一种基于无人机遥感影像的水稻倒伏农业定损方法

本发明涉及自然灾害检测，尤其涉及一种基于无人机遥感影像的水稻倒伏农业定损方法。

背景技术：

1、水稻作为全球重要粮食作物，在灌浆期对环境敏感，大风、暴雨等极端天气极易引发水稻倒伏。研究表明，水稻倒伏后茎秆与根系受损，枝干运输水分和养分能力变差，同时倒伏茎叶相互遮挡，会使得田间通风透光条件变差，易引发病虫害，进而导致稻米产量大幅下降，严重影响品质，进一步损害稻农的经济收入。

2、为确定水稻发生倒伏后的灾害损失，并根据损失对稻农进行保险理赔，农业保险定损人员需根据倒伏程度、倒伏面积等信息对受灾程度进行评估。当前对于作物倒伏信息获取主要有人工检测与基于遥感影像检测两种方式，人工检测操作难度低，但效率低下，且针对不规则倒伏区域无法做到精确测量，还易对作物造成二次伤害；卫星遥感虽适用于大范围灾情监测，但受卫星重访周期、地面分辨率及成本限制，难以满足实际农业定损任务中实时准确监测的需求。

3、由上述内容可知，对于倒伏水稻检测与农业定损方面存在以下问题：（1）农业领域信息采集技术人员不足，倒伏发生后人员难以快速到达倒伏现场收集作物倒伏数据，倒伏数据集制作难度大；（2）现有深度学习模型对水稻不同倒伏程度特征捕捉能力弱，分割精度略有不足，且参数量大、计算复杂度高，难以在资源有限的移动设备上部署；（3）当前作物产量预测多以gndvi、叶绿素含量等易获取参数为核心构建模型，而利用倒伏信息进行产量预测的研究相对匮乏；（4）针对倒伏严重程度的农业定损评级多依赖人工评定，费时费力，且由于评估结果没有实际数据支撑，往往缺乏客观依据。

技术实现思路

1、本发明针对自然环境下水稻倒伏数据集采集困难、深度学习模型对不同倒伏角度水稻的分割精度不足，且参数量大，难以在算力有限的移动端部署、倒伏检测信息未能进一步与减产预测相关联、农业定损缺乏客观依据的问题，提供一种基于无人机遥感影像的水稻倒伏农业定损方法，实现倒伏灾害发生后，对水稻受灾情况的查勘，为农业保险定损提供客观量化的数据支撑。

2、为实现上述目的，本发明采用的技术方案是一种基于无人机遥感影像的水稻倒伏农业定损方法，包括：

3、步骤1：构建模拟水稻倒伏实验小区，使用无人机采集水稻倒伏影像数据，并构建水稻产量数据集。

4、步骤2：对所述水稻倒伏影像数据进行拼接、裁剪、筛选，构建水稻倒伏分割的初始数据集，并对所述初始数据集进行像素分类标注、增强，形成标注数据集。

5、步骤3：构建基于改进yolov11n-seg的水稻倒伏细粒度分割模型，并用所述标注数据集完成模型的训练和评估。

6、步骤4：构建ssa-xgboost倒伏水稻减产率预测模型，并用所述水稻产量数据集完成模型的训练和评估。

7、进一步，所述步骤1包括：

8、步骤1-1：将选取的水稻实验田划分为多个相同大小的实验区，将不同实验区在水稻灌浆后的不同时间内设定明确且固定的倒伏程度梯度，例如，包括：未倒伏的空白对照组、重度倒伏的处理组a、中度倒伏的处理组b、轻度倒伏的处理组c；

9、步骤1-2：采用无人机搭载可见光相机采集原始水稻倒伏rgb影像。

10、步骤1-3：获得各倒伏实验区和空白对照组的水稻产量数据，以空白对照组产量为基准，计算各梯度倒伏实验区实测减产率，并结合线性插值和混合倒伏状态合成的策略对数据集进行扩充，建立“倒伏角度-倒伏时长-倒伏面积-产量损失”配对的水稻产量数据集。

11、进一步，所述步骤2包括：

12、步骤2-1：基于pos位置信息拼接全部合格航拍影像，生成试验区完整全景大图，并按固定大小进行滑动裁剪，得到批量子图。

13、步骤2-2：双层图像质量筛选，首先人工逐张剔除裸地、道路、树木等无效背景占比过高、水稻有效区域占比＜10% 的子图；然后将rgb图转为灰度图，计算像素灰度均值。所述灰度均值与灰度方差计算公式为：

14、

15、式中，为图像整体灰度均值；、分别为图像宽度与高度的像素数量；为图像在处的像素灰度值；为图像灰度方差值，图像灰度方差值s在阈值以上的为清晰合格影像，自动剔除小于阈值的模糊、失焦、雾化影像，最终保留合格裁剪子图用于构建水稻倒伏分割的初始数据集。

16、步骤2-3：对所述初始数据集进行像素级人工标注，形成标注数据集，水稻轻度倒伏区域标注为标签“0”、中度倒伏区域标注为标签“1”、重度倒伏区域标注为标签“2”，将水稻区域以外的田间场景标注为背景“background”标签。通过随机旋转、亮度对比度调整、垂直翻转、轻微模糊扩增样本。按地块空间独立原则划分图像训练集、图像验证集和图像测试集。

17、进一步，所述步骤3包括：

18、步骤3-1：在yolov11n-seg的主干网络引入c3k2_gcb模块。gcblock为c3k2_gcb核心子单元，包含两类并行卷积分支：

19、（1）path3×3_1×1：由一个3×3卷积和一个1×1卷积串联组成，可设置多条并行路径，强化多尺度特征提取能力；

20、（2）path1×1_1×1：由两个1×1卷积串联组成，辅助强化gcblock模块全局特征与局部特征的交互。

21、在训练阶段，gcblock的整体结构为n条path3×3_1×1和一条path1×1_1×1的并行组合，通过在不同路径间并行提取特征。在推理阶段通过单一3×3卷积，降低推理算力消耗。

22、单条path3×3_1×1 分支融合公式：

23、

24、式中，为k×k卷积层的权重（其中），为k×k卷积层偏置，为im2col矩阵转换算子，x为模块输入特征图。

25、多条并行分支重参数化融合表达式：

26、

27、式中，为输入，为所有并行路径的融合输出，为重参数化后并行3×3卷积的数量，第个重参数化后3×3卷积的权重为、偏置为，为im2col矩阵转换算子。

28、步骤3-2：颈部网络引入bifpn双向加权特征金字塔。在步骤3-1改进主干网路基础上，将yolov11n-seg原始单向特征金字塔替换为bifpn双向加权特征融合结构，搭建自上而下语义传递、自下而上细节反馈双通路。对于每个特征融合节点的每个输入特征分配一个可训练的权重参数，通过softmax函数对权重参数进行归一化处理，确保权重之和为1，融合加权表达式为：

29、

30、式中，为融合的输出特征；为第i个输入特征；为第i个输入特征的可学习权重参数；为极小值，用于避免分母为0的情况。

31、步骤3-3：检测头引入lscd轻量化稀疏卷积模块。在步骤3-2改进的基础上，引入lscd可学习稀疏卷积模块重构原始分割检测头，搭建lscd-seg轻量化检测头。lscd-seg输出通道与原检测头保持一致，输出0轻度倒伏、1中度倒伏、2重度倒伏、background背景四类像素掩码。

32、步骤3-4：用基于改进yolov11n-seg的水稻倒伏细粒度分割模型，在步骤2-3构建的标注数据集完成训练，并对改进的模型进行评估。

33、进一步，所述步骤4包括：

34、步骤4-1：将步骤1-3构建的水稻产量数据集输入ssa-xgboost倒伏水稻减产率预测框架,该框架由麻雀搜索算法 (ssa) 寻优模块与 xgboost基础模型构成，输入参数包括倒伏等级、倒伏时长和倒伏面积，输出参数为水稻减产率。导入完成后，按预设比例将全部水稻田间数据划分为数据训练集与数据测试集，数据训练集用于模型训练，数据测试集用于验证模型在水稻倒伏减产预测中的泛化能力。

35、步骤4-2：对导入的水稻产量数据集进行归一化处理，针对水稻倒伏等级、倒伏时长、倒伏面积及减产率等不同参数，将数据训练集与数据测试集的所有数据统一标准化至[0,1]区间。

36、步骤4-3：初始化麻雀搜索算法的参数，xgboost基础模型的参数和提升参数的阈值。

37、步骤4-4：设定适应度函数fi为数据训练集上水稻预测减产率与田间实测减产率之间的均方根误差。基于fi函数，代入所述数据训练集中的水稻倒伏相关参数（每个实验区的倒伏等级、倒伏时长和倒伏面积）及对应实测减产率，计算麻雀种群中每个个体的个体适应度值fi，以此衡量种群个体在水稻倒伏减产预测中的优化性能。

38、步骤4-5：对所有麻雀的个体适应度值fi进行排序，筛选出其中的最优适应度值fg，所述最优适应度值fg对应着最贴合水稻倒伏减产实际规律的参数组合。

39、步骤4-6：依据个体适应度值fi和最优适应度值fg，按照麻雀搜索算法的核心逻辑，分别更新种群中发现者、追随者及警戒者的位置。更新过程中结合水稻倒伏数据的特征，确保种群迭代始终朝着降低水稻减产预测误差的方向进行，逐步优化模型参数适配性。

40、步骤4-7：结合水稻倒伏减产预测的实际需求，判断迭代是否满足终止条件，若满足终止条件，则迭代终止，具体分为两种情况：一是当前迭代得到的最优适应度值fg小于模型预设精度，此时表明模型已能精准捕捉水稻倒伏与减产之间的关联规律，达到预期优化效果，继续迭代无法提升优化性能，反而会浪费计算资源，故终止迭代；二是迭代次数达到预设上限，此时迭代搜索终止，确保实验效率与预测精度的平衡，适配水稻田间数据处理的实际需求。

41、具体地，通过两种终止条件来兼顾水稻田间数据小样本、现场快速处理、算力有限的实际需求：

42、1.适应度函数选用减产率预测 rmse（真实减产率与预测值之间的误差）=0.012（该数值为网格搜索算法得到的最优误差下限），一旦全局最优麻雀个体对应的误差低于阈值，证明当前超参数组合已经可以精准拟合倒伏特征与产量损失的内在相关关系，此时停止迭代，不再遍历更多参数组合；

43、2.预先设置迭代上限（ max_iteration=10，该数值为网格搜索算法得到的最优迭代上限），设置依据是水稻倒伏小样本数据集的收敛特性，无论适应度是否达到理想精度，迭代次数触顶强制停止寻优，硬性约束计算耗时。

44、双终止规则，适应度函数确保模型的预测精度，迭代次数确保模型的时效性

45、步骤4-8：当麻雀搜索算法迭代终止时，提取此时的全局最优位置xbj，利用所述全局最优位置xbj对xgboost基础模型的提升参数进行优化，即将最优的迭代次数、树的深度及学习率赋值给xgboost模型，得到优化后的xgboost模型，即ssa-xgboost倒伏水稻减产率预测模型。

46、步骤4-9：将所述数据训练集中的水稻倒伏等级、倒伏时长、倒伏面积等参数代入所述ssa-xgboost倒伏水稻减产率预测模型进行训练，充分学习水稻倒伏与减产之间的内在关联规律。训练完成后，将所述数据测试集中的倒伏等级、倒伏时长和倒伏面积输入模型，开展水稻倒伏减产预测，输出各测试样本的预测减产率。最后采用均方根误差、平均绝对误差和决定系数三个评价指标，评估模型的预测精度。

47、有益效果：

48、（1）本发明构建可控标准化人工模拟水稻倒伏试验体系，生成水稻多倒伏程度倒伏影像-产量配对数据集，解决自然倒伏样本不可控、数据缺失难题。

49、（2）本发明基于改进轻量化yolov11n-seg 网络，融合重参数化卷积、双向特征融合、稀疏解码检测头，在降低参数量与计算量前提下，实现水稻轻度、中度、重度倒伏像素级精准分割和对应倒伏面积的提取。

50、（3）本发明提出ssa优化xgboost减产率预测模型，对比传统寻优算法提升超参数寻优精度，以改进yolov11n-seg 网络分割的输出倒伏信息，结合倒伏时长预测水稻产量的综合减产率。

51、（4）本发明基于改进轻量化yolov11n-seg 网络和ssa-xgboost水稻产量估测模型，输出水稻自然倒伏航拍原图、模型分割掩码、各级倒伏面积数据、预测水稻综合减产率的完整定损凭证，形成可视化的水稻倒伏定损数据依据。