CN116070789B - 基于人工智能的成熟期水稻和小麦的单产预估方法 - Google Patents
基于人工智能的成熟期水稻和小麦的单产预估方法 Download PDFInfo
- Publication number
- CN116070789B CN116070789B CN202310259315.7A CN202310259315A CN116070789B CN 116070789 B CN116070789 B CN 116070789B CN 202310259315 A CN202310259315 A CN 202310259315A CN 116070789 B CN116070789 B CN 116070789B
- Authority
- CN
- China
- Prior art keywords
- yield
- training
- artificial intelligence
- wheat
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 37
- 235000009566 rice Nutrition 0.000 title claims abstract description 37
- 241000209140 Triticum Species 0.000 title claims abstract description 34
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 34
- 240000007594 Oryza sativa Species 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 76
- 235000013339 cereals Nutrition 0.000 claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 241000209094 Oryza Species 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 210000005069 ears Anatomy 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 9
- 239000007924 injection Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims 2
- 230000005012 migration Effects 0.000 claims 2
- 239000006002 Pepper Substances 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013526 transfer learning Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 241000495841 Oenanthe oenanthe Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的成熟期水稻和小麦的单产预估方法，包括以下步骤：S1，预设人工智能模型搭建与训练；S2，需要预测单产的目标农作物图像采集；S3，目标农作物类别信息和特征信息提取；S4，目标农作物单产预估；S5，预估结果优化。本发明不但改变了人工调查导致对产量判断不一致、统计调查效率低、估产结果标准不统一的问题，跟目前已经利用信息化技术的估产方法相比，还具有可操作性强、采集效率高、精度高、预估准确性高、标准统一。同时还保证调查数据科学性，提升单产调查的数据质量，实现数据的存档与留痕；为发展精准农业提供有效手段，在国家粮食安全和粮食宏观调控等方面提供强有力的数据支撑。
Description
技术领域
本发明涉及农作物估产技术领域，尤其涉及一种基于人工智能的成熟期水稻和小麦的单产预估方法。
背景技术
在农业技术领域，传统的单位面积产量调查主要通过调查员目视判断进行，该方法主要存在以下问题：首先，调查人员经验的差异导致对产量的判断不一致，估产结果标准不统一；其次，产量受生长过程的影响，在传统的踏田估产过程中，并未结合历史、气候等数据，使估产数据缺乏科学性；另外，预产估产工作难留痕、难追溯，对基层工作难以进行过程管理。第三次农业普查以来，遥感、人工智能等新一代的信息化技术在面积调查方面得到了广泛的应用、取得了很好的效果，也开始逐步应用于农作物估产领域，目前已经出现一些利用信息化技术进行农作物估产的方法，但是普遍存在与实际产量相比预估误差大、精度低、方法可操作性差等方面的问题，因此如何科学、有效、精确的实现对农作物的单产预估是本领域待解决的技术问题。水稻和小麦都属于大田作物，抽穗均是开始成熟的重要特征，可以用相同的方法进行单产预估。
发明内容
本发明解决现有技术统计调查效率低、精度低、预估准确性低、标准不统一、方法可操作性差的问题，提出一种基于人工智能的成熟期水稻和小麦的单产预估方法，能提高采集效率和采集精度、提高预估准确性、标准统一、可操作性强。本发明是通过以下技术方案实现的：
本发明提出一种基于人工智能的成熟期水稻和小麦的单产预估方法，所述方法包括以下步骤：
一种基于人工智能的成熟期水稻和小麦的单产预估方法，包括以下步骤：
S1，预设人工智能模型搭建与训练：
S11，目标农作物图像采集：所述目标农作物为成熟期水稻或小麦，选定目标农作物地块（地球表面有统一权属主和统一土地利用类别的完整封闭的土地），选取目标农作物地块的目标点位，根据设定的采集标准采集大量目标农作物图像；所述设定的采集标准包括对类别信息、特征信息和拍摄信息的统一要求，所述类别信息包括水稻和小麦，所述特征信息包括目标农作物穗部的各种特征，比如不同图像大小对应的穗数、种植面积，所述拍摄信息包括拍摄的方式、拍摄数量和拍摄的范围；
S12，制作标准数据集：利用采集的大量目标农作物图像使用Labelimg软件标注目标农作物的穗，所述标注是指点击鼠标左键从每株穗左上角至右下角勾画出一个矩形包围框，输入“水稻”或“小麦”表示此矩形框中对象类别，矩形包围框的坐标和类别信息均被自动记录到一个唯一对应的XML文件中，得到原始标注数据集，并对原始标注数据集进行数据增强处理生成标准数据集；
S13，搭建预设人工智能模型：针对标准数据集，划定模型训练集，设置模型训练超参数，进行模型训练；所述模型训练集通过SSD算法的三个部分来提取低尺度（指浅层的、简单的）的特征映射图、高尺度（指深层的、复杂的）的特征映射图和预测映射图（指人工智能模型输出的预测图）每个点的矩形框信息和类别信息；
S2，需要预测单产的目标农作物图像采集：根据S1步预设人工智能模型设定的采集标准进行目标农作物图像采集，得到验证集图像；
S3，目标农作物类别信息和特征信息提取：将S2采集的图像使用S1步获得的预设人工智能模型提取目标农作物类别信息和特征信息；
S4，目标农作物单产预估：根据提取的目标农作物的类别信息和特征信息获得采集的目标农作物每张图像的穗数，结合图像采集时所对应的实际种植面积，进行亩穗数推算，亩穗数推算公式为：
式中，n为采集的目标农作物图像的张数，单位：张；N为采集的每张图像中穗的数量，单位：株；S为采集的每张图像所对应的实际种植面积大小，单位：平方米；15、10000为单位换算系数；
计算目标农作物预估单产值，目标农作物预估单产值计算公式为：
预估单产值=a×亩穗数×穗粒数×千粒重 （2）
式中，穗粒数指每穗所含粒数，千粒重是指一千粒目标农作物总重，穗粒数与千粒重根据历年经验值获得；a为调节系数，设置为0.85；
S5，预估结果优化：获取目标农作物的实际单位面积产量，对比预估单产值和实际单产值并计算误差率，误差率的计算公式为：
误差率=|预估单产值-实测单产值|/实测单产值*100% （3）
判决误差率是否在预设的误差率范围之内，若不在预设的误差率范围之内，则返回S1，调整预设人工智能模型训练过程参数，并重复执行S2至S5，直至误差率满足预设的误差率阈值范围，得到目标农作物的单产预估结果。
S11步骤中，所述拍摄范围包括选取目标点位，具体为在每个地块根据目标农作物长势情况选取至少5个点位，所述拍摄数量为每个目标点位至少采集5张图像，所述拍摄方式为使采集设备保持水平，摄像头面朝向目标农作物冠层，保持固定统一的高度和广度进行图像采集。
S12步骤中，所述标准数据集还包括网络搜集的目标农作物穗标注数据集和历史采集图像制作的标注数据集，或对网络搜集的农作物穗的图像进行手动标注制作更大的数据集。
对S12标注后的原始数据集进行数据增强处理，所述数据增强处理通过几何变换、对比度变换、噪声注入等方式组合完成。
所述几何变换是指设置水平翻转、垂直翻转、旋转变换三种方式，所述旋转变换中，设置轻微旋转，可将旋转角度设置为25°。所述对比度变换为在HSV颜色空间下，保持色度分量（H）不变，对每个像素的明度分量（V）和饱和度分量（S）进行指数运算，改变光照强度；优选的，可将指数因子设置为2.25。所述噪声注入为对拍摄的样本图像人工添加随机噪声生成新的图像，包括椒盐噪声和高斯噪声两种；设置三组噪声注入方案：偏移量为0.15和标准差为0.25的高斯噪声、偏移量为0.45和标准差为0.65的高斯噪声、偏移量为0.85和标准差为0.65的高斯噪声。
S13步骤中，低尺度的特征映射图由三部分中的基础网络部分提取，高尺度的特征映射图是由辅助卷积层在基础网络后增加的4个卷积层提取，预测卷积层预测特征映射图每个点的矩形框信息和所属类别信息，共生成6个不同尺度的特征图。
S13步骤中，SSD基础网络上增加特征金字塔网络（Feature Pyramid Network，FPN）、卷积块注意力模块（Convolutional Block Attention Module，CBAM）两个模块，并使用Focal loss替换原始算法中的损失函数，具体地，FPN将浅层特征信息与深层特征信息进行融合，CBAM聚焦图像的重要特征，抑制不必要的区域响应，Focal loss是一种处理样本分类不平衡的损失函数。
S13中所述模型训练前通过迁移学习方法进行人工智能模型的预训练，预训练完成后根据标准数据集进行模型微调，直至人工智能模型训练完成，所述通过迁移学习方法进行人工智能模型的预训练的过程具体为选择网络上公开的各种数据集作为预训练数据集，通过随机初始化模型参数开始模型训练，预训练完成后在本文训练集中继续训练，通过观察训练过程中的评价指数来判断当前模型处于何种训练状态，并及时调整超参数直到损失越来越小，训练过程中调整超参数并记录、保存效果最佳的超参数用于后续的图像验证（即本文所述目标农作物的穗提取）。
S13中超参数可设置如下：学习率设为0.0001，迭代次数设为15000次，批处理数设置为30，动量设置为0.9，权重衰减系数设置为0.0001。
S1所述预设人工智能模型训练完成后进行模型微调，即获取预设人工智能模型评价指数，若当前训练集指数大于所述预设人工智能估产结果评价指数，则输入所述训练集对模型进行微调。
选择mAP值作为人工智能估产评价指数，并设定其阈值为85%；当训练集mAP值大于等于85%时，可以采用该训练集进行模型微调。
S4步骤中，所述穗粒数与千粒重根据历年经验值获得方式具体为根据点位信息锁定待估产地块所属区县，在所属区县大数据平台下查找相应类别作物的穗粒数、千粒重历史经验值。
本发明的有益效果是：本发明通过对大量目标农作物图像进行采集并制作标准数据集后进行预设人工智能模型的搭建和训练，再对需要预测单产的目标农作物按设定的标准用人工智能模型进行图像采集和特征提取，就能得到准确预测的目标农作物单产，本发明不但改变了人工调查导致对产量判断不一致、统计调查效率低、估产结果标准不统一的问题，跟目前已经利用信息化技术的估产方法相比，还具有可操作性强、采集效率高、精度高、预估准确性高、标准统一。同时还具有如下优点：保证调查数据科学性，提升单产调查的数据质量，实现数据的存档与留痕；减轻基层调查人员工作负担，为其开展相关工作摸索可行的路线和方案；对掌握农产品产量具有十分重要的意义，为发展精准农业提供有效手段，在国家粮食安全和粮食宏观调控等方面提供强有力的数据支撑。
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的水稻稻穗标注示意图；
图3为本发明的小麦麦穗标注示意图。
具体实施方式
本发明公开一种基于人工智能的成熟期水稻和小麦的单产预估方法，如图1所示，包括以下步骤：
S1：预设人工智能模型搭建与训练：
S11，目标农作物图像采集：所述目标农作物为成熟期水稻或小麦，选定目标农作物地块，该目标农作物地块是指地球表面有统一权属主和统一土地利用类别的完整封闭的土地，选取目标农作物地块的目标点位，根据设定的采集标准采集大量目标农作物图像；所述设定的采集标准包括对类别信息、特征信息和拍摄信息的统一要求，所述类别信息包括水稻和小麦，所述特征信息包括目标农作物穗部的各种特征，比如不同图像大小对应的穗数、种植面积，所述拍摄信息包括拍摄的方式、拍摄数量和拍摄的范围。
具体的，图像采集时间一般选择在光线良好的上午与下午，保证图像细节清晰。采集图像时，结合农作物长势情况，如农作物疏密、高矮、倒伏情况、倒伏时长等，选取具有代表性的目标点位，调整图像采集设备姿态，保证获取的图像可用。
为了减少采集过程中可能产生的误差，拍摄数量可以是：每个待估产地块至少选择5个具有代表性的点位、每个点位至少拍摄5次，即每个待估产地块至少需采集25张图像。若估产对象为多个地块的平均值，则应当对每个地块分别进行至少25次图像采集。采集设备使用具有拍照和存储功能的设备，调查员到达上述所选点位，对所选点位逐一进行图像采集。拍摄方式是：采集时，使所述采集设备保持水平，摄像头面朝向目标农作物冠层，保持一定的距离进行图像采集。为便于后续亩穗数推算，应保证在对同一目标农作物对象（地块）进行图像采集时，选用同样的采集设备、固定统一的采集高度和广度。如：采集高度统一固定为1.5米，则采集到的图像所反映的种植面积统一为1平方米。
S12，制作标准数据集：利用采集的大量目标农作物图像使用Labelimg软件标注目标农作物的穗，所述标注是指点击鼠标左键从每株穗左上角至右下角勾画出一个矩形包围框，输入“水稻”或“小麦”表示此矩形框中对象类别，矩形包围框的坐标和类别信息均被自动记录到一个唯一对应的XML文件中；即对图像中目标农作物的穗进行标注生成原始标注数据集，并对原始标注数据集进行数据增强处理生成标准数据集。
所述标准数据集还包括网络搜集的目标h农作物穗标注数据集和历史采集图像制作的标注数据集，或对网络搜集的农作物穗的图像进行手动标注制作的更大的数据集
具体的，对采集的大量目标农作物图像使用Labelimg软件标注目标农作物的穗，水稻稻穗标注、小麦麦穗标注分别如图2、图3所示，首先对图像进行目视判读，点击鼠标左键从每株穗左上角至右下角勾画出一个矩形包围框，输入“水稻”或“小麦”表示此框中对象类别，矩形包围框的坐标和类别信息均被自动记录到一个唯一对应的XML文件中。为了使有限的数据产生最大的价值，对原始标注数据集进行数据增强处理，以此提高人工智能算法的鲁棒性。所述数据增强处理可以通过几何变换、对比度变换、噪声注入等方式组合完成。
几何变换：设置水平翻转、垂直翻转、旋转变换三种方式，优选的，旋转变换中，轻微旋转效果最好，可将旋转角度设置为25°。
对比度变换：在HSV颜色空间下，保持色度分量（H）不变，对每个像素的明度分量（V）和饱和度分量（S）进行指数运算，改变光照强度。优选的，可将指数因子设置为2.25。
噪声注入：对拍摄的样本图像人工添加随机噪声生成新的图像，常见的有椒盐噪声和高斯噪声两种。噪声干扰足够小时，对输出的分类结果不会产生较大影响，且可以提高模型的泛化能力；但太多的噪声代表错误的数据，输出结果将会有较大偏差。优选的，设置三组噪声注入方案：偏移量为0.15和标准差为0.25的高斯噪声、偏移量为0.45和标准差为0.65的高斯噪声、偏移量为0.85和标准差为0.65的高斯噪声。
为了保证模型训练的数据量足够大，当实地采集的图像数量较少时，可在网络上搜集公开的目标农作物穗标注数据集，或通过网络搜集目标农作物穗的图像进行手动标注制作更大的数据集。
S13，搭建预设人工智能模型：针对标准数据集，划定模型训练集，设置模型训练超参数，进行模型训练；所述模型训练集通过SSD算法的三个部分来提取低尺度（指浅层的、简单的）的特征映射图、高尺度（指深层的、复杂的）的特征映射图和预测映射图（指人工智能模型输出的预测图）每个点的矩形框信息和类别信息；
预设人工智能模型搭建与训练：搭建预设人工智能模型，通过迁移学习方法进行预设人工智能模型的预训练，预训练完成后根据标准数据集进行模型微调，直至人工智能模型训练完成；
具体的，预设人工智能模型搭建过程，在众多的目标检测方法中，SSD算法兼具速度与准确率，因此选择SSD作为穗检测的基础算法网络，其网络主要由基础网络、辅助卷积层、预测卷积层三部分组成，其中，基础网络部分主要用于提取低尺度（指浅层的、简单的）的特征映射图，辅助卷积层是在基础网络后增加的4个卷积层，主要用于提取高尺度（指深层的、复杂的）的特征映射图，预测卷积层预测特征映射图（指人工智能模型输出的预测图）每个点的矩形框信息和所属类信息。算法向前传播过程中，共生成6个不同尺度的特征图，这些特征图尺寸逐渐减小，特征抽象度逐渐增高，其中，浅层的特征图包含了更多的细节信息，适合进行小物体的检测，而较深的特征图包含了更多的全局信息，更适合大物体的检测。
穗作为小目标，为了突出其特征以获得更好的检测效果，在SSD基础网络上增加特征金字塔网络（Feature Pyramid Network，FPN）、卷积块注意力模块（ConvolutionalBlock Attention Module，CBAM）两个模块，并使用Focal loss替换原始算法中的损失函数。具体地，FPN将浅层特征信息与深层特征信息进行融合，保留了较高分辨率的同时，也提高了语义信息在各层的表达能力，可以较好地突出穗的特征；CBAM是一种轻量级且简单有效的注意力机制，其主要目的是聚焦图像的重要特征，抑制不必要的区域响应；Focal loss是一种处理样本分类不平衡的损失函数，其可以使算法关注于对穗的寻找，而不是对背景的排除。
通过迁移学习方法进行预设人工智能模型的预训练的过程具体为选择网络上公开的各种数据集作为预训练数据集，通过随机初始化模型参数开始模型训练。
一般来说，实地采集的图像样本量比较小，因此可以通过迁移学习进行人工智能模型的预训练，然后在制作的标准数据集上进行微调。迁移学习是将现有模型应用于最初并非预期的场景的过程（其他类型的数据集），这种方法可以节省训练时间并扩展现有模型的实用性。具体地，预训练数据集可以选择网络上公开的各种数据集，如Imagenet，PascalVOC，COCO等。随机初始化模型参数开始模型训练，预训练完成后在本文训练集中继续训练，通过观察训练过程中的评价指数来判断当前模型处于何种训练状态，并及时调整超参数直到损失越来越小，记录、保存效果最佳的超参数用于后续的图像验证（即本文所述目标农作物的穗提取）。超参数可设置如下：学习率设为0.0001，迭代次数设为15000次，批处理数设置为30，动量设置为0.9，权重衰减系数设置为0.0001。获取预设人工智能模型评价指数，若当前训练集指数大于所述预设人工智能估产结果评价指数，则通过调整超参数输入所述训练集对模型进行微调。具体的，选择mAP值作为人工智能估产评价指数，并设定其阈值为85%；当训练集mAP值大于等于85%时，可以采用该训练集进行模型微调。
S2：需要预测单产的目标农作物图像采集：根据S1步预设人工智能模型设定的采集标准进行目标农作物图像采集，得到验证集图像；
S3，目标农作物类别信息和特征信息提取：将S2采集的目标农作物图像输入S1步获得的预设人工智能模型，提取目标农作物的类别信息和特征信息。
目标农作物的类别信息指人工智能模型对输入图像的判别结果，即：水稻、小麦；目标农作物的特征信息指农作物结构信息，如：根部、叶部、穗部等，在本发明中选定穗部作为成熟期水稻、成熟期小麦的特征信息进行识别和计数。
S4，目标农作物单产预估：根据提取的目标农作物的类别信息和特征信息获得采集的目标农作物每张图像的穗数，结合图像采集时所对应的实际种植面积，进行亩穗数推算，亩穗数推算公式为：
式中，n为采集的目标农作物图像的张数，单位：张；N为采集的每张图像中穗的数量，单位：株；S为采集的每张图像所对应的实际种植面积大小，单位：平方米；15、10000为单位换算系数。
计算目标农作物预估单产值，目标农作物预估单产值计算公式为：
预估单产值=a×亩穗数×穗粒数×千粒重 （2）
式中，穗粒数指每穗所含粒数，千粒重是指一千粒水稻总重，穗粒数与千粒重根据历年经验值获得，具体为根据点位信息锁定地块所属区县，在所属区县大数据平台下查找相应类别作物的穗粒数、千粒重历史经验值；a为调节系数，设置为0.85。
根据单产估算公式中所需参数，结合特征信息进行参数填充，得到目标农作物的预估单产值。
S5，预估结果优化：对比预测单产值和实际单产值，优化方法细节，以期获得更好的预测结果，获取目标农作物的实际单位面积产量，对比预估单产值和实际单产值并计算误差率，误差率的计算公式为：
误差率=|预估单产值-实测单产值|/实测单产值*100% （3）
判决误差率是否在预设的误差率范围之内，若误差率在预设范围之内，则根据本方法实现目标农作物单产预测。若不在预设的误差率范围之内，则返回S1，调整人工智能模型训练过程参数，并重复执行S2至S5，直至误差率满足预设的误差率阈值范围，得到目标农作物的单产预估结果。其中目标农作物实际单产可通过实割实测获取。
在本实施方式中，设定误差率阈值为2%，若误差率小于等于2%，表明预测方法可行、预测结果良好；若误差率大于2%，则可按照所述长势特征情况，人工调整预测方法中的部分细节，如：调整人工智能模型训练超参数、更改mAP阈值大小等。具体地，以误差率超出阈值且预测值高于实测值为例，若长势较差，则将mAP阈值调高，进行穗识别的严格筛选，直至得到满足误差阈值的单产预测结果；记录合格情况下的各参数、阈值及农作物长势情况，以便下一次调用。
最后应说明的是，以上所述仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
Claims (13)
1.一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，所述方法包括以下步骤：
S1，预设人工智能模型搭建与训练：
S11，目标农作物图像采集：所述目标农作物为成熟期水稻或小麦，选定目标农作物地块，选取目标农作物地块的目标点位，根据设定的采集标准采集大量目标农作物图像；所述设定的采集标准包括对类别信息、特征信息和拍摄信息的统一要求，所述类别信息包括水稻和小麦，所述特征信息包括目标农作物穗部的各种特征，所述拍摄信息包括拍摄的方式、拍摄数量和拍摄的范围；
S12，制作标准数据集：利用采集的大量目标农作物图像使用Labelimg软件标注目标农作物的穗，所述标注是指点击鼠标左键从每株穗左上角至右下角勾画出一个矩形框，输入“水稻”或“小麦”表示此矩形框中对象类别，矩形框的坐标和类别信息均被自动记录到一个唯一对应的XML文件中，得到原始标注数据集，并对原始标注数据集进行数据增强处理生成标准数据集；
S13，搭建预设人工智能模型：针对标准数据集，划定模型训练集，设置模型训练超参数，进行模型训练；所述模型训练集通过SSD算法的三个部分来提取低尺度的特征映射图、高尺度的特征映射图和预测映射图每个点的矩形框信息和类别信息，所述低尺度指特征映射图中浅层的、简单的，高尺度指深层的、复杂的；低尺度的特征映射图由三部分中的基础网络部分提取，高尺度的特征映射图是由辅助卷积层在基础网络后增加的4个卷积层提取，预测卷积层预测特征映射图每个点的矩形框信息和类别信息，共生成6个不同尺度的特征图，SSD基础网络上增加特征金字塔网络（Feature Pyramid Network，FPN）、卷积块注意力模块（Convolutional Block Attention Module，CBAM）两个模块，并使用Focal loss替换原始算法中的损失函数，FPN将浅层特征信息与深层特征信息进行融合，CBAM聚焦图像的重要特征，抑制不必要的区域响应，Focal loss作为损失函数处理样本分类不平衡；
S2，需要预测单产的目标农作物图像采集：根据S1步预设人工智能模型设定的采集标准进行目标农作物图像采集，得到验证集图像；
S3，目标农作物类别信息和特征信息提取：将S2采集的图像使用S1步获得的预设人工智能模型提取目标农作物类别信息和特征信息；
S4，目标农作物单产预估：根据提取的目标农作物的类别信息和特征信息获得采集的目标农作物每张图像的穗数，结合图像采集时所对应的实际种植面积，进行亩穗数推算，亩穗数推算公式为：
式中，n为采集的目标农作物图像的张数，单位：张；N为采集的每张图像中穗的数量，单位：株；S为采集的每张图像所对应的实际种植面积大小，单位：平方米；
计算目标农作物预估单产值，目标农作物预估单产值计算公式为：
预估单产值=a×亩穗数×穗粒数×千粒重 （2）
式中，穗粒数指每穗所含粒数，千粒重是指一千粒目标农作物总重，穗粒数与千粒重根据历年经验值获得；a为调节系数，设置为0.85；
S5，预估结果优化：获取目标农作物的实际单位面积产量，对比预估单产值和实际单产值并计算误差率，误差率的计算公式为：
误差率=|预估单产值-实测单产值|/实测单产值*100% （3）
判决误差率是否在预设的误差率范围之内，若不在预设的误差率范围之内，则返回S1，调整预设人工智能模型训练过程参数，并重复执行S2至S5，直至误差率满足预设的误差率阈值范围，得到目标农作物的单产预估结果。
2.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，S11所述拍摄范围包括选取目标点位，具体为在每个地块根据目标农作物长势情况选取至少5个点位，所述拍摄数量为每个目标点位至少采集5张图像，所述拍摄方式为使采集设备保持水平，摄像头面朝向目标农作物冠层，保持固定统一的高度和广度进行图像采集。
3.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，S12所述标准数据集还包括网络搜集的目标农作物穗标注数据集和历史采集图像制作的标注数据集，或对网络搜集的农作物穗的图像进行手动标注制作的更大的数据集。
4.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，对S12标注后的原始数据集进行数据增强处理，所述数据增强处理通过几何变换、对比度变换、噪声注入方式组合完成。
5.根据权利要求4所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于所述几何变换是指设置水平翻转、垂直翻转、旋转变换三种方式。
6.根据权利要求5所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于所述旋转变换中，设置轻微旋转，可将旋转角度设置为25°。
7.根据权利要求4所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于所述对比度变换为在HSV颜色空间下，保持色度分量（H）不变，对每个像素的明度分量（V）和饱和度分量（S）进行指数运算，改变光照强度；优选的，可将指数因子设置为2.25。
8.根据权利要求4所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于所述噪声注入为对拍摄的样本图像人工添加随机噪声生成新的图像，包括椒盐噪声和高斯噪声两种；设置三组噪声注入方案：偏移量为0.15和标准差为0.25的高斯噪声、偏移量为0.45和标准差为0.65的高斯噪声、偏移量为0.85和标准差为0.65的高斯噪声。
9.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，S13所述模型训练前通过迁移学习方法进行人工智能模型的预训练，预训练完成后根据标准数据集进行模型微调，直至人工智能模型训练完成，所述通过迁移学习方法进行人工智能模型的预训练的过程具体为选择网络上公开的各种数据集作为预训练数据集，通过随机初始化模型参数开始模型训练，预训练完成后在本文训练集中继续训练，通过观察训练过程中的评价指数来判断当前模型处于何种训练状态，并及时调整超参数直到损失越来越小，训练过程中调整超参数并记录、保存效果最佳的超参数用于后续的图像验证。
10.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，S13中超参数可设置如下：学习率设为0.0001，迭代次数设为15000次，批处理数设置为30，动量设置为0.9，权重衰减系数设置为0.0001。
11.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，S1所述预设人工智能模型训练完成后进行模型微调，获取预设人工智能模型评价指数，若当前训练集指数大于预设人工智能估产结果评价指数，则输入所述训练集对模型进行微调。
12.根据权利要求11所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于选择mAP值作为人工智能估产评价指数，并设定其阈值为85%；当训练集mAP值大于等于85%时，可以采用该训练集进行模型微调。
13.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，S4所述穗粒数与千粒重根据历年经验值获得方式具体为根据点位信息锁定待估产地块所属区县，在所属区县大数据平台下查找相应类别作物的穗粒数、千粒重历史经验值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310259315.7A CN116070789B (zh) | 2023-03-17 | 2023-03-17 | 基于人工智能的成熟期水稻和小麦的单产预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310259315.7A CN116070789B (zh) | 2023-03-17 | 2023-03-17 | 基于人工智能的成熟期水稻和小麦的单产预估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116070789A CN116070789A (zh) | 2023-05-05 |
| CN116070789B true CN116070789B (zh) | 2023-06-02 |
Family
ID=86171735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310259315.7A Active CN116070789B (zh) | 2023-03-17 | 2023-03-17 | 基于人工智能的成熟期水稻和小麦的单产预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070789B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196639B (zh) * | 2024-05-16 | 2024-09-06 | 吉林省中农阳光数据有限公司 | 玉米产量估算方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
| CN110222215A (zh) * | 2019-05-31 | 2019-09-10 | 浙江大学 | 一种基于f-ssd-iv3的作物害虫检测方法 |
| CN111709510A (zh) * | 2020-06-15 | 2020-09-25 | 陈效庚 | 一种高产小麦田间群体快速测定的工具与方法 |
| CN113222991A (zh) * | 2021-06-16 | 2021-08-06 | 南京农业大学 | 基于深度学习网络的田间麦穗计数以及小麦产量预测 |
| CN115272828A (zh) * | 2022-08-11 | 2022-11-01 | 河南省农业科学院农业经济与信息研究所 | 一种基于注意力机制的密集目标检测模型训练方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111611983A (zh) * | 2020-06-29 | 2020-09-01 | 南京农业大学 | 一种手持式田间小麦赤霉病监测预警装置及方法 |
-
2023
- 2023-03-17 CN CN202310259315.7A patent/CN116070789B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
| CN110222215A (zh) * | 2019-05-31 | 2019-09-10 | 浙江大学 | 一种基于f-ssd-iv3的作物害虫检测方法 |
| CN111709510A (zh) * | 2020-06-15 | 2020-09-25 | 陈效庚 | 一种高产小麦田间群体快速测定的工具与方法 |
| CN113222991A (zh) * | 2021-06-16 | 2021-08-06 | 南京农业大学 | 基于深度学习网络的田间麦穗计数以及小麦产量预测 |
| CN115272828A (zh) * | 2022-08-11 | 2022-11-01 | 河南省农业科学院农业经济与信息研究所 | 一种基于注意力机制的密集目标检测模型训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116070789A (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | 3D monitoring for plant growth parameters in field with a single camera by multi-view approach | |
| CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| Sun et al. | Wheat head counting in the wild by an augmented feature pyramid networks-based convolutional neural network | |
| CN116070789B (zh) | 基于人工智能的成熟期水稻和小麦的单产预估方法 | |
| CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| Kang et al. | Support vector machine classification of crop lands using sentinel-2 imagery | |
| CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
| CN110473205A (zh) | 基于矢栅模型的遥感影像信息提取方法和系统 | |
| CN117789037B (zh) | 作物生长期预测方法及装置 | |
| CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| CN117593387A (zh) | 一种作物冠层覆盖率评价方法及系统 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN115719453B (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| CN117091706A (zh) | 基于遥感的林冠-林冠下空气-根系附近土壤的立体化温度监测方法 | |
| CN116800840A (zh) | 基于特征差异检测的农业图像传输方法、系统及介质 | |
| CN115841615A (zh) | 一种基于无人机多光谱数据的烟草产量预测方法及装置 | |
| CN115438934A (zh) | 一种基于区块链的农作物生长环境监测方法及系统 | |
| CN113435302A (zh) | 一种基于GridR-CNN的水培生菜幼苗状态检测方法 | |
| Deng et al. | A paddy field segmentation method combining attention mechanism and adaptive feature fusion | |
| CN117935250B (zh) | 一种对自然形态的稻穗进行表型提取的方法 | |
| CN118552871B (zh) | 一种基于无人机图像的海草床分布提取方法 | |
| CN114821344B (zh) | 一种叶面积指数计算方法和装置 | |
| CN118609170B (zh) | 利用横向跨尺度融合查询矩阵检测鲍鱼幼苗的方法及装置 |
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 |