CN115797812B - 用于改善睡眠的高sod含量麦类产程中共生液施控方法 - Google Patents

Abstract

本发明提出一种高SOD含量麦类生产中共生液施控方法，特别是共生液施加时期的检测方法，通过采集高光谱图像并进行预处理，将预处理后的数据送入优化的神经网络模型中，从而识别麦类应当施加SOD共生液的不同时期，由此可精确控制麦类SOD共生液的施加手段，精准施加，使得产出的麦类SOD酶含量大幅度提高，因此使得生产可用于改善睡眠的高SOD含量麦类成为可能。

Description

用于改善睡眠的高SOD含量麦类产程中共生液施控方法

技术领域

本发明属于植物施加共生液时期检测领域，特别地，涉及通过对植物个体外形和/或整体高度、长势等检测手段判断施加共生液时间的方法。

背景技术

超氧化物歧化酶(SOD)是生物体内重要的抗氧化酶，能够消除生物体在新陈代谢过程中产生的有害物质，摄入适量SOD对人体健康有益。麦类是我国主粮之一，包括小麦、大麦、荞麦、燕麦等，通过高含量酶的麦类补充SOD，可以使补充过程更持久，成本低，容易被普通消费者接受。因此有必要对高SOD含量麦类种植展开探索和研究。然而，传统方法中麦类的SOD酶含量有限，仅能够作为一般粮食使用，并不能产生改善睡眠的作用。

肥料施肥是麦类种植的重要环节，通过在麦类成长的不同时期施以恰当肥料，有利于麦类作物特定营养物质的积累，提高麦类生长质量和营养品质，其中就包含SOD的积累。麦类的成长主要分为春化阶段和光照阶段，根据不同需求共计细分十几个时期，在不同的生长时期及时准确地施加适量的SOD共生液，可以满足麦类生长过程的不同时期对SOD共生液的需求，增加麦类植物体中SOD酶的含量及活性，获得高含量SOD酶的麦类产品。

精确把控麦类成长不同时期是上述麦类优化培育的关键，传统农业通过节气变化和生产经验掌握施肥时期，误差较大，且不易向无经验人员推广。而不同生长期对于施加时间和共生液的量要求不尽相同。通常利用经验判断生长期虽然基本可以满足一般生产需求，但对于高产SOD来说是不够的。这是因为，虽然传统经验可以大致判断出作物所处生产期的区间，但无法精确，由此的带来的时间和量不精确的问题会极大地影响成熟后作物SOD的含量。

为此现有技术中也提出使用生化检测的方式来判断麦类生产期的方法，但这种方法操作复杂，不适合大面积推广。也有人提出使用传统神经网络的方式进行自动化识别植物（包括小麦）长势，从而预测产量的方法。但这些方法大多只对植物健康状态、茂盛与否、病虫害情况、长势大小等进行检测，其目的也是为了预测产量。因此其神经网络结构也是针对这种需求设计的，无法直接用于施加SOD共生液的参考，直接使用会导致施肥时机和肥量判断出现误差。虽然也有一些采用图像视觉、高光谱等技术手段监测小麦生长期的方法，但其同样不适用于施加SOD共生液的参考，因此无需精确分辨小麦生长的细分周期，只需要大体四五个时期即可。也就是说，其相关算法或神经网络结构只是粗分小麦的某几个时期，而不能针对施加SOD共生液所需要分辨的多个时期精确进行检测。综上，现有其使用的神经网络或图像识别的算法通常是针对植物监控长势、提高产量、病虫害防治而提出的，并未针对提高SOD含量所施加共生液而进行小麦所处生长期专门判别，因此对于提高SOD含量依然不能做到精确控制。而且，在众多现有技术中，对于小麦生长周期（例如拔节期、孕穗期、抽穗期、开花期、灌浆期等五类生长时期）作为模型的先验是已知的，也就是说针对某个或某几个特定时期，因此无法调整为根据SOD共生液的施加要求而识别不同的时期。例如，针对不同品牌不同配方共生液施加的时期并不相同，如果机械地按照上述五个时期检测并喷洒并不能发挥最大的效果。因此，如何根据SOD共生液要求全面、准确检测各个时期，也是亟待解决的问题之一。

发明内容

为解决上述一个或多个技术问题，本发明提出一种高SOD含量麦类生产中共生液施加时期检测方法，通过采集高光谱图像识别麦类应当施加SOD共生液的不同时期，从而精确控制麦类SOD共生液的施加手段，达到精准施加、提高麦类SOD酶含量的目的。

一种高SOD含量麦类产程中共生液施控方法

步骤1：利用无人机的高光谱图像采集设备采集麦类高光谱图像，所采集麦类高光谱图像为三维数据，数据的三个维度分别为图像的宽度、高度与光谱，其中光谱包括32个波段；

采用非线性函数

对图像空间维度进行归一化插值，得到像元；

步骤2：

其中，为卷积运算，argmax为后面式子取最大值时的取值，即对原图像数据响应值最大的尺度；尺度滤波器由高斯滤波器与基尺度滤波器联合组成；为高斯滤波器方差；

将原图像在空间维度x,y上按照尺度降采样：

步骤3：将降采样的图像作为神经网络的输入：

其中，、表示两组用于提取局部特征的线性窗口函数，为数据坐标，为窗口在三个维度上的坐标，为与窗口函数对应的线性截距；

是经验参数；

神经网络的输出是一个九维向量，由两部分组成：第一部分是8个由全连接函数定义的标量，分别表示8个不同的施加时期，第二部分为第三层中的最大值，表示输入图像中麦类是所期望麦类施加期的置信度；

步骤4：根据上述8个不同的施加时期输出结果，进行共生液施控。

在进行神经网络训练时，需要施加共生液的时间点来区分生长期，此时期的麦类图像作为正样本，而不处于此时期的麦类图像作为负样本。

所述32个波段包括蓝光、绿光、红外、近红外各自8个波段。

蓝色光波段由包括418-426nm、426-434nm、434-442nm、442-450nm、450-458nm、458-466nm、466-474nm、474-482nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

绿色光波段由包括528-536nm、536-544nm、544-552nm、552-560nm、560-568nm、568-576nm、576-584nm、584-592nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

红色光波段由包括618-626nm、626-634nm、634-642nm、642-650nm、650-658nm、658-666nm、666-674nm、674-682nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

近红外波段由包括808-816nm、816-824nm、824-832nm、832-840nm、840-848nm、848-856nm、856-864nm、864-872nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

所述施加时期包括挑旗期、打苞期、抽穗期、衍花期、半仁期、水仁期、上面期。

所述施控由无人机执行。

中为其光谱维度。

本发明发明点及技术效果：

1、本发明提出一种高SOD含量麦类肥料的施肥控制方法，通过采集高光谱图像精确识别麦类多个共生液施加时期，从而实现共生液精确施控，提高麦类SOD酶含量，使得生产可用于改善睡眠的麦类产品成为可能。

2、本发明通过归一化插值，特别是优化了非线性插值函数，实现了对于大量不规则采样图像在统一尺度的基础上更多地保留原有信息，使得图像数据更加近似于光照的分布特性，为后续处理提供准确全面的数据基础，且适合在强自然光条件下大范围田地图像的处理，为后续精准识别打下基础。同时，采用优化计算得到最佳方差，并作为采样系数对二维图像进行降采样，获得的降采样数据可近似保持原图像的特征分布，并降低图像数据量，提高计算效率，为后续神经网络处理提供了可靠的输入。

3、优化了神经网络结构，摒弃了传统神经网络仅用简单的一个公式进行卷积和池化的方法，在不同层使用差值、不同特征描述、分段等手段构建了更加符合共生液施加时期识别要求的神经网络模型，且优化了激励函数，并且在神经网络中设置置信度通道，能够更加准确、可靠地识别施加时期，避免误报带来的种植灾害，且保证施加期能够准确施加共生液，从而提高麦类的SOD的含量。

4、前述步骤1-2预处理与步骤3中的神经网络相互配合，相辅相成，达到了在占用有限计算资源的情况下，最佳的识别效果，更加适合大面积麦类共生液施加时期识别。

具体实施方式

麦类施加SOD共生液的时机

冬小麦生长过程需要经历两个阶段，即春化阶段和光照阶段，春化阶段是指种子吸水萌动后要度过一段低温，光照阶段是指冬小麦幼苗通过春化阶段后，气温在4℃以上时就会进入光照阶段。为了获得更佳的SOD产量，经过大量实践，种植农民将冬小麦生长周期即将春化阶段和光照阶段细分为15个时期，并优选喷洒SOD共生液的时期在光照阶段。

其中，春化阶段包括前5个生长时期：1、播种期：播种后，如果墒情适宜，种子很快会萌动发芽，因此，计算小麦全生育期的天数，一般从播种期算起，冬小麦播种期一般在10月上中旬。2、出苗期：田间有半数麦苗露出地面2-3厘米的时候，即为出苗期，如果墒情好温度适宜，1周左右就能出苗。3、分蘖期：一般麦田在出苗后约15天左右，当主茎长出3片叶，第四片叶刚开始出现时，在主茎第一片叶的叶腋处长出主茎的第一个分蘖。当田间有一半麦田第一个分蘖露出叶鞘时，即为分蘖期，一般11月上旬进入分蘖期。4、越冬期：在冬前日平均温度下降至0℃左右，麦苗基本上停止生长时，即为越冬期一般12月下旬进入越冬期。5、返青期：当跨年度生长的叶片由叶鞘长出1-2厘米，全田有半数麦苗达到这一程度，而且仍处葡匐状态时，即为返青期。冬性、半冬性品种葡匐状态较为明显，春性品种不明显，一般在2月中旬进入返青期。

光照阶段包括：6、起身期：全田有半数以上的麦田由葡匐状转向直立生长，主茎的春生第二片叶接近定长，幼穗分化进入小穗原基分化期时，即为起身期。3月上旬进入起身期。7、拔节期：全田半数以上的麦田第一伸长节间露出地面1.5-2厘米，幼穗分化进入药隔期时，即为拔节期。一般3月中旬进入拔节期。8、挑旗期：小麦茎秆最上一片叶叫旗叶，旗叶完全展开，称为挑旗，全田有50%以上植株旗叶展开时，即为挑旗期，小麦的挑旗期相当于内部穂分化的花粉母细胞形成四分体的前后。9、打苞期（孕穗期）：挑旗期过后，旗叶的叶鞘处明显膨胀，即为通常说的孕穗，或称打苞，全田有50%以上植株达到孕穗状态，即为孕穗期，这个阶段，河南尤其豫东平原的农民称之为打苞期。10、抽穗期：麦田半数以上的麦穗顶端（不包括麦芒）露出叶鞘时，即为抽穗期。11、衍花期（开花期、扬花期）：衍花期是河南省尤其是豫东平原农民对扬花期的称呼，衍，繁衍的意思，衍花期的时候麦田半数以上的麦穗开始开花时，即为开花期，一般在抽穗后3-6天。一般在4月下旬。12、半仁期：一般情况下，小麦挑旗(旗叶展开)后10天左右抽穗，抽穗后3~4天开花，开花受精以后。子房随即膨大，进入子粒形成过程，一般开花后3天开始“坐仁"，也叫“坐脐”，这个阶段，种植者尤其豫东平原的农民称之为半仁期。13、水仁期：经过10天左右，子粒逐渐形成，长度可达到最大值的3/4，称为多半仁，这期间子粒的含水量急剧增加，含水率可达80%左右，子粒内的物质呈清浆状，干物质增加很少，千粒重只有5克左右。这就是子粒形成阶段。这个阶段，种植者尤其豫东平原的农民称之为水仁期。14、上面期（灌浆期）：多半仁以后进入子粒灌浆阶段，整个历时大约在15~20天。这时期的胚乳迅速积累淀粉，干物质急剧增加，含水量比较平稳。灌浆阶段包括乳熟期和乳熟末期。乳熟期历时约15天左右，是粒重增长的主要时期。乳熟末期子粒灌浆速度达到高峰，子粒体积达到最大值，称为“顶满仓”，子粒含水率下降到45%左右，胚乳呈炼乳状。这时子粒灌浆速度由快转慢，子粒表皮颜色由灰绿转为绿黄色而有光泽。这个阶段，河南尤其豫东平原的农民称之为上面期。上面，顾名思义，冬小麦子粒的水分减少，会逐渐出现面团状的物质了，所以种植者称之为上面期。14、成熟阶段，包括糊熟期、蜡熟期和完熟期。糊熟期历时3天左右，子粒含水率下降到40%左右，体积开始缩小，胚乳呈面团状，子粒表皮大部分变黄，只有腹沟和胚周围绿色。蜡熟期历时3~4天，子粒颜色由黄绿色转变为黄色，子粒含水量急剧下降，含水率在35%~25%，体积进一步缩小，胚乳变成蜡质状(故称蜡熟期)，麦粒可被指甲掐断。蜡熟期的子粒干重达到最高值，是最适宜的收获期。完熟期是子粒迅速失水的过程，含水率下降到20%以下。

经过大量实验，选择在下列8个小麦生长时期将SOD共生液喷洒到植物上：拔节期、挑旗期、打苞期（孕穗期）、抽穗期、衍花期（开花期、扬花期）、半仁期、水仁期、上面期（灌浆期）。由此获取高含量的SOD，即至少喷洒8遍SOD共生液。

小麦一般在挑旗后10天左右即可抽穗。一般抽穗后4天左右即可开花。从挑旗至开花历时2周左右，这段时期是小麦产量形成的关键时期，对光照、温度、养分、水分的要求都很敏感，充足的光、温、水、肥对此期小麦生长至关重要，我们在这个时期也是加大喷洒SOD共生液的力度，以期获得高含量的植物SOD。

麦类施加SOD共生液的控制方法

其中SOD多酶共生（培养）液，简称SOD共生液，是经过大量实验研究获得的能够大幅度提高麦类SOD含量的培养液。

SOD多酶共生培养液的制备方法如下：

第1步，取50升干净无杂质的水（自来水、井水、纯净水、矿泉水均可）日光照晒5天，阳光照晒充足，取得上述照晒水后应继续保持清洁。第2步，在上述照晒水中按比例分别加入蜡样芽孢杆菌、乳酸菌和酵母并混合均匀，取得一号混合液。

第3步，取氨基多糖、亚硒酸钠、葡萄糖酸锌、褪黑素、氯化胆碱和柠檬酸配，混合后加10升干净无杂质的水进行溶解，取得二号混合液。

第4步，三号混合液由腐酸钾、硫酸锌、磷酸脲、聚谷氨酸、硫酸钾、壳寡糖和甘油组成。作为一种优选，制备步骤是：①将硫酸钾和甘油溶解在1升水中；②再将黄腐酸钾、聚谷氨酸和壳寡糖溶解在1升水中；③再将硫酸锌和磷酸脲溶解在1升水中，最后将上述三种混合，取得三号混合液。

第5步，四号混合液由硫酸、氨基酸溶液、硫酸铜、硫酸锌、硫酸镁、硫酸亚铁、硫酸锰、钼酸铵、亚硒酸钠、硼砂、复硝酚钠、柠檬酸盐、偏硅酸盐或硅酸盐、尿素等物质组成。作为一种优选，制备步骤是：①取50升干净无杂质的水放入反应釜内，将反应釜温度设定在60度至150度之间，按照时间顺序先放入上述物料，并同时关注混合液体，防止混合液溢出。反应釜加工时间为30天，最终液体为酱油色液体，手指触摸有粘稠感。②将上述液体常温敞口放置至少一个月。经上述步骤后取得四号混合液。

我们在下列8个小麦生长时期将SOD多酶共生培养液喷洒到植物上，以获取高含量的SOD，即至少喷洒8遍SOD共生液。SOD多酶共生培养液不能久放，随时使用随时配伍。

小麦8个生长时期分别为：节期、8、挑旗期9、打苞期（孕穗期）、10、抽穗期：11、衍花期（开花期、扬花期）：12、半仁期、13、水仁期、14、上面期（灌浆期）。

上述方法取得的小麦果实中富含SOD、GSH-PX、POD、CAT 和硒、锶、钾、铁、镁、硅、锌、钼、锰、硼、铜等元素。

可以理解，本发明的关键在于准确判断小麦施加共生液的时期，上述共生液配方及制备方法只是优选，其他现有技术中提出的共生液、液体肥同样可以使用。例如某些现有技术需要在麦类拔节期、麦类孕穗期、麦类抽穗期、麦类开花期、麦类灌浆期进行喷洒，此时同样可以用本发明提出的方法进行检测判断。只需要在神经网络训练时采用符合上述时期的样本即可。这是因为，对麦类施肥期的精确识别，能够提高施肥的精准度，保证麦类在各个时期获得相应的营养物质。

经过大量实验，在下列8个小麦施加时期喷洒SOD共生液的量为：

喷洒SOD共生液使用的是喷雾法：即将SOD共生液按说明兑水稀释，然后以喷雾的形式喷洒在小麦上。

拔节期：先将一号混合液按1%的浓度稀释后进行喷洒，按一亩地35公斤的量进行喷洒。隔天将四号混合液按0.2%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

挑旗期：先将一号混合液按1%的浓度稀释后进行喷洒，按一亩地35公斤的量进行喷洒。隔天将二号混合液按0.5%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。隔天将四号混合液按0.2%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

打苞期（孕穗期）：先将一号混合液按1%的浓度稀释后进行喷洒，按一亩地35公斤的量进行喷洒。隔天将二号混合液按0.5%的浓度稀释进行喷洒，按一亩地35公斤的量进行喷洒。隔天将三号混合液按1%的浓度稀释进行喷洒。隔天将四号混合液按0.3%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

抽穗期：先将一号混合液按1%的浓度稀释后进行喷洒，按一亩地35公斤的量进行喷洒。隔天将二号混合液按0.5%的浓度稀释进行喷洒，按一亩地35公斤的量进行喷洒。隔天将三号混合液按1%的浓度稀释进行喷洒。隔天将四号混合液按0.4%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

衍花期（开花期、扬花期）：先将一号混合液按1%的浓度稀释后进行喷洒，按一亩地35公斤的量进行喷洒。隔天将二号混合液按0.5%的浓度稀释进行喷洒，按一亩地35公斤的量进行喷洒。隔天将三号混合液按1%的浓度稀释进行喷洒。隔天将四号混合液按0.4%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

半仁期：先将一号混合液按1%的浓度稀释后进行喷洒，按一亩地35公斤的量进行喷洒。隔天将二号混合液按0.5%的浓度稀释进行喷洒，按一亩地35公斤的量进行喷洒。隔天将三号混合液按1%的浓度稀释进行喷洒。隔天将四号混合液按0.3%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

水仁期：先将一号混合液按1%的浓度稀释后进行喷洒，按一亩地35公斤的量进行喷洒。隔天将四号混合液按0.3%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

上面期（灌浆期）：将四号混合液按0.3%的浓度进行稀释进行喷洒，按一亩地35公斤的量进行喷洒。喷洒共生液应选择晴朗天气进行，如喷洒后8小时内下雨，应进行补喷。

以上各个时期识别方法下面将详细描述。其中使用到的SOD共生液为前述制备得到的。虽然以上施加的SOD共生液及施加方式是优选的，也是本发明的发明点之一，但可以理解，其他配比的共生液也可以按其识别的时期进行喷洒，也同样可以应用下述时期检测方法。

麦类施加SOD共生液的时期检测

步骤1高光谱麦类图像的采集和处理方法

利用无人机等近地面飞行器搭载高光谱图像采集设备，利用高光谱图像采集设备采集麦类高光谱图像，所采集麦类高光谱图像为三维数据，数据的三个维度分别为图像的宽度、高度与光谱。

图像的宽度、高度维度联合组成图像的空间维度，对应于麦类种植区域。

图像的光谱维度由可见光、近红外波段的若干波长的子域构成，其中：

蓝色光（波长450nm）附近波段由包括418-426nm、426-434nm、434-442nm、442-450nm、450-458nm、458-466nm、466-474nm、474-482nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

绿色光（波长560nm）附近波段由包括528-536nm、536-544nm、544-552nm、552-560nm、560-568nm、568-576nm、576-584nm、584-592nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

红色光（波长650nm）附近波段由包括618-626nm、626-634nm、634-642nm、642-650nm、650-658nm、658-666nm、666-674nm、674-682nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

近红外（波长840nm）附近波段由包括808-816nm、816-824nm、824-832nm、832-840nm、840-848nm、848-856nm、856-864nm、864-872nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

上述波长范围为优选，可以为后续处理过程提供最准确的图像，便于后续处理精度提高。

上述32个光谱子域对应于总计32个光谱维度，图像空间维度归一化为1024*1024，故高光谱图像数据的总维度为1024*1024*32。

采用上述32个光谱子域可以较完整捕捉麦类植物不同生长时期的外观变化，产生具有显著性的统计特征，用于识别麦类的施加SOD共生液的时期。

将不同的子域作为独立的维度处理，可以降低分类识别的难度，提高分类精度，有助于更加精确的识别不同的生长时期。

考虑到不同的采集设备所采集到图像的空间维度不尽相同，对图像空间维度作归一化到1024*1024维，可以较好的体现麦类植物的局部特征；而过大的空间维度会大幅降低后续处理效率，故优选空间维度为1024*1024。

对图像空间维度作归一化时，采用如下方法：

其中、为归一化前、后的图像宽度，、为归一化前后的图像高度。若采用优选维度则。

设为归一化后图像上的一个像元，为其空间坐标，其按比例映射到归一化前图像空间中的坐标为，并且

取坐标附近的四个像元分别为：、、、。其中中括号表示取该数的整数部分。

则归一化后图像中像元的值根据归一化前的像元值插值计算：

其中：

为一非线性函数：

其中为自然指数，为函数自变量，可根据实际使用进行替换。采用上述非线性方法对图像空间维度作归一化插值，相比于经典的线性插值方法，更加近似于光照的分布特性，可以提高归一化的精度，保持原有图像的信息。方便不同设备采集图像使用，从而可以在实际生产中不依赖于采集设备（无人机等）型号的限制，使得用户可以租用不同设备进行。

像元的完整三维表示为：，为其光谱维度（共32个维度），表示按上述式1-4作归一化的空间维度（优选共1024*1024个维度）。

步骤2归一化高光谱图像数据的空间尺度特征提取

提取步骤1获得的归一化高光谱图像数据的空间尺度特征，用于在保持原图像空间特征分布的前提下降低数据量。

本发明所述麦类高光谱图像数据表现出较强的局部自相似性，即在一定的空间尺度下具备类似的特征。基于该特点，对高光谱图像数据的空间尺度特征进行测试并提取，可以大幅降低后续步骤中用于学习的数据量，提高方法的计算效率。

定义一组尺度滤波器如下：

其中，&运算为矩阵对应元素分别乘积运算，

为均值为0的高斯滤波器，共8组，表示高斯滤波器的方差且采取等比配置，，根据实验优选，。为基尺度滤波器:

根据上述定义尺度滤波器由高斯滤波器与基尺度滤波器联合组成共8*4=32组。将上述32组尺度滤波器分别与高光谱图像数据的空间域作相关滤波，并按下列方法计算最大尺度：

其中，为卷积运算，argmax为后面式子取最大值时的取值。根据式4定义的滤波器组，与式5定义的最大尺度计算方法，选取出对原图像数据响应值最大的尺度，表明在该尺度下原图像与滤波模板相关性最大。采用高斯滤波器的方差作为采样系数，对二维图像进行降采样，获得的降采样数据可近似保持原图像的特征分布，并降低图像数据量，提高计算效率。

故将原图像在空间维度x,y上按照尺度降采样：

获得降采样后的高光谱图像记为。步骤3高光谱麦类图像的生长时期自动识别和施肥控制方法

根据高光谱图像数据识别其所对应的生长时期，并进一步控制施以正确的肥料。

所述根据高光谱图像数据识别其所对应的生长时期，即前述8个适合施加SOD共生液的时期，通过输入步骤2获得的降采样的高光谱图像数据识别相应的时期。

同时，本发明的应用隐含了区分图像中包含本发明所述高SOD含量麦类或一般麦类的需要，因此，建立神经网络模型实施施加时期自动识别和对特殊麦类置信度的评价。

所述神经网络模型为一组具备逻辑关系和计算方法定义的具备层次结构的推理模型，由确定的一组输入、确定的一组输出和隐藏层组成，输入值经隐藏层运算、推理后，得到输出值。

为了叙述清楚，将隐藏层与输入直接相连的称为第一层，以第一层为基础，每经过一次运算，视为下一层，以此类推；隐藏层的最后一层运算后获得输出。

隐藏层的第一层定义如下；

(6)中，、表示两组用于提取局部特征的线性窗口函数，为数据坐标，为窗口在三个维度上的坐标，为与窗口函数对应的线性截距。窗口大小选取11*11*7。为将模型非线性化的函数，定义如下：

是经验参数，优选。上述非线性函数使神经网络模型能够对非线性数据样本实现分类，并通过参数对函数的分段调整，使模型的分类效果更好。

根据式6获得隐藏层第一层。通过两组独立的线性窗口函数提取局部特征，并打破了传统神经网络模型每层只单纯进行池化或卷积的偏见，通过先卷积再作差降低数据的噪声部分，更重要的是使局部特征更加突出。

进一步，隐藏层的第二层定义如下；

式7中，、是定义第一层、第二层之间的线性全连接函数，为数据坐标，为与之对应的线性截距；根据上述两个函数获得为与光谱维度数相同的向量（32维），获得为224维向量，表示与之间的线性连接。定义同上。

与组成隐藏层的第二层为一256维向量。其中，用于描述原数据的光谱特征，描述了光谱与空间的联合分布特征。隐藏层第二层对三维高光谱图像数据的全局特征进行建模。

进一步的，隐藏层的第三层定义如下：

式8中，为线性窗口函数，窗口大小为4，为与之对应的线性截距；通过窗口函数降低第二层中特征向量的维度，去除数据冗余。定义同上。

隐藏层第三层为最后一层，输出层定义为隐藏层第三层的函数：

式9中，是定义第三层与输出层之间的线性全连接函数，为与之对应的线性截距；可知输出是一个九维向量，由两部分组成：第一部分是8个由全连接函数定义的标量，分别表示8个不同的生长时期，第二部分为第三层中的最大值，表示输入图像中麦类是所期望麦类（高SOD含量麦类）生长期的置信度。

式6-9定义的神经网络模型经过样本学习后，确定各项线性函数的参数，可输出与输入图像对应的施加时期和置信度。根据输出判定是否需要施加共生液、及加量。

样本学习采取BP算法实现，准备不同时期、置信度的样本，及相应的样本真值代入模型6-9，将样本真值与模型输出进行比较，通过使上述比较值达到差异最小，获得模型的最优参数。可以理解，样本根据实际共生液所要施加的时期来选择，并不拘泥于传统的麦类生长期命名，而是根据需要施加共生液的时间点来区分生长期，采集此时的麦类图像作为正样本，而不处于此时间段的麦类图像作为负样本。通过样本的选择，本发明的方法不仅可以针对上述提出的共生液给出施控方法，同样可以针对其他共生液给出相应适合的施控方法。只需要在标记样本时，选择该种共生液最佳施加时期的图像作为正样本，非该时期的图片作为负样本即可。由此，本发明的方法并不局限于给定生长期的生产过程，而是可以根据实际需要进行灵活判别。

步骤4：根据上述判断结果，获知麦类所处生长是否处于8个共生液的施加时期，若是，则提醒用户进行共生液施加，并按照前述施加方法进行施加（或根据用户自定义施加方法进行）；若否，则提醒用户暂时不需要进行施加。由此，实现共生液的施加控制。

作为一种优选，上述施加操作由无人机完成。在判断需要施加共生液时，根据不同生长期为无人机装载对应配比和相应容量的共生液，按照预定路线针对某一区域麦田进行均匀喷洒。

本发明提出一种SOD共生液施加控制方法，通过采集高光谱图像识别麦类不同时期，从而精确控制共生液的施加手段，达到精准施肥、提高麦类SOD酶含量的目的。表1给出了本发明方法对不同时期麦类识别的准确度、及期望麦类置信度的评估精度，实验结果表明本发明方法可以实现较高的自动识别率，为自动化、智能化农业施肥提供了有效手段。

表1

施加SOD时期	麦类施加时期识别率	置信度评价误差
			拔节期	91.5%	3.3%
挑旗期	90.3%	5.8%
			打苞期	93.3%	6.1%
抽穗期	94.7%	3.7%
			衍花期	92.6%	4.6%
半仁期	95.5%	2.8%
			水仁期	93.4%	3.5%
上面期	94.8%	2.9%

在河南、河北、山东等多个省各选择了100亩地进行实验，得到了以下数据：

表2

识别方案	归一化SOD平均含量	归一化小麦平均产量
			依靠个人经验	0.84	0.81
现有神经网络（CNN）	0.73	0.86
			回归算法	0.51	0.72
传统图像识别	0.56	0.73
			本发明	1	1

可以理解，其他品牌的共生液、肥料或其他配方的肥料需要在不同的时期使用不同的量，与本发明的共生液并不完全相同（本发明的施加方式和配方是优选）。但只需要根据该施控方法选择适合它的图像样本进行网络训练，从而得到适合该共生液/肥料的神经网络模型，从而在使用时就可以精确检测麦类各个施加期，从而完成共生液的施控。

可以理解，以上实施例仅是对本发明方案的详细描述，并不作为对权利范围的限定。同时，由于实施方案中需要使用到诸多公知技术（例如高光谱检测等），但作为已知技术在本发明的方案中不再赘述，但这并不意味着本发明方案的缺失，而是本领域技术人员根据已有知识和技术可以很容易确定的。

Claims (10)

1.一种高SOD含量麦类产程中共生液施控方法，其特征在于：

步骤1：利用无人机的高光谱图像采集设备采集麦类高光谱图像，所采集麦类高光谱图像为三维数据，数据的三个维度分别为图像的宽度、高度与光谱，其中光谱包括32个波段；

采用非线性函数

；

对图像空间维度进行归一化插值，得到像元；其中，为非线性函数自变量；

步骤2：

；

其中，为卷积运算，argmax为后面式子取最大值时的取值，即对原图像数据响应值最大的尺度；尺度滤波器由高斯滤波器与基尺度滤波器联合组成；为高斯滤波器方差；

将原图像在空间维度x,y上按照尺度降采样：

；

步骤3：将降采样的图像作为神经网络的输入：

；

其中，、表示两组用于提取局部特征的线性窗口函数，为数据坐标，为窗口在三个维度上的坐标，为与窗口函数对应的线性截距；

；

是经验参数；

神经网络的输出是一个九维向量，由两部分组成：第一部分是8个由全连接函数定义的标量，分别表示8个不同的施加时期，第二部分为第三层中的最大值，表示输入图像中麦类是所期望麦类施加期的置信度；

步骤4：根据上述8个不同的施加时期输出结果，进行共生液施控。

2.如权利要求1所述的方法，其特征在于：在进行神经网络训练时，需要施加共生液的时间点来区分生长期，此时期的麦类图像作为正样本，而不处于此时期的麦类图像作为负样本。

3.如权利要求1所述的方法，其特征在于：所述32个波段包括蓝光、绿光、红外、近红外各自8个波段。

4.如权利要求3所述的方法，其特征在于：蓝色光波段由包括418-426nm、426-434nm、434-442nm、442-450nm、450-458nm、458-466nm、466-474nm、474-482nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

5.如权利要求3所述的方法，其特征在于：绿色光波段由包括528-536nm、536-544nm、544-552nm、552-560nm、560-568nm、568-576nm、576-584nm、584-592nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

6.如权利要求3所述的方法，其特征在于：红色光波段由包括618-626nm、626-634nm、634-642nm、642-650nm、650-658nm、658-666nm、666-674nm、674-682nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

7.如权利要求3所述的方法，其特征在于：近红外波段由包括808-816nm、816-824nm、824-832nm、832-840nm、840-848nm、848-856nm、856-864nm、864-872nm共8个波段的光谱子域构成，每个子域对应于一个光谱维度。

8.如权利要求1所述的方法，其特征在于：所述施加时期包括挑旗期、打苞期、抽穗期、衍花期、半仁期、水仁期、上面期。

9.如权利要求1所述的方法，其特征在于：所述施控由无人机执行。

10.如权利要求1所述的方法，其特征在于：中为其光谱维度。