基于无人机遥感影像的收获期后残膜识别方法

吴雪梅 梁长江 张大斌 喻丽华 张富贵

(贵州大学机械工程学院， 贵阳 550025)

0 引言

覆膜技术能够有效优化和改善栽培条件，其蓄水、保温、保墒、保药、除草等作用显著，利于作物早熟，提高农作物产量[1-2]。然而，由于地膜回收技术不成熟、农户缺乏环保意识等，造成大量地膜残留在农田中，形成残膜，破坏了土壤的连续性，降低土壤的含水率、透气性和肥力水平，导致农作物减产[3-5]。掌握农田残膜时空分布图、精确获取残膜时空分布信息及时空变化特征，可为相关部门开展农田环境健康评估、地膜回收管理、农作物监测、残膜污染防控等提供管理决策依据。传统方法采用实地调查获取地膜覆盖和残膜分布信息，该方法主观性强，耗时、费力。卫星遥感技术可克服现场调研的不足，具有覆盖面积广、检测成本低等优势。因此，基于遥感的农田地膜覆盖监测和地膜识别技术成为研究热点。

李佳雨等[6]基于Landsat卫星和资源三号卫星，获取了甘肃中部地区6月的覆膜农田图像，分析了图像的光谱特征、纹理特征、指数特征和几何特征，利用随机森林分类法训练地膜样本并进行分类，实现了地膜的快速识别，精度达90%。KOC-SAN[7]利用Word View-2卫星采集安塔利亚研究区影像，利用随机森林法、最大似然法和支持向量机等分类方法识别塑料薄膜，识别精度均高于90%。HASI等[8]基于Landsat-8遥感数据，提取了4月的地膜影像数据，结合光谱与纹理的组合特征，对农田中的地膜分别采用支持向量机(SVM)、最大似然分类器(MLC)和最小距离分类器(MDC)方法进行了分类识别，发现SVM分类法精度最高，达94%。杭丹维[9]利用MODIS遥感影像，提取了4月和5月的覆膜影像数据，结合改进的亚像元空间引力模型(SSSAM)，完成了覆膜农田分布信息的高精度识别。高梦婕等[10]基于GF-2遥感卫星，获取了赤峰市研究区塑料大棚覆盖薄膜的阶段遥感影像，提取了图像的最优分割参数，对比了决策树、随机森林和支持向量机3种分类方法对大棚目标的分类效果，发现随机森林法能提取连片塑料大棚，分类精度达89.65%。沙先丽[11]利用Landsat TM获取了不同年份4月和5月上旬新疆棉区的遥感影像，分析影像的遥感特征、纹理特征和指数特征，并建立决策树模型，实现了覆膜棉田的分类识别，总体精度达90%。TARANTINA等[12]采用面向对象方法基于航空影像检测了塑料大棚葡萄园。

近年来，无人机作为遥感平台，在作物生长监测方面显示出巨大的潜力[13-16]，对比卫星遥感影像，无人机遥感影像分辨率高、质量好、成本低。但基于无人机的农田地膜识别研究较少。朱秀芳等[17]以无人机为遥感平台，获取了5月初期云南省覆膜农田图像，利用随机森林优选图像纹理特征，并进行最大似然法分类，结合形态学算法与面积阈值分割处理提取覆膜农田面积，识别精度达94.84%。孙钰等[18]利用无人机采集了赤峰市大棚和覆膜农田图像，结合神经网络和多尺度融合等深度学习方法，快速识别大棚和覆膜农田，识别率高达97%。

以上基于卫星和无人机遥感的农田地膜识别，识别目标有地膜和塑料大棚；特征提取包括地膜光谱特征、指数特征、几何特征和纹理特征；地膜影像获取时间大多为4月或5月，即农田地膜覆膜初期或作物生长初期的遥感影像。此时，地膜表面受裸土的干扰小，地膜具有覆盖面积大、连续成条状、特征明显等特点，利用随机森林法、最大似然法、阈值分割和支持向量机等分类方法可获得较高的识别精度。对农田地膜覆盖后期，即作物收获期后的农田地膜，因地膜未能及时捡拾而在农田间残留，形成残膜，残膜受裸土和风雨侵蚀的影响，不再连接成条状，残膜与裸土的纹理和形状等特征差异不明显，利用以上的特征和方法进行地膜识别分类，精度较低。为此，本文基于无人机遥感可见光图像，针对秋收后期的农田残膜和土壤数据集特点，提出一种基于颜色特征的残膜识别方法，旨在克服光照强度对目标识别的影响，获得更为准确的残膜覆盖面积及其地理分布信息。

1 材料和方法

1.1 无人机图像获取

试验数据为2018年10—12月进行航拍的无人机影像，航拍地点为贵州省安顺市平坝区，北纬26°22′，东经106°31′，海拔1 217 m，田间土壤以黄壤为主，种植作物为烟叶。所使用的无人机为大疆精灵4(Phantom4)四旋翼无人机，该机飞行荷载1.38 kg，最大上升速度为21.6 km/h，飞行速度为72 km/h，最大下降速度为14.4 km/h，最大任务载荷为6 kg，续航时间为28 min，控制距离5 000 m。搭载的相机为内置DJI Lightbridge高清视频传输系统，传感器型号为1/2.3英寸 CMOS，有效像素为1 240万，影像尺寸4 000像素×3 000像素。航拍高度为18～55 m，旁向重叠率30%，航向重叠率70%。航拍时天气晴朗、微风。为研究农田覆膜整个生命周期的地膜识别方法，针对烟叶不同生长期，采集烟叶6叶期、烟叶采摘后、烟杆拔除后的农田地膜或残膜图像，不同飞行高度各采集20幅图像，共1 500幅。采集到的数据源为JPG格式影像数据。无人机采集影像前，在飞行区域内布置黑白板，用于相机标定，降低系统误差。无人机与田间残膜图像如图1所示。

图1 无人机与田间残膜图像Fig.1 UAV and image of plastic film residual

1.2 研究方法

1.2.1残膜识别流程

本文旨在提取田间残膜，即当季收获期后的地膜。晴朗或多云天气，随着太阳入射角度的变化，田间会出现阴影区，阴影区和阳光直射区的残膜和土壤颜色特征有明显差异，为识别出目标，需分析出该差异的特点，再分割目标。为此，本文设计残膜识别流程，如图2所示。主要步骤如下：①对UAV航拍的图像进行畸变校正。②进行3×3中值滤波和直方图均衡化处理。③提取HSV空间的S分量和RGB空间的B分量作为分割算子。④基于颜色分割算子，开展不同分割算法的分割效果对比，优选最佳分割方法和分割算子。⑤提出残膜识别方法，对分割后图像进行形态学处理，提取残膜计算面积和空间分布信息。⑥计算识别率，进行精度验证，输出识别结果。

1.2.2镜头畸变校正

利用AgisoftPhotoScan软件对采集的图像进行拼接处理和几何校正，基于几何参考板GPS 控制点进行图像几何校正，去除无人机姿态变化、大气折射等影响[19]。

1.2.3残膜识别分割方法

(1)颜色分量

RGB颜色模型有红(Red)、绿(Green)、蓝(Blue)3个通道，取值范围为0～255，各个分量的数值越小，亮度越低；数值越大，亮度越高。HSV(hue, saturation, value)是RGB 模型的一种非线性变换，接近人类的色彩感知。其中H表示色相(hue)，是由物体反射或透射出来的颜色，在色相环上用0°～360°来表示；S表示饱和度(saturation)，是指颜色的强度，用色相中彩色成分所占的比例来表示，取值范围为0～1，值越大颜色越饱和；V表示明度(value)，反映颜色的相对明暗程度，取值范围为0～255，取0时为黑色，取255时为白色。

(2)颜色特征提取

烟杆拔除后，农田的主要景物为土壤和残膜。残膜被垄体遮挡时，无阳光直射，称为阴影区，有阳光直射，称为直射区，如图3所示。相同目标在直射区和阴影区的颜色灰度有差异。为探求目标和背景的颜色特征，将图像中的景物分为4类：直射区残膜、直射区土壤、阴影区残膜和阴影区土壤。

图3 直射区与阴影区示意图与实物图Fig.3 Direct light area and shadow area schematic and color image

直方图分析法统计图像中景物灰度出现的范围和频率，却忽略了不同灰度所对应景物的信息，针对目标和背景灰度受光照影响大的特点，截取图像中直射区残膜、直射区土壤、阴影区残膜和阴影区土壤4个目标，分别统计4个目标的颜色分量灰度，并绘制箱线图，目的是通过对比分析，获取目标的颜色特点，从而确定用于图像分割的颜色分量。

(3)分割方法

图像分割依据图像中目标和背景在形状、颜色、灰度、纹理和空间等特征上的差异，分割目标和背景，分割特征具有相同的特点：在目标区域内具有较大的一致性和相似性，在背景区域内具有极大的差异性[20-21]。为获取较高的识别精度，对比分析了手动阈值法、迭代阈值法、最大类间方差法、最大熵值法、K-means均值聚类和脉冲耦合神经网络法。

图4 残膜与土壤的灰度分布箱线图Fig.4 Gray-scale distribution boxes of residual film and soil

(4)精度验证

残膜实际面积采用实测法获取，将1 m2的黑色方框置于烟田，截取黑框内表面裸露的残膜于实验室测量其表面积[2]，测量面积即为残膜实际面积。

采用本文方法识别出该黑色方框内的残膜，利用面积占优法计算残膜面积。统计5个黑色方框的实际面积和识别面积，利用识别率评价识别精度，识别率为残膜识别面积与残膜实际面积之比，5个方框的平均识别率越大，则识别精度越高。

2 结果与讨论

2.1 颜色分量提取

残膜图像灰度统计箱线图如图4所示，直射区残膜的R、G、B分量灰度最高，阴影区土壤灰度最低，阴影区残膜灰度处于直射区土壤和阴影区土壤之间，且阴影区土壤与阴影区残膜灰度重叠较少，区分度较高。R分量图中，直射区土壤、阴影区残膜和阴影区土壤的灰度区间重叠较少，但与直射区残膜重叠较多；G、B分量的直射区残膜灰度高于其他3种景物，G分量的阴影区残膜和直射区土壤灰度区间重合较多，B分量图中4种景物的灰度区间相互重叠较多。就HSV颜色模型而言，H、V分量图中直射区残膜、直射区土壤、阴影区残膜和阴影区土壤的灰度依次减小，其中，H分量图阴影区残膜和阴影区土壤灰度区间重叠较多，V分量图直射区残膜和直射区土壤灰度区间有部分重叠，S分量图直射区残膜与直射区土壤以及阴影区残膜与阴影区土壤的灰度区间重叠较少。

B、S分量中残膜和土壤的灰度区间重合较少，区分度较高，利于分割，故本文以B、S分量作为分割算子。

2.2 残膜图像分割

基于B、S分量分别进行手动阈值分割、迭代阈值分割、最大类间方差法分割、最大熵值法分割、K-means均值聚类分割和脉冲耦合神经网络分割，通过对比研究获取最佳残膜分割方法。

2.2.1基于B颜色分量的残膜图像分割

对无人机采集的田间残膜图像进行镜头畸变校正、3×3模板中值滤波和灰度直方图均衡化处理，然后提取B分量。

(1)手动阈值分割

基于B分量进行手动阈值分割处理，如图5所示，可分割出直射区残膜，但不能分割出阴影区残膜，阈值为150时，存在过分割现象，把直射区土壤识别为残膜，如图5中的圆圈所示，阈值为200时，无过分割，直射区残膜分割效果较好。

图5 基于B分量的手动阈值分割结果Fig.5 Manual threshold segmentation results based on B component

(2)迭代阈值分割

基于B分量进行不同迭代条件的迭代阈值分割处理，结果如图6所示。与图5a相比，当迭代阈值T<0.1、T<1、T<10和T<15时，均能分割出直射区残膜，不能识别出阴影区残膜。

图6 基于B分量的迭代阈值分割结果Fig.6 Iterative threshold segmentation results based on B component

(3)其他方法分割

最大类间方差法、最大熵值法、K-means均值聚类法和脉冲耦合神经网络法分割效果如图7所示。对比图5a发现，方框标记处的阴影区残膜均出现了欠分割现象，4种方法都不能识别出阴影区目标，只能识别出直射区目标，其中，脉冲耦合神经网络分割法识别效果相对较好，识别率较高。

综合对比6种分割法，迭代阈值法和脉冲耦合神经网络法的识别效果较好。但因阴影区残膜灰度介于直射区和阴影区土壤灰度间，重叠区域大，故基于B分量不能分割阴影区目标。

图7 基于B分量的4种分割方法分割效果对比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分量的残膜图像分割

基于S分量的手动阈值分割方法结果如图8所示。当手动阈值为125、120、110时，直射区和部分阴影区残膜可识别，图8方框内目标均被分割出，但阴影区目标有欠分割现象，随着分割阈值的降低，欠分割程度加强，如图8中的椭圆标记区的目标均未被识别。基于S分量的手动阈值法分割效果欠佳。

利用迭代阈值法、最大熵值法、最大类间方差法、脉冲耦合神经网络法和K-means均值聚类法分割图像，效果如图9所示，5种方法均能识别出图中方框标记的阴影区和直射区残膜，但最大熵值法和K-means均值聚类法欠分割较严重，如图9b、9e中椭圆所示，识别出的阴影区残膜面积比实际面积小。基于脉冲耦合神经网络法的识别效果最佳，最大类间方差法和迭代阈值法相当，K-means均值聚类法最差，5种分割方法均优于手动阈值法。

综上，基于S分量的脉冲耦合神经网络法的分割效果最好，可识别出阳光直射区和阴影区目标，准确度高。该方法可消除光照强度对目标识别的影响，解决收获后田间残膜识别的问题。

图8 基于S分量的手动阈值分割效果对比Fig.8 Manual threshold segmentation effects comparison based on S component

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

2.3 残膜识别率验证

对不同时期农田残膜进行识别，统计残膜识别面积、实际面积和识别率，结果如表1所示。6叶期的识别率最高，为96.99%，该时期烟田背景简单，地膜覆盖时间短，裸土对地膜的影响小，目标和背景的区分度高，便于分割。烟叶收获后未拔杆时的残膜识别率为69.47%，该时期烟杆及顶部叶芽遮挡残膜，造成识别率低。烟杆拔除后残膜识别率为93.55%，低于6叶期地膜识别率，因地膜长时间覆盖后，颜色变黄，与土壤灰度交叉，导致识别率低。冬季空闲期的识别率为88.95%，此时杂草枯黄，残膜上方混杂土壤，颜色差异不显著。地膜覆盖周期的平均识别率为87.49%。

表1 不同时期田间残膜识别率Tab.1 Identification accuracy of different growth stages

3 结论

(1)基于无人机遥感影像，以RGB、HSV颜色空间模型的B、S分量作为分割算子，分割田间残膜目标，S分量可消除光照强度对目标识别的影响。

(2)基于S、B分割算子，利用迭代阈值法、最大熵值法、脉冲耦合神经网络法、手动阈值法、最大类间方差法、K-means均值聚类法分别对田间残膜图像进行分割。基于B分量的6种分割法均能分割出直射区残膜，但不能分割阴影区残膜；基于S分量的6种分割方法均能分割出直射区残膜和阴影区残膜，基于脉冲耦合神经网络方法的分割效果最佳。

(3)以S分量作为分割算子，利用基于脉冲耦合神经网络法识别不同时期的田间残膜，识别率有较大差异，6叶期识别率最高，烟叶收获后的识别率最低，地膜覆盖周期的平均识别率为87.49%。