一种膜下烟株移栽密度和壮苗指数预测方法及系统与流程
本发明涉及一种膜下烟株移栽密度和壮苗指数预测方法及系统,属于智慧烟草农业。
背景技术:
1、烟株移栽时的移栽质量对于实现烟草高效种植管理和科学决策变得越来越重要,是影响最终烟叶可用性的关键因素。烟苗数量与质量不仅能够反映田间作物的覆盖度和密度信息,还对烟田的光照、温度、水分、养分需求以及种内竞争等方面产生重要影响。烟苗数量与质量的精准检测与计数是实现烟草高效种植管理和科学决策的基础。然而,传统的密度与质量估算多采用现场抽样方法,不仅效率低,还易受人为因素影响,导致测量数据的准确性不足。随着无人机(unmanned aerial vehicles,uav)遥感技术的快速发展,uav在农业中的应用变得越来越广泛,成为农田信息提取中成熟而灵活的工具。uav技术为大范围、精细化的烟苗数量与质量识别获取提供了高效解决方案。
2、但是,如果烟苗移栽方式是膜下移栽,由于高密度聚乙烯薄膜的影响,会极大影响无人机图像识别的准确性,因此,一种基于无人机多光谱与卷积神经网络的膜下烟株移栽密度和壮苗比例预测方法,以适应不同覆膜方式下烟苗数量与质量识别需求,对提高种植效率、提高烟叶质量和推动烟草产业可持续发展具有重要意义。
技术实现思路
1、本发明的目的在于克服现有技术中的不足,提供一种膜下烟株移栽密度和壮苗指数预测方法及系统,基于无人机多光谱图像与烟苗数量与壮苗数量建立定量模型,以克服现有技术的不足。
2、为达到上述目的,本发明是采用下述技术方案实现的:
3、第一方面,本发明提供了一种膜下烟株移栽密度和壮苗指数预测方法,包括:
4、获取目标田块中烟苗的多光谱影像;
5、将所述多光谱影像输入至预先构建并训练好的预测模型中,得到模型输出的移栽密度和壮苗比例;
6、其中,所述预测模型利用植株数量真实值和由专家根据长势生成的壮苗比例标签作为联合监督信号进行训练。
7、进一步的,所述预测模型的训练方法包括:
8、获取目标作物田块的多光谱影像数据并进行划分;
9、为每个田块影像标注移栽株数;
10、基于每个田块的影像,由专家根据植株长势将烟苗划分为壮苗和弱苗,生成每个田块的壮苗比例标签;
11、构建一个卷积神经网络模型,以预处理后的田块影像作为输入,并同时以所述移栽株数和所述壮苗比例标签作为监督信号对所述卷积神经网络模型进行训练,得到一个能够根据输入田块影像预测移栽密度和壮苗比例的训练后模型。
12、进一步的,所述卷积神经网络模型包括依次连接的输入层、特征提取模块和输出层,所述特征提取模块包含多个卷积层和池化层。
13、进一步的,在所述卷积神经网络的训练过程中,采用自适应优化器优化卷积,采用均方误差作为模型的损失函数。
14、进一步的,所述特征提取模块包括五个卷积层和三个最大池化层,所述卷积层的卷积核大小为5×5,激活函数为relu函数,并采用批量归一化。
15、进一步的,所述特征提取模块包括六个卷积层和四个最大池化层,所述卷积层的卷积核大小为7×7,激活函数为leakyrelu函数,并采用层归一化。
16、进一步的,所述田块影像的预处理方法包括:
17、对所述田块影像进行数据增强后进行标准化预处理,将输入数据缩放到0-1之间;
18、其中,所述数据增强包括图像旋转、缩放、剪裁、颜色抖动和随机噪声添加。
19、第二方面,本发明提供一种膜下烟株移栽密度和壮苗指数预测系统,包括:
20、输入模块,用于获取目标田块中烟苗的多光谱影像;
21、输出模块,用于将所述多光谱影像输入至预先构建并训练好的预测模型中,得到模型输出的移栽密度和壮苗比例;
22、其中,所述预测模型利用植株数量真实值和由专家根据长势生成的壮苗比例标签作为联合监督信号进行训练。
23、第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述中任一项所述方法的步骤。
24、第四方面,本发明提供一种计算机设备,包括:
25、存储器,用于存储计算机程序/指令;
26、处理器,用于执行所述计算机程序/指令以实现前述中任一项所述方法的步骤。
27、第五方面,本发明提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现前述中任一项所述方法的步骤。
28、与现有技术相比,本发明所达到的有益效果:
29、本发明通过无人机携带多光谱相机进行航拍,结合8:2的随机划分方式,保证了训练集和测试集的比例关系,有效避免了样本集的过拟合问题,提高了模型的泛化能力和预测精度;
30、本发明采用人工统计每个田块移栽株数,并结合烟苗长势划分为壮苗和弱苗两类的方式,克服了现有技术中仅依赖差异化田间数据的局限性,使得模型更接近实际田间种植情况,提高了模型的实用性;
31、本发明通过多光谱相机的特殊设置和优化的预处理方法,有效减少了环境光照强度对图像的影响,提高了图像的清晰度和细节表现,从而提升了烟株识别的准确性;
32、本发明采用卷积神经网络进行训练和预测,结合自适应优化器adam,能够在有限计算资源条件下实现快速、准确的烟株识别和定位,克服了传统方法在复杂环境下识别困难的缺点;
33、本发明通过优化卷积操作、激活函数、池化层、归一化层参数和损失函数,构建了一个结构灵活、识别准确的卷积神经网络模型,显著提高了模型的识别精度和参数优化能力;
34、本发明建立的预测模型能够准确预测膜下烟株移栽密度和壮苗比例,为烟草农业生产规范与种植管控提供了重要的决策支持,有助于提高烟草生产效率和质量。
1.一种膜下烟株移栽密度和壮苗指数预测方法,其特征在于,包括:
2.根据权利要求1所述的膜下烟株移栽密度和壮苗指数预测方法,其特征在于,所述预测模型的训练方法包括:
3.根据权利要求1所述的膜下烟株移栽密度和壮苗指数预测方法,其特征在于,所述卷积神经网络模型包括依次连接的输入层、特征提取模块和输出层,所述特征提取模块包含多个卷积层和池化层。
4.根据权利要求3所述的膜下烟株移栽密度和壮苗指数预测方法,其特征在于,在所述卷积神经网络的训练过程中,采用自适应优化器优化卷积,采用均方误差作为模型的损失函数。
5.根据权利要求3所述的膜下烟株移栽密度和壮苗指数预测方法,其特征在于,所述特征提取模块包括五个卷积层和三个最大池化层,所述卷积层的卷积核大小为5×5,激活函数为relu函数,并采用批量归一化。
6.根据权利要求3所述的膜下烟株移栽密度和壮苗指数预测方法,其特征在于,所述特征提取模块包括六个卷积层和四个最大池化层,所述卷积层的卷积核大小为7×7,激活函数为leakyrelu函数,并采用层归一化。
7.根据权利要求2所述的膜下烟株移栽密度和壮苗指数预测方法,其特征在于,所述田块影像的预处理方法包括:
8.一种膜下烟株移栽密度和壮苗指数预测系统,其特征在于,包括:
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被膜下烟株移栽密度和壮苗指数预测器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机设备,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com