一种寒地水稻叶龄判断方法、装置、计算机及存储介质与流程

1.本发明涉及叶龄判断领域，尤其涉及一种寒地水稻叶龄判断方法。


背景技术：

2.叶龄诊断是中国东北水稻种植过程中一个较为常见的农业业务场景。传统的方式是技术人员进入水田人工操作，需要专业的知识和较大的工作量，通过拍照和传感器感应后智能识别叶龄可以作为一种有效的辅助手段并在未来有望替代人工田间地头现场识别的方式。
3.然而，高密度小样本数据为识别技术带来了巨大挑战：
4.首先，水稻图像获取困难。水稻长在水田里，对传感器或摄像头的铺设有影响；且北方寒地水稻一年一熟，错过一个长势周期就无法在本年度再次获取，需要即时的获取，小作坊式的种植无法承受铺设专用设备和相关专家技术人员的巨大成本。第二，一张图片中水稻样本非常多，找出具体要识别哪个水稻样本是一个巨大的挑战。第三，即使找到识别哪个水稻样本，通过图片也很难模拟人工调查的方式识别出具体叶龄。第四，不同地域的拍照效果不同，可能有的图片在田埂边，田埂占比较大，有的图片在水洼处，水较多，这些都影响识别效果。第五，天气情况影响效果，由于拍摄的是rgb三色图，在不同天气下，拍出的照片亮度，色度不同，影响识别效果。
5.现有技术cn110660070a公开了一种水稻叶脉图像提取方法，包括：获取含有水稻叶片的图像，通过k均值聚类算法提取水稻叶片主体图像；对所述水稻叶片主体图像进行裁剪，得到含单一背景的水稻叶片图像，并对其进行灰度化处理；根据聚类均值判断法提取所述灰度化处理后水稻叶片图像中的叶脉图像，并根据roberts算子进行边缘检测提取水稻叶片边缘的轮廓图像；根据得到的水稻叶脉图像及水稻叶片边缘图像判断水稻叶脉的偏向。其通过叶脉图像对叶龄进行诊断。然而，所述方法采用的算法识别精度低，使用的传统的叶脉偏向法，需要一定的人工测量。具体为：根据拍摄的图片获取叶片图片，由叶片图片中分离出叶脉图像和叶片边缘轮廓图像，根据叶脉图像和叶片边缘轮廓图像计算出叶脉偏向，然而这种方法只能得到小数点前的数(即整数部分)，叶龄一般是小数点后保留一位小数，小数部分需要结合其他数据和人工预估获得。偏差较大。


技术实现要素：

6.本发明解决了现有水稻叶龄识别采用叶脉偏向法，需要一定的人工测量，偏差较大的问题。
7.本发明所述的一种寒地水稻叶龄判断方法，所述方法包括：
8.获取图片数据和专家经验数据；
9.将获取的水稻图片数据进行预处理，获取水稻图像数据；
10.利用水稻图像数据训练神经网络，获取图片识别神经网络；
11.根据图片识别神经网络和专家经验神经网络构建叶龄识别模型；
12.根据构建叶龄识别模型进行水稻叶龄判断。
13.进一步的，还提供一种优选实施方式，所述专家经验数据包括品种最大叶数、播种日期、插秧日期和积温。
14.进一步的，还提供一种优选实施方式，所述获取水稻图像数据通过优化算法裁剪为统一大小为3*224*224的图像。
15.进一步的，还提供一种优选实施方式，所述图片数据由摄像仪获取。
16.进一步的，还提供一种优选实施方式，所述叶龄识别模型为resnet+linear模型的组合。
17.基于同一发明构思，本发明还提供一种寒地水稻叶龄判断装置，所述装置包括：
18.数据获取单元，用于获取图片数据和专家经验数据；
19.水稻图像数据获取单元，用于将获取的水稻图片数据进行预处理，获取水稻图像数据；
20.图片识别神经网络获取单元，用于利用水稻图像数据训练神经网络，获取图片识别神经网络；
21.叶龄识别模型构建单元，用于根据图片识别神经网络和专家经验神经网络构建叶龄识别模型；
22.水稻叶龄判断单元，用于根据构建叶龄识别模型进行水稻叶龄判断。
23.进一步的，还提供一种优选实施方式，所述专家经验数据包括品种最大叶数、播种日期、插秧日期和积温。
24.进一步的，还提供一种优选实施方式，所述获取水稻图像数据通过优化算法裁剪为统一大小为3*224*224的图像。
25.基于同一发明构思，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述任一项中所述的一种寒地水稻叶龄判断方法。
26.基于同一发明构思，本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任一项所述的一种寒地水稻叶龄判断方法。
27.本发明的有益之处在于：
28.本发明解决了现有水稻叶龄识别采用叶脉偏向法，需要一定的人工测量，偏差较大的问题。
29.本发明通过图片识别神经网络和专家经验神经网络构建叶龄识别模型，实现水稻叶龄自动的识别，无需人工干预，保障了识别的准确性。由于拍摄的图片中包含非常多的水稻，分离出某株水稻难度非常高，且分离出得数据精度低，本发明通过预先去除图片中的标牌、人手和杂草等元素，保障了水稻识别的准确性。本发明与现有技术不同，不需要人工计算叶龄，通过神经网络技术进行整张图片的识别，并且加入了专家经验数据进行纠偏预测，可直接获取叶龄数据，保障了叶龄判断的准确性，避免了人工测量导致测量偏差较大的问题。
30.本发明应用于水稻长势预测领域。
附图说明
31.图1为实施方式一所述的一种寒地水稻叶龄判断方法的流程图。
具体实施方式
32.为使本发明的技术方案及优点表述得更加清楚，现结合附图对本发明的若干实施方式做进一步详细地描述，但以下所述的各个实施方式仅为本发明的几个较佳实施方式而已，并不用于限制发明。
33.实施方式一、参见图1说明本实施方式。本实施方式所述的一种寒地水稻叶龄判断方法，所述方法包括：
34.获取图片数据和专家经验数据；
35.将获取的水稻图片数据进行预处理，获取水稻图像数据；
36.利用水稻图像数据训练神经网络，获取图片识别神经网络；
37.根据图片识别神经网络和专家经验神经网络构建叶龄识别模型；
38.根据构建的叶龄识别模型进行水稻叶龄判断。
39.具体的，获取的图片数据为水稻长势情况图片，为rgb三色图。专家经验数据可以通过传感器或人工一次性上述至数据采集终端，终端将收集到的专家经验数据通过https协议上传到后台服务器，水稻长势情况图片经过压缩后生成jpg/png格式通过https协议上传。信息传输可经由wifi网络、蜂窝网络等完成。人工处理水稻长势情况图片，将噪音去除，所述噪音包括图片中的标牌、人手和杂草。
40.本实施方式通过图片识别神经网络和专家经验神经网络构建叶龄识别模型，实现水稻叶龄自动的识别，无需人工干预，保障了识别的准确性。由于拍摄的图片中包含非常多的水稻，分离出某株水稻难度非常高，且分离出得数据精度低，本发明通过预先去除图片中的标牌、人手和杂草等元素，保障了水稻识别的准确性。本发明与现有技术不同，不需要人工计算叶龄，通过神经网络技术进行整张图片的识别，并且加入了专家经验数据进行纠偏预测，可直接获取叶龄数据，保障了叶龄判断的准确性，避免了人工测量导致测量偏差较大的问题。
41.实施方式二、本实施方式是对实施方式一所述的一种寒地水稻叶龄判断方法的进一步限定，所述专家经验数据包括品种最大叶数、播种日期、插秧日期和积温。
42.具体的，专家经验数据包括品种最大叶数、播种日期、插秧日期和积温，通过终端将采集到的品种最大叶数、播种日期、插秧日期和积温等数据自动的汇总，并通过专家对数据进行修正，形成规整的批量数据，供后续神经网络建模使用。
43.实施方式三、本实施方式是对实施方式一所述的一种寒地水稻叶龄判断方法的进一步限定，所述获取水稻图像数据通过优化算法裁剪为统一大小为3*224*224的图像。
44.本实施方式将水稻图像数据裁剪缩放为3*224*224大小的图片，既满足只保留水稻数据，又实现了神经网络输入数据固定大小的要求。
45.实施方式四、本实施方式是对实施方式一所述的一种寒地水稻叶龄判断方法的进一步限定，所述图片数据由摄像仪获取。
46.在实际应用中，可根据实际情况采用不同的设备进行图片数据的获取。
47.实施方式五、本实施方式是对实施方式一所述的一种寒地水稻叶龄判断方法的进
一步限定，所述叶龄识别模型为resnet+linear模型的组合。
48.具体的，叶龄识别模型为resnet+linear模型的组合，中间会加一些batch_norm和relu等trick；具体为：使用resnet网络的基础上，在额外使用专家经验数据，然后将两个模型组合起来，最终合成一个模型，进行建模。
49.可采用交叉熵优化目标(crossentrypyloss)和平方根优化目标(mean square error)任意一种优化方式对叶龄识别模型进行优化
50.交叉熵优化目标(crossentrypyloss)为：
[0051][0052]
其中，h(p,q)为交叉熵函数结果，x为数据事件样本，p(x)为事件样本x发生的概率，表示真实分布，q(x)为为非真实分布，也即我们通过算法拟合出的数据分布。
[0053]
平方根优化目标(mean square error)为：
[0054][0055]
其中，j(θ)为平方根函数，x为数据样本自变量矩阵，θ为要求得的超参数，y为真实的y值，即因变量。
[0056]
所述模型还包括神经网络的训练，具体为：在多台gpu服务器上，使用pytorch搭建好了模型架构后，逐个优化超参数。
[0057]
超参数有很多，现举例如下：
[0058]
epochs＝1000，训练次数，即训练相同数据的次数，这里一般使用1000
[0059]
train_all_weights＝true：是否不同网络层使用不同学习率，默认为使用不同学习率
[0060]
main_gpu＝2：使用哪个gpu作为主gpu进行训练，且从哪个gpu开始，服务器上有8个gpu，这里设置主gpu为2且使用第2至7(6个)gpu。
[0061]
output_size＝512：专家数据输出的维度
[0062]
num_workers＝16使用多少个cpu加载数据，这里使用16个
[0063]
train_sample_ratio＝0.8进行抽样时，train数据占总数据的比例。
[0064]
learning_rate_list＝[5e-7,5e-8]神经网络优化器学习率。
[0065]
batch_size_list＝[180]每批训练的数据量大小
[0066]
seed_list＝[1]随机种子
[0067]
weight_decay_list＝[0.1]权重衰减系数
[0068]
momentum_list＝[0.8]训练动量
[0069]
dropout_list＝[0.2]每个神经元有多少概率不被激活
[0070]
当均方根误差rmse到达0.4以下后，叶龄识别模型构建初步完毕，可以输出模型。
[0071]
本实施方式，通过对七千五百多条标注数据的训练，叶龄判断的平均准确率超过90％。
[0072]
实施方式六、本实施方式所述的一种寒地水稻叶龄判断装置，所述装置包括：
[0073]
数据获取单元，用于获取图片数据和专家经验数据；
[0074]
水稻图像数据获取单元，用于将获取的水稻图片数据进行预处理，获取水稻图像
数据；
[0075]
图片识别神经网络获取单元，用于利用水稻图像数据训练神经网络，获取图片识别神经网络；
[0076]
叶龄识别模型构建单元，用于根据图片识别神经网络和专家经验神经网络构建叶龄识别模型；
[0077]
水稻叶龄判断单元，用于根据构建叶龄识别模型进行水稻叶龄判断。
[0078]
实施方式七、本实施方式是对实施方式六所述的一种寒地水稻叶龄判断方法的进一步限定，所述专家经验数据包括品种最大叶数、播种日期、插秧日期和积温。
[0079]
实施方式八、本实施方式是对实施方式六所述的一种寒地水稻叶龄判断方法的进一步限定，所述获取水稻图像数据通过优化算法裁剪为统一大小为3*224*224的图像。
[0080]
实施方式九、本实施方式一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行实施方式一至实施方式五任一项中所述的一种寒地水稻叶龄判断方法。
[0081]
实施方式十、一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施方式一至实施方式五任一项所述的一种寒地水稻叶龄判断方法。
[0082]
以上通过具体实施方式对本技术进行详细说明，但以上所述仅为本技术的较佳实施方式而已，并不用于限制本技术，凡在本技术的精神和原则范围之内所作的任何修改、实施方式的组合、等同替换和改进等，均应当包含在本技术的保护范围之内。