基于卷积神经网络的冬小麦苗期长势参数估算方法及系统技术方案

本发明专利技术实施例提供了一种基于卷积神经网络的冬小麦苗期长势参数估算方法及系统，包括：连续采集目标冬小麦的苗期图像，并根据所述目标冬小麦的苗期图像构建对应的输入数据集；将所述输入数据集输入训练好的卷积神经网络模型，得到所述目标冬小麦苗期长势参数的估算结果；其中，所述训练好的卷积神经网络模型是以训练数据集为输入，利用梯度下降法训练得到的。本发明专利技术自动化程度高且识别效率高，能够有效减少冬小麦苗期长势参数估算的中间环节和人工干预，降低识别过程的应用成本和复杂程度，有效提高设冬小麦苗期长势参数估算的准确性和实时性。

Estimation Method and System of Winter Wheat Seedling Growth Parameters Based on Convolutional Neural Network

The embodiment of the present invention provides a method and system for estimating seedling growth parameters of Winter Wheat Based on convolution neural network, which includes continuous acquisition of seedling images of the target winter wheat, construction of corresponding input data sets according to the seedling images of the target winter wheat, and input of the input data sets into the trained convolution neural network model to obtain the seedling growth of the target winter wheat. The estimated results of potential parameters, in which the trained convolutional neural network model is trained by gradient descent method with training data as input. The invention has high automation degree and high recognition efficiency, can effectively reduce the intermediate link and manual intervention in estimating the growth parameters of winter wheat seedling stage, reduce the application cost and complexity of the identification process, and effectively improve the accuracy and real-time of estimating the growth parameters of winter wheat seedling stage.

【技术实现步骤摘要】
基于卷积神经网络的冬小麦苗期长势参数估算方法及系统
本专利技术实施例涉及深度学习
，更具体地，涉及一种基于卷积神经网络的冬小麦苗期长势参数估算方法及系统。
技术介绍
叶面积指数和地上生物量是表征冬小麦长势的两个重要参数。农田尺度的叶面积指数和地上生物量估算对于冬小麦苗期长势监测与田间精细管理具有重要的意义。传统的叶面积指数和地上生物量测量方法需要田间破坏性取样和人工测量分析，存在效率低、工作量大等问题，不能满足高通量、自动化的植物表型分析需求。遥感是目前冬小麦长势参数无损测量的主要方法之一，利用获取的冬小麦冠层光谱数据，通过计算植被指数并与长势参数实测数据进行回归分析，能够实现叶面积指数和地上生物量的无损测量。但由于光谱数据采集需要使用专用的设备，该方法在使用成本和便捷性方面存在一定不足。可见光图像具有成本低、数据获取方便等优点。基于计算机视觉技术，从可见光图像中提取数字特征，能够对叶面积指数和地上生物量进行准确的拟合分析。虽然该方法取得了一定效果，但存在2个问题，(1)易受噪声干扰，田间采集的冬小麦图像中包含大量由光照不均匀和复杂背景产生的噪声，对冬小麦图像分割及特征提取的准本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的冬小麦苗期长势参数估算方法，其特征在于，包括：连续采集目标冬小麦的苗期图像，并根据所述目标冬小麦的苗期图像构建对应的输入数据集；将所述输入数据集输入训练好的卷积神经网络模型，得到所述目标冬小麦苗期长势参数的估算结果；其中，所述训练好的卷积神经网络模型是以训练数据集为输入，利用梯度下降法训练得到的。

【技术特征摘要】
1.一种基于卷积神经网络的冬小麦苗期长势参数估算方法，其特征在于，包括：连续采集目标冬小麦的苗期图像，并根据所述目标冬小麦的苗期图像构建对应的输入数据集；将所述输入数据集输入训练好的卷积神经网络模型，得到所述目标冬小麦苗期长势参数的估算结果；其中，所述训练好的卷积神经网络模型是以训练数据集为输入，利用梯度下降法训练得到的。2.根据权利要求1所述方法，其特征在于，所述根据所述目标冬小麦的苗期图像构建对应的输入数据集，具体包括：对所述目标冬小麦的苗期图像进行预处理，得到初始数据集；采用旋转扩充和翻转扩充的数据增强方式，对所述初始数据集中的数据量进行扩充，得到所述目标冬小麦苗期图像对应的输入数据集。3.根据权利要求1所述方法，其特征在于，在将所述输入数据集输入训练好的卷积神经网络模型，得到所述目标冬小麦苗期长势参数的估算结果之前，还包括：将所述目标冬小麦苗期图像对应的输入数据集作为所述卷积神经网络的输入层的输入；根据所述输入数据集中的图像数据的图像尺寸建立所述卷积神经网络模型的处理模块；以及，依次连接所述输入层、处理模块、用于防止所述处理模块的输出过拟合的Dropout层、用于将所述处理模块的输出转化为一维向量的全连接层和用于输出所述目标冬小麦苗期长势参数估算结果的回归预测输出层，完成所述卷积神经网络模型的建立。4.根据权利要求3所述方法，其特征在于，所述处理模块中至少包括一次连接的五个处理单元，且第一个处理单元至第四个处理单元中均包括依次连接的卷积层、批标准化BN层、修正线性单元ReLU层和池化层，第五个处理单元包括连接的所述卷积层、批标准化BN层和修正线性单元ReLU层；其中，依次连接的五个处理单元中的各卷积层中的卷积核的尺寸不变、且卷积核的数量依次递增，每个处理单元中的卷积层的卷积核的尺寸均大于同一处理单元中所述池化层中的卷积核的尺寸。5.根据权利要求4所述方法，其特征在于，所述将所述输入数据集输入训练好的卷积神经网络模型，得到所述目标冬小麦苗期长势参数的估算结果，具体包括：所述处理模块中的五个处理单元中基于梯度下降算法依次对所述输入数据集进行处理和传递，直到所述的五个处理单元中输出目标特征图；其中，所述处理模块中的所述卷积层提取接收的所述输入数据集的特征图；所述BN层对接收到的所述特征图进行归一化处理；所述Re...

【专利技术属性】
技术研发人员：张领先，李云霞，马浚诚，杜克明，陈运强，郑飞翔，孙忠富，
申请(专利权)人：中国农业大学，中国农业科学院农业环境与可持续发展研究所，
类型：发明
国别省市：北京,11