CC BY
30
УДК 528.72:004.93
М.Ю. Катаев, Е.Ю. Карташов, А.А. Кузнецов
Методика кластеризации сельскохозяйственных полей по RGB-изображениям беспилотных летательных аппаратов
Технологии дистанционного зондирования Земли, которые развиваются на основе спутникового зондирования и в последнее время беспилотных летательных аппаратов (БПЛА), предоставляют значительный потенциал в рамках приложений умного (точного) земледелия. Датчики (например, цифровые RGB-камеры) в форме изображений позволяют получать в реальном масштабе времени данные об окружающей среде исследуемой территории. Датчики, установленные на беспилотных летательных аппаратах, могут использоваться в различных приложениях, связанных с оценкой качества вспашки, всходов озимой пшеницы, выращиванием сельскохозяйственных культур и др. Это возможно за счет захвата больших по размеру территорий набором изображений с низким временным (несколько часов на 1000 га), но высоким пространственным разрешением (несколько сантиметров). Ожидается, что технологии дистанционного зондирования Земли произведут революцию в сельском хозяйстве, позволив принятие решений за несколько дней, а также снижение затрат и увеличение урожая. Несмотря на существенное развитие, одно из направлений использования БПЛА в умном сельском хозяйстве еще не является таким надежным и точным, как ожидалось, в основном из-за проблем, возникающих при сборе, обработке и анализе изображений. Главная проблема в том, что до сих пор нет стандартизированного рабочего процесса, включающего этапы от сбора до визуализации результатов при использовании БПЛА в приложениях, связанных с сельским хозяйством. Одним из слабых мест многих технологий обработки изображений является недостаточное качество кластеризации, где каждый найденный кластер связан с определенным типом поверхности. Рассмотрено применение изображений, полученных с помощью БПЛА, для решения задач умного сельского хозяйства. Обсуждается методика кластеризации, связанная с параметрическим представлением гистограмм яркости цветовых пространств и индексов зелености (Greenness Indexs). Приводятся результаты обработки изображений.
Ключевые слова: дистанционное зондирование, беспилотный летательный аппарат, обработка изображений, умное земледелие.
doi: 10.21293/1818-0442-2021-24-3-50-56
За последние годы растет объем инвестиций в аграрный сектор [1]. Целью этих инвестиций является достижение роста производительности к 2030 г., [2] позволяющее полностью удовлетворить потребности населения России. Технологии дистанционного зондирования Земли с помощью спутников и беспилотных летательных аппаратов (БПЛА) могут предоставить высокий потенциал в умном земледелии, что обеспечит повышение производительности [3]. Парадигма дистанционного зондирования Земли предлагает перспективу развития умного (точного) земледелия, позволяя управление обрабатываемыми полями в режиме существенно более быстрого времени, чем это позволяют текущие технологии [4]. В этом плане технологии дистанционного зондирования Земли предназначены для мониторинга сельскохозяйственных культур с целью автоматизации различных операций. К ним можно отнести мониторинг вспашки полей, посева, роста растений, выявления болезней и т.д. В этом контексте эти технологии могут помочь в получении точной и своевременной информации для сельскохозяйственных полей.
Дистанционное зондирование Земли считается одной из самых важных технологий для достижения точности получения пространственно-временной информации для умного земледелия. Такой подход позволяет контролировать многие параметры сельскохозяйственных культур (растительности) через многоспектральные изображения. Однако спутниковые изображения имеют достаточно низкое про-
странственное и временное разрешение получаемых изображений, кроме того, помехой является облачность. Другой аспект связан с временем получения изображения, его обработки и доставки потребителю. Использование пилотируемых самолетов обычно приводит к высоким финансовым затратам, что может позволить себе совсем небольшое количество сельских хозяйств. Применение систем дистанционного зондирования на базе беспилотных летательных аппаратов является шагом вперед в сельском хозяйстве, так как позволяет наблюдать за посевами практически в любых условиях, получать данные более просто и экономично по сравнению с предыдущими методами.
БПЛА можно рассматривать как технологию дистанционного зондирования в умном земледелии за счет способности летать на малых высотах (10200 м), получать изображения сельскохозяйственных культур со высоким пространственным разрешением (несколько сантиметров). Кроме того, БПЛА как части системы мониторинга позволяют менять пространственное разрешение (фактически высоту полета) по желанию пользователя [5].
Важно отметить, что в настоящее время отсутствует стандартизованный рабочий процесс, связанный с получением, обработкой и анализом изображений, что является одним из основных недостатков, который влияет на более широкое использование систем БПЛА на практике. К этому факту приводит множество разнородных процедур и методов,
которые применяются для одной и той же цели, что не всегда приводит к лучшему результату. В этой работе нами предлагается простая методика кластеризации изображений БПЛА, которая позволяет выделить определенные типы поверхности по их цветовым характеристикам, представленным гистограммами яркости. Эта методика расширяет возможность применять изображения БПЛА для умного сельского хозяйства при мониторинге полей сельскохозяйственных культур.
Применение БПЛА в умном земледелии
На сегодняшний день технологии БПЛА успешно используются в различных приложениях сельского хозяйства, например, определение плотности всходов, внесение гербицидов на конкретных участках, определение дефицита воды, обнаружение заболеваний растений и др. Используя информацию в виде изображений, полученную с БПЛА, можно принять несколько решений, например, для решения обнаруженных проблем оценки урожайности, картирования ареалов сорняков на поле, мониторинг роста растительности. Одним из самых популярных приложений БПЛА в точном земледелии является картографирование сорняков [6], когда необходимо выделить локальные участки поля, где наблюдаются ареалы сорняков, чтобы дифференцированно вносить гербициды вместо того, чтобы распылять их по всему полю. Важно отметить, что типичные способы пешеходного анализа полей [7] являются локально эффективными, но невозможны при контроле значительных территорий.
Отсутствие простых, удобных, точных средств для систематического наблюдения за прогрессом роста растений считается одним из основных препятствий на пути повышения объема и качества продукции сельского хозяйства. Эта проблема также усугубляется регулярностью изменчивости погодных условий, что влияет на рост сельскохозяйственных культур и изменение времени созревания. Регулярный сбор информации и визуализация территории полей с посевами с помощью БПЛА предоставляют расширенные возможности для мониторинга роста растений, оценки биомассы и др. [8].
Цель постоянного и непрерывного наблюдения за полями с посевами на разных стадиях развития заключается в определении из полученных изображений с БПЛА различных факторов (атмосфера, плодородие почвы и т.д.), которые могут повлиять на конечные показатели будущего урожая. Особенно это важно для мониторинга участков с большой неоднородностью (например, большое количество осколков леса и др.), когда достигается более высокая эффективность именно использования БПЛА, оснащенного цифровой RGB или мультиспектраль-ной камерой.
Технология получения изображений поверхности с помощью БПЛА
Беспилотный летательный аппарат включает в себя следующие ключевые элементы:
1) летательный аппарат;
2) систему управления полетом;
3) систему радиосвязи;
4) измерительные устройства (цифровая камера, датчик освещенности, датчик расстояния до поверхности и др.);
5) программное обеспечение.
Известны разнообразные типы беспилотных летательных аппаратов, которые могут быть использованы для получения картографии поверхности в разнообразных практических приложениях, в том числе и в сельском хозяйстве [9]. Представим наиболее популярные типы БПЛА. Беспилотные летательные аппараты с крыльями (самолетного типа), которым требуется взлетно-посадочная полоса для взлета с земли или с помощью катапульты. Этот тип БПЛА отличается возможностью летать на высоких скоростях, высотах длительное время и нести достаточно большую полезную нагрузку. Беспилотный вертолет включает в себя корпус и винты, представляя собой мультикоптер (квадрокоптер - четыре винта, гексакоптер, октокоптер и др.). Эти типы БПЛА устойчивы в полете, однако имеют небольшой запас времени в полете и малую полезную нагрузку.
Разнообразные датчики, установленные на беспилотных летательных аппаратах, являются мощными системами получения значительной по объему информации, которая необходима для решения практических задач. Одним из таких датчиков, являющимся самым распространенным на практике, является цифровая камера (RGB или мультиспектраль-ная), которая позволяет фиксировать отраженное солнечное излучение. Такие камеры имеют низкое спектральное разрешение, но высокое пространственное и временное разрешение, что необходимо в задачах мониторинга различных характеристик растительности [10].
Кроме того, получение изображений с борта БПЛА возможно при разнообразных атмосферных условиях (как в солнечные, так и в пасмурные дни), учитывая временные рамки дня, чтобы избежать значительных перепадов яркости отраженного от поверхности излучения [11]. Для оценки состояния растений на поле с помощью БПЛА обычно получают набор перекрывающихся изображений посевов с лицевых и боковых сторон (типично перекрытие от 50 до 70%). В зависимости от решаемой задачи подбирается высота полета БПЛА, что определяет пространственное разрешение пикселя изображения (типично это от 1 до 10 см/пиксель или более).
На рис. 1 представлена типичная схема проведения измерений с помощью БПЛА, который начинает облет поля по определенному, заранее проработанному маршруту со скоростью V на высоте Н. При облете поля размером (х, у) изображения производятся с заданным шагом по времени, обеспечивающем необходимое перекрытие изображений. Для полетов выбирается время полетов (10-5 ч, когда Солнце находится максимально высоко) и безветренная (слабоветреная) погода (до 10 м/с), чтобы
минимизировать возможные смещения БПЛА воздушными потоками (вертикальные или горизонтальные).
Рис. 1. Схема проведения измерений с помощью БПЛА
Далее полученные изображения сшиваются в одно изображение, мозаику, пример показан на рис. 2.
Рис. 2. Пример мозаики сельскохозяйственного поля
На изображении представлены типы поверхности, необходимые для анализа, как поле необработанное (слева, назовем поле1), обработанное поле (в центре изображения, назовем поле2) и лес (справа). Важной задачей кластеризации такого типа изображений является выделение масок поля1 и поля2 для того, чтобы изучать свойства только этих территорий.
Кластеризация изображения
Задача кластеризации традиционно [12] формулируется как разбиение изображения на некоторое множество областей, которые связаны с объектами, представленными на нем. В результате решения задачи кластеризации получается некоторое количество однородных областей. В настоящее время известно множество математических подходов к решению этой задачи, однако в узких практических приложениях до сих пор существуют проблемы качества кластеризации. Подходы разделяются по типу изображения: черно-белое, монохромное, цветное и многоспектральное, а также по признакам, которые учитываются при разбиении изображения на области (цвет, форма, границы и т.д.). Приведем кратко типичные варианты решения, которые эффективны для разных типов изображений. Одними из самых простых по реализации являются методики разбиения изображения на однородные области по значе-
ниям яркости с помощью разного типа порогов (локальные, глобальные или адаптивные). Кластеризация в пространстве цветов, когда значения яркости RGB-каналов пикселей собираются в кластеры по критерию близости (вычисление расстояния). Кластеризация в пространстве цветов на основе математического аппарата нечеткой логики (fuzzy logic). Кластеризация с помощью разбиения изображения проведением границ с помощью вычисления первой производной (методики Собела, Кэнни, Робертса и т.д.) или второй производной (оператор Лапласа). Существует подход, реализованный на принципах морфологии, самым известным в этом направлении является кластеризация по водоразделам. Известны и другие подходы [13].
Анализ подходов кластеризации к изображениям (рис. 2), имеющим специфику, с одной стороны, типизации и, с другой стороны, похожести является сложным и требующим исследований. Проблемой разделения областей на однородные области является значительное перекрытие признаков, в том числе и цветовых, между собой, что представлено на рис. 3.
О 25 50 75 100 125 150 175 200 225 250 Градации яркости Рис. 3. Гистограммы яркости каналов ЯОВ-изображения, представленного на рис. 2
Из рис. 3 видно, что цветовые признаки каналов R, С!, B перекрываются, имеют несколько пиков, которые явно соответствуют разным типам поверхности, и все классические методики кластеризации могут выдавать неточные результаты (например, часть поля1 представить полем2). Преодолеть эту проблему нами предлагается за счет увеличения числа признаков за счет привлечения разных цветовых пространств и индексов зелености [14].
Предлагаемая методика кластеризации основана на получении гистограмм цветовых пространств и получении характеристик пиков (амплитуда, центр и полуширина справа и слева). Такой вариант решения, на наш взгляд, позволит уйти от зависимости условий освещения, так как при этом форма гистограммы может меняться, а характеристики формы являются более стабильными. Далее, получив статистические разбросы характеристик гистограмм для разных типов поверхности на изображении, можно построить простой пороговый алгоритм разделения
изображения на области. Примером, подтверждающим предположение, является рис. 4, где показаны гистограммы яркости каналов RGB для двух типов поверхности (поле1 и поле2), которые были искусственно выделены из исходного изображения.
Рис. 4. Гистограммы яркости каналов RGB для двух типов поверхности (поле1 и поле2)
Анализируя рис. 4, можно отметить, что амплитуда гистограмм поля2 примерно в два раза меньше, чем для поля1. Центры синего и красного каналов достаточно близки и отличие наблюдается только для зеленого канала поля1 и поля2. Полуширины поля2 несколько больше полуширины поля1. Отсюда можно сделать вывод, что несколько признаков цветового пространства RGB являются отличительными для построения критерия кластеризации.
Такие же гистограммы были построены для цветовых пространств HSV, XYZ, LAB, LUV, YUV, HLS, а также серого изображения и нескольких индексов зелености [14, 15]. Далее для каждой гистограммы были найдены параметры формы: центр, амплитуда и полуширина на полувысоте справа и слева.
Нами проверена гипотеза о том, что гистограммы локальных участков каждого поля позволят получить статистически обусловленные параметры формы гистограмм (центр, амплитуда, полуширина
на полувысоте справа и слева), необходимые для построения порогового кластеризатора с учетом разброса параметров [16]. Выделенные изображения поле1 (рис. 5, а) и поле2 разбивались на блоки 100x100 пикселей, затем 50x50 и 25x25 пикселей (15 шт.). Для каждого блока считались статистические характеристики гистограмм, которые занесены в табл. 1 и 2.
Таблица 1 Средние значения параметров гистограмм для блока 100x100
Канал Центр Амплитуда Ширина слева Ширина справа
Red 162±7 195±28 12±3 11±3
Green 145±7 212±27 10±1 11±2
Blue 117±7 215±28 11±1 10±3
Gray 147±7 207±27 11±2 11±3
Таблица 2 Средние значения параметров гистограмм для блока 50x50
Канал Центр Амплитуда Ширина слева Ширина справа
Red 159±9 200±32 11 ±2 10±3
Green 144±7 210±28 10±2 9±2
Blue 115±7 214±28 10±2 9±2
Gray 145±7 216±27 10±2 9±2
Сравнивая результаты табл. 1 и 2, можно отметить, что параметры блоков различаются незначительно, что и следовало ожидать. Однако для разрабатываемой методики важно это знать, чтобы выбрать оптимальный размер блока, при котором происходит наилучшее выделение участка того или иного поля из исходного изображения (см. рис. 2).
Далее нами был составлен пороговый алгоритм сравнения параметров гистограммы шаблона (например, табл. 1 или 2) и текущего блока изображения того же размера. Считается совпадающим тот блок, параметры которого попадают в интервал значений (среднее ± дисперсия). Результаты работы такого простого алгоритма приведены на рис. 5.
а б в г
Рис. 5. Кластеризация поля1 для разного размера блоков: а - исходное изображение; б - восстановленное для блоков 100x100; в - 50x50 и г - 25x25 пикселей
На рис. 5, а показана область поля1, на рис. 5, б-г -результаты кластеризации для случая поле1 или вы-
деления на обрабатываемом изображении области, параметры гистограмм различных по размеру бло-
ков которых близки к параметрам шаблонов (заранее рассчитанным). Видно, что для случая размера блоков 100x100 и 25x25 пикселей наблюдается неудачная кластеризация и лучший вариант представлен на рис. 5, в. Показанный на рис. 5, б- г результат определяется размером интервала, определяемого дисперсией разброса параметров (показано в табл. 1 и 2), что в данном случае приводит к неточности кластеризации.
Оценка точности
Пусть у нас есть два набора изображений, один из которых В1 является шаблоном, т.е. с известными характеристиками {51(1), 51(2), ..., 51(Ы)}, г = 1, Ы, и В2 набор {52(1), 52(2), ..., 52(Ы)}, г= 1, Ы, который получается после решения задачи кластеризации. Количество истинных положительных срабатываний ТР алгоритма кластеризации состоит из пар изображений (г, '), которые правильно оказались сгруппированными в один кластер, и тогда ТР = |(г, ')|, где 51(г) = 51(/') и 52(г) = 52(/'). Количество ложных срабатываний ЕР состоит из пар (г,'), для которых выполнена неверная группировка в одном кластере, тогда ЕР = |(г,')|, где 51(г) = 51') и 52(г) ф 52'). Количество положительных срабатываний при явно отрицательных исходах ТЫ состоит из пар характеристик, которые попали в один кластер при необходимости быть в разных кластерах. Тогда число таких срабатываний определяется ТЫ = |(г, ')|, где 51(г) ф ф 51(1) и 52(г) ф 52(/'). Количество неверных отрицательных срабатываний ЕЫ состоит из пар характеристик, которые попали в разные кластеры, что определяется ЕЫ = |(г,')|, где 51(г) ф 51' и 52(г) = = 52(/'). Учитывая определенные выше срабатывания алгоритма, можно построить попарную точность Р правильно записанных в один кластер характеристик:
Р = ТР/(ТН + ЕР). (1)
Полнота Я представляет собой долю пар, которые верно отнесены к одному кластеру:
Я = ТР/(ЫН + ЕР). (2)
На основе величин Р и Я вычисляется Е-мера в виде [17]
Е = 2/((1/Р) + (1/Я)). (3)
В табл. 3 представлены результаты оценки значений показателей точности для результата, показанного на рис. 5. Видно, что качественно результаты рис. 5, б- г и табл. 3 совпадают и наихудший вариант представлен рис. 5, г, а наилучший - рис. 5, в.
Таблица 3
Значения оценки показателей точности_
Показатель точности Результат, %
Рис. 5, б Рис. 5, в Рис. 5, г
Точность P 91 98 93
Полнота R 85 92 42
F-мера 88 95 58
Заключение
В статье описана значимость дистанционного зондирования Земли. Обосновано применение технологии БПЛА в умном земледелии и рассмотрена
схема измерений с помощью БПЛА. Также описана проблема кластеризации и предложена методика кластеризации, основанная на получении гистограмм цветовых пространств и получения характеристик пиков. Проверена гипотеза о том, что гистограммы локальных участков каждого поля позволят получить статистически обусловленные параметры формы гистограмм, необходимые для построения порогового кластеризатора с учетом разброса параметров. Показаны результаты кластеризации и оценки значений показателей точности.
Литература
1. Расширенная коллегия Министерства сельского хозяйства [Электронный ресурс]. - Режим доступа: http://government.ru/news/27097, свободный (дата обращения: 10.05.2021).
2. Правительство России [Электронный ресурс]. -Режим доступа: http://government.ru/docs/all/133736/?page=2, свободный (дата обращения: 11.05.2021).
3. Прогноз научно-технологического развития агропромышленного комплекса Российской Федерации на период до 2030 года / Минсельхоз России; Нац. исслед. ун-т «Высшая школа экономики». - М.: НИУ ВШЭ, 2017. - 140 с.
4. Точное земледелие, применение БПЛА в сельском хозяйстве, получение вегетационного индекса NDVI [Электронный ресурс]. - Режим доступа: http://www.geosalut.ru/bpla/sel-skoe-hozyajstvo/bpla-v-sel-skom-hozyajstve, свободный (дата обращения: 10.05.2021).
5. Zhang C. The application of small unmanned aerial systems for precision agriculture: a review / C. Zhang, J.M. Kovacs // Precision Agric. - 2012. - №. 13. - P. 693-712.
6. Unmanned aerial vehicles in agriculture: A review of perspective of platform, control, and applications / J. Kim, S. Kim, C. Ju, H.I. Son // IEEE Access. - 2019. - Vol. 7. -P. 100-115.
7. Исаев В.В. Прогноз и картографирование сорняков. - М.: Агропромиздат, 1990. - 192 с.
8. Полин В.Д. Использование оптических датчиков «GREENSEEKER» при применении гербицида / В.Д. Полин, Е.В. Березовский, Н.В. Ларина // Доклады ТСХА. -2010. - Вып. 282, ч. 1. - С. 310-313.
9. Афанасьев Р.А. Агрохимическое обеспечение точного земледелия // Проблемы агрохимии. - 2008. - № 3. -
C. 46-53.
10. Watts A.C. Unmanned aircraft systems in remote sensing and scientific research: Classification and considerations of use / A.C. Watts, V.G. Ambrosia, E.A. Hinkley // Remote Sensing. - 2012. - Vol. 4. - P. 1671-1692.
11. Meyer G.E. Verification of color vegetation indices for automated crop imaging applications / G.E. Meyer, J.C. Neto // Comput. Electron. Agric. - 2008. - № 63. -Р. 282-293.
12. Kataev M.Yu. Illumination Correction of Multi-Time RGB Images Obtained with an Unmanned Aerial Vehicle / M.Yu. Kataev, M.M. Dadonova, D.S. Efremenko // Light & Engineering. - 2021. - Vol. 29, No. 2. - P. 50-58.
13. Xu R. Survey of clustering algorithms / R. Xu,
D. Wunsch // IEEE Transactions, Neural Networks. - 2005. -Vol. 16, No. 3. - P. 645-678.
14. Yuan J. Remote sensing image segmentation by combining spectral and texture features / J. Yuan, D.L. Wang, R. Li // IEEE Transactions on Geoscience and Remote Sensing. - 2014. - Vol. 52, No. 1. - P. 16-24.
15. Катаев М.Ю. Методы технического зрения для картирования состояния сельскохозяйственных полей /
М.Ю. Катаев, К.С. Ёлгин, И.Б. Сорокин // Доклады ТУ-СУР. - 2018. - Т. 21, № 4. - С. 75-80.
16. Гонсалес Р. Цифровая обработка изображений. Москва / P. Гонсалес, P. Вудс. - М.: Техносфера, 2006. -1072 с.
17. Choi S.S. A survey of binary similarity and distance measures / S.S. Choi, S.H. Cha, C.C. Tappert // Journal of Systemics, Cybernetics and Informatics. - 2010. - Vol. 8(1). -P. 43-48.
Катаев Михаил Юрьевич
Д-р техн. наук, проф. каф. автоматизированных систем управления (АСУ), науч. рук. Центра космического мониторинга Земли из космоса, Томского государственного университета систем управления и радиоэлектроники (ТУСУР) Ленина пр-т, 40, г. Томск, Россия, 634050 Тел.: (382-2) 70-15-36, +7-960-975-27-85 Эл. почта: kmy@asu.tusur.ru
Карташов Евгений Юрьевич
Канд. техн. наук, доцент каф. машин и аппаратов химических и атомных производств, Северского технологического института Национального исследовательского ядерного университета «МИФИ»
Коммунистический пр-т, 65, г. Северск, Россия, 636036 Тел.: (382-3) 78-02-40, +7-905-991-66-92 Эл. почта: kart.62@yandex.ru
Кузнецов Александр Андреевич
Магистрант ТУСУРа
Ленина пр-т, 40, г. Томск, Россия, 634050
Тел.: (382-2) 70-15-36
Эл. почта: alex_monster15@mail.ru
Kataev M.Yu., Kartashov E.Yu., Kuznetsov A.A. Technique for clustering agricultural fields based on RGB-images shot by unmanned aerial vehicles
The Earth remote sensing (ERS) technologies, that are being developed on the basis of satellite sensing and, more recently, unmanned aerial vehicles (UAVs), provide a significant potential for smart (precision) farming applications. Sensors (for example, digital RGB cameras) provide real-time data about the environment of the study area in the form of images. The sensors installed on unmanned aerial vehicles can be used in various applications related to assessing the quality of plowing, winter wheat seedlings, growing crops, etc. It becomes possible because they capture large areas with a set of images with a low time (several hours per 1000 hectares), but with a high spatial resolution (several centimeters). The remote sensing technology is expected to revolutionize the agriculture by enabling faster decision-making limited by few days only, as well as reducing costs and increasing yields. Despite the significant development, one of the areas of use of UAVs in smart agriculture is not yet as reliable and accurate as expected, mainly due to problems arising in the collection, processing and analysis of images. The main problem is that there is still no standardized workflow that includes the steps from collection to visualization of results when using UAVs in agricultural applications. One of the weak points of many image processing technologies is the insufficient quality of cluster-
ing, where each cluster found is associated with a certain type of surface. This article discusses the use of images obtained using UAVs for solving the challenges of smart agriculture. A clustering technique related to the parametric representation of histograms of brightness of color spaces and Greenness Indexes is discussed. The results of image processing are presented. Keywords: remote sensing, unmanned aerial vehicle, image processing, smart farming. doi: 10.21293/1818-0442-2021 -24-3-50-56
References
1. Extended Collegium of the Ministry of Agriculture. Available at: http://government.ru/news/27097, free (Accessed: June 05, 2021) (in Russ.).
2. The Government of Russia. Available at: http://government.ru/docs/all/133736/?page=2, free (Accessed: June 05, 2021) (in Russ.).
3. Forecast of scientific and technological development of the agro-industrial complex of the Russian Federation for the period up to 2030 / Ministry of Agriculture of Russia; National Research University Higher School of Economics. Moscow, NRU HSE, 2017, 140 p. (in Russ.).
4. Precision farming, the use of UAVs in agriculture, obtaining the vegetation index NDVI. Available at: http://www.geosalut.ru/bpla/sel-skoe-hozyajstvo/bpla-v-sel-skom-hozyajstve, free (Accessed: June 05, 2021) (in Russ.).
5. Zhang C., Kovacs J.M. The application of small unmanned aerial systems for precision agriculture: a review. Precision Agriculture, 2012, no. 13, pp. 693-712.
6. Kim J., Kim S., Ju C., Son H. I. Unmanned aerial vehicles in agriculture: A review of perspective of platform, control, and applications. IEEE Access, 2019, vol. 7, pp. 100-115.
7. Isaev V.V. Weed forecasting and mapping. Moscow, Agropromizdat, 1990, 192 p. (in Russ.).
8. Polin V.D., Berezovsky E.V., Larina N.V. The use of optical sensors «GREENSEEKER» when applying the herbicide. Reports of the TSKhA, 2010, vol. 282, part 1, pp. 310313 (in Russ.).
9. Afanasyev R.A. Agrochemical support of precision farming. Problems of Agrochemistry, 2008, No. 3, pp. 46-53. (in Russ.).
10. Watts A.C., Ambrosia V.G., Hinkley E.A. Unmanned aircraft systems in remote sensing and scientific research: Classification and considerations of use. Remote Sensing, 2012, vol. 4, pp. 1671-1692.
11. Meyer G.E., Neto J.C. Verification of color vegetation indices for automated crop imaging applications. Computers and Electronics in Agriculture, 2008, no. 63, pp. 282-293.
12. Kataev M.Yu., Dadonova M.M., Efremenko D.S. Il-lumination Correction of Multi-Time RGB Images Obtained with an Unmanned Aerial Vehicle. Light & Engineering, 2021, vol. 29, no. 2, pp. 50-58.
13. Xu R., Wunsch D. Survey of clustering algorithms. IEEE Transactions Neural Networks, 2005, vol. 16, no. 3, pp. 645-678,
14. Yuan J., Wang D.L., Li R. Remote sensing image segmentation by combining spectral and texture features. IEEE Transactions on Geoscience and Remote Sensing, 2014, vol. 52, no. 1, pp. 16-24.
15. Kataev M.Yu., Yolgin K.S., Sorokin I.B. Methods of technical vision for mapping the state of agricultural fields. Proceedings of TUSUR University, 2018, vol. 21, no. 4, pp. 75-80 (in Russ.).
16. Gonzalez R., Woods R. Digital Image Processing. Moscow, Technosphere, 2006,1072 p.
17. Choi S.S., Cha S.H., Tappert C.C. A survey of binary similarity and distance measures. Journal of Systemics, Cybernetics and Informatics, 2010, vol. 8(1), pp. 43-48.
Mikhail Yu. Kataev
Doctor of Science in Engineering, Professor Department of Automated Control Systems (ACS), Scientific Director of the Center for Space Monitoring of the Earth from Space, Tomsk State University of Control Systems and Radioelectronics (TUSUR) 40, Lenin pr., Tomsk, Russia, 634050 Phone: +7 (382-2) 70-15-36, +7-960-975-27-85 Email: kmy@asu.tusur.ru
Evgeny Yu. Kartashov
Candidate of Science in Engineering, Associate Professor Department of Machines and Devices of Chemical and Nuclear Production, Seversk Technological Institute of the National Research Nuclear University «MEPhl» 65, Kommunistichesky pr., Seversk, Russia, 636036 Phone: +7 (382-3) 78-02-40, +7-905-991-66-92 Email: kart.62@yandex.ru
Aleksander A. Kuznetsov
Master Student TUSUR 40, Lenin pr., Tomsk, Russia, 634050 Phone: +7 (382-2) 70-15-36 Email: alex_monster15@mail.ru
