CN115049902B

CN115049902B - 柑橘叶片含水量可视化预测方法、系统、设备及存储介质

Info

Publication number: CN115049902B
Application number: CN202210508640.8A
Authority: CN
Inventors: 代秋芳; 廖臣龙; 李震; 宋淑然; 吴伟斌; 薛秀云; 郭元航; 熊诗路; 陈梓蔚; 王元
Original assignee: South China Agricultural University
Current assignee: South China Agricultural University
Priority date: 2022-05-11
Filing date: 2022-05-11
Publication date: 2024-05-10
Anticipated expiration: 2042-05-11
Also published as: CN115049902A

Abstract

本发明公开了一种柑橘叶片含水量可视化预测方法、系统、设备及存储介质，方法包括：获取样本数据集；构建卷积神经网络模型；将样本数据集输入卷积神经网络模型进行训练，得到柑橘叶片水分预测模型；通过高光谱图像采集系统对待识别柑橘叶片进行图像采集和校正，得到待识别柑橘叶片的高光谱图像；对待识别柑橘叶片的高光谱图像去除背景；计算去除背景后的高光谱图像的平均反射率值，得到高光谱图像数据；将高光谱图像数据输入柑橘叶片水分预测模型进行识别，得到每个像素点的含水量预测结果；根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图。本发明可以快速、无损、精确地检测叶片含水量，为农业智能灌溉提供检测依据。

Description

柑橘叶片含水量可视化预测方法、系统、设备及存储介质

技术领域

本发明涉及一种柑橘叶片含水量可视化预测方法、系统、设备及存储介质，属于柑橘生长检测的技术领域。

背景技术

水分是影响作物生长发育的主要因素之一。一方面，当作物处于严重缺水状态时，水分胁迫会直接影响作物的生长发育、光合作用和种子生产，最终，水分胁迫会导致作物减产；另一方面作物承受轻微的水分胁迫，而产量和质量没有下降或是提升。因此，如何准确评估和监测作物水分胁迫，不仅是采取科学对策减少不利影响的关键，也是农业干旱监测、预警和评估的必要研究。

目前，传统的作物水分测定方法主要是烘干法，以及基于机器学习结合特征波段选择的方法建模预测含水量，传统的测量水分存在以下问题：一是烘干法不能直接测定、测定过程耗时较长、柑橘叶片在烘干过程会破坏叶片的成分；二是传统的机器学习无法高效拟合高维复杂的数据，因此需要人工手动的提取光谱数据的特征波段，然而几乎所有的特征波段选择算法都具有局限性，无法广泛的适用各个领域，因此这大大增加的操作的门槛；三是在传统的高光谱预测方法中，每个叶片样本仅使用对应感兴趣区域提取的平均光谱表示，然而高光谱图像中存在丰富的空间分布信息未被充分研究。

高光谱成像技术可同时采集样品的空间及光谱信息，实现对样品的快速无损检测。目前，高光谱成像技术在作物检测中均有应用，并取得良好的效果，Murphy等发现莴苣叶片与NDWI、MSI、IA指数之间具有相关性，可以用于预测莴苣叶片的含水率。Zhen利用偏最小二乘法结合特征波段提取的方法预测冬小麦叶片的含水率。而柑橘领域对高光谱深度学习监测模型的研究很少，尚未有适用于柑橘叶片的水分监测模型。

发明内容

有鉴于此，本发明提供了一种柑橘叶片含水量可视化预测方法、系统、计算机设备及介质，其通过构建卷积神经网络模型，并利用样本数据集对构建好的卷积神经网络模型进行训练和验证，得到柑橘叶片水分预测模型，同时基于高光谱图像中存在丰富的空间分布信息，将目标柑橘叶片的高光谱图像输入柑橘叶片水分预测模型，从而得到目标柑橘叶片的可视化含水量分布图。

本发明的第一个目的在于提供一种柑橘叶片含水量可视化预测方法。

本发明的第二个目的在于提供一种柑橘叶片含水量可视化预测系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种柑橘叶片含水量可视化预测方法，所述方法包括：

获取样本数据集，所述样本数据集为第一数据集和第二数据集融合而得，所述第一数据集为柑橘叶片含水量数据集，所述第二数据集为柑橘叶片高光谱图像数据集；

构建卷积神经网络模型；

将样本数据集输入卷积神经网络模型进行训练和验证，得到柑橘叶片水分预测模型；

通过高光谱图像采集系统对待识别柑橘叶片进行图像采集和校正，得到待识别柑橘叶片的高光谱图像；

对待识别柑橘叶片的高光谱图像去除背景；

计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据；

将高光谱图像数据输入柑橘叶片水分预测模型进行识别，得到每个像素点的含水量预测结果；

根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图。

进一步的，所述卷积神经网络模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第一最大池化层、第二最大池化层、第三最大池化层、全连接层和输出层；

将所述输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、全连接层、输出层依次连接，从而构建得到卷积神经网络模型。

进一步的，所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×3；第一卷积层、第二卷积层、第三卷积层的卷积核个数分别为16、32、64；

所述第一最大池化层、第二最大池化层、第三最大池化层的池化大小均为1×1；

所述全连接层包括第一隐藏层和第二隐藏层，所述第一隐藏层的神经元个数为32，所述第二隐藏层的神经元个数为1。

进一步的，所述通过高光谱图像采集系统对待识别柑橘叶片进行图像采集和校正，得到待识别柑橘叶片的高光谱图像，具体包括：

通过高光谱图像采集系统拍摄待识别柑橘叶片，得到待识别柑橘叶片的原始高光谱图像；

在与拍摄所述原始高光谱图像相同的条件下，通过高光谱图像采集系统拍摄白色校正图像和黑色校正图像对所述原始高光谱图像进行黑白校正，从而得到待识别柑橘叶片的高光谱图像。

进一步的，所述计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据，具体包括：

基于双波段，计算去除背景后的高光谱图像的平均反射率值；

基于所述平均反射率值，得到去除背景后的高光谱图像，并对去除背景后的高光谱图像进行转换处理，得到高光谱图像数据。

进一步的，所述对去除背景后的高光谱图像进行转换处理，得到高光谱图像数据，具体包括：

将去除背景后的高光谱图像(L，H，W)转换成二维形式数据(L×H，W)；

将二维形式数据(L×H，W)转换成三维形式数据(L×H，W，1)，从而得到高光谱图像数据。

进一步的，所述根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图，具体包括：

根据每个像素点的含水量预测结果R，得到预测二维形式数据(L×H，R)；

将预测二维形式数据(L×H，R)还原成预测三维形式数据(L，H，R)；

对预测三维形式数据(L，H，R)进行归一化处理；

将归一化处理后的预测三维形式数据转换成灰度图，并将所述灰度图转换成伪色彩图，从而得到待识别柑橘叶片的可视化含水量分布图。

本发明的第二个目的可以通过采取如下技术方案达到：

一种柑橘叶片含水量可视化预测系统，所述系统包括：

获取单元，用于获取样本数据集，所述样本数据集为第一数据集和第二数据集融合而得，所述第一数据集为柑橘叶片含水量数据集，所述第二数据集为柑橘叶片高光谱图像数据集；

构建单元，用于构建卷积神经网络模型；

训练与验证单元，用于将样本数据集输入卷积神经网络模型进行训练和验证，得到柑橘叶片水分预测模型；

采集与校正单元，用于通过高光谱图像采集系统对待识别柑橘叶片进行图像采集和校正，得到待识别柑橘叶片的高光谱图像；

去除单元，用于对待识别柑橘叶片的高光谱图像去除背景；

处理单元，用于计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据；

预测单元，用于将高光谱图像数据输入柑橘叶片水分预测模型进行识别，得到每个像素点的含水量预测结果；

可视化单元，用于根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图。

本发明的第三个目的可以通过采取如下技术方案达到：

一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的可视化预测方法。

本发明的第四个目的可以通过采取如下技术方案达到：

一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的可视化预测方法。

本发明相对于现有技术具有如下的有益效果：

本发明所得到的柑橘叶片的可视化含水量分布图为每个像素的水分含量提供了更直观、更全面的评估，并提供了一种评估植物灌溉策略优劣的新方法；此外，本发明通过构建柑橘叶片水分预测模型，实现快速、无损、精确地检测柑橘叶片的含水量，对不同品种的柑橘均有适用性，从而为农业智能灌溉、精准农业提供水分检测依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例1的柑橘叶片含水量可视化预测方法的具体流程图。

图2为本发明实施例1的柑橘叶片含水量可视化预测方法的简易流程图。

图3为本发明实施例1的卷积神经网络模型的结构参数图。

图4为本发明实施例1的样本数据集在卷积神经网络模型下的预测效果图。

图5为本发明实施例1的柑橘叶片水分预测模型的预测结果折线图。

图6为本发明实施例1的柑橘叶片含水量的灰度图。

图7为本发明实施例1的柑橘叶片含水量的可视化分布图。

图8为本发明实施例2的柑橘叶片含水量可视化预测系统的结构框图。

图9为本发明实施例3的计算机设备的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1和图2所示，本实施例提供了一种柑橘叶片含水量可视化预测方法，所述方法包括以下步骤：

S101、获取样本数据集。

本实施例中的样本数据集为第一数据集和第二数据集融合而得，其中第一数据集为柑橘叶片含水量数据集，第二数据集为柑橘叶片高光谱图像数据集。

S1011、获取第一数据集和第二数据集。

本实施例为了保证后续预测的可靠性与泛化性，所采集的三百片柑橘叶片来自于不同地点、不同品种、不同采摘部位、不同成熟度的柑橘树；其中：地点包括华南农业大学工程学院六楼天台种植的柑橘树园和农学院柑橘培育中心，品种包括黏橘和沙糖橘，采摘部位包括冠层顶部、冠层中部和冠层底部，成熟度包括嫩叶、成熟叶和老叶。

将所采集的上述叶片装入写有数字标签的黑色塑料袋中，并立即带回实验室进行高光谱图像拍摄，共采集得到三百张柑橘叶片的高光谱图像。

具体地，本实施例是利用高光谱图像采集系统对叶片进行拍摄。

本实施例中的高光谱图像采集系统的参数可以为：成像仪的光谱波长范围为369～988nm，一共256个波段；CCD相机的曝光时间设置为8.96ms；平台移动速度为0.8cm/s；光谱分辨率为1.2nm；光源为卤素灯光源。

在高光谱图像的拍摄过程中，本实施例为了减少光照和探测器灵敏度对原始高光谱图像的影响，采用黑白校正的方式进行处理，具体为：在与拍摄所述原始高光谱图像相同的条件下，通过高光谱图像采集系统拍摄白色校正图像和黑色校正图像对所述原始光谱图像进行黑白校正。

在上述过程中，通过高光谱图像采集系统拍摄白板，得到白色校正图像，同理，得到黑色校正图像。

在经过黑白校正的方式处理之后，便可得到柑橘叶片的高光谱图像。

与此同时，对所采集的三百片柑橘叶片进行含水量实测，具体如下：

在电子天平上进行称重，得到叶片的鲜重(Weight Of Fresh)，记为Wf，结果精确到小数点后四位(单位g)，从而得到三百片柑橘叶片的鲜重。

使用烘干法测量叶片含水量的实测值，具体为:将三百片柑橘叶片的其中两百片柑橘叶片放入烘箱中，在80℃下，将两百片柑橘叶片烘干至恒重，再将烘干完成的两百片柑橘叶片放入装有干燥剂的密闭玻璃缸内冷却至室温，然后立即取出，并使用电子天平称量每片叶片的干重(Weight Of Dry)，记为Wd，结果精确到小数点后四位(单位g)，从而得到两百片柑橘叶片的干重。

为了获得更多含水量范围的叶片，本实施例使用恒温鼓风干燥箱在50℃下烘干剩余一百片柑橘叶片，在五十分钟后取出所烘干的一百片柑橘叶片，放入装有干燥剂的密闭玻璃缸内冷却至室温，然后立即取出称量每片叶片的质量，并再次利用高光谱图像采集系统拍摄每片叶片的高光谱图像，操作重复四次(每次烘干温度和时间均为50℃和50min)，从而得到四百个柑橘叶片的梯度重量和四百张柑橘叶片的高光谱图像。

最后，将烘干四次后的一百片柑橘叶片放入85℃的干燥箱内烘干至恒重，并秤量其干重，从而得到一百片柑橘叶片的干重。

本实施例基于三百片柑橘叶片的鲜重、四百个柑橘叶片的梯度重量和三百片柑橘叶片的干重，利用叶片的含水量(leaf water content，LWC)公式进行计算，从而得到七百个柑橘叶片含水量的实测值，并将七百个柑橘叶片含水量的实测值作为柑橘叶片含水量数据集。

本实施例中的叶片的含水量公式，具体如下：

此外，本实施例对七百张柑橘叶片的高光谱图像进行数据处理，将数据处理完成的七百张柑橘叶片的高光谱图像作为柑橘叶片高光谱图像数据集。

本实施例中的数据处理过程，具体为：使用numpy库导入BIL格式的高光谱图像到python中，使用750nm的波段和150nm的波段，利用阈值分割去除背景，并计算去除背景的整个高光谱图像的平均反射率值；每个高光谱图像的平均光谱反射率值为256，那么七百张柑橘叶片的高光谱图像的数据为二维形式数据(700，256)。

S1012、对第一数据集和第二数据集进行融合，得到样本数据集。

对第一数据集和第二数据集进行融合，得到样本数据集，具体为：使用numpy库内自带的np.reshape函数将第二数据集reshape成三维形式数据(700，256，1)，再将第一数据集与第二数据集融合为样本数据集。

本实施例按照3：1：1的比例将样本数据集随机划分为训练集(420个样本)、验证集(140个样本)和测试集(140个样本)；其中，训练集和验证集输入后续的卷积神经网络模型进行训练与验证，测试集则用于测试模型；当样本数据集输入后续的卷积神经网络模型后，样本数据集中的高光谱数据作为卷积神经网络模型的输入变量，柑橘叶片含水量的实测值作为目标变量。

S102、构建卷积神经网络模型。

如图3所示，卷积神经网络模型(VGG深度学习模型)包括输入层、第一卷积层、第二卷积层、第三卷积层、第一最大池化层、第二最大池化层、第三最大池化层、全连接层和输出层。

本实施例将输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、全连接层和输出层依次连接，从而构建得到卷积神经网络模型。

进一步地，输出层设置为256×1；第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×3；第一卷积层、第二卷积层、第三卷积层的卷积核个数分别为16、32、64；第一最大池化层、第二最大池化层、第三最大池化层的池化大小均为1×1；全连接层包括第一隐藏层和第二隐藏层，第一隐藏层的神经元个数为32，第二隐藏层的神经元个数为1。

第一卷积层、第二卷积层、第三卷积层、第一最大池化层、第二最大池化层、第三最大池化层的步长均为1；当数据输入后，经过三层卷积池化，再将数据展开，将得到的一维数据输入到全连接层。

进一步地，在第一卷积层、第二卷积层、第三卷积层中设置有线性整流激活函数(rectified linear unit，RELU)；第一隐藏层设置有线性整流激活函数(rectifiedlinear unit，RELU)；第二隐藏层设置有线性函数(linear)，用于回归预测。

S103、将样本数据集输入卷积神经网络模型进行训练和验证，得到柑橘叶片水分预测模型。

本实施例中的训练集和验证集输入后续的卷积神经网络模型进行训练，测试集则用于验证模型；在模型训练过程中，使用均方误差(mean squared error，MSE)作为损失函数，采用nadam算法对模型进行优化更新，epoch设置为1000轮，batch size设置为10。

本实施例根据模型的含水量的预测值和含水量的实测值分别计算训练集、验证集的决定系数R2和均方根误差RMSE，并将测试集作为训练模型的验证样本，计算测试集的决定系数R2和均方根误差RMSE；将训练结果精度高的模型保存为h5格式的文件，最终得到柑橘叶片水分预测模型。预测结果如表1所示。

如图4所示，本实施例调用matplotlib绘图库，对模型预测效果视化，结果显示具有良好的准确率。

表1预测结果

S104、通过高光谱图像采集系统对待识别柑橘叶片进行图像采集和校正，得到待识别柑橘叶片的高光谱图像。

为了进一步验证，本步骤采集柑橘叶片作为待识别柑橘叶片，共二十个柑橘叶片样本，采集地点为华南农业大学启林北柑橘园。

本步骤将二十个柑橘叶片样本输入高光谱图像采集系统进行拍摄和黑白校正，得到二十张柑橘叶片的高光谱图像。

S105、对待识别柑橘叶片的高光谱图像去除背景。

本步骤对二十张柑橘叶片的高光谱图像去除背景，得到二十张去除背景后的高光谱图像，其中去除背景的方式和步骤S1011去除背景的方式相同。

S106、计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据。

步骤S106分为两个步骤执行，具体如下：

S1061、基于双波段，计算去除背景后的高光谱图像的平均反射率值。

本步骤计算平均反射率值的方式和步骤S1011计算平均反射率值的方式相同。

S1062、基于所述平均反射率值，得到去除背景后的高光谱图像，并对去除背景后的高光谱图像进行转换处理，得到高光谱图像数据。

本步骤，具体包括：基于所述平均反射率值，去除背景后的高光谱图像的数据形状分别为长(L)、高(H)、波段(W)，首先使用numpy库的np.reshape函数将去除背景后的高光谱图像(L，H，W)转换成二维形式数据(L×H，W)；使用numpy库内自带的np.reshape函数，将二维形式数据(L×H，W)还原成三维形式数据(L×H，W，1)，其中三维形式数据(L×H，W，1)表示高光谱图像数据。

本实施例中的平均反射率值用W表示，W＝256，其中每一个波段对应一个平均反射率值。

重复步骤S1062，最终得到二十组高光谱图像数据。

S107、将高光谱图像数据输入柑橘叶片水分预测模型进行识别，得到每个像素点的含水量预测结果。

将高光谱图像数据导入柑橘叶片水分预测模型中,得到每个像素点的含水量预测结果R。

如图5所示，本步骤将二十组高光谱图像数据输入柑橘叶片水分预测模型之后，得到RMSE为0.1441，最大误差为0.3577，最小误差为0.0011，平均误差为0.1119，上述结果表明本实施例的柑橘叶片水分预测模型具有准确的预测效果,有非常良好的预测适用性。

值得一提的是：每个叶片样本仅使用对应感兴趣区域提取的平均光谱表示，然而高光谱图像中存在丰富的空间分布信息未被充分研究。因此利用柑橘叶片水分预测模型预测高光谱图像中各个像素点的含水量，以实现其分布可视化，具体可参考步骤S108。

S108、根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图。

S1081、根据每个像素点的含水量预测结果R，得到预测二维形式数据(L×H，R)。

S1082、将预测二维形式数据(L×H，R)还原成预测三维形式数据(L，H，R)，并对预测三维形式数据进行归一化处理。

S1083、将归一化好的预测三维形式数据转换成灰度图，并将所述灰度图转换成伪色彩图，从而得到待识别柑橘叶片的可视化含水量分布图。

将归一化好的预测三维形式数据转换成灰度图，具体为：将预测三维形式数据归一化后乘以255，变换成0～255的灰度值，并使用PIL库的convert函数将所述灰度值转换为灰度图；将所述灰度图转换成伪色彩图，具体为：应用matplotlib库中的伪彩色函数将所述灰度图转为伪彩色图(可视化含水量分布图)。

重复上述步骤S108，最终得到二十张待识别柑橘叶片的灰度图、可视化含水量分布图。

部分待识别柑橘叶片的灰度图如图6所示，含水量越高，柑橘叶片图像素越亮；含水率越低，柑橘叶片图像素越暗。

部分待识别柑橘叶片的可视化含水量分布图如图7所示，可以直观地显示出所述柑橘叶片的含水量分布。

本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。

应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

实施例2：

如图8所示，本实施例提供了一种柑橘叶片含水量可视化预测系统，该系统包括获取单元801、构建单元802、训练与验证单元803、采集与校正单元804、去除单元805、处理单元806、预测单元807和可视化单元808，各个单元的具体功能如下：

获取单元801，用于获取样本数据集，所述样本数据集为第一数据集和第二数据集融合而得，所述第一数据集为柑橘叶片含水量数据集，所述第二数据集为柑橘叶片高光谱图像数据集；

构建单元802，用于构建卷积神经网络模型；

训练与验证单元803，用于将样本数据集输入卷积神经网络模型进行训练和验证，得到柑橘叶片水分预测模型；

采集与校正单元804，用于通过高光谱图像采集系统对待识别柑橘叶片进行图像采集和校正，得到待识别柑橘叶片的高光谱图像；

去除单元805，用于对待识别柑橘叶片的高光谱图像去除背景；

处理单元806，用于计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据；

预测单元807，用于将高光谱图像数据输入柑橘叶片水分预测模型进行识别，得到每个像素点的含水量预测结果；

可视化单元808，用于根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图。

本实施例中各个单元的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配给不同的功能单元完成，即将内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。

实施例3：

如图9所示，本实施例提供了一种计算机设备，其包括通过系统总线901连接的处理器902、存储器、输入装置903、显示装置904和网络接口905。其中，处理器902用于提供计算和控制能力，存储器包括非易失性存储介质906和内存储器907，该非易失性存储介质906存储有操作系统、计算机程序和数据库，该内存储器907为非易失性存储介质906中的操作系统和计算机程序的运行提供环境，计算机程序被处理器902执行时，实现上述实施例1的可视化预测方法，如下：

构建卷积神经网络模型；

对待识别柑橘叶片的高光谱图像去除背景；

实施例4：

本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的可视化预测方法，如下：

构建卷积神经网络模型；

对待识别柑橘叶片的高光谱图像去除背景；

综上所述，本发明通过构建卷积神经网络模型，并利用样本数据集对构建好的卷积神经网络模型进行训练和验证，得到柑橘叶片水分预测模型，同时基于高光谱图像中存在丰富的空间分布信息，将目标柑橘叶片的高光谱图像输入柑橘叶片水分预测模型，从而得到目标柑橘叶片的可视化含水量分布图，为每个像素的水分含量提供了更直观、更全面的评估。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims

1.一种柑橘叶片含水量可视化预测方法，其特征在于，所述方法包括：

构建卷积神经网络模型；

对待识别柑橘叶片的高光谱图像去除背景；

计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据，所述高光谱图像数据的获取方式为：先将去除背景后的高光谱图像（L，H，W）转换成二维形式数据（L×H，W），再将二维形式数据（L×H，W）转换成三维形式数据（L×H，W，1），其中L为长，H为高，W为波段；

根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图；

所述卷积神经网络模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第一最大池化层、第二最大池化层、第三最大池化层、全连接层和输出层；

将所述输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、全连接层、输出层依次连接，从而构建得到卷积神经网络模型；

所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为1×3；第一卷积层、第二卷积层、第三卷积层的卷积核个数分别为16、32、64；

所述全连接层包括第一隐藏层和第二隐藏层，所述第一隐藏层的神经元个数为32，所述第二隐藏层的神经元个数为1；

所述根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图，具体包括：

根据每个像素点的含水量预测结果R，得到预测二维形式数据（L×H，R）；

将预测二维形式数据（L×H，R）还原成预测三维形式数据（L，H，R）；

对预测三维形式数据（L，H，R）进行归一化处理；

2.根据权利要求1所述的可视化预测方法，其特征在于，所述通过高光谱图像采集系统对待识别柑橘叶片进行图像采集和校正，得到待识别柑橘叶片的高光谱图像，具体包括：

3.根据权利要求1所述的可视化预测方法，其特征在于，所述计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据，具体包括：

4.一种柑橘叶片含水量可视化预测系统，其特征在于，所述系统包括：

构建单元，用于构建卷积神经网络模型；

去除单元，用于对待识别柑橘叶片的高光谱图像去除背景；

处理单元，用于计算去除背景后的高光谱图像的平均反射率值，进而得到高光谱图像数据，所述高光谱图像数据的获取方式为：先将去除背景后的高光谱图像（L，H，W）转换成二维形式数据（L×H，W），再将二维形式数据（L×H，W）转换成三维形式数据（L×H，W，1），其中L为长，H为高，W为波段；

可视化单元，用于根据每个像素点的含水量预测结果，得到待识别柑橘叶片的可视化含水量分布图；

对预测三维形式数据（L，H，R）进行归一化处理；

5.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-3任一项所述的可视化预测方法。

6.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-3任一项所述的可视化预测方法。