DB37 T 3446-2018 基于无人机的小麦群体长势大面积智能监测技术规程.pdf

《DB37 T 3446-2018 基于无人机的小麦群体长势大面积智能监测技术规程.pdf》由会员分享，可在线阅读，更多相关《DB37 T 3446-2018 基于无人机的小麦群体长势大面积智能监测技术规程.pdf（6页珍藏版）》请在麦多课文档分享上搜索。

1、ICS 65.020 B01 DB37 山东省地方标 准 DB 37/T 34462018 基于无人机的小麦群体长势大面积智能监 测技术规程 Technical specification for intelligent monitoring of growth status of wheat population based on unmaned aerial vehicle 2018-11-26发布 2018-12-26实施 山东省市场监督管理局 发布 DB37/T 3446 2018 I 前言 本标准按照GB/T 1.1-2009给出的规则起草。 本标准由山东农业大学提出。 本标准由山东

2、省农业标准化技术委员会归口。 本标准起草单位：山东农业大学、山东省农业科学院科技信息研究所。 本标准主要起草人：陈国庆、张晓艳、宁堂原。 DB37/T 3446 2018 1 基于无人机的小麦群体长势大面积智能监测技术规程 1范围 本标准规定了小麦长势大面积智能监测技术的相关术语和定义以及智能监测中设备要求或准备、 监 测方法与图像处理的技术要求。 本标准适用于山东省小麦群体长势监测。 2 术语和定义 下列术语和定义适用于本文件。 2.1 图像数据 Image data 应用无人机平台获取的农田区域的光谱图像。 2.2 图像处理 Image processing 图像处理是指对光谱图像进行的前

3、期处理及后期数据提取处理，包括图像的输出、保存及灰度值的 提取。 2.3 灰度值 Grey value 灰度就是图像色彩的深浅程度。 灰度值计算公式：Gray =0.2989R +0.5870G+0.1140B。 R、G、B代表红、绿、蓝三个通道的颜色。 2.4 归一化灰度值 Normal difference grey value 归一化灰度值是借鉴归一化植被指数的计算方法计算得出的数值， 指两个波段下图像的灰度值之差 与二者之和的比值。 2.5 叶面积指数 Leaf area index 又叫叶面积系数，是指单位土地面积上植物叶片总面积占土地面积的倍数。即叶面积指数=叶片总 面积/土地面积

4、。 DB37/T 3446 2018 2 2.6 干物质积累 Dry matter accumulation 干物质积累量即一定时间内，光合作用有机物积累量与该时间内呼吸作用有机物消耗量的差值，是 衡量植物有机物积累、营养成分多寡的一个重要指标。 2.7 小麦长势 Wheat grows 小麦的生长状态，通常用叶面积指数、干物质积累量来表示。 3 技术要求 3.1 监测前准备工作 3.1.1 无人机： a) 采用带云台无人机，功能包括精准定位、定高功能。 b) 推进方式为螺旋桨，马达型号为空心杯电机。 c) 动力为可充电锂电池，1500 mAh。 d) 控制系统为GPS 定位+气压高度传感+3

5、轴陀螺仪+3轴加速度计。 e) 最大飞行高度100 m。 f) 最大载重500 g。 g) 最大上升速度和最大下降速度均为3 m/s，最大飞行速度30 km/h。垂直悬停精度为0.5 m， 水平悬停精度为1.5 m。 h) 最大飞行时间30 min。 i) 防抖云台为可拆式，角度抖动量为0.03，可控转动范围为 -50+80。 j) 遥控方式为 2.4 GHz无线可视遥控，按键操作，遥控器最大遥控距离1500 m。 k) 无人机最小尺寸为 50 cm（长）50 cm（宽）20 cm（高）。 l) 可调整拍摄角度。 3.1.2 拍照相机： a) 拍照像素 1200万，照片格式 jpg，图片分辨率

6、300万像素。 b) 镜头视场角 120 。 c) 相机滤光片为双波段滤光片，所用波段为560 nm和 810 nm，带宽为 10 nm。 d) 相机最大重量为500 g。 3.2 农田监测方法 3.2.1 监测指标 包括小麦叶面积指数、小麦干物质积累量两个指标。 3.2.2 监测时间 3.2.2.1 从小麦播种到灌浆期内可进行监测。 3.2.2.2 在小麦生育期内，选择晴朗无云或少云微风的天气，一天中的 10:0014:00 之间进行监测。 3.2.3 监测高度 DB37/T 3446 2018 3 监测相机高度均保持在距离小麦冠层10 m12 m范围内。 3.2.4 监测角度 监测相机镜头

7、方向垂直向下，与小麦冠层平面呈90。 3.2.5 监测步骤 3.2.5.1 首先，在计算机中设定将进行监测的点，并设定无人机在每个监测点悬停的时间 5 s。其次， 选择农田附近平整位置作为无人机起飞点和落地点。最后，操纵无人机进行田间小麦长势监测。 3.2.5.2 每个监测点每次监测需进行 5次重复拍摄，即拍 5张图像。 3.2.6 监测点选择 一个监测面的面积约450 m 2 ，每个地块选择呈“之”字型分布的5个点进行监测。 3.2.7 监测人员 监测人员2人，一人负责操作无人机，一人负责监测点校准和图像收集。 3.3 图像处理方法 3.3.1 图像处理软件 具有提取图像RGB颜色值或灰度值

8、的软件，如Photoshop、Matlab等。 3.3.2 图像获取方式 3.3.2.1 利用 Photoshop消除广角图像中出现的鱼眼扭曲效果。 3.3.2.2 根据相机图片的拍摄时间和重复次数，将各个监测点的图像按监测点进行分类。 3.3.3 图像参数 利用Photoshop软件获取图像的GV（灰度）参数。 3.3.4 小麦长势参数估算方法 3.3.4.1 根据小麦 LAI（叶面积指数）和 GY（干物质）指标和对应的归一化灰度，通过多元线性回归 方法分别建立LAI、GY和归一化灰度的函数关系，并选择拟合误差最小的函数作为LAI 和GY的计算方 法。 3.3.4.2 叶面积指数的计算方法如

9、下： 2 560 810( ) 560 8(1)0 7.94 14.44 0.46LAI RVI RVI .(1) 式中： LAI 叶面积指数； RVI (560 810) 在560 nm和810 nm波段下的灰度比值运算值。 560 8()10 810 560 /RVI GV GV .(2) 式中： RVI (560 810) 在560 nm和810 nm波段下的灰度比值运算值； GV 810 810 nm波段下的灰度值； DB37/T 3446 2018 4 GV 560 560 nm波段下的灰度值。 3.3.4.3 干物质积累的估算方程如下： 2 560() ( 810 560 10) 8 2.53 2.63 0.236GY GND GND.(3) 式中： GY 干物质； GND (560 810) 在560 nm和810 nm波段下的灰度归一化运算值； 560 810 560 810 560 8)10( /GND GV GV GV GV .(4) 式中： GND (560 810) 在560 nm和810 nm波段下的灰度归一化运算值； GV 560 560 nm波段下的灰度值； GV 810 810 nm波段下的灰度值。 _