基于计算机视觉的入侵植物生物量估算

我们的系统利用无人机单源感知与计算机推理，高效估算废弃物处理厂中的植物生物量，克服了在复杂环境中传统人工调查与数据采集效率低下且主观性强的问题。近年来，无人机遥感在植物生物量估算方面的进展包括高分辨率成像与多模型数据融合，这些技术进步通过提供更精确的数据支持，推动了科学研究、环境监测和农业管理的发展。无人机遥感在植物生物量估算方面的进步依赖于高分辨率传感器、多光谱/高光谱成像、GBS/INS、专用数据处理软件、人工智能与深度学习、性能提升的电池、增强的数据存储能力以及云计算。

与传统品牌农户所采用的自动化方法不同，我们提出的方法无需高速镜像服务和数据切割，对于其他建模方法而言，高光谱是一种维度分析方法，我们无需特殊要求。我们的方法能够应用于农业领域，并准确识别植物初级特征，且无需操作者具备相关经验，这正是我们的优势所在。我们实验室将继续开展无人机遥感传感器以及植物药学方面的研究，该领域前景令人惊叹。

未来，我们将致力于固件操作、深层运行生物体的研究，应用于多源数据过滤，并持续深入探究植物偏好性以及传感器术语的创新。首先，在研究区域内采用随机取样方法，采集足够数量的生物量样本，以确定土壤取样点的位置。将取样框水平放置于植被上方，完全覆盖植物，且各植物之间的最小间距应保持两米以上。

使用无人机和相机构建一套无人驾驶航空器（UAV）遥感拍摄系统。为了在指定研究区域内通过无人机绘制根系分布图，首先需设定航向重叠率为70%，保持相机与地面垂直，并在30米高度以每2秒一次的均匀时间间隔拍摄照片。运行脚本文件，将航拍影像存储下来，供后续使用Python软件进行生物量估算处理。

使用 Python 编程创建数据集时，需将原始图像数据分割为与样本图像尺寸相同的小图像。采用滑动窗口法进行分割，将水平和垂直步长均设置为 280 像素。从分割得到的小图像中随机选取 880 张入侵植物图像和 1500 张背景图像以构建数据集，然后按照 6:2:2 的比例将该数据集划分为训练集、验证集和测试集。

首先，在完成无人机数据采集后，人工采集每个样地内的地上生物量。采集时，沿样地内边缘剪取洋甘菊植株，然后从底部切断其根状茎，清除混入的泥土、石块或其他植物，最后将样品装袋并贴上标签。接着，将采集到的入侵植物样品带回实验室。

将所有样品风干以蒸发大部分水分。将样品置于55摄氏度的烘箱中干燥72小时，以去除任何残留水分。将一袋洋甘菊放在电子天平上，记录稳定后的读数（单位：克）。

完成后，再次进行校准并继续称重。每小时称量一次洋甘菊，直至质量不再变化。从读数中减去袋子的重量，得到该样品的实测质量。

最后，使用所示公式计算入侵植物的地上生物量。为准备软件，从其官方网站下载并安装 Anaconda。启动 PyCharm IDE 程序，然后打开 Anaconda 命令提示符命令行，输入 conda create -n pytorch python=3.8 以创建新的 conda 环境。

环境创建完成后，输入 conda info envs 以确认 PyTorch 环境已存在。打开 Anaconda 命令提示符，通过输入 conda activate pytorch 激活 PyTorch 环境，然后输入 nvidia-smi 查看当前的统一计算设备架构（CUDA）版本。接着，运行命令 conda install pytorch=1.8.1 torchvision=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 -c pytorch 安装 PyTorch 1.8.1 版本。

运行模型识别时，需对图像进行预处理以准备模型输入。使用显示的代码，将图像从 280×280 像素调整为 224×224 像素，并进行归一化处理，以确保满足模型的尺寸要求。利用已创建的数据集训练多类别识别模型，设置迭代次数为 200，初始学习率为 0.0001。

每10次迭代将学习率降低三分之一，批量大小为64。每次迭代后自动保存最优模型参数。右键单击并运行脚本，随后采用经过精细训练的识别模型，系统性地遍历原始图像以进行识别。

将水平和垂直步长精确设置为 280 像素，以生成全面的分布图，突出显示研究区域内入侵植物的存在情况。以可视化方式展示所选结果。使用随机裁剪缩放和随机水平翻转函数进行简单的数据增强，以扩展图像集并提取六种植被指数。

为了准确定量评估入侵植物的生物量，利用输出结果和提取的植被指数作为输入，构建KNN最近邻回归模型。小花蔓泽兰（Mikania micrantha）被观察到攀附在开有白色花朵的植物上，而其他植物、道路及周边要素则统一呈现在背景中。该模型将红色区域识别为小花蔓泽兰，表明其在复杂背景下具有较强的检测能力。

回归分析显示出较强的预测性能，R²值为0.62，均方根误差（RMSE）为10.56克/平方米。该模型提高了洋甘菊生物量估算的准确性，且空间分布图有效反映了洋甘菊生物量的分布情况。