T/ZJNJ 0020-2023
無人航空機低空リモートセンシングを用いたイネ育種における作物表現型解析の技術仕様 (英語版)

規格番号
T/ZJNJ 0020-2023
言語
中国語版, 英語で利用可能
制定年
2024
出版団体
Group Standards of the People's Republic of China
最新版
T/ZJNJ 0020-2023
 

 

範囲

UAV 機器の要件 5.1 UAV は次の性能を備えている必要があります: a) ペイロードは使用する航空機搭載センサー機器の重量より大きくなければなりません; b) 耐久時間は ≥15 分です; c) 飛行姿勢と傾斜角は安定しています度の誤差、ピッチ角安定性およびヨー角安定性が ≤3°である; d) レベル 4 の風に耐えることができる; e) 自律障害物回避機能がある; f) GNSS-RTK 測位技術、レベル測位を備えた UAV を使用するのが適切である精度 ≤ 3cm、垂直位置決め精度 ≤ 5cm; g) 二次開発用に開発可能な PTZ インターフェイスを備えており、搭載可能なセンサー機器の拡張が容易; h) ロールおよびピッチ機能を備えており、マウント装備、3軸ヨー安定化効果のあるジンバル拡張モジュール。 5.2 屋外環境は、UAV 低高度リモート センシング プラットフォームの使用環境の要件を満たしている必要があります。 条件は以下のとおりです: a) 温度: 10℃~50℃; b) 風速: 0 m/s~8.0 m/s; c) 相対湿度: 0%~95%; d) 視界が良好でないこと。 120m/s未満; e) 太陽高度角(太陽光の入射方向と地表との間の角度)は30°〜90°である必要があります; f) 光合成光子束密度値は、光合成活性放射計の範囲は400μmol・m-2・s-1~2200μmol・m-2・s-1です。 6 UAV リモートセンシング支援装置の一般要件 UAV リモートセンシング支援装置は、航空機搭載センサ装置と補助装置から構成されます。 航空機搭載センサー機器には、RGB イメージング センサー、マルチスペクトル イメージング センサー、ハイパースペクトル イメージング センサー、ライダー センサーなどが含まれるべきであり、補助機器には、無人機器とリモートセンシング機器の通常の動作に必要なコンポーネント。 航空機搭載センサーの説明 RGB イメージング センサー RGB イメージング センサーの主な性能要件は次のとおりです: a) カメラ レンズは固定焦点レンズであり、無限遠に焦点を合わせる必要があります; b) 有効イメージング サイズは 1/2 インチ以上である必要があります。 ; c) 最大画像サイズ 2,000 万ピクセル以上である必要があります; d) 最大シャッター速度は 1/500 秒以上である必要があります。 マルチスペクトル イメージング センサー マルチスペクトル イメージング センサーの主な性能要件は次のとおりです: a) カメラ レンズは固定焦点レンズであり、無限遠に焦点を合わせる必要があります; b) スペクトル バンドの数は 3 以上である必要があり、少なくとも 1 つの非可視光バンドであること; c) イメージング フレーム レートは 1 秒あたり 1 フレーム未満であってはなりません; d) 画像の地上解像度は 10cm/ピクセル未満であってはなりません (動作高さにおいて)。 ハイパースペクトル イメージング センサー ハイパースペクトル イメージング センサーの主な性能指標要件は次のとおりです: a) カメラ レンズは固定焦点レンズであり、無限遠で焦点を合わせる必要があります; b) 帯域範囲は一般に可視光、近赤外、短波長の範囲内にあります。 波赤外線帯域範囲; c) 一般に、プッシュほうきとスナップショットのイメージング方法があります。 LiDAR センサー LiDAR センサーの主な性能指標要件は次のとおりです: a) 走査線の数は通常 16 以上です; b) 測距精度は 3 cm 以上です; c) 走査周波数は 5 以上ですヘルツ。 補助装置の要件 光合成活性放射計 光合成活性放射計の主な機能と性能指標の要件は次のとおりです。 a) 光合成のための植生の日射量を 400nm~700nm の帯域範囲で測定します。 単位は μmol です。 ·m-2·s- 1. 航空機搭載センサーの露出パラメータの設定に使用される; b) 測定画角は 180°である; c) 応答時間は 1 ms 未満である; d) 適切な光合成光子束密度値の範囲一般的なUAV運用では400μmol・m-2・s-1~2200μmol・m-2・s-1です。 放射線校正ボード 放射線校正ボードの主な機能と性能指標の要件は次のとおりです: a) マルチスペクトルおよびハイパースペクトル航空センサーによって取得された元のピクセル輝度値 (デジタル番号、DN) を地上物体のスペクトル反射率に校正します。 表面はランバートの法則に従い、どの角度から見ても同じ放射輝度を持ちます。 c) 少なくとも 1 枚の放射線校正プレートを使用する必要があります。 色補正プレート 色補正プレートの主な機能と性能指標要件は次のとおりです。 図 1 に示すように、取得した RGB 画像は、24 の標準色情報を含むカラー カードを通じて色補正され、画像の色情報の精度が保証されます。 。 画像コントロール ポイントとフィールド レイアウト図の例を図 2 に示します。 その主な機能とレイアウト要件は次のとおりです。 a) 画像コントロール ポイントの正確な RTK 座標を測定することにより、画像コントロール ポイントの幾何学補正と地理座標位置決めを実行します。 複数の画像データセットの空間的一貫性を保証するための実座標情報を取得するための画像; b) 画像制御点をレイアウトする原則は、一般に、画像制御点によって取得された各画像上に 1 ~ 2 つの画像制御点が存在するように努めることです。 画像制御点の選択は、研究対象の物体を妨げないことが原則です。 7 データ収集要件 気象条件に関する基本的な要件については、5.2 を参照してください。 屋外環境は、UAV 低高度リモートセンシングプラットフォームの使用環境の要件を満たす必要があります。 ルート計画の基本要件 ルート計画の基本要件は次のとおりです: a) センサー サイズ、ピクセル サイズ、最小撮影間隔などのミッション要件に従って適切な航空機センサー パラメーターを設定する; b) ルートと飛行高度を合理的に計画するターゲットフィールドを完全にカバーすることを保証するため; c) 見出し/横方向のオーバーラップを設定します 画像ステッチングの品質を保証するために、オーバーラップは少なくとも 40% に設定する必要があり、70% にすることをお勧めします; d)ドローン飛行の安全を確保するために、地上の高圧線、無線、その他の施設、飛行禁止区域などの空中干渉源を回避するルート運用エリアを設定します。 データ収集頻度の基本要件 データ収集頻度の基本要件は以下のとおりです: a) 分げつ期、接結期、充填期、成熟期においては 2 週間に 1 回以上、b) 穂立ち期、初期出穂期においては 2 週間に 1 回以上、および完全出穂期では、収集は少なくとも週に 1 回実行する必要があります; c) 特別なニーズがある場合は、収集頻度を適切に増やす必要があり、1 ~ 2 日に 1 回にすることができます; d) 連続した日数が経過した後雨天の場合は、データが欠落している期間を補うために、できるだけ早くデータ収集を実行する必要があります。 UAV 飛行検査では、UAV、センサー、その他の機器を各飛行の電源を入れる前後に検査する必要があります。 詳細については、付録 C を参照してください。 8 リモートセンシングデータの前処理方法テストの準備: まず、航空機センサーパラメータを校正するために既知の幾何学的パラメータを持つ校正オブジェクトデータのセットを収集し、次に校正によって得られたパラメータを使用して歪みモデルを適合させ、最後に歪みモデルを適用して補正します。 元の画像。 一般的なレンズの歪みはラジアル歪みとタンジェンシャル歪みに分けられ、補正式例は付録D.1.1を参照してください。 ケラレ補正では、まず画像内のグレー値の変化に適合する適切な関数を選択し、次にケラレ画像内のグレー値の変化を説明できるケラレモデルを構築し、最後にこのモデルに基づいて各ピクセルの補正係数を取得します。 元の画像を修正します。 色補正: 各セットの写真を撮影する前に、まずオンボードセンサーを使用して、撮影対象と一致する照明条件下で 24 色の標準カラーカードを撮影し、次にカメラパラメータを変更せずにオブジェクトを撮影します。 これをコーナーポイント認識アルゴリズムと組み合わせて、標準カラーカードの自動認識を実現し、各カラーブロックの平均RGBカラー値をカラーカードが提供する標準カラー値にマッピングし、カラーで多項式フィッティングを実行します。 最終的な補正画像を取得するためのスペース。 画像スティッチングでは、画像スティッチングソフトウェアを通じて特徴点を自動的に検出し、一致した特徴点を使用して画像間の変換関係を計算し、画像の位置合わせを行い、画像の重なり部分をミキシングやグラディエントフュージョンなどの方法で処理して整合性を確保します。 画像間の遷移は自然であり、最終的に画像が融合されて高精度のオルソ写真が生成されます。 放射線補正では、まず既知の反射率情報を持つ複数の補正プレートを画像収集エリアに配置し、次に画像内の対応する関心領域 (ROI) を選択し、平均 DN 値を抽出し、線形補正方法に基づいて放射線補正係数を確立します。 画像間の補正を行うことで、マルチスペクトル放射線補正を実現します。 サンプルの補正式については、付録 D.1.2 を参照してください。 幾何補正では、最初に画像上の既知の地理座標を持つ画像コントロール ポイントを選択し、選択した地上画像コントロール ポイントに基づいて幾何変換モデルを確立し、最後に幾何変換モデルを適用して画像に幾何変換を実行し、正確な地理座標を備えた画像を生成します。 コーディネート。 多項式補正方法の例については、付録 D.1.3 を参照してください。 フィールドセグメンテーションでは、ディープラーニングモデルを使用してフィールド画像のセル境界を検出し、識別されたセルの中心点を使用して水平および垂直の直線を当てはめ、欠落している識別されたセルを完成させます。 マシンフィールド画像は自動的かつ効率的に個々の細胞画像に分割されます。 9 表現型解析手法 草丈抽出 9.1.1  ドローン画像に基づいて数値標高モデルを構築し、稲の草丈を抽出することができます 具体的な抽出プロセスについては図 D.1(A) を参照してください。 9.1.2 UAV 航空レーダーに基づいてイネの点群を取得し、イネの草丈を抽出できます。 具体的な抽出プロセスについては、図 D.1(B) を参照してください。 有効穂認識:ドローンからの高精細RGB画像に基づいて稲穂認識用のニューラルネットワークモデルを構築し、プロット内の有効穂数を計算します。 収量予測 9.3.1 UAV マルチソース地図データに基づいて植生指数とその他のパラメーターを計算し、米の収量情報を予測できます。 9.3.2  UAV マルチソースマップデータに基づいて、草丈、有効穂、穂の形状などの構造表現型、およびクロロフィル含有量や窒素含有量などの生化学的表現型を抽出して収量との関係を調査し、それによってイネを予測することができます。 情報をもたらします。 10 表現型解析の評価指標の概要 表現型検出のニーズに応じて、回帰分析や画像分類・ターゲット検出・画像セグメンテーションなど、さまざまな解析・評価指標が使用されます。 回帰分析 回帰分析の目的は、独立変数の変化に応じて従属変数がどのように変化するかを説明する数学的モデルを構築することです。 一般的に使用される回帰分析の評価指標には、平均二乗誤差、二乗平均平方根誤差、平均絶対誤差、決定係数などが含まれます。 画像分類/オブジェクト検出/画像セグメンテーション 画像分類は、入力画像を事前定義されたカテゴリまたはラベルに割り当てることです。 オブジェクト検出は、オブジェクトのカテゴリを識別し、画像内のオブジェクトの位置を決定する必要がある画像処理のタスクです。 ;画像のセグメンテーションは、画像をさまざまな領域またはオブジェクトに分割するタスクです。 画像の分類/検出/セグメンテーションに一般的に使用される評価指標には、正解率、適合率、再現率、F1 値、PR 曲線、平均精度、交差率などがあります。

T/ZJNJ 0020-2023 発売履歴

  • 2024 T/ZJNJ 0020-2023 無人航空機低空リモートセンシングを用いたイネ育種における作物表現型解析の技術仕様



© 著作権 2025