基于无人机遥感和深度学习的鲜食玉米成熟度预测方法与流程

1.本发明属于农业自动化领域，具体涉及一种鲜食玉米成熟度预测方法，尤其是涉及一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法。


背景技术：

2.鲜食玉米的成熟度会影响到鲜食玉米的口感和营养价值，关系到鲜食玉米的市场价值。鲜食玉米的含水量和含糖量又是反映其成熟度的重要参考标准，因此构建鲜食玉米成熟度预测模型，能够为鲜食玉米的采摘时期提供决策。
3.应用无人机遥感技术，可以实现低成本、高效率、无损害的进行鲜食玉米含糖量和含水量预测。目前很少有关于鲜食玉米收获时期的判断研究，尤其在借助提取鲜食玉米雌穗和雄穗相关特征的方面，几乎全是以雄穗为主，且多以雄穗估测产量为主。并且鲜食玉米的雄穗在玉米上部，但是其变化没有雌穗敏感，无法准确的去反映鲜食玉米的成熟度。前人的研究中，也并未针对鲜食玉米的收获时期提出具体的解决方案。
4.本方法通过多旋翼无人机平台搭载高清单反相机，拍摄鲜食玉米的高分辨率图像，进而使用深度学习与机器学习分别进行提取和建模，达到预测鲜食玉米收获期的目的。


技术实现要素：

5.(一)要解决的技术问题
6.为了能达到在适时的时期收获鲜食玉米，保证其经济价值收益最高，本发明提供了一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法，实现了对鲜食玉米收获时期的准确预测。
7.(二)技术方案
8.为了解决上述问题，本发明提供了如下技术方案，提供了一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法，具体如下。
9.一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法，其特征在于，包括如下步骤：
10.步骤s1，使用无人机平台搭载高清数码相机，对鲜食玉米作物植株进行高通量、抽穗中后期的数据采集，用于获取连续变化的动态表型数据；
11.步骤s2，在田间人工采集若干株样本，获得鲜食玉米含水量和含糖量的实测值；
12.步骤s3，针对步骤s1中获得的图像，利用深度学习神经网络，精确识别出鲜食玉米的雌穗区域；
13.步骤s4，针对步骤s3中识别出的雌穗区域，提取dn值，进行辐射定标处理，将dn值转换为大气外层表面反射率；
14.步骤s5，基于反射率结果，计算获得相关颜色植被指数；
15.步骤s6，针对步骤s2采集的样本对象，将相关颜色植被指数和人工实测含糖量与含水量进行相关性分析，选取相关性表现良好的颜色植被指数；
16.步骤s7，采用随机森林的方法，将选取的颜色植被指数用来构建鲜食玉米雌穗的含糖量和含水量的预测模型；
17.步骤s8，基于鲜食玉米雌穗的含糖量和含水量预测模型，将s5中获得的相关颜色植被指数作为输入，得到整块田间植株的含糖量和含水量预测值，通过预测值高低来评估鲜食玉米成熟度。
18.更具体地，步骤s1的数据采集是连续的大面积采集，涵盖玉米雌穗颜色变化的中后期。
19.更具体地，步骤s3中，采用深度学习神经网络u-net对鲜食玉米雌穗进行图像分割。
20.更具体地，采用深度学习神经网络u-net对鲜食玉米雌穗进行图像分割时，输入256
×
256的图像，窗口形状为3
×
3的卷积层，后接一个步幅为2、窗口形状为2
×
2的最大池化层；卷积层保持输入的高和宽不变，而池化层则对其减半。
21.更具体地，步骤s5中计算的颜色植被指数包括但不限于以下植被指数中的一种或多种：绿度植被指数gvi、归一化黄度植被指数ndyi、归一化差异植被指数ndi、绿叶面积指数gla、超红指数exr、r分量r*、g分量g*和b分量b*。
22.更具体地，步骤s7中，采用机器学习中的随机森林算法，构建的树的个数为100个，在决策树的每个节点进行分裂时输入特征的个数为50个。
23.更具体地，步骤s8中，利用无人机获取的抽穗中后期任意时间和区域的图像数据，来提取相关颜色植被指数，获得目标鲜食玉米雌穗含糖量和含水量的预测值。
24.(三)有益效果
25.本发明基于发明人在本领域多年的技术积累和研发，提出了一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法，该方法实现了利用遥感数据结合深度学习与机器学习去预测鲜食玉米最适收获时期。
26.与现有的技术而言，具备以下技术优势：(1)利用无人机获取的表型数据，提取鲜食玉米雌穗区域的颜色植被指数，结合随机森林的方法构建鲜食玉米含糖量和含水量的预测模型，较利用鲜食玉米雄穗区域数据构建的模型精度更高，能更好地预测鲜食玉米的成熟度。(2)在无人机获取的高清图像上获取鲜食玉米雌穗区域，该发明结合了深度学习神经网络的方法，能得到准确理想的结果，较之人工目视解译勾画roi区域，该方法更加节约时间成本，识别精度更高。(3)对影像的分辨率要求不高，在合适分辨率下，依然可以得到相似且理想的结果，因此，对于利用无人机进行遥感数据采集而言，可以节约用户购买多光谱相机的成本。
附图说明
27.图1为本发明的方法流程图
28.图2为鲜食玉米雌穗和雄穗分别于含糖量、含水量回归分析
29.图3为鲜食玉米雌穗构建的含糖量预测模型预测值与实测值比较图
30.图4为鲜食玉米雌穗构建的含水量预测模型预测值与实测值比较图
具体实施方式
31.本发明为了解决其技术问题所采用的技术方案，提供了一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法，该方法的方法流程图如图1所示。
32.一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法，其特征在于，包括如下步骤：
33.步骤s1，使用无人机平台搭载高清数码相机，对鲜食玉米作物植株进行高通量、抽穗中后期的数据采集，用于获取连续变化的动态表型数据；
34.步骤s2，在田间人工采集若干株样本，获得鲜食玉米含水量和含糖量的实测值；
35.步骤s3，针对步骤s1中获得的图像，利用深度学习神经网络，精确识别出鲜食玉米的雌穗区域；
36.步骤s4，针对步骤s3中识别出的雌穗区域，提取dn值，进行辐射定标处理，将dn值转换为大气外层表面反射率；
37.步骤s5，基于反射率结果，计算获得相关颜色植被指数；
38.步骤s6，针对步骤s2采集的样本对象，将相关颜色植被指数和人工实测含糖量与含水量进行相关性分析，选取相关性表现良好的颜色植被指数；
39.步骤s7，采用随机森林的方法，将选取的颜色植被指数用来构建鲜食玉米雌穗的含糖量和含水量的预测模型；
40.步骤s8，基于鲜食玉米雌穗的含糖量和含水量预测模型，将s5中获得的相关颜色植被指数作为输入，得到整块田间植株的含糖量和含水量预测值，通过预测值高低来评估鲜食玉米成熟度。
41.更具体地，步骤s1的数据采集是连续的大面积采集，涵盖玉米雌穗颜色变化的中后期。
42.更具体地，步骤s3中，采用深度学习神经网络u-net对鲜食玉米雌穗进行图像分割。
43.更具体地，采用深度学习神经网络u-net对鲜食玉米雌穗进行图像分割时，输入256
×
256的图像，窗口形状为3
×
3的卷积层，后接一个步幅为2、窗口形状为2
×
2的最大池化层；卷积层保持输入的高和宽不变，而池化层则对其减半。
44.更具体地，步骤s5中计算的颜色植被指数包括但不限于以下植被指数中的一种或多种：绿度植被指数gvi、归一化黄度植被指数ndyi、归一化差异植被指数ndi、绿叶面积指数gla、超红指数exr、r分量r*、g分量g*和b分量b*。
45.更具体地，步骤s7中，采用机器学习中的随机森林算法，构建的树的个数为100个，在决策树的每个节点进行分裂时输入特征的个数为50个。
46.更具体地，步骤s8中，利用无人机获取的抽穗中后期任意时间和区域的图像数据，来提取相关颜色植被指数，获得目标鲜食玉米雌穗含糖量和含水量的预测值。
47.为了更好地解释本发明的技术方案，以玉米雌穗为具体应用对象，本发明获得了如下结果：
48.(1)用鲜食玉米雌蕊构建模型效果比雄蕊好
49.基于本发明所提出的深度学习u-net分割网络方法提取的雄蕊和雌蕊，分别计算选取的植被指数后，与含糖量、含水量进行回归分析，发现鲜食玉米雄蕊的决定系数r2普遍
较低，如图2所示，没有鲜食玉米雌蕊表现优秀。
50.(2)鲜食玉米成熟度预测效果
51.基于本发明所提出的方法，分别通过鲜食玉米雌蕊的含糖量和含水量来预测鲜食玉米的最佳收获时期，如图3所示，含糖量预测模型的相关系数r为0.902、标准均方根误差nrmse为0.121；如图4所示，含水量预测模型的相关系数r为0.776、标准均方根误差nrmse为0.116。可以发现本发明能稳定地预测鲜食玉米的最佳成熟时期。
52.(3)在武汉市汉南区玉米种植地的应用
53.基于本发明的操作流程，对武汉市汉南区邓西村农户自种玉米地区域(30.319
°
n、113.961
°
e)进行了实地应用。于2021年6月1日至2021年21日内开展，采集鲜食玉米抽穗中后期的无人机图像数据，同时实测与无人机对应目标的含糖量和含水量。构建该地鲜食玉米的含糖量和含水量预测模型，成功的获得目标地区鲜食玉米的含糖量、含水量预测值，通过预测值的高低，来精确地反映鲜食玉米的成熟度，进而得到最佳收获时期。
54.申请中所描述的具体实例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可对本发明所描述的具体实例做各种修改或者补充，或采用类型的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。