用于确定作物生育期的方法技术

本申请实施例提供一种用于确定作物生育期的方法

【技术实现步骤摘要】
用于确定作物生育期的方法、存储介质及处理器


[0001]本申请涉及农业
，具体涉及一种用于确定作物生育期的方法
、
作物生育期识别装置
、
作物生育期识别系统
、
存储介质及处理器
。

技术介绍

[0002]水稻是我国三大主要粮食作物之一，其产量和质量在我国一直备受重视
。
为了保持和提高稻米的产量和品质，必须利用来自稻田的信息对水稻生育期进行准确的监测识别和分析
。
水稻的整个生育期包括移栽期
、
返青期
、
分蘖期
、
拔节期
、
孕穗期
、
抽穗期
、
乳熟期以及成熟期
。
水稻生育期是重要的农业信息，识别关键生育期对水稻田间生产和管理起着重要的作用，也是监测水稻长势和进行水稻产量分析的重要依据
。
目前的作物生育期预测方法主要包括人工观测和神经网络预测，而传统的人工观测水稻生育期方式难以满足农业现代化发展的需求，迫切需要对自动识别水稻发育期的方法进行研究，以减少劳动成本，提高观测准确性和实时性
。
而现有的神经网络预测方法基于神经网络结构的特点，需将输入的图片进行统一的尺寸裁剪，而往往输入的图片数据数量巨大，裁剪需要耗费大量的时间，造成识别效率低
。
且神经网络模型参数多，需要大量的数据进行训练，并反复调参，不仅耗时长且难以提升识别的准确率
。
>
技术实现思路

[0003]本申请实施例的目的是提供一种用于确定作物生育期的方法
、
作物生育期识别装置
、
作物生育期识别系统
、
存储介质及处理器
。
[0004]为了实现上述目的，本申请第一方面提供一种用于确定作物生育期的方法，包括：
[0005]获取农业区域内的作物在预设时间段内不同角度的作物图像；
[0006]将获取到的多个作物图像合并成作物图像数据集，并对作物图像数据集进行预处理；
[0007]将经过预处理后的作物图像数据集输入至多分类模型中，以通过多分类模型输出作物的预测生育期，其中，多分类模型是以卷积神经网络模型架构为基本模型架构构建的，多分类模型包括依次连接的输入模块
、
中间模块以及输出模块，输入模块包括焦点结构，中间模块采用无参数注意力机制，输出模块包括全卷积网络
。
[0008]在本申请的实施例中，方法还包括多分类模型的训练步骤，训练步骤包括：在作物处于多个历史生育期时，获取农业区域在每个历史生育期内的不同角度的历史区域图像，历史区域图像包括种植作物区域的图像和未种植作物区域的图像；将获取到的多个历史区域图像划分为多个历史区域图像数据集，并为每个历史区域图像数据集添加样本标签，样本标签包括正样本标签和负样本标签，正样本标签用于标定种植作物区域的图像，负样本标签用于标定未种植作物区域的图像；对全部的历史区域图像数据集进行预处理，并将全部的历史区域图像数据集划分为训练集
、
验证集以及测试集；以卷积神经网络模型为基本模型，以及根据归一化损失函数
、
中心损失函数构建待训练的多分类模型；通过训练集对待
训练的多分类模型进行预训练，通过测试集对多分类模型进行测试，通过验证集对多分类模型进行验证并调参；针对验证集中的任意一个历史区域图像，在历史区域图像的损失值与上一个历史区域图像的损失值之间的偏差值符合预设条件的情况下，确定得到训练完成的分类模型
。
[0009]在本申请的实施例中，方法还包括：根据归一化损失函数和中心损失函数确定多分类模型的损失函数表达式
。
[0010]在本申请的实施例中，损失函数表达式如公式
(1)
所示：
[0011][0012]其中，
L
是指损失函数，
L
s
是指归一化损失函数，
L
c
是指中心损失函数，
x
i
是指倒数第2个卷积层输出的特征向量，
w
和
b
分别是指最后一个卷积层的权重和偏置，
m
是指单组样本数据的大小，
n
是指发育期的类别个数，
log
函数的输入为损失函数的结果，
wx+b
是指全卷积层的输出，
C
yi
是指样本
i
所对应的类别的所有样本特征的平均特征，或者说同类样本特征的中心点，
λ
为常数
。
[0013]在本申请的实施例中，输入模块还包括与焦点结构连接的普通卷积网络，以及与普通卷积网络连接的自适应可分离卷积网络
。
[0014]在本申请的实施例中，中间模块包括第一子模块
、
第二子模块
、
第三子模块以及第四子模块，第一子模块
、
第二子模块
、
第三子模块以及第四子模块分别包括多个依次连接的深度可分离卷积网络和深度可分离卷积块，其中，无参数注意力机制应用于深度可分离卷积网络和深度可分离卷积块之间
。
[0015]在本申请的实施例中，通过多分类模型输出作物的预测生育期包括：输出与作物图像数据集对应的多个多维生育期概率矩阵；针对任意一个多维生育期概率矩阵，通过软投票法确定各生育期概率的平均值；将各生育期概率的平均值中最大平均值对应的生育期输出为作物的预测生育期
。
[0016]本申请第二方面提供一种处理器，被配置成执行上述的用于确定作物生育期的方法
。
[0017]本申请第三方面提供一种作物生育期识别装置，包括：
[0018]图像获取模块，用于获取农业区域内的作物在预设时间段内不同角度的作物图像；
[0019]图像处理模块，用于将获取到的多个作物图像合并成作物图像数据集，并对作物图像数据集进行预处理；
[0020]预测模块，用于将经过预处理后的作物图像数据集输入至多分类模型中，以通过多分类模型输出作物的预测生育期，其中，多分类模型是以卷积神经网络模型架构为基本模型架构构建的，多分类模型包括依次连接的输入模块
、
中间模块以及输出模块，输入模块包括焦点结构，中间模块采用无参数注意力机制，输出模块包括全卷积网络
。
[0021]本申请第四方面提供一种作物生育期识别系统，包括作物生育期识别装置
。
[0022]本申请第五方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于确定作物生育期的
方法
。
[0023]通过上述技术方案，有效提高了作物生育期的识别效率和识别结果的准确性
。
通过获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于确定作物生育期的方法，其特征在于，所述方法包括：获取农业区域内的作物在预设时间段内不同角度的作物图像；将获取到的多个作物图像合并成作物图像数据集，并对所述作物图像数据集进行预处理；将经过预处理后的所述作物图像数据集输入至多分类模型中，以通过所述多分类模型输出所述作物的预测生育期，其中，所述多分类模型是以卷积神经网络模型架构为基本模型架构构建的，所述多分类模型包括依次连接的输入模块
、
中间模块以及输出模块，所述输入模块包括焦点结构，所述中间模块采用无参数注意力机制，所述输出模块包括全卷积网络
。2.
根据权利要求1所述的用于确定作物生育期的方法，其特征在于，所述方法还包括所述多分类模型的训练步骤，所述训练步骤包括：在作物处于多个历史生育期时，获取农业区域在每个历史生育期内的不同角度的历史区域图像，所述历史区域图像包括种植作物区域的图像和未种植作物区域的图像；将获取到的多个历史区域图像划分为多个历史区域图像数据集，并为每个历史区域图像数据集添加样本标签，所述样本标签包括正样本标签和负样本标签，所述正样本标签用于标定所述种植作物区域的图像，所述负样本标签用于标定所述未种植作物区域的图像；对全部的历史区域图像数据集进行预处理，并将全部的历史区域图像数据集划分为训练集
、
验证集以及测试集；以卷积神经网络模型为基本模型，以及根据归一化损失函数
、
中心损失函数构建待训练的多分类模型；通过所述训练集对所述待训练的多分类模型进行预训练，通过所述测试集对所述多分类模型进行测试，通过所述验证集对所述多分类模型进行验证并调参；针对所述验证集中的任意一个历史区域图像，在所述历史区域图像的损失值与上一个历史区域图像的损失值之间的偏差值符合预设条件的情况下，确定得到训练完成的分类模型
。3.
根据权利要求2所述的用于确定作物生育期的方法，其特征在于，所述方法还包括：根据所述归一化损失函数和所述中心损失函数确定所述多分类模型的损失函数表达式
。4.
根据权利要求3所述的用于确定作物生育期的方法，其特征在于，所述损失函数表达式如公式
(1)
所示：其中，
L
是指所述损失函数，
L
s
是指所述归一化损失函数，
L
c
是指所述中心损失函数，
x
i
是指倒数第2个卷积层输出的特征向量，
w
和
b
分别是指最后一个卷积层的权重和偏置，
m
是指单组样本数据的大小，
n
是指发育期的...

【专利技术属性】
技术研发人员：曾平平，孙亚洲，籍延宝，宋扬，马斌，郭柏成，
申请(专利权)人：中联智慧农业股份有限公司，
类型：发明
国别省市：