一种基于多源数据的田间水稻白叶枯病监测方法及系统

摘要

本发明涉及一种基于多源数据的田间水稻白叶枯病监测方法及系统，涉及作物病害监测领域，该方法包括：获取在不同生育期下水稻田的多光谱图像、水稻白叶枯病害程度和积温数据；获取水稻田种植的水稻品种对白叶枯病害的抗性；提取水稻田中每个小区的平均冠层光谱反射率；基于平均冠层光谱反射率和水稻白叶枯病害程度，采用卷积神经网络进行水稻白叶枯病害程度回归，输出深度光谱特征；以各小区对应的积温数据、深度光谱特征和对于白叶枯病害的抗性为输入，以对应水稻白叶枯病害程度为输出训练病害程度回归模型；采用病害程度回归模型对待监测水稻田的水稻白叶枯病害程度进行监测。本发明实现不同生长阶段下田间水稻抗白叶枯病的快速监测。

说明书

技术领域

本发明涉及农作物病害监测领域，特别是涉及一种基于多源数据的田间水稻白叶枯病监测方法及系统。

背景技术

水稻生长过程中会受到病虫害的侵袭，带来不可逆转的产量减少以及经济损失。其中，白叶枯病是影响水稻生长的典型病害之一，其主要引起叶片干枯，影响水稻光合作用及养分运输，进而造成减产。在田间，白叶枯病一旦发生可使水稻减产10-20％，严重时减产50％以上，甚至绝收，严重威胁水稻的安全生产。

目前，防治水稻白叶枯病的主要方法是采用化学防治。长期使用化学品不仅会使病原体产生耐药性，还会造成环境污染。此外，田间条件下，水稻的发病情况常常需要植保人员现场调查，费时费力，且会受到人的主观判断和环境的影响。及时地监测病害情况，掌握病害严重程度，对稻田管理和病害控制具有重要意义。

近年来，无人机遥感技术发展迅速。它具有灵活性强、数据采集实时、成本低等优点，其中，无人机搭载多光谱相机为田间作物病害的检测和量化提供了支持。Su等利用无人机搭载的五多光谱相机开发了一套适用于农田尺度的小麦黄锈病监测系统，对健康和感病小麦的识别平均准确率达到89.2％；Chivasa等基于无人机获取的多光谱数据对玉米品种对玉米条纹病毒病的反应进行表型分析，从不同生育期的光谱数据中分析的表型相关数据和人工玉米条纹病毒病的评分之间的相关性显著(r＝0.74-0.84)。

从实际情况来看，不同生育期下适用的表型评估模型是不同的，目前缺少一个跨越不同生长阶段的通用的病害监测方法。

发明内容

本发明的目的是提供一种基于多源数据的田间水稻白叶枯病监测方法及系统，实现不同生长阶段下田间水稻抗白叶枯病的快速监测。

为实现上述目的，本发明提供了如下方案：

一种基于多源数据的田间水稻白叶枯病监测方法，包括：

获取在不同生育期下水稻田的多光谱图像；

获取在不同生育期下所述水稻田中水稻白叶枯病害程度和积温数据；

获取所述水稻田种植的水稻品种对白叶枯病害的抗性；

基于各所述多光谱图像，提取所述水稻田中每个小区的平均冠层光谱反射率；所述水稻田分为多个小区；

基于各小区对应的平均冠层光谱反射率和水稻白叶枯病害程度，采用卷积神经网络进行水稻白叶枯病害程度回归，输出深度光谱特征；

以各小区对应的积温数据、深度光谱特征和对于白叶枯病害的抗性为输入，以对应水稻白叶枯病害程度为输出训练病害程度回归模型，获得训练好的病害程度回归模型；

采用训练好的病害程度回归模型对待监测水稻田的水稻白叶枯病害程度进行监测。

可选地，还包括：

利用所述卷积神经网络中注意力机制模块输出最佳波段组合，所述最佳波段组合为所述注意力机制模块输出的波长权重值从大到小排列后的前N项的对应的波长的组合；

根据所述最佳波段组合构建水稻白叶枯病害监测光谱指数；

获取待监测水稻田的水稻白叶枯病害监测光谱指数，将待监测水稻田的水稻白叶枯病害监测光谱指数映射到多光谱图像中，得到待监测水稻田的水稻白叶枯病害程度的可视化图像。

可选地，所述获取在不同生育期下水稻田的多光谱图像，具体包括：

通过搭载多光谱相机的无人机获取在不同生育期下水稻田的遥感图像；

将多个所述遥感图像进行图像拼接后获得所述水稻田整体的多光谱图像。

可选地，所述获取在不同生育期下所述水稻田中水稻白叶枯病害程度和积温数据，具体包括：

根据各小区内水稻白叶枯病发病面积占总面积的比例确定各小区内白叶枯病害程度；

记录获取各多光谱图像的当天各小区的最高温度和最低温度，通过积温公式计算各小区的积温数据。

可选地，所述基于各所述多光谱图像，提取所述水稻田中每个小区的平均冠层光谱反射率，具体包括：

采用阈值分割方法对所述水稻田的各多光谱图像进行背景去除；

从去除背景后的多光谱图像中提取每个小区的平均冠层光谱反射率。

可选地，所述病害程度回归模型为偏最小二乘回归模型。

本发明还公开了一种基于多源数据的田间水稻白叶枯病监测系统，包括：

多光谱图像获取模块，用于获取在不同生育期下水稻田的多光谱图像；

白叶枯病害程度和积温数据获取模块，用于获取在不同生育期下所述水稻田中水稻白叶枯病害程度和积温数据；

水稻品种对白叶枯病害的抗性获取模块，用于获取所述水稻田种植的水稻品种对白叶枯病害的抗性；

平均冠层光谱反射率提取模块，用于基于各所述多光谱图像，提取所述水稻田中每个小区的平均冠层光谱反射率；所述水稻田分为多个小区；

深度光谱特征输出模块，用于基于各小区对应的平均冠层光谱反射率和水稻白叶枯病害程度，采用卷积神经网络进行水稻白叶枯病害程度回归，输出深度光谱特征；

病害程度回归模型训练模块，用于以各小区对应的积温数据、深度光谱特征和对于白叶枯病害的抗性为输入，以对应水稻白叶枯病害程度为输出训练病害程度回归模型，获得训练好的病害程度回归模型；

病害程度监测模块，用于采用训练好的病害程度回归模型对待监测水稻田的水稻白叶枯病害程度进行监测。

可选地，还包括：

最佳波段组合确定模块，用于利用所述卷积神经网络中注意力机制模块输出最佳波段组合，所述最佳波段组合为所述注意力机制模块输出的波长权重值从大到小排列后的前N项的对应的波长的组合；

水稻白叶枯病害监测光谱指数构建模块，用于根据所述最佳波段组合构建水稻白叶枯病害监测光谱指数；

水稻白叶枯病害程度的可视化图像确定模块，用于获取待监测水稻田的水稻白叶枯病害监测光谱指数，将待监测水稻田的水稻白叶枯病害监测光谱指数映射到多光谱图像中，得到待监测水稻田的水稻白叶枯病害程度的可视化图像。

可选地，所述多光谱图像获取模块，具体包括：

遥感图像获取单元，用于通过搭载多光谱相机的无人机获取在不同生育期下水稻田的遥感图像；

图像拼接单元，用于将多个所述遥感图像进行图像拼接后获得所述水稻田整体的多光谱图像。

可选地，所述白叶枯病害程度和积温数据获取模块，具体包括：

白叶枯病害程度确定单元，用于根据各小区内水稻白叶枯病发病面积占总面积的比例确定各小区内白叶枯病害程度；

积温数据确定单元，用于记录获取各多光谱图像的当天各小区的最高温度和最低温度，通过积温公式计算各小区的积温数据。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种基于多源数据的田间水稻白叶枯病监测方法及系统，根据多光谱数据、田间积温数据以及水稻品种对白叶枯病的抗性信息融合实现了跨越不同生长阶段的水稻白叶枯病的监测，有利于提高病害监测的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于多源数据的田间水稻白叶枯病监测方法流程示意图一；

图2为本发明一种基于多源数据的田间水稻白叶枯病监测方法流程示意图二；

图3为本发明卷积神经网络和多源数据融合方式示意图；

图4为本发明实施例只用深度光谱特征训练病害程度回归模型对白叶枯病进行预测时预测集的真实值与预测值拟合示意图；

图5为本发明实施例采用多源数据训练病害程度回归模型对白叶枯病进行预测时预测集的真实值与预测值拟合示意图；

图6为本发明实施例选择的最佳波段组合及其相应的权重示意图；

图7为本发明实施例田间水稻白叶枯发病程度可视化图；

图8为本发明一种基于多源数据的田间水稻白叶枯病监测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于多源数据的田间水稻白叶枯病监测方法及系统，实现不同生长阶段下田间水稻抗白叶枯病的快速监测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

图1为本发明一种基于多源数据的田间水稻白叶枯病监测方法流程示意图一，图2为本发明一种基于多源数据的田间水稻白叶枯病监测方法流程示意图二，如图1-2所示，一种基于多源数据的田间水稻白叶枯病监测方法，包括以下步骤：

步骤101：获取在不同生育期下水稻田的多光谱图像。

其中，步骤101具体包括：

通过搭载多光谱相机的无人机获取在不同生育期下水稻田的遥感图像。

将多个遥感图像进行图像拼接后获得水稻田整体的多光谱图像。

步骤102：获取在不同生育期下水稻田中水稻白叶枯病害程度和积温数据。

其中，步骤102具体包括：

根据各小区内水稻白叶枯病发病面积占总面积的比例确定各小区内白叶枯病害程度。具体为在无人机采集遥感图像的当天在田间进行实地调查记录真实的田间水稻白叶枯病害程度评分。

将发病面积占总面积之比记为R。

当R为0时，水稻为健康无白叶枯病；当0

记录获取各多光谱图像的当天各小区的最高温度和最低温度，通过积温公式计算各小区的积温数据。

积温公式为：

步骤103：获取水稻田种植的水稻品种对白叶枯病害的抗性。

水稻品种对白叶枯病害的抗性包括高抗、抗、中抗、高感、感和中感。

步骤104：基于各多光谱图像，提取水稻田中每个小区的平均冠层光谱反射率；水稻田分为多个小区。

其中，步骤104具体包括：

采用阈值分割方法对水稻田的各多光谱图像进行背景去除。

采用阈值分割方法对水稻田的各多光谱图像进行背景去除，具体包括：

根据背景和水稻冠层反射率的差异确定分割阈值。

利用分割阈值对多光谱图像进行背景去除，得到水稻田间每个小区的多光谱数据。

从去除背景后的每个小区的多光谱图像中提取每个小区的平均冠层光谱反射率。

步骤105：基于各小区对应的平均冠层光谱反射率和水稻白叶枯病害程度，采用卷积神经网络进行水稻白叶枯病害程度回归，输出深度光谱特征。

卷积神经网络包含注意力机制模块，平均冠层光谱输入后，注意力机制模块用于输出深度光谱特征中每个波长的权重值。

基于卷积神经网络模型中注意力机制模块输出的波段权重值筛选田间水稻白叶枯病监测最佳波段组合。

利用卷积神经网络中注意力机制模块输出最佳波段组合，最佳波段组合为注意力机制模块输出的波长权重值从大到小排列后的前N项的对应的波长的组合。

根据最佳波段组合构建水稻白叶枯病害监测光谱指数。

获取待监测水稻田的水稻白叶枯病害监测光谱指数，将待监测水稻田的水稻白叶枯病害监测光谱指数映射到多光谱图像中，得到待监测水稻田的水稻白叶枯病害程度的可视化图像。

步骤106：以各小区对应的积温数据、深度光谱特征和对于白叶枯病害的抗性为输入，以对应水稻白叶枯病害程度为输出训练病害程度回归模型，获得训练好的病害程度回归模型；

病害程度回归模型为偏最小二乘回归模型(PLSR模型)。

步骤107：采用训练好的病害程度回归模型对待监测水稻田的水稻白叶枯病害程度进行监测。

本发明公开了以下技术效果：

(1)无人机多光谱数据和田间积温数据以及水稻品种对白叶枯病的抗性信息融合实现了跨越不同生长阶段的水稻白叶枯病的稳定监测，有利于提高病害监测的可靠性；(2)基于构建的光谱指标绘制田间病害分布图，为田间水稻病害精准监测提供技术支撑。

实施例二

(1)无人机多光谱数据采集

实施例实施地位于浙江省衢州市龙游县水稻试验基地，田块设置为60个小区，每个小区面积为10.6m×4.72m，相邻小区每个小区种植一个水稻品种，共涉及60个水稻品种，不同品种对白叶枯病的抗性不同，田间抗性表型也不同。气候属亚热带季风气候，雨量充沛，空气湿润，适宜水稻生长。重要的是，这个试验基地是白叶枯病的流行地区，白叶枯病在水稻种植后自然发生，无需额外处理。使用无人机搭载多光谱相机，距离地面25m，分别在水稻移栽后第16天，第66天和第92天进行多光谱图像的采集，涉及到了水稻生长的分蘖期，拔节期，抽穗期和灌浆期。飞行速度为2.5m/s，航向和旁向重叠率分别为60％和75％。多光谱相机包含23个波段，光谱范围为600-875nm。

(2)数据处理

利用Photoscan软件对获取的田块多光谱图像进行拼接并形成水稻田的正射影像，基于阈值分割方法进行背景去除。阈值分割方法，背景和水稻冠层反射率的差异在处为675nm处差异最大。背景取出后即可提取田间水稻冠层多光谱反射率信息，每个小区的多光谱反射率提取后取平均值来代表该小区的反射率数据。

(3)田间各小区真实病害程度获取

无人机飞行后当天在田间进行实地调查记录真实的田间水稻白叶枯病害程度，具体为：根据国家标准GB/T 17980.19-2000中田间白叶枯病害程度的评价标准对田间各小区的真实病害程度进行记录，病害程度分别为1-5级不等，健康未感病的记为0级。

(4)积温数据获取

记录从水稻移栽到田间后每天的最高和最低温度，依据积温计算公式计算获得每次无人机飞行当天的积温数据。

(5)水稻种植品种信息获取

本实施例的水稻样本由浙江省农科院提供，每个品种的水稻对于白叶枯病的抗性信息均被提供并记录。

(6)深度光谱特征提取

将提取的每个小区的平均冠层光谱反射率和每个小区对应的田间真实病害程度、积温数据以及水稻品种对于白叶枯病的抗性信息一一对应，然后按照8：2的比例划分训练集与预测集。将训练集中的光谱数据输入到卷积神经网络模型中对病害程度进行回归。

卷积神经网络模型的结构如图3所示，由一个注意力机制模块，一个卷积层，两个Dense layer(全连接层)和一个输出层组成。卷积层中卷积的核数为16，核大小为3，stride(步长)为1，采用ELU激活作为激活函数，接着连接一个Max Pooling(最大池化层)；两个Dense layer的神经节点分别为128和16，使用ReLU作为激活函数，且每层后面都添加BatchNormalization(批标准化)，以提高模型的泛化能力；最后达到输出层，使用L2loss作为损失函数，得到病害程度的评估输出。在训练阶段，batch size大小为5，使用动态学习速率，一开始设定了一个比较大的学习率0.0005来加快前300个epoch的培训过程，然后在接下来的300个epoch降低到0.00005，可以采用先停的策略进行训练，当R

本实施例中卷积神经网络模型架构是建立在MXNet1.4.0上实现，卷积神经网络模型的第二个Dense layer层的输出为深度光谱特征。

(7)基于多源数据的田间水稻白叶枯病害严重程度评估

将深度光谱特征和积温数据以及水稻品种对于白叶枯病的抗性信息融合，并和的田间真实病害程度对应构建数据集，将数据集8：2的比例划分训练集与预测集，建立PLSR模型对病害程度进行预测。采用留一交叉验证方法对PLSR模型进行训练，最终预测集R

(8)最佳波段组合的确定

本实施例中卷积神经网络模型通过卷积层和Dense layer层层深入学习水稻多光谱数据中的特征信息，注意力机制模块使网络更加关注输入的光谱数据中重要的区域，进而输出每个波段对应的权重值。最后输出的每个波段对应的权重值如图6所示，图6中纵坐标为权重值。选择权重值较高的四个波段为最佳波段组合，依次为611nm，675nm，713nm和633nm。

(9)构建田间水稻白叶枯病害监测光谱指数

最佳波段组合中四个波长下对应的权重值分别对应1.25，1.16，1.12和1.09，由此构建田间水稻白叶枯病害监测光谱指数SI，其计算公式为：

SI＝1.25R

式中R

(10)田间水稻白叶枯病害程度可视化

本实施例将构建的田间水稻白叶枯病害监测光谱指数计算后映射到整个实验田的多光谱图像中，最后得到田间水稻白叶枯病害程度的可视化图像，如图7所示。

实施例三

图8为本发明一种基于多源数据的田间水稻白叶枯病监测系统结构示意图，如图8所示，一种基于多源数据的田间水稻白叶枯病监测系统，包括：

多光谱图像获取模块201，用于获取在不同生育期下水稻田的多光谱图像。

白叶枯病害程度和积温数据获取模块202，用于获取在不同生育期下水稻田中水稻白叶枯病害程度和积温数据。

水稻品种对白叶枯病害的抗性获取模块203，用于获取水稻田种植的水稻品种对白叶枯病害的抗性。

平均冠层光谱反射率提取模块204，用于基于各多光谱图像，提取水稻田中每个小区的平均冠层光谱反射率；水稻田分为多个小区。

深度光谱特征输出模块205，用于基于各小区对应的平均冠层光谱反射率和水稻白叶枯病害程度，采用卷积神经网络进行水稻白叶枯病害程度回归，输出深度光谱特征。

病害程度回归模型训练模块206，用于以各小区对应的积温数据、深度光谱特征和对于白叶枯病害的抗性为输入，以对应水稻白叶枯病害程度为输出训练病害程度回归模型，获得训练好的病害程度回归模型。

病害程度回归模型为偏最小二乘回归模型。

病害程度监测模块207，用于采用训练好的病害程度回归模型对待监测水稻田的水稻白叶枯病害程度进行监测。

一种基于多源数据的田间水稻白叶枯病监测系统还包括：

最佳波段组合确定模块，用于利用卷积神经网络中注意力机制模块输出最佳波段组合，最佳波段组合为注意力机制模块输出的波长权重值从大到小排列后的前N项的对应的波长的组合。

水稻白叶枯病害监测光谱指数构建模块，用于根据最佳波段组合构建水稻白叶枯病害监测光谱指数。

水稻白叶枯病害程度的可视化图像确定模块，用于获取待监测水稻田的水稻白叶枯病害监测光谱指数，将待监测水稻田的水稻白叶枯病害监测光谱指数映射到多光谱图像中，得到待监测水稻田的水稻白叶枯病害程度的可视化图像。

多光谱图像获取模块201，具体包括：

遥感图像获取单元，用于通过搭载多光谱相机的无人机获取在不同生育期下水稻田的遥感图像。

图像拼接单元，用于将多个遥感图像进行图像拼接后获得水稻田整体的多光谱图像。

白叶枯病害程度和积温数据获取模块202，具体包括：

白叶枯病害程度确定单元，用于根据各小区内水稻白叶枯病发病面积占总面积的比例确定各小区内白叶枯病害程度。

积温数据确定单元，用于记录获取各多光谱图像的当天各小区的最高温度和最低温度，通过积温公式计算各小区的积温数据。

平均冠层光谱反射率提取模块204，具体包括：

采用阈值分割方法对水稻田的各多光谱图像进行背景去除。

从去除背景后的多光谱图像中提取每个小区的平均冠层光谱反射率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。