作物长势预测方法、装置、设备及介质

1.本技术涉及农业技术领域，尤其涉及一种作物长势预测方法、装置、设备及介质。


背景技术：

2.保障农作物产量是民生的根本，是人类最为重要的研究课题，农作物长势是指作物生长的状况与趋势，即通过对作物长势的预测，可以及时了解作物的生长状况、病虫害或作物营养状况，从而指导人们采取对应的管理措施，进而保证作物的正常生长。
3.目前，对田间作物数据分析普遍基于拼接后的单一影像，而没能充分利用无人机采集到的高重叠度的原始影像集。由于自然风以及不同拍摄时间下的环境差异等影响，拼接影像会产生叶尖损失和叶片虚影等现象，影响长势参数预测的准确性。并且在获取到影像后，根据影像进行作物长势参数的预测结果也不够准确。


技术实现要素：

4.本技术提供一种作物长势预测方法、装置、设备及介质，旨在实现提高作物长势参数预测准确率的目的。
5.第一方面，本技术提供一种作物长势预测方法，包括：
6.基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；
7.将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；
8.通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型；
9.通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。
10.在一实施例中，所述通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型，包括：
11.通过各个所述原始作物生长参数多维深度学习模型对不同作物的生长参数时空特异性进行反演，得到不同作物在不同播种时间后的生长参数；
12.根据所述不同作物在不同播种时间后的生长参数，确定各个所述原始作物生长参数多维深度学习模型的生物量实际值与模型计算值的各个吻合程度值；
13.基于各个所述吻合程度值，确定各个所述原始作物生长参数多维深度学习模型中的最优作物生长参数多维深度学习模型。
14.所述通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布，包括：
15.通过所述最优作物生长参数多维深度学习模型结合不同作物的无损二维图像数据集，对不同作物整个生育阶段单航次数据进行特征提取，得到不同作物在不同生育期的多时相的特征信息；
16.根据所述不同作物在不同生育期的多时相的特征信息进行评估，得到不同作物的生长参数的时空分布。
17.所述根据所述不同作物在不同生育期的多时相的特征信息进行评估，得到不同作物的生长参数的时空分布，包括：
18.将所述不同作物在不同生育期的多时相的特征信息确定为输出层不同时间点的输入特征进行计算，得到不同作物的最终生长参数；
19.确定不同作物所在预设区域的位置信息，并根据不同作物的最终生长参数及其位置信息，确定整个所述预设区域的不同作物的生长参数的时空分布。
20.所述基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集，包括：
21.获取航拍相机的成像参数，并基于所述成像参数获取图像回溯矩阵；
22.基于所述成像参数和所述图像回溯矩阵，获取所述三维点云数据集的无损二维图像数据集。
23.所述基于所述成像参数和所述图像回溯矩阵，获取所述三维点云数据集的无损二维图像数据集，包括：
24.基于所述成像参数和所述图像回溯矩阵，获取初始无损二维图像数据集；
25.将所述初始无损二维图像数据集输入至预先构建的图像优化模型，获取所述图像优化模型输出的无损二维图像数据集；
26.其中，所述图像优化模型是基于所述无损二维图像数据集的颜色信息和所述颜色信息对应的最优超参数确定的。
27.第二方面，本技术还提供一种作物长势预测装置，包括：
28.图像获取模块，用于基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；
29.模型构建模块，用于将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；
30.模型确定模块，用于通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型；
31.结果预测模块，用于通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。
32.第三方面，本技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面的所述作物长势预测方法。
33.第四方面，本技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面的所述作物长势预测方法。
34.第五方面，本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面的所述作物长势预测方法。
35.本技术提供的作物长势预测方法、装置、设备及介质，在作物长势预测的过程中，根据图像回溯算法确定原始三维点云数据集的无损二维图像数据集，以得到更准确的特征，再通过原始三维点云数据集、无损二维图像数据集和气象因素数据，构建最优作物生长参数多维深度学习模型，以得到不同作物的生长参数的时空分布，提高作物的长势参数预
测结果的准确性。
附图说明
36.为了更清楚地说明本技术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一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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获得其他的附图。
37.图1是本技术提供的作物长势预测方法的流程示意图；
38.图2是本技术提供的图像采集装置的结构示意图；
39.图3是本技术提供的deepgpd模型流程示意图；
40.图4是本技术提供的作物长势预测装置的结构示意图；
41.图5是本技术提供的电子设备的结构示意图。
具体实施方式
42.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术中的附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
43.下面结合图1至图5描述本技术的作物长势预测方法、装置、设备及介质。图1是本技术提供的作物长势预测方法的流程示意图；
44.图2是本技术提供的图像采集装置的结构示意图；图3是本技术提供的deepgpd模型流程示意图；图4是本技术提供的作物长势预测装置的结构示意图；图5是本技术提供的电子设备的结构示意图。
45.本技术实施例提供了作物长势预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序完成所示出或描述的步骤。
46.本技术提供了一种作物长势预测方法，其中执行主体可以为终端，如计算机、车载终端等。
47.参照图1，图1是本技术提供的作物长势预测方法的流程示意图，本技术实施例提供的作物长势预测方法包括：
48.步骤10，基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集。
49.可理解为通过相机航拍的方式获取到大田作物的影像，再对航拍影像进行三维点云的提取，获取到大田作物的三维点云数据集。
50.例如，图2是本技术提供的图像采集装置的结构示意图，如图2所示，设置适配无人机的数码及多光谱相机的并行采集装置。该采集装置以2毫米的哑光碳纤板为材料，设置了多光谱减震搭载区域和全球定位系统(global positioning system，gps)组建搭载区域，同时不遮挡无人机障碍感知探测器。该装置实现了数码相机和多光谱相机两种传感器同时采集，可实现一架次飞行同时获取rgb数码影像和多光谱影像，有效的提高大田实验的数据采集通量。
51.可通过开源软件规划航拍飞行路线，再采用实时差分定位(real-time kinematic，rtk)测量实验大田中均匀分布的地面控制点的三维空间位置。获取航拍图像序列，使用图像处理软件进行处理和三维重建，生成整个试验大田的三维点云数据集和拼接图像。即通过无人机数码相机与多光谱相机并行采集装置同时获取大田作物的数码rgb影像和多光谱影像之后，采用常规图像处理软件将航拍影像序列依次进行三维点云、数字高程模型和数字正射影像的重建，获取整个实验大田的三维点云数据集以及实验大田的拼接影像。
52.人工提取点云中整块实验大田的四个顶点，基于田间试验布置利用田块小区分割技术将点云进一步分割成单个小区并对每个小区的地理位置标注编号，最后对目标小区点云进行筛选及保存，便可获取到目标三维点云数据集(大田作物的三维点云数据集)。
53.在获取到大田作物的三维点云数据集后，通过图像回溯算法对三维点云数据集进行处理，通过三维点云数据集定位分割出高质量的无损二维影像。即通过获取到该三维点云数据集的定位，通过图像回溯算法确定航拍路线中关于该三维点云数据集定位对应的航拍图像(无损二维图像数据集)，可通过该三维点云数据集获取多个不同角度的无损二维图像数据集，具体如步骤s101至步骤s102所述。
54.进一步地，步骤s101至步骤s102的描述如下：
55.步骤s101，获取航拍相机的成像参数，并基于所述成像参数获取图像回溯矩阵；
56.步骤s102，基于所述成像参数和所述图像回溯矩阵，获取所述三维点云数据集的无损二维图像数据集。
57.可以理解为本实施例先读取相机内外参数文件解译出相机成像的参数，相机内参数是与相机自身特性相关的参数，如相机的焦距、像素大小等。相机外参数是在世界坐标系中的参数，如相机的位置、旋转方向等。包括：像素在二维方向上的精度(dx，dy)，焦距(f)，光心位置(cx，cy)，3
×
3旋转矩阵(r)和3
×
1平移矩阵(t)等。
58.图像回溯矩阵共涉及四个坐标系：世界坐标系、相机坐标系、像素坐标系以及图像坐标系。
59.世界坐标系是客观三维世界的绝对坐标系，需要这个基准坐标系来描述数码相机的位置，并且用它来描述安放在此三维环境中的其它任何物体的位置，用(xw，yw，zw)表示其坐标值。
60.相机坐标系也称光心坐标系，是以相机的光心为坐标原点，x轴和y轴与图像坐标系的x轴和y轴平行，相机的光轴为z轴，用(xc，yc，zc)表示其坐标值。
61.图像坐标系是以图像平面的中心为坐标原点，x轴和y轴分别平行于图像平面的两条垂直边，用(x，y)表示其坐标值。
62.像素坐标系是以像素为单位的图像坐标系，以图像平面的左上角顶点为原点，x轴和y轴分别平行于图像坐标系的x轴和y轴，用(u，v)表示其坐标值。其中，世界坐标系与相机坐标系的单位是m，像素坐标系单位是像素，图像坐标系单位是mm。
63.在设定了世界坐标系、相机坐标系、像素坐标系以及图像坐标系之后，将四个坐标系与相机成像参数相结合，得到图像回溯矩阵，再通过成像参数和图像回溯矩阵可得到三维点云数据集对应的无损二维图像数据集，具体如步骤s1021至步骤s1022所述。
64.具体为通过实际测量等方式确定了三维点云数据集的实际位置后，标记为第一位
置坐标，从世界坐标系到相机坐标系，只需要进行旋转和平移便可得到相机坐标系下的第二位置坐标，再通过相似三角形原理，将第二位置坐标转换为图像平面坐标系下的第三位置坐标，将所述三位置坐标进行平移，获取三维点云数据集在像素坐标系下的第四位置坐标。
65.在获取到在像素坐标系下的第四位置坐标后，可根据该坐标准确的获取到三维点云数据集对应的无损图像数据集。
66.例如，设p为世界坐标系的一个物体，pw是其在世界坐标系下的坐标，pc是在相机坐标系坐标，使用一个旋转矩阵r和一个平移向量t，实现pc与pw的转换。其中，r是一个3
×
3的旋转矩阵，t是3
×
1的平移向量，上面运算的齐次坐标的形式如下式所示：
[0067][0068]
式中，xc、yc、zc为相机坐标系下的位置坐标，xw、yw、zw为世界坐标系下的位置坐标。
[0069]
利用相似三角形的原理实现从相机坐标系到图像坐标系的转换。三维空间中点p，其在相机坐标系中的坐标是pc。其成像点p，在图像坐标系的中的坐标是p。图像坐标系的转换公式如下所示：
[0070][0071]
式中，xc、yc、zc为相机坐标系下的位置坐标，f是相机的焦点到成像平面的距离，x、y为图像坐标系下的位置坐标。
[0072]
由于图像坐标系以图像中心为原点，而像素坐标系的原点通常是图像的左上角，因此需要将图像平面坐标系中点的坐标向左上角平移，实现与像素坐标系的转换。其公式如下所示：
[0073][0074]
式中，u、v为像素坐标系下的位置坐标，dx、dy为像素在x方向和y方向的精度，cx、cy为光心(图像中心)位置。
[0075]
即在确定第一位置坐标后，可通过相机回溯矩阵公式，得到第四位置坐标，所述相机回溯矩阵公式如下：
[0076][0077]
式中，u、v为像素坐标系下的位置坐标，xw、yw、zw为世界坐标系下的位置坐标，f是相机的焦点到成像平面的距离，dx、dy为像素在x方向和y方向的精度，cx、cy为光心(图像中心)位置。
[0078]
本技术通过获取大田作物三维点云数据集的实际坐标位置，通过图像回溯矩阵，得到高精度的像素坐标系下的位置坐标，准确的获取到三维点云数据集对应的无损图像数据集，有利于提高作物长势参数预测的准确性。
[0079]
进一步地，步骤s1021至步骤s1022的描述如下：
[0080]
步骤s1021，基于所述成像参数和所述图像回溯矩阵，获取初始无损二维图像数据集；
[0081]
步骤s1022，将初始无损二维图像数据集输入至预先构建的图像优化模型，获取所述图像优化模型输出的无损二维图像数据集；
[0082]
其中，所述图像优化模型是基于所述无损二维图像数据集的颜色信息和所述颜色信息对应的最优超参数确定的。
[0083]
可以理解为，可根据相机成像参数和所述图像回溯矩阵获取到待预测区域的初始无损二维图像数据集，初始无损二维图像数据集中包含有多余的背景信息。
[0084]
再将包含完整信息的初始无损二维图像数据集输入至预先构建的图像优化模型，获取该图像优化模型输出的只包含作物信息的无损二维图像数据集。
[0085]
其中，图像优化模型可以是支持向量机模型，根据无损二维图像数据集的颜色信息进行支持向量机分类建模，然后对该支持向量机模型进行分类系数检验，获取该支持向量机模型的最优超参数，通过最优超参数确定图像优化模型。并选取使图像优化模型的检测值误差平方和最小时的参数，剔除图像背景，得到只包含作物信息的目标无损二维图像数据集。
[0086]
本技术通过对获取到的无损二维图像数据集进行优化，剔除不包含作物信息的背景，可进一步提高特征提取的准确性。
[0087]
步骤20，将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；
[0088]
步骤s30，通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型。
[0089]
将原始三维点云数据集、无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型，具体为：对于三维点云数据集和气象因素数据采用嵌入层(embedding layer)对其进行特征编码，将任何点云表示为一组离散编码的集合，其中每一个离散编码都对应了一个明确的局部结构(dvae)。
[0090]
将气象因素数据的文本数据(cnn-non-static)转换成一个固定维度的特征向量后采用卷积核来获取以上所有信息的特征表示。
[0091]
在主干网络采用了深度可分离卷积(depthwise separable convolution，ds)和分组卷积(group convolution，gc)用来提取特征图，相比常规的卷积操作，其参数数量和运算成本比较低。并且加入了分组通道卷积(group channel-wise convolution，gcw)，让卷积在通道维度上进行滑动，能够更好地保留通道间的信息交流。
[0092]
由于深层特征图具有非常丰富的语义信息，因此采用路径聚合网络(path aggregation network，pan)用于聚合深层与浅层之间的特征，增加浅层语义信息，保证特征的完整性和多样性，以提高预测的精度。进一步为了解决长序列训练过程中的梯度消失和梯度爆炸问题，在输出层采用了lstm模型，提取整个生育期不同时间的表型数据特征，通
过门控状态来控制传输状态，重点关注的与产量相关的信息，强调重要特征并抑制不必要的特征，有助于筛选出目标特征，提高模型预测精度。
[0093]
进一步地，通过各个原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型，具体如步骤s301至步骤s303所述，其中，最优作物生长参数多维深度学习模型命名为deepgpd模型，即deep learning model for growth parameter combining 2d and 3d。最优作物生长参数多维深度学习模型能够融合不同尺度的影像特征和三维点云的空间深度与角度信息等特征，因此具有更高的分辨率和精确度。
[0094]
进一步地，参照图3，图3是本技术提供的deepgpd模型流程示意图。具体为：deepgpd模型是融合改进的yolov5和lstm的作物生长参数预测模型。作物的产量可以表示为：作物冠层对太阳辐射的拦截和太阳辐射转化为生物量等主要生理过程共同作用的结果。冠层结构特征是影响太阳辐射截获效率的主要遗传特性。气候因素是影响光能利用效率的重要因素之一，特别是光照和co2浓度，因为它们会影响碳固定和呼吸作用。为了提高产量估算精度，在输入层进行改进，融合了二维无人机影像、三维点云以及气象因素信息。分别对整个生育阶段单航次数据进行特征提取，获得不同生育期采集的多时相的特征信息，作为输出层不同时间点的输入特征进行最终生长参数的估算。
[0095]
采用focus结构从二维图像数据集中提取出数值型特征向量。首先通过slice操作实现对输入图片(2n*2n*3)的裁剪，之后通过concat拼接输出一个n*n*12的特征映射，最后采用conv层获得图像的特征向量。对于三维点云和气象数据采用嵌入层(embedding layer)对其进行特征编码，将任何点云表示为一组离散编码的集合，其中每一个离散编码都对应了一个明确的局部结构(dvae)；将气象文本数据(cnn-non-static，cns)转换成一个固定维度的特征向量。然后采用concat层实现以上所有输入特征的拼接。
[0096]
在主干网络采用了深度可分离分组通道卷积模块(depthwise separable group channel-wise convolution，dgcw)用来提取一些通用的特征表示。该模块是由深度可分离卷积(depthwise separable convolution，ds)、分组卷积(group convolution，gc)和分组通道卷积(group channel-wise convolution，gcw)组成。深度可分离卷积(ds)和分组卷积(gc)用来提取特征图，相比常规卷积，其参数数量和运算成本比较低，并加入了分组通道卷积(gcw)，使卷积在通道维度上滑动，能够更好保留通道间的信息交流。
[0097]
neck网络采用fpn+pan结构，采用fpn将高层的强语义特征传递下来，对整个金字塔进行增强；采用路径聚合网络(path aggregation network，pan)将低层的强定位特征传递上去，有利于聚合深层与浅层之间的特征，进一步提升特征的多样性及鲁棒性，以提高预测的精度。在fpn+pan结构内部，用了深度可分离分组通道卷积模块(dgcw)降低运算成本同时加强通道间信息交流。
[0098]
将整个生育期不同时间点的二维无人机影像、三维点云以及气象因素信息的表型数据特征(x
t
，x
t+1
，
···
，x
t+n
)输入到lstm，每一层的输出层分别对应着h
t
，h
t+1
，
···
，h
t+n
。t时间的输入层包括了同时间的表型特征x
t
和上一时间点的输出h
t-1
，通过忘记门丢弃与产量无关的特征，经过一个σ函数获得忘记门结果，通过σ和tanh两个函数获得要更新的新信息，结合忘记门结果和要更新的新信息对该时间点的lstm状态进行更新。利用tanh函数对t时间的lstm状态进行处理，再与忘记门结果融合获得t时间的输出结果h
t
。总之利用
lstm作为输出层可以结合不同时间点的表型特征，利用门控状态来控制传输状态，重点关注的与产量相关的信息，强调重要特征并抑制不必要的特征，有助于筛选出目标特征，提高模型预测精度。
[0099]
进一步地，最优作物生长参数多维深度学习模型是基于改进的yolov5和lstm的作物生长参数预测模型，最优作物生长参数多维深度学习模型在yolov5网络基础改进的输入层、主干网络和输出层部分，输入层融合了无损二维图像数据集、三维点云数据集以及气象因素数据。对于三维点云数据集和气象因素数据采用嵌入层(embedding layer)对其进行特征编码。主干网络采用了深度可分离卷积(depthwise separable convolution，ds)、分组卷积(group convolution，gc)和分组通道卷积(group channel-wise convolution，gcw)，其参数数量和运算成本比较低，能够更好地保留通道间的信息交流。输出层融合了lstm模型提取整个生育期不同时间的表型数据特征，有助于筛选出目标特征，提高模型预测精度。
[0100]
进一步地，步骤s301至步骤s303的描述如下：
[0101]
步骤s301，通过各个所述原始作物生长参数多维深度学习模型对不同作物的生长参数时空特异性进行反演，得到不同作物在不同播种时间后的生长参数；
[0102]
步骤s302，根据所述不同作物在不同播种时间后的生长参数，确定各个所述原始作物生长参数多维深度学习模型的生物量实际值与模型计算值的各个吻合程度值；
[0103]
步骤s303，基于各个吻合程度值，确定各个所述原始作物生长参数多维深度学习模型中的最优作物生长参数多维深度学习模型。
[0104]
具体地，通过各个原始作物生长参数多维深度学习模型对不同作物的生长参数时空特异性进行反演，得到不同作物在不同播种时间后的生长参数，即通过不同作物在不同播种时间后的生长参数包括但不限制于决定系数(coefficient of determination，r2)、均方根误差(root mean square error，rmse)和相对均方根误差(relative root mean square error，rrmse)检验叶面积指数和生物量。进一步地，根据不同作物在不同播种时间后的生长参数，确定各个原始作物生长参数多维深度学习模型的生物量实际值与模型计算值的各个吻合程度值，其中，决定系数r2越大，相应的均方根误差rmse和相对均方根误差rrmse越小，则模型的估测精度越高。因此，确定各个吻合程度值中的决定系数r2越大、均方根误差rmse和相对均方根误差rrmse越小，根据决定系数r2越大，相应的均方根误差rmse和相对均方根误差rrmse越小的原则，确定出各个吻合程度值中的目标吻合程度值，并将目标吻合程度值对应的原始作物生长参数多维深度学习模型，确定为各个原始作物生长参数多维深度学习模型中的最优作物生长参数多维深度学习模型。
[0105]
步骤s40，通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。
[0106]
进一步地，通过最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布，具体为：通过最优作物生长参数多维深度学习模型结合不同作物的无损二维图像数据集，对不同作物整个生育阶段单航次数据进行特征提取，得到不同作物在不同生育期的多时相的特征信息。接着，根据不同作物在不同生育期的多时相的特征信息进行评估，得到不同作物的生长参数的时空分布，具体如步骤s401至步骤s402所述。
[0107]
进一步地，作物的产量可以表示为作物冠层对太阳辐射的拦截和太阳辐射转化为生物量等主要生理过程共同作用的结果。冠层结构特征是影响太阳辐射截获效率的主要遗传特性。气候因素是影响光能利用效率的重要因素之一，特别是光照和co2浓度，因为它们会影响碳固定和呼吸作用。
[0108]
进一步地，步骤s401至步骤s402的描述如下：
[0109]
步骤s401，通过最优作物生长参数多维深度学习模型结合不同作物的无损二维图像数据集，对不同作物整个生育阶段单航次数据进行特征提取，得到不同作物在不同生育期的多时相的特征信息；
[0110]
步骤s402，根据所述不同作物在不同生育期的多时相的特征信息进行评估，得到不同作物的生长参数的时空分布。
[0111]
具体地，通过最优作物生长参数多维深度学习模型结合不同作物的无损二维图像数据集，对不同作物整个生育阶段单航次数据进行特征提取，得到不同作物在不同生育期的多时相的特征信息。进一步地，将不同作物在不同生育期的多时相的特征信息确定为输出层不同时间点的输入特征进行计算，得到不同作物的最终生长参数。进一步地，确定不同作物所在预设区域的位置信息，并根据不同作物的最终生长参数及其位置信息，确定整个预设区域的不同作物的生长参数的时空分布，具体如步骤s4021至步骤s4022所述，其中，预设区域可以为某一田间区域。
[0112]
进一步地，步骤s4021至步骤s4022的描述如下：
[0113]
步骤s4021，将所述不同作物在不同生育期的多时相的特征信息确定为输出层不同时间点的输入特征进行计算，得到不同作物的最终生长参数；
[0114]
步骤s4022，确定不同作物所在预设区域的位置信息，并根据不同作物的最终生长参数及其位置信息，确定整个所述预设区域的不同作物的生长参数的时空分布。
[0115]
具体地，将不同作物在不同生育期的多时相的特征信息确定为输出层不同时间点的输入特征进行计算，得到不同作物的最终生长参数。进一步地，确定不同作物所在的田间位置，根据不同作物的最终生长参数及其田间位置，确定整个田块的不同作物的生长参数的时空分布。
[0116]
本技术实施例提供的作物长势预测方法，在作物长势预测的过程中，根据图像回溯算法确定原始三维点云数据集的无损二维图像数据集，以得到更准确的特征，再通过原始三维点云数据集、无损二维图像数据集和气象因素数据，构建最优作物生长参数多维深度学习模型，以得到不同作物的生长参数的时空分布，提高作物的长势参数预测结果的准确性。
[0117]
下面对本技术提供的作物长势预测装置进行描述，下文描述的作物长势预测装置与上文描述的作物长势预测方法可相互对应参照。
[0118]
本技术提供一种作物长势预测装置，图4是本技术提供的作物长势预测装置的结构示意图。
[0119]
如图4所示，图4是本技术提供的作物长势预测装置的结构示意图，作物长势预测装置包括：
[0120]
图像获取模块401，用于基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；
[0121]
模型构建模块402，用于将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；
[0122]
模型确定模块403，用于通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型；
[0123]
结果预测模块404，用于通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。
[0124]
进一步地，模型确定模块403还用于：
[0125]
通过各个所述原始作物生长参数多维深度学习模型对不同作物的生长参数时空特异性进行反演，得到不同作物在不同播种时间后的生长参数；
[0126]
根据所述不同作物在不同播种时间后的生长参数，确定各个所述原始作物生长参数多维深度学习模型的生物量实际值与模型计算值的各个吻合程度值；
[0127]
基于各个所述吻合程度值，确定各个所述原始作物生长参数多维深度学习模型中的最优作物生长参数多维深度学习模型。
[0128]
进一步地，结果预测模块404还用于：
[0129]
通过所述最优作物生长参数多维深度学习模型结合不同作物的无损二维图像数据集，对不同作物整个生育阶段单航次数据进行特征提取，得到不同作物在不同生育期的多时相的特征信息；
[0130]
根据所述不同作物在不同生育期的多时相的特征信息进行评估，得到不同作物的生长参数的时空分布。
[0131]
进一步地，结果预测模块404还用于：
[0132]
将所述不同作物在不同生育期的多时相的特征信息确定为输出层不同时间点的输入特征进行计算，得到不同作物的最终生长参数；
[0133]
确定不同作物所在预设区域的位置信息，并根据不同作物的最终生长参数及其位置信息，确定整个所述预设区域的不同作物的生长参数的时空分布。
[0134]
进一步地，图像获取模块401还用于：
[0135]
获取航拍相机的成像参数，并基于所述成像参数获取图像回溯矩阵；
[0136]
基于所述成像参数和所述图像回溯矩阵，获取所述三维点云数据集的无损二维图像数据集。
[0137]
进一步地，图像获取模块401还用于：
[0138]
基于所述成像参数和所述图像回溯矩阵，获取初始无损二维图像数据集；
[0139]
将所述初始无损二维图像数据集输入至预先构建的图像优化模型，获取所述图像优化模型输出的无损二维图像数据集；
[0140]
其中，所述图像优化模型是基于所述无损二维图像数据集的颜色信息和所述颜色信息对应的最优超参数确定的。
[0141]
本技术提供的作物长势预测装置的具体实施例与上述作物长势预测方法各实施例基本相同，在此不作赘述。
[0142]
图5示例一种电子设备的实体结构示意图，如图5所示，电子设备可包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。
处理器510可以调用存储器530中的逻辑指令，以执行上述各方法实施例提供的作物长势预测方法，该方法例如包括：
[0143]
基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；
[0144]
将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；
[0145]
通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型；
[0146]
通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。
[0147]
此外，上述的存储器530中的逻辑指令可以通过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，本技术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)执行本技术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。
[0148]
另一方面，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法实施例提供的作物长势预测方法，该方法例如包括：
[0149]
基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；
[0150]
将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；
[0151]
通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型；
[0152]
通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。
[0153]
又一方面，本技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的作物长势预测方法，该方法例如包括：
[0154]
基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；
[0155]
将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；
[0156]
通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型；
[0157]
通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。
[0158]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单
元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0159]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
[0160]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。