基于卷积神经网络的农田土壤肥力评价方法技术

本发明专利技术公开了一种基于卷积神经网络的农田土壤肥力评价方法，包括步骤：获取原始农田图像，并建立农田土壤肥力分类模型；对每张原始农田图像进行归一化处理，对归一化后原始数据进行数据扩充形成训练集；采用训练集对农田土壤肥力分类模型进行训练，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类模型，输出对应分类结果；统计分析后得到目标农田的肥力评价等级。本发明专利技术在不破坏农田和作物生长的情况下获得样本，通过深度学习反复计算出当前地块的土壤肥力情况，节省人力物力，分类准确度高；同时结合土壤肥力多参数时空分布规律，为最终智慧农业中的精准施肥提供有效的技术支持。

【技术实现步骤摘要】
基于卷积神经网络的农田土壤肥力评价方法
本专利技术涉及土壤肥力评价
，具体涉及一种基于卷积神经网络的农田土壤肥力评价方法。
技术介绍
传统农作物生长状况观测需要人为的现场观测，工作量大，且容易破坏农田。我国是世界上人口最多的国家，从古至今的农业生产模式主要以小规模劳作为主的传统农业生产、经营劳动模式。而传统的劳动模式农业生产率低、规模小、组织化程度低，导致我国当前农业生产劳动率产出不高，且目前我国农业资源利用效率低下，进一步加重了生态自然环境的恶化程度等一系列的问题。目前，现代化农业产品生产发展高效、精准培养、环保的经营模式是解决当前农业生产中诸多难题的主要出路。我国农业正处于从传统行业向现代化农业迅速推进的过程中，农业物联网是我国农业现代化的重要技术支撑。将通过各类传感器、视觉图像采集终端等感知设备获取的海量农业信息数据进行融合并通过智能化操作终端实现农业的自动化、最优化、智能化等处理，从而实现农业高产、优质、高效等目标。农业物联网技术的引进加快了我国农业逐渐朝着现代化智慧农业前进的脚步，农作物生产效率增加，生产模式多元化，使土地资源利用率达到最大化。物联网技术的成熟使农业可持续发展成为可能。农作物在生长过程中土壤的质量是至关重要的，而土壤的肥力是判断土壤质量的重要指标。目前的土壤肥力评价都是通过在农田中大量采集土壤样本，然后在实验室进行土壤理化性能分析来实现的；这种方法中不同样本的结果差异大，且每个样本只能反映某一小块的土壤性能，缺乏全局表征；更重要的是，目前的评价方法费时费力，需要大量劳动力和时间，效率低。此外，土壤肥力评价存在许多主客观影响因素，土壤肥力综合评价还需要改进和完善。
技术实现思路
针对现有技术中存在的问题，本专利技术的目的在于提供一种基于卷积神经网络的农田土壤肥力评价方法，采用无人机遥感获取土壤图像样本，在不破坏农田和作物生长的情况下获得样本，通过深度学习在不同时期反复计算出当前地块的土壤肥力情况，节省人力物力，同时结合土壤肥力多参数时空分布规律，为最终智慧农业中的精准施肥提供有效的技术支持。为了达到上述目的，本专利技术采用以下技术方案予以实现。基于卷积神经网络的农田土壤肥力评价方法，包括以下步骤：步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类模型，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级。进一步地，所述获取原始农田图像为通过无人机拍摄获取农作物生长的农田图像。进一步地，所述农田土壤肥力分类模型包含输入层、多个卷积层、多个池化层、两个全连接层和输出层；每个卷积层对应的激活函数为relu，之后连接一个池化层；最后一个池化层输出的多维数据通过Flatten函数转化为一维数据后经过Dropout防止过拟合；第一层全连接层将所有的神经元连接起来，使用relu激活函数实现x＝max[0,x]，第二层全连接层使用sofemax激活函数输出分类概率值；其中，每个卷积层分别由多个卷积核和偏置组成，第一个卷积层的卷积核的通道数等于输入图片的通道数；每个卷积层分别用于提取每张图像的不同特征。进一步地，所述归一化处理为对每张原始农田图像中的每个像素值乘以预设的缩放因子，使每张原始农田图像的像素值归一化至0到1之间。进一步地，所述对归一化后原始数据进行数据扩充，具体为：对归一化后原始数据中的每个数据矩阵分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到五组变换后的数据矩阵，即为扩充数据；其中，所述翻转变换为沿着水平或者垂直方向翻转原始数据矩阵；所述缩放变换为按照设定比例反打或者缩小原始数据矩阵；所述平移变换为在图像平面上对归一化后的图像进行随机或者设定方式的平移，以改变图像内容的位置；所述尺度变换为对图像按照指定的尺子因子进行放大或者缩小，改变图像内容的大小或者模糊程度；所述错切变换为指定每张归一化后原始图像中所有像素点的x坐标或者y坐标保持不变，对应的y坐标或者x坐标则按比例发生平移，且平移的距离与该像素点到x轴或y轴的垂直距离成正比。进一步地，所述采用训练集对农田土壤肥力分类模型进行训练，其具体过程为：3.1，对农田土壤肥力分类模型中的权值参数和偏置进行随机初始化；3.2，将训练集中的每张图像作为输入数据依次输入农田土壤肥力分类模型，每次输入一个样本；输入图像的张量为M*N*S，其中M*N为输入图像的大小，S为通道数；3.3，将每张输入图像转换成S层二维像素矩阵，经过卷积层提取特征矩阵，池化层对特征矩阵进行下采样，经过多次卷积和池化过程，得到一个或多个多维矩阵，再通过两个全连接层对一个或多个多维矩阵进行数据整合，展开成概率的一维特征向量，最后输出分类概率值；3.4，采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，直至损失函数小于设定值或所有训练样本训练完成，结束训练，得到训练后的农田土壤肥力分类网络。进一步地，所述采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，具体为：(a)设定批量大小；(b)当前批量训练结束后，计算当前批量与上一批量的交叉熵即损失函数，其计算公式为：其中，L是损失值，N是一次要训练的图片数量，即批量大小，y(i)是真实样本标签，是农田土壤肥力分类模型输出的概率值；(c)根据当前批量的损失值，对农田土壤肥力分类模型中的权值参数和偏置进行更新，再进行下一批量的训练，如此往复，直至训练结束。进一步地，所述将所有待评价图片的分类结果进行统计分析，具体为：首先，统计所有待评价图片的分类结果为茂密的图片个数k，计算目标农田的商值K＞16，为待评价图片总数；然后，采用该商值作为目标农田土壤肥力评价指标；当s≥0.85时，土壤肥力评价为优；当0.7≤s＜0.85时，土壤肥力评价为良；当0.6≤s＜0.7时，土壤肥力评价为中；当s＜0.6时，土壤肥力评价为差。与现有技术相比，本专利技术的有益效果为：本专利技术通过无人机遥感图像作为评价样本，避免了传统的现场土壤采样，节省人力物力；同时，通过建立卷积神经网络去学习农作物的特征，在日常的生产过程中通过无人机去获取图像再经过建立好的模型算法对获取的图像自动判别，能够减少大量人力和物力，加快农业生产的自动化程度。无人机遥感图像的获取能够在短时间内完成对大型农场基地土壤肥力的检测，快速的了解到农场土壤肥力的信息。农作物土壤图像识别技术能够加快土壤肥力的信息化本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的农田土壤肥力评价方法，其特征在于，包括以下步骤：/n步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；/n其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；/n步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；/n步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；/n步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类网络，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级。/n

【技术特征摘要】
1.基于卷积神经网络的农田土壤肥力评价方法，其特征在于，包括以下步骤：
步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；
其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；
步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；
步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；
步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类网络，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级。


2.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述获取原始农田图像为通过无人机拍摄获取农作物生长的农田图像。


3.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述农田土壤肥力分类模型包含输入层、多个卷积层、多个池化层、两个全连接层和输出层；每个卷积层对应的激活函数为relu，之后连接一个池化层；最后一个池化层输出的多维数据通过Flatten函数转化为一维数据后经过Dropout防止过拟合；第一层全连接层将所有的神经元连接起来，使用relu激活函数进行x＝max[0，x]操作，第二层全连接层使用sofemax激活函数输出分类概率值；
其中，每个卷积层分别由多个卷积核和偏置组成，第一个卷积层的卷积核的通道数等于输入图片的通道数；每个卷积层分别用于提取每张图像的不同特征。


4.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述归一化处理为对每张原始农田图像中的每个像素值乘以预设的缩放因子，使每张原始农田图像的像素值归一化至0到1之间。


5.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述对归一化后原始数据进行数据扩充，具体为：对归一化后原始数据中的每个数据矩阵分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到五组变换后的数据矩阵，即为扩充数据；
其中，所述翻转变换为沿着水平或者垂直方向翻转原始数据矩阵；所述缩放变换为按照设定比例反打或者缩小原始数据矩阵；所述平移变换为在图像平面上对归一化后的图像进行随机或者设定方式的平移，以改变图像内容的位置；...

【专利技术属性】
技术研发人员：冀汶莉，朱鹏飞，刘广财，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61