【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及作物倒伏程度評(píng)估，具體涉及一種基于深度學(xué)習(xí)的作物倒伏程度評(píng)估方法。
技術(shù)介紹
1、作物的倒伏現(xiàn)象是農(nóng)業(yè)生產(chǎn)中影響作物產(chǎn)量和質(zhì)量的重要因素。倒伏不僅會(huì)導(dǎo)致作物的直接損失，還會(huì)增加收割的難度，進(jìn)而影響整體生產(chǎn)效率。準(zhǔn)確評(píng)估作物倒伏的嚴(yán)重程度對(duì)于優(yōu)化收割策略、評(píng)估倒伏對(duì)產(chǎn)量的影響以及制定防治措施具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。
2、目前，倒伏區(qū)域的識(shí)別和測量主要依賴于人工方法，通常需要農(nóng)民或技術(shù)人員通過田間觀察來判斷。這種方法不僅效率低下，尤其是在大面積作物種植情況下耗時(shí)費(fèi)力，而且容易受到人為因素的影響，導(dǎo)致識(shí)別結(jié)果存在主觀誤差。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)中的上述問題，本專利技術(shù)提供了一種基于深度學(xué)習(xí)的作物倒伏程度評(píng)估方法，解決了現(xiàn)有技術(shù)通過人工觀察作物的倒伏程度存在效率低和誤差大的問題。
2、為了達(dá)到上述目的，本專利技術(shù)采用的技術(shù)方案如下：
3、提供一種基于深度學(xué)習(xí)的作物倒伏程度評(píng)估方法，包括步驟：
4、s1、通過無人機(jī)獲取作物種植區(qū)域上空的訓(xùn)練圖像和目標(biāo)圖像。使用高分辨率相機(jī)的無人機(jī)在作物種植區(qū)域上空拍攝圖像，覆蓋不同生長階段、光照條件和風(fēng)力影響下的作物狀態(tài)。拍攝過程中，確保多角度、不同高度的圖像采集，以獲取足夠的視覺信息。
5、s2、對(duì)訓(xùn)練圖像分割成多個(gè)子圖像，并對(duì)每個(gè)子圖像進(jìn)行預(yù)處理。預(yù)處理操作包括對(duì)子圖像進(jìn)行顏色標(biāo)準(zhǔn)化、亮度和對(duì)比度調(diào)整、去噪預(yù)處理操作，以減少噪聲和光照變化的影響。
6
7、s4、將訓(xùn)練集中的多個(gè)子圖像作為輸入，以對(duì)應(yīng)子圖像掩碼圖中的倒伏區(qū)域作為輸出，訓(xùn)練基于resnet50-unet架構(gòu)的倒伏分割模型，并通過驗(yàn)證集和測試集對(duì)倒伏分割模型進(jìn)行優(yōu)化。
8、s5、將目標(biāo)圖像輸入優(yōu)化的倒伏分割模型中，輸出目標(biāo)圖像的倒伏區(qū)域。
9、s6、將目標(biāo)圖像的倒伏區(qū)域像素?cái)?shù)除以目標(biāo)圖像的總像素?cái)?shù)，得到倒伏區(qū)域面積占比r。
10、s7、將倒伏區(qū)域面積占比r換算成倒伏程度ls，ls＝round(1+9×r)。根據(jù)目標(biāo)圖像中的倒伏區(qū)域面積占比r來計(jì)算倒伏程度ls，將倒伏程度標(biāo)準(zhǔn)化在1～10的整數(shù)范圍內(nèi)，從而表示不同倒伏程度的等級(jí)，便于比較與分析。
11、本方案中，通過無人機(jī)獲取作物種植區(qū)域的高分辨率圖像，圖像獲取速度快，覆蓋范圍大，利用基于resnet50-unet架構(gòu)的倒伏分割模型，能夠自動(dòng)識(shí)別出倒伏區(qū)域，避免了人工觀察誤差，且通過倒伏程度標(biāo)準(zhǔn)化處理，便于直觀了解到該區(qū)域的倒伏程度。
12、進(jìn)一步地，倒伏分割模型的訓(xùn)練過程包括對(duì)子圖像的數(shù)據(jù)增強(qiáng)處理，數(shù)據(jù)增強(qiáng)處理包括對(duì)子圖像的隨機(jī)裁剪、旋轉(zhuǎn)、縮放、水平和垂直翻轉(zhuǎn)、長和寬的隨機(jī)比例扭曲。數(shù)據(jù)增強(qiáng)處理增加了訓(xùn)練數(shù)據(jù)的多樣性，提高了模型的泛化能力和魯棒性，使其在不同環(huán)境和條件下都能表現(xiàn)出良好的性能。
13、進(jìn)一步地，倒伏分割模型包括resnet50編碼器和unet解碼器，resnet50編碼器中的每個(gè)殘差塊后設(shè)置有對(duì)倒伏區(qū)域進(jìn)行加權(quán)的通道注意力模塊；resnet50編碼器將子圖像作為輸入并輸出特征圖fresnet，特征圖fresnet輸入至unet解碼器中；unet解碼器在解碼過程中，每次上采樣操作后，將生成的上采樣特征圖fup輸入到空間注意力模塊中；空間注意力模塊通過對(duì)fresnet中每個(gè)位置的重要性進(jìn)行評(píng)估，生成空間注意力權(quán)重wspatial，并對(duì)fup進(jìn)行加權(quán)處理，得到聚焦于倒伏區(qū)域細(xì)節(jié)和邊緣的倒伏區(qū)域特征圖。
14、通道注意力模塊能夠增強(qiáng)模型對(duì)倒伏區(qū)域特征的選擇性，使其更加關(guān)注與倒伏相關(guān)的通道信息，過濾掉干擾特征。空間注意力模塊幫助模型在逐步恢復(fù)高分辨率時(shí)，動(dòng)態(tài)聚焦于倒伏區(qū)域的關(guān)鍵細(xì)節(jié)和邊緣，減小背景干擾對(duì)分割精度的影響，能在倒伏區(qū)域的細(xì)節(jié)提取和邊界清晰度上提供更高的準(zhǔn)確性，使模型在復(fù)雜環(huán)境下實(shí)現(xiàn)更精細(xì)的分割效果，提升對(duì)倒伏區(qū)域的精確定位能力。
15、進(jìn)一步地，倒伏分割模型的損失函數(shù)為ltotal；
16、ltotal＝λ1lce+λ2lfl+λ3ldice
17、
18、其中，λ1、λ2和λ3均為權(quán)重系數(shù)，lce為交叉熵?fù)p失，yi為真實(shí)標(biāo)簽，pi為預(yù)測概率；lfl為焦點(diǎn)損失，γ為調(diào)節(jié)因子；ldice為dice?loss損失，為預(yù)測標(biāo)簽，∈為常數(shù)，用于防止除零錯(cuò)誤，i為子圖像中的像素點(diǎn)。倒伏分割模型的損失函數(shù)為交叉熵?fù)p失、焦點(diǎn)損失和diceloss的組合。交叉熵?fù)p失用于分類任務(wù)，焦點(diǎn)損失通過調(diào)整易分樣本的權(quán)重，專注于難分樣本，dice?loss通過最大化預(yù)測與真實(shí)標(biāo)簽之間的重疊區(qū)域，提高分割的精度。這種多損失函數(shù)的組合方法，能夠全面評(píng)估模型的性能，提高模型的分割精度和魯棒性。
19、進(jìn)一步地，倒伏分割模型的訓(xùn)練過程包括難樣本挖掘策略：
20、s4.1將訓(xùn)練集中所有子圖像依次輸入至倒伏分割模型中進(jìn)行一輪訓(xùn)練，并獲取每個(gè)子圖像對(duì)應(yīng)的ltotal。
21、s4.2、根據(jù)多個(gè)ltotal對(duì)所有子圖像進(jìn)行排序，選出ltotal最高的前20％子圖像，作為難樣本，并增加難樣本的采樣概率。
22、s4.3、倒伏分割模型對(duì)訓(xùn)練集進(jìn)行采樣，進(jìn)行10輪訓(xùn)練；在這些輪次中，難樣本的采樣概率較高，以增加模型對(duì)難樣本的關(guān)注度。
23、s4.4、重復(fù)步驟s4.1～s4.3，每10輪訓(xùn)練結(jié)束后，重新評(píng)估所有子圖像的損失值，動(dòng)態(tài)更新難樣本集。直至完成倒伏分割模型的訓(xùn)練。
24、通過難樣本挖掘策略策略，模型能夠在訓(xùn)練過程中更加關(guān)注那些難以正確分割的子圖像，從而提高整體的分割精度和魯棒性。每一輪訓(xùn)練結(jié)束后，模型會(huì)重新評(píng)估所有子圖像的損失值，動(dòng)態(tài)選擇和更新難樣本集，確保模型不斷優(yōu)化對(duì)難樣本的處理能力。
25、進(jìn)一步地，倒伏分割模型的優(yōu)化方法包括：將驗(yàn)證集輸入至倒伏分割模型中，獲取ltotal并根據(jù)ltotal調(diào)整超參數(shù)形成多個(gè)倒伏分割模型。
26、進(jìn)一步地，倒伏分割模型的優(yōu)化方法還包括：將測試集輸入至步驟s6中的多個(gè)倒伏分割模型中，通過miou指標(biāo)挑選出最優(yōu)倒伏分割模型。
27、進(jìn)一步地，倒伏分割模型的優(yōu)化器為adam優(yōu)化器。確保模型在訓(xùn)練過程中的高效收斂。
28、進(jìn)一步地，訓(xùn)練集、驗(yàn)證集和測試集中的子圖像比例為8:1:1。確保數(shù)據(jù)集涵蓋不同的倒伏情況、光照條件和拍攝角度。
29、本專利技術(shù)公開了一種基于深度學(xué)習(xí)的作物倒伏程度評(píng)估方法，其有益效果為：
30、本專利技術(shù)通過無人機(jī)獲取作物種植區(qū)域的高分辨率圖像，圖像獲取速度快，覆蓋范圍大，并利用基于resnet50-unet架構(gòu)的倒伏分割模型，能夠自動(dòng)識(shí)別出倒伏區(qū)域，避免了人工觀察誤差，且通過倒伏程度標(biāo)準(zhǔn)化處理，便于直觀了解到該區(qū)域的倒伏程度。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)的作物倒伏程度評(píng)估方法，其特征在于，包括步驟：
2.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，倒伏分割模型的訓(xùn)練過程包括對(duì)子圖像的數(shù)據(jù)增強(qiáng)處理，數(shù)據(jù)增強(qiáng)處理包括對(duì)子圖像的隨機(jī)裁剪、旋轉(zhuǎn)、縮放、水平和垂直翻轉(zhuǎn)、長和寬的隨機(jī)比例扭曲。
3.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，倒伏分割模型包括ResNet50編碼器和UNet解碼器，ResNet50編碼器中的每個(gè)殘差塊后設(shè)置有對(duì)倒伏區(qū)域進(jìn)行加權(quán)的通道注意力模塊；ResNet50編碼器將子圖像作為輸入并輸出特征圖Fresnet，特征圖Fresnet輸入至UNet解碼器中；
4.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，倒伏分割模型的損失函數(shù)為Ltotal；
5.根據(jù)權(quán)利要求4所述的評(píng)估方法，其特征在于，倒伏分割模型的訓(xùn)練過程包括難樣本挖掘策略：
6.根據(jù)權(quán)利要求4所述的評(píng)估方法，其特征在于，倒伏分割模型的優(yōu)化方法包括：將驗(yàn)證集輸入至倒伏分割模型中，獲取Ltotal并根據(jù)Ltotal調(diào)整超參數(shù)形成多個(gè)倒伏分割模型。
7.根據(jù)權(quán)利要求6所述的評(píng)估
8.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，倒伏分割模型的優(yōu)化器為Adam優(yōu)化器。
9.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，訓(xùn)練集、驗(yàn)證集和測試集中的子圖像比例為8:1:1。
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的作物倒伏程度評(píng)估方法，其特征在于，包括步驟：
2.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，倒伏分割模型的訓(xùn)練過程包括對(duì)子圖像的數(shù)據(jù)增強(qiáng)處理，數(shù)據(jù)增強(qiáng)處理包括對(duì)子圖像的隨機(jī)裁剪、旋轉(zhuǎn)、縮放、水平和垂直翻轉(zhuǎn)、長和寬的隨機(jī)比例扭曲。
3.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，倒伏分割模型包括resnet50編碼器和unet解碼器，resnet50編碼器中的每個(gè)殘差塊后設(shè)置有對(duì)倒伏區(qū)域進(jìn)行加權(quán)的通道注意力模塊；resnet50編碼器將子圖像作為輸入并輸出特征圖fresnet，特征圖fresnet輸入至unet解碼器中；
4.根據(jù)權(quán)利要求1所述的評(píng)估方法，其特征在于，倒伏分割模型的損失函數(shù)為ltotal；<...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：蔣霓，嚴(yán)閩汝，鄭樹松，李宗陽，
申請(專利權(quán))人：中國科學(xué)院遺傳與發(fā)育生物學(xué)研究所，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。