Инд. авторы:	Альт В.В., Пестунов И.А., Мельников П.В., Елкин О.В.
Заглавие:	Автоматизированное обнаружение сорняков и оценка качества всходов сельскохозяйственных культур по RGB-изображениям
Библ. ссылка:	Альт В.В., Пестунов И.А., Мельников П.В., Елкин О.В. Автоматизированное обнаружение сорняков и оценка качества всходов сельскохозяйственных культур по RGB-изображениям // Сибирский вестник сельскохозяйственной науки. - 2018. - Т.48. - № 5. - С.52-60. - ISSN 0370-8799.
Внешние системы:	DOI: 10.26898/0370-8799-2018-5-7; РИНЦ: 36685479;
Реферат:	eng: In this paper, we propose a method of automated data processing allowing to detect weeds and assess crop sprouts quality and quantity based on RGB images obtained by unmanned aerial vehicles (UAVs). The process consists of four main stages: 1) vegetation map generation with the use of modified Triangular Greenness Index (TGI); the index is defined as the area of a triangle formed by 3 points on a spectral curve with wavelengths of 480, 550 and 670 nm and estimates leaf chlorophyll content based on RGB images; 2) determination of the position of crop rows and spaces between rows based on the vegetation map; 3) detection of weeds and generation of an appropriate weed map; 4) division of crop rows into non-intersecting fragments and calculating vegetation density in each (the ratio of vegetation area to the total fragment area). By changing the empirically defined parameters of map thresholds of fragment density, one can obtain a map that describes quality of crop sprouts. Unlike existing methods, the proposed scheme does not require presence of infrared data and can be applied to usual RGB images with the use of wide-spread types of UAVs. The method was tested on RGB images of flax and sunflower sprouts collected with SONY ILCE6000 camera in June, 2017 in Altai Territory. The images were taken at the height of 150 m, spatial resolution was 1.5 cm/pixel. The size of each image was 6000x4000 pixels. Test results confirmed high efficiency of the proposed method. rus: Предложен автоматизированный метод обработки, позволяющий по RGB-изображениям, полученным с беспилотных летательных аппаратов (БПЛА), обнаруживать сорняки и получать количественную и качественную оценку всходов сельскохозяйственных культур. Процесс обработки включает четыре этапа: 1) построение карты растительности с использованием модифицированного треугольного индекса TGI, значение индекса TGI (Triangular Greenness Index) определяется как площадь треугольника, образованного точками на спектральной кривой с длинами волн 480, 550 и 670 нм, позволяющего оценивать количество хлорофилла в листьях по данным RGB-изображений; 2) определение положения рядов посадок и междурядий на основе построенной карты растительности; 3) обнаружение сорняков и построение соответствующей картосхемы; 4) разбиение рядов посадок на непересекающиеся фрагменты и подсчет в каждом из них значения плотности растительности (отношения площади, занятой растительностью, к общей площади фрагмента). Задавая наиденные эмпирически пороговые значения доя карты плотностей фрагментов, можно получить картосхему, характеризуюгдую качество всходов. В отличие от известных методов предлагаемый подход не использует данные в инфракрасном диапазоне и может быть применен для работы с обычными RGB-изображениями в связке с распространенными типами БШТА. Метод был протестирован на RGB-изображениях всходов льна и подсолнечника, полученных с помощью камеры SONY ILCE-6000 в июне 2017 г. в Алтайском крае. Изображения сняты с высоты 150 м, пространственное разрешение1.5 см/пиксель. Размер каждого изображения составлял 6000 х 4000 пикселей. Результаты тестирования подавердили высокую эффективность предлагаемого метода.
Ключевые слова:	weed detection; automated method; TGI modified index; Uav; RGB-images; оценка качества всходов; обнаружение сорняков; автоматизированный метод; модифицированный индекс TGI; бпла; RGB-изображения; quality assessment of sprouts;
Издано:	2018
Физ. характеристика:	с.52-60
Цитирование:	1. Huang Y., Lee M.A., Thomson S.J., ReddyK.N. Ground-based hyperspectral remote sensing for weed management in crop production. International Journal of Agricultural and Biological Engineering, 2016, vol. 9(2), pp.98-109. 2. Pena J.M., Torres-Sanchez J., de Castro A.I., Kelly M., Lopez-Granados F. Weed mapping in early-season maize fields using objectbased analysis of unmanned aerial vehicle (UAV) images. PloS ONE, 2013, vol. 8(10), DOI: 10.1371/joumal.pone.0077151 3. Pena Barragan J.M., Kelly M., Castro A.I.D., Lopez Granados F. Object-based approach for crop row characterization in UAV images for site-specific weed management. Proceedings of the 4th GEOBIA, 2012, pp. 426-431. 4. ChuT., Starek M.J., Brewer M.J., Murray S.C., Pruter L.S. Assessing lodging severity over an experimental maize (Zea mays L.) field using UAS images. Remote Sensing, 2017, vol. 9(9), pp. 923. DOI: 10.3390/rs9090923 5. Eitel J.U.H., Long D.S., Gessler P.E., HuntE.R. Combined spectral index to improve ground-based estimates of nitrogen status in dryland wheat. Agronomy Journal, 2008, vol. 100, pp. 1694-1702. 6. Makanza R., Zaman-Allah M., Cairns J.E., Magorokosho C, TarekegneA., Olsen M., Prasanna B. High-Throughput Phenotyping of Canopy Cover and Senescence in Maize Field Trials Using Aerial Digital Canopy Imaging. Remote Sens, 2018, vol. 10. DOI: 10.3390/rs10020330. 7. Pena J.M., Torres-Sanchez J., Serrano-Perez A., de Castro A.I. Quantifying Efficacy and Limits of Unmanned Aerial Vehicle (UAV) Technology for Weed Seedling Detection as Affected by Sensor Resolution. Sensors, 2015, vol. 15, pp. 5609-5626. DOI: 10.3390/sl50305609 8. Liu Т., Li R., JinX., Ding J., Rui L., Xiuliang J., Xinkai Z., Chengming S., Wenshan G. Evaluation of Seed Emergence Uniformity of Mechanically Sown Wheat with UAV RGB Imagery. Remote Sensing, 2017, vol. 9(12), pp. 1241-1256. DOI: 10.3390/rs9121241 9. Gracia-Romero A., Vergara-Diaz O., Thierfelder C, Caims J.E., Kefauver S.C., Araus J.L. Phenotyping conservation agriculture management effects on ground and aerial remote sensing assessments of maize hybrids performance in Zimbabwe. Remote Sensing, 2018, vol. 10 (2), pp. 349-370. DOI: 10.3390/rsl0020349 10. Gnadinger R, Schmidhalter U. Digital counts of maize plants by unmanned aerial vehicles (UAVs). Remote Sensing, 2017, vol. 9(6), DOI:10.3390/rs9060544 11. Bareth G., Bolten A., Hollberg J., Aasen H. Feasibility study of using non-calibrated UAVbased RGB imagery for grassland monitoring: Case study at the Rengen Long-term Grassland Experiment (RGE), Germany. DGPF Tagungsband, 2015, vol. 24, pp. 1-7. 12. Hunt E.R. Jr., Doraiswamy P.C., McMurtrey J.E. A visible band index for remote sensing leaf Chlorophyll content at the Canopy Scale. International Journal of Applied Earth Observation and Geoinformation, 2013, vol. 21, pp. 103-112. DOI: 10.1016/j.jag.2012.07.020. 13. Storn R., Price K. Differential Evolution - a Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization, 1997, vol. 11, pp. 341- 359.