一种基于深度学习的大田玉米水分检测方法及系统

1.本发明涉及目标检测和深度学习领域，具体而言，涉及一种基于深度学习的大田玉米水分检测方法及系统。


背景技术：

2.玉米作为一种重要的经济作物，广泛种植与我国干旱和半干旱地区。水资源的匮缺是影像我国干旱半干旱地区玉米产量的主要限制性因素，随着经济全球化的发展，工业用水与生活用水的需求逐渐增加，使得农业用水被持续排挤，为合理规划农田用水灌溉效率，实现农田经济化水资源管理，就需要及时、准确的获取大田玉米水分亏缺情况。
3.目前现有的大田玉米水分检测大都采用人工检测方式，费时、费力、效率低下，无法及时对大田玉米的数据进行检测，对玉米的生长情况判断不准确，导致农田用水灌溉效率不高。


技术实现要素：

4.本发明的目的在于提供一种基于深度学习的大田玉米水分检测方法及系统，其能够准确判断玉米生长状态、减少人工检测，提高检测效率。
5.本发明是这样实现的：
6.第一方面，本技术提供一种基于深度学习的大田玉米水分检测方法，包括以下步骤：
7.s1、进行无人机遥感数据采集和地面大田数据采集；其中，无人机遥感数据包括可见光影像和多光谱影像；
8.s2、对无人机遥感数据进行预处理，得到预处理后的数据；
9.s3、构建bp神经网络模型，使用预处理后的数据和地面大田数据训练bp神经网络模型；得到训练好的bp神经网络模型；
10.s4、使用训练好的bp神经网络模型进行大田玉米水分检测分析。
11.进一步的，步骤s1中无人机遥感数据包括可见光影像和多光谱影像；地面大田数据包括大田数据中的叶绿素含量、大田内玉米植株株高和茎粗、大田内植株叶长和叶宽、大田内玉米植株含水量、大田土壤含水量。
12.进一步的，步骤s2包括以下步骤：
13.s2-1、对多光谱影像进行进行黑白板辐射校正，得到校正反射率；
14.s2-2、分别对可见光影像和多光谱影像进行拼接，得到拼接后的可见光影像和拼接后的多光谱影像；
15.s2-3、根据校正反射率和拼接后的可见光影像和拼接后的多光谱影像采集绿波段光谱图像、红波段光谱图像、近红外波段光谱图像；
16.s2-4、将拼接后的可见光影像、校正反射率、绿波段光谱图像、红波段光谱图像、近红外波段光谱图像共同作为预处理后的数据。
17.进一步的，步骤s3包括以下步骤：
18.s3-1、根据绿波段光谱图像、红波段光谱图像、近红外波段光谱图像分别获取绿波段光谱反射率、红波段光谱反射率、近红外波段光谱反射率；
19.s3-2、使用绿波段光谱反射率、红波段光谱反射率、近红外波段光谱反射率计算归一化植被指数、优化土壤调节植被指数、归一化绿植指数；
20.s3-3、根据可见光影像、归一化植被指数、优化土壤调节植被指数、归一化绿植指数和校正反射率计算模型预测值；并将大田数据做为实际值；
21.s3-4、计算预测值和实际值的均方根误差和决定系数；
22.s3-5、重复步骤s3-1至步骤s3-4直到均方根误差和决定系数均达到设定的阈值，得到训练好的bp神经网络模型。
23.进一步的，步骤s3-2包括以下步骤：
24.s3-2-1、根据公式：
25.r
ndvi
＝(r
nir-r
red
)/(r
nir
+r
red
)
26.得到归一化植被指数r
ndvi
；其中，r
red
为红波段光谱反射率；r
nir
为近红外波段光谱反射率；
27.s3-2-2、根据公式：
28.r
osavi
＝(1+0.16)(r
nir-rr
ed
)/(r
nir
+r
red
+0.16)
29.得到优化土壤调节植被指数r
osavi
；
30.s3-2-3、根据公式：
31.r
gndvi
＝(r
nir-r
green
)/(r
nir
+r
green
)
32.得到归一化绿植指数r
gndvi
；其中，r
green
为绿波段的光谱反射率。
33.进一步的，步骤s3-4包括以下步骤：
34.s3-4-1、根据公式：
[0035][0036]
得到均方根误差rmse；其中，m为无人机遥感数据采集的图像数量；i为第i个无人机遥感数据采集的图像；yi为第i个第i个无人机遥感数据采集的图像对应的实际值；为第i个预测值；
[0037]
s3-4-2、根据公式：
[0038][0039]
得到决定系数r2；其中，为预测平均值。
[0040]
第二方面，本技术提供一种基于深度学习的大田玉米水分检测系统，其包括数据获取模块、数据预处理模块、bp神经网络模型；
[0041]
数据获取模块，用于进行无人机遥感数据采集和地面大田数据采集；
[0042]
数据预处理模块，用于对无人机遥感数据进行预处理，得到预处理后的数据；
[0043]
bp神经网络模型，用于使用处理后的数据和地面大田数据训练bp神经网络模型；得到训练好的bp神经网络模型；并使用训练好的bp神经网络模型进行大田玉米水分检测分析。
[0044]
相对于现有技术，本发明至少具有如下优点或有益效果：
[0045]
本发明提出了一种基于深度学习的大田玉米水分检测方法及系统，针对目前现有的大田玉米水分检测方法费时、费力、效率低下等问题提出了基于无人机遥感的可见光、多光谱图像相结合的方式，再利用地面实测数据与无人机遥感影像中提取的数据通过深度学习中的bp神经网络，高效、快速的获取大田玉米水分含量的相关信息；减小了人工成本；能够准确的判断玉米生长状态，提高检测效率。
附图说明
[0046]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0047]
图1为本发明流程图；
[0048]
图2为本发明拼接后的可见光影像示意图；
[0049]
图3为本发明黑白板辐射校正反射率提取示意图；
[0050]
图4为本发明拼接处理后的多光谱影像示意图；图4a为原始图像；图4b为ndvi图像；图4c为gndvi图像；图4d为osavi图像；
[0051]
图5为本发明实施例提供的拔节期玉米水分预测检验图；
[0052]
图6为本发明实施例提供的吐丝期玉米水分预测检验图；
[0053]
图7为本发明实施例提供的灌浆期玉米水分预测检验图。
具体实施方式
[0054]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
[0055]
实施例
[0056]
实验的设计以处不同时期的大田玉米为研究对象，地理位置位于云南省高海拔地区。该地气候为亚热带季风气候，冬干夏湿，气温日差较大，年差较小；冬无严寒、夏无酷暑；干湿季分明，雨热同季；日照充足，霜期较短，冬季降水偏少。年降雨量为864毫米，年极端最低气温6℃，年极端最高气温35℃。实验区域土壤为沙壤土，其ph值为7.27，有机质含量为16.9g/kg,碱解氮72.1mg/kg，速效磷15mg/kg，速效钾为91.3mg/kg。在规划的区域内，选取
30个样本进行预测。
[0057]
请参阅图1，该一种基于深度学习的大田玉米水分检测方法包括以下步骤：
[0058]
s1、进行无人机遥感数据采集和地面大田数据采集；其中，无人机遥感数据包括可见光影像和多光谱影像；
[0059]
步骤s1中无人机遥感数据包括可见光影像和多光谱影像；地面大田数据包括大田数据中的叶绿素含量、大田内玉米植株株高和茎粗、大田内植株叶长和叶宽、大田内玉米植株含水量、大田土壤含水量。
[0060]
示范性地，实验使用的无人机设备配备了可以搭载可见光、热红外与多光谱的一体化的成像系统，可以进行高精度的遥感影像采集，适用于低空摄影测量应用的系统，包含厘米级的导航定位和高性能的成像系统，便携易用，全面提升航测效率。该无人机重1487g，最长飞行时间27min,具备5个用于多光谱成像的单色传感器(红光、红边、蓝光、绿光、和近红外)和1个可见光成像的彩色传感器，有效像素208万，总像素212万，图像分辨率为1600
×
1300像素，此外还可以将多光谱镜头更换为热红外镜头，从而拍摄热红外影像。
[0061]
s2、对无人机遥感数据进行预处理，得到预处理后的数据；
[0062]
步骤s2包括以下步骤：
[0063]
如图2所示，可见光影像可以有效地监测玉米的冠层叶色、叶片形态、覆盖率等信息，也可用来分析叶面积和株高等表型信息，波段为蓝、红、绿。
[0064]
如图3所示，无人机多光谱影像在采集的过程中容易受到大气层、太阳辐射角、飞行高度和姿态不稳定等因素的干扰，在传感器接收的整个阶段中会产生反射误差，造成光谱参数不准确。多光谱影像辐射校正使用两块3米
×
3米的灰板，一块用于消除外界光线的影响，另一块用于校正图像的反射率。对多光谱影像进行辐射校正可以有效的避免误差。、
[0065]
s2-1、对多光谱影像进行进行黑白板辐射校正，得到校正反射率；
[0066]
s2-2、分别对可见光影像和多光谱影像进行拼接，得到拼接后的可见光影像和拼接后的多光谱影像；
[0067]
s2-3、根据校正反射率和拼接后的可见光影像和拼接后的多光谱影像采集绿波段光谱图像、红波段光谱图像、近红外波段光谱图像；
[0068]
s2-4、将拼接后的可见光影像、校正反射率、绿波段光谱图像、红波段光谱图像、近红外波段光谱图像共同作为预处理后的数据。
[0069]
s3、构建bp神经网络模型，使用预处理后的数据和地面大田数据训练bp神经网络模型；得到训练好的bp神经网络模型；
[0070]
如图4所示，对多光谱影像进行拼接，可以有效提高多光谱影像数据提取的效率，更有效的提取，不同指数下的多光谱图像的显示不同，其中，图4a为原始图像，即拼接后的可见光影像，图4b为ndvi(归一化植被指数)图像、图4c为gndvi(归一化绿度指数)图像、图4d为osavi(优化土壤调节植被指数)图像；
[0071]
步骤s3包括以下步骤：
[0072]
s3-1、根据绿波段光谱图像、红波段光谱图像、近红外波段光谱图像分别获取绿波段光谱反射率、红波段光谱反射率、近红外波段光谱反射率；
[0073]
s3-2、使用绿波段光谱反射率、红波段光谱反射率、近红外波段光谱反射率计算归一化植被指数、优化土壤调节植被指数、归一化绿植指数；
[0074]
步骤s3-2包括以下步骤：
[0075]
s3-2-1、根据公式：
[0076]rndvi
＝(r
nir-r
red
)/(r
nir
+r
red
)
[0077]
得到归一化植被指数r
ndvi
；其中，r
red
为红波段光谱反射率；r
nir
为近红外波段光谱反射率；
[0078]
s3-2-2、根据公式：
[0079]rosavi
＝(1+0.16)(r
nir-rr
ed
)/(r
nir
+r
red
+0.16)
[0080]
得到优化土壤调节植被指数r
osavi
；
[0081]
s3-2-3、根据公式：
[0082]rgndvi
＝(r
nir-r
green
)/(r
nir
+r
green
)
[0083]
得到归一化绿植指数r
gndvi
；其中，r
green
为绿波段的光谱反射率。
[0084]
示范性地，对可见光影像和多光谱影像提取多项指数，可以更加明显的获取当前大田玉米的实际情况。
[0085]
s3-3、根据可见光影像、归一化植被指数、优化土壤调节植被指数、归一化绿植指数和校正反射率计算模型预测值；并将大田数据做为实际值；
[0086]
s3-4、计算预测值和实际值的均方根误差和决定系数；
[0087]
步骤s3-4包括以下步骤：
[0088]
s3-4-1、根据公式：
[0089][0090]
得到均方根误差rmse；其中，m为无人机遥感数据采集的图像数量；i为第i个无人机遥感数据采集的图像；yi为第i个第i个无人机遥感数据采集的图像对应的实际值；为第i个预测值；
[0091]
s3-4-2、根据公式：
[0092][0093]
得到决定系数r2；其中，为预测平均值。
[0094]
示范性地，使用bp神经网络模型计算预测值，可以得到大田玉米中水分含量预测值，和对大田玉米实际测量的实测值进行对比，如果区别较大，修改神经网络模型参数，否则，模型的参数不需要调整，使用bp神经网络模型对大田玉米水分含量进行判断，将预测值作为实测值。能够减小人工成本，不需要人工实地检查玉米水分含量，降低了检测成本，简化了测量步骤，提高了检测效率。
[0095]
s3-5、重复步骤s3-1至步骤s3-4直到均方根误差和决定系数均达到设定的阈值，得到训练好的bp神经网络模型。
[0096]
s4、使用训练好的bp神经网络模型进行大田玉米水分检测分析。
[0097]
如图5所示，拔节期的各个植被指数：归一化植被指数(ndvi)、优化土壤调节植被
指数(osavi)和归一化绿植指数(gndvi)与bp神经网络模型进行分析，实测值与预测值的rmse与r2分别达到了8.27和0.831，本发明能够比较满意的获得该生育期的大田玉米含水量。
[0098]
如图6所示，吐丝期的各个植被指数：归一化植被指数(ndvi)、优化土壤调节植被指数(osavi)和归一化绿植指数(gndvi)与bp神经网络模型进行分析，实测值与预测值的rmse与r2分别达到了12.42和0.874，本发明能够比较满意的获得该生育期的大田玉米含水量。
[0099]
如图7所示，灌浆期的各个植被指数：归一化植被指数(ndvi)、优化土壤调节植被指数(osavi)和归一化绿植指数(gndvi)与bp神经网络模型进行分析，实测值与预测值的rmse与r2分别达到了21.32和0.928，本发明能够比较满意的获得该生育期的大田玉米含水量。
[0100]
基于同样的发明构思，本发明还提出一种基于深度学习的大田玉米水分检测系统，包括数据获取模块、数据预处理模块、bp神经网络模型；
[0101]
数据获取模块，用于进行无人机遥感数据采集和地面大田数据采集；
[0102]
数据预处理模块，用于对无人机遥感数据进行预处理，得到预处理后的数据；
[0103]
bp神经网络模型，用于使用处理后的数据和地面大田数据训练bp神经网络模型；得到训练好的bp神经网络模型；并使用训练好的bp神经网络模型进行大田玉米水分检测分析。
[0104]
上述系统具体实现过程请参照本技术实施例提供的一种基于深度学习的大田玉米水分检测方法，在此不再赘述。
[0105]
综上所述，本技术实施例提供的一种基于深度学习的大田玉米水分检测方法及系统，针对目前现有的大田玉米水分检测方法费时、费力、效率低下等问题提出了基于无人机遥感的可见光、多光谱图像相结合的方式，再利用地面实测数据与无人机遥感影像中提取的数据通过深度学习中的bp神经网络，高效、快速的获取大田玉米水分含量的相关信息；减小了人工成本；能够准确的判断玉米生长状态，提高检测效率。
[0106]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于深度学习的大田玉米水分检测方法，其特征在于，包括以下步骤：s1、进行无人机遥感数据采集和地面大田数据采集；其中，无人机遥感数据包括可见光影像和多光谱影像；s2、对无人机遥感数据进行预处理，得到预处理后的数据；s3、构建bp神经网络模型，使用预处理后的数据和地面大田数据训练bp神经网络模型；得到训练好的bp神经网络模型；s4、使用训练好的bp神经网络模型进行大田玉米水分检测分析。2.如权利要求1所述的一种基于深度学习的大田玉米水分检测方法，其特征在于，步骤s1中无人机遥感数据包括可见光影像和多光谱影像；地面大田数据包括大田数据中的叶绿素含量、大田内玉米植株株高和茎粗、大田内植株叶长和叶宽、大田内玉米植株含水量、大田土壤含水量。3.如权利要求2所述的一种基于深度学习的大田玉米水分检测方法，其特征在于，步骤s2包括以下步骤：s2-1、对多光谱影像进行进行黑白板辐射校正，得到校正反射率；s2-2、分别对可见光影像和多光谱影像进行拼接，得到拼接后的可见光影像和拼接后的多光谱影像；s2-3、根据校正反射率和拼接后的可见光影像和拼接后的多光谱影像采集绿波段光谱图像、红波段光谱图像、近红外波段光谱图像；s2-4、将拼接后的可见光影像、校正反射率、绿波段光谱图像、红波段光谱图像、近红外波段光谱图像共同作为预处理后的数据。4.如权利要求3所述的一种基于深度学习的大田玉米水分检测方法，其特征在于，步骤s3包括以下步骤：s3-1、根据绿波段光谱图像、红波段光谱图像、近红外波段光谱图像分别获取绿波段光谱反射率、红波段光谱反射率、近红外波段光谱反射率；s3-2、使用绿波段光谱反射率、红波段光谱反射率、近红外波段光谱反射率计算归一化植被指数、优化土壤调节植被指数、归一化绿植指数；s3-3、根据可见光影像、归一化植被指数、优化土壤调节植被指数、归一化绿植指数和校正反射率计算模型预测值；并将大田数据做为实际值；s3-4、计算预测值和实际值的均方根误差和决定系数；s3-5、重复步骤s3-1至步骤s3-4直到均方根误差和决定系数均达到设定的阈值，得到训练好的bp神经网络模型。5.如权利要求1所述的一种基于深度学习的大田玉米水分检测方法，其特征在于，步骤s3-2包括以下步骤：s3-2-1、根据公式：r
ndvi
＝(r
nir-r
red
)/(r
nir
+r
red
)得到归一化植被指数r
ndvi
；其中，r
red
为红波段光谱反射率；r
nir
为近红外波段光谱反射率；s3-2-2、根据公式：r
osavi
＝(1+0.16) (r
nir-rr
ed
)/(r
nir
+r
red
+0.16)
得到优化土壤调节植被指数r
osavi
；s3-2-3、根据公式：r
gndvi
＝(r
nir-r
green
)/(r
nir
+r
green
)得到归一化绿植指数r
gndvi
；其中，r
green
为绿波段的光谱反射率。6.如权利要求1所述的一种基于深度学习的大田玉米水分检测方法，其特征在于，步骤s3-4包括以下步骤：s3-4-1、根据公式：得到均方根误差rmse；其中，m为无人机遥感数据采集的图像数量；i为第i个无人机遥感数据采集的图像；y
i
为第i个第i个无人机遥感数据采集的图像对应的实际值；为第i个预测值；s3-4-2、根据公式：得到决定系数r2；其中，为预测平均值。7.一种基于深度学习的大田玉米水分检测系统，应用于权利要求1至权利要求6任意一项所述的一种基于深度学习的大田玉米水分检测方法，其特征在于，包括数据获取模块、数据预处理模块、bp神经网络模型；数据获取模块，用于进行无人机遥感数据采集和地面大田数据采集；数据预处理模块，用于对无人机遥感数据进行预处理，得到预处理后的数据；bp神经网络模型，用于使用处理后的数据和地面大田数据训练bp神经网络模型；得到训练好的bp神经网络模型；并使用训练好的bp神经网络模型进行大田玉米水分检测分析。

技术总结
本发明提出了一种基于深度学习的大田玉米水分检测方法及系统，涉及目标检测和深度学习领域。一种基于深度学习的大田玉米水分检测方法包括以下步骤：S1、进行无人机遥感数据采集和地面大田数据采集；其中，无人机遥感数据包括可见光影像和多光谱影像；S2、对无人机遥感数据进行预处理，得到预处理后的数据；S3、构建BP神经网络模型，使用预处理后的数据和地面大田数据训练BP神经网络模型；得到训练好的BP神经网络模型；S4、使用训练好的BP神经网络模型进行大田玉米水分检测分析。本发明可以高效、快速的获取大田玉米水分含量的相关信息；减小了人工成本；能够准确的判断玉米生长状态，提高检测效。提高检测效。提高检测效。


技术研发人员：李文峰 石鹏 刘焱 陈澳 潘坤 刘文荣
受保护的技术使用者：云南农业大学
技术研发日：2023.06.30
技术公布日：2023/10/8