CN112861712B - 基于人工智能与多时相遥感的农业病虫害监测方法 - Google Patents
基于人工智能与多时相遥感的农业病虫害监测方法 Download PDFInfo
- Publication number
- CN112861712B CN112861712B CN202110165236.0A CN202110165236A CN112861712B CN 112861712 B CN112861712 B CN 112861712B CN 202110165236 A CN202110165236 A CN 202110165236A CN 112861712 B CN112861712 B CN 112861712B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- index
- weight
- crop
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 201000010099 disease Diseases 0.000 title claims abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 230000009545 invasion Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 244000038559 crop plants Species 0.000 claims 1
- 241000209140 Triticum Species 0.000 abstract description 77
- 235000021307 Triticum Nutrition 0.000 abstract description 75
- 241000238631 Hexapoda Species 0.000 abstract description 16
- 230000007480 spreading Effects 0.000 abstract description 4
- 238000003892 spreading Methods 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 230000002123 temporal effect Effects 0.000 abstract 2
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 230000004075 alteration Effects 0.000 description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及基于人工智能与多时相遥感的农业病虫害监测方法,其获取至少两个时相遥感影像,通过真彩色合成得到至少两个时相真彩色遥感影像,通过对遥感影像的分析,得到对应的遥感指数图像;然后对构建神经网络模型利用改进的交叉熵损失函数进行训练;将真彩色遥感影像和遥感指数图像作为训练好的神经网络模型的输入,提取相邻两时相遥感影像数据的光谱与遥感指数的变化特征,并输入到解码器,输出下一时相的遥感影像的病虫害等级图像。本发明对改进的交叉熵损失函数引入了区域权重图像、色差权重图像、小麦生长状态权值图像这些因素,能够对多时相农作物区域进行指标量化,使得网络对内部虫害严重、蔓延速度快的位置更敏感,提高了预测病虫害的精度。
Description
技术领域
本发明涉及人工智能、多时相遥感、智慧农业领域,具体涉及一种基于人工智能与多时相遥感的农业病虫害监测方法。
背景技术
作物病虫害因具有发生种类多、影响范围广和局部爆发成灾的特点,一直以来是制约农业生产的一个重要因素,能够对作物产量和品质造成较大的影响。近年来,中国农业灾害表现为规模增大、程度加深的趋势。
长期以来,农作物田块层次的取样实地调查一直是病虫害识别与监测的主要手段,但这类方法花费大量人力和时间,取样的范围和样本量有效,难以获得大范围的资料,随着劳动力成本的上升,迫切需要开发及时、大尺度、准确的监测技术。
基于单景卫星影像进行病虫害监测时,往往很难避免一些其他因素的影响,如田间胁迫和农田环境等,造成监测精度不理想。而多时相遥感能够快速、大面积地监测作物种植结构、长势动态、养分状况等信息,并能够预测作物产量,提供精准生产管理决策信息,是当前农作物病虫害监测的发展方向。虽然多时相遥感技术的研究取得了很多成果,但是,其仍存在一些不足的问题,如人为干扰严重,精度不稳定、精度不高等问题。
发明内容
本发明的目的在于提供一种基于人工智能与多时相遥感的农业病虫害监测方法,用于解决利用多时相遥感进行病虫害监测时,精度不高的问题。
为了解决上述问题,本发明采用以下技术方案:
一种基于人工智能与多时相遥感的农业病虫害监测方法,包括以下步骤:
步骤1,获取至少两个时相遥感影像,并对不同时相遥感影像进行预处理,对预处理后的图像通过真彩色合成得到至少两个时相真彩色遥感影像;
步骤2,对至少两个时相遥感影像进行分析,分别计算对应的遥感指数,并得到对应的遥感指数图像;所述遥感指数包括归一化植被指数NDVI、叶面积指数LAI、垂直干旱指数PDI;
步骤3,构建神经网络模型,对所述神经网络模型进行训练,在训练过程中利用改进的交叉熵损失函数对神经网络模型训练,得到训练好的神经网络模型;
步骤4,将所述至少两个时相真彩色遥感影像和遥感指数图像作为输入,利用训练好的神经网络模型,提取相邻两时相遥感影像数据的光谱与遥感指数变化特征,将所述变化特征进行融合后输入到解码器,输出下一时相的遥感影像的病虫害等级图像;
所述步骤3中的改进的交叉熵损失函数为
其中,Imagei表示加权图像中第i个像素值,Imagei表示加权图像中第i个像素值,Image=ImageA+ImageB+ImageC+ImageD,其中,ImageA为色差权重图像,ImageB为农作物生长状态权重图像,ImageC为区域权重图像,ImageD为设定图像,所述设定图像的所有像值均为1,色差权重图像、农作物生长状态权重图像、区域权重图像和设定图像均与真彩色遥感影像等大;p(x)为图像中某一个像素的期望输出,q(x)为实际输出。
进一步地,获取色差权重图像的步骤为:
步骤a,对多时相遥感影像进行处理,获取不同时相的农作物的地物图像,进行二值化处理,分别得到多时相的农作物的地物二值图像;
步骤b,将不同时相的农作物的地物二值图像与对应时相的遥感影像相乘,得到不同时相的地物图像,并将其转换到Lab颜色空间,计算出两两相邻时相的地物图像的色差,对计算出的所有色差求平均值得到平均色差权重,将农作物的位置赋值为平均色差权重,其他赋值为0,生成色差权重图像ImageA。
进一步地,获取农作物生长状态权重图像的方法为:
基于多时相遥感影像分析红边偏移程度,得到相应的生长状态权重,建立农作物生长状态权重图像。
进一步地,获取区域权重图像的步骤为:
步骤1),建立每个连通域中的每个农作物像素点的变化指标T:
T=w1*C+w2*R
其中w1、w2为相应的指标权重,分别取值为0.45,0.55,C为农作物像素点的色差权重,R为农作物像素点的生长状态权重;
步骤2),判断变化指标与设定阈值的大小,当变化指标大于设定阈值G,则该像素点为异常农作物,异常农作物的数量记作N1;对每个异常农作物的相邻正常农作物计数为N2;计算内部入侵量化指标P;
所述的内部入侵量化指标P为:
步骤3),根据获取的内部入侵量化指标,对每个连通域的农作物像素点进行赋值,得到区域权重图像ImageC。
进一步地,获取区域权重图像时,还包括计算入侵可能性指标的步骤,如下:
1,获取每个农作物连通域的平均色差权重、平均生长状态权重、平均变化指标权重:
其中,Ci为第i个农作物连通域的平均色差权重,Ri为第i个农作物连通域的平均生长状态权重,N为农作物连通域的个数,w1、w2为相应的指标权重,分别取值为0.45,0.55;
2,判断平均变化指标与区域阈值的大小,当平均变化指标大于区域阈值,则该平均变化指标对应的农作物连通域为异常区域;
3,计算异常区域的半径r,以半径r生成圆,对所处在该圆的非异常农作物连通域进行入侵分析,得到入侵可能性指标;
所述入侵可能性指标为:
U=1+loga(d*w6)*w7
其中,d为非异常农作物连通域质心到异常区域质心之间的距离,a∈(0,1),w6、w7为系数,取值分别为0.03和0.07;
所述半径的计算公式为:
其中,w4、w5为相应的映射值,取值分别为4和2;
4,将所述入侵可能性指标叠加到内部入侵量化指标中,再对每个连通域的农作物像素点进行赋值,得到区域权重图像ImageC。
本发明的有益效果为:
本发明通过构建的神经网络模型中的交叉熵损失函数进行改进,引入区域权重图像、色差权重图像、小麦生长状态权值图像这些因素,能够对多时相农作物区域进行指标量化,可以为神经网络提供训练方向,使得网络对内部虫害严重、蔓延速度快的位置更敏感,进而提高预测病虫害的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍:
图1是本发明的基于人工智能与多时相遥感的农业病虫害监测方法实施例的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行介绍。为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明主要是利用多时相遥感、人工智能技术对农作物进行病虫害的预测;通过农作物遭受病虫害后在生理机制与外部形态上反映的可探测性,应用遥感手段,及时揭露危害因子,提供危害范围和等级的信息。受害农作物形态变异包括叶形、冠形变化,部分或全部落叶。生理损害反映为光合作用降低,叶绿素衰减,导致反射光谱变化。这些隐象可为遥感所揭示。
以冬小麦为例,其中小麦锈病主要有秆锈病、叶锈病、条锈病三种,它们具有一定的相同点,具体的是,这三种病害均会导致小麦的叶秆、叶鞘、叶片等处在早期出现大片黄斑,随后黄斑会随着生长而连接成片,形成铁锈色的粉疮,也就是夏孢子聚集的表现,当病害进入后期会在这些位置出现黑色的斑疮,这是冬孢子聚集的表现。当小麦植株出现锈病以后会受到非常严重的影响,不仅会降低光合作用,还会使小麦植株的水分大量流失,降低籽粒的饱满度和灌浆,使小麦叶片早衰,进而严重降低小麦的产量。
因此,基于上述分析,下面以冬小麦为例,分别采集设定时间间隔的三时相遥感影像数据,对本实施例提供的基于人工智能与多时相遥感的农业病虫害监测方法进行具体介绍,如图1所示,包括:
步骤一:获取三时相遥感影像,并对三时相遥感影像进行预处理,对预处理后的图像通过真彩色合成得到三时相真彩色遥感影像;
本实施例中的遥感影像预处理的过程包括几何校正(地理定位、几何精校正、图像配准、正射校正等)、图像融合、图像镶嵌、图像裁剪、去云及阴影处理和大气校正等环节,该预处理方法由于为现有技术,此处不再过多赘述。
步骤二:对三时相遥感影像进行分析,分别计算对应的遥感指数,并得到对应的遥感指数图像;所述遥感指数包括NDVI、叶面积指数LAI、垂直干旱指数PDI;
其中,本实施例中选取能反映小麦生长状态的归一化植被指数NDVI、叶面积指数LAI及垂直干旱指数PDI来进行小麦虫害预测。
其中的归一化植被指数(NDVI)对绿色小麦表现敏感,常用于度量地表小麦数量和活力,是小麦生长状态和小麦覆盖度的最佳指示因子。
叶面积指数LAI可采用统计模型法,主要是将遥感图像数据归一化植被指数NDVI、比值植被指数RVI和垂直植被指数PVI与实测LAI建立模型,这种方法输入参数单一,不需要复杂的计算,因此成为遥感估算LAI的常用方法。
垂直干旱指数(PDI)获取方法同样为现有技术,此处不再赘述。
上述实施例中的遥感指数图像是通过计算得到的遥感指数进行赋值获得的。
步骤三:构建神经网络模型,对所述神经网络模型进行训练,在训练过程中利用改进的交叉熵损失函数对神经网络模型训练,得到训练好的神经网络模型;
本实施例中的神经网络模型结构,包括第一时相自编码器、第二时相自编码器和解码器。
其训练过程包括如下步骤:
a)将获取的三时相真彩色遥感影像以及遥感指数图像进行预处理,如归一化、标准化等方法,然后进行数据集划分得到训练集和测试集。
其中,多时相真彩色遥感影像及遥感指数图像(NDVI、LAI、PDI)为六通道的图像。
b)将训练集中的第一时相遥感影像作为输入,第二时相遥感影像作为输出,对第一时相自编码器进行训练;将训练集中的第二时相遥感影像作为输入,第按三时相遥感影像作为输出,对第二时相自编码器进行训练,分别得到训练好的第一时相自编码器和第二时相自编码器。
本实施例中的第一时相自编码器、第二时相自编码器为编码器、解码器结构,通过自编码结构可以实现无监督的变化特征提取;同时,第一时相自编码器、第二时相自编码器采用的损失函数均为均方差损失函数。
c)将第一自编码器和第二自编码器中对应的编码器提取的变化特征进行Concatenate(联合)操作,实现特征的融合,融合后的变化特征作为解码器的输入,农业病虫害的预测等级为输出,进行神经网络模型的训练。
需要说明的是,本实施例中的农业病虫害的预测等级是通过人为标注,如对第四时相农业病虫害进行预测,其标注等级为:严重:4级;中等:3级;轻度:2级;健康:1级;同时需要包含一个其它类别,表示非小麦区域,用像素值0代替,其余则用等级值代替像素值。
上述实施例中的改进的交叉熵损失函数为:
其中,Imagei表示加权图像中第i个像素值,Image=ImageA+
ImageB+ImageC+ImageD
其中,ImageA为色差权重图像,ImageB为小麦生长状态权重图像,ImageC为区域权重图像,ImageD为设定图像,所述设定图像为与遥感影像同大小的,其中的所有像素值均为1,该设定图像是用作基础权重,保证预测可以分类出其它类别;p(x)为图像中某一个像素的期望输出,q(x)为实际输出。
其中设置的改进的交叉熵损失函数是对每个位置的原始交叉熵进行加权。
上述实施例中色差权重图像、小麦生长状态权重图像和区域权重图像的获取方法具体如下:
1)色差权重图像的获取:
首先,对所述三时相遥感影像进行处理,获取不同时相的小麦的地物图像,进而进行二值化处理,分别得到三时相的小麦的地物二值图像;
本实施例中农作物的地物二值图像中的小麦的像素值为1,其他像素值均为0。
其次,将三时相的农作物的地物二值图像与对应时相的遥感影像相乘,得到三时相的农作物的地物图像,并将其转换到Lab颜色空间,计算出第一时相与第二时相的小麦的地物图像的色差、第二时相与第三时相的小麦的地物图像的色差,对两色差求平均值得到平均色差权重,并生成色差权重图像;
其中,小麦的地物图像的色差为:
C=DECIE2000(c1,c3)
式中,DECIE2000为计算第一时相与第二时相的色差、第二时相与第三时相的色差,对两色差求平均值得到平均色差的公式,并将其结果作为该像素的权重;即色差值越大,说明颜色差异越大,越可能遭受到虫害。
上述步骤中的色差权重图像与遥感影像同大小,小麦位置为相应的C值,其它取值为0。
本实施例中,基于原图像相应位置的小麦像素分析色差,分析多时相遥感影像颜色偏差变化趋势(小麦为绿色->小麦锈病后偏黄色,小麦未成熟时是绿色,成熟的时候是黄色),基于颜色偏差进行色差权重图像的生成。
2)小麦生长状态权重图像的获取:
需要说明的是,红边与小麦的各种理化参数是紧密相关的,是描述植物色素状态和健康状况的重要的指示波段,因此红边是遥感调查小麦状态的理想工具。小麦覆盖度和叶面积指数有关,小麦覆盖度越高,叶面积指数越大,红边斜率也就越大,相应的小麦生长状态越好,红边位置会出现“红移”;反之,则红边位置会相应“蓝移”。
本实施例中是基于多时相遥感影像分析红边偏移程度,得到相应的生长状态权重,建立小麦生长状态权重图像,由于本发明采用的多光谱相机,其是一种光学遥感器,既可以对地面成像,又可以测量地面的光谱特征,因此,小麦像素获取第一时相、第二时相和第三时相的红边位置(即680-750nm波长区间一阶微分最大值所对应的波长位置)。
其中,小麦的生长状态权重的公式为:
其中,R为该位置的权重,a>1,b为映射系数,经验取值a=2,b=5;x1-x2为第一时相该像素位置的红边位置与第二时相红边位置的差,x2-x3为第二时相该像素位置的红边位置与第三时相红边位置的差;当红边位置红移时,权重越大,代表该位置越可能遭遇虫害,反之,红边位置蓝移时,权重越小,可能未遭遇虫害。
其中,上述实施例中的小麦生长状态权重图像ImageB,与遥感影像同大小,小麦位置赋值为相应的R值,其它取值为0。
3)区域权重图像的获取:由于区域内的小麦状态可能相互影响,因此对每个连通域的内部进行内部入侵分析:
首先,建立每个连通域中的每个小麦像素点的变化指标T:
T=w1*C+w2*R
其中w1、w2为相应的指标权重,经验值为0.45,0.55。
其次,判断变化指标与设定阈值的大小,当变化指标大于设定阈值G,则该像素点为异常小麦,异常小麦的数量记作N1;对每个异常小麦的相邻正常小麦计数为N2;计算内部入侵量化指标P。
其中,计算的每个连通域的内部入侵量化指标P为:
其中,本实施例中的设定阈值G取值为2。
至此,本实施例中可得到每个连通域的小麦内部入侵量化指标,该指标越大表示小麦连通域病虫害越严重。
最后,根据获取的内部入侵量化指标,对每个连通域的小麦像素点进行赋值,得到区域权重图像ImageC。
作为其他实施方式,本发明中,还考虑到了存在很多小麦区域时相色差、小麦生长状态指标小,但其邻近的区域的指标较大,也即小麦区域最外围最可能受到相邻区域的害虫的入侵的影响因素,因此,引入入侵可能指标U。
具体地,首先,获取每个小麦连通域的平均色差、平均小麦生长状态分析、平均变化指标:
其中,Ci为第i个小麦连通域的平均色差权重,Ri为第i个小麦连通域的平均生长状态权重,N为农作物连通域的个数,w1、w2为相应的指标权重,分别取值为0.45,0.55;
其次,判断平均变化指标与区域阈值的大小,当平均变化指标大于区域阈值,则该连通区域为异常区域;
其中,G1为区域阈值,取值为0.8。
然后,计算异常区域的半径r,以半径r生成圆,对所处在该圆的非异常小麦连通域进行入侵分析,得到入侵可能性指标;
其中,入侵可能性指标:
U=1+loga(d*w6)*w7
其中,d为非异常小麦连通域质心到异常区域质心之间的距离,a∈为(0,1),w6、w7为系数,取值为0.03、0.07。
需要说明的是,loga(d*w6)用于函数映射,使得d越大,该值越小,w6用于值域映射,使得d*w6的值域范围在[0,1]之间,从而避免loga(d*w6)的计算出现负值,w7同样用于值域映射,避免loga(d*w6)值出现过大的值。
其中,半径的公式为:
其中,w4、w5为相应的映射值,分别取值为4和2,当半径r越大,表示该区域虫害越严重。
上述实施例中,每个异常区域对非异常小麦连通域都会进行一次入侵分析,因此,非异常小麦连通域的入侵可能指标可能有多个,此时,对于非异常小麦连通域处在多个异常区域所形成的圆的范围,将入侵可能性指标进行相加即可。
作为其他实施方式,还存在异常区域对异常区域的入侵可能性,其依赖于异常区域的异常程度,对于异常程度的不同的影响,本发明不再分析,直接将异常区域的入侵可能性指标设置为1即可,这样能够使得后续的预测更简单。
最后,对小麦连通域的小麦内部入侵量化指标和入侵可能指标求和,将两者之和作为小麦连通域内小麦的值,其它像素赋值为0,得到区域权重图像ImageC。
需要说明的是,本发明中的交叉熵损失函数引入了色差权重图像、小麦生长状态权值图像、区域权重图像、全一图像进行交叉熵加权,训练神经网络,可以使得神经网络对内部虫害严重、蔓延速度快的小麦区域及邻近异常小麦区域(区域权重图像)、小麦色差较大的位置(色差权重图像)、小麦生长状态差的位置(小麦生长状态权值图像)更敏感,进而提高预测病虫害的精度。
步骤四:将所述真彩色遥感影像和遥感指数图像作为输入,利用训练好的神经网络模型,提取多时相遥感影像数据的光谱与遥感指数变化特征,将所述变化特征输入到解码器中,输出下一个时相的遥感影像的病虫害等级图像。
上述方法是以采集的小麦三时相遥感影像为例,当作为其他实施方式,对于农作物还可以是其他作物,如玉米、大豆等等;对于数据的采集也可以为两个时相的遥感影像,四个时相或者更多的遥感影像;当为两个时相的遥感影像,其区别在于神经网络模型中的自编码器设为一个,色差权重图像和生长状态权重图像的获取,无需求平均值;同理,当为四个时相的遥感影像,其区别在于神经网络模型中的自编码器需设为三个,色差权重图像和生长状态权重图像的获取,需求平均值。
通过上述预测方法,本发明能够及时对农作物的病虫害等级进行预测,有效地提供了农作的产量。
需要说明的是,尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (4)
1.一种基于人工智能与多时相遥感的农业病虫害监测方法,其特征在于,包括以下步骤:
步骤1,获取至少两个时相遥感影像,并对不同时相遥感影像进行预处理,对预处理后的图像通过真彩色合成得到至少两个时相真彩色遥感影像;
步骤2,对不同时相遥感影像进行分析,分别计算对应的遥感指数,并得到对应的遥感指数图像;所述遥感指数包括归一化植被指数NDVI、叶面积指数LAI、垂直干旱指数PDI;
步骤3,构建神经网络模型,对所述神经网络模型进行训练,在训练过程中利用改进的交叉熵损失函数对神经网络模型训练,得到训练好的神经网络模型;
步骤4,将所述至少两个时相真彩色遥感影像和遥感指数图像作为输入,利用训练好的神经网络模型,提取相邻两时相遥感影像数据的光谱与遥感指数变化特征,将所述变化特征进行融合后输入到解码器,输出下一时相的遥感影像的病虫害等级图像;
所述步骤3中的改进的交叉熵损失函数为
其中,Image i 表示加权图像中第i个像素值,,其中,为色差权重图像,为农作物生长状态权重图像,为区域权重图像,为设定图像,所述设定图像的所有像值均为1,色差权重图像、农作物生长状态权重图像、区域权重图像和设定图像均与真彩色遥感影像等大;p(x)为图像中某一个像素的期望输出,q(x)为实际输出;
获取区域权重图像的步骤为:
其中w1、w2为相应的指标权重,分别取值为0.45,0.55,C为农作物像素点的色差权重,R为农作物像素点的生长状态权重;
3.根据权利要求1所述的基于人工智能与多时相遥感的农业病虫害监测方法,其特征在于,获取农作物生长状态权重图像的方法为:
基于多时相遥感影像分析红边偏移程度,得到相应的生长状态权重,建立农作物生长状态权重图像。
4.根据权利要求1所述的基于人工智能与多时相遥感的农业病虫害监测方法,其特征在于,获取区域权重图像时,还包括计算入侵可能性指标的步骤,如下:
1,获取每个农作物连通域的平均色差权重、平均生长状态权重、平均变化指标:
2,判断平均变化指标与区域阈值的大小,当平均变化指标大于区域阈值,则该平均变化指标对应的农作物连通域为异常区域;
所述入侵可能性指标为:
其中,d为非异常农作物连通域质心到异常区域质心之间的距离,a∈(0,1),w6、w7为系数,取值分别为0.03和0.07;
所述半径的计算公式为:
其中,w4、w5为相应的映射值,取值分别为4和2;
4,将所述入侵可能性指标叠加到内部入侵量化指标中,再对每个连通域的农作物像素点进行赋值,得到区域权重图像ImageC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165236.0A CN112861712B (zh) | 2021-02-06 | 2021-02-06 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165236.0A CN112861712B (zh) | 2021-02-06 | 2021-02-06 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861712A CN112861712A (zh) | 2021-05-28 |
CN112861712B true CN112861712B (zh) | 2022-08-02 |
Family
ID=75988772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110165236.0A Expired - Fee Related CN112861712B (zh) | 2021-02-06 | 2021-02-06 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861712B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114062308A (zh) * | 2021-11-15 | 2022-02-18 | 云南省农业科学院甘蔗研究所 | 一种甘蔗蓟马为害甘蔗精确分级方法 |
CN115578388B (zh) * | 2022-12-07 | 2023-04-21 | 滨州华然化纤绳网有限公司 | 用于纺织生产的数据处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
CN111988985B (zh) * | 2018-02-20 | 2024-01-02 | 流利生物工程有限公司 | 受控农业系统和农业的方法 |
CN108734138B (zh) * | 2018-05-24 | 2020-10-30 | 浙江工业大学 | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 |
KR102106112B1 (ko) * | 2018-06-12 | 2020-04-29 | 주식회사 팜에어 | 드론 영상을 이용한 농작물 판별 장치 및 그 방법 |
CN108960310A (zh) * | 2018-06-25 | 2018-12-07 | 北京普惠三农科技有限公司 | 一种基于人工智能的农业病虫害识别方法 |
CN110287944B (zh) * | 2019-07-04 | 2022-07-01 | 吉林大学 | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 |
CN110517311A (zh) * | 2019-08-30 | 2019-11-29 | 北京麦飞科技有限公司 | 基于叶片病斑面积的病虫害监测方法 |
CN111915513B (zh) * | 2020-07-10 | 2022-07-26 | 河海大学 | 一种基于改进的自适应神经网络的图像去噪方法 |
CN111931581A (zh) * | 2020-07-10 | 2020-11-13 | 威海精讯畅通电子科技有限公司 | 一种基于卷积神经网络农业害虫识别方法、终端及可读存储介质 |
-
2021
- 2021-02-06 CN CN202110165236.0A patent/CN112861712B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112861712A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
Hall et al. | Optical remote sensing applications in viticulture‐a review | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
CN115829162B (zh) | 作物产量预测方法、装置、电子设备及介质 | |
CN110647932B (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN111242934B (zh) | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 | |
CN114663489A (zh) | 一种地块时空特征约束下的农作物叶面积指数遥感反演方法及系统 | |
CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
CN114842338A (zh) | 一种耦合遥感和气象数据的小麦条锈病预测方法及装置 | |
CN111537510B (zh) | 一种基于空间信息技术的农田防护林防风效应计量方法 | |
CN117589767A (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220802 |