一.はじめに

小麦は世界三大食糧作物の一つとして、世界40%人口の主食源。小麦は我が国の主要な食糧作物の一つとして、栽培範囲は非常に広い。専用品種小麦の生育状況は我が国の国民経済発展に重要な役割を果たしているため、小麦の成長傾向を効率的かつ非破壊的に監視し、小麦の生産量をタイムリーかつ正確に予測することが特に重要になっている。

二、技術構想と主な内容

奥譜天成全国的に生産化されたマルチスペクトルイメージャ、10種類の異なる品種の小麦を研究対象とし、一方ではマルチスペクトルカメラで採取した小麦の花揚の早さ、晩期の映像データを利用し、映像計算した植生指数を利用して異なるカメラ下の小麦の花揚の早期と晩期の葉緑素反転モデルを構築し、一方、ドローンマルチスペクトルを用いて小麦グラウト中期の高解像度映像を取得し、色特徴と植生指数に基づいて小麦グラウト中期のクロロフィルと小麦収量反転モデルを構築した。

図1 総合技術コース

実装する内容：

1）マルチスペクトル画像の前処理：マルチスペクトルを利用して小麦畑の可視光とマルチスペクトル画像を収集する場合、後続の画像処理の統一性を保証するために、人為的に事前に露出時間、絞りなどのパラメータを設定する必要がある。映像を収集した後、後続の実験定量化の使用を容易にするために、映像データの取得に対して放射線補正、影響接合、補正、幾何補正、映像裁断などの前処理操作を行う必要がある。

2）可視光とマルチスペクトル画像に基づく小麦葉緑素含有量の反転：10個の異なる品種の小麦を研究対象とし、可視光とマルチスペクトルカメラを利用して小麦の花揚げの早さ、晩期の映像データを取得した。実測した小麦葉緑素含有量と2種類の画像を用いて多植生指数の相関分析を計算し、反転小麦葉緑素含有量**の植生指数を選択した。最後に、選択された植生指数に基づいて、異なるカメラ下の小麦の揚花期と晩期の葉緑素含有量反転モデルを構築した。

3）高解像度ドローン映像に基づく小麦葉緑素及び収量反転：ドローン搭載のマルチスペクトルカメラを用いて取得小麦グラウト中期の画像データ。偏最小二乗アルゴリズムを導入し、実測パラメータとの相関性が最も高い複数の特徴を引数として選別し、小麦グラウト中期クロロフィルと小麦収量反転モデルをそれぞれ構築した。

4）無人搭載マルチスペクトル相飛行機は1ヶ月に1回、長時間シーケンスの監視映像データに基づいて、正確な監視に参考根拠を提供する。

技術上の要点

マルチスペクトル画像前処理

センサ自体の特性、天候など多くの要素に制限されているため、データ取得過程で誤差が生じるのは避けられず、これらの誤差は映像データの品質を低下させるだけでなく、後続の影響分析の精度にも影響を与える。そのため、マルチスペクトルリモートセンシング画像解析を行う前に、元の画像に対して行う必要がある前処理操作。画像データ前処理フローチャートを図のように示す2に示す。

図2 映像データ前処理フローチャート

（1）放射線補正：ドローンは飛行中に，光や天候によって，取得した画像はスペクトル次元上の会議ひずみが生じる。ために保後続映像の連結任務が順調に完成したことを証明し、 データの放射線補正が必要です。本文中の可視光画像放射線補正は擬似を採用している ひょうじゅんちぶつほう——ホワイトボード法，地上目標で測定した反射率により画像の値を画像反射率に変換する，かなりリアルの反映地表反射率，これにより、試験の要求と目的を達成する。マルチスペクトル画像放射線補正Yes使用する奥譜天成マルチスペクトルイメージャが持参したデータ処理ソフトウェアで完成した。

（2）正射補正：ドローンは映像データを収集する際に，自然風の影響を受けた機体いいえディザリングを回避、傾斜などの場合、同時にカメラレンズも飛行姿勢の変化により投影変形を引き起こす，そのため映像の補正が必要である。正射補正は、補正変換関数に基づいて元の画像の画素を補正画像の座標系に1つずつ変換する。その処理フローを図3を参照してください。

図3 ドローン画像の補正処理フロー

（3)ジオメトリ修正：無人機が持参する測位システムの精度は限られている上に、飛行中に空気流、風速、風向などの外部要因の影響を受けやすく、画像を取得する地理座標と実際の座標に誤差があるため、地上制御点の高精度測位システムの座標データを通じて航空写真に対する音を幾何学的に補正する。

バイアス最小二乗回帰

実際の問題では、2組の多重相関変数間の相互依存関係を研究する必要があることがよくあり、最小二乗基準の古典的な多元線形回帰分析（MLR）、引数成分の主成分回帰分析（PCR の）などの方法のほか、近年発展してきた偏最小二乗（PLS)回帰方法。

偏最小二乗回帰は多対多線形回帰モデル化の方法を提供し、特に2組の変数の個数が多く、いずれも多重相関が存在し、観測データの数（サンプル量）が少ない場合、偏最小二乗回帰で構築されたモデルは伝統的な古典回帰分析などの方法にはない利点がある。偏最小二乗回帰分析はモデリング過程で主成分分析、典型的な相関分析と線形回帰分析方法の特徴を集中しているため、分析結果の中で、より合理的な回帰モデルを提供することができるほか、 主成分分析と典型的な相関分析に類似した研究内容を同時に完成し、より豊富なものを提供する、詳細な情報。

植生の各種指数計算式

表1 植生指数計算式

四.方案の実施

4.1多スペクトル無人機飛行サービス

マルチスペクトルイメージングとは、複数のスペクトル帯域を同時に取得できることを意味する（通常はそれ以上3個）、可視光に加えて赤外光と紫外光の2方向に広がるスペクトル検出技術。一般的な実装方法は、同じタイミングで同じターゲットを異なるタイミングで受信するために、さまざまなフィルタまたは分光器とデジタルイメージセンサの組み合わせによって狭いスペクトル帯域の範囲内で放射または反射された光信号は、ターゲットがいくつかの異なるスペクトル帯域の写真を得る。マルチスペクトル画像はイメージング分光器によって取得され、マルチスペクトルイメージャはスペクトル特徴と空間画像情報を同時に取得できる装置であり、光電イメージングシステムの発展の重要な方向である。マルチスペクトルイメージングシステムは、3まで20この非連続波帯の画像は、農業や食品分野で広く使われている。イメージングの原理から言えば、マルチスペクトルイメージング技術は入射する全帯域または広帯域の光信号をいくつかの光信号に分けることである狭い帯域のビームをそれぞれ対応する検出器に結像し、異なるスペクトル帯域の画像を得る。そのため、利用が多いスペクトル特性は植生と非植生を分離し、ドローンと結合することができ、実現することができる植生健康状態解析。

ドローンが多いスペクトルには次の特徴があります。

採集速度が速い。マルチスペクトルはその採集帯域が比較的に少ないため、採集速度が比較的に速い；

複雑性が低い。帯域数の制限により、マルチスペクトルは複雑性が低く、理解と応用が容易で、処理作業は相対的に少ない。

データ量が豊富である。帯域数の増加に伴い、データ量は指数関数的に増加した。空間領域情報とスペクトル領域情報、すなわち“スペクトル合一”また、イメージング分光器で得られたスペクトル曲線は、地上で実測された同類の地物スペクトル曲線と類比することができる。

計画された研究領域では、必要に応じて採集高スペクトル画像。具体的な手順は次のとおりです。

ドローン端の設置：ドローンの高スペクトル装置を組み立て、航高、航速を設置し、カメラパラメータと映像の重畳に応じて度の需要映像航路間隔を設定する、

カメラ側の設定：航空高航速に基づいてカメラのフレームレートを設定し、白板測定値に基づいて積分時間（露光時間）を設定する、

標準反射率ホワイトボード：航路領域に標準反射率ホワイトボードを配置し、映像を収集する際にホワイトボードを撮影する必要がある。

図8 無人機による高スペクトルデータ収集の概略図

4.2ドローンによる高スペクトル画像処理

ドローンによる高スペクトル映像データの収集後、以下の前処理作業を行う必要がある：

波長スケーリング：収集された元の画像には波長情報がなく、波長スケーリングファイルを追加する必要がある、

画像切り抜き：高スペクトル採用プッシュスキャン方式イメージングするには、採取したエリア画像を裁断する必要があります。

アライメントスプライス：裁断後の測定エリア映像に対して地理的アライメントまたは相対的アライメントを行い、その後アライメント後の映像を完全な映像にスプライスする、

放射線補正：元の画像中の値は反射強度を表し、白板反射値と標準を利用する必要がある準反射率を補正し、画像全体の反射率を計算する。

混合スペクトル分解：無人機が収集したスペクトルデータは空間分解能画像を受け、1つの画像要素の中で異なる地物または植生の混合平均からなる可能性があり、精度を高めるために、画像に対して混合スペクトル分解操作を行う必要がある、

（6）スペクトルフィルタリング（平滑化）：元の映像中のスペクトル情報には一定のノイズが存在し、応用する前にスペクトルフィルタリングを行う必要がある。

スペクトル画像処理ソフトウェアインタフェース：

図9 無人機による高スペクトル画像処理ソフトウェアインタフェースの概略図

4.3地物サンプルデータ収集

奥譜天成全国で生産化された高分光イメージャと地物分光計を用いて現地で現場調査を展開し、ドローンリモートセンシング画像の分類のために現場分類モデルの真実な訓練サンプルと分類結果の検査サンプルを提供することを目的とする。現場調査の主な内容は感染穂頸の測定であるいんちきでも平気でのイネスペクトルデータを用いて、地物分光計で収集したすべての穂頚コレライネスペクトルデータは異なる感染度の等級分割を行い、ドローンの高スペクトル映像データ処理の標準訓練サンプルデータセットとした。

4.4結果の分析

図12 植生含水量反転結果

4.4.1推定結果の信頼性

モデル精度検査は平均二乗和誤差（根平均正方エラー、RMSE）と相関係数（r）2つの指標を用いて分析を行った。

式中、nはサンプル数、サンプルiの実験室測定値、すべての検証サンプルの平均値、モデル予測値を利用するために、対応するすべての検証サンプルの予測値の平均値。RMSE値が小さいほど、R相関値が大きいほど、モデルの精度が高いことを示します。

4.4.2推定精度影響因子

反転結果の精度に影響する要因には、主に次の点が含まれます。

1. スペクトルデータ：外業データ収集時の環境影響と不確実性の人為的操作影響を受け、導撮影された高スペクトル画像の品質には一定の差がある。しかし、この要因は主要な要因ではありません。

2. 実測データ：実測データは羽根のスペクトルデータとパラメータ定量測定データを含む。計器設備や人為的な操作要素などの影響を受け、この2種類の実測データには誤差がある可能性があるが、反転結果への影響は小さい。重要なのは、この2つの実測値を測定する際の時間差が映像反転モデルの主要な要素の1つであることである。葉を摘み取ってから長時間再測定することをできるだけ避け、スペクトル測定とパラメータ定量測定を同時に行うことを保証する。

3. 反転モデル：反転モデルの構築は反転精度に影響する主要な要素である。特徴スペクトルの選択、変数の形式及び反転モデルの形式などの影響を受け、反転結果には大きな不確実性が存在する。