(12)发明专利申请
(10)申请公布号 CN 109508824 A(43)申请公布日 2019.03.22
(21)申请号 201811321081.X(22)申请日 2018.11.07
(71)申请人 西京学院
地址 710123 陕西省西安市长安区西京路1
号(72)发明人 马亚红
(74)专利代理机构 西安智大知识产权代理事务
所 61215
代理人 何会侠(51)Int.Cl.
G06Q 10/04(2012.01)G06Q 50/02(2012.01)
权利要求书2页 说明书3页 附图1页
CN 109508824 A(54)发明名称
一种农作物生长态势检测及产量预估方法(57)摘要
一种农作物生长态势检测及产量预估方法，包括构建用于农作物生长环境信息、自身生理生化数据及图像采集及数据预处理的农业物联网系统，再将预处理数据及历史数据构建联合特征向量数据库；通过构建基于稀疏深度信念网络的农作物产量预估模型，该模型包括一个输入层、多层稀疏受限玻尔兹曼机模型和一个后向传播神经网络构成，利用对比差异快速学习算法和数据库中的联合特征向量对农作物产量预估模型进行预训练和微调，获取最佳参数值，再用数据库中的待测数据对预估模型进行测试，反复训练；最后根据BP网络输出值对农作物产量进行预估；本发明具有便于及时采集有效的田间管理措施，对农作物产量进行准确预估的优点。
CN 109508824 A
权 利 要 求 书
1/2页
1.一种农作物生长态势检测及产量预估方法，其特征在于，其步骤为：步骤一：农作物生长环境信息采集和预处理，得到环境信息；步骤二：农作物自身生理生化数据采集及预处理，得到生理生化特征向量；步骤三：农作物叶片图像采集和特征提取：利用视频监控设备实时采集农作物叶片图像，然后提取图形的R、G、B三个分量的均值、偏差和三阶矩阵，再进行归一化处理，得到图像颜色特征；
步骤四：将步骤一至步骤三得到的环境信息特征、生理生化特征特征向量和图像颜色特征值组成农作生长的联合特征向量，根据农作物生长及产量的历史数据和变化规律，构建农作物生长态势及产量的联合特征向量数据库；
步骤五：构建基于稀疏深度信念网络的农作物生长态势检测及产量预估模型；步骤六：利用对比差异快速学习算法和步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库，农作物产量预估模型进行预训练和微调，得到产量预测模型；
步骤七：对得到产量预测模型进行可靠性测试：步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库中待测试的联合特征向量输入到步骤六中训练和微调好的产量预测模型中，计算农作物产量预估结果，将预估结果与实际产量进行比较，若预估结果偏大于实际产量，则需要重新步骤六，对农作物产量预估模型进行优化调整，反复训练得到产量预测模型。
2.根据权利要求1所述的一种农作物生长态势检测及产量预估方法，其特征在于，所述的农作物生长环境信息采集和预处理：布设多种类型及功能的传感器采集农作物生长环境的采集,主要包括1)与农作物生长相关的气象条件，包括气压、气温、相对湿度、光照度、光照时数、光合有效辐射、阴雨天数、降雨量、风速、风向、无霜期；2)相关土壤数据包括土壤质地、容重、团聚体、PH值、氮、磷、钾、有机质、耕层厚度、微生物和中微量元素；3)水文情况包括河流名称、水位、流量、水势和雨量；4)农药使用情况包括种类、用量和次数；将上述数据进行等级划分或归一化处理，得到环境信息特征。
3.根据权利要求1所述的一种农作物生长态势检测及产量预估方法，其特征在于，所述的农作物自身生理生化数据采集及预处理：与农作物的长势及产量相关的生理、生化指标包括介电特性、叶面积指数、叶绿素含量、叶片氮磷钾含量；将上述数据进行等级划分归一化处理，得到农作物自身生理生化特征。
4.根据权利要求1所述的一种农作物生长态势检测及产量预估方法，其特征在于，所述的农作物生长态势检测及产量预估模型一个输入层、多层稀疏受限玻尔兹曼机模型和一个后向传播神经网络构成，每一层从上一层的隐单元中捕获高度相关的关联；所述的后向传播神经网络由输入层、隐层和输出层神经元组成。
5.根据权利要求1所述的一种农作物生长态势检测及产量预估方法，其特征在于，所述的利用对比差异快速学习算法和步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库，农作物产量预估模型进行预训练的其步骤为：
1)、逐层地训练每个稀疏受限玻尔兹曼机模型获得可视层和隐藏层间的连接权重值，重复N次，直到获得最佳参数值；
2)、预训练模型参数确定后，为了使模型具有更好的特征表示能力，将第N层稀疏受限玻尔兹曼机模型的输出作为后向传播神经网络的输入，用带标签的数据利用共轭梯度法对
2
CN 109508824 A
权 利 要 求 书
2/2页
模型的判别性能作优化调整，BP网络的输出即为农作物产量预估情况。
3
CN 109508824 A
说 明 书
一种农作物生长态势检测及产量预估方法
1/3页
技术领域
[0001]本发明属于农业信息化领域，涉及一种农作物生长态势检测及产量预估方法。背景技术
[0002]随着物联网和大数据技术的飞速发展，智慧农业已经是智慧经济的重要组成部分。我国是农业大国，而非农业强国，因此要实现高水平的设施农业生产和优化设施生物环境控制，农业相关信息获取、分析技术是农业生产中最关键的技术之一。[0003]目前，农业信息化中主要是通过不同功能的传感器探头获取环境因子如温湿度、光照度、CO2浓度，风力、风向、土壤水分等，并由计算机进行综合管理，实施水肥等过程的自动控制。然而，任何单一传感器数据均具有一定应用范围的局限性，不能够全面反映作物的生理生化特征。物联网为农业生产过程中多源信息的获取提供了重要技术保障。多源信息所提供的数据具有冗余性、互补性和合作性，通过不同数据源间的信息互补为多源信息的处理、分析提供最有效的应用，最大限度地利用农作物多源数据所包含的信息及时判断农作物的实时苗情、水肥及病虫草害情况，为农作物生产管理人员或管理决策者提供及时可靠的长势信息，便于及时采集有效的田间管理措施，对农作物产量进行准确预估，为我国人民的生存条件和粮食安全提供保障。
发明内容
[0004]为了克服上述现有技术的不足,发明提供了一种农作物生长态势检测及产量预估方法,通过排除人为主观影响,提高预测可靠性和精准度,为实现农作物生长态势检测及产量预估的信息化管理提供一定的理论依据和技术支撑。[0005]为了达到上述目的，本发明采用的技术方案为：[0006]一种农作物生长态势检测及产量预估方法，其步骤为：[0007]步骤一：农作物生长环境信息采集和预处理，得到环境信息；[0008]步骤二：农作物自身生理生化数据采集及预处理，得到生理生化特征向量；[0009]步骤三：农作物叶片图像采集和特征提取：利用视频监控设备实时采集农作物叶片图像，然后提取图形的R、G、B三个分量的均值、偏差和三阶矩阵，再进行归一化处理，得到图像颜色特征；[0010]步骤四：将步骤一至步骤三得到的环境信息特征、生理生化特征特征向量和图像颜色特征值组成农作生长的联合特征向量，根据农作物生长及产量的历史数据和变化规律，构建农作物生长态势及产量的联合特征向量数据库；[0011]步骤五：构建基于稀疏深度信念网络的农作物生长态势检测及产量预估模型；[0012]步骤六：利用对比差异快速学习算法和步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库，农作物产量预估模型进行预训练和微调,得到产量预测模型；[0013]步骤七：对产量预测模型进行可靠性测试：步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库中待测试的联合特征向量输入到步骤六中训练和微调好的
4
CN 109508824 A
说 明 书
2/3页
产量预测模型中，计算农作物产量预估结果，将预估结果与实际产量进行比较，若预估结果大于实际产量，则需要重新步骤六，对农作物产量预估模型进行优化调整，反复训练产量预测模型。
[0014]进一步的，所述的农作物生长环境信息采集和预处理：布设多种类型及功能的传感器采集农作物生长环境的采集,主要包括1)与农作物生长相关的气象条件，包括气压、气温、相对湿度、光照度、光照时数、光合有效辐射、阴雨天数、降雨量、风速、风向、无霜期；2)相关土壤数据包括土壤质地、容重、团聚体、PH值、氮、磷、钾、有机质、耕层厚度、微生物和中微量元素；3)水文情况包括河流名称、水位、流量、水势和雨量；4)农药使用情况包括种类、用量和次数；将上述数据进行等级划分或归一化处理，得到环境信息特征。[0015]进一步的，所述的农作物自身生理生化数据采集及预处理：与农作物的长势及产量相关的生理、生化指标包括介电特性、叶面积指数、叶绿素含量、叶片氮磷钾含量；将上述数据进行等级划分归一化处理，得到农作物自身生理生化特征。[0016]进一步的，所述的农作物生长态势检测及产量预估模型由一个输入层、多层稀疏受限玻尔兹曼机模型和一个后向传播神经网络构成，每一层从上一层的隐单元中捕获高度相关的关联；所述的后向传播神经网络由输入层、隐层和输出层神经元组成。[0017]进一步的，所述的利用对比差异快速学习算法和步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库，农作物产量预估模型进行预训练的其步骤为：[0018]1、逐层地训练每个稀疏受限玻尔兹曼机模型获得可视层和隐藏层间的连接权重值，重复N次，直到获得最佳参数值；[0019]2、预训练模型参数确定后，为了使模型具有更好的特征表示能力，将第N层稀疏受限玻尔兹曼机模型的输出作为后向传播神经网络的输入，用带标签的数据利用共轭梯度法对模型的判别性能作优化调整，BP网络的输出即为农作物产量预估情况。[0020]本发明的有益效果：[0021]本发明通过环境信息、生理生化特征向量和图像颜色特征，组成农作生长的联合特征向量，构建基于稀疏深度信念网络的农作物生长态势检测及产量预估模型，尽可能排除人为主观影响，提高预测可靠性和精确度，为实现农作物生长态势检测及产量预估的信息化管理提供一定的理论依据和技术支撑。附图说明
[0022]图1为本发明稀疏深度信念网络示意图。
具体实施方式
[0023]下面结合附图1对本发明进行详细说明。[0024]一种农作物生长态势检测及产量预估方法，其步骤为：[0025]步骤一：农作物生长环境信息采集和预处理：布设多种类型及功能的传感器采集农作物生长环境的采集，传感器的具体类型、型号、数量根据实际农作物的种植面积和特征进行选择，主要包括1)与农作物生长相关的气象条件，包括气压、气温、相对湿度、光照度、光照时数、光合有效辐射、阴雨天数、降雨量、风速、风向、无霜期等；2)相关土壤数据包括土壤质地、容重、团聚体、PH值、氮、磷、钾、有机质、耕层厚度、微生物和中微量元素等；3)水文
5
CN 109508824 A
说 明 书
3/3页
情况包括河流名称、水位、流量、水势和雨量等；4)农药使用情况包括种类、用量和次数等。将上述数据进行等级划分或归一化处理，得到环境信息特征。[0026]步骤二：农作物自身生理生化数据采集及预处理：与农作物的长势及产量相关的生理、生化指标包括介电特性(电导、电容等)、叶面积指数、叶绿素含量、叶片氮磷钾含量等。将上述数据进行等级划分归一化处理，得到农作物自身生理生化特征。[0027]步骤三：农作物叶片图像采集和特征提取：利用视频监控设备实时采集农作物叶片图像，然后提取图形的R、G、B三个分量的均值、偏差和三阶矩阵，再进行归一化处理，得到图像颜色特征。[0028]步骤四：将步骤一至步骤三得到的环境信息特征、生理生化特征特征向量和图像颜色特征值组成农作生长的联合特征向量，进而根据农作物生长及产量的历史数据与变化规律，构建农作物生长态势及产量的联合特征向量数据库。[0029]步骤五：构建基于稀疏深度信念网络的农作物生长态势检测及产量预估模型；参照图1所示，农作物生长态势检测及产量预估模型由一个输入层、多层稀疏受限玻尔兹曼机模型和一个后向传播神经网络构成，每一层从上一层的隐单元中捕获高度相关的关联；所述的后向传播神经网络由输入层、隐层和输出层神经元组成。[0030]步骤六：利用对比差异快速学习算法和数据库中的联合特征向量对农作物产量预估模型进行预训练和微调，得到产量预测模型，具体训练步骤如下：[0031]1、逐层地训练每个稀疏受限玻尔兹曼机模型获得可视层和隐藏层间的连接权重值，重复N次，直到获得最佳参数值；[0032]2、预训练模型参数确定后，为了使模型具有更好的特征表示能力，将第N层稀疏受限玻尔兹曼机模型的输出作为后向传播神经网络的输入，用带标签的数据利用共轭梯度法对模型的判别性能作优化调整，BP网络的输出即为农作物产量预估情况。[0033]步骤七：对产量预测模型进行可靠性测试，将数据库中待测试的联合特征向量输入到训练好的产量预测模型，计算农作物产量预估结果，将预估结果与实际产量进行比较，若预估结果大于实际产量，步骤六，对预测模型结构和数据进行优化调整，反复训练产量预测模型。
6
CN 109508824 A
说 明 书 附 图
1/1页
图1
7
因篇幅问题不能全部显示，请点此查看更多更全内容