本发明属于计算机视觉领域,具体涉及一种基于高光谱成像监测茶树扦插苗生长的方法及系统。
背景技术:
1、茶树( camellia sinensis (l.) o. kuntze.)是一种重要的经济作物。由于自然条件影响,致使各地区茶树良种繁育速度慢、能力差、育苗成本高,严重制约了茶树良种产业化水平。茶树扦插苗新梢和根系的生物量是衡量茶树良种繁育水平的一个重要指标,它能判定扦插苗长势情况。
2、目前,传统的茶树扦插苗生物量的分析方法,主要通过人工测量,费时费力。光学传感器(高光谱、多光谱和rgb)的快速发展对农业产生了重大影响。随着高通量表型的技术,我们能够从图像数据中提取有用的表型特征。在近些年来,研究人员已经提出了多种机器学习的方法将高通量数据与作物生理生化参数相关联。与传统方法相比,高通量系统能够以更高效、准确和无损的方式提供感兴趣的植物特征。有利于在茶树育种与良种繁育过程中,快速准确的获取信息,加速繁育速率。
技术实现思路
1、本发明提供了一种基于高光谱成像监测茶树扦插苗生长的方法及系统。本发明首先利用mask r-cnn提取新梢和母叶的光谱值,然后,利用msc、s-g和1-d对光谱进行预处理,并且通过uve、cars和spa筛选敏感波段,最后,提出一种cnn-gru网络用于估计扦插苗新梢和根系的生物量,并且与svm、rf、pls三种机器学习方法和cnn、lstm两种深度学习方法进行比较。
2、为实现上述发明目的,本发明采用以下技术方案予以实现:
3、本发明提供了一种基于高光谱成像监测茶树扦插苗生长的方法及系统,包括以下步骤:
4、s1:采集茶树扦插苗数据;
5、s2:将步骤s1的茶树扦插苗数据进行光谱反射率的提取;
6、s3:结合提取的光谱反射率对光谱进行预处理;
7、s4:对预处理后的光谱进行光谱特征波段的筛选;
8、s5:结合步骤s2、s3和s4的处理结果,利用cnn-gru进行数据建模,并对其进一步验证。
9、进一步的,所述步骤s1中采集茶树扦插苗数据的步骤为:
10、s11:茶树扦插苗新梢和根系生物量的测定;
11、s12:高光谱数据的采集;
12、s13:黑白校正和标准化处理。
13、进一步的,所述步骤s12中高光谱相机具有像素为:1101×960(空间×光谱)像素。
14、进一步的,所述步骤s2是基于mask r-cnn自动提取母叶和新梢光谱的方法,具体步骤为:
15、s21:将采集的图像进行数据扩增;
16、s22:利用labelme软件(mit usa)对图像进行手动标记并分类;
17、s23:标签数据保存在与原始照片对应的json文件中;
18、s24:将标签数据的json格式转换为coco数据集格式,并将其输入神经网络进行训练;
19、s25:高光谱数据的提取,并将提取的所有像素的光谱反射率求平均值。
20、进一步的,所述步骤s3光谱预处理所利用的算法包括msc算法、s-g算法和一阶导数(1-d)。
21、进一步的,所述步骤s4光谱特征波段的筛选所利用的算法包括spa、cars和uve。
22、进一步的,所述步骤s5是利用cnn-gru进行数据建模,并对其进一步验证,具体步骤为:
23、s51:首先利用cnn进行高光谱数据的特征提取;
24、s52:将高光谱数据和生物量数据输入到5*5的滤波器进行卷积,连续卷积4次,经过平均池化、序列展开,扁平化后,输入到gru网络;
25、s53:经过3次门控循环,最后将预测的数据输入到全连接层,并由回归器输出;
26、s54:分别将新梢和母叶光谱数据和新梢、根系生物量建立回归模型;
27、s55:采用十折交叉验证,将数据集分成10份,轮流将其中9份作为训练数据,1份作为测试数据,重复三次,然后将结果求平均值;
28、s56:采用确定系数(r2)、均方根误差(rmse)、归一化均方根误差(nrmse)和相对分析误差(rpd)评估模型的性能;
29、s57:采用精准率,召回率和f1分数评价mask r-cnn模型提取光谱信息的性能。
30、进一步的,所述步骤s54所利用的6种方法是:3种机器学习的方法(svm、rf和pls)和2种深度学习的方法(cnn和lstm)与cnn-gru网络。
31、本发现还提供了一种基于高光谱成像监测茶树扦插苗生长的方法及系统,包括:
32、采集系统,包括成像光谱相机、卤素灯线光源、计算机等部件。用来采集茶树扦插苗数据;
33、处理系统,执行以下操作:将采集到的数据输入到深度学习和机器学习的神经网络中,并进行光谱反射率提取、光谱的预处理、光谱特征波段的筛选;
34、分析系统,根据所述处理系统,对数据建模并验证,用于估计扦插苗新梢和根系的生物量,以高效、快速地判断茶树扦插苗和根的生长动态。
35、与现有技术相比,本发明具有的优点和有益效果是:
36、1、提出了一种基于mask r-cnn茶树扦插苗母叶和新梢的分割模型。mask r-cnn从拍摄的扦插苗rgb图像中分割母叶和新梢,提供新梢和母叶的像素点坐标,然后根据高光谱360通道提取母叶和新梢的光谱值。
37、2、提出了基于母叶和新梢光谱的多种光谱预处理和特征波段筛选的方法。利用多元散射校正(msc)、一阶导数(1-d)、平滑(s-g)等方法对扦插苗母叶和新梢光谱进行预处理。利用(无信息变量消除)uve、(竞争性自适应重加权)cars、(采用连续投影算法)spa对扦插苗母叶和新梢光谱进行特征波段的筛选。这样可以减小运算速度和提高模型精度。
38、3、提出了一种基于cnn-gru的茶树扦插苗新梢和根系生物量的预测模型。利用lstm-cnn网络与母叶和新梢光谱建立扦插苗新梢和根系生物量的预测模型,并且与三种机器学习的算法(svm、rf、pls)和两种深度学习的算法(lstm和cnn)建立的预测模型进行比较。
1.一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,所述步骤s1中采集茶树扦插苗数据的步骤为:
3.根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,所述步骤s12中高光谱相机具有像素为:1101×960(空间×光谱)像素。
4.根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,所述步骤s2是基于mask r-cnn自动提取母叶和新梢光谱的方法,具体步骤为:
5.根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,所述步骤s3光谱预处理所利用的算法包括msc算法、s-g算法和一阶导数(1-d)。
6.根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,所述步骤s4光谱特征波段的筛选所利用的算法包括spa、cars和uve。
7.根据权利要求1所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,所述步骤s5是利用cnn-gru进行数据建模,并对其进一步验证,具体步骤为:
8.根据权利要求6所述的一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,所述步骤s54所利用的6种方法是:3种机器学习的方法(svm、rf和pls)和2种深度学习的方法(cnn和lstm)与cnn-gru网络。
9.一种基于高光谱成像监测茶树扦插苗生长的方法及系统,其特征在于,包括: