[發明專利]基于低空遙感的大田作物干旱表型提取與抗旱性評估方法

有效

• 申請號: 202011005867.8
• 申請日: 2020-09-18
• 公開（公告）號: CN112183292B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 張建;蔣釗;熊立仲;涂海甫;謝靜;楊萬能
• 申請（專利權）人: 華中農業大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/82;G06T3/40;G06T7/62;G06T7/00;G06N3/04;G06N3/08;G06Q50/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于低空遙感的大田作物干旱表型提取與抗旱性評估方法，其特征在于，包括如下步驟：

步驟A，使用無人機平臺搭載高清單反相機，對大田作物種質資源進行高通量、高頻次的數據采集，用于提取連續變化的動態表型數據；

步驟B，在田間進行人工卷葉評級，獲得卷葉指數LRS；

步驟C，在人工卷葉評級相應的時間同步拍攝大田作物圖像，用于構建自動卷葉打分模型的數據集；

步驟D，在抽穗期之前選取部分田塊，對生物量鮮重FW、干重DW和含水量PWC進行有損測量，在破壞性取樣之前采集一次無人機圖像數據用于生物量建模；

步驟E，使用Agisoft PhotoScan軟件拼接無人機高清圖像，得到正射影像DOM和數字表面模型DSM；

步驟F，選取與人工卷葉打分相對應的作物田塊，并勾畫出面積相同的矢量面，將整個作物田塊的正射影像DOM裁剪成以不同品種的小田塊為單位的圖像數據集，每一個時期的每一個田塊都有人工卷葉指數LRS與其對應；

步驟G，將各期圖像裁剪為相同的大小，并使用過采樣的方法進行多次隨機裁剪，在數據增廣的同時，通過控制裁剪得到的圖像數量，使數據集中各卷葉等級的圖像分布均衡；

步驟H，模型構建，使用Keras深度學習庫進行卷積神經網絡的構建與訓練，用于卷葉自動打分；具體地，模型構建使用Keras深度學習庫Tensorflow后端進行卷積神經網絡的構建與訓練，用于卷葉指數自動打分，利用VGG16基礎模型結構，去掉原模型的全連接層，添加一個全局平均池化層和三個大小分別為512、512、1的全連接層，并在全連接層之間添加20％的dropout正則化；模型的最后一個全接層即為卷葉指數的輸出；

步驟I，模型訓練與驗證，使損失函數下降并趨于穩定，并根據驗證集的損失函數保存精度最高的模型；

步驟J，卷葉自動打分模型測試：將訓練好的卷葉打分模型用于新一年的數據，結合相應的人工卷葉打分數據，通過模型在新數據集上的泛化能力測試模型的魯棒性；

步驟K，生物量建模，根據數字表面模型DSM提取得到的地上部分體積量AGV，對有損測量的鮮重FW、干重DW和含水量PWC建立經驗線性回歸模型；

步驟L，綜合性表型性狀的計算：結合上述卷葉指數LRS，以及建模得到的植被含水量PWC，計算得到葉片相對含水量LWI，用于綜合評估干旱和水分脅迫對作物葉片含水量的影響；

步驟M，將卷葉自動打分模型與生物量估算模型應用于大田抗旱育種試驗，評估不同作物品種的抗旱能力。

2.根據權利要求1所述的基于低空遙感的大田作物干旱表型提取與抗旱性評估方法，其特征在于：步驟A的數據采集涵蓋干旱脅迫前、脅迫中，以及脅迫后的恢復期。

3.根據權利要求2所述的基于低空遙感的大田作物干旱表型提取與抗旱性評估方法，其特征在于：步驟B中，從干旱脅迫開始直到脅迫后的恢復期，每天早上和傍晚在田間進行人工卷葉評級，按照卷葉嚴重程度將其評定為1至5五個等級，1級為未出現卷葉的健康狀態，2級為超過20％的葉片發生卷曲，3級為超過40％的葉片發生卷曲，4級為超過60％的葉片發生卷曲，5級為超過80％的葉片發生卷曲，3人分別憑經驗和主觀感受進行卷葉評級，然后取其平均值作為該品種的作物田塊在該時刻的卷葉等級。

4.根據權利要求1所述的基于低空遙感的大田作物干旱表型提取與抗旱性評估方法，其特征在于：步驟I中的模型訓練與驗證，將隨機裁剪和類別均衡之后的數據集按8∶2的比例劃分為訓練集和驗證集，使用Keras中的DataGenerator進行實時數據增強與訓練批次的生成，其中實時數據增強包括隨機旋轉、水平翻轉、垂直翻轉；使用MSE作為損失函數，使用Adam優化器進行參數更新和優化，設置batch size為256，每一輪訓練10個批次，訓練與驗證過程交替進行，一共訓練300輪，使損失函數下降并趨于穩定，并將驗證集的MSE損失作為模型監視器，只在驗證集的MSE損失值減小時，才更新模型文件。