方案推荐| 基于无人机高光谱水稻病害快速监测解决方案

2023-08-25 18:50:34 奥谱天成（厦门）光电有限公司

中国作为农业生产大国，农业健康、可持续发展直接关系到我国社会和经济的安全。我国粮食连续17年取得丰收，但受外界不确定因素影响，产量增加的风险阻碍也在不断增加，据有关预测，2023年全国将累计发生粮食作物重大病虫害1.5亿公顷次，同比增加14%，对全国70%粮食产区构成风险。

在粮食生产过程中，农业病虫害是导致产量损失的首要因素，病虫害大面积爆发不仅影响农民种粮的积极性，且制约着粮食产业的高质量发展。要想促进农业可持续发展，增加农民收入与积极性，推动农业经济发展，就必须做好动态监测农作物生长变化和预防病害这一项非常重要的工作。

水稻作为我国种植面积最大的粮食作物之一，稻谷产出量约在4000亿斤左右，因此水稻在中国粮食结构中发挥着举足轻重的作用。但由于气候条件的变化、品种长期大量单一化种植使得水稻病害风险日益增加，尤其是稻瘟病呈现出高发趋势。稻瘟病作为一类农作物病虫害之一，其发病传播速度快、防控难度大，尤其是穗颈瘟对水稻产量影响最大。每年由于稻瘟造成的水稻损失高达30亿公斤。对于穗颈瘟最为有效的防控手段是变量施药，而无人机高光谱遥感技术可以实现对穗颈瘟的发病情况识别检测和预警。

目前基于人工现场勘测和样地法的水稻侦查防治方法，已无法满足日益加剧的严峻形势要求，最理想的方案就是做到对稻瘟病进行精准的识别监测与预警，做到早发现、早应对。遥感高光谱技术可以从多角度、多层次探究农作物病虫害的发病状况与发病机理，其依据光谱反射差异、特征相应波段等，当农作物受到病虫害侵袭时，其植株内部的叶绿素、蛋白质、水分等生化组成以及细胞间结构会出现改变而体现在表征的变化上，而这些表征变化会体现在不同的高光谱曲线特征上，由此可以做到快速的对病情识别，为变量追肥、施药提供处方图。传统稻瘟病监测方式以植保专家经验判断为主，受主观因素影响较大造成不合理的农药施用，对水稻生长发育产生负面效应，并且会破坏生态环境；与传统检测方法相比较，遥感高光谱所获取到的信息更加全面和精确，得出的结论也更加有说服力。

水稻是一年生水生草本。秆直立，高0.5-1.5米，随品种而异。叶鞘松弛，无毛；叶舌披针形，长10-25厘米，两侧基部下延长成叶鞘边缘，具2枚镰形抱茎的叶耳；叶片线状披针形，长40厘米左右，宽约1厘米，无毛，粗糙。水稻穗颈瘟病菌以分生孢子和菌丝体在稻草和稻谷上越冬，翌年产生分生孢子借风雨传播到稻株上，萌发侵入寄主向邻近细胞扩展发病,形成中心病株。病部形成的分生孢子，借风雨传播进行再侵染。播种带菌种子可引起苗瘟。阴雨连绵、日照不足、时晴时雨、早晚有云雾以及结露条件下，病情扩展迅速。染病后,随着病菌的繁殖与危害，穗颈节坏死，输送到穗子的养分通道被阻断，从而形成白穗或瘪粒的稻穗。一旦穗颈染上稻瘟病，会造成不同程度减产。不同发病等级的表征描述如下表所示。

表1 不同等级穗颈瘟病害表征描述

技术思路与主要内容

奥谱天成利用全国产化的高光谱成像仪和地物光谱仪进行水稻穗颈瘟病害状况监测，主要通过近地面无人机平台获取成像高光谱数据结合地物光谱仪建立穗颈瘟病害程度数据库，再开展基于深度卷积神经网络的水稻病害检测，提取病害分布信息，进行敏感波段分析，最后基于PNN概率神经网络算法实现对穗颈瘟不同发病等级的精准检测，实现水稻病害识别检测，为水稻的变量用药、田间管理对策等提供决策性的建议。具体的技术路线图如图2所示。

图2 穗颈瘟监测技术流程图

需要实现内容：

1）基于无人机高光谱采集数据实现水稻病害分布、面积、数量情况的实时监测，分析光谱特征，确定病害重点区域，进行排查。

2）利用地物光谱仪对重点区域进行采样测量，建立水稻穗颈瘟的样本数据库，再利用连续统去除、SG平滑滤波等相关分析筛选敏感特征波段，形成水稻穗颈瘟波段库，得到更加完整的水稻不同时期穗颈瘟发病程度监测统计信息。

3）利用深度卷积网络模型提取大范围的水稻时空分布信息，基于PNN概率神经网络算法，建立高光谱数据和水稻病虫害严重度的关联模型，输入冠层光谱数据就可以获得研究区域水稻病害情况，实现变量施药，为农业部门产量质量管理和种植规划提供理论依据。

4）无人机飞行一个月一次，基于长时间序列的监测影像数据，及时了解某县域或市域水稻田种植分布、面积、病害数量变化趋势，从而对精准监控提供参考依据。

技术要点

水稻田自动化提取

随着计算机科学和人工智能技术的发展，卷积网络已成为图像分割和模式识别中的研究热点，它是通过各卷积层的不断地进行卷积计算，自主地从丰富的训练样本中学习特征进行图像分割，这种端到端的处理模式有效地提高了图像分割的精度与速度。卷积神经网络对解决块状边界引起的不连续性问题也更具优势，可以更好地解决水稻光谱与背景光谱区分度不够等问题，以及它在较为复杂的场景下也依然具有较好的图像解译能力和鲁棒性。因此本次水稻田的自动化提取采用卷积神经网络模型实现，具体示意图如下图3所示。

图3 水稻自动化提取技术路线图

卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习最常用的代表算法之一。它利用深层卷积模拟了人类视觉感知机制中的分层感知和局部感受野，来处理一些非结构化的数据，并以一种端到端的方式集成低、中、高不同层次的特征，从而获得丰富的特征信息，提升遥感图像语义分割的准确度。卷积神经网络的基本结构一般包括数据输入层、卷积层、池化层、全连接层以及输出层，其基本的模型框架如图4所示。

图4 卷积神经网络的基本模型框架

在利用卷积神经网络进行不同地物分类任务时，可以根据特定的目的和需求构建合适的网络模型，也可以使用现阶段已有的经典网络模型，目前森林疫木病虫害目标检测采用YOLOv7网络模型。

YOLOv7 ( You Only Look Once ) 是由Ultralytics LLC 公司于 2022年7月份提出，官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS）。在5FPS到160FPS的范围内，无论是速度或是精度，YOLOv7都超过了目前已知的检测器，并且在GPU V100上进行测试，精度为56.8% AP的模型可达到30 FPS（batch=1）以上的检测速率，与此同时，这是目前唯一一款在如此高精度下仍能超过30FPS的检测器。其网络模型结构如图5所示。

图5 YOLOv7 网络模型

植被各类指数光谱

为了更好地提取出水稻信息，减小错分概率，可以利用原始光谱构建各类光谱指数，如表2所示。

表2植被指数表

方案实施

高光谱无人机飞行服务

高光谱反映了高分辨率光学信息的特征，其利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收也不同，在某个特定波长下图像对某个缺陷会有较显著的反映，而光谱信息能充分反映样品内部的物理结构、化学成分的差异。因此，利用高光谱特性可以识别不同病害程度的水稻穗颈瘟监测，并且与无人机进行结合，可以实现高效大面积稻田的高效监测。

图6 由300个波段组成的无人机高光谱影像

无人机高光谱具有以下特点：

光谱特征多。成像光谱仪在可见光和近红外光谱区内有300个波段；

光谱分辨率高。成像光谱仪采样的间隔小，分辨率小于3nm。精细的光谱分辨率反映了地物光谱的细微特征；

数据量丰富。随着波段数的增加，数据量呈指数增加。可提供空间域信息和光谱域信息，即“图谱合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。

1.与可见光结果相比

可见光图像仅仅有红绿蓝（RGB）三个波段的光信息组成，在对水稻识别时通过人工肉眼判读进行监测，效率低下且准确度有限。而高光谱图像结果具有300个波段的光信息，对于水稻可以提取其专属的波段特征，从而对其进行准确的识别，同时结合机器学习/深度学习算法，可以实现自动化监测。

2.与多光谱结果相比

多光谱和高光谱的主要区别是波段的数量和窄度。多光谱图像通常由10-30个波段的光信息组成，对于水稻或其他地物的检测特征有限，容易与其他地物的反射光谱混淆。在高光谱图像中具有更高水平的光谱细节可以提供更好的植被区分能力，例如在检测水稻时，高光谱图像可以有效区分水稻与其他相似植物，提高准确率。

①多光谱图像通常是指以像素表示的10到30个波段，每个波段可以通过使用遥感辐射计来获取。

②高光谱图像包含很窄的波段（<10 nm），高光谱图像具有几百个波段（如ATH9010有300个波段）。

前期准备阶段

（1）首先根据项目要求配置满足项目需求的无人机等设备，准备外带配置清单，如表3所示。

表3 单套无人机高光谱配置清单

图7 无人机组件

图8 高光谱相机云台组件

（2）无人机在公司调试完成后，按照配置清单打包外带设备，确认无遗漏；

（3）根据卫星遥感监测提取的水稻病害重点分布图对高光谱无人机飞行作业区域进行初步勘查和规划，包括航线设计和外业飞行时间计划。根据测区范围和航带重叠度需求，在无人机遥控器中设置相应飞行参数并规划航带。高光谱相机采用推扫式成像，因此没有航向重叠度参数（航线重叠度设置最小值），仅有旁向重叠度。

（4）结合项目要求时间及天气情况，确定飞行服务日期；

实施飞行采集

在规划的研究区域，根据需求采集高光谱影像。具体步骤如下：

（1）无人机端设置：组装无人机高光谱设备，设置航高、航速，根据相机参数和影像重叠度需求设置影像航线间距；

（2）相机端设置：根据航高航速设置相机帧率，根据白板测量值设置积分时间（曝光时间）；

（3）标准反射率白板：在航线区域摆放标准反射率白板，采集影像时需拍摄到白板。

图9 无人机高光谱数据采集示意图

无人机高光谱图像处理

无人机高光谱影像数据采集后，需要进行以下预处理工作：

（1）波长定标：采集的原始影像没有波长信息，需要添加波长定标文件；

（2）影像裁剪：高光谱采用推扫式成像，需要对采集的测区影像进行裁剪；

（3）配准拼接：对裁剪后的测区影像进行地理配准或相对配准，之后对配准后的影像拼接成完整影像；

（4）辐射校正：原始影像中的值代表反射强度，需要利用白板反射值和标准反射率进行校正，计算整个影像的反射率。

（5）混合光谱分解：无人机采集的光谱数据受空间分辨率影像，导致一个像元中可能由不同地物或者植被混合平均而成，为提高精度，需要对影像进行混合光谱分解操作；

（6）光谱滤波（平滑）：原始影像中的光谱信息存在一定的噪声，在应用之前需要进行光谱滤波。

光谱图像处理软件界面：

图10 无人机高光谱图像处理软件界面示意图

地物样本数据采集

奥谱天成利用全国产化的高光谱成像仪和地物光谱仪在实地开展现场调查，目的是为无人机遥感图像的分类提供现场分类模型真实训练样本和分类结果的检验样本。现场调查的主要内容是测量感染穗颈瘟的水稻光谱数据，将地物光谱仪采集到的所有穗颈瘟水稻光谱数据进行不同感染程度的等级划分，作为无人机高光谱影像数据处理的标准训练样本数据集。