基于深度学习的水稻氮素营养快速诊断系统及方法

1.本发明涉及农作物氮素应用技术领域，尤其涉及基于深度学习的水稻氮素营养快速诊断系统及方法。


背景技术：

2.氮素是绿色植物光合作物的重要元素，自然状态下，土壤广泛存在氮素不足的现象。在农田中使用氮肥补充作物氮素营养，可显著提高作物光合效率。但当氮素施用超过一定量后，则出现一些负面效应，引起农业面源污染。诊断作物氮素营养状况，合理施用氮肥对农业生产和生态环境保护有重要意义。
3.现有技术在对相关数据进行获取后，需要人为进行较长时间进行诊断，并根据粗略文献记载及操作人员的经验对氮素进行调整，如何快速的诊断水稻的氮素营养状态，并制定精确的氮素调整方案，对农业生产和生态环境保护有重要意义。
4.近年来，由于无人机平台快速发展，可以及时的获取大量的遥感数据，研究人员应该成功的使用无人机携带多光谱传感器来估算作物叶面积指数、生物量和氮素情况。其原理是，利用作物(水稻)冠层光谱信息与叶绿素值具有较高的相关性，采集作物冠层光谱信息，并提出冠层光谱信息与植物当前的氮吸收量/需求量/追施氮肥量之间的算法关系，得到一个算法模型，以期在后续的工作中，根据采集到的冠层光谱信息得到水稻的含氮量，并且据此制定相应的施肥计划。但是通过算法模型获取相应的信息，存在因不同种类的(水稻)冠层光谱信息与叶绿素值的相关性不完全相同，当作物的种类特点发生变化后，无法准确的获知相应的信息。


技术实现要素：

5.针对上述问题，本发明提供对水稻氮素进行快速诊断，并根据诊断结果提供氮素调整方案，基于水稻反馈信息不断优化氮素调整方案的基于深度学习的水稻氮素营养快速诊断系统及方法。
6.本发明具体如下：
7.基于深度学习的水稻氮素营养快速诊断系统，包括：
8.数据采集模块，所述数据采集模块用于采集待诊断水稻的图像数据和类别数据，并将数据进行上传；
9.中心服务器，所述中心服务器用于接收上传的图像数据并存储；
10.氮素分析模块，用于根据类别数据选择已训练完成的深度学习模型，然后根据图像数据对待诊断水稻进行氮素营养状态诊断，生成氮素状态参数和氮素调整参数；所述已训练完成的深度学习模型为水稻的图像数据和类别数据与氮素营养状态、氮素调整参数之间的映射关系。
11.本发明通过对水稻进行氮素营养状态相关的数据采集，获取水稻氮素营养状态，快速的诊断水稻的氮素营养状态，并制定氮素调整方案，对水稻进行调整后的氮素营养状
态追踪，不断优化中心服务器，通过大量调整案例，对氮素分析模块进行深度学习训练，制定精确的氮素调整方案。
12.本发明，通过深度学习的方式更新和匹配不同水稻类别的水稻图像与氮素状态参数、氮素调整参数之间的对应关系，对作物的类别发生变化后的深度学习模型(或者说自学习模型)进行优化，适应性更广，降低使用者的操作难度。
13.进一步的，还包括数据标定模块和边缘数据处理模块，所述数据标定模块用于根据预设信息发射固定强度的高光谱光线；边缘数据处理模块用于根据数据采集模块发送的高光谱光线的强度信息与预设值比较确定环境干扰强度信息，并且根据环境干扰强度信息对待诊断水稻的图像数据进行滤波；然后连续获取相同的待诊断水稻的图像数据并标记，并利用帧间差分法判断图像数据中的水稻是否因无人机旋翼气流出现剧烈扰动，若未出现则生成无人机高度下降信号；若出现，则生成无人机高度上升信号，然后再次采集标记的待诊断水稻的图像数据并与未标记的待诊断水稻的图像数据进行比对，若相同光谱强度相差超过阈值，则生成无人机高度下降信号，进行图像数据采集，数据采集模块还用于在采集待诊断水稻的图像数据的同时采集数据标定模块发出的高光谱光线；若相同光谱强度相差未超过阈值，则生成无人机移动信号，并连续采集不同的待诊断水稻的图像数据，数据采集模块还用于在采集待诊断水稻的图像数据的同时采集数据标定模块发出的高光谱光线。
14.在实际使用过程中，因水稻的图像信息是在自然环境下通过多光谱传感器采集的，相关的数据容易受到自然光照强度/色彩的影响，容易出现在复杂光照条件下对水稻的含氮量计算不准确的问题(即，受到环境光照影响，导致采集到的图像信息不准确)。
15.除此之外在根据水稻的图像信息分析含氮量的相关技术中，多采用单一的极高分辨率影像数据，原因在于具体种类的水稻的含氮量对某一范围值(350-2500nm)的光谱吸收较为明显(参见《利用高光谱参数预测水稻氮素情况、色素含量和籽粒蛋白含量的研究》孙雪梅.浙江大学.2005)。但是如果仅分析水稻光谱特征，忽视了尺度效应(观测距离一致性)对氮素营养参数估测的影响，极易导致结果出现偏差(参见《水稻氮素营养相关指标成像高光谱监测方法研究》周凯.南京农业大学.2021)。在实际的农业生产过程中，水稻的图像信息目前主要通过无人机进行采集，除上述影响(光环境、尺度)外，在实际采集过程中，因稻田所处环境影响，依然会影响数据采集的准确性，如，临近公路或者当地扬尘、灰尘较为严重，会导致采集到的水稻的图像信息中，水稻的色彩出现偏移(采集到的光谱强度值出现问题)，即水稻的页面存在过量附着物影响后续诊断结果，即灰尘中含有有硫酸盐、硝酸盐、磷酸盐和铵盐甚至浮尘中还存在蛋白类物质(参见《雾霾天室内灰尘化学组成的红外光谱研究》孙英.2016)，这些灰尘的光谱的敏感性与水稻含氮量测量中的光谱存在交叉重叠，极易出现干扰。
16.针对上述情况，本方案中数据标定模块向外发生固定光强的高光谱光线，并且通过对数据采集模块采集后由边缘数据处理模块对采集到的高光谱光线的强度进行判断，可以简单的理解为进行一致性判断。这样的方式能够快速的确定水稻所处的光环境情况(光环境受到当地的时间、大气散射等因素的影响)，不对环境进行标定，极易导致结果的不准确性。
17.在通过确定环境干扰后，对采集到的水稻的图像数据进行滤波，能够降低环境干扰对水稻的图像数据的影响。然后是判断无人机在飞行过程中对水稻叶面是否存在影响。
通过无人机飞行过程中对的气流对水稻叶面施加外力，使得水稻叶面出现剧烈的扰动，这样的方式能够将水稻叶面上的灰层去除。并且对去除灰层后的水稻叶面的图像数据进行标记，然后升高无人机，能够更容易的对比灰尘清除前和清除后的情况。如果相差超过阈值，则表征水稻叶面附着较多的灰尘，其采集结果容易影响后续判断，因此需要无人机低空飞行，尽可能的去除灰尘后再进行采集；如果相差未超过阈值，则表征水稻叶面附作物较少，能够进行高空的叶面的图像数据采集。在存在干扰的情况保证图像数据采集的准确性，在无干扰的情况下保证图像数据采集的效率。
18.进一步的，所述数据采集模块对待诊断水稻的图像数据进行特征提取，生成颜色特征数据及形态特征数据并打包上传至中心服务器。
19.进一步的，所述中心服务器包括水稻氮素应用数据库，所述水稻氮素应用数据库预存有：颜色特征数据及形态特征数据与水稻氮素营养状态对应关系表、氮素营养状态调整方案数据表。
20.进一步的，所述氮素分析模块通过所述水稻氮素应用数据库进行深度学习训练。
21.进一步的，所述氮素分析模块通过所述氮素状态参数及氮素营养状态调整方案数据表生成所述氮素调整参数；所述氮素分析模块对根据所述氮素调整参数进行氮素调整后的水稻进行二次诊断，并生成二次诊断数据，
22.其中，通过对待诊断水稻进行氮素调整，并在指定氮素吸收时间后，通过数据采集模块进行二次数据采集，并通过氮素分析模块进行二次诊断，生成所述二次诊断数据。
23.进一步的，所述氮素分析模块获取预设数量的二次诊断数据进行差值判断，所述差值判断通过二次诊断数据与颜色特征数据及形态特征数据与水稻氮素营养状态对应关系表进行对比，获取预设数量的差值，并求得二次诊断方差。
24.进一步的，所述氮素分析模块通过所述二次诊断方差的值选择所述氮素营养状态调整方案数据表的优化方式，其中所述二次诊断方差的值与优化方式的关系包括：
25.当所述二次诊断方差的值在预设第一区间内，则无需优化；
26.当所述二次诊断方差的值在预设第二区间内，则所述氮素分析模块自动优化；
27.当所述二次诊断方差的值在预设第三区间内，则人为介入进行优化。
28.进一步的，所述氮素分析模块基于所述优化后的所述水稻氮素应用数据库进行深度学习训练。
29.基于深度学习的水稻氮素营养快速诊断系统的方法，包括以下步骤：
30.s1、采集待诊断水稻的叶面积指数与叶片氮素含量值，并将数据进行上传；
31.s2、中心服务器接收上传的数据并存储；
32.s3、氮素分析模块对待诊断水稻进行氮素营养状态诊断，生成氮素状态参数及氮素调整参数；
33.进一步的，还包括以下步骤：
34.s4、对氮素调整后的水稻进行二次诊断，生成二次诊断数据，并求得二次诊断方差；
35.s5、根据所述二次诊断方差选择优化方式对所述中心服务器优化，所述氮素分析模块进行深度学习训练。
36.相比于现有技术，本发明的优点及有益效果在于：本发明对水稻氮素营养进行快
速诊断，根据诊断结果进行氮素调整，并对调整后的水稻进行追踪，获取水稻的调整反馈，基于调整反馈对水稻氮素营养状态的调整方案进行优化，并制定精确的氮素调整方案，对农业生产和生态环境保护有重要意义。
附图说明
37.图1为本发明系统的框图；
38.图2为本发明方法的流程示意图。
具体实施方式
39.为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。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。
40.实施例1
41.如图1所示，基于深度学习的水稻氮素营养快速诊断系统，包括：
42.数据采集模块，数据采集模块用于采集待诊断水稻的叶面积指数与叶片氮素含量值，并将数据进行上传；
43.中心服务器，中心服务器用于接收上传的数据并存储；
44.氮素分析模块，氮素分析模块通过中心服务器进行深度学习训练；用于对待诊断水稻进行氮素营养状态诊断，生成氮素状态参数；用于生成氮素调整参数；用于对中心服务器进行优化。
45.本发明通过对水稻进行氮素营养状态相关的数据采集，获取水稻氮素营养状态，快速的诊断水稻的氮素营养状态，并制定氮素调整方案，对水稻进行调整后的氮素营养状态追踪，不断优化中心服务器，通过大量调整案例，对氮素分析模块进行深度学习训练，制定精确的氮素调整方案。
46.具体的，所述数据采集模块对待诊断水稻的图像数据进行特征提取，生成颜色特征数据及形态特征数据并打包上传至中心服务器。
47.实际应用中，通过数码相机、手机或其他高清摄像设备可获取水稻指定位置的高清图像，通过叶面积检测装置对高清图像进行检测，生成颜色特征数据及形态特征数据。
48.具体的，中心服务器包括水稻氮素应用数据库，水稻氮素应用数据库预存有：颜色特征数据及形态特征数据与水稻氮素营养状态对应关系表、氮素营养状态调整方案数据表。
49.颜色特征数据及形态特征数据与水稻氮素营养状态对应关系表、氮素营养状态调整方案数据表通过现有的文献、期刊进行整理获取，但现有的数据在实际应用中会受到多种因素影响，导致数据应用后的效果和预期的有差异，影响因素例如：水稻品种、种植地区、土壤等，根据具体的应用环境对对应的数据进优化，能够优化氮素营养调整方案的精确度。
50.具体的，氮素分析模块通过水稻氮素应用数据库进行深度学习训练。
51.氮素分析模块在初次使用前通过统一的服务器预设的水稻氮素应用数据库进行深度学习训练，在初次使用时就可以快速进行水稻的氮素营养诊断。
52.具体的，氮素分析模块通过氮素状态参数及氮素营养状态调整方案数据表生成氮
素调整参数；氮素分析模块对根据氮素调整参数进行氮素调整后的水稻进行二次诊断，并生成二次诊断数据，
53.其中，通过对待诊断水稻进行氮素调整，并在指定氮素吸收时间后，通过数据采集模块进行二次数据采集，并通过氮素分析模块进行二次诊断，生成二次诊断数据。
54.针对进行调整后的水稻进行二次诊断，能够对氮素调整参数的实际应用效果进行追踪，基于实际的应用效果作为优化基础，需要说明的是，在对水稻进行氮素调整参数应用后，需要根据水稻的氮素吸收效率进行一段时间的等待，确保氮素调整参数的效果完全体现。
55.二次数据采集及二次诊断相当于将水稻的氮素营养诊断过程重新进行一遍，通过二次诊断数据对氮素调整参数的效果进行判断。
56.具体的，氮素分析模块获取预设数量的二次诊断数据进行差值判断，差值判断通过二次诊断数据与颜色特征数据及形态特征数据与水稻氮素营养状态对应关系表进行对比，获取预设数量的差值，并求得二次诊断方差。
57.实际应用中，预设数量的二次诊断数据越多，二次诊断方差越能反应氮素营养状态调整方案数据表中调整方案的准确性。排除部分不可控因素对氮素调整参数的效果的影响。
58.具体的，氮素分析模块通过二次诊断方差的值选择氮素营养状态调整方案数据表的优化方式，其中二次诊断方差的值与优化方式的关系包括：
59.当二次诊断方差的值在预设第一区间内，则无需优化；
60.当二次诊断方差的值在预设第二区间内，则氮素分析模块自动优化；
61.当二次诊断方差的值在预设第三区间内，则人为介入进行优化。
62.预设第一区间、预设第二区间、预设第三区间并不存在交集，且预设第一区域任意值小于预设第二区间任意值，预设第二区域任意值小于预设第三区间任意值。
63.当方差在预设第一区间内，表示氮素调整参数相对较为准确，虽然受到一些因素影响，但依然能取得较好的调整效果；当方差在预设第一区间内，表示氮素调整参数部分准确，但有不可忽略的一部分存在问题，整体的调整效果达不到预期，通过氮素分析模块就能够完成优化；当方差在预设第三区间内，表示氮素调整参数绝大多数不准确，调整效果极差，氮素分析模块无法高效完成，需要人为介入寻找原因。
64.具体的，如图2所示，氮素分析模块基于优化后的水稻氮素应用数据库进行深度学习训练。
65.基于深度学习的水稻氮素营养快速诊断系统的方法，包括以下步骤：
66.s1、采集待诊断水稻的叶面积指数与叶片氮素含量值，并将数据进行上传；
67.s2、中心服务器接收上传的数据并存储；
68.s3、氮素分析模块对待诊断水稻进行氮素营养状态诊断，生成氮素状态参数及氮素调整参数；
69.具体的，还包括以下步骤：
70.s4、对氮素调整后的水稻进行二次诊断，生成二次诊断数据，并求得二次诊断方差；
71.s5、根据二次诊断方差选择优化方式对中心服务器优化，氮素分析模块进行深度
学习训练。
72.实施例2
73.与实施例1相比，不同之处仅在于，还包括数据标定模块和边缘数据处理模块，所述数据标定模块用于根据预设信息发射固定强度的高光谱光线；边缘数据处理模块用于根据数据采集模块发送的高光谱光线的强度信息与预设值比较确定环境干扰强度信息，并且根据环境干扰强度信息对待诊断水稻的图像数据进行滤波；然后连续获取相同的待诊断水稻的图像数据并标记，并利用帧间差分法判断图像数据中的水稻是否因无人机旋翼气流出现剧烈扰动，若未出现则生成无人机高度下降信号；
74.若出现，则生成无人机高度上升信号(具体的执行机构既可以是无人机的控制器，也可以是反馈信号后由无人机的操作人员执行无人机的飞行控制操作。)，然后再次采集标记的待诊断水稻的图像数据并与未标记的待诊断水稻的图像数据进行比对，若相同光谱强度相差超过阈值，则生成无人机高度下降信号，进行图像数据采集，数据采集模块还用于在采集待诊断水稻的图像数据的同时采集数据标定模块发出的高光谱光线；
75.若相同光谱强度相差未超过阈值，则生成无人机移动信号，并连续采集不同的待诊断水稻的图像数据，数据采集模块还用于在采集待诊断水稻的图像数据的同时采集数据标定模块发出的高光谱光线。
76.具体的，数据标定模块是发出高光谱光线的高光谱光源，边缘数据处理模块是一块搭载在无人机上的图像处理芯片，其与无人机控制器信号连接(当然也可以通过反馈结果，由无人机的操作人员进行相关的操作)，并且也通过无线模块与中心服务器信号连接。
77.在本实施例中数据标定模块向外发生固定光强的高光谱光线，并且通过对数据采集模块采集后由边缘数据处理模块对采集到的高光谱光线的强度进行判断，这样的方式能够快速的确定水稻所处的光环境情况(光环境受到当地的时间、大气散射等因素的影响)，不对环境进行标定，极易导致结果的不准确性。在通过确定环境干扰(光环境)后，对采集到的水稻的图像数据进行滤波，具体的滤波方式采用的是采集到的高光谱光线的强度信息与预设值的比值(具体是根据水稻种类确定的若干波长的光谱，即可从350-2500nm中择点进行挑选，本实施例中选取了663nm、645nm、440nm、550nm等)，然后将其代入至水稻的图像数据中，能够降低环境干扰对水稻的图像数据的影响(主要是强度方面)。然后是判断无人机在飞行过程中对水稻叶面是否存在影响。通过无人机飞行过程中对的气流对水稻叶面施加外力，使得水稻叶面出现剧烈的扰动，这样的方式能够将水稻叶面上的灰层去除。并且对去除灰层后的水稻叶面的图像数据进行标记，然后升高无人机，能够更容易的对比灰尘清除前和清除后的情况。如果相差超过阈值，则表征水稻叶面附着较多的灰尘，其采集结果容易影响后续判断，因此需要无人机低空飞行，尽可能的去除灰尘后再进行采集；如果相差未超过阈值，则表征水稻叶面附作物较少，能够进行高空的叶面的图像数据采集。在存在干扰的情况保证图像数据采集的准确性，在无干扰的情况下保证图像数据采集的效率。
78.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
79.本技术是参照根据本技术实施例的系统方框图来描述的。应理解可由计算机程序指令实现方框图中的每一方框或方框图中的方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在方框图一个方框或多个方框中指定的功能的装置。
80.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在方框图一个方框或多个方框中指定的功能。
81.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在方框图一个方框或多个方框中指定的功能的步骤。
82.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
83.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
84.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
85.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
86.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。