(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210561268.7 (22)申请日 2022.05.23 (71)申请人 青岛农业大 学 地址 266000 山东省青岛市城阳区长城路 700号 (72)发明人 尚书旗　王海清　王东伟　何晓宁　 岳丹松　申世龙　朱浩　李成鹏　 王悦涛　张梅　董成　张春晓　 谭营　纪瑞琪　 (74)专利代理 机构 青岛汇智海纳 知识产权代理 有限公司 373 35 专利代理师 王丹丹　万桂斌 (51)Int.Cl. G01N 21/95(2006.01) G01N 21/25(2006.01)G01B 11/00(2006.01) G01B 11/28(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/40(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (54)发明名称 基于冠层参数处理的花生病害检测与产量 预测方法 (57)摘要 本发明公开一种基于冠层参数处理的花生 病害检测与产量预测方法， 对花生苗期、 花期、 结 果期的高光谱图像和叶片图像进行采集， 提取花 生不同生长时期的特征图像， 计算归一化植被指 数、 叶面积指数， 并对归一化植被指数和叶面积 指数进行相关性分析； 建立花生叶片病害快速检 测模型， 识别图片中花生叶片的病害类型和位 置； 最后， 将归一化植被指数、 叶面积指数及其相 关性系数与病害类别和位置数据输入CNN ‑LSTM 网络， 建立花生冠层参数相关性 分析与产量预测 模型， 输出花生产量预测值。 本方案利用图像处 理技术与数据分析方法， 从花生的产量与病害情 况等方面进行花生生长过程的监测与预测， 达到 通过数据分析获取作物长势情况并指导农业生 产的目的。 权利要求书3页 说明书10页 附图4页 CN 114965501 A 2022.08.30 CN 114965501 A 1.基于冠层参数处 理的花生病害检测与产量预测方法， 其特 征在于， 包括以下步骤： 步骤A、 分别 采集花生苗期、 花期和结果期的冠层光谱图像信 息， 以及花生苗期、 花期和 结果期的叶片图像信息， 并记录采集的时间信息； 步骤B、 基于步骤A获得的冠层光谱图像信息， 通过表型特征处理获取花生的归一化植 被指数和叶面积指数， 并对归一化植被指数和叶面积指数进行相关性分析， 得到花生不同 生长时期归一 化植被指数和叶面积指数与花 生生长的相关性系数； 步骤C、 建立花生叶片病害识别 模型， 基于步骤A所获得的叶片图像信息， 识别图片中花 生叶片的病害类型和位置； 步骤D、 将归一化植被指数、 叶面积指数及其相关性系数与病害类型和位置的数据输入 CNN‑LSTM网络， 通过CN N‑LSTM分析处 理， 最终输出花 生产量预测值。 2.根据权利要求1所述的基于冠层参数处理的花生病害检测与产量预测方法， 其特征 在于： 所述 步骤D具体包括以下步骤： 步骤D1、 数据特 征提取与降维； 将提取的归一化植被指数、 叶面积指数及其相关性系数与叶片病 害类别和位置数据按 照所采集的苗期、 花期、 结果期的时间顺序输入CNN网络， CNN网络包括卷积层和池化层， 通 过网络的卷积和池化操作实现对数据特 征的提取和降维； 步骤D2、 建立归一化植被指数、 叶面积指数及其相关性系数与病害类别和位置数据的 花生冠层参数相关性分析模型； ft＝sigmoid(wftxt+wftst‑1+bt) it＝sigmoid(wixxt+wisst‑1+bi) ot＝sigmoid(woxxt+wosst‑1+bc) 其中， ft是遗忘门的输出信号， 决定记忆单元c的遗忘比例； it是输出门的输出信号， 决 定当前输入信息有多少 输入到记忆单元c中； 是将要输入到记忆单元c中的预备信息， 与 it点乘得到记忆单元c 中的信息； ot是输出门的输出信号， 决定记忆单元c输出到当前状态s 中的比例； 是当前将要输出到隐含层状态s的预备信息， ot与其点乘得到产量的信息； s是 隐含层的状态信息； xt是t时刻的输入值； w是权 重矩阵； bt是偏置参数； 步骤D3、 通过CN N‑LSTM网络拟合训练好的数据， 输出花 生产量预测值pt； 进而实现对花 生产量的预测。 3.根据权利要求1所述的基于冠层参数处理的花生病害检测与产量预测方法， 其特征 在于： 所述 步骤D2具体通过以下 方式实现： (1)LSTM网络包括层单元， 每一层的隐含神经元数目根据输入进行设定， 并在花生冠层 参数相关性分析模型之 间添加按点逐位相加的特征融合操作， 将多个光谱 特征与多个图像 特征进行相加操作， 得到高光谱特 征；权　利　要　求　书 1/3 页 2 CN 114965501 A 2其中， x， y分别表示高光谱特征矩阵与病害特征矩阵的数据， F表示特征融合的线性映 射函数， 表达式为： F＝xiyi,xi,yi∈Rm (2)将经过特征融合的数据按照苗期、 花期、 结果期的时间顺序输入的LSTM网络， 网络 中的遗忘门、 输入门和输出门通过数据的不断迭代训练调整自身参数， 使LSTM网络从CNN网 络提取的数据信息中学习数据间的时间拟合关系， 输出不同时期的光谱数据与病害信息的 相关性系数 进而得到花 生冠层参数相关性分析模型。 4.根据权利要求1所述的基于冠层参数处理的花生病害检测与产量预测方法， 其特征 在于： 所述 步骤C具体通过以下 方式实现： (1)制作花生病害图像数据集， 对图像进行标定， 并划分为训练集和测试集， 增 强数据 样本， 其中， 所述病害类型包括褐斑病 、 花生锈病； (2)构建改进型YOLOv5网络模型； 在原YOLOv5网络模型结构的基础上， 将YOLOv5网络模 型的C3模块与FPN+PANet模块， 对应的替换为CBAM  C3模块与Co ncat_BiFPN模块； (3)将训练集与测试集分别输入改进型YOLOv5网络模型进行训练与测试， 不断调整模 型参数， 输出病害目标 标签、 目标 标注框的位置信息 。 5.根据权利要求1所述的基于冠层参数处理的花生病害检测与产量预测方法， 其特征 在于： 所述 步骤B具体通过以下 方式实现： 步骤B1、 归一 化植被指数计算： (1)通过Harris特征检测器获取冠层光谱图像的特征匹配点并进行无人机图像的拼 接， 获取试验田全局的冠层光谱图像； (2)利用小波分析算法和光谱归一化非均匀性校正方法对冠层光谱图像进行预处理， 去除环境噪声的影响； 采用二 维卷积模 型CNN进行卷积和池化操作， 经过一 维卷积将冠层光 谱图像处理为彩色图像， 并从彩色图像的红色、 绿色、 蓝色的光谱带中提取彩色特征， 经二 维卷积处 理输出特征图， 从特 征图中提取 特征图像的纹 理和形态特 征； (3)基于特征图像的纹理和形态特征进行归一化植被指数NDVI的计算， NDVI的计算公 式为： NDVI＝(float(b2)‑float(b1))/(float(b2)+fl oat(b1)) 其中， b1： 近红外通道， b2： 红通道； 步骤B2、 叶面积指数计算： 进行花生不同时期土地覆盖类型的叶面积指数LAI的计算， 将计算得到的LAI保存为 ENVI标准文件， LAI的计算公式为： 步骤B3、 对归一化植被指数NDVI与叶面积指数LAI进行相关性分析， 分析在花生不同生 长时期中NDVI与LAI等参 数与花生生长的相关性， 以相关系数rxy为衡量标准， 具体计 算过程权　利　要　求　书 2/3 页 3 CN 114965501 A 3