一种目标作物的长势和产量分析方法及系统与流程

1.本发明涉及模型预测技术领域，并且更具体地，涉及一种目标作物的长势和产量分析方法及系统。


背景技术：

2.传统作物种植产量依赖于种植户的经验和气候，种植户一般无法及时发现作物长势问题并作出应对措施，导致作物产量不稳定。随着物联网的高速发展，各种类型的传感器被广泛运用到农业现代化建设，为农业数字化提供了技术基础，同时随着人工智能、大数据技术的发展，运用人工智能、大数据技术与物联网技术相结合为作物进行长势分析提供了更加智能精准的决策。


技术实现要素：

3.本发明提出一种目标作物的长势和产量分析方法及系统，以解决如何准确地确定目标作物的长势和产量的问题。
4.为了解决上述问题，根据本发明的一个方面，提供了一种目标作物的长势和产量分析方法，所述方法包括：
5.获取目标作物在不同生长阶段时每个长势指标对应的长势指标数据和标准指标数据；
6.基于根据所述长势指标数据和标准指标数据，确定每个长势指标对应的隶属度，并根据每个长势指标对应的权重和每个长势指标对应的隶属度，确定所述目标作物的长势评分，以根据所述长势评分确定所述目标作物的长势等级；
7.获取包含所述目标作物的花果图像，将所述花果图像输入至训练好的预设卷积神经网络模型，基于所述预设卷积神经网络模型确定所述目标作物的花朵和果实数量，以基于所述花朵和果实数量确定所述目标作物的产量。
8.优选地，其中所述长势指标数据，包括：植株高度数据、茎粗数据、树冠面积数据、氮素水平数据和叶绿素水平数据。
9.优选地，其中所述方法利用如下方式确定每个长势指标对应的隶属度，包括：
[0010][0011]
其中，μ(i)为第i个长势指标对应的隶属度；di为第i个长势指标对应的标准指标数据；max(di)和min(di)分别为第i个长势指标对应的不同生长阶段的长势指标数据中的最大值和最小值；
[0012]
所述方法利用如下方式确定长势评分，包括：
[0013][0014]
其中，h为长势评分；n为长势指标的个数；μ(i)为第i个长势指标对应的隶属度；ω
(i)为第i个长势指标对应的权重，其中，通过专家打分法获取每个长势指标对应的权重。
[0015]
优选地，其中所述方法利用如下方式确定训练好的预设卷积神经网络模型，包括：
[0016]
选用faster-rcnn网络对训练集进行训练，定义并初始化相关参数，分类模型选择resnet101，输入的图像尺寸为1920*1200；
[0017]
将花果图像样本作为卷积神经网络的输入，进行特征提取；其中，所选用的faster-rcnn部分网络包含13个卷积层，13个relu层，4个池化层，通过该网络可提取输入图片的特征映射，用于后续的区域生成网络和全连接层；
[0018]
利用区域生成网络rpn生成区域候选框，兴趣区域池化层利用区域生成网络生成的区域候选框和已获得的特征映射，得到固定大小的特征图；
[0019]
将兴趣区域池化层形成固定大小的特征图进行全连接操作，进行具体类别的分类，用l1 loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型；
[0020]
其中，训练损失包括分类损失和回归损失；利用探测分类概率softmax loss和探测边框回归smooth l1 loss对分类概率和边框回归联合训练。
[0021]
优选地，其中所述方法利用yolov4进行目标检测，包括：
[0022]
主干特征提取网络将整张图片输入到网络cspdarknet53，进行特征提取；将特征经过卷积操作后输入spp中，进行池化操作；在panet中进行上采样、下采样后的特征堆叠；并最终生成先验框。
[0023]
根据本发明的另一个方面，提供了一种目标作物的长势和产量分析系统，所述系统包括：
[0024]
数据获取单元，用于获取目标作物在不同生长阶段时每个长势指标对应的长势指标数据和标准指标数据；
[0025]
长势等级确定单元，用于基于根据所述长势指标数据和标准指标数据，确定每个长势指标对应的隶属度，并根据每个长势指标对应的权重和每个长势指标对应的隶属度，确定所述目标作物的长势评分，以根据所述长势评分确定所述目标作物的长势等级；
[0026]
产量确定单元，用于获取包含所述目标作物的花果图像，将所述花果图像输入至训练好的预设卷积神经网络模型，基于所述预设卷积神经网络模型确定所述目标作物的花朵和果实数量，以基于所述花朵和果实数量确定所述目标作物的产量。
[0027]
优选地，其中所述长势指标数据，包括：植株高度数据、茎粗数据、树冠面积数据、氮素水平数据和叶绿素水平数据。
[0028]
优选地，其中所述长势等级确定单元，利用如下方式确定每个长势指标对应的隶属度，包括：
[0029][0030]
其中，μ(i)为第i个长势指标对应的隶属度；di为第i个长势指标对应的标准指标数据；max(di)和min(di)分别为第i个长势指标对应的不同生长阶段的长势指标数据中的最大值和最小值；
[0031]
所述系统利用如下方式确定长势评分，包括：
[0032][0033]
其中，h为长势评分；n为长势指标的个数；μ(i)为第i个长势指标对应的隶属度；ω(i)为第i个长势指标对应的权重，其中，通过专家打分法获取每个长势指标对应的权重。
[0034]
优选地，其中所述系统还包括：
[0035]
模型确定单元，用于利用如下方式确定训练好的预设卷积神经网络模型，包括：
[0036]
选用faster-rcnn网络对训练集进行训练，定义并初始化相关参数，分类模型选择resnet101，输入的图像尺寸为1920*1200；
[0037]
将花果图像样本作为卷积神经网络的输入，进行特征提取；其中，所选用的faster-rcnn部分网络包含13个卷积层，13个relu层，4个池化层，通过该网络可提取输入图片的特征映射，用于后续的区域生成网络和全连接层；
[0038]
利用区域生成网络rpn生成区域候选框，兴趣区域池化层利用区域生成网络生成的区域候选框和已获得的特征映射，得到固定大小的特征图；
[0039]
将兴趣区域池化层形成固定大小的特征图进行全连接操作，进行具体类别的分类，用l1 loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型；
[0040]
其中，训练损失包括分类损失和回归损失；利用探测分类概率softmax loss和探测边框回归smooth l1 loss对分类概率和边框回归联合训练。
[0041]
优选地，其中所述系统利用yolov4进行目标检测，包括：
[0042]
主干特征提取网络将整张图片输入到网络cspdarknet53，进行特征提取；将特征经过卷积操作后输入spp中，进行池化操作；在panet中进行上采样、下采样后的特征堆叠；并最终生成先验框。
[0043]
本发明提供了一种目标作物的长势和产量分析方法及系统，包括：获取目标作物在不同生长阶段时每个长势指标对应的长势指标数据和标准指标数据；基于根据所述长势指标数据和标准指标数据，确定每个长势指标对应的隶属度，并根据权重和隶属度，确定所述目标作物的长势评分；获取包含所述目标作物的花果图像，将所述花果图像输入至训练好的预设卷积神经网络模型，基于所述预设卷积神经网络模型确定所述目标作物的花朵和果实数量，以基于所述花朵和果实数量确定所述目标作物的产量。本发明通过收集作物种植相关的指标，建立精准的分析模型，监测长势情况，预测产量，以提供防病害、防灾害天气等的预警及应对措施，提高人均效能，为种植户增产增收。
附图说明
[0044]
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
[0045]
图1为根据本发明实施方式的目标作物的长势和产量分析方法100的流程图；
[0046]
图2为根据本发明实施方式的基于yolov4进行分析的示意图；
[0047]
图3为根据本发明实施方式的目标作物的长势和产量分析系统300的结构示意图。
具体实施方式
[0048]
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形
式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0049]
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0050]
图1为根据本发明实施方式的目标作物的长势和产量分析方法100的流程图。如图1所示，本发明实施方式提供的目标作物的长势和产量分析方法，通过收集作物种植相关的指标，建立精准的分析模型，监测长势情况，预测产量，以提供防病害、防灾害天气等的预警及应对措施，提高人均效能，为种植户增产增收。本发明实施方式提供的目标作物的长势和产量分析方法100，从步骤101处开始，在步骤101获取目标作物在不同生长阶段时每个长势指标对应的长势指标数据和标准指标数据。
[0051]
优选地，其中所述长势指标数据，包括：植株高度数据、茎粗数据、树冠面积数据、氮素水平数据和叶绿素水平数据。
[0052]
在本发明中，目标作物以柑橘为例。为了实现柑橘长势预测，本发明包括基于柑橘生长阶段的氮素水平、叶绿素含量等生长指标进行长势分析和依据柑橘花和果的分布进行产量预测分析两个部分，要求对柑橘栽培有一定的了解，同时也需要掌握人工智能、大数据相关技术。
[0053]
在本发明中，在柑橘不同生长阶段，长势通常以不同的表征指数评价柑橘生长情况主要体现在植株高度、茎粗、树冠、氮素水平和叶绿素含量等方面，因此以植株高度、茎粗、树冠、氮素水平和叶绿素含量为指标，获取相应的指标数据。
[0054]
在步骤102，基于根据所述长势指标数据和标准指标数据，确定每个长势指标对应的隶属度，并根据每个长势指标对应的权重和每个长势指标对应的隶属度，确定所述目标作物的长势评分，以根据所述长势评分确定所述目标作物的长势等级。
[0055]
优选地，其中所述方法利用如下方式确定每个长势指标对应的隶属度，包括：
[0056][0057]
其中，μ(i)为第i个长势指标对应的隶属度；di为第i个长势指标对应的标准指标数据；max(di)和min(di)分别为第i个长势指标对应的不同生长阶段的长势指标数据中的最大值和最小值；
[0058]
所述方法利用如下方式确定长势评分，包括：
[0059][0060]
其中，h为长势评分；n为长势指标的个数；μ(i)为第i个长势指标对应的隶属度；ω(i)为第i个长势指标对应的权重，其中，通过专家打分法获取每个长势指标对应的权重。
[0061]
在本发明中，运用隶属度函数法进行分级评价。其中，利用如下方式确定每个长势指标对应的隶属度，包括：
[0062][0063]
其中，μ(i)为第i个长势指标对应的隶属度；di为第i个长势指标对应的标准指标数据；max(di)和min(di)分别为第i个长势指标对应的不同生长阶段的长势指标数据中的最大值和最小值。
[0064]
在柑橘长势分析中，对涉及的指标如氮素水平、叶绿素含量等数据逐一计算隶属度值。
[0065]
通过专家打分法，对专家意见进行统计分析，合理的估算评价系数，即权重，然后根据根据每个长势指标对应的权重和每个长势指标对应的隶属度，确定所述目标作物的长势评分。
[0066]
其中，利用如下方式确定长势评分，包括：
[0067][0068]
其中，h为长势评分；n为长势指标的个数；μ(i)为第i个长势指标对应的隶属度；ω(i)为第i个长势指标对应的权重，其中，通过专家打分法获取每个长势指标对应的权重。
[0069]
在本发明中，不同长势指标对应的权重分别为：植株高度为0.1、茎粗为0.1、树冠为0.1、氮素水平为0.35和叶绿素含量为0.35。
[0070]
依照此公式，对上一步每项指标计算出的隶属值和通过专家打分法分析各指标相应的评价系数，来计算柑橘的长势情况。
[0071]
最后，计算评分h所属的区间，评价指数区间为：[0,40]、[40,60]、[60,100]，相应的对应长势的差、中、好三个等级。根据所述长势评分确定所述目标作物的长势等级。
[0072]
在步骤103，获取包含所述目标作物的花果图像，将所述花果图像输入至训练好的预设卷积神经网络模型，基于所述预设卷积神经网络模型确定所述目标作物的花朵和果实数量，以基于所述花朵和果实数量确定所述目标作物的产量。
[0073]
优选地，其中所述方法利用如下方式确定训练好的预设卷积神经网络模型，包括：
[0074]
选用faster-rcnn网络对训练集进行训练，定义并初始化相关参数，分类模型选择resnet101，输入的图像尺寸为1920*1200；
[0075]
将花果图像样本作为卷积神经网络的输入，进行特征提取；其中，所选用的faster-rcnn部分网络包含13个卷积层，13个relu层，4个池化层，通过该网络可提取输入图片的特征映射，用于后续的区域生成网络和全连接层；
[0076]
利用区域生成网络rpn生成区域候选框，兴趣区域池化层利用区域生成网络生成的区域候选框和已获得的特征映射，得到固定大小的特征图；
[0077]
将兴趣区域池化层形成固定大小的特征图进行全连接操作，进行具体类别的分类，用l1 loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型；
[0078]
其中，训练损失包括分类损失和回归损失；利用探测分类概率softmax loss和探测边框回归smooth l1 loss对分类概率和边框回归联合训练。
[0079]
优选地，其中所述方法利用yolov4进行目标检测，包括：
[0080]
主干特征提取网络将整张图片输入到网络cspdarknet53，进行特征提取；将特征
经过卷积操作后输入spp中，进行池化操作；在panet中进行上采样、下采样后的特征堆叠；并最终生成先验框。
[0081]
在本发明中，在对柑橘花果产量进行分析时，获取包含所述目标作物的花果图像，将所述花果图像输入至训练好的预设卷积神经网络模型，基于所述预设卷积神经网络模型确定所述目标作物的花朵和果实数量，以基于所述花朵和果实数量确定所述目标作物的产量。
[0082]
其中，在确定训练好的预设卷积神经网络模型时，选用faster-rcnn网络对训练集进行训练，定义并初始化相关参数，分类模型选择resnet101，输入的图像尺寸为1920*1200；将花果图像样本作为卷积神经网络的输入，进行特征提取；其中，所选用的faster-rcnn部分网络包含13个卷积层，13个relu层，4个池化层，通过该网络可提取输入图片的特征映射，用于后续的区域生成网络和全连接层；利用区域生成网络rpn生成区域候选框，兴趣区域池化层利用区域生成网络生成的区域候选框和已获得的特征映射，得到固定大小的特征图；将兴趣区域池化层形成固定大小的特征图进行全连接操作，进行具体类别的分类，用l1 loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型；其中，训练损失包括分类损失和回归损失；利用探测分类概率softmax loss和探测边框回归smooth l1 loss对分类概率和边框回归联合训练。
[0083]
在花果分析时，如图2所示，利用yolov4进行目标检测，主干特征提取网络：将整张图片输入到网络cspdarknet53，进行特征提取；将特征经过卷积操作后输入spp中，进行池化操作；panet中进行上采样、下采样后的特征堆叠；最终生成先验框。
[0084]
本发明对图中的花、果目标进行检测，得到花和果的数量，通过对识别框大小的判断估算出用户上传的图片中柑橘树的面积，然后再计算密度，基于面积和密度确定产量。
[0085]
本发明利用隶属度函数法进行分级评价，计算柑橘长势的长势等级，利用卷积神经网络识别柑橘花朵和果实，计算柑橘数的面积和密度。相比传统柑橘种植，此发明结合柑橘栽培技术以及物联网、大数据、人工智能相关技术收集柑橘种植相关的数字指标，建立精准的分析模型，监测柑橘长势情况，及时科学地预测柑橘未来长势，提供柑橘防病害、防灾害天气等的预警及应对措施，可结合自动化农药喷洒、自动化灌溉技术，提高人均效能，为种植户增产增收。
[0086]
图3为根据本发明实施方式的目标作物的长势和产量分析系统300的结构示意图。如图3所示，本发明实施方式提供的目标作物的长势和产量分析系统300，包括：数据获取单元301、长势等级确定单元302和产量确定单元303。
[0087]
优选地，所述数据获取单元301，用于获取目标作物在不同生长阶段时每个长势指标对应的长势指标数据和标准指标数据。
[0088]
优选地，其中所述长势指标数据，包括：植株高度数据、茎粗数据、树冠面积数据、氮素水平数据和叶绿素水平数据。
[0089]
优选地，所述长势等级确定单元302，用于基于根据所述长势指标数据和标准指标数据，确定每个长势指标对应的隶属度，并根据每个长势指标对应的权重和每个长势指标对应的隶属度，确定所述目标作物的长势评分，以根据所述长势评分确定所述目标作物的长势等级。
[0090]
优选地，其中所述长势等级确定单元302，利用如下方式确定每个长势指标对应的
隶属度，包括：
[0091][0092]
其中，μ(i)为第i个长势指标对应的隶属度；di为第i个长势指标对应的标准指标数据；max(di)和min(di)分别为第i个长势指标对应的不同生长阶段的长势指标数据中的最大值和最小值；
[0093]
所述系统利用如下方式确定长势评分，包括：
[0094][0095]
其中，h为长势评分；n为长势指标的个数；μ(i)为第i个长势指标对应的隶属度；ω(i)为第i个长势指标对应的权重，其中，通过专家打分法获取每个长势指标对应的权重。
[0096]
优选地，所述产量确定单元303，用于获取包含所述目标作物的花果图像，将所述花果图像输入至训练好的预设卷积神经网络模型，基于所述预设卷积神经网络模型确定所述目标作物的花朵和果实数量，以基于所述花朵和果实数量确定所述目标作物的产量。
[0097]
优选地，其中所述系统还包括：
[0098]
模型确定单元，用于利用如下方式确定训练好的预设卷积神经网络模型，包括：
[0099]
选用faster-rcnn网络对训练集进行训练，定义并初始化相关参数，分类模型选择resnet101，输入的图像尺寸为1920*1200；
[0100]
将花果图像样本作为卷积神经网络的输入，进行特征提取；其中，所选用的faster-rcnn部分网络包含13个卷积层，13个relu层，4个池化层，通过该网络可提取输入图片的特征映射，用于后续的区域生成网络和全连接层；
[0101]
利用区域生成网络rpn生成区域候选框，兴趣区域池化层利用区域生成网络生成的区域候选框和已获得的特征映射，得到固定大小的特征图；
[0102]
将兴趣区域池化层形成固定大小的特征图进行全连接操作，进行具体类别的分类，用l1 loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型；
[0103]
其中，训练损失包括分类损失和回归损失；利用探测分类概率softmax loss和探测边框回归smooth l1 loss对分类概率和边框回归联合训练。
[0104]
优选地，其中所述系统利用yolov4进行目标检测，包括：
[0105]
主干特征提取网络将整张图片输入到网络cspdarknet53，进行特征提取；将特征经过卷积操作后输入spp中，进行池化操作；在panet中进行上采样、下采样后的特征堆叠；并最终生成先验框。
[0106]
本发明的实施例的目标作物的长势和产量分析系统300与本发明的另一个实施例的目标作物的长势和产量分析方法100相对应，在此不再赘述。
[0107]
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
[0108]
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地
解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
[0109]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0110]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0111]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0112]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0113]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。