一种端对端深度学习预测小麦氮含量监测方法技术

本发明专利技术公开了一种端对端深度学习预测小麦氮含量监测方法，包括采集区域内小麦冠层光谱使用线性插值重建，同时测定该区域内具有代表性的小麦的氮含量，通过采集的冠层光谱和测定的氮含量对卷积神经网络进行训练得到小麦氮含量预测模型。本发明专利技术的小麦氮含量测定方法中，单点和成像光谱仪采集的多源小麦冠层光谱数据进行插值重建后结合卷积神经网络建模预测小麦氮含量，不需要对光谱进行预处理和特征波段选择，实现了光谱样本直接到氮含量指标的端对端快速预测，并且建模的光谱不需要进行预处理和特征波段的选择，通过卷积神经网络卷积层、池化层提取光谱中的重要信息，所建立的模型具有更好的普适性和鲁棒性，通过该模型可实现小麦氮含量的精确预测。现小麦氮含量的精确预测。现小麦氮含量的精确预测。

【技术实现步骤摘要】
一种端对端深度学习预测小麦氮含量监测方法


[0001]本专利技术属于作物生长监测
，尤其涉及一种端对端深度学习预测小麦氮含量监测方法。

技术介绍

[0002]小麦是世界三大粮食作物之一，占全球耕地面积的20％以上。我国人口众多，粮食供不应求。所以小麦在农业生产中占有举足轻重的战略地位。近年来，农名往往通过施入过量氮肥来进行增产，这样不仅显著影响了小麦的产量品质，而且导致氮肥利用率大大降低，大量硝酸盐向下渗漏，温室气体(N2O)排放量增加，地下水被污染，从而严重威胁到人类的健康。
[0003]可见光和近红外光谱技术是一种简单快捷，无损的检测技术。可以通过样品的透射率或者反射率，建立与其理化指标的模型，可以同时检测出样品中的多种组分和物理特征参数，其分析结果可准确逼近传统的测定方法。
[0004]近年来，随着光谱技术(分光器件，探测器)的不断发展，光谱仪器的种类也是越来越多，例如单点的、成像的等。不同厂家使用不同的探测器，其光谱间隔也不一致。传统的经验法、线性(PLS等)和非线性法(SVR,RF等)都需要对光谱进行光谱预处理和特征波段的选择，预处理对建模结果影响巨大，而且特征波段的选择也会丧失其他波段的重要信息。所建立的模型并不具有很好的普适性和鲁棒性。

技术实现思路

[0005]本专利技术目的在于提供一种端对端深度学习预测小麦氮含量监测方法,以解决传统的经验法、线性(PLS等)和非线性法(SVR,RF等)都需要对光谱进行光谱预处理和特征波段的选择，预处理对建模结果影响巨大，而且特征波段的选择也会丧失其他波段的重要信息的技术问题。
[0006]为实现上述目的，本专利技术的端对端深度学习预测小麦氮含量监测方法的具体技术方案如下：
[0007]一种端对端深度学习预测小麦氮含量监测方法，包括以下步骤：
[0008]步骤1、选定区域内小麦，使用单点光谱仪和成像光谱仪分别多次采集小麦冠层光谱，取平均值；
[0009]步骤2、选取步骤1中选定区域内具有代表性的小麦洗净、分离、杀青、烘干、称重后，使用流动分析仪测量小麦实际氮含量；
[0010]步骤3、将步骤1中采集的小麦冠层光谱使用线性插值重建，之后提取400nm
‑
1000nm波段作为光谱样本；
[0011]步骤4、建立一个卷积神经网络，将步骤3中的光谱样本输入卷积神经网络进行训练，得到输出值；
[0012]步骤5、步骤4中的卷积神经网络训练迭代500次，选取输出值中与步骤2中测定氮
含量数值最接近的一次作为小麦氮含量预测模型输出；
[0013]步骤6、后续只需将采集的小麦冠层光谱使用线性插值重建后输入步骤5中得到的小麦氮含量预测模型即可预测出小麦氮含量。
[0014]优选的，为了提升采集小麦冠层光谱的准确度，所述步骤1中使用单点光谱仪或成像光谱仪采集小麦冠层光谱时，需要在晴朗无风的天气，采集时探头垂直向下，探头与小麦之间的距离为1m。
[0015]优选的，为了提升单点光谱仪采集小麦冠层光谱的准确度，所述步骤1中使用单点光谱仪每次采集小麦冠层光谱前均需进行白板校正。
[0016]优选的，为了提升成像光谱仪采集小麦冠层光谱的准确度，所述步骤1中使用成像光谱仪采集的每个光谱图像均需进行黑白校正。
[0017]优选的，为了提升得到的小麦氮含量预测模型的精度，所述步骤3中选取的光谱样本选取1/3作为验证集，用于验证步骤5中得到的小麦氮含量预测模型的准确度。
[0018]本专利技术的端对端深度学习预测小麦氮含量监测方法具有以下优点：
[0019]1、单点和成像光谱仪采集的多源小麦冠层光谱数据进行插值重建后结合卷积神经网络建模预测小麦氮含量，不需要对光谱进行预处理和特征波段选择，实现了光谱样本直接到氮含量指标的端对端快速预测；
[0020]2、建模的光谱不需要进行预处理和特征波段的选择，通过卷积神经网络卷积层、池化层提取光谱中的重要信息，所建立的模型具有更好的普适性和鲁棒性。
附图说明
[0021]图1为本专利技术的端对端深度学习预测小麦氮含量监测方法的流程图；
[0022]图2为本专利技术的原始光谱图；
[0023]图3为本专利技术的插值重建后的光谱图；
[0024]图4为本专利技术的卷积神经网络的示意图；
具体实施方式
[0025]为了更好地了解本专利技术的目的、结构及功能，下面结合附图，对本专利技术一种端对端深度学习预测小麦氮含量监测方法做进一步详细的描述。
[0026]如图1所示，一种端对端深度学习预测小麦氮含量监测方法，包括以下步骤：
[0027]步骤1、选定区域内小麦，使用单点光谱仪和成像光谱仪分别采集小麦冠层光谱10次，分别取平均值作为原始光谱，采集光谱时需要在晴朗无风的天气，采集时探头垂直向下，探头与小麦之间的距离为1m，使用单点光谱仪每次采集小麦冠层光谱前均需进行白板校正，使用成像光谱仪采集的每个光谱图像均需进行黑白校正，以提升采集的小麦冠层光谱的准确度；
[0028]步骤2、选取步骤1中选定区域内具有代表性的小麦洗净、分离、杀青、烘干、称重后，使用流动分析仪测量小麦实际氮含量；
[0029]步骤3、将步骤1中采集的如图2所示的小麦冠层光谱使用线性插值重建，之后提取400nm
‑
1000nm波段作为如图3所示的光谱样本，使各光谱样本中包含的点数一致；
[0030]步骤4、建立一个卷积神经网络，如图4所示，该卷积神经网络包括3个卷积层，3个
池化层和两个全连接层，将步骤3中的光谱样本输入卷积神经网络得到输出值，将输出值与步骤2中测量的小麦实际氮含量进行对比，之后进行卷积神经网络反向传播过程，计算出输出值与小麦实际氮含量的误差，根据误差更新卷积神经网络；
[0031]步骤5、将步骤4中的卷积神经网络训练过程迭代500次，选取输出值中与步骤2中测定的小麦实际氮含量数值最接近的一次的卷积神经网络作为小麦氮含量预测模型输出；
[0032]步骤6、后续只需将采集的小麦冠层光谱使用线性插值重建后输入步骤5中得到的小麦氮含量预测模型即可预测出小麦氮含量。
[0033]该小麦氮含量测定方法中，单点和成像光谱仪采集的多源小麦冠层光谱数据进行插值重建后结合卷积神经网络建模预测小麦氮含量，与传统建立小麦冠层氮含量预测模型预测小麦氮含量的方法相比，不需要对光谱进行预处理和特征波段选择，实现了光谱样本直接到氮含量指标的端对端快速预测，建模的光谱不需要进行预处理和特征波段的选择，通过卷积神经网络卷积层、池化层提取光谱中的重要信息，所建立的模型具有更好的普适性和鲁棒性。
[0034]可以理解，本专利技术是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本专利技术的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本专利技术的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本专利技术的精神和范围。因此，本专利技术不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种端对端深度学习预测小麦氮含量监测方法，其特征在于，包括以下步骤：步骤1、选定区域内小麦，使用单点光谱仪和成像光谱仪分别多次采集小麦冠层光谱，取平均值；步骤2、选取步骤1中选定区域内具有代表性的小麦洗净、分离、杀青、烘干、称重后，使用流动分析仪测量小麦实际氮含量；步骤3、将步骤1中采集的小麦冠层光谱使用线性插值重建，之后提取400nm
‑
1000nm波段作为光谱样本；步骤4、建立一个卷积神经网络，将步骤3中的光谱样本输入卷积神经网络进行训练，得到输出值；步骤5、步骤4中的卷积神经网络训练迭代500次，选取输出值中与步骤2中测定氮含量数值最接近的一次作为小麦氮含量预测模型输出；步骤6、后续只需将采集的小麦冠层光谱使用线性插值重建后输入步骤5中得到的小麦氮含...

【专利技术属性】
技术研发人员：李伟，黄宇，孙玉琳，张卓，张宏宇，马宗伟，杨飞，陈兴海，
申请(专利权)人：无锡谱视界科技有限公司，
类型：发明
国别省市：