【技术实现步骤摘要】
本申请涉及农作物种植，具体涉及一种冬小麦冻灾面积提取方法。
技术介绍
1、冬小麦是一种温带长日照植物，适应范围较广，是主要的粮食作物，冻害是影响冬小麦正常生长的主要灾害，受灾后小麦生长缓慢甚至停止生长，及时监测到冬小麦冻灾信息，对保证粮食安全具有重要意义。
2、中国专利cn105580674b，公开了一种控制冬小麦倒春寒危害的技术。针对冬小麦倒春寒形成的机理，采用良种良法配套，预防应对和补救措施相结合，控制倒春寒冻害的形成，减少倒春寒的危害，包括选用抗倒春寒品种、采取预防措施、阻碍冷空气与现有较暖空气形成对流锋从而控制倒春寒冻害的形成、补救措施，增加分蘖数，提高分蘖的质量，弥补主茎损失。中国专利cn110309969b，公开了基于物联网和遥感反演的冬小麦晚霜冻害监测及产量预测方法，旨在解决不考虑冬小麦晚霜冻害影响，直接进行产量预测的技术问题。设计了基于物联网和遥感反演的冬小麦晚霜冻害监测方法和冬小麦产量预测模型的构建方法，提供了冬小麦产量预测方法。本专利技术能准确、精确地监测冬小麦晚霜冻害的发生，将极端气候量化，为灾害及时检测及灾后补救提供决策指导和建议，降低极端气候对冬小麦产量的影响，进一步完善产量估测模型，为产量预测提供一种物联网与遥感数据相融合的方法，为河南省冬小麦生产智能决策诊断提供新思路，为农业生产决策提供指导和建议，为小麦生产和市场交易提供数据支撑。
3、但是现有技术中一般重点在于如何预防冬小麦受灾或者如何提高冬小麦在冬季灾害下的产量，而对于冬小麦受灾面积无法确定。
1、本申请为了解决上述技术问题，提出了如下技术方案：
2、第一方面，本申请实施例提供了一种冬小麦冻灾面积提取方法，包括：
3、确定卷积神经网络的损失函数，所述损失函数用于优化衡量所述卷积神经网络预测值与真实值之间的差距；
4、通过确定损失函数后的卷积神经网络对获取的数据集进行分类确定其中的冬小麦区域；
5、对分类后的数据集进行优化确定受灾冬小麦区域的边缘以获取准确的冬小麦冻灾区域。
6、在一种可能的实现方式中，所述确定卷积神经网络的损失函数，包括：
7、确定降低错误标注影响的损失函数emeloss，所述emeloss包括改进交叉熵损失函数wceloss和特征质量数学期望mece；所述wceloss在计算损失时利用与位置有关的权重函数表达样本位置对误差的影响，mece用于表达样本特征的整体数学期望；公式如下：
8、
9、emeloss＝λ·diceloss+(1-λ)wceloss+mece；
10、其中，yi为模型的预测值，y′i为真实值标签,n为像素数，λ取0.5，ωi为像素i的权重参数。
11、在一种可能的实现方式中，wceloss通过样本的位置关系和像素数量来衡量错误标注的影响，wceloss的计算过程分为以下步骤：
12、对标记图以块的单位进行遍历，标记图的像素值为每一像素点的类别；
13、结合像素点间的空间相关性以及数量，以此评估样本错误标注的影响；
14、根据样本标注分布情况，通过权重参数设置控制错误标注对损失的影响；
15、将权重参数带入到损失函数计算中，计算真实值与预测值的误差。
16、在一种可能的实现方式中，所述对标记图以块的单位进行遍历，标记图的像素值为每一像素点的类别，包括：
17、首先以左上角的像素点为中心，选择5×5的像素块进行遍历；
18、若某一像素点不是5×5像素块的中心，则继续向右寻找下一像素点，看其是否是5×5像素块的中心，直至找到或已遍历所有数据；
19、若该块内其他像素点类别均与中心像素点相同，则继续向右寻找下一像素点进行块范围的判断；
20、若该块内存在其他像素点类别与中心像素点类别不同，则中心像素点存在标注错误，需进一步判断相邻像素的类别。
21、在一种可能的实现方式中，所述结合像素点间的空间相关性以及数量，以此评估样本错误标注的影响，包括：若5×5块内存在类别不同的像素点，则选择中心像素的八个邻接方向进一步判断，即3×3块内的其他像素点，按照从左到右、从上到下的顺序依次判断其他像素类别。
22、在一种可能的实现方式中，所述根据样本标注分布情况，通过权重参数设置控制错误标注对损失的影响，包括：
23、选择误差参数k的倒数作为权重参数使得损失函数的计算结果向标记错误概率小的像素点倾斜，其中权重参数：
24、ω＝1/k＝sumcentre/sumelse
25、ω为权重参数，k为误差参数，sumcentre为类别与中心像素点相同的像素点数目，sumelse为其他类别的像素点数目。
26、在一种可能的实现方式中，所述mece作为优化变量引入到损失函数计算中，在数学期望的优化下，增大不同种类特征值之间的区分度，同时提高同种类特征值之间的聚合度，通过对输入图像特征值之间的判断，提高对特征学习的准确度，最终达到一个低损失的状态，其中：
27、
28、dp＝|t2-t1|2
29、
30、其中，dp为类内聚合度，tn代表不同的特征，dm为类间区分度，la表示特征a的下界，ha表示特征的上界，wb表示特征值区间的大小。
31、在一种可能的实现方式中，所述对分类后的数据集进行优化确定受灾冬小麦区域的边缘以获取准确的冬小麦冻灾区域，包括：
32、在处理时，目标类别的类别号用x，以在打开图像中生成的边缘为基础；
33、找出边缘点，所谓边缘点就是在分类结果图中一个类别号为l的像素，其8个邻接点中，有一个不是x；
34、逐一处理边缘的每个边缘点，每个边缘点按四个方向生长：l(左)、r(右)、t(上)、b(底)四个方向进行生长。
35、在一种可能的实现方式中，所述逐一处理边缘的每个边缘点，每个边缘点按四个方向生长，包括：
36、对于每个边缘点ep先按水平方向生长，即先按l，再按r；
37、水平方向生长完成后，再得到新的边缘点，然后按垂直方向生长。
38、在一种可能的实现方式中，生长策略为：
39、如果生长方向上其邻接点为同一类型，则停止本次生长，继续处理下一个方向
40、按生长方向寻找，直到遇到下列情况之一的点ne：ne是边缘点，或者ne是同类点，或者图像边缘，或者ne与ep的颜色、纹理差异明显较大，超过指定的阈值；
41、将ep与ne间的点修改为ep的类别号x。
42、在本申请实施例中，首先确定出作为优化神经网络的损失函数，然后通过损失函数优化后的神经网络对冬小麦冻灾区域进行识别分类，然后对识别分类的结果进行优化，从而实现了冬小麦冻灾区域的精细化提取，进而可以准确的确定冻灾面积。
本文档来自技高网...【技术保护点】
1.一种冬小麦冻灾面积提取方法，其特征在于，包括：
2.根据权利要求1所述的冬小麦冻灾面积提取方法，其特征在于，所述确定卷积神经网络的损失函数，包括：
3.根据权利要求2所述的冬小麦冻灾面积提取方法，其特征在于，WCELoss通过样本的位置关系和像素数量来衡量错误标注的影响，WCELoss的计算过程分为以下步骤：
4.根据权利要求3所述的冬小麦冻灾面积提取方法，其特征在于，所述对标记图以块的单位进行遍历，标记图的像素值为每一像素点的类别，包括：
5.根据权利要求3或4所述的冬小麦冻灾面积提取方法，其特征在于，所述结合像素点间的空间相关性以及数量，以此评估样本错误标注的影响，包括：若5×5块内存在类别不同的像素点，则选择中心像素的八个邻接方向进一步判断，即3×3块内的其他像素点，按照从左到右、从上到下的顺序依次判断其他像素类别。
6.根据权利要求5所述的冬小麦冻灾面积提取方法，其特征在于，所述根据样本标注分布情况，通过权重参数设置控制错误标注对损失的影响，包括：
7.根据权利要求2所述的冬小麦冻灾面积提取方法，
8.根据权利要求1所述的冬小麦冻灾面积提取方法，其特征在于，所述对分类后的数据集进行优化确定受灾冬小麦区域的边缘以获取准确的冬小麦冻灾区域，包括：
9.根据权利要求8所述的冬小麦冻灾面积提取方法，其特征在于，所述逐一处理边缘的每个边缘点，每个边缘点按四个方向生长，包括：
10.根据权利要求9所述的冬小麦冻灾面积提取方法，其特征在于，生长策略为：
...【技术特征摘要】
1.一种冬小麦冻灾面积提取方法，其特征在于，包括：
2.根据权利要求1所述的冬小麦冻灾面积提取方法，其特征在于，所述确定卷积神经网络的损失函数，包括：
3.根据权利要求2所述的冬小麦冻灾面积提取方法，其特征在于，wceloss通过样本的位置关系和像素数量来衡量错误标注的影响，wceloss的计算过程分为以下步骤：
4.根据权利要求3所述的冬小麦冻灾面积提取方法，其特征在于，所述对标记图以块的单位进行遍历，标记图的像素值为每一像素点的类别，包括：
5.根据权利要求3或4所述的冬小麦冻灾面积提取方法，其特征在于，所述结合像素点间的空间相关性以及数量，以此评估样本错误标注的影响，包括：若5×5块内存在类别不同的像素点，则选择中心像素的八个邻接方向进一步判断，即3×3块内的其他像素点，按照从左到右、从上到下的顺序依次判断其他像素类别。
6.根据...
【专利技术属性】
技术研发人员：张景涵，伊立冉，杨晓霞，张宁，
申请(专利权)人：山东农业大学，
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。