CN115311559A - 棉花药害识别方法、装置、电子设备及存储介质 - Google Patents

棉花药害识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115311559A
CN115311559A CN202210882872.XA CN202210882872A CN115311559A CN 115311559 A CN115311559 A CN 115311559A CN 202210882872 A CN202210882872 A CN 202210882872A CN 115311559 A CN115311559 A CN 115311559A
Authority
CN
China
Prior art keywords
cotton
phytotoxicity
spectral
data
image
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.)
Pending
Application number
CN202210882872.XA
Other languages
English (en)
Inventor
颜军
周学林
蒋晓华
徐晓龙
纪婵
刘欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Orbit Satellite Big Data Co ltd
Original Assignee
Zhuhai Orbita Aerospace Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Orbita Aerospace Technology Co ltd filed Critical Zhuhai Orbita Aerospace Technology Co ltd
Priority to CN202210882872.XA priority Critical patent/CN115311559A/zh
Publication of CN115311559A publication Critical patent/CN115311559A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Remote Sensing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种棉花药害识别方法、装置、电子设备及存储介质，该棉花药害识别方法包括：确定棉花药害胁迫等级数据和棉花药害病情指数；执行红边蓝移分析处理，确定棉花药害光谱特征；建立棉花药害遥感识别模型；获取待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算标准影像的棉花药害光谱特征；将经过归一化后的棉花冠层光谱反射率数据与标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像；通过棉花药害遥感识别模型识别高光谱融合影像，获得待测区域的药害分布区域和药害等级。本发明精确识别棉田棉花的药害发生情况，提高了指导植保用药精准、减量的准确度，节约用药成本。

Description

棉花药害识别方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机和农业遥感技术领域，尤其涉及一种棉花药害识别方法、装置、电子设备及存储介质。
背景技术
棉花是一种重要的经济作物，随着农业机械化进程的快速发展，陆地棉因具有易于机械化采收的特点，种植面积逐年扩大逐步替代海岛棉，但陆地棉在生长过程中更易发生病虫害，常年造成危害的害虫有10余种，虫害导致棉花减产约10-15％，且受全球气候环境变化及连片种植导致棉田生态自然调控减弱等影响，棉花虫害有日益加剧的趋势。
棉花进入苗期生长阶段，苗蓟马、棉蚜、叶螨等虫害持续发生，当前棉花病虫害的预测预报主要依靠各地农业植保部门技术人员田间人工调查经验判断为主，耗时费工，同时因调查样地的数量和面积有限，难以准确地反映田间实际发生和危害动态，难以满足大面积棉田虫害防治的需求；棉花种植户为节省人力及防治需要，过度施用大量的吡虫啉、乙螨唑、氟啶虫酰胺等抗虫除虫化学药物，除造成农药污染外，还对棉花的生长造成抑制影响，叶片呈现红色斑点甚至全叶红褐色，而叶螨虫害危害下的棉株也呈现红褐色、黄褐色等症状，在外观上及影像上难以区分。
因叶螨肉眼难以识别且具有强的传染性，为避免因农业植保人员进入棉田导致的人为二次传播，需要一种不踏入棉田的检测方法来判别棉株发生药害或叶螨虫害，以便于及时掌握田间棉花虫害的发生动态并精准采取相应控制措施，且不会因过度喷洒农药造成棉花生长受到抑制，为农业减药稳产起到科学助力具有重要意义。
目前对棉花花铃期病虫害的研究，多见于实验室或无人机设备对小范围的黄萎病、叶螨等病虫害开展监测研究，未见有对棉花药害的公开技术材料。
发明内容
本发明实施例的主要目的在于提出一种棉花药害识别方法、装置、电子设备及存储介质，能够精确确定棉田棉花的药害发生情况。
本发明的一方面提供了棉花药害识别方法，包括：
响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据所述冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数；
基于所述棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，所述棉花药害光谱特征包括植被指数、光谱导数、微分数据及药害红边指数；
根据所述棉花药害胁迫等级数据确定药害等级，根据所述药害等级、所述棉花药害病情指数及所述棉花药害光谱特征的关系，建立棉花药害遥感识别模型；
获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算所述标准影像的所述棉花药害光谱特征；
将经过归一化后的所述棉花冠层光谱反射率数据与所述标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像；
通过所述棉花药害遥感识别模型识别所述高光谱融合影像，获得所述第二待测区域的药害分布区域和所述药害等级。
根据所述的棉花药害识别方法，其中响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据所述冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数，包括：
通过光谱采集设备，在满足预设采集条件时对棉花冠层光谱反射率数据进行采集，棉花冠层光谱反射率数据包括健康棉株、受叶螨胁迫棉株、受药害棉株及其他地物的光谱反射率数据；
根据技术规程指标，确定棉花的每片叶按病斑面积占整片叶的百分率分级，记录所采集的总叶片数和各级病叶数；
根据公式
Figure BDA0003764880950000021
计算棉花药害病情指数，其中i表示药害等级，i取值为0、1、3、5、7、9，其中，Leafi表示各级病叶数，Leaftotal表示总叶片数，Gradei_max为最高药害等级代表值。
根据所述的棉花药害识别方法，其中基于所述棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，包括：
对棉花冠层光谱反射率数据进行数据清洗后，执行红边蓝移分析处理，计算所述植被指数B(680,690)、所述光谱导数R1st(λi)和R2nd(λi)、所述微分数据ρ′(λi)和ρ″(λi)、所述药害红边指数B(640,690)；
其中所述棉花药害光谱特征的所述植被指数B(680，690)采用公式模型B(680,690)＝ρ690-ρ680进行计算，B(680，690)为植被指数，ρ690和ρ680为690nm和680nm波段的反射率值；所述光谱导数
Figure BDA0003764880950000031
其中R1st(λi)为在光谱段λi上的一阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
所述光谱导数
Figure BDA0003764880950000032
其中R2nd(λi)为在光谱段λi上的二阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
所述微分数据
Figure BDA0003764880950000033
其中ρ′(λi)为在光谱段λi上的一阶微分值；ρ(λi+1)为(i+1)波段处的反射率数值；ρ(λi-1)为(i-1)波段处的反射率数值；
所述微分数据ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2(λi+1-λi-1)，其中ρ″(λi)为在光谱段λi上的二阶微分值，ρ′(λi+1)为(i+1)波段处的一阶微分值，ρ′(λi-1)为(i-1)波段处的一阶微分值，λi为i波段的波长值，λ(i+1)为(i+1)波段的波长值；
所述药害红边指数R(640,760)采用公式模型R(640,760)＝ρ640/ρ760进行计算，其中，R(640,760)为药害红边指数，ρ760和ρ640为760nm和640nm波段的反射率值。
根据所述的棉花药害识别方法，其中建立棉花药害遥感识别模型，包括：
基于棉花药害特征谱段，确定所述植被指数、所述光谱导数、所述微分数据及所述药害红边指数的相关性，采用偏最小二乘回归分析模型拟合构建识别模型，计算公式为：
X＝TPT+E，
Y＝UQT+F，
其中，X为n×m的预测矩阵，T为n×l的X投影矩阵，P为m×l的正交载荷矩阵，矩阵E为误差项，服从独立同分布的正态分布随机变量，Y为n×p的响应矩阵，U为n×l的Y投影矩阵，Q为p×l的正交载荷矩阵，矩阵F是误差项，服从独立同分布的正态分布随机变量。
根据所述的棉花药害识别方法，其中获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算所述标准影像的所述棉花药害光谱特征，包括：
获取所述第二待测区域的所述高光谱卫星影像的标准原始数据；
对影像执行辐射定标、6S大气校正、波段组合及系统几何校正处理，得到的几何校正高光谱影像；
对所述几何校正高光谱影像执行地理配准、正射校正、镶嵌及目标区范围裁切处理，生成标准镶嵌高光谱影像产品；
对所述标准镶嵌高光谱影像产品执行影像主成分分析与波段重采样降维，选择光谱信息最丰富且符合棉花药害遥感识别模型所需的波段，将波段进行重组得到所述标准影像。
根据所述的棉花药害识别方法，其中将经过归一化后的所述棉花冠层光谱反射率数据与所述标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像，包括：
对所述棉花冠层光谱反射率数据的地面分辨率采用公式
L＝2×H×tan(θ/2)
进行测量，其中H为光谱仪探头离冠层的高度，L为地物目标的探测宽度，θ为光纤探头视场角度，设定光纤探头离棉花冠层高度为H，计算出光谱反射率数据的地面分辨率L；
将所述棉花冠层光谱反射率数据与所述遥感影像执行融合同化，包括将卷积神经网络与传统纹理特征相结合的所述高光谱卫星数据与地面光谱影像数据融合，采用深度学习方法进行多源遥感数据融合。
根据所述的棉花药害识别方法，其中采用深度学习的方法进行多源遥感数据融合，包括：
将所述获取的重组高光谱数据产品提取传统纹理特征，其计算方式为：
Figure BDA0003764880950000041
Figure BDA0003764880950000042
Figure BDA0003764880950000043
Figure BDA0003764880950000044
tθ＝[t1,t2,t3,t4]
T＝[tθ1,tθ2,tθ3,tθ4]
其中，t1、t2、t3、t4分别表示0°、90°、45°、135°四个方向的图像纹理特征的同质性、对比度、角二阶矩及熵，tθ为同一方向θ上的4个纹理特征组合成的M×N×4的三维矩阵，M×N表示影像大小，T为像素4个方向纹理特征组成的M×N×16的三维矩阵；
构造卷积神经网络框架，分别对所述重组高光谱数据产品、所述地面光谱数据和传统纹理特征进行深度特征提取，所述卷积神经网络框架包括输入层、卷积层、池化层、拼接层和全连接层，所述卷积层和池化层均为三个；所述输入层输入获取的重组高光谱数据产品、所述地面光谱数据和所述传统纹理特征T；
采用公式
Figure BDA0003764880950000051
作为输入层输入的三维K*K*L的原始像素信息中提取局部特征，其中，f(·)是激活函数，
Figure BDA0003764880950000052
表示选择输入特征图的集合，
Figure BDA0003764880950000053
是卷积核，
Figure BDA0003764880950000054
为输入图像，
Figure BDA0003764880950000055
表示层l中第j神经单元的偏置，
Figure BDA0003764880950000056
表示卷积层l的第j神经单元的输出值；
采用公式
Figure BDA0003764880950000057
对所述局部特征进行二次提取；
通过公式
Figure BDA0003764880950000058
构建卷积神经网络全连接网络，输出所述融合影像，其中
Figure BDA0003764880950000059
为权重，
Figure BDA00037648809500000510
表示层l中第i神经单元的偏置，
Figure BDA00037648809500000511
为输入图像，N表示池化层与卷积层提取的特征连接区域，
Figure BDA00037648809500000512
表示层l中第i神经单元的输出结果，、公式ai(l)＝h(zi(l))，h(·)为激活函数；
以4DVar代价函数进行数据同化，采用公式模型实现，
Figure BDA00037648809500000513
进行同化，其中，xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子。
本发明实施例的另一方面提供了一种棉花药害识别装置，包括：
冠层光谱分析模块，用于响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据所述冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数；
第一光谱特征模块，用于基于所述棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，所述棉花药害光谱特征包括植被指数、光谱导数、微分数据及药害红边指数；
遥感识别模块，根据所述棉花药害胁迫等级数据确定药害等级，根据所述药害等级、所述棉花药害病情指数及所述棉花药害光谱特征的关系，建立棉花药害遥感识别模型；
第二光谱特征模块，用于获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算所述标准影像的所述棉花药害光谱特征；
高光谱融合模块，用于将经过归一化后的所述棉花冠层光谱反射率数据与所述标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像；
棉花药害识别模块，用于通过所述棉花药害遥感识别模型识别所述高光谱融合影像，获得所述第二待测区域的药害分布区域和所述药害等级。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前文所描述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前文所描述的方法。
本发明的有益效果为：通过提取棉花花铃期的棉花冠层光谱反射率数据，分析棉花药害光谱特征，构建药害高光谱判读模型，提取苗期、花铃期的棉花冠层光谱数据，利用卫星高光谱影像实现大面积快速判读棉花药害发生区域及程度。该方法有助于掌握棉田棉花的药害发生情况，进而指导精准植保用药精准、减量，对节约用药成本，以提升生态环境质量。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例的方法的流程示意图。
图2是本发明实施例的花铃期棉花的冠层光谱反射率数据采集和处理流程示意图。
图3是本发明实施例的棉花药害遥感识别模型建立流程示意图。
图4是本发明实施例的高光谱卫星影像处理流程示意图。
图5是本发明实施例的神经网络处理流程示意图。
图6是本发明实施例的棉花冠层光谱反射率数据与高光谱卫星影像的融合同化流程示意图。
图7是本发明实施例的棉花冠层光谱反射率数据示意图。
图8是本发明实施例的棉花药害识别分析装置图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本后续的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明实施例提供了一种棉花药害识别方法的流程，该方法具体包括但不限于步骤S100-S500。
步骤S100，响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数。
在一些实施例中，可以理解的是，其中第一待测区域所采集的冠层光谱反射率数据用于后续药害遥感识别模型的训练数据。
在一些实施例中，参考图2，其公开了花铃期棉花的冠层光谱反射率数据采集和处理流程，该流程包括但不限于步骤S110-S130。
S110，通过光谱采集设备，在满足预设采集条件时对棉花冠层光谱反射率数据进行采集，棉花冠层光谱反射率数据包括健康棉株、受叶螨胁迫棉株、受药害棉株及其他地物的光谱反射率数据。
在一些实施例中，花铃期棉花的冠层光谱反射率数据通过便携式地物光谱仪，在晴朗少云无风或微风的10:30-16:30(当地时间)，采用25°视场角光纤探头对花铃期(6月25日至8月10日)的棉花冠层光谱反射率数据进行采集，每个点采集光谱数据不少于10条。其中，包括健康棉株、受叶螨胁迫棉株、受药害棉株、其他地物的光谱反射率数据。
S120，根据技术规程指标，确定棉花的每片叶按病斑面积占整片叶的百分率分级，记录所采集的总叶片数和各级病叶数。
在一些实施例中，基于《棉花主要病虫害综合防治技术规程》(DB65T2271-2020)，每小区调查10个新梢，每梢自上而下自第5片叶开始调查，调查5片叶，每片叶按病斑面积占整片叶的百分率分级，记录调查总叶片数、各级病叶数。
S130，计算棉花药害病情指数。包括根据公式
Figure BDA0003764880950000081
计算棉花药害病情指数，其中i表示药害等级，i取值为0、1、3、5、7、9，其中，Leafi表示各级病叶数，Leaftotal表示总叶片数，Gradei_max为最高药害等级代表值。
在一些实施例中，药害等级分级规则如下：
0级：无病斑；
1级：病斑面积占叶片总面积的5％以下；
3级：病斑面积占叶片总面积的6％-10％；
5级：病斑面积占叶片总面积的11％-20％；
7级：病斑面积占叶片总面积的21％-40％；
9级：病斑面积占叶片总面积的40％以上。
步骤S200基于棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，棉花药害光谱特征包括植被指数、光谱导数、微分数据及药害红边指数。
在一些实施例中，对棉花冠层光谱反射率数据进行数据清洗后，执行红边蓝移分析处理，计算植被指数B(680,690)、光谱导数R1st(λi)和R2nd(λi)、微分数据ρ′(λi)和ρ″(λi)、药害红边指数B(640,690)；
其中棉花药害光谱特征的植被指数B(680，690)采用公式模型B(680,690)＝ρ690-ρ680进行计算，R(680，690)为植被指数，ρ690和ρ680为690nm和680nm波段的反射率值；
光谱导数
Figure BDA0003764880950000082
其中R1st(λi)为在光谱段λi上的一阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
光谱导数
Figure BDA0003764880950000091
其中R2nd(λi)为在光谱段λi上的二阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
微分数据
Figure BDA0003764880950000092
其中ρ′(λi)为在光谱段λi上的一阶微分值；ρ(λi+1)为(i+1)波段处的反射率数值；ρ(λi-1)为(i-1)波段处的反射率数值；
微分数据ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2(λi+1-λi-1)，其中ρ″(λi)为在光谱段λi上的二阶微分值，ρ′(λi+1)为(i+1)波段处的一阶微分值，ρ′(λi-1)为(i-1)波段处的一阶微分值，λi为i波段的波长值，λ(i+1)为(i+1)波段的波长值；
药害红边指数R(640,760)采用公式模型R(640,760)＝ρ640/ρ760进行计算，其中，R(640,760)为药害红边指数，ρ760和ρ640为760nm和640nm波段的反射率值。
步骤S300，根据棉花药害胁迫等级数据确定药害等级，根据药害等级、棉花药害病情指数及棉花药害光谱特征的关系，建立棉花药害遥感识别模型。
在一些实施例中，参考图3，其包括但不限于步骤S310～S320。
步骤S310，基于棉花药害特征谱段，确定植被指数、光谱导数、微分数据及药害红边指数的相关性；
在一些实施例中，基于采用药害红边指数R(640，760)判定棉花是否发生药害，若R(640，60)>0.15，能够确认棉花发生了药害；若R(640，760)<0.9判定棉花未发生药害；若R(640，760)处于(0.9，0.15)阶段，需结合B(680，690)综合判定：B(680，690)>1时，棉花植株发生了药害；B(680，690)<1时未发生药害。
在一些实施例中，采用自动构建方式，基于不同点的棉花病情指数与受药害胁迫的棉花冠层光谱数据，通过非线性方程，构建病情等级判定模型。
步骤S320，采用偏最小二乘回归分析模型拟合构建识别模型。
在一些实施例中，拟合构建识别模型的计算公式为：
X＝TPT+E，
Y＝UQT+F，
其中，X为n×m的预测矩阵，T为n×l的X投影矩阵，P为m×l的正交载荷矩阵，矩阵E为误差项，服从独立同分布的正态分布随机变量，Y为n×p的响应矩阵，U为n×l的Y投影矩阵，Q为p×l的正交载荷矩阵，矩阵F是误差项，服从独立同分布的正态分布随机变量。
步骤S400，获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算标准影像的棉花药害光谱特征。
在一些实施例中，参考图4，其包括但不限于步骤S410～S440。
步骤S410，获取第二待测区域的高光谱卫星影像的标准原始数据。
在一些实施例，可以理解的是，第二待测区域是被棉花药害遥感识别模型所所识别的棉花药害区域。
在一些实施例中，可以理解的是，通过获取高光谱卫星影像的产品数据，其中产品数据高光谱卫星影像经辐射校正、大气校正、地理配准、正射校正、主成分分析等操作后，最终生成符合需要的重组高光谱数据产品及其他一系列植被指数类专题产品。
步骤S420，对影像执行辐射定标、6S大气校正、波段组合及系统几何校正处理，得到的几何校正高光谱影像。
在一些实施例中，采用Savitzky-Golay(以下简称“S-G”)方法，多项式设置为5阶，对棉花光谱反射率数据进行去噪平滑处理，消除高频噪声影响。
步骤S430，对几何校正高光谱影像执行地理配准、正射校正、镶嵌及目标区范围裁切处理，生成标准镶嵌高光谱影像产品。
在一些实施例中，对高光谱影像L2(L1为标准原始数据)产品进行地理配准、镶嵌与目标区范围裁切处理，生产高光谱影像L5产品对高光谱影像L5产品进行影像主成分分析与波段重采样降维，选择光谱信息最丰富且为核心计算模型所需的波段组成新高光谱影像，影像执行S-G滤波平滑与包络线去除，S-G滤波平滑采用8点5阶参数进行获得高光谱影像L6产品，可用于数据分析与各植被指数计算，本实施例中的L1、L2、L5、L6表示不同标准的高光谱影像产品。
步骤S440，对标准镶嵌高光谱影像产品执行影像主成分分析与波段重采样降维，选择光谱信息最丰富且符合棉花药害遥感识别模型所需的波段，将波段进行重组得到标准影像。
在一些实施例中，还包括归一化处理，为了使不同时间和不同地点条件下测量的光谱曲线具有可比性，常用的方法即对实地光谱测量数据进行归一化处理。如利用公式
Figure BDA0003764880950000101
(其中，n表示波段数量；R(λi)为在任意i波段的反射率值；λmin和λmax表示光谱曲线的反射率最小值和最大值；RN(λi)为任意i波段的反射率平均值)，计算每条光谱曲线在测量波段范围内的反射率平均值，然后每条光谱曲线的每个波长位置除以平均值，得到归一化的标准影像数据。
步骤S500，将经过归一化后的棉花冠层光谱反射率数据与标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像。
在一些实施例中，参考图5，其包括但不限于步骤S510～S520。
步骤S510，对棉花冠层光谱反射率数据的地面分辨率采用公式
L＝2×H×tan(θ/2)
进行测量，其中H为光谱仪探头离冠层的高度，L为地物目标的探测宽度，θ为光纤探头视场角度，设定光纤探头离棉花冠层高度为H，计算出光谱反射率数据的地面分辨率L；
步骤520，将棉花冠层光谱反射率数据与遥感影像执行融合同化，包括将卷积神经网络与传统纹理特征相结合的高光谱卫星数据与地面光谱影像数据融合，采用深度学习方法进行多源遥感数据融合。
在一些实施例中，参考图6，本发明实施例提供了神经网络处理流程，该方法具体包括但不限于步骤S521～S523。
步骤S521，在一些实施例中，将获取的重组高光谱数据产品提取传统纹理特征，其计算方式为：
Figure BDA0003764880950000111
Figure BDA0003764880950000112
Figure BDA0003764880950000113
Figure BDA0003764880950000114
tθ＝[t1,t2,t3,t4]
T＝[tθ1,tθ2,tθ3,tθ4]
其中，t1、t2、t3、t4分别表示0°、90°、45°、135°四个方向的图像纹理特征的同质性、对比度、角二阶矩及熵，tθ为同一方向θ上的4个纹理特征组合成的M×N×4的三维矩阵，M×N表示影像大小，T为像素4个方向纹理特征组成的M×N×16的三维矩阵；
构造卷积神经网络框架，分别对重组高光谱数据产品、地面光谱数据和传统纹理特征进行深度特征提取；
步骤S522，通过卷积神经网络框架包括输入层、卷积层、池化层、拼接层和全连接层，卷积层和池化层均为三个；输入层输入获取的重组高光谱数据产品、地面光谱数据和传统纹理特征T；
采用公式
Figure BDA0003764880950000121
作为输入层输入的三维K*K*L的原始像素信息中提取局部特征，其中，f(·)是激活函数，
Figure BDA0003764880950000125
表示选择输入特征图的集合，
Figure BDA0003764880950000126
是卷积核，
Figure BDA0003764880950000127
为输入图像，
Figure BDA0003764880950000128
表示层l中第j神经单元的偏置，
Figure BDA0003764880950000129
表示卷积层l的第j神经单元的输出值；
采用公式
Figure BDA0003764880950000122
对局部特征进行二次提取；
通过公式
Figure BDA0003764880950000123
步骤S523，构建卷积神经网络全连接网络，输出融合影像，其中
Figure BDA00037648809500001210
为权重，
Figure BDA00037648809500001211
表示层l中第i神经单元的偏置，
Figure BDA00037648809500001212
为输入图像，N表示池化层与卷积层提取的特征连接区域，
Figure BDA00037648809500001213
表示层l中第i神经单元的输出结果，公式ai(l)＝h(zi(l))，h(·)为激活函数；
以4DVar代价函数进行数据同化，采用公式模型实现，
Figure BDA0003764880950000124
进行同化，其中，xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子。
步骤S600，通过棉花药害遥感识别模型识别高光谱融合影像，获得第二待测区域的药害分布区域和药害等级。
在一些实施例中，参考图7，其公开了采用上述棉花药害遥感识别模型识别高光谱融合影像的结果示意图。通过图7，
如图8所示，本发明实施例还提供了一种棉花药害识别分析装置，该装置包括了冠层光谱分析模块801、第一光谱特征模块802、遥感识别模块803、第二光谱特征模块804、高光谱融合模块805及棉花药害识别模块806；
其中，冠层光谱分析模块，用于响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数；第一光谱特征模块，用于基于棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，棉花药害光谱特征包括植被指数、光谱导数、微分数据及药害红边指数；遥感识别模块，根据棉花药害胁迫等级数据确定药害等级，根据药害等级、棉花药害病情指数及棉花药害光谱特征的关系，建立棉花药害遥感识别模型；第二光谱特征模块，用于获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算标准影像的棉花药害光谱特征；高光谱融合模块，用于将经过归一化后的棉花冠层光谱反射率数据与标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像；棉花药害识别模块，用于通过棉花药害遥感识别模型识别高光谱融合影像，获得第二待测区域的药害分布区域和药害等级。
示例性地，在装置中的光谱分析模块、第一光谱特征模块、遥感识别模块、第二光谱特征模块、高光谱融合模块及棉花药害识别模块的协同下，实施例装置可以实现前述的任意一种棉花药害识别方法，即响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数；基于棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，棉花药害光谱特征包括植被指数、光谱导数、微分数据及药害红边指数；根据棉花药害胁迫等级数据确定药害等级，根据药害等级、棉花药害病情指数及棉花药害光谱特征的关系，建立棉花药害遥感识别模型；获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算标准影像的棉花药害光谱特征；将经过归一化后的棉花冠层光谱反射率数据与标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像；通过棉花药害遥感识别模型识别高光谱融合影像，获得第二待测区域的药害分布区域和药害等级。本发明通过提取棉花花铃期的棉花冠层光谱反射率数据，分析棉花药害光谱特征，构建药害高光谱判读模型，提取苗期、花铃期的棉花冠层光谱数据，利用卫星高光谱影像实现大面积快速判读棉花药害发生区域及程度。该方法有助于掌握棉田棉花的药害发生情况，进而指导精准植保用药精准、减量，对节约用药成本，以提升生态环境质量。
本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；
存储器存储有程序：
处理器执行程序以执行前述的棉花药害识别方法；该电子设备具有搭载并运行本发明实施例提供的棉花药害识别的软件系统的功能，例如，个人计算机(PersonalComputer，PC)、手机、智能手机、个人数字助手(Personal Digital Assistant，PDA)、可穿戴设备、掌上电脑PPC(Pocket PC)、平板电脑等。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的棉花药害识别方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的棉花药害识别方法。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种棉花药害识别方法，其特征在于，包括：
响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据所述冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数；
基于所述棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，所述棉花药害光谱特征包括植被指数、光谱导数、微分数据及药害红边指数；
根据所述棉花药害胁迫等级数据确定药害等级，根据所述药害等级、所述棉花药害病情指数及所述棉花药害光谱特征的关系，建立棉花药害遥感识别模型；
获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算所述标准影像的所述棉花药害光谱特征；
将经过归一化后的所述棉花冠层光谱反射率数据与所述标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像；
通过所述棉花药害遥感识别模型识别所述高光谱融合影像，获得所述第二待测区域的药害分布区域和所述药害等级。
2.根据权利要求1所述的棉花药害识别方法，其特征在于，所述响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据所述冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数，包括：
通过光谱采集设备，在满足预设采集条件时对棉花冠层光谱反射率数据进行采集，棉花冠层光谱反射率数据包括健康棉株、受叶螨胁迫棉株、受药害棉株及其他地物的光谱反射率数据；
根据技术规程指标，确定棉花的每片叶按病斑面积占整片叶的百分率分级，记录所采集的总叶片数和各级病叶数；
根据公式
Figure FDA0003764880940000011
计算棉花药害病情指数，其中i表示药害等级，i取值为0、1、3、5、7、9，其中，Leafi表示各级病叶数，Leaftotal表示总叶片数，Gradei_max为最高药害等级代表值。
3.根据权利要求1所述的棉花药害识别方法，其特征在于，所述基于所述棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，包括：
对棉花冠层光谱反射率数据进行数据清洗后，执行红边蓝移分析处理，计算所述植被指数B(680，690)、所述光谱导数R1st(λi)和R2nd(λi)、所述微分数据ρ′(λi)和ρ″(λi)、所述药害红边指数B(640，690)；
其中所述棉花药害光谱特征的所述植被指数B(680,690)采用公式模型B(680，690)＝ρ690-ρ680进行计算，B(680,690)为植被指数，ρ690和ρ680为690nm和680nm波段的反射率值；
所述光谱导数
Figure FDA0003764880940000021
其中R1st(λi)为在光谱段λi上的一阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
所述光谱导数
Figure FDA0003764880940000022
其中R2nd(λi)为在光谱段λi上的二阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
所述微分数据
Figure FDA0003764880940000023
其中ρ′(λi)为在光谱段λi上的一阶微分值；ρ(λi+1)为(i+1)波段处的反射率数值；ρ(λi-1)为(i-1)波段处的反射率数值；
所述微分数据ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2(λi+1-λi-1)，其中ρ″(λi)为在光谱段λi上的二阶微分值，ρ′(λi+1)为(i+1)波段处的一阶微分值，ρ′(λi-1)为(i-1)波段处的一阶微分值，λi为i波段的波长值，λ(i+1)为(i+1)波段的波长值；
所述药害红边指数R(640，760)采用公式模型R(640，760)＝ρ640/ρ760进行计算，其中，R(640，760)为药害红边指数，ρ760和ρ640为760nm和640nm波段的反射率值。
4.根据权利要求1所述的棉花药害识别方法，其特征在于，所述建立棉花药害遥感识别模型，包括：
基于棉花药害特征谱段，确定所述植被指数、所述光谱导数、所述微分数据及所述药害红边指数的相关性，采用偏最小二乘回归分析模型拟合构建识别模型，计算公式为：
X＝TPT+E，
Y＝UQT+F，
其中，X为n×m的预测矩阵，T为n×l的X投影矩阵，P为m×l的正交载荷矩阵，矩阵E为误差项，服从独立同分布的正态分布随机变量，Y为n×p的响应矩阵，U为n×l的Y投影矩阵，Q为p×l的正交载荷矩阵，矩阵F是误差项，服从独立同分布的正态分布随机变量。
5.根据权利要求1所述的棉花药害识别方法，其特征在于，所述获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算所述标准影像的所述棉花药害光谱特征，包括：
获取所述第二待测区域的所述高光谱卫星影像的标准原始数据；
对影像执行辐射定标、6S大气校正、波段组合及系统几何校正处理，得到的几何校正高光谱影像；
对所述几何校正高光谱影像执行地理配准、正射校正、镶嵌及目标区范围裁切处理，生成标准镶嵌高光谱影像产品；
对所述标准镶嵌高光谱影像产品执行影像主成分分析与波段重采样降维，选择光谱信息最丰富且符合棉花药害遥感识别模型所需的波段，将波段进行重组得到所述标准影像。
6.根据权利要求1所述的棉花药害识别方法，其特征在于，所述将经过归一化后的所述棉花冠层光谱反射率数据与所述标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像，包括：
对所述棉花冠层光谱反射率数据的地面分辨率采用公式
L＝2×H×tan(θ/2)
进行测量，其中H为光谱仪探头离冠层的高度，L为地物目标的探测宽度，θ为光纤探头视场角度，设定光纤探头离棉花冠层高度为H，计算出光谱反射率数据的地面分辨率L；
将所述棉花冠层光谱反射率数据与所述遥感影像执行融合同化，包括将卷积神经网络与传统纹理特征相结合的所述高光谱卫星数据与地面光谱影像数据融合，采用深度学习方法进行多源遥感数据融合。
7.根据权利要求6所述的棉花药害识别方法，其特征在于，所述采用深度学习的方法进行多源遥感数据融合，包括：
将所述获取的重组高光谱数据产品提取传统纹理特征，其计算方式为：
Figure FDA0003764880940000031
Figure FDA0003764880940000032
Figure FDA0003764880940000041
Figure FDA0003764880940000042
tθ＝[t1，t2，t3，t4]
T＝[tθ1，tθ2，tθ3，tθ4]
其中，t1、t2、t3、t4分别表示0°、90°、45°、135°四个方向的图像纹理特征的同质性、对比度、角二阶矩及熵，tθ为同一方向θ上的4个纹理特征组合成的M×N×4的三维矩阵，M×N表示影像大小，T为像素4个方向纹理特征组成的M×N×16的三维矩阵；
构造卷积神经网络框架，分别对所述重组高光谱数据产品、所述地面光谱数据和传统纹理特征进行深度特征提取，所述卷积神经网络框架包括输入层、卷积层、池化层、拼接层和全连接层，所述卷积层和池化层均为三个；所述输入层输入获取的重组高光谱数据产品、所述地面光谱数据和所述传统纹理特征T；
采用公式
Figure FDA0003764880940000043
作为输入层输入的三维K*K*L的原始像素信息中提取局部特征，其中，f(·)是激活函数，
Figure FDA0003764880940000044
表示选择输入特征图的集合，
Figure FDA0003764880940000045
是卷积核，
Figure FDA0003764880940000046
为输入图像，
Figure FDA0003764880940000047
表示层l中第j神经单元的偏置，
Figure FDA0003764880940000048
表示卷积层l的第j神经单元的输出值；
采用公式
Figure FDA0003764880940000049
对所述局部特征进行二次提取；
通过公式
Figure FDA00037648809400000410
构建卷积神经网络全连接网络，输出所述融合影像，其中
Figure FDA00037648809400000411
为权重，
Figure FDA00037648809400000412
表示层l中第i神经单元的偏置，
Figure FDA00037648809400000413
为输入图像，N表示池化层与卷积层提取的特征连接区域，
Figure FDA00037648809400000414
表示层l中第i神经单元的输出结果，、公式ai(l)＝h(zi(l))，h(·)为激活函数；
以4DVar代价函数进行数据同化，采用公式模型实现，
Figure FDA00037648809400000415
进行同化，其中，xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子。
8.一种棉花药害识别装置，其特征在于，包括：
冠层光谱分析模块，用于响应于识别请求，获取第一待测区域的花铃期棉花的冠层光谱反射率数据，根据所述冠层光谱反射率数据确定棉花药害胁迫等级数据和棉花药害病情指数；
第一光谱特征模块，用于基于所述棉花冠层光谱反射率数据执行红边蓝移分析处理，确定棉花药害光谱特征，所述棉花药害光谱特征包括植被指数、光谱导数、微分数据及药害红边指数；
遥感识别模块，根据所述棉花药害胁迫等级数据确定药害等级，根据所述药害等级、所述棉花药害病情指数及所述棉花药害光谱特征的关系，建立棉花药害遥感识别模型；
第二光谱特征模块，用于获取第二待测区域的高光谱卫星影像，通过预处理得到标准影像，并计算所述标准影像的所述棉花药害光谱特征；
高光谱融合模块，用于将经过归一化后的所述棉花冠层光谱反射率数据与所述标准影像采用卷积神经网络执行模型融合同化处理，得到高光谱融合影像；
棉花药害识别模块，用于通过所述棉花药害遥感识别模型识别所述高光谱融合影像，获得所述第二待测区域的药害分布区域和所述药害等级。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-7中任一项所述的棉花药害识别方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-7中任一项所述的棉花药害识别方法。
CN202210882872.XA 2022-07-26 2022-07-26 棉花药害识别方法、装置、电子设备及存储介质 Pending CN115311559A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210882872.XA CN115311559A (zh) 2022-07-26 2022-07-26 棉花药害识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210882872.XA CN115311559A (zh) 2022-07-26 2022-07-26 棉花药害识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115311559A true CN115311559A (zh) 2022-11-08

Family

ID=83859769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210882872.XA Pending CN115311559A (zh) 2022-07-26 2022-07-26 棉花药害识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115311559A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830442A (zh) * 2022-11-11 2023-03-21 中国科学院空天信息创新研究院 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统
CN117036968A (zh) * 2023-10-09 2023-11-10 杭州稻道农业科技有限公司 一种用于农作物病虫危害的高分卫星遥感诊断方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830442A (zh) * 2022-11-11 2023-03-21 中国科学院空天信息创新研究院 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统
CN115830442B (zh) * 2022-11-11 2023-08-04 中国科学院空天信息创新研究院 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统
CN117036968A (zh) * 2023-10-09 2023-11-10 杭州稻道农业科技有限公司 一种用于农作物病虫危害的高分卫星遥感诊断方法及装置
CN117036968B (zh) * 2023-10-09 2024-03-22 杭州稻道农业科技有限公司 一种用于农作物病虫危害的高分卫星遥感诊断方法及装置

Similar Documents

Publication Publication Date Title
Zhang et al. Maize canopy temperature extracted from UAV thermal and RGB imagery and its application in water stress monitoring
Zhang et al. Detection of rice sheath blight using an unmanned aerial system with high-resolution color and multispectral imaging
Sumesh et al. Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle
Zhang et al. Imaging technologies for plant high-throughput phenotyping: a review
Barreto et al. Hyperspectral imaging of symptoms induced by Rhizoctonia solani in sugar beet: Comparison of input data and different machine learning algorithms
CN115311559A (zh) 棉花药害识别方法、装置、电子设备及存储介质
Munnaf et al. Site-specific seeding using multi-sensor and data fusion techniques: A review
CN108872140B (zh) 一种户外监测红枣品质的方法及装置
CN114821362B (zh) 一种基于多源数据的水稻种植面积提取方法
BR112020005986A2 (pt) método e sistema para a execução da análise de dados com relação à fenotipagem
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
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
Fan et al. Estimation of the nitrogen content of potato plants based on morphological parameters and visible light vegetation indices
US20220307971A1 (en) Systems and methods for phenotyping
CN112364681B (zh) 基于二维表的植被覆盖度估算方法及装置
CN107145876B (zh) 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法
CN113223040B (zh) 基于遥感的香蕉估产方法、装置、电子设备和存储介质
CN115495703B (zh) 一种基于机载多光谱数据的烟草成熟度检测方法及系统
Colorado et al. A novel NIR-image segmentation method for the precise estimation of above-ground biomass in rice crops
Li et al. Regression and analytical models for estimating mangrove wetland biomass in South China using Radarsat images
Bai et al. A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery
Wang et al. Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data
Zhang et al. High-throughput phenotyping of plant leaf morphological, physiological, and biochemical traits on multiple scales using optical sensing
Li et al. Estimation of nitrogen content in wheat using indices derived from RGB and thermal infrared imaging
Lu et al. Inversion of chlorophyll content under the stress of leaf mite for jujube based on model PSO-ELM method

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230110

Address after: Obit Technology Park, No.1 Baisha Road, East Bank of Tangjia, Zhuhai, Guangdong 519000

Applicant after: Zhuhai Orbit Satellite Big Data Co.,Ltd.

Address before: Obit Technology Park, No.1 Baisha Road, East Bank of Tangjia, Zhuhai, Guangdong 519000

Applicant before: ZHUHAI ORBITA AEROSPACE TECHNOLOGY Co.,Ltd.