[发明专利]一种智慧高效监控农作物种质资源生育期的方法

说明书

本发明公开一种智慧高效监控农作物种质资源生育期的方法，包括步骤：将监控地块进行分割和标记，并使用无人机拍摄所需监控地块照片；从农作物植株照片中分离出单个农作物植株，计算单个农作物植株轮廓；对分离后的农作物植株轮廓照片进行生育期分类；使用农作物植株轮廓照片对深度卷积神经网络进行训练；使用验证照片对深度卷积神经网络进行验证；使用深度卷积神经网络对所需监控地块照片内的农作物植株所处的生育期进行分类统计，判断农作物所处的整体生育期。本发明在农作物资源的生育期监控方法过程中，对不同区域内的单个植株的成熟度可以实现自动化精确地分类统计，并对各个区域自动编号、记录和统计，并实现总体农作物资源生育期的分析。

技术领域

本发明涉及农作物生育期监控系统，尤其涉及一种智慧高效监控农作物种质资源生育期的方法。

背景技术

农作物种质资源是农业科技原始创新、现代种业发展的物质基础，是保障粮食安全、建设生态文明、支撑农业可持续发展的战略性资源，农作物种质资源的收集、保存、鉴评等工作具有公益性、基础性和长期性等显著特点。一直以来都非常重视农作物种质资源和种业科技创新，但是仍存在许多问题，农作物种质资源深度鉴评不够。我国已经保存的48万余份350多种农作物种质资源仅2％左右开展了深度鉴评，导致丰富的种质资源数量优势和特色资源尚未转化为品种优势和经济效益。

农作物资源生育期监控是资源鉴评中必不可少的一个重要环节。现有的监控方法中，一般采用人工监控记载，但是随着人们生活水平的提高，可用劳动力的减少，单纯依靠人工监控，费时费力；在人工监控过程中，只能对不同地块进行抽样调查，难以精确地分类统计，也不能自动编号、记录和统计，致使最后在总体统计分析方面也是不尽人意。

深度学习是机器学习的一个新的领域，通过建立类似人脑的多层人工神经网络来模拟人脑存储和处理数据信息的机制，以此来解译图像，声音和文本等数据格式。与传统的专家系统相比，深度学习系统具有强大的自适应能力，可较好的处理边缘和边角案例，并且系统复杂度不会因数据量增加而增加。这些优势，使得深度学习在当今大数据背景下，获得了大量应用。深度学习分为监督学习与无监督学习，不同的学习框架下建立的学习模型是不同的。例如，本专利采用的卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep BeliefNets，简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行种质资源生育期监控的技术。

发明内容

为克服现有技术的不足，本发明提出一种智慧高效监控农作物种质资源生育期的方法，即基于深度学习卷积神经网络的农作物生育期监控方法。

本发明的技术方案是这样实现的：

一种智慧高效监控农作物种质资源生育期的方法，包括步骤

S1：将监控地块进行分割和标记，并使用无人机拍摄所需监控地块照片；

S2：利用基于卷积神经网络的目标检测方法从农作物种质资源的植株照片中分离出单个作物植株，利用计算机视觉算法，计算单个作物植株轮廓和单个植株典型部位及其色泽；

S3：对分离后的农作物资源植株轮廓照片进行生育期分类，作为深度学习的训练样本；

S4：使用S3中的人工分类结果，利用所述资源植株轮廓照片对深度卷积神经网络进行训练，使之能对不同生育期进行精确分类；

S5：使用验证照片对所述深度卷积神经网络进行验证；

S6：使用所述深度卷积神经网络对所需监控地块照片内的农作物植株所处的生育期进行分类统计，以此判断农作物种质资源所处的整体生育期。

进一步地，所述步骤S1包括步骤

S11：利用机器学习判断农作物资源的植株轮廓是否为单一植株；