一种农作物生长控制系统的制作方法

本发明属于信号处理技术领域，具体为一种农作物生长控制系统。

背景技术：

粮食产量对于国家的经济发展和社会稳定有着重要的影响，农作物产量预测对于改善农作物的生长环境和提高农作物的产量具有重要的意义；已有的农作物产量预测方法，通常为先采集与农作物生长有关的参数，进行人工的特征处理，在农作物产量预测问题中经常被使用的特征包括归一化差异植被指数(normalizeddifferencevegetationindex,ndvi)、双波段增强植被指数(two-bandenhancedvegetationindex,evi2)和归一化差异降水指数(normalizeddifferencewaterindex,ndwi)，参数计算来源为卫星拍摄的多光谱遥感图像。

首先，尽管一些特征在一定程度上能反应作物的生长情况，但并没有完全利用遥感图像中所有频段所包含的信息，将计算所得到的特征参数输入到预测模型中，通过模型从输入数据到产值的不断映射，学习到对应的模型参数；其次，一些传统的机器学习方法被应用于农作物产量的预测，比如岭回归模型(ridgeregression,rr)，决策树模型(decisiontrees,dt)，支持向量机模型(supportvectormachine,svm)，深度神经网络模型(deepneuralnetworks，dnn)，传统的机器学习方法只能提取图像数据的浅层特征，无法挖掘图片数据中深层次的信息，在处理大规模数据和预测精度方面存在不足。

技术实现要素：

本发明的目的在于：为了解决现实存在的技术问题，提供一种农作物生长控制系统。

本发明采用的技术方案如下：一种农作物生长控制系统，包括卫星监测模块、数据传输模块和计算模块；卫星监测模块用于拍摄目标位置的多光谱遥感图像，并通过数据传输模块将拍摄到的图像数据发送到计算模块，计算模块对于接收到的图像数据通过内部算法进行分析处理、计算；计算模块内部包括数据处理模块以及数据计算模块，所述数据处理模块与数据传输模块相连接，对于接受到的图像数据进行处理，所述数据计算模块与数据处理模块相连接，对于图像数据进行分析计算，所述数据处理模块包括卷积神经网络单元；基于卷积神经网络单元建立的数据模块，将地表反射率数据、土壤温度数据和地表覆盖类型数据作为输入数据，对于三种类型的图像数据每个像素点的位置信息与像素值大小进行提取；将图像数据中的位置信息去除，将三种图像数据映射到用像素值计数的三维直方图；将三维直方图输入卷积神经网络单元，卷积神经网络对局部进行感知，更高层对于局部的信息综合计算得到全局信息，局部感知通过卷积层实现，每一层卷积层对于局部卷积滤波器提取局部特征，每个特征映射是一个神经元阵列，卷积层紧跟着一个用来求局部平均与二次提取的计算层，组合形成多光谱图像。

其中，所述卫星监测模块包括遥感图像拍摄单元，所述遥感图像对应频段为9。

其中，所述数据传输模块包括卫星数据传输设备以及地面基站设备。

其中，所述计算模块包括计算机设备以及服务器设备。

其中，所述数据传输模块与计算模块相连接。

其中，所述卫星监测模块检测数据包括地表反射率图像、土壤温度图像以及地表覆盖类型图像。

其中，所述数据处理模块与数据计算模块双向连接，所述数据处理模块还包括显示屏。

其中，所述数据处理模块还包括循环神经网络单元，所述循环神经网络单元利用内部的记忆单元处理计算任意时序的输入数据，所述循环神经网络单元在其处理单元之间存在内部的反馈连接和前馈连接，用于将输入数据存在的前后连接数据进行输出，用于将数据连接关系最终映射到输出数据。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，通过分析农作物卫星图像，一方面可以实时了解农作物的生长情况，比如通过地表反射率可以预估农作物的生长周期，便于对农作物的生长情况进行人为干预，使得农作物朝着理想的方向生长；通过观察土壤温度信息，可以实时了解农作物生长温度，预估农作物湿度信息，对农作物是否需要灌溉给出合理的建议；通过观察土地覆盖类型信息可以实时监测农作物与其他作物生长区域变化，便于对农作物的产量信息做出合理预判。

2、本发明中，通过将地表反射率数据、土壤温度数据以及地表覆盖类型数据进行组合之后可以更进一步获取到表征小麦生长情况的特征，将得到的特征送入到搭建好的神经网络中可以较为准确的预测小麦当年的产值。

附图说明

图1为本发明的地表反射率示意简图；

图2为本发明中土壤温度示意简图；

图3为本发明中地表覆盖类型示意简图。

具体实施方式

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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例一，参照图1-3，一种农作物生长控制系统，包括卫星监测模块、数据传输模块和计算模块；卫星监测模块用于拍摄目标位置的多光谱遥感图像，并通过数据传输模块将拍摄到的图像数据发送到计算模块，计算模块对于接收到的图像数据通过内部算法进行分析处理、计算；计算模块内部包括数据处理模块以及数据计算模块，数据处理模块与数据传输模块相连接，对于接受到的图像数据进行处理，数据计算模块与数据处理模块相连接，对于图像数据进行分析计算，数据处理模块包括卷积神经网络单元；基于卷积神经网络单元建立的数据模块，将地表反射率数据、土壤温度数据和地表覆盖类型数据作为输入数据，对于三种类型的图像数据每个像素点的位置信息与像素值大小进行提取；将图像数据中的位置信息去除，将三种图像数据映射到用像素值计数的三维直方图；将三维直方图输入卷积神经网络单元，卷积神经网络对局部进行感知，更高层对于局部的信息综合计算得到全局信息，局部感知通过卷积层实现，每一层卷积层对于局部卷积滤波器提取局部特征，每个特征映射是一个神经元阵列，卷积层紧跟着一个用来求局部平均与二次提取的计算层，组合形成多光谱图像，以便于通过多光谱图像对于农作物的产量进行一定程度的判断。

实施例二，卫星监测模块包括遥感图像拍摄单元，遥感图像对应频段为9，数据传输模块包括卫星数据传输设备以及地面基站设备，计算模块包括计算机设备以及服务器设备，数据传输模块与计算模块相连接，以便于通过卫星监测模块获取遥感图像后进行传输处理。

实施例三，卫星监测模块检测数据包括地表反射率图像、土壤温度图像以及地表覆盖类型图像，数据处理模块与数据计算模块双向连接，数据处理模块还包括显示屏，以便于卫星监测模块检测数据获得地表反射率图像、土壤温度图像以及地表覆盖类型图像进行处理。

实施例四，数据处理模块还包括循环神经网络单元，循环神经网络单元利用内部的记忆单元处理计算任意时序的输入数据，循环神经网络单元在其处理单元之间存在内部的反馈连接和前馈连接，用于将输入数据存在的前后连接数据进行输出，用于将数据连接关系最终映射到输出数据，以便于获得输出输出数据的连续性大致走向。

工作原理：由于遥感图像是多光谱图像，项目中遥感图像对应频段为9，将多光谱图像直接送入网络中进行训练，神经网络将会对每个频段内的图像中的信息进行采集学习，其中包括每个像素值的大小和每个像素点所处的位置信息；由于在遥感图像中每个像素点的位置信息仅仅表示实际环境中农田的位置，而这些位置信息与预测作物的产量之间没有关联，因此将遥感图像数据中的空间位置信息去除，将高维图像映射到用像素计数的直方图，在此过程中对于项目的研究目标没有信息的损失，这样不仅可以加快网络的运行速度，而且去除了与模型预测不相关的特征，降低了模型的复杂度；将表征农作物生长情况的三种数据进行融合之后，一种数据代表一种特征，融合之后的特征包含了作物生长更多的有用信息，对组合之后的数据进行预处理，将原始多光谱图像转化为以像素计数的三维直方图，在降低计算量的同时也保留了原始数据的位置信息，将计算所得到的直方图数据送入网络来训练模型；项目中使用深度学习模型中的卷积神经网络从原始数据中自动发现并学习相关特征，有效利用遥感图像中各个频带中的信息，相对于使用传统的机器学习方法进行预测，项目中所提出的模型准确性更高；卷积神经网络之所以能够表征图片的深层特征，主要依赖于其具有的局部感知和参数共享机制，一般认为图像的空间联系是局部的像素联系比较密切，而距离较远的像素相关性较弱，在局部连接中，每个神经元的参数都是一样的，同一个卷积核在图像中都是共享的，卷积操作实际是在提取一个个局部信息，而局部信息的一些统计特性和其他部分是一样的，也就意味着这部分学到的特征也可以用到另一部分上，所以对图像上的所有位置，都能使用同样的学习特征。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。