1，值越大顏色越飽和；V表示明度(value)，反映顏色的相對明暗程度，取值范圍為0～255，取0時為黑色，取255時為白色。

(2)顏色特征提取

煙桿拔除后，農田的主要景物為土壤和殘膜。殘膜被壟體遮擋時，無陽光直射，稱為陰影區(qū)，有陽光直射，稱為直射區(qū)，如圖3所示。相同目標在直射區(qū)和陰影區(qū)的顏色灰度有差異。為探求目標和背景的顏色特征，將圖像中的景物分為4類：直射區(qū)殘膜、直射區(qū)土壤、陰影區(qū)殘膜和陰影區(qū)土壤。

圖3 直射區(qū)與陰影區(qū)示意圖與實物圖Fig.3 Direct light area and shadow area schematic and color image

直方圖分析法統(tǒng)計圖像中景物灰度出現(xiàn)的范圍和頻率，卻忽略了不同灰度所對應景物的信息，針對目標和背景灰度受光照影響大的特點，截取圖像中直射區(qū)殘膜、直射區(qū)土壤、陰影區(qū)殘膜和陰影區(qū)土壤4個目標，分別統(tǒng)計4個目標的顏色分量灰度，并繪制箱線圖，目的是通過對比分析，獲取目標的顏色特點，從而確定用于圖像分割的顏色分量。

(3)分割方法

圖像分割依據(jù)圖像中目標和背景在形狀、顏色、灰度、紋理和空間等特征上的差異，分割目標和背景，分割特征具有相同的特點：在目標區(qū)域內具有較大的一致性和相似性，在背景區(qū)域內具有極大的差異性[20-21]。為獲取較高的識別精度，對比分析了手動閾值法、迭代閾值法、最大類間方差法、最大熵值法、K-means均值聚類和脈沖耦合神經(jīng)網(wǎng)絡法。

圖4 殘膜與土壤的灰度分布箱線圖Fig.4 Gray-scale distribution boxes of residual film and soil

(4)精度驗證

殘膜實際面積采用實測法獲取，將1 m2的黑色方框置于煙田，截取黑框內表面裸露的殘膜于實驗室測量其表面積[2]，測量面積即為殘膜實際面積。

采用本文方法識別出該黑色方框內的殘膜，利用面積占優(yōu)法計算殘膜面積。統(tǒng)計5個黑色方框的實際面積和識別面積，利用識別率評價識別精度，識別率為殘膜識別面積與殘膜實際面積之比，5個方框的平均識別率越大，則識別精度越高。

2 結果與討論

2.1 顏色分量提取

殘膜圖像灰度統(tǒng)計箱線圖如圖4所示，直射區(qū)殘膜的R、G、B分量灰度最高，陰影區(qū)土壤灰度最低，陰影區(qū)殘膜灰度處于直射區(qū)土壤和陰影區(qū)土壤之間，且陰影區(qū)土壤與陰影區(qū)殘膜灰度重疊較少，區(qū)分度較高。R分量圖中，直射區(qū)土壤、陰影區(qū)殘膜和陰影區(qū)土壤的灰度區(qū)間重疊較少，但與直射區(qū)殘膜重疊較多；G、B分量的直射區(qū)殘膜灰度高于其他3種景物，G分量的陰影區(qū)殘膜和直射區(qū)土壤灰度區(qū)間重合較多，B分量圖中4種景物的灰度區(qū)間相互重疊較多。就HSV顏色模型而言，H、V分量圖中直射區(qū)殘膜、直射區(qū)土壤、陰影區(qū)殘膜和陰影區(qū)土壤的灰度依次減小，其中，H分量圖陰影區(qū)殘膜和陰影區(qū)土壤灰度區(qū)間重疊較多，V分量圖直射區(qū)殘膜和直射區(qū)土壤灰度區(qū)間有部分重疊，S分量圖直射區(qū)殘膜與直射區(qū)土壤以及陰影區(qū)殘膜與陰影區(qū)土壤的灰度區(qū)間重疊較少。

B、S分量中殘膜和土壤的灰度區(qū)間重合較少，區(qū)分度較高，利于分割，故本文以B、S分量作為分割算子。

2.2 殘膜圖像分割

基于B、S分量分別進行手動閾值分割、迭代閾值分割、最大類間方差法分割、最大熵值法分割、K-means均值聚類分割和脈沖耦合神經(jīng)網(wǎng)絡分割，通過對比研究獲取最佳殘膜分割方法。

2.2.1基于B顏色分量的殘膜圖像分割

對無人機采集的田間殘膜圖像進行鏡頭畸變校正、3×3模板中值濾波和灰度直方圖均衡化處理，然后提取B分量。

(1)手動閾值分割

基于B分量進行手動閾值分割處理，如圖5所示，可分割出直射區(qū)殘膜，但不能分割出陰影區(qū)殘膜，閾值為150時，存在過分割現(xiàn)象，把直射區(qū)土壤識別為殘膜，如圖5中的圓圈所示，閾值為200時，無過分割，直射區(qū)殘膜分割效果較好。

圖5 基于B分量的手動閾值分割結果Fig.5 Manual threshold segmentation results based on B component

(2)迭代閾值分割

基于B分量進行不同迭代條件的迭代閾值分割處理，結果如圖6所示。與圖5a相比，當?shù)撝礣<0.1、T<1、T<10和T<15時，均能分割出直射區(qū)殘膜，不能識別出陰影區(qū)殘膜。

圖6 基于B分量的迭代閾值分割結果Fig.6 Iterative threshold segmentation results based on B component

(3)其他方法分割

最大類間方差法、最大熵值法、K-means均值聚類法和脈沖耦合神經(jīng)網(wǎng)絡法分割效果如圖7所示。對比圖5a發(fā)現(xiàn)，方框標記處的陰影區(qū)殘膜均出現(xiàn)了欠分割現(xiàn)象，4種方法都不能識別出陰影區(qū)目標，只能識別出直射區(qū)目標，其中，脈沖耦合神經(jīng)網(wǎng)絡分割法識別效果相對較好，識別率較高。

綜合對比6種分割法，迭代閾值法和脈沖耦合神經(jīng)網(wǎng)絡法的識別效果較好。但因陰影區(qū)殘膜灰度介于直射區(qū)和陰影區(qū)土壤灰度間，重疊區(qū)域大，故基于B分量不能分割陰影區(qū)目標。

圖7 基于B分量的4種分割方法分割效果對比Fig.7 Segmentation results of maximum inter-class variance, maximum entropy method, K-means clustering method and pulse-based neural network method based on B component

2.2.2基于S分量的殘膜圖像分割

基于S分量的手動閾值分割方法結果如圖8所示。當手動閾值為125、120、110時，直射區(qū)和部分陰影區(qū)殘膜可識別，圖8方框內目標均被分割出，但陰影區(qū)目標有欠分割現(xiàn)象，隨著分割閾值的降低，欠分割程度加強，如圖8中的橢圓標記區(qū)的目標均未被識別。基于S分量的手動閾值法分割效果欠佳。

利用迭代閾值法、最大熵值法、最大類間方差法、脈沖耦合神經(jīng)網(wǎng)絡法和K-means均值聚類法分割圖像，效果如圖9所示，5種方法均能識別出圖中方框標記的陰影區(qū)和直射區(qū)殘膜，但最大熵值法和K-means均值聚類法欠分割較嚴重，如圖9b、9e中橢圓所示，識別出的陰影區(qū)殘膜面積比實際面積小。基于脈沖耦合神經(jīng)網(wǎng)絡法的識別效果最佳，最大類間方差法和迭代閾值法相當，K-means均值聚類法最差，5種分割方法均優(yōu)于手動閾值法。

綜上，基于S分量的脈沖耦合神經(jīng)網(wǎng)絡法的分割效果最好，可識別出陽光直射區(qū)和陰影區(qū)目標，準確度高。該方法可消除光照強度對目標識別的影響，解決收獲后田間殘膜識別的問題。

圖8 基于S分量的手動閾值分割效果對比Fig.8 Manual threshold segmentation effects comparison based on S component

圖9 基于S分量的不同方法分割效果對比Fig.9 Segmentation effects comparison of different methods based on S component

2.3 殘膜識別率驗證

對不同時期農田殘膜進行識別，統(tǒng)計殘膜識別面積、實際面積和識別率，結果如表1所示。6葉期的識別率最高，為96.99%，該時期煙田背景簡單，地膜覆蓋時間短，裸土對地膜的影響小，目標和背景的區(qū)分度高，便于分割。煙葉收獲后未拔桿時的殘膜識別率為69.47%，該時期煙桿及頂部葉芽遮擋殘膜，造成識別率低。煙桿拔除后殘膜識別率為93.55%，低于6葉期地膜識別率，因地膜長時間覆蓋后，顏色變黃，與土壤灰度交叉，導致識別率低。冬季空閑期的識別率為88.95%，此時雜草枯黃，殘膜上方混雜土壤，顏色差異不顯著。地膜覆蓋周期的平均識別率為87.49%。

表1 不同時期田間殘膜識別率Tab.1 Identification accuracy of different growth stages

3 結論

(1)基于無人機遙感影像，以RGB、HSV顏色空間模型的B、S分量作為分割算子，分割田間殘膜目標，S分量可消除光照強度對目標識別的影響。

(2)基于S、B分割算子，利用迭代閾值法、最大熵值法、脈沖耦合神經(jīng)網(wǎng)絡法、手動閾值法、最大類間方差法、K-means均值聚類法分別對田間殘膜圖像進行分割。基于B分量的6種分割法均能分割出直射區(qū)殘膜，但不能分割陰影區(qū)殘膜；基于S分量的6種分割方法均能分割出直射區(qū)殘膜和陰影區(qū)殘膜，基于脈沖耦合神經(jīng)網(wǎng)絡方法的分割效果最佳。

(3)以S分量作為分割算子，利用基于脈沖耦合神經(jīng)網(wǎng)絡法識別不同時期的田間殘膜，識別率有較大差異，6葉期識別率最高，煙葉收獲后的識別率最低，地膜覆蓋周期的平均識別率為87.49%。