АВТОМАТИЗИРОВАННОЕ ОБНАРУЖЕНИЕ СОРНЯКОВ И ОЦЕНКА КАЧЕСТВА ВСХОДОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР ПО RGB-ИЗОБРАЖЕНИЯМ

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.

RGB-изображения, БПЛА, модифицированный индекс TGI, автоматизированный метод, обнаружение сорняков, оценка качества всходов

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.