一种农作物科学测产方法及系统技术方案

本发明专利技术公开了一种农作物科学测产方法及系统，包括以下步骤：对采集的卫星影像图像进行预处理；通过卷积神经网络模型对预处理后的卫星影像图像进行识别；对识别结果经过处理后，再与GIS地理信息结合计算得到植被种植区域的数据信息；计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例；计算出各个种植区域中各个植被等级的产量。能够高效率高精度的测定油菜种植面积和分布，以及油菜的预测产量等多项关键数据，为理赔提供了科学的数据支持；降低了人力成本，避免了统计结果因受人力因素干扰较大等多种不确定性影响，提高了统计结果的可靠性和准确性。

A Scientific Method and System for Crop Yield Measurement

The invention discloses a scientific crop yield measurement method and system, which includes the following steps: preprocessing the collected satellite image; recognizing the preprocessed satellite image by convolution neural network model; after processing the recognition result, combining with GIS geographic information, calculating the data information of vegetation planting area; and calculating each planting area. Vegetation index grade and the proportion of each vegetation index grade in each planting area; the yield of each vegetation grade in each planting area was calculated. It can measure rapeseed planting area and distribution efficiently and accurately, and provide scientific data support for compensation. It reduces human cost and avoids the influence of many uncertainties, such as human disturbance, and improves the reliability and accuracy of statistical results.

【技术实现步骤摘要】
一种农作物科学测产方法及系统
本专利技术涉及农作物产量测量领域，尤其涉及一种农作物科学测产方法及系统。
技术介绍
随着社会的发展越来越多的人认识到保险的重要性，大部分保险都是对自己或者家人进行投保；但是也存在一些特殊的投保保单，比如对自己家农作物的产量进行投保，以保证如果遇到自然灾害导致农作物(如油菜)产量锐减造成自己很大的经济损失。在保险的理赔阶段，油菜减产的程度是一项关键的理赔依据。准确的掌握受灾的程度是后续理赔重要的数据证明，因此如何准确、快速、高效的对农作物受灾损失程度进行测量，是现阶段需要解决的问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种农作物科学测产方法及系统，解决了现有常规产量统计方法存在的缺陷。本专利技术的目的是通过以下技术方案来实现的：一种农作物科学测产方法，包括以下步骤：对采集的卫星影像图像进行预处理；通过卷积神经网络模型对预处理后的卫星影像图像进行识别；对识别结果经过处理后，再与GIS地理信息结合计算得到植被种植区域的数据信息；计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例；计算出各个种植区域中各个植被等级的产量。计算各个植被种植区域的植被指数等级以及各个植被指数等级所占比例的具体内容如下：通过归一化植被指数计算出各个种植区域的植被指数等级；根据植被指数等级分布计算各个植被指数等级在各个种植区域所占比例。计算出各个种植区域中各个植被等级的产量的具体内容如下：对每个植被指数等级选取一定数量的成熟农作物种植区域作为样本地块；每个样本地块选取一定数量的取样点，每个取样点收割固定面积的农作物；对收割的农作物进行处理并计算出单位面积内的产量；根据样本地块的测量结果，计算出各植被区域的各植被指数等级的农作物理论产量。在进行所述通过卷积神经网络模型对预处理后的卫星影像图像进行识别之前，还需要完成卷积神经网络模型的建立；建立卷积神经网络模型的步骤如下：搭建模型框架；读取图像并对模型进行训练学习；根据模型训练学习情况实时对模型超参数进行调节；将完成训练的模型进行固定和保存。读取图像对模型进行训练学习的具体步骤如下：读取训练图像和已经完成样本点标注的标签图像；对训练图像和标签图像进行去像素点处理；将训练图像转换成多通道的one-hot样本，并定义各个通道的含义；对训练图像各个通道上的值进行归一化处理；根据训练图像生成训练池；对训练图像进行卷积以及卷积转置处理，当训练达到预设条件时，训练学习结束。卷积处理的步骤如下：对训练图像根据卷积深度进行n次卷积；在第n次卷积后根据进行一次dropout处理，得到第n次卷积后的图像。卷积转置的步骤如下：将第n次卷积结果进行卷积转置，并将卷积转置结果与第n-1次卷积结果进行拼接；对拼接结果进行一次卷积，再对上一次卷积结果进行一次卷积；根据上述方式依次进行n-1次卷积转置处理。对采集的卫星影像图像进行预处理步骤的具体内容如下：辐射定标步骤：将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值；大气校正步骤：通过FLAASH模块对采集的卫星影像图像进行大气校正；几何校正步骤：实现通过卫星影像图像的RPC信息，对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上；图像融合步骤：将不同波段的数据进行组合，提高卫星影像图像的地面分辨率和色彩分辨率；图像配准步骤：将多幅不同卫星影像图像进行匹配和叠加；图像裁切镶嵌步骤：将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。一种农作物科学测产系统，包括：预处理模块：实现对采集的卫星影像图像进行预先处理；卷积神经网络模型：根据所述预处理模块的处理结果对预处理后的卫星影像图像进行像素级别的识别；GIS地理信息模块：实现对识别结果经过处理后与GIS地理信息结合计算得到植被种植区域的数据信息；计算模块：实现通过农作物植被指数分布和种植区域分布计算出农作物的理论产量。计算模块包括第一计算单元和第二计算单元；第一计算单元实现计算出各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例；第二计算单元实现计算出各个种植区域植被的产量。本专利技术的有益效果是：一种农作物科学测产方法及系统，能够高效率高精度的测定油菜种植面积和分布，以及油菜的预测产量等多项关键数据，为理赔提供了科学的数据支持；降低了人力成本，避免了统计结果因受人力因素干扰较大等多种不确定性影响，提高了统计结果的可靠性和准确性。附图说明图1为本专利技术方法的流程图；图2为各个种植区域中各个植被指数等级产量计算的流程图；图3为模型训练学习的流程图；图4为油菜种植区域识别图和现场图对比效果图；图5为油菜开花时种植区域识别图和现场图对比效果图；图6为果树种植区域卫星识别图和现场对比图；图7为小麦种植区域卫星识别图和现场对比图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本专利技术的描述中，需要说明的是，术语“上”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。如图1所示，一种农作物科学测产方法，包括以下步骤：S1、对采集的卫星影像图像进行预处理；S2、通过卷积神经网络模型对预处理后的卫星影像图像进行识别；S3、对识别结果经过处理后，再与GIS地理信息结合计算得到植被种植区域的数据信息；其中，植被种植区域的数据信息包括种植植被类型信息、植被种植区域的面积信息和植被种植区域的分布信息。S4、计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例；S5、计算出各个种植区域中各个植被等级的产量。优选地，农作物遥感估产主要是通过分析遥感光谱信息与农作物长势指标的定量关系，并借助长势指标与产量之间的相关性，间接地估产农作物产量。在实际工作中，常常用植被指数作为评价作物生长状况的标准。为了体现植被本文档来自技高网...

【技术保护点】
1.一种农作物科学测产方法，其特征在于：包括以下步骤：对采集的卫星影像图像进行预处理；通过卷积神经网络模型对预处理后的卫星影像图像进行识别；对识别结果经过处理后，再与GIS地理信息结合计算得到植被种植区域的数据信息；计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例；计算出各个种植区域中各个植被等级的产量。

【技术特征摘要】
1.一种农作物科学测产方法，其特征在于：包括以下步骤：对采集的卫星影像图像进行预处理；通过卷积神经网络模型对预处理后的卫星影像图像进行识别；对识别结果经过处理后，再与GIS地理信息结合计算得到植被种植区域的数据信息；计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例；计算出各个种植区域中各个植被等级的产量。2.根据权利要求1所述的一种农作物科学测产方法，其特征在于：所述的计算各个植被种植区域的植被指数等级以及各个植被指数等级所占比例的具体内容如下：通过归一化植被指数计算出各个种植区域的植被指数等级；根据植被指数等级分布计算各个植被指数等级在各个种植区域所占比例。3.根据权利要求1所述的一种农作物科学测产方法，其特征在于：所述的计算出各个种植区域中各个植被等级的产量的具体内容如下：对每个植被指数等级选取一定数量的成熟农作物种植区域作为样本地块；每个样本地块选取一定数量的取样点，每个取样点收割固定面积的农作物；对收割的农作物进行处理并计算出单位面积内的产量；根据样本地块的测量结果，计算出各植被区域的各植被指数等级的农作物整体产量。4.根据权利要求1所述的一种农作物科学测产方法，其特征在于：在进行所述通过卷积神经网络模型对预处理后的卫星影像图像进行识别之前，还需要完成卷积神经网络模型的建立；建立卷积神经网络模型的步骤如下：搭建模型框架；读取图像并对模型进行训练学习；根据模型训练学习情况实时对模型超参数进行调节；将完成训练的模型进行固定和保存。5.根据权利要求4所述的一种农作物科学测产方法，其特征在于：所述的读取图像对模型进行训练学习的具体步骤如下：读取训练图像和已经完成样本点标注的标签图像；对训练图像和标签图像进行去像素点处理；将训练图像转换成多通道的one-hot样本，并定义各个通道的含义；对训练图像各个通道上的值进行归一化处理；根据训练图像生成训练池；对训练图像进行卷积以及卷积转置处理，当训练达到预设条件时...

【专利技术属性】
技术研发人员：姚廷尉，高青山，
申请(专利权)人：中国平安财产保险股份有限公司四川分公司，
类型：发明
国别省市：四川,51