【技术实现步骤摘要】
本专利技术属于农作物产量预估，具体涉及一种新型水稻产量预估方法。
技术介绍
1、遥感和作物模型通常用于预测作物产量。开发了不同的作物模型，并且通常基于日常气候，土壤，遗传参数和农业管理实践。模型中建立的机制可用于在给定环境下模拟，执行和进行数百次甚至数千次实验，以确定如何最好地管理或控制系统。尽管这些基于过程的模型可以成功地用于预测农作物的产量，但模拟过程背后的机制仍不清楚，特别是在极端气候变化下模型的性能是不可接受的。此外，这些模型主要依靠输入数据的高分辨率，这相对难以获得。另外，统计方法也可用于产量预测，尽管它们也受到输入数据的数量和质量的限制，并可能产生很大的不确定性。传统的统计方法通常假定稻米产量与影响变量之间呈线性相关，无法准确反映非线性关系。
2、为了解决现有技术存在的不足，人们进行了长期的探索，提出了各式各样的解决方案。例如，中国专利文献公开了一种基于循环神经网络的水稻产量预测方法[202010323666.6]，其收集目标城市预设固定时间内的历史气象监测数据和水稻产量数据；再对历史气象监测数据进行预处理，包括对连续特征数据进行数据归一化处理，对离散特征数据进行独热编码等；然后使用循环神经网络lstm构建特征网络结构，并采用改进后的三层双向lstm建立水稻产量预测模型；最后通过水稻产量预测模型，得到下一年的水稻产量预测结果。
3、上述方案在一定程度上解决了水稻产量预测精度不足的问题，但是该方案依然存在着诸多不足，例如在极端气候变化下模型预测效果较差等问题。
技术实
1、本专利技术的目的是针对上述问题，提供一种设计合理，对于极端天气变化区域适应性良好的新型水稻产量预估方法。
2、为达到上述目的，本专利技术采用了下列技术方案：一种新型水稻产量预估方法，包括如下步骤：
3、s1：水稻图像数据采集；
4、s2：对图像数据进行预处理；
5、s3：对水稻表型特征进行提取；
6、s4：采用cgan网络训练预测模型；
7、s5：导入水稻数据进行结果预测。
8、在上述的一种新型水稻产量预估方法中，步骤s1包括如下步骤：
9、s11：利用无人机或卫星遥感采集区域图像以及视频，对影像截帧提取图像；
10、s12：采用人工方式对图像标定标签；
11、s13：生成图像集的视觉词汇表；
12、s14：采用vlad对图像集中的图像重新编码；
13、s15：将所有图像的vlad组合得到vlad表，建立时序图像数据库。
14、在上述的一种新型水稻产量预估方法中，步骤s11包括如下步骤：
15、s111：对区域图像进行裁剪保持图像大小一致；
16、s112：对图像进行旋转、颜色抖动以及翻转处理；
17、s113：利用hrnet网络对水稻种植区域与建筑区域进行分割处理。
18、在上述的一种新型水稻产量预估方法中，步骤s2包括如下步骤：
19、s21：读取数据库中水稻图像，调整图像至指定规格；
20、s22：将水稻图像转换为灰度图像并采用高斯模糊降噪处理；
21、s23：利用图像梯度提取水稻轮廓；
22、s24：利用水稻轮廓裁剪初始水稻图像区域，提取水稻平均颜色。
23、在上述的一种新型水稻产量预估方法中，步骤s24包括如下步骤：
24、s241：利用水稻轮廓裁剪初始水稻图像区域，提取背景图像；
25、s242：对背景图像进行灰度化处理，设定灰度阈值；
26、s243：将背景图像各像素点的灰度值与阈值比较，将土壤图像与干扰图像分割，提取土壤表面平均rgb值并统计每一灰度值的标准差。
27、在上述的一种新型水稻产量预估方法中，步骤s3包括如下步骤：
28、s31：采用harri s算子对水稻图像进行特征点提取；
29、s32：采用hausdorff距离对特征点进行匹配并去除多余点；
30、s33：在水稻图像中找到目标点，选定水稻表型特征所在区域。
31、在上述的一种新型水稻产量预估方法中，步骤s4包括如下步骤：
32、s41：导入数据集，确定数据集变量，样本数据包括水稻营养生长阶段和生殖生长阶段的宽带绿度、窄带绿度以及土壤的rgb值；
33、s42：将水稻样本数据a和随机噪声b输入至生成器网络g中，输出预测产量数据c；
34、s43：将真实产量数据c与预测产量数据c分别和当前水稻样本数据a一起输入到判别器网络d中，使判别器网络d对输入数据进行判别，输出该数据是真实的产量数据概率p；
35、s44：使用对数损失函数作为损失函数，通过生成器网络g和判别器网络d交替迭代训练，最终得到水稻产量预测模型。
36、在上述的一种新型水稻产量预估方法中，步骤s44采用pearson相关系数分别判断各样本数据与预测产量的相关强度，分别对各样本数据进行加权处理并调节其相对权重比例系数，返回步骤s42。
37、在上述的一种新型水稻产量预估方法中，步骤s5中水稻产量结果包括预测产量与实际产量的线性关系、预测产量的绝对误差和相对误差。
38、在上述的一种新型水稻产量预估方法中，步骤s5剔除异常预测产量，建立以时间轴为基准的水稻预测产量与各样本数据的正态分布图。
39、与现有的技术相比，本专利技术的优点在于：采用cgan网络进行模型训练，对于离散型数据具有较好的适应性，当用于极端天气频发区域的水稻产量检测时，通过随机抽样输入即可输出较为精确的产量预测模型；引入pearson相关系数对预测模型进行优化处理，进一步提高其拟合效果；建立时序图像数据库，方便后续插值处理。
本文档来自技高网...【技术保护点】
1.一种新型水稻产量预估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S1包括如下步骤：
3.根据权利要求2所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S11包括如下步骤：
4.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S2包括如下步骤：
5.根据权利要求4所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S24包括如下步骤：
6.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S3包括如下步骤：
7.根据权利要求6所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S4包括如下步骤：
8.根据权利要求7所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S44采用pearson相关系数分别判断各样本数据与预测产量的相关强度，分别对各样本数据进行加权处理并调节其相对权重比例系数，返回步骤S42。
9.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的
10.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的步骤S5剔除异常预测产量，建立以时间轴为基准的水稻预测产量与各样本数据的正态分布图。
...【技术特征摘要】
1.一种新型水稻产量预估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的步骤s1包括如下步骤：
3.根据权利要求2所述的一种新型水稻产量预估方法，其特征在于，所述的步骤s11包括如下步骤：
4.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的步骤s2包括如下步骤：
5.根据权利要求4所述的一种新型水稻产量预估方法，其特征在于，所述的步骤s24包括如下步骤：
6.根据权利要求1所述的一种新型水稻产量预估方法，其特征在于，所述的步骤s3包括如下步骤：
7.根据权利要求6所述的一种新...
【专利技术属性】
技术研发人员：孙黎明，王晓桢，陈佳利，王前红，姜云艳，
申请(专利权)人：浙江安厨大数据技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。