基于人工智能的成熟期水稻和小麦的单产预估方法技术

本发明专利技术公开了一种基于人工智能的成熟期水稻和小麦的单产预估方法，包括以下步骤：S1，预设人工智能模型搭建与训练；S2，需要预测单产的目标农作物图像采集；S3，目标农作物类别信息和特征信息提取；S4，目标农作物单产预估；S5，预估结果优化。本发明专利技术不但改变了人工调查导致对产量判断不一致、统计调查效率低、估产结果标准不统一的问题，跟目前已经利用信息化技术的估产方法相比，还具有可操作性强、采集效率高、精度高、预估准确性高、标准统一。同时还保证调查数据科学性，提升单产调查的数据质量，实现数据的存档与留痕；为发展精准农业提供有效手段，在国家粮食安全和粮食宏观调控等方面提供强有力的数据支撑。方面提供强有力的数据支撑。方面提供强有力的数据支撑。

【技术实现步骤摘要】
基于人工智能的成熟期水稻和小麦的单产预估方法


[0001]本专利技术涉及农作物估产
，尤其涉及一种基于人工智能的成熟期水稻和小麦的单产预估方法。

技术介绍

[0002]在农业
，传统的单位面积产量调查主要通过调查员目视判断进行，该方法主要存在以下问题：首先，调查人员经验的差异导致对产量的判断不一致，估产结果标准不统一；其次，产量受生长过程的影响，在传统的踏田估产过程中，并未结合历史、气候等数据，使估产数据缺乏科学性；另外，预产估产工作难留痕、难追溯，对基层工作难以进行过程管理。第三次农业普查以来，遥感、人工智能等新一代的信息化技术在面积调查方面得到了广泛的应用、取得了很好的效果，也开始逐步应用于农作物估产领域，目前已经出现一些利用信息化技术进行农作物估产的方法，但是普遍存在与实际产量相比预估误差大、精度低、方法可操作性差等方面的问题，因此如何科学、有效、精确的实现对农作物的单产预估是本领域待解决的技术问题。水稻和小麦都属于大田作物，抽穗均是开始成熟的重要特征，可以用相同的方法进行单产预估。

技术实现思路

[0003]本专利技术解决现有技术统计调查效率低、精度低、预估准确性低、标准不统一、方法可操作性差的问题，提出一种基于人工智能的成熟期水稻和小麦的单产预估方法，能提高采集效率和采集精度、提高预估准确性、标准统一、可操作性强。本专利技术是通过以下技术方案实现的：本专利技术提出一种基于人工智能的成熟期水稻和小麦的单产预估方法，所述方法包括以下步骤：一种基于人工智能的成熟期水稻和小麦的单产预估方法，包括以下步骤：S1，预设人工智能模型搭建与训练：S11，目标农作物图像采集：所述目标农作物为成熟期水稻或小麦，选定目标农作物地块（地球表面有统一权属主和统一土地利用类别的完整封闭的土地），选取目标农作物地块的目标点位，根据设定的采集标准采集大量目标农作物图像；所述设定的采集标准包括对类别信息、特征信息和拍摄信息的统一要求，所述类别信息包括水稻和小麦，所述特征信息包括目标农作物穗部的各种特征，比如不同图像大小对应的穗数、种植面积，所述拍摄信息包括拍摄的方式、拍摄数量和拍摄的范围；S12，制作标准数据集：利用采集的大量目标农作物图像使用Labelimg软件标注目标农作物的穗，所述标注是指点击鼠标左键从每株穗左上角至右下角勾画出一个矩形包围框，输入“水稻”或“小麦”表示此矩形框中对象类别，矩形包围框的坐标和类别信息均被自动记录到一个唯一对应的XML文件中，得到原始标注数据集，并对原始标注数据集进行数据增强处理生成标准数据集；
S13，搭建预设人工智能模型：针对标准数据集，划定模型训练集，设置模型训练超参数，进行模型训练；所述模型训练集通过SSD算法的三个部分来提取低尺度（指浅层的、简单的）的特征映射图、高尺度（指深层的、复杂的）的特征映射图和预测映射图（指人工智能模型输出的预测图）每个点的矩形框信息和类别信息；S2，需要预测单产的目标农作物图像采集：根据S1步预设人工智能模型设定的采集标准进行目标农作物图像采集，得到验证集图像；S3，目标农作物类别信息和特征信息提取：将S2采集的图像使用S1步获得的预设人工智能模型提取目标农作物类别信息和特征信息；S4，目标农作物单产预估：根据提取的目标农作物的类别信息和特征信息获得采集的目标农作物每张图像的穗数，结合图像采集时所对应的实际种植面积，进行亩穗数推算，亩穗数推算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，n为采集的目标农作物图像的张数，单位：张；N为采集的每张图像中穗的数量，单位：株；S为采集的每张图像所对应的实际种植面积大小，单位：平方米；15、10000为单位换算系数；计算目标农作物预估单产值，目标农作物预估单产值计算公式为：预估单产值=a
×
亩穗数
×
穗粒数
×
千粒重
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，穗粒数指每穗所含粒数，千粒重是指一千粒目标农作物总重，穗粒数与千粒重根据历年经验值获得；a为调节系数，设置为0.85；S5，预估结果优化：获取目标农作物的实际单位面积产量，对比预估单产值和实际单产值并计算误差率，误差率的计算公式为：误差率=|预估单产值
‑
实测单产值|/实测单产值*100%
ꢀꢀꢀꢀ
（3）判决误差率是否在预设的误差率范围之内，若不在预设的误差率范围之内，则返回S1，调整预设人工智能模型训练过程参数，并重复执行S2至S5，直至误差率满足预设的误差率阈值范围，得到目标农作物的单产预估结果。
[0004]S11步骤中，所述拍摄范围包括选取目标点位，具体为在每个地块根据目标农作物长势情况选取至少5个点位，所述拍摄数量为每个目标点位至少采集5张图像，所述拍摄方式为使采集设备保持水平，摄像头面朝向目标农作物冠层，保持固定统一的高度和广度进行图像采集。
[0005]S12步骤中，所述标准数据集还包括网络搜集的目标农作物穗标注数据集和历史采集图像制作的标注数据集，或对网络搜集的农作物穗的图像进行手动标注制作更大的数据集。
[0006]对S12标注后的原始数据集进行数据增强处理，所述数据增强处理通过几何变换、对比度变换、噪声注入等方式组合完成。
[0007]所述几何变换是指设置水平翻转、垂直翻转、旋转变换三种方式，所述旋转变换中，设置轻微旋转，可将旋转角度设置为25
°
。所述对比度变换为在HSV颜色空间下，保持色度分量（H）不变，对每个像素的明度分量（V）和饱和度分量（S）进行指数运算，改变光照强
度；优选的，可将指数因子设置为2.25。所述噪声注入为对拍摄的样本图像人工添加随机噪声生成新的图像，包括椒盐噪声和高斯噪声两种；设置三组噪声注入方案：偏移量为0.15和标准差为0.25的高斯噪声、偏移量为0.45和标准差为0.65的高斯噪声、偏移量为0.85和标准差为0.65的高斯噪声。
[0008]S13步骤中，低尺度的特征映射图由三部分中的基础网络部分提取，高尺度的特征映射图是由辅助卷积层在基础网络后增加的4个卷积层提取，预测卷积层预测特征映射图每个点的矩形框信息和所属类别信息，共生成6个不同尺度的特征图。
[0009]S13步骤中，SSD基础网络上增加特征金字塔网络（Feature Pyramid Network，FPN）、卷积块注意力模块（Convolutional Block Attention Module，CBAM）两个模块，并使用Focal loss替换原始算法中的损失函数，具体地，FPN将浅层特征信息与深层特征信息进行融合，CBAM聚焦图像的重要特征，抑制不必要的区域响应，Focal loss是一种处理样本分类不平衡的损失函数。
[0010]S13中所述模型训练前通过迁移学习方法进行人工智能模型的预训练，预训练完成后根据标准数据集进行模型微调，直至人工智能模型训练完成，所述通过迁移学习方法进行人工智能模型的预训练的过程具体为选择网络上公开的各种数据集作为预训练数据集，通过随机初始化模型参数开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，所述方法包括以下步骤：S1，预设人工智能模型搭建与训练：S11，目标农作物图像采集：所述目标农作物为成熟期水稻或小麦，选定目标农作物地块，选取目标农作物地块的目标点位，根据设定的采集标准采集大量目标农作物图像；所述设定的采集标准包括对类别信息、特征信息和拍摄信息的统一要求，所述类别信息包括水稻和小麦，所述特征信息包括目标农作物穗部的各种特征，所述拍摄信息包括拍摄的方式、拍摄数量和拍摄的范围；S12，制作标准数据集：利用采集的大量目标农作物图像使用Labelimg软件标注目标农作物的穗，所述标注是指点击鼠标左键从每株穗左上角至右下角勾画出一个矩形包围框，输入“水稻”或“小麦”表示此矩形框中对象类别，矩形包围框的坐标和类别信息均被自动记录到一个唯一对应的XML文件中，得到原始标注数据集，并对原始标注数据集进行数据增强处理生成标准数据集；S13，搭建预设人工智能模型：针对标准数据集，划定模型训练集，设置模型训练超参数，进行模型训练；所述模型训练集通过SSD算法的三个部分来提取低尺度的特征映射图、高尺度的特征映射图和预测映射图每个点的矩形框信息和类别信息；S2，需要预测单产的目标农作物图像采集：根据S1步预设人工智能模型设定的采集标准进行目标农作物图像采集，得到验证集图像；S3，目标农作物类别信息和特征信息提取：将S2采集的图像使用S1步获得的预设人工智能模型提取目标农作物类别信息和特征信息；S4，目标农作物单产预估：根据提取的目标农作物的类别信息和特征信息获得采集的目标农作物每张图像的穗数，结合图像采集时所对应的实际种植面积，进行亩穗数推算，亩穗数推算公式为：（1）式中，n为采集的目标农作物图像的张数，单位：张；N为采集的每张图像中穗的数量，单位：株；S为采集的每张图像所对应的实际种植面积大小，单位：平方米；计算目标农作物预估单产值，目标农作物预估单产值计算公式为：预估单产值=a
×
亩穗数
×
穗粒数
×
千粒重
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，穗粒数指每穗所含粒数，千粒重是指一千粒目标农作物总重，穗粒数与千粒重根据历年经验值获得；a为调节系数，设置为0.85；S5，预估结果优化：获取目标农作物的实际单位面积产量，对比预估单产值和实际单产值并计算误差率，误差率的计算公式为：误差率=|预估单产值
‑
实测单产值|/实测单产值*100%
ꢀꢀꢀꢀ
（3）判决误差率是否在预设的误差率范围之内，若不在预设的误差率范围之内，则返回S1，调整预设人工智能模型训练过程参数，并重复执行S2至S5，直至误差率满足预设的误差率阈值范围，得到目标农作物的单产预估结果。2.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其
特征在于，S11所述拍摄范围包括选取目标点位，具体为在每个地块根据目标农作物长势情况选取至少5个点位，所述拍摄数量为每个目标点位至少采集5张图像，所述拍摄方式为使采集设备保持水平，摄像头面朝向目标农作物冠层，保持固定统一的高度和广度进行图像采集。3.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，S12所述标准数据集还包括网络搜集的目标农作物穗标注数据集和历史采集图像制作的标注数据集，或对网络搜集的农作物穗的图像进行手动标注制作的更大的数据集。4.根据权利要求1所述的一种基于人工智能的成熟期水稻和小麦的单产预估方法，其特征在于，对S12标注后的原始数据集进行数据增强处理，所述数据增强处理通过几何变换、对比度变换、噪声注入等方式组合完成。5.根...

【专利技术属性】
技术研发人员：孙冠楠，郭兆璐，唐悦，张萃，董利荣，张茜蕾，
申请(专利权)人：北京茗禾科技有限公司，
类型：发明
国别省市：