一种基于无人机载高光谱的水稻杂草除草剂药效评估方法

1.本发明属于药效评估技术领域，具体涉及一种基于无人机载高光谱的水稻杂草除草剂药效评估方法。


背景技术：

2.水稻是我国主要的粮食来源。然而，稻田中的杂草和水稻之间会产生对水分、养分和阳光的竞争，进而影响水稻的产量。杂草适应所有环境，在没有任何控制的情况下，严重的侵扰会导致作物产量大幅度降低。但是如果在最佳时间进行除草，作物产量不会因杂草的竞争而减少。
3.如今的除草方式主要是手工除草和利用除草剂除草。传统的手工除草是有效的，然而劳动力成本的增加及其短缺使得手工除草变得不可能。在大多数农业地区，除草剂的应用优于其他的杂草管理方法，以最低的经济成本实现最佳的杂草控制和最高的产量。除草剂药效的评定对于除草剂的选择有着重要的意义，除草剂药效是通过对作物的损害比例和对杂草的消灭程度来评定，以往评估除草剂药效的办法都是基于人工实地计数，经施药前后的杂草存活数量对比。一方面，除草剂可能对作物产生不利影响，另一方面在大面积的试验场地显然不可取。因此一种无损、大范围使用的除草剂评估方法具有很大的意义。
4.由于高光谱图像对精细光谱具有很强的分辨能力，因此在环境、采矿和医疗领域等领域有着广泛的应用。高光谱图像具有光谱分辨率高、波段多、信息丰富等特点。随着科技的发展，基于不同遥感平台的高光谱成像仪得到了快速的发展，这些成像设备一般可应用于地面试验研究。例如航空光谱仪、航天光谱成像仪、地面光谱成像仪，但是航空光谱仪相较于卫星遥感成本高；航天光谱成像仪的幅宽大，覆盖面积广，但空间分辨率较低，时效性差，可使用的高光谱卫星数据很少，不能满足当前的研究需求；地面光谱成像仪虽然成本较低，但是灵活性也低，在野外试验过程中会造成人力物力的极大浪费。


技术实现要素：

5.本发明实施例的目的是提供基于无人机载高光谱的水稻杂草除草剂药效评估方法，以解决现有技术中除草剂药效评估方法繁琐、费时费力、推广范围有限的技术问题。
6.为了解决上述技术问题，本发明是这样实现的：
7.第一方面，本发明实施例提供了一种基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，包括：
8.获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像；
9.基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草；
10.基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂
的药效。
11.可选地，所述基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效包括：
12.基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率；
13.根据所述杂草存活率评估所述除草剂的药效。
14.可选地，所述除草剂包括多个不同种类的除草剂，所述根据所述杂草存活率评估所述除草剂的药效包括：
15.根据喷洒所述多个不同种类的除草剂得到的多个杂草存活率评估所述多个不同种类的除草剂的药效。
16.可选地，所述除草剂喷洒的浓度不同，所述根据所述杂草存活率评估所述除草剂的药效包括：
17.根据喷洒不同浓度的所述除草剂得到的多个杂草存活率评估所述除草剂的药效。
18.可选地，在所述基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率之后，在所述根据所述杂草存活率评估所述除草剂的药效之前，所述方法还包括：
19.人工确定所述待测区域水稻在未喷洒所述除草剂的杂草植株个数，以及在喷洒所述除草剂后的杂草植株个数以得到第一杂草存活率；
20.所述根据所述杂草存活率评估所述除草剂的药效包括：
21.根据所述第一杂草存活率和所述杂草存活率评估所述除草剂的药效。
22.可选地，在所述基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理之前，所述方法还包括：
23.构建水稻与杂草分类的网络模型；
24.所述构建水稻与杂草分类的网络模型包括：
25.获取待测区域水稻的第一高光谱图像以得到所述第一高光谱图像的图像数据；
26.对所述图像数据进行目标处理；
27.基于svm、随机森林和hybridsn网络对处理后的所述图像数据进行分类；
28.对分类结果进行对比以评估所述分类结果。
29.可选地，所述对所述图像数据进行目标处理包括：
30.对所述图像数据进行预处理，所述预处理包括归一化处理和卷积平滑操作；
31.对预处理后的所述图像数据进行数据降维；
32.获取数据降维后的所述图像数据的纹理特征。
33.可选地，所述对预处理后的所述图像数据进行数据降维包括：
34.基于pca对于所述预处理后的所述图像数据进行数据降维，并得到所述图像数据的多个主成分；
35.所述获取数据降维后的所述图像数据的纹理特征包括：
36.基于灰度共生矩阵提取用来定量描述纹理特征的多个统计属性；
37.基于所述多个主成分和所述多个统计属性得到所述图像数据的纹理特征。
38.可选地，所述纹理特征包括均值、方差、标准差、同质性、相异性、对比度、熵、相关性和角二阶矩。
39.可选地，所述对分类结果进行对比以评估所述分类结果包括：
40.将所述分类结果划分为训练集、测试集和验证集；
41.通过混淆矩阵比较分类结果是否与实际地被覆盖物相同以得到正确划分的样本点数和不正确划分的样本点数；
42.通过kappa系数基于所述正确划分的样本点数和所述不正确划分的样本点数评估所述分类结果，以评估所述第一高光谱图像的分类结果。
43.第二方面，本发明实施例提供了一种基于无人机载高光谱的水稻杂草除草剂药效评估装置，其特征在于，包括：
44.第一获取模块，用于获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像；
45.第一处理模块，用于基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草；
46.第一评估模块，用于基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效。
47.可选地，所述第一评估模块具体用于，基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率；
48.根据所述杂草存活率评估所述除草剂的药效。
49.可选地，所述除草剂包括多个不同种类的除草剂，所述第一评估模块具体用于，根据喷洒所述多个不同种类的除草剂得到的多个杂草存活率评估所述多个不同种类的除草剂的药效。
50.可选地，所述除草剂喷洒的浓度不同，所述第一评估模块具体用于，根据喷洒不同浓度的所述除草剂得到的多个杂草存活率评估所述除草剂的药效。
51.可选地，所述基于无人机载高光谱的水稻杂草除草剂药效评估装置还包括：
52.人工确定所述待测区域水稻在未喷洒所述除草剂的杂草植株个数，以及在喷洒所述除草剂后的水稻植株个数以得到第一杂草存活率；
53.所述第一评估模块具体用于，根据所述第一杂草存活率和所述杂草存活率评估所述除草剂的药效。
54.可选地，所述基于无人机载高光谱的水稻杂草除草剂药效评估装置还包括：
55.构建模块，用于构建水稻与杂草分类的网络模型；
56.所述构建模块包括：
57.第二获取模块，用于获取待测区域水稻的第一高光谱图像以得到所述第一高光谱图像的图像数据；
58.第二处理模块，用于对所述图像数据进行目标处理；
59.分类模块，用于基于svm、随机森林和hybridsn网络对处理后的所述图像数据进行分类；
60.第二评估模块，用于对分类结果进行对比以评估所述分类结果。
61.可选地，所述第二处理模块具体用于，对所述图像数据进行预处理，所述预处理包
括归一化处理和卷积平滑操作；
62.对预处理后的所述图像数据进行数据降维；
63.获取数据降维后的所述图像数据的纹理特征。
64.可选地，所述第二处理模块具体用于，基于pca对于所述预处理后的所述图像数据进行数据降维，并得到所述图像数据的多个主成分；
65.基于灰度共生矩阵提取用来定量描述纹理特征的多个统计属性；
66.基于所述多个主成分和所述多个统计属性得到所述图像数据的纹理特征。
67.可选地，所述纹理特征包括均值、方差、标准差、同质性、相异性、对比度、熵、相关性和角二阶矩。
68.可选地，所述第二评估模块具体用于，将所述分类结果划分为训练集、测试集和验证集；
69.通过混淆矩阵比较分类结果是否与实际地被覆盖物相同以得到正确划分的样本点数和不正确划分的样本点数；
70.通过kappa系数基于所述正确划分的样本点数和所述不正确划分的样本点数评估所述分类结果，以评估所述第一高光谱图像的分类结果。
71.在本发明实施例中，获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像，基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草，基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效。本方法通过获取高光谱图像，对图像数据进行分析处理，基于深度神经网络，机器学习算法的分类器实现对杂草的分类，通过结果评定实现对除草剂药效快速，无损，高效的评价。
附图说明
72.图1是本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法的流程示意图；
73.图2是本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法的分类实施的流程图；
74.图3是本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法的分类效果图；
75.图4是本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法的算法流程图；
76.图5是本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估装置的结构示意图。
77.本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
78.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附
图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
79.本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
80.下面结合附图，通过具体的实施例及其应用场景对本发明实施例提供的卫星地图的显示方法进行详细地说明。
81.实施例一
82.参照图1，示出了本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法的流程示意图。
83.本发明提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法，包括：
84.s101：获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像。
85.需要说明的是，为了获取高光谱图像，可选地，高光谱相机置于无人机上，采用线扫描目视和近红外高光谱成像系统。512个光谱波段，采集范围为380～1024nm，采集每个样品(也即待检测水稻区域)的高光谱图像。
86.为了增强图像拼接效果，可选地，机载相机航向摄影重叠率和旁向摄影重叠率均设计为87％。
87.为了提高高光谱图像空间分辨率，可选的，可采集多个高光谱图像并进行图像融合以得到融合后的高光谱图像，上述图像融合采用gram-schmidt图像融合的方法。
88.s102：基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草；
89.具体来说，随着图像处理技术的发展，高光谱图像得到了广泛的研究。在高光谱图像领域，图像分类是一大热点。然后高光谱遥感图像分类存在着许多问题；一方面，高光谱图像具有复杂的几何结构，分类时计算程度复杂难度高；另一方面，高光谱数据维度大，波段之间冗余信息高，且存在同物异谱、同谱异物现象。而机器学习技术可以通过训练数据学习，从多样化的数据库中发现数据的发展趋势，实现数据分析的自动化处理。在神经网络取得突破性进展后，算法在处理非结构化数据方面能力日益增强。因此，在处理图像信息方面，深度学习成为主流算法之一，深度学习处理高光谱等数据有很大优势。相比于传统的机器学习，深度学习能提取高光谱的空间和光谱特征，能更好做出分类。
90.在本发明实施例中，水稻与杂草分类的网络模型可以为基于神经网络和深度学习的分类模型。这样针对以往除草剂药效评估方法繁琐、费时费力、推广范围有限的情况下，本发明实施例利用无人载高光谱能够快速获得低空遥感数据，高光谱能够在光谱基础上显示不同物体的差异，结合深度神经网络能够更进一步提高分类精度，利用分类结果实施精准作业，实现快速、无损、高效的除草剂药效评估方法。
91.s103：基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效。
92.所述基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效包括：
93.基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率；
94.根据所述杂草存活率评估所述除草剂的药效。
95.可选地，所述除草剂包括多个不同种类的除草剂，所述根据所述杂草存活率评估所述除草剂的药效包括：
96.根据喷洒所述多个不同种类的除草剂得到的多个杂草存活率评估所述多个不同种类的除草剂的药效。
97.可选地，所述除草剂喷洒的浓度不同，所述根据所述杂草存活率评估所述除草剂的药效包括：
98.根据喷洒不同浓度的所述除草剂得到的多个杂草存活率评估所述除草剂的药效。
99.可选地，在所述基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率之后，在所述根据所述杂草存活率评估所述除草剂的药效之前，所述方法还包括：
100.人工确定所述待测区域水稻在未喷洒所述除草剂的杂草植株个数，以及在喷洒所述除草剂后的杂草植株个数以得到第一杂草存活率；
101.所述根据所述杂草存活率评估所述除草剂的药效包括：
102.根据所述第一杂草存活率和所述杂草存活率评估所述除草剂的药效。
103.具体来说，获取施药前后的高光谱图像并利用水稻与杂草分类的网络模型，例如hyridsn、svm或随机森林分类后，统计杂草面积像元个数，对两次杂草面积像元个数对比，算出在不同模型、不同浓度、不同除草剂使用下的杂草存活率作为除草剂药效评定。进一步的还可以人工现场勘察获取除草剂未喷洒的杂草植株个数，以及除草剂喷洒到的水稻植株个数，这样综上所述两种实验处理方法得到的结果后，对比人工计数与所提出的方法在相同条件下的杂草去除率、水稻损害率的情况，得出各种除草剂的药效。
104.在本发明实施例中，获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像，基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草，基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效。本方法通过获取高光谱图像，对图像数据进行分析处理，基于深度神经网络，机器学习算法的分类器实现对杂草的分类，通过结果评定实现对除草剂药效快速，无损，高效的评价。
105.在一种可能的实施方式中，在所述基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理之前，所述方法还包括步骤s104；
106.s104：构建水稻与杂草分类的网络模型；
107.步骤s104可由子步骤s1041至子步骤s1044来完成：
108.s1041：获取待测区域水稻的第一高光谱图像以得到所述第一高光谱图像的图像
数据；
109.举例来说，获取待测区域水稻的第一高光谱图像以得到所述第一高光谱图像的图像数据可以选择天气晴朗、无云、无风的自然日及合适时间采集高光谱影像，可设置无人机飞行高度50m、航速2m/s、分辨率31nm。开始前将控制点按照航线规划图既定位置摆放，黑白板于高光谱dn值校准后放于待测区域内。检查完软硬件设备后执行飞行任务的同时，电脑pc利用厂商提高软件开始存储高光谱数据。实验过程中随时注意天气及飞行状况；飞行任务结束后停止数据采集。采集影像导出后利用envi软件观察图像质量，并进行辐射定标；随后采用厂商提供软件进行图像拼接以及几何校正。
110.s1042:对所述图像数据进行目标处理；
111.可选地，所述对所述图像数据进行目标处理包括：
112.对所述图像数据进行预处理，所述预处理包括归一化处理和卷积平滑操作；
113.对预处理后的所述图像数据进行数据降维；
114.获取数据降维后的所述图像数据的纹理特征。
115.举例来说，为了提高处理效率和精度，可利用ndvi归一化植被指数计算和savitzkygolay卷积平滑算法对高光谱图像进行归一化和卷积平滑操作。为了降低数据维度，可利用pca算法减少原始数据的维数得到n个主成分，同时保留数据中的大部分变化。为了提取影像纹理特征，可利用pca得到的多个主成分乘以灰度共生矩阵得出的纹理特征，举例来说，可以为8个纹理特征：均值、方差、标准差、同质性、相异性、对比度、熵、相关性、角二阶矩。
116.可选地，所述对预处理后的所述图像数据进行数据降维包括：
117.基于pca对于所述预处理后的所述图像数据进行数据降维，并得到所述图像数据的多个主成分；
118.所述获取数据降维后的所述图像数据的纹理特征包括：
119.基于灰度共生矩阵提取用来定量描述纹理特征的多个统计属性；
120.基于所述多个主成分和所述多个统计属性得到所述图像数据的纹理特征。
121.可选地，所述纹理特征包括均值、方差、标准差、同质性、相异性、对比度、熵、相关性和角二阶矩。
122.pca是一种数学方法，可以减少原始数据的维数，同时保留数据中的大部分变化。它通过识别称为主成分的方向来实现这种减少，沿着该方向，数据的变化是最大的；主成分分析基于所有相邻波段高度相关并传达有关对象的相似信息的事实，pca分析对原始数据进行变换以消除波段相关性，在此过程中，确定了考虑像素值变化的原始图像波段的最佳线性组合。
123.灰度共生矩阵被定义为从灰度为i的像素点出发，离开某个固定位置(相隔距离为d，方位为)的点上灰度值的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵；在灰度共生矩阵的基础上提取用来定量描述纹理特征的统计属性；
124.具体来说，本发明实施例中，将获取的多个主成分分别乘以8个纹理特征，(均值、方差、标准差、同质性、相异性、对比度、熵、相关性、角二阶矩)来得到图像数据的纹理特征。
125.s1043:基于svm、随机森林和hybridsn网络对处理后的所述图像数据进行分类；
126.参考图2，具体来说，为了提高分类精度，降低了模型的复杂程度，可采用svm、随机
森林和hybridsn网络进行分类。s1044:对分类结果进行对比以评估所述分类结果。
127.参照图3，示出了本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法的分类效果图；
128.参照图4，示出了本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估方法的算法流程图；
129.举例来说，为了判断分类结果的好坏，可采用混淆矩阵结合整体准确度和kappa系数对svm和随机森林与hybridsn网络进行结果对比。
130.可选地，所述对分类结果进行对比以评估所述分类结果包括：
131.将所述分类结果划分为训练集、测试集和验证集；
132.可选地，可通过混淆矩阵比较分类结果是否与实际地被覆盖物相同以得到正确划分的样本点数和不正确划分的样本点数；
133.可选地，可通过kappa系数基于所述正确划分的样本点数和所述不正确划分的样本点数评估所述分类结果，以评估所述第一高光谱图像的分类结果。
134.举例来说，我们将分类结果的数据集中80％用于训练集，10％用作测试集，剩下作为验证集；
135.通过混淆矩阵比较分类结果是否与实际地被覆盖物相同，假设order的混淆矩阵为c*c
[0136][0137]
其中c是类别的数量，并且x
ij
(i,j＝1,2,
···
c)是第i类划分到第j类的样本个数，对角线上的元素代表被正确划分的样本点的个数。其中n为总数，采样点总数计算为：
[0138][0139]
计算整体准确度，整体准确度是指被正确划分的样本点数占样本总数的比值，计算公式为：
[0140][0141]
具体来说，通过kappa系数综合评价图像的划分结果，kappa系数综合考虑正确划分的样本点数和不正确划分的数量来评估分类结果，非常有说服力。基于混淆矩阵，可以使用以下公式:
[0142][0143]
其中n是总计，是每行元素的总和，定义如下：
[0144]
[0145]
x+i表示每列元素的总和，定义如下:
[0146][0147]
实施例二
[0148]
参照图5，示出了本发明实施例提供的一种基于无人机载高光谱的水稻杂草除草剂药效评估装置30的结构示意图。
[0149]
基于无人机载高光谱的水稻杂草除草剂药效评估装置30，包括：
[0150]
第一获取模块301，用于获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像；
[0151]
第一处理模块302，用于基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草；
[0152]
第一评估模块303，用于基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效。
[0153]
可选地，所述第一评估模块303具体用于，基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率；
[0154]
根据所述杂草存活率评估所述除草剂的药效。
[0155]
可选地，所述除草剂包括多个不同种类的除草剂，所述第一评估模块303具体用于，根据喷洒所述多个不同种类的除草剂得到的多个杂草存活率评估所述多个不同种类的除草剂的药效。
[0156]
可选地，所述除草剂喷洒的浓度不同，所述第一评估模块303具体用于，根据喷洒不同浓度的所述除草剂得到的多个杂草存活率评估所述除草剂的药效。
[0157]
可选地，所述基于无人机载高光谱的水稻杂草除草剂药效评估装置30还包括：
[0158]
人工确定所述待测区域水稻在未喷洒所述除草剂的杂草植株个数，以及在喷洒所述除草剂后的杂草植株个数以得到第一杂草存活率；
[0159]
所述第一评估模块303具体用于，根据所述第一杂草存活率和所述杂草存活率评估所述除草剂的药效。
[0160]
可选地，所述基于无人机载高光谱的水稻杂草除草剂药效评估装置30还包括：
[0161]
构建模块304，用于构建水稻与杂草分类的网络模型；
[0162]
所述构建模块304包括：
[0163]
第二获取模块305，用于获取待测区域水稻的第一高光谱图像以得到所述第一高光谱图像的图像数据；
[0164]
第二处理模块306，用于对所述图像数据进行目标处理；
[0165]
分类模块307，用于基于svm、随机森林和hybridsn网络对处理后的所述图像数据进行分类；
[0166]
第二评估模块308，用于对分类结果进行对比以评估所述分类结果。
[0167]
可选地，所述第二处理模块306具体用于，对所述图像数据进行预处理，所述预处
理包括归一化处理和卷积平滑操作；
[0168]
对预处理后的所述图像数据进行数据降维；
[0169]
获取数据降维后的所述图像数据的纹理特征。
[0170]
可选地，所述第二处理模块306具体用于，基于pca对于所述预处理后的所述图像数据进行数据降维，并得到所述图像数据的多个主成分；
[0171]
基于灰度共生矩阵提取用来定量描述纹理特征的多个统计属性；
[0172]
基于所述多个主成分和所述多个统计属性得到所述图像数据的纹理特征。
[0173]
可选地，所述纹理特征包括均值、方差、标准差、同质性、相异性、对比度、熵、相关性和角二阶矩。
[0174]
可选地，所述第二评估模块308具体用于，将所述分类结果划分为训练集、测试集和验证集；
[0175]
通过混淆矩阵比较分类结果是否与实际地被覆盖物相同以得到正确划分的样本点数和不正确划分的样本点数；
[0176]
通过kappa系数基于所述正确划分的样本点数和所述不正确划分的样本点数评估所述分类结果，以评估所述第一高光谱图像的分类结果。
[0177]
在本发明实施例中，第一获取模块用于获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像，第一处理模块用于基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草，第一评估模块用于基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效。本发明实施例通过获取高光谱图像，对图像数据进行分析处理，基于深度神经网络，机器学习算法的分类器实现对杂草的分类，通过结果评定实现对除草剂药效快速，无损，高效的评价。
[0178]
本发明实施例中的虚拟系统可以是装置，也可以是终端中的部件、集成电路、或芯片。
[0179]
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。
[0180]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的智能认知方法和系统，此处不再赘述。
[0181]
以上仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，包括：获取待测区域水稻的目标高光谱图像，所述目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像；基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理，以得到所述第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，所述水稻与杂草分类的网络模型用于分类图像中的水稻和杂草；基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效。2.根据权利要求1所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，所述基于所述第一杂草面积像元数量和所述第二杂草面积像元数量评估所述除草剂的药效包括：基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率；根据所述杂草存活率评估所述除草剂的药效。3.根据权利要求2所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，所述除草剂包括多个不同种类的除草剂，所述根据所述杂草存活率评估所述除草剂的药效包括：根据喷洒所述多个不同种类的除草剂得到的多个杂草存活率评估所述多个不同种类的除草剂的药效。4.根据权利要求2所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，所述除草剂喷洒的浓度不同，所述根据所述杂草存活率评估所述除草剂的药效包括：根据喷洒不同浓度的所述除草剂得到的多个杂草存活率评估所述除草剂的药效。5.根据权利要求2所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，在所述基于所述第一杂草面积像元数量和所述第二杂草面积像元数量得到杂草存活率之后，在所述根据所述杂草存活率评估所述除草剂的药效之前，所述方法还包括：人工确定所述待测区域水稻在未喷洒所述除草剂的杂草植株个数，以及在喷洒所述除草剂后的杂草植株个数以得到第一杂草存活率；所述根据所述杂草存活率评估所述除草剂的药效包括：根据所述第一杂草存活率和所述杂草存活率评估所述除草剂的药效。6.根据权利要求1所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，在所述基于水稻与杂草分类的网络模型对于所述目标高光谱图像进行处理之前，所述方法还包括：构建水稻与杂草分类的网络模型；所述构建水稻与杂草分类的网络模型包括：获取待测区域水稻的第一高光谱图像以得到所述第一高光谱图像的图像数据；对所述图像数据进行目标处理；基于svm、随机森林和hybridsn网络对处理后的所述图像数据进行分类；对分类结果进行对比以评估所述分类结果。7.根据权利要求6所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特
征在于，所述对所述图像数据进行目标处理包括：对所述图像数据进行预处理，所述预处理包括归一化处理和卷积平滑操作；对预处理后的所述图像数据进行数据降维；获取数据降维后的所述图像数据的纹理特征。8.根据权利要求7所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，所述对预处理后的所述图像数据进行数据降维包括：基于pca对于所述预处理后的所述图像数据进行数据降维，并得到所述图像数据的多个主成分；所述获取数据降维后的所述图像数据的纹理特征包括：基于灰度共生矩阵提取用来定量描述纹理特征的多个统计属性；基于所述多个主成分和所述多个统计属性得到所述图像数据的纹理特征。9.根据权利要求8所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，所述纹理特征包括均值、方差、标准差、同质性、相异性、对比度、熵、相关性和角二阶矩。10.根据权利要求6所述的基于无人机载高光谱的水稻杂草除草剂药效评估方法，其特征在于，所述对分类结果进行对比以评估所述分类结果包括：将所述分类结果划分为训练集、测试集和验证集；通过混淆矩阵比较分类结果是否与实际地被覆盖物相同以得到正确划分的样本点数和不正确划分的样本点数；通过kappa系数基于所述正确划分的样本点数和所述不正确划分的样本点数评估所述分类结果，以评估所述第一高光谱图像的分类结果。

技术总结
本发明公开了一种基于无人机载高光谱的水稻杂草除草剂药效评估方法，属于药效评估技术领域，基于无人机载高光谱的水稻杂草除草剂药效评估方法包括：获取待测区域水稻的目标高光谱图像，目标高光谱图像包括在喷洒除草剂之前的第一高光谱图像及喷洒除草剂之后的第二高光谱图像，基于水稻与杂草分类的网络模型对于目标高光谱图像进行处理，以得到第一高光谱图像中的第一杂草面积像元数量和第二高光谱图像中的第二杂草面积像元数量，其中，水稻与杂草分类的网络模型用于分类图像中的水稻和杂草，基于第一杂草面积像元数量和第二杂草面积像元数量评估除草剂的药效。积像元数量评估除草剂的药效。积像元数量评估除草剂的药效。


技术研发人员：刘占豪 张艳超 孙琦
受保护的技术使用者：浙江理工大学
技术研发日：2023.05.12
技术公布日：2023/9/12