[發明專利]基于高光譜圖像融合圖譜特征的小麥植株氮含量估測方法

有效

• 申請號: 202011308778.0
• 申請日: 2020-11-19
• 公開（公告）號: CN112287886B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 楊寶華;劉碧云;黃正來;武立權;張海鵬;朱月
• 申請（專利權）人: 安徽農業大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/25;G06V10/30;G06V10/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 蘇州達權專利代理事務所(普通合伙) 32737
• 代理人: 陸堅

1.基于高光譜圖像融合圖譜特征的小麥植株氮含量估測方法，其特征在于，包括以下步驟：

步驟1：通過高光譜成像儀采集獲取小麥冠層高光譜圖像數據，同時對小麥植株進行隨機破壞性取樣，得到小麥植株樣本；

步驟2：對小麥冠層高光譜圖像數據進行預處理，包括去除噪聲及暗背景校正；具體的：

步驟2-1：利用正變換分離和重新調節數據中的噪聲，使噪聲數據只有最小的方差且沒有波段間的相關，對噪聲白化數據的標準主成分變換；

步驟2-2：將高光譜成像儀沒有對作物進行掃描時記錄的圖像DN值作為系統誤差值，進行高光譜圖像的暗背景校正；

步驟3：對小麥冠層高光譜圖像反射率進行數據處理，計算植被指數、位置和形狀特征，同時測定小麥植株樣本的植株氮含量數據；

步驟3-1：利用ENVI軟件以高光譜圖像中感興趣區域提取光譜反射率的平均值作為試驗小區的反射率，其中，小區的定義為7m×?5m的區域；

步驟3-2：根據試驗小區的反射率計算與小麥植株氮含量估測相關的植被指數；

步驟3-3：根據試驗小區的反射率提取位置和形狀特征，利用連續統去除方法處理反射率，將反射率歸一化為0～1.0；計算與小麥植株氮含量估測相關的光譜位置和形狀特征；

步驟3-4：根據試驗小區的反射率計算與小麥植株氮含量估測相關的波段位置和形狀特征；

步驟3-5：將小麥植株樣本去根洗凈，按照小麥器官分離，在烘箱中進行殺青、烘干、稱重、測定，得到小麥植株樣本的植株氮含量數據；

步驟4：利用卷積神經網絡對小麥冠層高光譜圖像提取深層特征；

步驟4-1：首先利用ENVI提取主成分高光譜圖像，然后以圖像中的小麥長勢均勻為原則，根據試驗小區不同的氮素水平、種植方式和種植密度，裁剪成尺寸為227×?227pixel的圖像；具體的：根據不同波段對應的高光譜圖像的累計貢獻率達到97%時提取前四個主成分圖像，并進行尺寸裁剪；

步驟4-2：根據步驟4-1中裁剪的四個主成分高光譜圖像，針對每個主成分高光譜圖像，利用卷積神經網絡分別提取深層特征，所述卷積神經網絡包括五層卷積層、三層池化層和兩層全連接層，卷積層提取更多的小麥冠層局部深層特征，池化層提取小麥冠層主成分高光譜圖像的顯著特征，全連接層進行特征扁平化和輸出深層特征；具體為：通過卷積神經網絡提取64維深層特征；其中卷積神經網絡的參數設置為：第一個卷積層的卷積核大小為11×?11，滑動步長為4，填充為2，經過第一個卷積層處理得到64個55×?55大小的特征圖；第一個池化層采用最大值下采樣處理，大小為3×?3，滑動步長為2，邊界不做填充處理；第二個卷積層的卷積核大小為5×?5，滑動步長為1，填充為2，經過第二個卷積層處理得到192個13×?13大小的特征圖；第二個池化層采用最大值下采樣處理，大小為3×?3，滑動步長為2，邊界不做填充處理；第三個卷積層的卷積核大小為3×?3，滑動步長為1，填充為1，經過第三個卷積層處理得到384個13×?13大小的特征圖；第四個卷積層的卷積核大小為3×?3，滑動步長為1，填充為1，經過第四個卷積層處理得到256個13×?13大小的特征圖；第五個卷積層的卷積核大小為3×?3，滑動步長為1，填充為1，經過第五個卷積層處理得到256個13×?13大小的特征圖；第三個池化層采用最大值下采樣處理，大小為3×?3，滑動步長為2，邊界不做填充處理；特征圖經過第一個全連接層處理被扁平化為1000維的全局特征，經過第二個全連接層降維后輸出64維的深層特征；其中卷積核即感受視野中的權重w矩陣的方式獲得不同性質的特征來實現特征提取功能，它與上一層的連接方式為局部連接，其計算公式為：

；

其中是卷積層l的輸入張量，f_m,n是維度為H×?W的卷積核，是該卷積層的輸出張量，i?,j是張量的坐標，m?,n是卷積核的坐標值；

步驟5：將植被指數、位置和形狀特征、深層特征分別與小麥植株氮含量數據進行相關分析，利用隨機森林算法、相關系數分析法確定優選的特征，所述位置和形狀特征包括光譜位置和形狀特征、波段位置和形狀特征；

步驟5-1：利用隨機森林算法進行植被指數優選：通過計算植被指數的相對重要性確定優選的植被指數；

步驟5-2：利用相關系數分析方法進行位置和形狀特征優選：通過計算位置和形狀特征與小麥植株氮含量的相關系數，確定優選的位置和形狀特征；

步驟5-3：利用隨機森林算法進行深層特征優選：通過計算深層特征的相對重要性確定優選的深層特征；

步驟6：將優選的植被指數、優選的位置和形狀特征、優選的深層特征及融合圖譜特征作為輸入變量，小麥植株氮含量作為目標變量，建立支持向量回歸SVR模型的小麥植株氮含量估測模型；所述融合圖譜特征是通過并行融合策略融合了優選的植被指數、優選的位置和形狀特征、優選的深層特征；

計算校正集的決定系數R²和均方根誤差RMSE，評價支持向量回歸SVR模型在小麥植株氮含量估測上的表現；

步驟7：根據田間試驗數據，采用留一交叉驗證法對小麥植株氮含量估測模型進行精度驗證，并計算測試集的決定系數R²、均方根誤差RMSE和剩余預測偏差RPD；

具體的，剩余預測偏差RPD的計算公式為：

；

其中，為實測值，為實測值均值，n₁為樣本數量，RMSE表示測試集的均方根誤差；

通過比較不同估測模型測試集的R²和RPD，得到基于融合圖譜特征的支持向量回歸SVR模型為最佳小麥植株氮含量估測模型。