基于图像深度学习的小麦干旱识别方法技术

本发明专利技术涉及小麦非生物胁迫的识别技术领域，尤其是小麦干旱识别方法。该方法识别步骤为：a)在温室大棚采用盆栽实验方法进行小麦控旱试验，干旱等级分为适宜，轻旱，中旱，重旱和特旱；b)使用单反相机连续获取不同干旱等级的小麦图像，并标上标签，将数据集随机分为训练集和测试集；c)使用在ImageNet上预训练好的深度卷积网络模型Inception_V3、Resnet_50、Resnet_152的卷积操作提取图像特征，并训练最后的分类层；d)用测试集测试已训练的深度学习网络，分别用干旱胁迫识别准确率DSI和干旱胁迫分级准确率DSC来表示干旱胁迫识别和分级精度。本发明专利技术通过获取小麦数字图像，利用深度学习方法提取小麦表型特征，是基于承灾体对干旱胁迫进行识别和分级，故及时、准确、无损，而且得到较高的准确率。

【技术实现步骤摘要】
基于图像深度学习的小麦干旱识别方法
本专利技术涉及小麦非生物胁迫识别
，尤其是小麦干旱识别方法。
技术介绍
干旱胁迫是影响小麦产量的主要因素，任何生长阶段干旱均会对小麦产量造成严重影响，对小麦干旱胁迫及时准确的监测预警，提高灌溉的精确性对保障小麦的丰产稳产具有重要作用。而传统的基于土壤水分传感器的干旱监测虽能从一定程度上反应土壤水分状况，但具有误差大，覆盖范围小，大田应用困难等特点。在不同的干旱等级胁迫下小麦植株有不同的表型特征，比如叶片颜色和纹理的改变，叶面积减小、叶片卷曲，干枯死亡等，通过获取数字图像基于小麦表型特征及时，准确，无损的对小麦干旱进行识别和分级对灌溉决策和小麦干旱胁迫的自动监测具有重要意义。计算机视觉和图像处理技术广泛的应用于植物表型的研究，传统的机器学习方法是植物表型分析最有效的方法之一，比如：人工神经网络(ANN)，支持向量机(SVM)，高斯过程(GP)等，然而传统的机器学习方法主要是基于图像像素值，使用线性或非线性函数手动的对二维图像特征进行分割和提取，手动提取特征费时费力并且只能提取图像部分表型特征，如颜色和纹理等，且提取的特征不一定能用于小麦干旱的识别和分级。同时在复杂的环境下，手动提取特征也容易受到背景和环境的影响，比如土壤，光线，风等，因此传统机器学习方法对作物干旱的识别和分级的准确率是有限的。近年来，深度卷积网络结合图像特征提取和分类于一体在图像识别和分类方面取得巨大的进步。2012年深度卷积网络AlexNet在ImageNet数据集上1000分类中top-5错误率为17％，此后深度卷积神经网络在ImageNet数据集的分类准确度不断提高，2014年VGGtop-5错误率达降低到7.3％，GoogleNettop-5错误率为6.7％，2015年Inception_v3top-5错误率降低到4.2％，到现在为止。深度卷积神经网络已经成为图像分类领域的主流方法，与传统的机器学习相比，深度学习方法在复杂和抽象的表型特征的提取方面具有很大的优势，特别地，深度学习方法使用原始图像作为输入，不需要做图像分割等预处理。随着作物表型组学的发展，研究者广泛的将深度学习方法应用于作物表型方面的研究比如图像分类，特征提取，和目标检测等。通常，训练深度卷积网络有两种方法，一是“从头训练”，二是“迁移学习”。“从头训练”是在训练网络时调整网络结构中所有的权值和参数，而深度卷积网络结构层次较深，参数庞大，因此从头训练一个深度卷积网络比较困难，而且受制于图像数据集的大小，硬件设备要求较高。“迁移学习”是将在ImageNet上预训练好的深度卷积模型迁移学习到自己的数据集上。对数据集的大小和硬件要求不高，并且在识别分类精度方面也能达到很好的效果。
技术实现思路
本专利技术要解决的技术问题是：为了解决现有的干旱监测精度低、覆盖范围小、费时费力等不足，本专利技术提供了一种小麦干旱识别方法，通过单反相机获取小麦图像，使用深度学习方法提取小麦表型特征对小麦不同的干旱胁迫进行及时、准确和无损的识别和分级，将预训练好的深度学习模型迁移应用到小麦干旱图像数据集上，对小麦干旱进行无损的识别和分级，该方法利用表型特征基于承灾体对干旱胁迫进行识别和分级，故及时、准确、无损，而且得到较高的准确率。本专利技术解决其技术问题所采用的技术方案是：一种小麦干旱识别方法，识别步骤为：a)在温室大棚采用盆栽实验方法进行小麦控旱试验，干旱等级分为适宜，轻旱，中旱，重旱和特旱，采用称重法进行控旱，干旱程度的设置参照中华人民共和国农业行业标准《冬小麦灾害田间调查及分级技术规范》；b)使用相机获取不同程度干旱等级的小麦图像，并标上标签,随机将图像数据划分为训练集和测试集，测试集不参与训练；c)使用在ImageNet上预训练好的深度卷积神经网络Inception_V3、Resnet_50、Resnet_152的卷积操作提取图像特征，并训练最后的分类层；模型训练的学习率为0.01，批次大小为100，迭代次数5000次，每隔100次打印一次精确度，通过交叉熵曲线的变化来判断模型是否收敛；d)用测试集测试已训练的深度学习网络，得到模型分类的混淆矩阵，分别用干旱胁迫识别准确率DSI和干旱胁迫分级准确率DSC来表示干旱胁迫识别和分级精度，计算公式为：Total为总的测试样本数，TC分类正确的适宜对照样本数，TD为分类正确的干旱胁迫样本数，Ttrue分类正确的所有样本数。具体地，所述训练集和测试集的分配比例为8:2。具体地，所述照相机为单反相机EOS700D，拍摄照片以JPG格式自动存储SD卡中，照相机上安装品色282信号接收器，在6:00am-18:00pm间每隔5min自动获取小麦图像。具体地，该方法在Google开源框架TensorFlow上进行。本专利技术的有益效果是：本专利技术提供了一种小麦干旱识别方法，利用小麦表型特征对小麦干旱进行识别和分级，通过将预训练好的深度学习模型迁移应用到小麦干旱数据集上，对小麦干旱进行识别和分级，该方法是利用表型特征基于承灾体对干旱胁迫进行识别和分级，故及时、准确、无损，而且得到较高的准确率。附图说明下面结合附图和实施例对本专利技术进一步说明。图1为本专利技术的流程图；图2为本专利技术中小麦干旱识别和分级精度最高的深度学习网络结构图；具体实施方式现在结合附图对本专利技术作进一步详细的说明。图1为本专利技术的流程图，图2为本专利技术中小麦干旱识别和分级精度最高的深度学习网络结构图。该方法中使用的单反相机为EOS700D，有效像素1800万，CMOS感应器，镜头实际焦距f＝18-135mm，拍摄照片以JPG格式自动存储SD卡中。在获取图像时用三脚架固定相机，每台相机安装品色282信号接收器用于自动获取小麦图像，相机距地面1.5m，控旱期间每天从6：00am-18：00pm，每隔5min获取小麦图像。为保证数据的多样性，防止背景单一性对模型精度的影响，试验中每天调整相机的拍摄角度。图像获取时间分别为2018年4月15-5月2日。试验期间共获取图像44003张，其中适宜8641张，轻旱8713张，中旱8870张，重旱8383张，特旱9396张。Inception_V3是GoogleNet的一个变种，在Inception模块中应用了“网中网”结构的是GoogleNet网络模型的关键，Inception模块使用并列的1×1，3×3,和5×5卷积核和最大池化层，因此在同一层中能捕获不同种类的图像特征，在3×3，5×5以及最大池化层之前的1×1卷积操作是用来降维以减少计算量，最后一个过滤器将所有的卷积操作进行合并，Inception_v3是在GoogleNet的基础行将传统的7×7的卷积核分解成3个3×3的卷积核；5×5的卷积核被两个3×3所替代，而3×3又被分解成一个1×3和3×1的卷积核,在增加准确度的同时降低模型计算量。如附图2所示，ResNet是何凯明团队开发的残差网络(ResidualNetworks)，在2016年ImageNet的分类、识别、定位以及COCO的检测和分割上均斩获了第一名的成绩，Resnet解决的关键问题是模型层数加深以后模型的“退化问题”，通过在层与层之间添加一个Residual的结构：即增加一个identitymapping(恒等映本文档来自技高网...

【技术保护点】
1.一种小麦干旱识别方法，其特征在于，识别步骤为：a)在温室大棚采用盆栽实验方法进行小麦控旱试验，干旱等级分为适宜，轻旱，中旱，重旱和特旱，采用称重法进行控旱，干旱程度的设置参照中华人民共和国农业行业标准《冬小麦灾害田间调查及分级技术规范》；b)使用相机获取不同程度干旱等级的小麦图像，并标上标签,随机将图像数据划分为训练集和测试集，测试集不参与训练；c)使用在ImageNet上预训练好的深度卷积神经网络Inception_V3、Resnet_50、Resnet_152的卷积操作提取图像特征，并训练最后的分类层；模型训练的学习率为0.01，批次大小为100，迭代次数5000次，每隔100次打印一次精确度，通过交叉熵曲线的变化来判断模型是否收敛；d) 用测试集测试已训练的深度学习网络，得到模型分类的混淆矩阵，分别用干旱胁迫识别准确率DSI和干旱胁迫分级准确率DSC来表示干旱胁迫识别和分级精度，计算公式为：

【技术特征摘要】
1.一种小麦干旱识别方法，其特征在于，识别步骤为：a)在温室大棚采用盆栽实验方法进行小麦控旱试验，干旱等级分为适宜，轻旱，中旱，重旱和特旱，采用称重法进行控旱，干旱程度的设置参照中华人民共和国农业行业标准《冬小麦灾害田间调查及分级技术规范》；b)使用相机获取不同程度干旱等级的小麦图像，并标上标签,随机将图像数据划分为训练集和测试集，测试集不参与训练；c)使用在ImageNet上预训练好的深度卷积神经网络Inception_V3、Resnet_50、Resnet_152的卷积操作提取图像特征，并训练最后的分类层；模型训练的学习率为0.01，批次大小为100，迭代次数5000次，每隔100次打印一次精确度，通过交叉熵曲线的变化来判断模型是否收敛；d)用测试集测试已训练的深度学习...

【专利技术属性】
技术研发人员：安江勇，李茂松，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：北京,11