一种基于高光谱成像技术的水稻SPAD值无损检测方法及系统与流程

本发明涉及水稻氮素含量检测，具体为一种基于高光谱成像技术的水稻spad值无损检测方法及系统。

背景技术：

1、大田低空遥感预测精度低与环境背景噪声干扰大：现有无人机高光谱成像在大田低空作业时，极易受到自然光照不均、机身震动、大气扰动、风速等环境噪声，以及复杂田间背景（如土壤、杂草、阴影、水体等）的干扰，造成原始高光谱光谱曲线存在高频毛刺、基线平移及偏斜，导致直接反演出的水稻spad值误差巨大，缺乏田间应用的可行性。

2、多源高光谱特征冗余与传统单一模型表达能力不足：高光谱图像通常包含数百个波段，数据维度极高、共线性极强。传统的偏最小二乘回归（plsr）、支持向量回归（svr）等机器学习模型无法有效处理高维非线性关系。而现有的单一架构深度学习网络（如纯cnn或纯lstm网络）仅能从单一尺度或单一维度提取光谱特征，无法同时对光谱曲线的局部物理吸收峰、波长序列的长短时依赖关系以及全局波谱上下文自注意力关联进行协同建模，造成关键物理特征在网络深层传输时的严重冗余与丢失，严重限制了spad值的预测精度。

3、跨设备/跨环境应用时面临严重的“域偏移（domainshift）”与重新建模高昂的标注成本：地面实验室高光谱成像系统由于测量环境稳定，其建立的预测模型精度极高；但该模型无法直接套用至复杂的低空无人机平台，因为两者在传感器性能、拍摄高度、几何畸变和光源条件上存在显著的光谱分布差异。为了让模型适应大田环境，若针对每种新的无人机设备或新的大田场景重新在田间进行大规模破坏性采样、叶绿素化学标定以重建模型，将消耗极大的人力和时间成本，失去无损遥感监测的本意

技术实现思路

1、本发明的目的在于提供一种基于高光谱成像技术的水稻spad值无损检测方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于高光谱成像技术的水稻spad值无损检测方法，包括以下步骤：

3、步骤s1，多源高光谱数据获取与标准前处理：获取待测水稻样本在固定可控光源下的源域高光谱图像，以及在非受控大田低空遥感条件下的目标域高光谱图像；对两组高光谱图像依次执行基于标准辐射标定物的背景辐射消除校正、边缘噪声波段裁剪以及基线漂移去噪处理，提取得到空间维度和物理量纲均统一的源域一维光谱特征序列与目标域一维光谱特征序列；

4、步骤s2，多模态特征协同建模与深层表征提取：构建包含并行特征提取阶段与深度交互回归阶段的深度特征融合回归模型；在所述并行特征提取阶段，将所述一维光谱特征序列同步输入至结构互异且具备互补特性的多个深度特征学习网络中，分别通过局部波形特征感知单元提取局部多尺度的细粒度波形表征，通过序列时序依赖建模单元提取相邻波段间的上下文长短时依赖与渐变趋势表征，以及通过全局上下文关联感知单元提取全波段跨域的全局注意力关联表征，并将各单元输出的表征对齐映射为特征维度完全统一的多组深层语义特征向量；

5、步骤s3，高维深度特征融合与任务向预回归：在所述深度交互回归阶段，将所述多组深层语义特征向量沿特征通道方向进行联结，形成高维多视角融合特征向量；将所述高维多视角融合特征向量送入深度非线性交互回归网络中，通过逐层特征降维与深度跨通道交互计算，消除特征冗余并输出对所述待测水稻叶片的初始spad预测值；

6、步骤s4，半监督跨域自适应与模型泛化迁移：构建基于特征空间统计量分布对齐的半监督迁移学习框架，利用步骤s2与步骤s3中经源域数据预训练的模型作为基础网络；基于目标域中的带标签样本，在回归优化损失中同步结合源域有监督任务适配损失、目标域有监督真实分布拉引损失以及源、目标域深层激活表征的二阶统计量分布差异对齐损失；通过动态权重平衡机制对所述多损失项进行端到端联合梯度优化，完成模型从可控源域到复杂大田目标域的自适应泛化；

7、步骤s5，大田无损检测与作物营养表征输出：获取未知作业环境下大田待测水稻的实时低空遥感高光谱数据，执行标准化前处理后输入至经步骤s4迁移自适应完成的深度特征融合回归模型中，在线反演并输出待测区域水稻的spad定量预测结果。

8、作为优选，所述一维光谱特征序列的提取方法具体包括以下步骤：

9、分别采集源域与目标域下待测水稻原始高光谱强度的暗场背景数据与标准漫反射参考板数据，通过基于暗白双参考比值的线性校正运算，将原始图像强度的数字量化值转换为绝对物理反射率数据，消除成像传感器暗电流与异构环境光源的光照不均干扰；

10、依据光谱传感器在不同特征波长下的信噪比响应曲线，自适应切除处于光波两端、信噪比低于预设阈值且受环境噪声污染严重的边缘波段，仅保留与作物氮素及叶绿素吸收具有高相关性的有效特征光谱区间；

11、对截除边缘波段后的光谱数据，首先采用滑动窗口平滑滤波算法消除高频随机仪器噪声与毛刺，紧接着采用标准正态变量变换算法对各样本光谱序列进行全波段中心化与缩放标准处理，消除由大田低空遥感叶片多角度表面散射引起的基线平移与倾斜，输出特征维度等齐、物理量纲统一的标准一维光谱特征序列。

12、作为优选，所述多组深层语义特征向量沿特征通道方向进行联结后，生成维度为第一特征维度数三倍的第二特征维度的高维多视角融合特征向量；

13、所述深度非线性交互回归网络具体为由多层逐级降维的一维卷积块串联构成的非全连接式卷积回归头，其包括：用于将所述高维多视角融合特征向量转换为序列映射张量的特征重塑层、至少两层逐层特征通道降维并进行空间聚合的一维卷积与平均池化组件，以及连接于网络末端用于将交互语义映射为标量spad回归数值的输出投影层。

14、作为优选，所述步骤s3中输出对所述待测水稻叶片的初始spad预测值的具体方法包括以下步骤：

15、将拼接生成的高维多视角融合特征向量，通过特征重塑算子由一维物理向量结构转换为适合卷积核滑动的二维序列特征张量，使异构单元提取的特征通道具备空间与序列关联拓扑；

16、将所述二维序列特征张量连续输入至至少两级级联的一维卷积层与池化层中，利用一维卷积核在特征通道维度上的局部滑动映射，逐级降低特征通道的维度大小，并深度捕捉不同感知单元表征之间的深层非线性交叉关联；

17、对经过逐层压缩后的交互特征张量执行自适应平均池化操作，将非定长的序列维度聚合压缩为长度唯一的全局压缩特征向量，大幅剔除多源特征拼接产生的冗余背景噪声；

18、将所述全局压缩特征向量逐级通过带有层归一化与非线性激活函数的多层全连接网络进行表征精炼，最终经网络末端的输出投影层反演得到对待测水稻叶片及冠层spad值的标量回归预测结果。

19、作为优选，所述步骤s4中从可控源域到复杂大田目标域的自适应泛化方法具体包括以下步骤：

20、从实验室源域数据集中抽取带标签的高光谱样本输入网络，计算网络初始spad预测值与真实物理采样标签之间的均方误差，构建源域有监督任务适配损失，主导网络学习基础的高光谱至作物生理参数映射关系；

21、从大田低空遥感目标域数据集中抽取极少量带标签样本输入网络，计算对应的预测值与田间实测标签之间的均方误差，构建目标域有监督真实分布拉引损失，为高维特征空间的跨域自适应提供真实物理空间锚点约束；

22、将所述源域带标签样本，与目标域中的带标签样本混合输入网络，同步提取两类样本在深度特征投影层末端的激活特征矩阵；分别计算源域深层特征矩阵与目标域深层特征矩阵的经验协方差矩阵，并通过计算两个经验协方差矩阵之间的非线性范数统计距离，构建二阶统计量分布差异对齐损失；

23、在反向传播优化过程中，基于即时计算的与的数值量纲比值，实时生成自适应权重平衡系数结合对整体网络权重执行端到端联合梯度下降，协同实现大田复杂背景下的跨域统计分布对齐与精细化回归适配。

24、作为优选，所述步骤s2中结构互异的多个深度特征学习网络具体包括：

25、局部波形特征感知单元：为具有多尺度感受野的一维卷积神经网络模块，其包含至少两组串联的深度卷积算子、批归一化算子与非线性激活算子，用于聚焦捕捉叶绿素在特征波长处的局部细微特征；

26、序列时序依赖建模单元：为具有序列上下文记忆功能的循环门控网络模块，其包含多层堆叠的长短期记忆网络结构，用于按照波长增长排序逐点学习波段间的依赖关系；

27、全局上下文关联感知单元：为基于位置编码与注意力机制的图或序列建模模块，其包含多头自注意力编码结构，用于直接计算输入序列中任意两个特征波长位置之间的交叉自注意力权重；

28、所述三个网络单元的末端分别附接有特征投影层，将输出表征统一映射至预设的第一特征维度的向量空间中。

29、作为优选，述全局上下文关联感知单元在输出注意力表征序列后，进一步通过自适应序列聚合算子将多波段特征压缩为固定长度的特征表示，并经过带分布归一化处理的全连接网络，生成语义精炼的第一特征维度的深层语义特征向量。

30、作为优选，所述步骤s4中，针对完成模型从可控源域到复杂大田目标域自适应泛化的训练控制包括多阶段渐进式优化逻辑，具体包括：

31、任务预热阶段：屏蔽特征分布对齐损失与目标域有监督损失，仅利用实验室源域高光谱样本深度优化所述深度特征融合回归模型，建立从物理光谱到作物生理参数的稳健初态映射；

32、联合自适应阶段：同步开启所述三个功能性损失项，并随着训练迭代周期动态放大对齐强度系数，驱动深层网络在保持作物生理参数回归判别能力的同时，消除低空遥感背景带来的光谱域分布偏移；

33、分布精调阶段：冻结前置各深层特征学习网络参数，仅利用目标域的少量真实物理采样标签对末端的深度非线性交互回归网络进行低学习率精微调校，消除由于无人机混合像元造成的残余系统误差。

34、作为优选，所述二阶统计量分布差异对齐损失具体包括深度相关对齐损失，其通过构建源域激活特征矩阵的经验协方差矩阵与目标域激活特征矩阵的经验协方差矩阵，并采用非线性矩阵范数计算两者在同一高维映射空间中的统计离散分布差异，从而实现跨环境光谱特征表达的强行对齐。

35、作为优选，所述步骤s1中，所述基于标准辐射标定物的背景辐射消除校正，具体为采用暗噪声参考量与漫反射标准参考量，通过线性比值运算消除设备暗电流与光照不均的影响，其具体算法表达为：

36、；

37、其中，i表示原始高光谱图像的光谱强度值，d表示暗场背景光谱强度值，w表示标准漫反射参考标定物的光谱强度值，r表示校正后的真实反射率数据；所述边缘噪声波段裁剪为根据传感器信噪比阈值切除前端与后端畸变波段；所述基线漂移去噪处理采用基于滑动窗口的移动平滑滤波算法联合标准正态变量变换算法来实现。

38、作为优选，所述步骤s4中，在优化训练过程中所用到的总优化损失函数由三个功能性损失项自适应平衡加权构成，其数学逻辑形式表达为：

39、；

40、其中，表示基于源域带标签样本预测偏差确定的源域有监督任务适配损失，表示基于目标域少量标注样本实际采样值预测偏差确定的目标域有监督真实分布拉引损失，表示量化源域深层特征分布矩阵与目标域深层特征分布矩阵在二阶统计量指标上差异的协方差对齐损失，为由动态自适应机制控制的有效权重比例系数。

41、作为优选，为了防止多维高光谱数据所产生的特征对齐损失在数值量纲上过大从而压制主回归任务的梯度方向，所述有效权重比例系数基于动态权重平衡机制实时更新，其数学表达为：

42、；

43、；

44、其中，为动态自适应平衡因子，为防止除零异常的极小正实数常量，为设定基准对齐强度的超参数；通过所述机制，强制约束迁移对齐损失与端到端任务适配损失在反向传播时的梯度更新量级保持等同稳定。

45、此外本发明还提供了，一种基于高光谱成像技术的水稻spad值无损检测系统，包括：

46、多源高光谱感知与数据链路模块：分别包含地面静止高光谱成像采集端与大田机载低空高光谱遥感端，用于获取待测水稻的原始光谱图像并传送至云端或本地算力核心；

47、标准前处理与特征抽取模块：耦合于所述数据链路模块下游，用于对输入的光谱图像在线执行自适应背景辐射补偿、噪声波段自动截除与基线平滑处理，输出标准化的特征序列；

48、多特征协同提取与半监督跨域处理模块：内置有高性能运算处理器与非易失性存储介质，所述存储介质中固化有深度特征融合与迁移处理程序，所述处理器执行所述程序时，并行调用功能互补的多通道神经网络提取深度语义特征并联结交互，同时利用动态自适应迁移算法将室内预训练模型即时对齐泛化至大田复杂测试环境；

49、作业表征输出与智慧决策决策模块：用于接收所述多特征协同提取与半监督跨域处理模块反演生成的定量预测值，动态生成对应空间坐标系统的水稻spad值空间分布电子图谱及氮素营养丰缺诊断处方图，指令或辅助进行大田智能变量施肥作业。

50、综上所述，本发明有益效果是：

51、本发明摒弃了传统的单一网络结构，在并行特征提取阶段，创造性地通过结构互异的“局部波形感知网络、长短时依赖建模网络、全局自注意力编码网络”从三个完全独立的视角挖掘光谱曲线的深层语义，该架构既能聚焦叶绿素分子在特定特征波长处的局部细微光物理吸收特征，又能捕捉相邻高宽缓波谱序列的时序变化趋势，还能捕捉全谱段跨波长的全局长距离依赖关系。三者融合形成的多视角融合特征向量，信息熵极高、语义互补性极强，彻底突破了传统模型在复杂高光谱特征提炼上的技术瓶颈。

52、针对多源特征拼接后易引入维度灾难与信息冗余的问题，本发明通过一维卷积回归头代替了传统的直接全连接（mlp）回归结构，在回归前，通过特征拓扑重构将拼接特征转为一维卷积核可滑动的重塑张量，利用卷积操作在特征通道方向上执行跨通道深度非线性交互与自适应压缩池化。该方案在极大地降低模型计算量和特征冗余的同时，由于共享权重的约束，使得深度模型能够在水稻这类标注小样本场景下表现出极强的泛化稳定性和回归预测精度。

53、本发明通过改进的半监督deepcoral迁移方法，完美解决了“实验室高精度模型难以直接应用于大田无人机平台”的行业现实难题。在迁移对齐过程中，不仅利用了源域和标签目标域数据的二阶统计量对齐约束，更突破性地引入了目标域极少量带标签样本作为真实的物理空间拉引锚点。该设计使得我们仅需利用野外极低比例的接触式人工测试，就能让模型迅速消除由传感器异构、环境光源变化和大田背景干扰带来的光谱域分布偏移，实现实验室高精度地面模型向低空大田应用场景的完美、低成本落地。