一种多品种蚕豆赤斑病病情人工智能评估方法技术

本发明专利技术提供一种多品种蚕豆赤斑病病情人工智能评估方法，包括遥感影像采集、光谱指数构建、赤斑病病情评估及赤斑病病情更新；其中，光谱指数构建包括图像预处理、单像元光谱指数计算及区域光谱指数计算。本申请方法基于单光谱的评估指数、对于蚕豆赤斑病病情情况进行评估分类，能够有效解决采用遥感监测技术用于丘陵山区的作物的病害监测精度有限、误差大、准确性低等问题，从而为蚕豆赤斑病抗性品种选育及丘陵山区破碎地块下多品种混种的蚕豆生产提供有效的技术支撑。提供有效的技术支撑。提供有效的技术支撑。

【技术实现步骤摘要】
一种多品种蚕豆赤斑病病情人工智能评估方法


[0001]本专利技术涉及病害监测
，具体涉及一种多品种蚕豆赤斑病病情人工智能评估方法。

技术介绍

[0002]蚕豆赤斑病由蚕豆葡萄孢和灰葡萄孢引起，主要侵害蚕豆的叶、茎、花和幼荚。蚕豆作为我国长江流域第二大春作物，因此蚕豆赤斑病在我国长江流域产区尤其普遍；蚕豆赤斑病易造成蚕豆的叶片、花器、幼荚及枝杆均发黑干枯、同时导致叶片大量脱落，病株及所在地块一片焦黑、如同火烧。目前，蚕豆赤斑病大多依靠人工鉴定，其准确性不高、费时费力，还存在时间滞后性；此外，人工鉴定无法从宏观尺度得到区域的发病情况，进而无法有效指导蚕豆的生产。
[0003]无人机遥感技术能够较好地定量反演农作物的单一品种的病害严重程度，然而，对于相同作物的不同品种，其需要构建不同的反演模型，模型数量多、运算量大，鲜有学者研究适用于不同品种作物病害遥感监测的单一模型。此外，以重庆为主的丘陵山区地貌，地块破碎、种植结构复杂，同类作物的相邻地块通常包含多个品种、不同品种的冠层结构存在细微差异，冠层尺度的光谱反射率不仅包含叶片理化参数信息，还包含叶面积指数(leaf area index，LAI)、叶倾角分布(leaf inclination angle distribution，LAD)等冠层结构信息，易严重影响遥感监测模型的精度。可见，采用遥感监测技术用于丘陵山区的作物的病害监测精度有限、误差大、准确性低，无法有效为蚕豆赤斑病抗性品种选育及丘陵山区破碎地块下多品种混种的蚕豆生产提供有效的技术支撑。
专利
技术实现思路

[0004]针对以上现有技术存在的问题，本专利技术的目的在于提供一种多品种蚕豆赤斑病病情人工智能评估方法，以解决上述现有技术中存在的问题，其能够满足单一光谱特征适用于不同品种的蚕豆赤斑病监测及病情评估，进而提供丘陵山区、破碎地块下多品种蚕豆品种选育、生产种植的技术支撑。
[0005]本专利技术的目的通过以下技术方案实现：
[0006]一种多品种蚕豆赤斑病病情人工智能评估方法，其特征在于：包括遥感影像采集、光谱指数构建、赤斑病病情评估及赤斑病病情更新；
[0007]所述遥感影像采集具体为：在蚕豆鼓粒期、不同等级的赤斑病充分爆发阶段，利用无人机遥感平台进行田间高光谱影像采集；
[0008]所述光谱指数构建包括图像预处理、单像元光谱指数计算及区域光谱指数计算；
[0009]所述赤斑病病情评估具体为：使用预先训练完成的赤斑病病情模型、计算上述光谱指数构建方法获得的光谱指数的赤斑病病情评级；
[0010]所述赤斑病病情评级具体为：通过人工统计方式，对蚕豆种植区域的赤斑病病情进行评级分类；
[0011]所述赤斑病病情更新具体为：在部署阶段，定期对模型预测的结果进行抽查，校验结果的正确性；当模型预测误差大于门限值时，更新模型训练集，重新训练模型。
[0012]作进一步优化，所述遥感影像采集中的无人机遥感平台由无人机与高光谱成像仪组成；无人机飞行高58～62m，飞行速度1.8～2.2m/s，旁向重叠60％，相机帧率为80。
[0013]作进一步优化，所述光谱指数构建中图像预处理具体为：对遥感影像采集获得的影响数据进行几何校正、辐射校正与光谱平滑处理；几何校正，主要是为消除原始图像上各地物的几何位置、形状、尺寸、方位等特征与参照系统表达不一致而引起的图像几何变形；辐射校正，主要针对遥感器本身的响应特征引起的辐射误差、因大气影响的辐射误差、以及因太阳辐射引起的辐射误差的消除过程；光谱平滑，采用平滑滤波器对遥感进行处理、去除数据中的噪声。
[0014]作进一步优化，所述光谱指数构建中单像元光谱指数计算具体为：根据预处理遥感影像中不同波段的光谱反射率，计算单像元光谱指数LSDI：
[0015][0016]式中：R
λA
表示波长在λ
A
处的光谱反射率；R
λB
表示波长在λ
B
处的光谱反射率。
[0017]优选的，所述λ
A
＝910nm，λ
B
＝780nm。
[0018]作进一步优化，所述光谱指数构建中区域光谱指数计算具体为：对于一个局部小区域，将区域内所有像元的平均反射光谱作为该区域的光谱，计算的区域光谱指数即为区域内所有像元的光谱指数的均值：
[0019][0020]式中：RLSDI表示区域光谱指数；LSDI
j
表示该区域内第j个像元的单像元光谱指数；共计p个像元。
[0021]作进一步优化，所述赤斑病病情评估中赤斑病病情模型选用支撑向量机模型，对于遥感图像和蚕豆种植区匹配的多个区域进行学习；所述赤斑病病情模型的输入为遥感图像的区域光谱指数，而其标签数据为其(即区域光谱指数)匹配的蚕豆种植区域的区域赤斑病病情评级。
[0022]优选的，所述遥感图像和蚕豆种植区匹配方法具体为：使用手持GPS和ENVI软件，找到遥感图像对应点的蚕豆种植区域中的位置，然后均以此为中心，划定相同范围的计算区域，分别计算区域光谱指数和区域赤斑病病情评级。
[0023]作进一步优化，所述赤斑病病情评估中人工统计方式具体为：
[0024]步骤S1、选取调查样方：对待评级的蚕豆种植区域，按照(l
·
l)m的正方形区域划分为调查样方，并随机抽取M个调查样方；
[0025]步骤S2、叶片病情评级：对样方内的叶片，按照叶片病斑面积占叶面积的百分数进行叶片等级划分，具体为：0级为无病斑，1级为0～1％(不包含0％)，2级为1～10％(不包含1％)，3级为10～20％(不包含10％)，4级为20～30％(不包含20％)，5级为30～45％(不包含30％)，6级为45～60％(不包含45％)，7级为60～80％(不包含60％)，8级为80～100％(不包含80％)；
[0026]步骤S3、单样方赤斑病病情等级评级：根据步骤S2中对叶片病情评级划分，计算单
样方赤斑病病情评级DI：
[0027][0028]式中：i表示单一叶片病情的等级值，即i＝0或1或2或3或4或5或6或7或8；f(i)表示叶片样本中病情等级值为i的叶片总数；n表示最高病情等级值(即n＝8)；
[0029]步骤S4、区域赤斑病病情等级评级：根据步骤S2中对叶片病情等级划分，计算包含多调查样方的区域赤斑病病情评级DIM：
[0030][0031]式中：f
j
(i)表示叶片在样本j中病情等级值是i的叶片总数。
[0032]作进一步优化，所述赤斑病病情更新中模型预测误差获得方式为：
[0033][0034]式中：Δ表示模型预测误差；DIM
i
表示第i次抽查人工统计的蚕豆赤斑病病情评级；表示第i次抽查人工统计对应的模型预测值。
[0035]本专利技术具有如下技术效果：
[0036]本申请主要基于单光谱的评估指数，对于蚕豆赤斑病病情情况进行评估分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多品种蚕豆赤斑病病情人工智能评估方法，其特征在于：包括遥感影像采集、光谱指数构建、赤斑病病情评估及赤斑病病情更新；所述遥感影像采集具体为：在蚕豆鼓粒期、不同等级的赤斑病充分爆发阶段，利用无人机遥感平台进行田间高光谱影像采集；所述光谱指数构建包括图像预处理、单像元光谱指数计算及区域光谱指数计算；所述赤斑病病情评估具体为：使用预先训练完成的赤斑病病情模型、计算上述光谱指数构建方法获得的光谱指数的赤斑病病情评级；所述赤斑病病情评级具体为：通过人工统计方式，对蚕豆种植区域的赤斑病病情进行评级分类；所述赤斑病病情更新具体为：在部署阶段，定期对模型预测的结果进行抽查，校验结果的正确性；当模型预测误差大于门限值时，更新模型训练集，重新训练模型。2.根据权利要求1所述的一种多品种蚕豆赤斑病病情人工智能评估方法，其特征在于：所述遥感影像采集中的无人机遥感平台由无人机与高光谱成像仪组成；无人机飞行高58～62m，飞行速度1.8～2.2m/s，旁向重叠60％，相机帧率为80。3.根据权利要求1或2所述的一种多品种蚕豆赤斑病病情人工智能评估方法，其特征在于：所述光谱指数构建中图像预处理具体为：对遥感影像采集获得的影响数据进行几何校正、辐射校正与光谱平滑处理。4.根据权利要求1～3任一项所述的一种多品种蚕豆赤斑病病情人工智能评估方法，其特征在于：所述光谱指数构建中单像元光谱指数计算具体为：根据预处理遥感影像中不同波段的光谱反射率，计算单像元光谱指数LSDI：式中：表示波长在λ
A
处的光谱反射率；表示波长在λ
B
处的光谱反射率。5.根据权利要求4所述的一种多品种蚕豆赤斑病病情人工智能评估方法，其特征在于：所述光谱指数构建中区域光谱指数计算具体为：对于一个局部小区域，将区域内所有像元的平均反射光谱作为该区域的光谱，计算的区域光谱指数即为区域内所有像元的光谱指数的均值：式中：RLSDI表示区域光谱指...

【专利技术属性】
技术研发人员：杜成章，黄祥，龙珏臣，夏先飞，刘伟，张继君，武云霞，张晓春，刘丽，
申请(专利权)人：农业农村部南京农业机械化研究所重庆市农业技术推广总站，
类型：发明
国别省市：