【技术实现步骤摘要】
本专利技术涉及智能农业及农业信息化，特别涉及一种基于农作物叶绿素遥感反演领域。
技术介绍
1、随着光谱探测技术的发展，低空无人机高光谱遥感成为作物理化参数评估的重要手段。搭载高光谱成像设备的无人机可快速、高效地获取小麦地块的高光谱图像，进一步综合分析无人机高光谱图像的空间和光谱信息，并基于传统的机器学习方法或深度学习方法构建相应的小麦叶绿素反演模型，以实现快速无损地估算小麦叶绿素含量。传统的机器学习通常先筛选特征波段，再基于特征波段建立回归模型，其泛化性差，主要应用于小规模数据集。而深度学习是一个黑盒子，网络模型更为复杂，泛化性和精度更高，但需要大规模数据集，构建数据集的时间、人力、经济成本很高。
2、目前，叶绿素遥感反演方法可归纳为传统的机器学习方法和深度学习方法。
3、基于传统机器学习的叶绿素反演方法：构建小规模高光谱数据集，先筛选小麦高光谱图像的特征波段或构建光谱指数，选择更合理的光谱波段以实现更好的性能，再基于特征波段建立回归模型，该方法关键在于图像特征提取。
4、基于深度学习的叶绿素反演方法：测量多个小麦采样区块的叶绿素含量，构建较大规模数据集，设计深度学习网络模型，并有监督训练深度学习模型。此方法需要大量的标注数据。
5、当前，小麦叶绿素反演面临的主要问题可归纳为：
6、基于传统机器学习模型反演精度低、泛化能力弱，随着数据集的增大，处理过程非常复杂，预测模型的性能很大程度上依赖数据集的处理，在训练该模型的数据集上有效但在其他数据集上可能无效。
7
8、有监督的深度学习需要更大的标注数据集，叶绿素测量及数据标注的时间、人力、经济成本高，得到大量的有标注数据是很困难的。
技术实现思路
1、为了解决有监督的深度学习需要更大的标注数据集，且叶绿素测量及数据标注的时间、人力、经济成本高的问题，本专利技术公开一种基于transformer模型的农作物叶绿素遥感反演方法，包括以下步骤：
2、采集田间农作物的高光谱数据并对所述农作物进行采样测量，得到农作物高光谱数据和多个采样点农作物叶绿素含量；
3、根据所述农作物高光谱数据和采样点农作物叶绿素含量构建数据集，得到有标注数据集和未标注数据集；
4、根据所述农作物高光谱数据构建transformer模型；
5、使用所述有标注数据集和未标注数据集对所述transformer模型进行基于伪标签的半监督训练，得到训练后模型；
6、使用所述训练后模型进行农作物叶绿素反演。
7、在本专利技术所述方法的一实施例中，对所述农作物进行采样测量的步骤进一步包括：
8、根据一采样数量随机选择健康的所述农作物冠层叶片；
9、测量所述冠层叶片的叶绿素；
10、对采样的所述冠层叶片的叶绿素取平均值作为采样点叶绿素含量值。
11、在本专利技术所述方法的一实施例中，所述构建数据集步骤进一步包括：
12、制作有标注数据集；
13、制作未标注数据集。
14、在本专利技术所述方法的一实施例中，所述制作有标注数据集的步骤进一步包括：
15、以所述采样点为中心，根据一剪裁尺寸在所述农作物高光谱数据上裁剪，得到多个第一感兴趣区域；
16、使用所述采样点农作物叶绿素含量对所述多个第一感兴趣区域进行叶绿素标签标注，得到有标注数据集xl＝{x1,x2,x3,....,xn}和有标注标签y＝{y1,y2,y3,....,yn}，其中n为采样点个数。
17、在本专利技术所述方法的一实施例中，所述制作未标注数据集的步骤进一步包括：
18、对所述制作有标注数据集步骤中剪裁后的农作物高光谱数据，以所述剪裁尺寸进行剪裁，得到多个第二感兴趣区域和未标注数据集其中m为未标注图像个数，所述第一感兴趣区域和第二感兴趣区域不重叠。
19、在本专利技术所述方法的一实施例中，所述根据所述农作物高光谱数据构建transformer模型的步骤进一步包括：
20、构建embedding层，用于对所述农作物高光谱数据进行处理得到完整光谱补丁序列；
21、构建transformer编码器，用于将所述完整光谱补丁序列输入所述transformer编码器进行处理，得到具有全局光谱特征的回归头；
22、构建线性层head，用于将所述具有全局光谱特征的回归头输入所述线性层head，得到预测的叶绿素含量值。
23、在本专利技术所述方法的一实施例中，所述对所述农作物高光谱数据进行处理得到完整光谱补丁序列步骤进一步包括：
24、对所述农作物高光谱数据进行剪裁得到多个高光谱图像块，其中所述高光谱图像块尺寸为c*s*s，c为通道数；
25、对所述多个高光谱图像块进行深度可分离卷积得到第一光谱补丁序列b＝{b1,b2,b3,…,bm}；
26、对所述第一光谱补丁序列加入位置编码p＝{p1,p2,p3,…,pm}，得到第二光谱补丁序列z＝{z1,z2,z3,…,zm}，其中zi＝bi+pi，i＝1,2,…,m；
27、对所述第二光谱补丁序列加入与所述第二光谱补丁序列相同长度的回归头z0，得到完整光谱补丁序列z＝{z0,z1,z2,z3,…,zm}。
28、在本专利技术所述方法的一实施例中，所述对所述多个高光谱图像块进行深度可分离卷积步骤进一步包括：
29、对所述多个高光谱图像块进行二维卷积，将所述高光谱图像块的尺寸压缩为c*1*1；
30、对二维卷积后的高光谱图像块进行张量升维unsqueeze操作，用于增加一个维度进行三维卷积操作；
31、对张量升维后的高光谱图像块进行三维卷积；
32、对三维卷积后的高光谱图像块进行张量降维squeeze和张量形状变换reshape操作，得到的高光谱图像块的尺寸为m*d，其中补丁个数m＝c/3，每个补丁形状尺寸为1，d。
33、在本专利技术所述方法的一实施例中，所述将所述光谱补丁序列输入transformer编码器进行处理步骤进一步包括：
34、利用多头自注意力机制对所述光谱补丁序列进行特征转化和抽象语义学习，得到具有全局光谱特征的回归头。
35、在本专利技术所述方法的一实施例中，所述使用所述有标注数据集和未标注数据集对所述transformer模型进行基于伪标签的半监督训练步骤进一步包括：
36、使用所述有标注数据集xl＝{x1,x2,x3,....,xn}和有标注标签y＝{y1,y2,y3,....,yn}对所述transformer模型进行有监督训练，得到第一训练模型；
37、使用未标注数据集输入所述第一训练模型，得到伪标签
38、使用所述有标注标签y本文档来自技高网...
【技术保护点】
1.一种基于Transformer模型的农作物叶绿素遥感反演方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，对所述农作物进行采样测量的步骤进一步包括：
3.如权利要求1所述的方法，其特征在于，所述构建数据集步骤进一步包括：
4.如权利要求3所述的方法，其特征在于，所述制作有标注数据集的步骤进一步包括：
5.如权利要求4所述的方法，其特征在于，所述制作未标注数据集的步骤进一步包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述农作物高光谱数据构建Transformer模型的步骤进一步包括：
7.如权利要求6所述的方法，其特征在于，所述对所述农作物高光谱数据进行处理得到完整光谱补丁序列步骤进一步包括：
8.如权利要求7所述的方法，其特征在于，所述对所述多个高光谱图像块进行深度可分离卷积步骤进一步包括：
9.如权利要求6所述的方法，其特征在于，所述将所述光谱补丁序列输入Transformer编码器进行处理步骤进一步包括：
10.如权利要求6所述的
11.如权利要求10所述的方法，其特征在于，使用所述有标注标签y与伪标签Ypseudo共同对所述第一训练模型进行训练并对伪标签损失函数权重进行更新步骤进一步包括：
12.如权利要求11所述的方法，其特征在于，所述使用所述有标注标签y与伪标签Ypseudo共同对所述第一训练模型进行训练并对伪标签损失函数权重进行更新步骤还包括：
13.如权利要求11所述的方法，其特征在于，所述有标注标签损失函数和伪标签损失函数为均方误差损失函数，其中，
14.如权利要求1所述的方法，其特征在于，所述使用所述训练后模型进行农作物叶绿素反演步骤进一步包括：
15.如权利要求4所述的方法，其特征在于，所述制作有标注数据集步骤还包括：将所述有标注数据集按照7∶2∶1的比例划分为训练集、验证集和测试集。
16.一种基于Transformer模型的农作物叶绿素遥感反演装置，用于执行如权利要求1-15所述方法的步骤，其特征在于，包括：
17.一种农作物长势监测检测设备，包括壳体和设置在所述壳体内相互连接的控制单元、存储单元、输入输出接口，其特征在于，还包括如权利要求16所述的装置，用于对农作物的叶绿素进行检测。
18.一种存储介质，用于存储计算机控制程序，其特征在于，所述计算机控制程序用于执行如权利要求1至15任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于transformer模型的农作物叶绿素遥感反演方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，对所述农作物进行采样测量的步骤进一步包括：
3.如权利要求1所述的方法，其特征在于，所述构建数据集步骤进一步包括：
4.如权利要求3所述的方法，其特征在于，所述制作有标注数据集的步骤进一步包括：
5.如权利要求4所述的方法，其特征在于，所述制作未标注数据集的步骤进一步包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述农作物高光谱数据构建transformer模型的步骤进一步包括：
7.如权利要求6所述的方法，其特征在于，所述对所述农作物高光谱数据进行处理得到完整光谱补丁序列步骤进一步包括：
8.如权利要求7所述的方法，其特征在于，所述对所述多个高光谱图像块进行深度可分离卷积步骤进一步包括：
9.如权利要求6所述的方法，其特征在于，所述将所述光谱补丁序列输入transformer编码器进行处理步骤进一步包括：
10.如权利要求6所述的方法，其特征在于，所述使用所述有标注数据集和未标注数据集对所述transformer模型进行基于伪标签的半监督训练步骤进一步包括：
11.如权利要求10所述的方法，...
【专利技术属性】
技术研发人员：张凝，熊新正，柴秀娟，孙坦，
申请(专利权)人：中国农业科学院农业信息研究所，
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。