一种大田环境下早期小麦赤霉病监测预警方法及系统技术方案

本发明专利技术公开了一种大田环境下早期小麦赤霉病监测预警方法，包括，步骤一：数据获取模块获取有标签数据的影像数据；步骤二：模型构建模块对影像数据进行预处理，并对预处理后的影像数据进行特征波长提取，构建小麦赤霉病影像识别模型；步骤三：监测模块在大田环境下，在多个监测点上设置智能孢子捕捉仪对赤霉病病菌孢子进行捕捉，当超过10％的监测点捕捉到赤霉病病菌孢子发出预警时，根据预警区域确定小麦赤霉病预警检测区；步骤四：识别模块基于无人机对小麦赤霉病预警检测区航拍，通过小麦赤霉病影像识别模型分析小麦影像特征，识别出患有小麦赤霉病的病株和病源点位置分布，对于小麦赤霉病监测预警更加方便和高效，节约成本和时间。间。间。

【技术实现步骤摘要】
一种大田环境下早期小麦赤霉病监测预警方法及系统


[0001]本专利技术涉及物联网及人工智能
，具体涉及一种大田环境下早期小麦赤霉病监测预警方法。

技术介绍

[0002]小麦赤霉病是由多种镰刀菌侵染所引起的，发生在小麦上的病害。从苗期到穗期均可发生，引起苗腐、茎基腐、秆腐和穗腐。在中国南方冬麦区，东北三江平原春麦区等地经常流行成灾，对农业生产造成极大危害。
[0003]目前常用的生物化学检测方法例如高效液相色谱法、气相色谱法、酶联免疫法等，都存在着费时费力的缺点。除此之外当前识别小麦赤霉病多使用高光谱技术，但使用此方法都是使用监督分类或者非监督分类进行识别模型的搭建。
[0004]监督方法的主要缺点是分类模型和分类精度主要取决于标签点的训练数据集的数量，获取大量高光谱图像类别标签是一项耗时且成本高的任务。尽管无监督方法对标记样本不敏感，但由于缺乏先验知识，聚类类别和真实类别之间的关系不确定。
[0005]因此，本专利技术希望区别于其他方法，研究出一种大田环境下早期小麦赤霉病监测预警方法，更加方便和高效，节约成本和时间。

技术实现思路

[0006]本专利技术的目的在于提供一种大田环境下早期小麦赤霉病监测预警方法，解决以下技术问题：
[0007]传统的生物化学检测方法费时费力，基于高光谱技术监督分类构建识别模型检测方法需要对大量的高光谱图像进行处理，并对模型进行训练耗时且成本较高，无监督分类构建识别模型对于先验知识缺乏无法快速构建识别模型。
[0008]本专利技术的目的可以通过以下技术方案实现：
[0009]一种大田环境下早期小麦赤霉病监测预警方法，包括以下步骤:
[0010]步骤一：数据获取模块获取有标签数据的影像数据；
[0011]步骤二：模型构建模块对影像数据进行预处理，并对预处理后的影像数据进行特征波长提取，通过Mix Match的半监督学习方法构建小麦赤霉病影像识别模型；
[0012]步骤三：监测模块在大田环境下，在多个监测点上设置智能孢子捕捉仪对赤霉病病菌孢子进行捕捉，当超过10％的监测点捕捉到赤霉病病菌孢子发出预警时，根据预警区域确定小麦赤霉病预警检测区；
[0013]步骤四：识别模块基于无人机对小麦赤霉病预警检测区航拍，通过小麦赤霉病影像识别模型分析小麦影像特征，识别出患有小麦赤霉病的病株，并将识别的病源点位置分布信息导出。
[0014]作为本专利技术进一步的方案：步骤一中，有标签数据的影像数据的获取步骤为：
[0015]W1：通过无人机航拍影像，得到影像数据；
[0016]W2：对获取影像数据的小麦地进行野外多点采样，且保持与步骤一获取的影像数据的时间段一致，通过人工判断该样点的小麦是否患病；
[0017]其中，将人工判断后的影像数据作为有标签数据，其他为无标签数据。
[0018]作为本专利技术进一步的方案：W1中，影像数据包括人工采样点的小麦航拍影像数据和其他地区各时间段的影像数据。
[0019]作为本专利技术进一步的方案：步骤二中，影像数据的预处理包括平滑处理、标准化处理和归一化处理。
[0020]作为本专利技术进一步的方案：步骤二中，预处理后影像数据的特征波长提取方法为主成分分析法CA、独立成分分析ICA或线性判别分析LDA中的一种或多种。
[0021]作为本专利技术进一步的方案：步骤二中，小麦赤霉病影像识别模型的构建包括以下步骤：
[0022]S1：数据增广
[0023]对有标签数据，做一次数据增广；
[0024]对无标签数据，做K次数据增广；
[0025]S2：标签猜测
[0026]对上一步进行了K次增强的无标签数据模型识别结果进行猜测，猜测一个“伪”标签，使用求平均的方式对无标签数据进行预测：
[0027]S3：锐化
[0028]预测后的标签进行sharpen锐化，让上一步猜测的“伪”标签的熵更低，突出概率高的类别，让预测概率分布更加的明显；
[0029]S4：混合
[0030]将有标签数据和无标签数据进行混和，得到数据集；
[0031]S5：计算损失
[0032]根据数据集计算不同的loss损失项，根据损失函数，对超参进行调整以达到最优的识别模型。
[0033]作为本专利技术进一步的方案：步骤三中，多个监测点的设置是根据麦田的面积，按照系统抽样方法间隔200米布置一个监测点，每个监测点放置智能孢子捕捉仪，对大田环境进行24小时全天候监测。
[0034]作为本专利技术进一步的方案：监测点总数不少于三个。
[0035]作为本专利技术进一步的方案：步骤四中，根据病源点位置分布信息，对整个区域的小麦赤霉病情况做出判断和预警。
[0036]一种大田环境下早期小麦赤霉病监测预警系统,包括数据获取模块、模型构建模块、监测模块和识别模块；
[0037]数据获取，用于模块获取有标签数据的影像数据；
[0038]模型构建模块，用于对影像数据进行预处理，并对预处理后的影像数据进行特征波长提取，通过Mix Match的半监督学习方法构建小麦赤霉病影像识别模型；
[0039]监测模块，用于大田环境下，在多个监测点上设置智能孢子捕捉仪对赤霉病病菌孢子进行捕捉，当超过10％的监测点捕捉到赤霉病病菌孢子发出预警时，根据预警区域确定小麦赤霉病预警检测区
[0040]识别模块，用于无人机对小麦赤霉病预警检测区航拍，通过小麦赤霉病影像识别模型分析小麦影像特征，识别出患有小麦赤霉病的病株，并将识别的病源点位置分布信息导出。
[0041]本专利技术的有益效果：本专利技术将航拍影像的小麦特征波长与最优小麦特征波长结合得到小麦赤霉病敏感特征集，利用小麦赤霉病敏感特征集来构建小麦赤霉病识别模型，这不仅实现了直立角度下对小麦赤霉病严重度进行识别，还大大提高了小麦赤霉病严重度识别的精度，优于单独使用小波特征或原始光谱特征构建的模型精度，且评估出的染病麦穗的严重度更符合麦穗病变的实际病情。
附图说明
[0042]下面结合附图对本专利技术作进一步的说明。
[0043]图1是本专利技术流程图；
[0044]图2是本专利技术小麦赤霉病识别模型构建图；
[0045]图3是本专利技术小麦赤霉病识别模型构建图。
具体实施方式
[0046]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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。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它实施例，都属于本专利技术保护的范围。
[0047]请参阅图1
‑
图3所示，本专利技术为一种大田环境下早期小麦赤霉病监测预警方法，包括以下步骤：
[0048]步骤一：数据获取：通过无人机航拍影像，得到影像数据；
[0049]步骤二：野外样点采样：对获取影像数据的小麦地进行多点采样，且与步骤一获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大田环境下早期小麦赤霉病监测预警方法，其特征在于，包括以下步骤:步骤一：数据获取模块获取有标签数据的影像数据；步骤二：模型构建模块对影像数据进行预处理，并对预处理后的影像数据进行特征波长提取，通过MixMatch的半监督学习方法构建小麦赤霉病影像识别模型；步骤三：监测模块在大田环境下，在多个监测点上设置智能孢子捕捉仪对赤霉病病菌孢子进行捕捉，当超过10％的监测点捕捉到赤霉病病菌孢子发出预警时，根据预警区域确定小麦赤霉病预警检测区；步骤四：识别模块基于无人机对小麦赤霉病预警检测区航拍，通过小麦赤霉病影像识别模型分析小麦影像特征，识别出患有小麦赤霉病的病株，并将识别的病源点位置分布信息导出。2.根据权利要求1所述的一种大田环境下早期小麦赤霉病监测预警方法,其特征在于，步骤一中，有标签数据的影像数据的获取步骤为：W1：通过无人机航拍影像，得到影像数据；W2：对获取影像数据的小麦地进行野外多点采样，且保持与步骤一获取的影像数据的时间段一致，通过人工判断该样点的小麦是否患病；其中，将人工判断后的影像数据作为有标签数据，其他为无标签数据。3.根据权利要求2所述的一种大田环境下早期小麦赤霉病监测预警方法,其特征在于，W1中，影像数据包括人工采样点的小麦航拍影像数据和其他地区各时间段的影像数据。4.根据权利要求1所述的一种大田环境下早期小麦赤霉病监测预警方法,其特征在于，步骤二中，影像数据的预处理包括平滑处理、标准化处理和归一化处理。5.根据权利要求1所述的一种大田环境下早期小麦赤霉病监测预警方法,其特征在于，步骤二中，预处理后影像数据的特征波长提取方法为主成分分析法CA、独立成分分析ICA或线性判别分析LDA中的一种或多种。6.根据权利要求1所述的一种大田环境下早期小麦赤霉病监测预警方法,其特征在于，步骤二中，小麦赤霉病影像识别模型的构建包括以下步骤：S1：数据增广对有标签数...

【专利技术属性】
技术研发人员：董斌，朱剑桥，高祥，徐志立，张鹏，王亚芳，吴洁，惠倩，刘筱，许海锋，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：