基于无人机可见光影像和卷积神经网络的棉花生长参数监测

作     者：蒋楠 戴建国 薛金利 张国顺 何相良 JIANG Nan;DAI Jianguo;XUE Jinli;ZHANG Guoshun;HE Xiangliang

作者机构：兵团空间信息工程技术研究中心/石河子大学信息科学与技术学院新疆石河子832003 

出 版 物：《石河子大学学报（自然科学版）》 (Journal of Shihezi University(Natural Science))

年 卷 期：2021年第39卷第3期

页      面：282-288页

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 08[工学] 09[农学] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 0901[农学-作物学] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划项目(2017YFB0504203) 

主　　题：无人机 可见光影像 卷积神经网络 棉花 生物量 叶面积指数 株高 

摘      要：花蕾期是棉花生长管理的重要时期,在此期间对生长参数进行快速无损监测是实现棉田精细化管理的关键。本文结合无人机遥感平台和深度学习技术,使用卷积神经网络(convolutional neural net-works,CNN),通过无人机采集可见光影像并对影像进行裁剪切分,以切片后的RGB图像为输入,分别构建基于AlexNet、VGGNet、GoogleNet 3种网络框架的卷积神经网络模型,实现了棉花花蕾期各项生长参数监测。结果表明:AlexNet模型在株高和地上生物量方面表现最好,株高的R^(2)为0.85452,RMSE为3.1279 cm,MAPE为3.402%,地上生物量的R^(2)为0.95117,RMSE为38.90353 g/m^(2),MAPE为6.288%;GoogLeNet模型在叶面积指数监测方面性能最优,其R^(2)为0.97061,RMSE为0.08644,MAPE为4.391%。此外,从不同时期来看,3种生长参数在花期的监测性能均高于蕾期。本文研究结果表明使用无人机对大面积棉田在关键生育期进行生长参数监测是可行的,本文的研究结果能够为类似的研究提供借鉴和参考。