基于多光谱影像的作物病害反演方法、装置、系统及存储介质

本发明涉及作物生长监测，尤其涉及一种基于多光谱影像的作物病害反演方法、装置、系统及存储介质。

背景技术：

1、作物病害是影响农产业可持续发展的重要因素，病害会直接影响作物的生长和发育，导致作物品质和产量下降。病害的传播和蔓延则会破坏农业生态系统，导致生态平衡失调，阻碍农业产业的发展，对农民经济收入造成严重影响。因此，对作物病害进行有效地检测、预警和防止具有重要的现实意义和经济价值。目前现有的病害识别技术主要是依靠人工实地调查和专家的经验判断，病害防治易产生较大的判断误差，不仅识别病害速度慢，时效性差，而且治理成本高，对于农业用药也无科学的依据，难以满足现代农业对病害管理的高精度、高效率需求。

2、随着遥感技术的快速发展，多光谱遥感技术因其能够获取丰富的地物信息，逐渐成为作物病害监测和识别的有效手段。多光谱遥感技术通过测量地物在不同波长下的反射、透射和发射辐射特性，能够揭示地物的物理、化学和生物特征。在作物病害反演中，多光谱遥感技术能够准确捕捉到病害引起的光谱异常变化，为病害的识别和反演提供可靠的数据支持。受到到病害侵袭的作物会表现出与正常健康作物不同的光谱特征。

3、中国专利“申请号：cn117825298a”公开了“一种红枣叶片叶绿素含量的无损检测方法”。通过地物光谱仪与摄像机采集红枣叶片的高光谱数据以及图像数据，通过viewspecpro进行相应数据的导出，使用相应软件与代码对数据进行处理，最终得出红枣叶片叶绿素含量的无损检测模型，并根据得到的模型进行叶绿素含量的测定，以解决现有的叶绿素含量检测方法的准确性和稳定性不理想的问题。

4、该专利提供的方案中，采用bp神经网络算法、岭回归算法和rf算法中的任意两种或两种以上的算法结合进行叶绿素相对含量反演模型的构建。其中，神经网络算法的核心是局部感受野和参数共享机制，这对于处理局部信息方面非常有效，但对于全局或是长程上下文信息任务，神经网络算法难以捕获到全局特征，导致空间信息丢失。因此，需要一种新的用于作物病害识别的深度学习模型、以及相应的作物病害反演方法，来实现基于多光谱影像的作物病害反演。

技术实现思路

1、本发明的主要目的在于提供一种作物病害反演方法、装置、系统、及可读存储介质，旨在使用新的用于作物病害识别的深度学习模型、以及相应的作物病害反演方法，来实现基于多光谱影像的作物病害反演的技术问题。

2、为实现上述目的，本发明提供一种作物病害反演方法，所述方法包括：

3、获得预设种植区域中采集的目标作物的多光谱影像数据，并预处理所述多光谱影像数据；

4、将预处理后的所述多光谱影像数据输入到训练好的作物病害影像分类模型中；其中，所述作物病害影像分类模型设置有用于提取所述多光谱影像数据中局部空间光谱特征的局部提取模块，用于提取所述多光谱影像数据中全局空间光谱特征的全局提取模块，以及将所提取的局部空间光谱特征和全局空间光谱特征进行融合的分类模块；

5、获取所述作物病害影像分类模型输出的融合光谱特征，与预设标签对比后得到的作物病害识别结果。

6、作为本发明的进一步改进，所述局部提取模块由两个非对称卷积模块构成，以提取所述多光谱影像中的局部空间光谱特征，所述局部提取模块的非对称卷积计算表达式为：

7、

8、其中，表示输入特征，表示输出特征，表示1×3卷积层，表示3×1卷积层，表示1×1卷积层。

9、作为本发明的进一步改进，所述全局特征提取模块设置有两个rpet模块，以模拟光谱数据在光谱和空间中的长距离特征，所述rpet模块由两个编码器和一个重塑操作组成，以提取所述多光谱影像数据中全局空间的光谱信息，并将相对位置嵌入到编码器中；所述全局特征提取模块的输入表达式为：

10、

11、其中，为像素的大小，为特征的通道数；

12、所述rpet模块中引入多头自注意力机制来适应多个全局空间的依赖性，每个头都有唯一的、和；

13、由三个随机初始化的可学习权重矩阵、和进行线性投影，其中，分别是查询矩阵、键矩阵和值矩阵，表达式分别为：

14、

15、

16、

17、通过点积运算将所述查询矩阵和所述键矩阵进行相似度匹配，再通过softmax函数得到归一化后的相似度矩阵，最后将所述相似度矩阵与所述值矩阵相乘并输出，所述多头自注意力机制对应第i个头的表达式为：

18、

19、其中，为键矩阵的平方根，可以防止内积过大，使梯度更稳定。

20、作为本发明的进一步改进，所述分类模块设有全局平均池化层和全连接层，以将提取的局部空间光谱特征和全局空间光谱特征融合；

21、所述作物病害影像分类模型中用于计算的损失函数表达式为：

22、

23、其中，是第个样本中第类的预测概率；是第个样本中第类的实际标签，是一个one-hot向量；是输入模型中作物类别的总数量；是训练过程中所输入数据的批样本数量。

24、作为本发明的进一步改进，所述作物病害影像分类模型训练包括以下步骤：

25、预处理后的所述多光谱影像数据以8:1:1的比例划分为训练集、验证集和测试集；所述多光谱影像数据预处理过程有辐射定标、几何校正、大气校正和数据标准化；

26、为所述训练集和所述验证集中每个样本分配对应的病害标签；

27、使用所述训练集的样本进行模型训练，并采用整体精度、平均精度和kappa系数评估模型在所述验证集上的表现。

28、作为本发明的进一步改进，所述获取所述作物病害影像分类模型根据分类模块输出的融合光谱特征，与预设参照标签对比后得到的作物病害识别结果的步骤包括：

29、获取所述融合光谱特征分别在绿光波段、红光波段、红边波段和红外光波段中对应的各个反射率数值，并作为目标作物的待检测标签；

30、确定所述待检测标签中各个波段的所述反射率数值，是否处于任意一个预设参照标签对应的数值区间内，其中，所述预设参照标签为所述目标作物任意一种病害类型植株分别在绿光波段、红光波段、红边波段和红外光波段中对应的各个反射率数值区间；

31、若是，将所述预设参照标签对应的病害类型，确定为所述目标作物所受的病害类型；

32、否则，确定为所述目标作物不受病害侵袭。

33、此外，为实现上述目的，本发明还提供一种基于多光谱影像的作物病害反演装置，所述基于多光谱影像的作物病害反演装置包括：

34、数据采集模块，用于采集预设种植区域中目标作物的多光谱影像数据；

35、深度学习模块，用于将预处理后的多光谱影像数据，输入至训练好的作物病害影像分类模型中进行识别；其中，作物病害影像分类模型设置有用于提取多光谱影像数据中局部空间光谱特征的局部提取模块，用于提取多光谱影像数据中全局空间光谱特征的全局提取模块，以及将所提取的局部空间光谱特征和全局空间光谱特征进行融合的分类模块；

36、病害识别模块，用于获取作物病害影像分类模型输出的融合光谱特征，与预设标签对比，并得到作物病害的识别结果。

37、此外，为实现上述目的，本发明还提供一种作物病害反演系统，所述作物病害反演系统包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如上任一项所述的作物病害反演方法的步骤。

38、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有程序指令，所述程序指令被处理器执行时实现如权利上任一项所述的作物病害反演方法的步骤。

39、本发明至少存在以下技术效果：

40、（1）本技术中设置有作物病害识别ac-rpet（asymmetric convolution jointrelative position embedding transformer）模型，可识别和验证预设种植区域中目标作物的光谱影像在不同光谱波段下的表现，而精准判断预设区域内患病作物的分布区域、患病种类和患病程度，可针对患病作物的分布区域、患病种类和患病程度采取不同的处理措施，以避免病害扩散，保证农作物的正常生长和产量；

41、（2）作物病害影像分类模型在第一阶段主要由非堆成卷积模块构成，能够针对不同的输入和输出通道采用不同大小的卷积核，节省参数量，提高模型效率，增强了模型的灵活性，有效提取了局部空间的光谱特征。