基于深度学习的水稻氮素营养快速诊断系统及方法技术方案

本发明专利技术公开了基于深度学习的水稻氮素营养快速诊断系统，其包括：数据采集模块，所述数据采集模块用于采集待诊断水稻的图像数据，并将数据进行上传；中心服务器，所述中心服务器用于接收上传的数据并存储；氮素分析模块，所述氮素分析模块通过所述中心服务器进行深度学习训练；用于对待诊断水稻进行氮素营养状态诊断，生成氮素状态参数；用于生成氮素调整参数；用于对所述中心服务器进行优化；及系统对应的方法，本发明专利技术对水稻氮素营养进行快速诊断，根据诊断结果进行氮素调整，并对调整后的水稻进行追踪，基于调整反馈对水稻氮素营养状态的调整方案进行优化，并制定精确的氮素调整方案，对农业生产和生态环境保护有重要意义。对农业生产和生态环境保护有重要意义。对农业生产和生态环境保护有重要意义。

【技术实现步骤摘要】
基于深度学习的水稻氮素营养快速诊断系统及方法


[0001]本专利技术涉及农作物氮素应用
，尤其涉及基于深度学习的水稻氮素营养快速诊断系统及方法。

技术介绍

[0002]氮素是绿色植物光合作物的重要元素，自然状态下，土壤广泛存在氮素不足的现象。在农田中使用氮肥补充作物氮素营养，可显著提高作物光合效率。但当氮素施用超过一定量后，则出现一些负面效应，引起农业面源污染。诊断作物氮素营养状况，合理施用氮肥对农业生产和生态环境保护有重要意义。
[0003]现有技术在对相关数据进行获取后，需要人为进行较长时间进行诊断，并根据粗略文献记载及操作人员的经验对氮素进行调整，如何快速的诊断水稻的氮素营养状态，并制定精确的氮素调整方案，对农业生产和生态环境保护有重要意义。
[0004]近年来，由于无人机平台快速发展，可以及时的获取大量的遥感数据，研究人员应该成功的使用无人机携带多光谱传感器来估算作物叶面积指数、生物量和氮素情况。其原理是，利用作物(水稻)冠层光谱信息与叶绿素值具有较高的相关性，采集作物冠层光谱信息，并提出冠层光谱信息与植物当前的氮吸收量/需求量/追施氮肥量之间的算法关系，得到一个算法模型，以期在后续的工作中，根据采集到的冠层光谱信息得到水稻的含氮量，并且据此制定相应的施肥计划。但是通过算法模型获取相应的信息，存在因不同种类的(水稻)冠层光谱信息与叶绿素值的相关性不完全相同，当作物的种类特点发生变化后，无法准确的获知相应的信息。

技术实现思路

[0005]针对上述问题，本专利技术提供对水稻氮素进行快速诊断，并根据诊断结果提供氮素调整方案，基于水稻反馈信息不断优化氮素调整方案的基于深度学习的水稻氮素营养快速诊断系统及方法。
[0006]本专利技术具体如下：
[0007]基于深度学习的水稻氮素营养快速诊断系统，包括：
[0008]数据采集模块，所述数据采集模块用于采集待诊断水稻的图像数据和类别数据，并将数据进行上传；
[0009]中心服务器，所述中心服务器用于接收上传的图像数据并存储；
[0010]氮素分析模块，用于根据类别数据选择已训练完成的深度学习模型，然后根据图像数据对待诊断水稻进行氮素营养状态诊断，生成氮素状态参数和氮素调整参数；所述已训练完成的深度学习模型为水稻的图像数据和类别数据与氮素营养状态、氮素调整参数之间的映射关系。
[0011]本专利技术通过对水稻进行氮素营养状态相关的数据采集，获取水稻氮素营养状态，快速的诊断水稻的氮素营养状态，并制定氮素调整方案，对水稻进行调整后的氮素营养状
态追踪，不断优化中心服务器，通过大量调整案例，对氮素分析模块进行深度学习训练，制定精确的氮素调整方案。
[0012]本专利技术，通过深度学习的方式更新和匹配不同水稻类别的水稻图像与氮素状态参数、氮素调整参数之间的对应关系，对作物的类别发生变化后的深度学习模型(或者说自学习模型)进行优化，适应性更广，降低使用者的操作难度。
[0013]进一步的，还包括数据标定模块和边缘数据处理模块，所述数据标定模块用于根据预设信息发射固定强度的高光谱光线；边缘数据处理模块用于根据数据采集模块发送的高光谱光线的强度信息与预设值比较确定环境干扰强度信息，并且根据环境干扰强度信息对待诊断水稻的图像数据进行滤波；然后连续获取相同的待诊断水稻的图像数据并标记，并利用帧间差分法判断图像数据中的水稻是否因无人机旋翼气流出现剧烈扰动，若未出现则生成无人机高度下降信号；若出现，则生成无人机高度上升信号，然后再次采集标记的待诊断水稻的图像数据并与未标记的待诊断水稻的图像数据进行比对，若相同光谱强度相差超过阈值，则生成无人机高度下降信号，进行图像数据采集，数据采集模块还用于在采集待诊断水稻的图像数据的同时采集数据标定模块发出的高光谱光线；若相同光谱强度相差未超过阈值，则生成无人机移动信号，并连续采集不同的待诊断水稻的图像数据，数据采集模块还用于在采集待诊断水稻的图像数据的同时采集数据标定模块发出的高光谱光线。
[0014]在实际使用过程中，因水稻的图像信息是在自然环境下通过多光谱传感器采集的，相关的数据容易受到自然光照强度/色彩的影响，容易出现在复杂光照条件下对水稻的含氮量计算不准确的问题(即，受到环境光照影响，导致采集到的图像信息不准确)。
[0015]除此之外在根据水稻的图像信息分析含氮量的相关技术中，多采用单一的极高分辨率影像数据，原因在于具体种类的水稻的含氮量对某一范围值(350
‑
2500nm)的光谱吸收较为明显(参见《利用高光谱参数预测水稻氮素情况、色素含量和籽粒蛋白含量的研究》孙雪梅.浙江大学.2005)。但是如果仅分析水稻光谱特征，忽视了尺度效应(观测距离一致性)对氮素营养参数估测的影响，极易导致结果出现偏差(参见《水稻氮素营养相关指标成像高光谱监测方法研究》周凯.南京农业大学.2021)。在实际的农业生产过程中，水稻的图像信息目前主要通过无人机进行采集，除上述影响(光环境、尺度)外，在实际采集过程中，因稻田所处环境影响，依然会影响数据采集的准确性，如，临近公路或者当地扬尘、灰尘较为严重，会导致采集到的水稻的图像信息中，水稻的色彩出现偏移(采集到的光谱强度值出现问题)，即水稻的页面存在过量附着物影响后续诊断结果，即灰尘中含有有硫酸盐、硝酸盐、磷酸盐和铵盐甚至浮尘中还存在蛋白类物质(参见《雾霾天室内灰尘化学组成的红外光谱研究》孙英.2016)，这些灰尘的光谱的敏感性与水稻含氮量测量中的光谱存在交叉重叠，极易出现干扰。
[0016]针对上述情况，本方案中数据标定模块向外发生固定光强的高光谱光线，并且通过对数据采集模块采集后由边缘数据处理模块对采集到的高光谱光线的强度进行判断，可以简单的理解为进行一致性判断。这样的方式能够快速的确定水稻所处的光环境情况(光环境受到当地的时间、大气散射等因素的影响)，不对环境进行标定，极易导致结果的不准确性。
[0017]在通过确定环境干扰后，对采集到的水稻的图像数据进行滤波，能够降低环境干扰对水稻的图像数据的影响。然后是判断无人机在飞行过程中对水稻叶面是否存在影响。
通过无人机飞行过程中对的气流对水稻叶面施加外力，使得水稻叶面出现剧烈的扰动，这样的方式能够将水稻叶面上的灰层去除。并且对去除灰层后的水稻叶面的图像数据进行标记，然后升高无人机，能够更容易的对比灰尘清除前和清除后的情况。如果相差超过阈值，则表征水稻叶面附着较多的灰尘，其采集结果容易影响后续判断，因此需要无人机低空飞行，尽可能的去除灰尘后再进行采集；如果相差未超过阈值，则表征水稻叶面附作物较少，能够进行高空的叶面的图像数据采集。在存在干扰的情况保证图像数据采集的准确性，在无干扰的情况下保证图像数据采集的效率。
[0018]进一步的，所述数据采集模块对待诊断水稻的图像数据进行特征提取，生成颜色特征数据及形态特征数据并打包上传至中心服务器。
[0019]进一步的，所述中心服务器包括水稻氮素应用数据库，所述水稻氮素应用数据库预存有：颜色特征数据及形态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的水稻氮素营养快速诊断系统，其特征在于，包括：数据采集模块，所述数据采集模块用于采集待诊断水稻的图像数据，并将数据进行上传；中心服务器，所述中心服务器用于接收上传的图像数据并存储；氮素分析模块，用于根据已训练完成的深度学习模型和图像数据；对待诊断水稻进行氮素营养状态诊断，生成氮素状态参数和氮素调整参数；所述已训练完成的深度学习模型为水稻的图像数据与氮素营养状态、氮素调整参数。2.根据权利要求1所述的基于深度学习的水稻氮素营养快速诊断系统，其特征在于，还包括数据标定模块和边缘数据处理模块，所述数据标定模块用于根据预设信息发射固定强度的高光谱光线；边缘数据处理模块用于根据数据采集模块发送的高光谱光线的强度信息与预设值比较确定环境干扰强度信息，并且根据环境干扰强度信息对待诊断水稻的图像数据进行滤波；然后连续获取相同的待诊断水稻的图像数据并标记，并利用帧间差分法判断图像数据中的水稻是否因无人机旋翼气流出现剧烈扰动，若未出现则生成无人机高度下降信号；若出现，则生成无人机高度上升信号，然后再次采集标记的待诊断水稻的图像数据并与未标记的待诊断水稻的图像数据进行比对，若相同光谱强度相差超过阈值，则生成无人机高度下降信号，进行图像数据采集，数据采集模块还用于在采集待诊断水稻的图像数据的同时采集数据标定模块发出的高光谱光线；若相同...

【专利技术属性】
技术研发人员：吕斌，姚强，粟超，李波，
申请(专利权)人：重庆市农业科学院，
类型：发明
国别省市：