【技術實現步驟摘要】
本專利技術屬于農作物產量預測，尤其涉及基于注意力機制的無人機rgb圖像棉花產量預測方法。
技術介紹
1、棉花作為農業經濟的關鍵支柱，其產量的精確預測對于農業生產者、決策者和市場參與者在農業規劃、市場運作和風險管理等方面提供了關鍵的信息和指導。傳統的產量方法是抽樣調查，這種方法需要對棉田進行大面積的破壞性抽樣，耗費大量的時間和人力成本。近年來，遙感技術在農業生產監測中應用越來越廣泛。衛星遙感技術由于易受天氣影響不能滿足田塊尺度監測的需要，而無人機遙感技術具有便于攜帶、低成本、高分辨率等優點，彌補了這一缺點，已成為精準農業研究的熱門方向。
2、目前，國內外學者基于無人機搭載不同圖像采集器(可見光相機、熱紅外相機、多光譜相機)對作物表型信息開展了大量研究，實現了對作物生長參數，如生物量、葉面積指數等的有效評估。作物產量預測已經成為無人機生產監測的重要研究內容。如張靜等從棉花冠層圖像提取了顏色、紋理特征與棉花產量分別建立回歸模型，結果表明，由顏色和紋理特征變量建立的逐步回歸模型效果最佳，平均絕對百分比誤差為2.31％。劉欣誼等通過rgb圖像處理獲取小麥田間顏色和紋理特征指數，通過分析不同顏色和紋理特征指數與小麥產量關系，建立小麥產量預測模型，發現較單一顏色和紋理指數產量預測模型，顏色和紋理特征指數相結合建立的線性回歸預測模型精度最高，決定系數分別提升23.71％和16.27％。
3、然而線性回歸模型結構簡單，難以拓展應用或與其它特征相結合。向友珍等基于無人機的多光譜圖像提取與產量相關心較好的5個植被指數，結合多個
4、深度學習因為可以更充分地利用數據集中的大量特征，在數據量充足且相關特征較多的情況下，預測效果通常較傳統機器學習好，目前被很多學者用于作物產量預測。
5、深度學習方法使用多層神經網絡如卷積神經網絡(convolutional?neuralnetworks,cnn)、長短期記憶神經網絡(long?short-term?memory?neural?network，lstm)等極性預測，如孫少杰等使用卷積神經網絡對sentinel-2遙感數據進行冬小麥種植區的分析和提取，將得到的種植區分布數據與耕地分布數據進行了融合，對融合后的數據進行產量特征提取和預測，發現基于卷積神經網絡冬小麥產量預測方法決定系數達到0.87以上；赫曉慧等結合循環神經網絡(recurrent?neural?network，rnn)選取2001-2018年冬小麥的生長特征并對其產量進行回歸預測，相較于卷積神經網絡均方根誤差(root?mean?squareerror，rmse)降低了20.13％；王旭等利用中國冬小麥主產區2001-2018年的遙感數據、氣象數據和縣域產量，構建基于長短期記憶(long?short-term?memory,lstm)估產模型，并與傳統機器學習模型對比，研究結果表明，基于全部數據的lstm模型精度最高，平均決定系數為0.853；劉海姣等構建了一種基于雙向長短期記憶網絡(bidirectional?long?short-termmemory,bilstm)的芒果產量預測模型，通過芒果產量與氣象要素的相關性分析，選擇相關性較高的要素作為模型的輸入。發現該模型比其它機器學習模型具有更高的預測精度。
6、此外，以cnn-bilstm模型為代表的基于深度學習的混合模型在產量預測領域逐漸受到關注，如戴健國等以棉花苗期、蕾期和花期的影像為時間序列數據集，構建混合模型cnn-bilstm進行棉花產量預估，發現對比單一結構的bilstm，該模型決定系數從0.851提升至0.885.然后，基于深度學習作物產量預測的研究多集中于小麥、玉米等糧食作物，對棉花的研究相對較少，且已有關于棉花產量預測方面的研究多是基于多年氣象和棉花物候信息對全省范圍的產量建立模型，少見于無人機rgb圖像對田塊尺度的棉花產量估算。
7、綜上，目前作物產量預測存在以下問題：
8、(1).單一顏色或紋理特征指數產量預測模型，在復雜背景下可靠性較低。
9、(2).現有預測方法中多采用線性回歸、經驗模型等傳統算法，但農業特征數據通常包含大量的非線性關系、時間序列特征和多源異構數據，而傳統機器學習方法通常依賴于人工設計的特征，這需要大量的領域知識和試錯。
10、(3).棉花的產量的預測不同于小麥、蘋果等作物的預測，因為棉花采集部位是棉花的冠層圖像，但棉花葉片比較大、且比較密實，如果不對棉花前期進行處理，采集得到的冠層圖像則會比較單一，數據相似度高，造成結果預測不準確。同時如果棉花植株處理不當，棉花冠層葉片大量脫落，冠層信息減少，壟間土壤進入采集圖像中，也會造成預測不準確。
技術實現思路
1、本專利技術的目的在于解決上述現有技術存在的缺陷，提供基于注意力機制的無人機rgb圖像棉花產量預測方法，通過無人機搭載可見光相機采集不同葉片密度和品種的棉花冠層rgb圖像，解決了單一特征預測精度不高的問題，提取圖像顏色特征和紋理特征并將其結合，通過主成分分析方法處理數據，建立基于注意力機制的cnn-bilstm棉花產量預測模型，對比分析不同棉花品種的幾種深度學習產量預測模型，篩選出最優的預測模型，旨在為利用無人機快速預測棉花產量提供參考。
2、本專利技術采用如下技術方案：
3、基于注意力機制的無人機rgb圖像棉花產量預測方法，包括如下步驟：
4、步驟1.選擇合適的預測對象
5、選擇膜寬、行距、株距合理的棉田，選擇抗倒伏、對脫葉劑不敏感的新陸早33號品種，膜寬2.05m，行距為(66+10)cm，株距為5.6cm。
6、步驟2.在不同時間點噴施合理劑量的脫葉劑
7、脫葉劑為脫吐隆。
8、步驟3.試驗數據獲取
9、301.使用無人機獲取圖像并處理
10、在棉花采收期前，使用航拍無人機采集整個步驟1中棉田的高清彩色圖像。圖像采集時鏡頭垂直向下，等時間間隔拍照，設置飛行高度為10m，航向及旁向重疊度為80％，相機快門速度為1/240s，感光度iso值為100，獲取的圖像尺寸為5472×3648像素，格式為jpg。
11、使用軟件將獲取的圖像拼接成正射影像，拼接后的正射影像以tiff格式存儲，并將拼接完成的棉田影像裁剪。
12、302.圖像顏色指數特征參數計算
13、利用軟件提取rgb棉花冠層圖像的顏色特征值，首先對其進行歸一化處理并計算出r、g、b值，然后根據不同組合計算12個可見光顏色特征指數：
14、
本文檔來自技高網...
【技術保護點】
1.基于注意力機制的無人機RGB圖像棉花產量預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟1包括：棉花品種為新陸早33號品種，膜寬2.05m，行距為76cm，株距為5.6cm。
3.根據權利要求1所述的方法，其特征在于，步驟2，根據棉田的大小選擇合適的時間噴施合理劑量的脫葉劑，脫葉劑為脫吐隆。
4.根據權利要求1所述的方法，其特征在于，步驟301包括：圖像采集時鏡頭垂直向下，等時間間隔拍照，設置飛行高度為10m，航向及旁向重疊度為80％，相機快門速度為1/240s，感光度ISO值為100，獲取的圖像尺寸為5472×3648像素，格式為JPG。
5.根據權利要求2所述的方法，其特征在于，還包括步驟305.利用主成分分析處理12種顏色特征和7種紋理特征，并將特征數據的量綱和量級進行統一，選取方差貢獻率分別為49.857％、29.592％、8.533％和6.731％的主成分因子PCA1、PCA2、PCA3和PCA4，記錄各個特征指標的載荷值，以4種主成分因子和產量數據為最終的特征數據。
6
...【技術特征摘要】
1.基于注意力機制的無人機rgb圖像棉花產量預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟1包括：棉花品種為新陸早33號品種，膜寬2.05m，行距為76cm，株距為5.6cm。
3.根據權利要求1所述的方法，其特征在于，步驟2，根據棉田的大小選擇合適的時間噴施合理劑量的脫葉劑，脫葉劑為脫吐隆。
4.根據權利要求1所述的方法，其特征在于，步驟301包括：圖像采集時鏡頭垂直向下，等時間間隔拍照，設置飛行高度為10m，航向及旁向重疊度為80％，相機快門速度為1/240s，感光度iso值為100，獲取的圖像尺寸為5...
【專利技術屬性】
技術研發人員：張榮華，楊勇強，劉長征，龔澳慧，徐濤，謝宇飛，
申請(專利權)人：石河子大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。