一种图像识别的水稻缺肥实时监测与精准施肥系统及方法与流程

本发明涉及监测，更具体地说，本发明涉及一种图像识别的水稻缺肥实时监测与精准施肥系统及方法。

背景技术：

1、水稻作为全球最重要的粮食作物之一，其产量和品质直接影响着粮食安全和社会经济稳定。水稻的生长发育过程中，合理施用化肥对其产量和质量至关重要。然而，由于土壤肥力差异、气候条件、耕作管理等多种因素影响，田间水稻往往可能出现不同程度的养分缺乏或过量现象。现有的水稻施肥管理主要依赖农民的经验和常规的土壤检测，这种方法存在主观性和滞后性，不能实时准确地判断水稻是否真正缺肥，易导致盲目施肥或错过最佳施肥时机，进而影响产量和增加环境污染。

2、传统的水稻缺肥诊断技术主要包括实验室土壤分析法和基于植物生理指标的现场诊断法。实验室土壤分析法通过对土壤样品进行化学检测，获得氮、磷、钾等主要养分含量，再结合作物养分吸收规律和土壤肥力评价标准来指导施肥。然而，这种方法费时费力，且不能实时反映作物对养分的实际需求。另一种已有的实现方案是基于植物表观特征的视觉评估和图像分析技术。例如，利用无人机搭载多光谱相机进行航空遥感监测，通过对比不同养分水平下水稻植株的叶色指数、叶面积指数等参数的变化来间接判断其是否缺肥

3、但是其在实际使用时，仍旧存在一些缺点，如以上两种传统方法均未能实现对水稻个体或群体层面的实时、精准、无损地缺肥诊断，因此，一种图像识别的水稻缺肥实时监测与精准施肥系统及方法应运而生。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种图像识别的水稻缺肥实时监测与精准施肥系统及方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、数据采集模块：用于使用采集设备采集影像数据，并将采集到的影像数据传输至影像预处理模块中；

4、影像数据预处理模块：用于对原始影像进行辐射校正、几何校正和大气校正预处理步骤；

5、特征提取模块：用于从处理后的数据中提取植被指数和光谱特征；

6、构建预测水稻缺肥程度的识别模型模块：用于构建预测水稻缺肥程度的识别模型模块，包括样本收集、实测和模型设计；

7、模型训练与验证细化模块：用于将数据集进行划分，再将图像进行标注与预处理，并将模型进行训练；

8、实时监测模块：用于使用无人机搭载的多光谱相机持续不断地对水稻田进行周期性、全方位的空中摄影，并将数据实时传输至控制端。

9、优选的，所述数据采集模块中，利用装备有多光谱或高光谱相机的无人机对水稻田进行周期性、全方位、多角度的航空摄影，获取包含多个时间阶段、多种视角和多种光谱信息的高质量影像数据；这些相机能捕捉到不同波段的电磁波，其中一些特定波段与水稻叶片中叶绿素含量、水分状况以及氮、磷、钾等重要营养元素的生物化学性质紧密相关。

10、优选的，所述影像数据预处理模块中，数据处理中的步骤是抵消太阳辐射、地形起伏、大气散射等因素对光谱信号的干扰，保证数据的一致性和准确性。

11、优选的，所述特征提取模块中，植被指数包括归一化植被指数、植被还原指数；

12、光谱特征的提取方法具体为：

13、光谱特征提取：通过分解高光谱数据为多个窄波段的光谱曲线，提取各个波段的光谱特征；

14、特征选择：通过光谱分析特征波长和光谱区间对氮、磷、钾含量的变化最为敏感的区域，利用机器学习算法进行特征选择；

15、模型建立：基于选定的特征波长和光谱区间，建立模型预测氮、磷、钾含量的变化；

16、模型验证：对建立的模型进行验证，评估其预测精度和稳定性，确保模型的可靠性和适用性。

17、优选的，所述构建预测水稻缺肥程度的识别模型模块中，包括样本收集与实测单元和模型设计单元；

18、样本收集与实测单元：在田间实地取样，包括收集无人机拍摄的水稻田图像及其对应的地块内水稻植株样品，经实验室测定获取其实际氮、磷、钾含量作为标准值；

19、模型设计单元：利用支持向量机方法，根据无人机影像中的光谱特征和实验室测量的养分含量数据，构建预测水稻缺肥程度的识别模型。

20、优选的，所述模型训练与验证细化模块中，将样本数据集分割为训练集和测试集，将80％的数据用于训练，20％的数据用于测试，验证模型在未知数据上的泛化性能。

21、优选的，针对样本类别健康水稻与缺肥水稻数量相差悬殊的问题，传统交叉熵损失函数易导致模型偏好预测多数类；focal loss通过引入调制因子γ和类别权重ε，对易分类样本分配较低权重，对难分类样本赋予更高权重，以平衡各类别样本的学习权重。

22、优选的，所述实时监测模块，无人机搭载的多光谱相机持续不断地对水稻田进行周期性、全方位的空中摄影，获取包含多个生长阶段、不同视角和丰富光谱信息的高清影像资料，这些多光谱或高光谱影像数据能够揭示与水稻叶片叶绿素含量、水分状态及氮、磷、钾关键营养元素含量相关的生物化学特性；利用已经训练完成的水稻缺肥识别模型，对接收到的无人机实时采集的最新影像数据进行快速处理和深入分析；模型通过对影像中的光谱特征和植被指数等信息进行综合判断，实时估算出整片稻田中各区域的氮、磷、钾养分分布状况及其缺失程度。

23、本发明的技术效果和优点：

24、1、本发明通过对无人机拍摄的多光谱图像进行深度分析，计算出植被指数及其他相关的光谱特征参数，这些参数能够高度敏感地反映出水稻等作物体内氮、磷、钾等必需营养元素的缺失情况，实现了从宏观到微观的高精度识别，克服了单凭肉眼判断或常规化学测试手段的局限性和滞后性，有利于早发现、早干预作物营养失衡问题。

25、2、基于本发明获取的精确监测数据，设计了一种智能化施肥处方图生成算法，可以根据作物的实际营养需求，指导无人机实施精确施肥作业，既能避免因盲目施肥造成的环境破坏和资源浪费，又能防止因施肥不足影响作物的产量和品质，实现按需施肥，精准调控。

26、3、本发明通过减少无谓的人力田间劳作，以及避免因不精准施肥引起的额外损失，明显降低了农业生产成本。同时，这种精准施肥方式有助于减少化肥流失至水体和土壤，减轻农业活动对环境的负面影响，符合绿色可持续农业的发展战略。

27、4、本发明构建了一套集成了多源数据、机器学习和大数据分析技术的精准农业决策支持系统，能够为农业生产者提供科学合理的施肥策略建议，增强了农业管理的精准度和预见性，满足了现代农业精细化、智能化管理的需求，进而推动整个农业产业链向高效、环保的方向发展。

28、5、本发明通过集成无人机多光谱遥感技术，能够在短时间内覆盖大面积农田，实时捕捉和连续监测作物的生长状态和营养状况，大大提高了监测效率，解决了传统方法无法实时、全面掌握农田整体营养动态的难题

技术特征：

1.一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于，包括：

2.根据权利要求1所述的一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：所述数据采集模块中，利用装备有多光谱或高光谱相机的无人机对水稻田进行周期性、全方位、多角度的航空摄影，获取包含多个时间阶段、多种视角和多种光谱信息的高质量影像数据；这些相机能捕捉到不同波段的电磁波，其中一些特定波段与水稻叶片中叶绿素含量、水分状况以及氮、磷、钾等重要营养元素的生物化学性质紧密相关。

3.根据权利要求1所述的一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：所述影像数据预处理模块中，数据处理中的步骤是抵消太阳辐射、地形起伏、大气散射等因素对光谱信号的干扰，保证数据的一致性和准确性。

4.根据权利要求1所述的一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：所述特征提取模块中，植被指数包括归一化植被指数、植被还原指数；

5.根据权利要求1所述的一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：所述构建预测水稻缺肥程度的识别模型模块中，包括样本收集与实测单元和模型设计单元；

6.根据权利要求1所述的一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：所述模型训练与验证细化模块中，将样本数据集分割为训练集和测试集，将80％的数据用于训练，20％的数据用于测试，验证模型在未知数据上的泛化性能；

7.根据权利要求6所述的一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：针对样本类别健康水稻与缺肥水稻数量相差悬殊的问题，传统交叉熵损失函数易导致模型偏好预测多数类；focalloss通过引入调制因子γ和类别权重ε，对易分类样本分配较低权重，对难分类样本赋予更高权重，以平衡各类别样本的学习权重，focalloss计算方法具体为：

8.根据权利要求1所述的一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：所述实时监测模块，无人机搭载的多光谱相机持续不断地对水稻田进行周期性、全方位的空中摄影，获取包含多个生长阶段、不同视角和丰富光谱信息的高清影像资料，这些多光谱或高光谱影像数据能够揭示与水稻叶片叶绿素含量、水分状态及氮、磷、钾关键营养元素含量相关的生物化学特性；利用已经训练完成的水稻缺肥识别模型，对接收到的无人机实时采集的最新影像数据进行快速处理和深入分析；模型通过对影像中的光谱特征和植被指数等信息进行综合判断，实时估算出整片稻田中各区域的氮、磷、钾养分分布状况及其缺失程度。

9.根据权利要求1所述的一种图像识别的水稻缺肥实时监测与精准施肥方法，使用如权利要求1-8任一项所述一种图像识别的水稻缺肥实时监测与精准施肥系统，其特征在于：

技术总结本发明公开了一种图像识别的水稻缺肥实时监测与精准施肥系统及方法，具体涉及监测领域，包括数据采集模块、影像数据预处理模块、特征提取模块、构建预测水稻缺肥程度的识别模型模块、模型训练与验证细化模块、实时监测模块；本发明通过采集影像数据，并传输至影像预处理模块，再进行辐射、几何和大气校正；接着，特征提取模块从处理后的数据中提取植被指数和光谱特征，供构建水稻缺肥程度预测模型使用；模型构建模块负责样本收集、实测和模型设计，而训练与验证细化模块用于数据集划分、图像标注、预处理和模型训练；最后，实时监测模块通过无人机搭载的多光谱相机对水稻田进行摄影，并将数据实时传输至控制端，实现对水稻生长状态的实时监测。技术研发人员：高超,张明,石红岩受保护的技术使用者：黑龙江农投大数据科技有限公司技术研发日：技术公布日：2024/11/14