[发明专利]一种联合机器视觉与作物模型的农田估产方法

权利要求书

1.一种联合机器视觉与作物模型的作物估产方法，其特征在于，包括如下步骤：

步骤1，采用拍摄设备在一个或多个日期对作物进行多角度拍摄冠层照片；

步骤2，使用机器视觉模型从步骤1中的多角度照片中提取作物状态观测数据，并对各个观测数据的不确定性进行量化；

步骤3，将从同一日期观测的所有照片中提取的同一类作物状态数据融合为一个作物状态，即对同一日期观测的所有照片解译出的相同作物状态进行加权平均，权重依据各张照片的标准差确定，并计算每个作物状态的期望与方差，使得同一日期观测的所有照片得到的多组作物状态融合为一组观测向量；

步骤4，使用作物生长模型，结合当前日期的初始条件、作物参数、农田管理数据和气象数据对作物生长进行预测，得到下一拍摄日期的作物状态；

步骤5，使用数据同化方法，将步骤3中融合后的观测数据与步骤4中预测的状态进行加权，以得到当前日期的作物状态的最优估计；其中，步骤5具体包括如下子步骤：

步骤5-1构建先验状态矩阵

通过步骤4得到t日期的状态向量组成矩阵:

式中，i表示样本标号，N代表样本数量，代表t日期第i个模型样本的预测状态向量；

步骤5-2构建观测矩阵

通过步骤3得到t日期的观测期望和观测方差来生成观测矩阵，生成方法基于正态分布的抽样，正态分布的均值为步骤3得到的各个观测的期望，方差为步骤3得到的各个观测的方差，抽样的数量与步骤4的作物模型样本数一致，最终抽样得到的观测矩阵为:

式中，i表示样本标号，N代表样本数量，代表t日期第i个观测样本的观测状态向量，由多个观测值组成：

式中，表示t日期的第i个观测样本抽样得到的各类观测状态观测值， 如在步骤2中解译出了更多作物状态，则扩充该观测向量；

步骤5-3状态更新：

使用数据同化方法，利用t日期的观测矩阵更新预测矩阵，得到更新后的预测矩阵：

式中，a表示同化更新过程，f代表预测过程，H代表观测算子，代表t日期的卡尔曼增益，表示为：

式中，为t日期的观测误差矩阵；为t日期的状态向量协方差矩阵，表示为：

式中，代表集合平均值；

步骤6，将步骤5得到的最优估计的作物状态作为步骤4的初始条件，再进行预测得到下一拍摄日期的作物状态，并执行步骤5进行更新；重复上述步骤，直到将得到的所有观测数据都用于同化更新，从而得到最终作物全生长季的作物状态和产量的预测值；在该步骤中，即用在步骤5同化更新后的状态向量替换在步骤4预测得到的，然后再次运行步骤4和步骤5，重复运行，直到得到的所有观测数据全部被同化，从而得到最终作物全生长季的作物状态和产量的预测值。

2.根据权利要求1所述的联合机器视觉与作物模型的作物估产方法，其特征在于，步骤2中，机器视觉模型采用卷积神经网络模型，其任务采用分类任务，其运用包含以下几个子步骤：

步骤2-1、模型训练

模型选择卷积神经网络，损失函数采用交叉熵损失，在标签建立上使用分布式标签，标签的数目为M，标签满足正态分布：

其中，为训练标签的实际田间观测值，为标签的标准差；

步骤2-2、模型应用

对于每一张照片，经过步骤2-1中训练好的模型计算后对每一个观测类型输出一个概率分布，使用该概率分布计算出该观测的期望与方差。