一种作物倒伏无人机监测方法及装置

1.本发明涉及人工智能技术领域，尤其涉及一种作物倒伏无人机监测方法及装置。


背景技术：

2.玉米目前是我国第一大粮食作物，2020年全国玉米种植面积达4126.4万公顷，产量为2.6亿吨，远超稻谷、小麦的面积与产量。全球变暖背景下强风暴雨天气近年来有所增加，玉米在生育中后期经常会遭受倒伏灾害的胁迫，严重影响了玉米籽粒产量、品质和机械收获能力。
3.当前获取倒伏灾情信息的方式主要是由栽培经验丰富的农民或专家通过人工目测手查、田间取样的方式进行估计与实割实测，通过少数调查点的灾情信息推测整个区域内的灾情严重度。
4.如何快速、客观、准确地评估玉米倒伏灾情严重度，是亟待解决的问题。


技术实现要素：

5.针对现有技术存在的问题，本发明实施例提供一种作物倒伏无人机监测方法及装置。
6.本发明提供一种作物倒伏无人机监测方法，包括：确定目标地块内目标作物的无人机图像；
7.根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征；
8.将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；
9.所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
10.根据本发明提供的一种作物倒伏无人机监测方法，所述倒伏等级分类模型是基于最大似然分类器构建的；所述目标植被指数包括所述目标作物的无人机图像内每个像元对应的像元植被指数；所述目标纹理特征包括所述目标作物的无人机图像内每个像元对应的像元纹理特征；所述目标作物的倒伏等级包括所述目标作物的无人机图像内每个像元对应的像元倒伏等级；
11.所述将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级，包括：
12.将所述目标作物的无人机图像内各个像元的像元植被指数和像元纹理特征进行叠加组合，构建分类数据集；
13.利用所述倒伏等级分类模型对所述分类数据集进行分类，获取所述目标地块内目标作物的倒伏等级的空间分布图；
14.根据所述空间分布图，确定所述目标作物的无人机图像内每个像元对应的像元倒
伏等级。
15.根据本发明提供的一种作物倒伏无人机监测方法，所述根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征，包括：
16.在所述目标作物的无人机图像中，提取每个波段的反射率；
17.根据所述每个波段的反射率，获取所述目标作物的无人机图像内每个像元的像元植被指数；
18.并对所述目标作物的无人机图像进行主成分分析，确定主成分分量；
19.基于灰度共生矩阵方法，根据所述主成分分量，确定所述目标作物的无人机图像内每个像元的像元纹理特征。
20.根据本发明提供的一种作物倒伏无人机监测方法，所述倒伏等级包括：严重倒伏、中度倒伏、轻度倒伏和未倒伏；
21.所述倒伏等级分类模型是基于以下方法确定的：
22.将每个样本图像对应的样本植被指数、样本纹理特征以及样本倒伏等级作为一个训练样本，获取多个训练样本；
23.利用所述多个训练样本对初始分类模型进行训练，获取所述倒伏等级分类模型。
24.根据本发明提供的一种作物倒伏无人机监测方法，在所述确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级之后，所述方法还包括：
25.在所述空间分布图中，确定每个像元的像元倒伏等级和样本倒伏等级；
26.根据所述每个像元的像元倒伏等级和样本倒伏等级，建立转移混淆矩阵；
27.根据所述转移混淆矩阵，确定所述目标作物的倒伏等级的监测精度。
28.根据本发明提供的一种作物倒伏无人机监测方法，所述确定目标地块内目标作物的无人机图像，包括：
29.对无人机采集的多张目标地块内的初始多光谱图像进行筛选，确定多个子图像；
30.利用农业多光谱图像模板，对所述多个子图像进行拼接，确定所述目标作物的无人机图像。
31.本发明还提供一种作物倒伏无人机监测装置，包括：
32.第一确定模块，用于确定目标地块内目标作物的无人机图像；
33.获取模块，用于根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征；
34.第二确定模块，用于将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；
35.所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作物倒伏无人机监测方法的步骤。
37.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物倒伏无人机监测方法的步骤。
38.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器
执行时实现如上述任一种所述作物倒伏无人机监测方法的步骤。
39.本发明提供的作物倒伏无人机监测方法及装置，通过无人机确定目标地块的植被指数和纹理特征，能够实现地块尺度作物倒伏灾情严重度等级快速提取，为农业救灾技术扶持、玉米品种改良以及农业保险快速理赔提供可靠的信息支撑。
附图说明
40.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1是本发明提供的作物倒伏无人机监测方法的流程示意图之一；
42.图2是本发明提供的倒伏等级与玉米光谱反射率关系的柱形示意图；
43.图3是本发明提供的倒伏玉米光谱反射率的分布示意图；
44.图4是本发明提供的作物倒伏无人机监测方法的流程示意图之二；
45.图5是本发明提供的作物倒伏无人机监测装置的结构示意图；
46.图6是本发明提供的电子设备的结构示意图。
具体实施方式
47.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
48.需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
49.近年来我国中东部遭遇台风暴雨频次日益增多，玉米主产区大范围倒伏灾害时有发生，倒伏胁迫已成为玉米生产的主要灾害之一。田间获取玉米倒伏严重度信息的用户主要是农业保险公司的查勘定损人员、农业管理部门的农技推广人员以及种粮农户。
50.近年来无人机成像技术发展迅猛，已广泛应用于地块尺度的作物苗情、灾情和产量信息的快速获取，可以为作物突发性灾情评估提供坚实的数据和技术支撑。利用无人机成像数据监测地块尺度的玉米倒伏灾情，获取地块内玉米倒伏面积和灾情严重度等级等精细信息，并根据灾情准确推算产量减损率，有助于提升灾情诊断的精度和客观性，及时开展田间防灾减灾管理与农业保险灾后理赔。
51.玉米倒伏灾情监测的背景技术主要包括主观经验判断法、田间取样分析法、卫星遥感监测法。
52.主观经验判断法是指具有丰富栽培经验的专家或农民在倒伏地块内进行目视判
断，根据经验确定地块内的倒伏严重度等级，并预测减产率，这种方法高度依赖于调查人员的主观经验，客观性不足，严重度等级判断往往因人而异，调查结果难以同时得到农民和保险企业的认可。
53.田间取样分析法是指对调查地块内的玉米植株进行破坏性取样，获取各种能表征玉米倒伏灾情程度的农学参数，或者在地块设置小样本进行玉米籽粒实割实测，这种方法的缺陷在于费时费力，受工作量限制，往往只能选择数量有限的样本进行实测，样本量与工作量成反比，存在代表性、时效性和客观性不足的缺陷。
54.此外，耕地地块内玉米倒伏程度参差不齐，存在较大的空间变异性，小样本的农学参数和产量信息难以代表整个地块的倒伏严重度。
55.卫星遥感监测法是指利用卫星遥感影像所表征的倒伏冠层光谱特征信息实现大范围玉米倒伏灾情严重度的识别，该方法省时省力，适用于大范围的倒伏灾情监测，其缺陷在于灾情监测结果受遥感影像空间分辨率的限制，空间分辨率高的卫星影像往往重访周期较长，倒伏发生时往往多云多雨，空间分辨率与时间分辨率相互矛盾的问题限制了卫星影像的保障能力；当地块内部倒伏灾情空间变异性较大时，卫星遥感监测法难以实现地块尺度的灾情精确诊断。
56.无人机成像技术具有快速应急、机动灵活的监测能力，特别适用于玉米倒伏突发性高、天气多变的状态，利用无人机成像技术监测地块尺度玉米倒伏灾情严重度，具有客观性强、时效性高、响应迅速等优点，且成本较低，仅需少量人员即可实现百亩级、千亩级的玉米倒伏灾情全覆盖监测，对于提升农业管理部门的科学管理水平和农业保险公司快速理赔能力具有重要改进作用。
57.下面结合图1至图6描述本发明实施例所提供的作物倒伏无人机监测方法及装置。
58.图1是本发明提供的作物倒伏无人机监测方法的流程示意图之一，如图1所示，包括但不限于以下步骤：
59.首先，在步骤s1中，确定目标地块内目标作物的无人机图像。
60.其中，目标地块内的目标作物可以是玉米、小麦、水稻等粮食作物，在本发明后续实施例中均以对玉米为例进行说明，其不视为对本发明保护范围的限定。
61.玉米发生倒伏后群体结构发生较大变化，影响无人机成像传感器视场内茎、叶、穗的光谱贡献比例与受光条件，导致倒伏玉米冠层的光谱特征和纹理特征相较于正常玉米冠层发生改变，且不同倒伏程度的变化幅度有一定的差异。
62.因此，不同严重程度的玉米倒伏冠层在无人机多光谱影像上会表现出显著的光谱特征和纹理特征差异，这是无人机成像技术监测玉米倒伏灾情严重度等级的基础。
63.具体地，利用无人机对目标地块进行多光谱影像采集，利用采集到的图像，确定目标作物的无人机图像。
64.目标作物的无人机图像为多光谱图像。
65.进一步地，在步骤s2中，根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征。
66.具体地，对目标作物的无人机图像进行光谱特征分析，提取每个波段的反射率，以得到目标作物的无人机图像中每个像元的像元植被指数。像元植被指数可以包括：比值植被指数(rvi)、归一化植被指数(ndvi)、垂直植被指数(pvi)、土壤调节植被指数(savi)、差
值环境植被指数(dvi)等。
67.同时，对目标作物的无人机图像进行主成分分析，得到目标作物的无人机图像中每个像元的像元纹理特征。
68.进一步地，在步骤s3中，将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
69.倒伏等级包括：严重倒伏、中度倒伏、轻度倒伏和未倒伏。
70.具体地，利用最大似然分类法对目标作物的无人机图像中每个像元的像元植被指数和像元纹理特征进行分类，得到目标作物的无人机图像中每个像元的像元倒伏等级。
71.本发明提供的作物倒伏无人机监测方法，通过无人机确定目标地块的植被指数和纹理特征，能够实现地块尺度作物倒伏灾情严重度等级快速提取，为农业救灾技术扶持、玉米品种改良以及农业保险快速理赔提供可靠的信息支撑。
72.可选地，所述确定目标地块内目标作物的无人机图像，包括：
73.对无人机采集的多张目标地块内的初始多光谱图像进行筛选，确定多个子图像；
74.利用农业多光谱图像模板，对所述多个子图像进行拼接，确定所述目标作物的无人机图像。
75.无人机采集的多光谱影像，具有绿光、红光、红边、近红外波段，成像时间为玉米倒伏后7天左右。影像预处理流程主要包括：
76.首先，进行影像筛选。将无人机起飞和降落过程中、质量较差的影像删除，得到多个子图像，以保证影像拼接质量。
77.其次，对子图像进行影像拼接。利用pix4d mapper软件的农业多光谱模板对筛选后的所有单幅影像进行拼接，得到地表物体真实反射率多光谱影像，作为目标作物的无人机图像。
78.影像地理坐标系gcs_wgs_1984，投影坐标系utm_zone_50n，空间分辨率为0.05m。
79.根据本发明提供的作物倒伏无人机监测方法，针对无人机多光谱影像空间分辨率较高的特点，将无人机多光谱影像作为数据源，分辨率可达厘米级，远高于卫星影像，提取玉米倒伏的精度更高，适用于地块尺度的小范围倒伏等级监测。
80.可选地，所述倒伏等级包括：严重倒伏、中度倒伏、轻度倒伏和未倒伏；
81.所述倒伏等级分类模型是基于以下方法确定的：
82.将每个样本图像对应的样本植被指数、样本纹理特征以及样本倒伏等级作为一个训练样本，获取多个训练样本；
83.利用所述多个训练样本对初始分类模型进行训练，获取所述倒伏等级分类模型。
84.在预处理后的无人机多光谱影像中，随机选取不同倒伏严重程度的玉米区作为训练样本，提取其光谱反射率并统计区域内不同倒伏程度玉米各波段反射率的均值和标准差。
85.图2是本发明提供的倒伏等级与玉米光谱反射率关系的柱形示意图，如图2所示，横坐标为波段，纵坐标为光谱反射率。
86.未倒伏玉米和不同倒伏程度的玉米光谱反射率在4个波段间变化特征是一致的，
均在红光波段较低，在近红外波段较高；在不同波段，倒伏玉米光谱反射率均高于未倒伏玉米，且倒伏程度越严重，光谱反射率越高，重度倒伏导致有些植株干枯，因而近红外波段反射率有所下降，但仍高于未倒伏和轻度倒伏玉米。
87.因此，可以通过对比分析未倒伏、轻度倒伏、中度倒伏、重度倒伏玉米的光谱反射率差异，从而筛选出与倒伏严重度密切相关的植被指数和纹理特征。
88.获取多个样本图像，将每个样本图像对应的样本植被指数、样本纹理特征以及样本倒伏等级作为一个训练样本，获取多个训练样本；并基于最大似然分类器构建初始分类模型。
89.进一步地，利用多个训练样本对初始分类模型进行训练，获取倒伏等级分类模型。
90.可选地，所述根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征，包括：
91.在所述目标作物的无人机图像中，提取每个波段的反射率；
92.根据所述每个波段的反射率，获取所述目标作物的无人机图像内每个像元的像元植被指数；
93.并对所述目标作物的无人机图像进行主成分分析，确定主成分分量；
94.基于灰度共生矩阵方法，根据所述主成分分量，确定所述目标作物的无人机图像内每个像元的像元纹理特征。
95.玉米发生倒伏后，原冠层结构崩塌，茎秆比例显著增加，叶片比例则下降，从而导致不同倒伏程度各波段反射率上升。
96.图3是本发明提供的倒伏玉米光谱反射率的分布示意图，如图3所示，未倒伏玉米相比，不同倒伏程度玉米的光谱反射率增幅如图3所示，轻度倒伏玉米光谱反射率增幅在24.54％至32.28％之间，中度倒伏玉米光谱反射率增幅在47.84％至66.03％之间，重度倒伏玉米光谱反射率增幅在37.83％至205.79％之间，由此说明倒伏程度越严重，光谱反射率增幅越高；同一种倒伏程度下在可见光红波段的增幅均大于近红外波段。
97.不同倒伏程度的玉米光谱在无人机影像上大的光谱反射率差异，是利用无人机监测玉米倒伏灾情严重等级的依据。
98.表1为植被指数计算公式，植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。从无人机多光谱影像提取各种波段的反射率，按表1中的公式计算各种植被指数，得到ndvi、绿光归一化差值植被指数(gndvi)、savi、重归一化植被指数(rdvi)图像。
99.表1植被指数计算公式
100.101.其中，ρ
nir
、ρ
red
、ρ
green
分别为无人机影像近红外、红光和绿光波段的反射率；l在中等植被覆盖度区一般取0.5；dvi为差值植被指数，由近红外波段反射率减去红光反射率而得到。
102.无人机多光谱影像共有4个波段，为避免数据冗余和减少计算量，对多光谱影像进行主成分分析，前2个主成分分量包含所有波段97％左右的信息，进而对前2个主成分提取图像纹理特征。
103.灰度共生矩阵反映了灰度的分布特性以及在空间范围内呈现重复、交替或某种特定规律的变化，是有关图像灰度变化的二阶统计特征。基于灰度共生矩阵算法提取2个主成分图像的均值、方差、协同性、相异性、对比度、信息熵、二阶矩、相关性共16个纹理特征。滤波窗口设为7
×
7，空间相关性矩阵偏移量x和y均为1，灰度质量级为64。
104.可选地，所述倒伏等级分类模型是基于最大似然分类器构建的；所述目标植被指数包括所述目标作物的无人机图像内每个像元对应的像元植被指数；所述目标纹理特征包括所述目标作物的无人机图像内每个像元对应的像元纹理特征；所述目标作物的倒伏等级包括所述目标作物的无人机图像内每个像元对应的像元倒伏等级；
105.所述将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级，包括：
106.将所述目标作物的无人机图像内各个像元的像元植被指数和像元纹理特征进行叠加组合，构建分类数据集；
107.利用所述倒伏等级分类模型对所述分类数据集进行分类，获取所述目标地块内目标作物的倒伏等级的空间分布图；
108.根据所述空间分布图，确定所述目标作物的无人机图像内每个像元对应的像元倒伏等级。
109.将无人机影像提取的每个像元的像元植被指数、像元纹理特征图像进行叠加组合，作为玉米倒伏严重等级遥感的分类数据集，
110.采用最大似然分类器进行监督分类，通过各种特征集信息的自我聚类实现类别划分。分类体系包括未倒伏玉米、轻度倒伏玉米、中度倒伏玉米、重度倒伏玉米和其他地物(阴影与土壤)，将分类后5种类别赋以不同颜色表示，制作玉米倒伏严重等级空间分布图。
111.根据所述空间分布图，确定所述目标作物的无人机图像内每个像元对应的像元倒伏等级。
112.可选地，在所述确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级之后，所述方法还包括：
113.在所述空间分布图中，确定每个像元的像元倒伏等级和样本倒伏等级；
114.根据所述每个像元的像元倒伏等级和样本倒伏等级，建立转移混淆矩阵；
115.根据所述转移混淆矩阵，确定所述目标作物的倒伏等级的监测精度。
116.表2为玉米倒伏严重等级无人机监测结果精度评价，将目视解译的验证样本倒伏等级叠加于倒伏程度分类图上，提取样本对应的玉米倒伏等级遥感识别结果，建立转移混淆矩阵，从生产精度、用户精度、错分误差、漏分误差、总体精度、kappa系数等方面评价监测精度。
117.表2玉米倒伏严重等级无人机监测结果精度评价
[0118][0119]
根据本技术提供的作物倒伏无人机监测方法，由于地块内的玉米倒伏并不是均一的，一般都是各种严重度等级混杂的，的高空间分辨率和多种特征信息融合，可以有效判定监测耕地地块内每个像元的玉米倒伏严重等级，适用于地块尺度的精细监测，进而为农业保险中的查勘定损提供技术支撑。
[0120]
本发明以无人机多光谱影像为数据源，筛选玉米倒伏密切相关的植被指数和纹理特征，形成玉米倒伏监测特征数据集，采用最大似然分类算法提取地块内玉米严重倒伏、中度倒伏、轻度倒伏和未倒伏的空间分布信息，实现地块尺度玉米倒伏灾情严重等级空间制图。
[0121]
图4是本发明提供的作物倒伏无人机监测方法的流程示意图之二，如图4所示，包括：
[0122]
首先，获取无人机多光谱影像。无人机可以在玉米倒伏后任意时间点快速应急监测，20分钟即可完成倒伏地块的多光谱影像获取，30分钟即可完成地块内玉米倒伏严重等级提取与制图，有效提升了田间倒伏灾情诊断的时效性。
[0123]
此外，无人机可以获取整个玉米地块的全覆盖影像，提取所有倒伏灾情程度的斑块面积与空间分布，避免取样分析法中以点代面的代表性不足问题。
[0124]
进一步地，一方面，基于无人机多光谱影像，对于不同倒伏程度玉米进行光谱特征分析，构建植被指数，并得到验证样本和训练样本；另一方面，对无人机多光谱影像进行主成分分析，提取纹理特征。
[0125]
进一步地，利用训练样本、植被指数和纹理特征，利用最大似然分类法，得到无人机多光谱影像对应的玉米倒伏等级。
[0126]
进一步地，利用验证样本对得到的玉米倒伏等级进行分类精度评价，得到错分误差、漏分误差、生产精度、用户精度、总体分类精度和kappa系数等评价结果。
[0127]
根据本发明提供的作物倒伏无人机监测方法，玉米倒伏严重度的监测依据来源于无人机影像的光谱、植被指数和纹理特征，监测全程人为干预较少，降低了灾情诊断的主观判断误差。
[0128]
图5是本发明提供的作物倒伏无人机监测装置的结构示意图，如图5所示，包括：
[0129]
第一确定模块501，用于确定目标地块内目标作物的无人机图像；
[0130]
获取模块502，用于根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征；
[0131]
第二确定模块503，用于将所述目标植被指数和所述目标纹理特征输入至倒伏等
级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；
[0132]
所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
[0133]
首先，第一确定模块501确定目标地块内目标作物的无人机图像。
[0134]
其中，目标地块内的目标作物可以是玉米、小麦等田间作物，在本发明后续实施例中均以对玉米为例进行说明，其不视为对本发明保护范围的限定。
[0135]
玉米发生倒伏后群体结构发生较大变化，影响无人机成像传感器视场内茎、叶、穗的光谱贡献比例与受光条件，导致倒伏玉米冠层的光谱特征和纹理特征相较于正常玉米冠层发生改变，且不同倒伏程度的变化幅度有一定的差异。
[0136]
因此，不同严重程度的玉米倒伏冠层在无人机多光谱影像上会表现出显著的光谱特征和纹理特征差异，这是无人机成像技术监测玉米倒伏灾情严重度等级的基础。
[0137]
具体地，利用无人机对目标地块进行多光谱影像采集，确定目标作物的无人机图像。
[0138]
目标作物的无人机图像为多光谱图像。
[0139]
进一步地，获取模块502根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征。
[0140]
具体地，对目标作物的无人机图像进行光谱特征分析，提取每个波段的反射率，以得到目标作物的无人机图像中每个像元的像元植被指数。像元植被指数可以包括：rvi、ndvi、pvi、savi和dvi等。
[0141]
同时，对目标作物的无人机图像进行主成分分析，得到目标作物的无人机图像中每个像元的像元纹理特征。
[0142]
进一步地，第二确定模块503将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
[0143]
倒伏等级包括：严重倒伏、中度倒伏、轻度倒伏和未倒伏。
[0144]
具体地，利用最大似然分类法对目标作物的无人机图像中每个像元的像元植被指数和像元纹理特征进行分类，得到目标作物的无人机图像中每个像元的像元倒伏等级。
[0145]
本发明提供的作物倒伏无人机监测装置，通过无人机确定目标地块的植被指数和纹理特征，能够实现地块尺度作物倒伏灾情严重度等级快速提取，为农业救灾技术扶持、玉米品种改良以及农业保险快速理赔提供可靠的信息支撑。
[0146]
需要说明的是，本发明实施例提供的作物倒伏无人机监测装置，在具体执行时，可以基于上述任一实施例所述的作物倒伏无人机监测方法来实现，对此本实施例不作赘述。
[0147]
图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行作物倒伏无人机监测方法，该方法包括：确定目标地块内目标作物的无人机图像；根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征；将所述目标植被指数和所述目标纹理特征输入
至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
[0148]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0149]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的作物倒伏无人机监测方法，该方法包括：确定目标地块内目标作物的无人机图像；根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征；将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
[0150]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的作物倒伏无人机监测方法，该方法包括：确定目标地块内目标作物的无人机图像；根据所述目标作物的无人机图像，获取所述目标地块的目标植被指数和目标纹理特征；将所述目标植被指数和所述目标纹理特征输入至倒伏等级分类模型，确定由所述倒伏等级分类模型输出的所述目标地块内目标作物的倒伏等级；所述倒伏等级分类模型是基于样本植被指数、样本纹理特征，以及与样本植被指数和所述样本纹理特征对应的样本倒伏等级训练得到的。
[0151]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0152]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0153]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。