一种作物物候识别模型的训练方法及系统与流程

本发明属于农业信息技术、计算机视觉及人工智能，尤其涉及一种作物物候识别模型的训练方法及系统。

背景技术：

1、作物物候阶段能够反映作物的生长发育状态，是种植管理和农业生产决策的重要依据。现有技术通常利用深度学习模型对田间图像进行分类，以识别作物所处的物候阶段。但相邻物候阶段的外观差异较小，且不同生育时期具有识别作用的植物组织并不相同，容易造成相邻阶段混淆。

2、为扩充训练样本，现有技术通常对多幅图像进行随机裁剪、缩放和拼接，并按照各图像区域的面积比例生成混合标签。然而，田间图像中包含大量裸土、阴影及其他背景区域，图像区域面积不能准确反映其中有效作物信息的多少。随机裁剪还可能遗漏幼苗、穗部或成熟组织等与物候阶段相关的关键区域，导致混合图像与混合标签之间不匹配。

3、此外，固定生物指数主要对绿色叶片和冠层具有较强响应，难以兼顾成熟、衰老及干枯生物组织；现有作物图像增强方法缺乏对物候阶段动态变化的感知能力，固定不变的数据增强策略无法在不同阶段之间自适应切换，制约了全物候周期的识别性能。

技术实现思路

1、本发明提供一种作物物候识别模型的训练方法与系统，旨在解决上述技术问题。

2、本发明是这样实现的，本发明提供一种作物物候识别模型的训练方法，包括：

3、获取带有物候阶段标签的多幅作物训练图像，根据所述作物训练图像的第一生物响应、第二生物响应及对应的物候阶段自适应权重，将所述作物训练图像的两种生物响应进行融合，得到生物能量图；

4、选取锚点图像和至少一幅补充图像，根据所述锚点图像的物候阶段确定全局缩放区域与局部裁剪区域的数量，并根据对应的生物能量图确定所述局部裁剪区域在源图像中的裁剪位置；

5、对所述锚点图像及补充图像进行全局缩放和局部裁剪，将得到的多个图像区域拼接形成混合训练图像；

6、根据各图像区域所对应生物能量图区域的生物能量积分，确定各图像区域的标签权重，根据所述标签权重对各源图像的物候阶段标签进行加权，得到混合标签；

7、以所述混合训练图像为输入、所述混合标签为监督信息训练作物物候识别模型，并利用训练后的作物物候识别模型确定待识别作物图像的物候阶段。

8、优选地，根据所述作物训练图像的第一生物响应、第二生物响应及对应的物候阶段自适应权重，将所述作物训练图像的两种生物响应进行融合，得到生物能量图，包括：

9、根据所述作物训练图像中各像素的颜色通道值和像素位置，确定每个像素位置的第一生物响应和第二生物响应；其中，所述第一生物响应用于表征绿色叶片及绿色冠层，所述第二生物响应用于表征生殖器官、成熟植物组织、衰老植物组织和干枯植物组织中的至少一种；

10、根据所述作物训练图像对应的物候阶段确定物候阶段自适应权重；

11、根据所述物候阶段自适应权重，对所述每个像素位置的第一生物响应和第二生物响应进行加权融合，得到所述生物能量图。

12、优选地，根据所述作物训练图像对应的物候阶段确定物候阶段自适应权重，包括：

13、按照作物的生长发育顺序为多个物候阶段分别设置阶段序数；

14、随着所述阶段序数的递进增大，所述第一生物响应的融合权重降低，所述第二生物响应的融合权重提高，且使相邻物候阶段之间的融合权重平滑过渡。

15、优选地，根据所述锚点图像的物候阶段确定全局缩放区域与局部裁剪区域的数量，包括：

16、按照多个物候阶段的排列顺序，将所述多个物候阶段划分为早期阶段组、中期阶段组和晚期阶段组；

17、当所述锚点图像属于所述早期阶段组时，设置局部裁剪区域的数量大于全局缩放区域的数量；

18、当所述锚点图像属于所述中期阶段组时，设置局部裁剪区域的数量等于全局缩放区域的数量；

19、当所述锚点图像属于所述晚期阶段组时，设置全局缩放区域的数量大于局部裁剪区域的数量。

20、优选地，根据对应的生物能量图确定所述局部裁剪区域在源图像中的裁剪位置，包括：

21、根据所述源图像对应的生物能量图中各像素位置的生物能量值，确定各像素位置被选取为裁剪中心的采样概率；

22、根据所述采样概率选取初始裁剪中心，并根据所述局部裁剪区域的目标尺寸确定裁剪窗口；

23、当所述裁剪窗口超出所述源图像的图像边界时，调整所述裁剪窗口的位置，使所述裁剪窗口位于所述源图像的有效范围内。

24、优选地，根据各图像区域所对应生物能量图区域的生物能量积分，确定各图像区域的标签权重，包括：

25、对所述源图像对应的生物能量图实施与所述源图像相同的全局缩放或局部裁剪处理，得到与各图像区域一一对应的区域生物能量图；

26、对各区域生物能量图中的生物能量值进行积分，得到各图像区域对应的生物能量积分；

27、根据各图像区域的生物能量积分占所述混合训练图像的生物能量积分之和的比例，确定各图像区域的标签权重。

28、优选地，根据所述标签权重对各源图像的物候阶段标签进行加权，得到混合标签，包括：

29、根据各源图像的物候阶段及多个物候阶段之间的排列顺序，生成各源图像对应的序数软标签，使所述序数软标签的标签值随对应物候阶段与所述源图像的物候阶段之间的阶段距离增大而减小；

30、根据各源图像的标签权重对对应的序数软标签进行加权，得到混合序数标签，将所述混合序数标签作为所述混合训练图像的混合标签。

31、优选地，选取至少一幅补充图像，包括：

32、获取所述作物物候识别模型的当前训练进度；

33、在所述当前训练进度处于第一训练区间时，从与所述锚点图像具有相同物候阶段标签作物训练图像中选取补充图像；

34、在所述当前训练进度处于第二训练区间时，随所述当前训练进度增加，提高从与所述锚点图像具有相邻物候阶段标签的作物训练图像中选取补充图像的概率；

35、在所述当前训练进度处于第三训练区间时，从与所述锚点图像具有相同或相邻物候阶段标签的作物训练图像中选取补充图像；

36、其中，所述第一训练区间、第二训练区间和第三训练区间按照训练进度依次设置。

37、优选地，以所述混合训练图像为输入、所述混合标签为监督信息训练作物物候识别模型，包括：

38、将所述混合训练图像输入所述作物物候识别模型，得到所述混合训练图像对应各物候阶段的阶段预测概率；

39、根据各物候阶段的阶段序数及对应的阶段预测概率，确定所述混合训练图像的预测期望序数；

40、根据各物候阶段的阶段序数及所述混合序数标签中对应的标签值，确定所述混合训练图像的目标期望序数；

41、根据所述预测期望序数与目标期望序数之间的偏差确定序数约束损失，并根据所述序数约束损失对所述作物物候识别模型进行训练。

42、本发明还公开了一种作物物候识别模型的训练系统，包括：生物能量建模模块，用于获取带有物候阶段标签的多幅作物训练图像，根据所述作物训练图像的第一生物响应、第二生物响应及对应的物候阶段自适应权重，将所述作物训练图像的两种生物响应进行融合，得到生物能量图；

43、图像区域确定模块，用于选取锚点图像和至少一幅补充图像，根据所述锚点图像的物候阶段确定全局缩放区域与局部裁剪区域的数量，并根据对应的生物能量图确定所述局部裁剪区域在源图像中的裁剪位置；

44、混合图像生成模块，用于对所述锚点图像及补充图像进行全局缩放和局部裁剪，将得到的多个图像区域拼接形成混合训练图像；

45、混合标签生成模块，用于根据各图像区域所对应生物能量图区域的生物能量积分，确定各图像区域的标签权重，并根据所述标签权重对各源图像的物候阶段标签进行加权，得到混合标签；

46、模型训练及识别模块，用于以所述混合训练图像为输入、所述混合标签为监督信息训练作物物候识别模型，并利用训练后的作物物候识别模型确定待识别作物图像的物候阶段。

47、本发明根据作物训练图像的物候阶段，自适应调整第一生物响应与第二生物响应的融合权重，使生物能量图能够随作物发育过程改变响应重点，兼顾绿色冠层、生殖器官及成熟衰老组织，且不依赖模型训练状态。根据锚点图像的物候阶段动态设置全局缩放区域与局部裁剪区域的数量，并依据生物能量图确定裁剪位置，能够兼顾早期局部细节、中期冠层与器官特征以及晚期整体成熟状态。通过对源图像及生物能量图实施相同空间处理，并根据区域生物能量积分确定标签权重，可降低裸土、阴影等低生物信息区域对混合标签的干扰。利用序数软标签和序数约束损失表达物候阶段的先后及邻近关系，能够降低远距离跨阶段误判；结合课程学习和动态多视图一致性约束，可减小训练冲突，提高模型对相邻阶段及不同田间环境的识别准确性和稳定性。