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...

【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