本发明涉及作物水分胁迫程度判定预测技术领域，尤其涉及一种基于机器学习的作物水分胁迫程度判定方法和装置。
背景技术：
水分胁迫对作物生长具有十分重要的影响，影响植株发育，过度的水分匮缺会抑制作物生长，甚至导致死亡。水胁迫同样会影响作物产量。其原因是，一方面，植株结实期的水分供应量不足时，导致根部无法吸收到足够的营养元素，因而没有足够的营养元素运移到正在生长的果实，提高了病害发生率，进而导致减产。另一方面，结实期发生水分亏缺后，植株内的水分含量不足会抑制果实细胞的增殖和膨胀，使得作物果实重量无法达到预期，进而导致果实重量下降，影响作物整体产量。
传统上，大多是通过人工的方法或利用昂贵的作物长势测量仪器，来测量作物的茎粗、叶水势、作物冠层温度等，来解决作物水分情况诊断的问题，但是，这种方法所需成本较高，而且各类型农业传感器的安装环境要求复杂，不适用于大规模推广使用。另外一种传统的作物水胁迫诊断方法是通过土壤水分含量来间接判断，根据不同的土壤水分含量来推断出作物的水分胁迫程度，但是在很多情况下，作物对土壤水分的响应具有滞后性，这种间接的方法并不能反映当下作物真实的水分胁迫情况。
当前，有鉴于不同作物的抗旱性不同，对水分胁迫的敏感性不同的类间差距，以及同一作物在不同生长时期对水分需求量的不同的类内差距，这些方法使得生产者需要采用鲁棒性较高的诊断方法来诊断作物水分情况。因此，有鉴于作物水分胁迫诊断对指导灌溉的重要性，实时准确的判别出作物的水分胁迫程度仍面临着重大挑战。
因此，如何避免现有的作物水分胁迫程度判定时人工判定导致的准确率低下时间滞后严重，精密测量仪器导致的硬件成本高安装环境需求复杂，仍然是本领域技术人员亟待解决的问题。
技术实现要素：
本发明提供一种基于机器学习的作物水分胁迫程度判定方法和装置，用以解决现有的作物水分胁迫程度判定时人工判定导致的准确率低下时间滞后严重，精密测量仪器导致的硬件成本高安装环境需求复杂的缺陷，通过大量样本采用机器学习的方法训练各种判定模型，使得作物水分胁迫程度判定实时且准确率高，同时降低对精密测量仪器等硬件需求。
本发明提供一种基于机器学习的作物水分胁迫程度判定方法，该方法包括：
采集待测作物冠层图像；
将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；
其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
根据本发明提供的一种基于机器学习的作物水分胁迫程度判定方法，所述冠层区域检测模型训练时的神经网络对应的损失函数是基于ciou指标构建的。
根据本发明提供的一种基于机器学习的作物水分胁迫程度判定方法，基于ciou指标构建所述冠层区域检测模型训练时的神经网络对应的损失函数，具体包括：
所述冠层区域检测模型训练时的神经网络对应的损失函数lossciou通过如下公式计算：
其中，m为所述冠层区域检测模型训练时的神经网络输出的预测框，m＝(x,y,w,h)，其中，x,y,w,h分别为所述预测框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，n为所述冠层区域检测模型训练时的神经网络输出的预测框的输入样本作物冠层图像对应的标注框，n＝(x’,y’,w’,h’)，其中，x’,y’,w’,h’分别为所述标注框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，m和n分别为所述预测框和所述标注框的中心点，ρ2(m,n)为m和n两点之间的欧氏距离，α为加权系数，β为长宽比相似系数，d为同时包含所述预测框和所述标注框的最小闭包区域的对角线距离。
根据本发明提供的一种基于机器学习的作物水分胁迫程度判定方法，所述作物种类识别模型训练时的神经网络对应的损失函数是基于交叉熵代价确定的。
根据本发明提供的一种基于机器学习的作物水分胁迫程度判定方法，基于交叉熵代价确定所述作物种类识别模型训练时的神经网络对应的损失函数，具体包括：
所述作物种类识别模型训练时的神经网络对应的损失函数hloss通过如下公式计算：
其中，n为用于作物种类识别模型训练的样本冠层区域图像对应的作物种类总数，q(x(-i))为所述作物种类识别模型训练时的神经网络输出的第i种作物种类的预测概率，p(x(i))为所述作物种类识别模型训练时的神经网络输出的预测概率的输入样本作物的冠层区域图像对应的作物种类标签中第i种作物种类的真实概率，i＝1,2,…,n。
根据本发明提供的一种基于机器学习的作物水分胁迫程度判定方法，所述水分胁迫程度标签包括四种：无水分胁迫程度标签、轻度水分胁迫程度标签、中度水分胁迫程度标签和重度水分胁迫程度标签，所述水分胁迫程度标签为人工标注。
根据本发明提供的一种基于机器学习的作物水分胁迫程度判定方法，所述水分胁迫程度模型训练时的神经网络对应的损失函数wloss通过如下公式计算：
其中，q(x(-j))为所述水分胁迫程度模型训练时的神经网络输出的第j种水分胁迫程度的预测概率，p(x(j))为所述水分胁迫程度模型训练时的神经网络输出的预测概率的输入样本作物冠层区域图像、样本作物种类对应的水分胁迫程度标签中第i种水分胁迫程度的真实概率，第j种水分胁迫程度在j＝1,2,3,4时依次对应于无水分胁迫程度、轻度水分胁迫程度、中度水分胁迫程度和重度水分胁迫程度。
本发明还提供一种基于机器学习的作物水分胁迫程度判定装置，包括：
采集单元，用于采集待测作物冠层图像；
判定单元，用于将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；
其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于机器学习的作物水分胁迫程度判定方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于机器学习的作物水分胁迫程度判定方法的步骤。
本发明提供的基于机器学习的作物水分胁迫程度判定方法和装置，通过采集待测作物冠层图像；将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。由于基于机器学习技术确定的冠层区域检测模型、作物种类识别模型和水分胁迫程度模型都是基于大量样本标签进行训练得到的，即保证了模型的精度，同时各个模型的训练无需计算性能高的硬件，图像采集也无需高精测量仪器，模型训练完成后直接使用，可以实时输出待测作物的水分胁迫程度结果。因此，本发明提供的方法和装置，实现了实时地高准确率的待测作物的水分胁迫程度判定，同时大幅降低精密测量仪器等高性能硬件需求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明提供的基于机器学习的作物水分胁迫程度判定方法的流程示意图；
图2为本发明提供的基于机器学习的作物水分胁迫程度判定装置的结构示意图；
图3为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
现有的作物水分胁迫程度判定普遍存在采用人工判定导致的准确率低下时间滞后严重，采用精密测量仪器判定导致的硬件成本高安装环境需求复杂的问题。下面结合图1描述本发明的一种基于机器学习的作物水分胁迫程度判定方法。图1为本发明提供的基于机器学习的作物水分胁迫程度判定方法的流程示意图，如图1所示，该方法包括：
步骤110，采集待测作物冠层图像。
具体地，采集的待测作物冠层图像为rgb彩色图像，作物主要通过植株叶片来进行光合作用和蒸腾作用，因此，叶片是植株对水分含量反应最为敏感的器官，可通过诊断作物叶片外观的状态，诊断出作物本身的水分胁迫程度。所以常用的判断待测作物水分胁迫程度的方法都是对待测作物的叶子进行观察。而本发明中由于需要用图像采集设备采集待测作物的叶子图像，因此，对于图像采集设备的最方便采集的位姿则是采集待测作物冠层图像，通常可以通过无人机携带图像采集设备从作物上方经过进行冠层图像的采集。若不适用无人机，人工采集的方式为：将摄像头置于作物冠层区域中心点的正上方，距离适中，视野可见目标作物冠层的全部区域。从而在垂直于地面的方向获得完整的冠层原始图像。因作物个体差异，摄像头拍摄高度视具体情况进行调节。通过外部成像设备来获取捕获图像数据作为成像信号。图像获取部分获取由外部成像设备的捕获图像作为用于胁迫诊断处理的源数据。
步骤120，将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；
其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
具体地，将采集的采集待测作物冠层图像首先输入冠层区域检测模型，输出携带有检测框的待测作物冠层图像，其中，所述检测框将待测作物冠层图像中的冠层区域框出来，即通过机器学习训练出来的冠层区域检测模型作为目标检测工具，在原监控视频流中获取的图像帧上进行植株冠层区域目标检测，从而得到完整的被边界框标出的冠层叶片图像，作为后续作物水分胁迫分类的源数据，同时忽略分辨率小于256*256的检测后的图像。然后将冠层区域检测模型输出的用检测框框出的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，即通过机器学习训练出来的作物种类识别模型作为作物种类分类工具，在冠层区域检测模型输出的待测作物的冠层区域图像的基础上进行作物种类的判定，得到待测作物的品种和种类，所述品种也是后续作物水分胁迫分类的源数据，最后将待测作物的冠层区域图像和种类都输入水分胁迫程度模型输出待测作物的水分胁迫程度，即通过机器学习训练出来的水分胁迫程度模型作为水分胁迫程度分类工具，在前两个模型输出的待测作物的冠层区域图像和品种的基础上进行待测作物水分胁迫程度的判定，得到待测作物的水分胁迫程度。此处需要说明的是，作物种类的描述方法是基于预先存储的品种和id对应关系确定的，因此，在预先确定的作物品种个数以及每个品种类别的情况下，模型训练过程中用到的样本种类事实上是样本id，输出的种类识别结果事实上是种类的id，而水分胁迫程度可以分为n个等级，例如，如果n＝3，则分为重度胁迫、中度胁迫和轻度胁迫三个等级，如果n＝6，则分成6个等级，依次从最重度水分胁迫排列到最轻度的水分胁迫，因此，训练水分胁迫程度模型时使用的对应的水分胁迫程度标签是人工标注的，人工标注时先设定水分胁迫程度的等级个数、然后根据等级个数以及专业的植物观察者进行等级标注。还需要说明的是，用于训练冠层区域检测模型的样本作物冠层图像是采集的大量各种作物的冠层图像，其对应的冠层区域标注框标签通常是人工标出的；用于训练作物种类识别模型的样本冠层区域图像是采集的大量各种作物的冠层图像经过人工标注出的检测框框出的大量冠层区域图像，其对应的作物种类标签是专业的植物观察者观察对应样本冠层区域图像后标注的；用于训练水分胁迫程度模型的样本作物冠层区域图像、样本作物种类都是前文中经过人工标注出的检测框框出的大量冠层区域图像和专业的植物观察者观察对应样本冠层区域图像后标注的，其对应的水分胁迫程度标签是专业的植物观察者进行水分胁迫程度等级判定标注的。
本发明提供的基于机器学习的作物水分胁迫程度判定方法，通过采集待测作物冠层图像；将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。由于基于机器学习技术确定的冠层区域检测模型、作物种类识别模型和水分胁迫程度模型都是基于大量样本标签进行训练得到的，即保证了模型的精度，同时各个模型的训练无需计算性能高的硬件，图像采集也无需高精测量仪器，模型训练完成后直接使用，可以实时输出待测作物的水分胁迫程度结果。因此，本发明提供的方法，实现了实时地高准确率的待测作物的水分胁迫程度判定，同时大幅降低精密测量仪器等高性能硬件需求。
在上述实施例的基础上，该方法中，
所述冠层区域检测模型训练时的神经网络对应的损失函数是基于ciou指标构建的。
具体地，此处对ciou指标作简要说明：最初提出的反映预测检测框和真是检测框之间误差的指标为iou(intersectionoverunion，交并比)，但是由于其没有定义预测框与真实框不相交情况下两者的距离大小(即重合度)，且因为loss＝0时没有梯度回传，无法进行学习训练，而且iou也不能精确反应预测框与真实框两者的重合度大小，因为没有考虑位姿因素，因此，提出了giou(generalizedintersectionoverunion，通用交并比)指标，由于iou是比值的概念，对目标物体的尺度不敏感，然而检测任务中的bbox的回归损失(mseloss，l1-smoothloss等)优化和iou优化不是等价的，而且ln范数对物体的尺度也比较敏感，iou无法直接优化没有重叠的部分。因此，giou是先计算两个框的最小闭包区域面积ac，再计算出iou，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用iou减去所述比重得到giou。最后又衍生出了diou和ciou，ciou在iou的基础上加入了惩罚项，惩罚项包括预测框与真实框的中心点之间的距离和长宽比相似度系数，进一步提高反应预测框与真实框两者的重合度大小的精度。因此，本发明选择精度最高的ciou指标来构建冠层区域检测模型训练时的神经网络对应的损失函数。
在上述实施例的基础上，该方法中，基于ciou指标构建所述冠层区域检测模型训练时的神经网络对应的损失函数，具体包括：
所述冠层区域检测模型训练时的神经网络对应的损失函数lossciou通过如下公式计算：
其中，m为所述冠层区域检测模型训练时的神经网络输出的预测框，m＝(x,y,w,h)，其中，x,y,w,h分别为所述预测框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，n为所述冠层区域检测模型训练时的神经网络输出的预测框的输入样本作物冠层图像对应的标注框，n＝(x’,y’,w’,h’)，其中，x’,y’,w’,h’分别为所述标注框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，m和n分别为所述预测框和所述标注框的中心点，ρ2(m,n)为m和n两点之间的欧氏距离，d为同时包含所述预测框和所述标注框的最小闭包区域的对角线距离，α为加权系数，β为长宽比相似系数。
具体地，
然后，根据α与β之间的关系确定α。
所述冠层区域检测模型训练时可以采用基于候选区域的目标检测算法(如r-cnn、spp-net、fastr-cnn等)和基于回归的目标检测算法(如ssd、yolo、retinanet等)，此处不作具体限定；训练时的神经网络结构中包括提取冠层区域叶片特征的特征提取网络，而所述特征提取网络包括但不限于vgg、densenet、alexnet等，此处也不作具体限定。训练迭代停止条件为迭代次数到达预先设定的最大次数阈值，同时为了检测训练出的模型的精确度，会将样本集按照预设比例划分为训练样本集和测试样本集，所述预设比例通常为8:2或7:3。
在上述实施例的基础上，该方法中，所述作物种类识别模型训练时的神经网络对应的损失函数是基于交叉熵代价确定的。
具体地，由于作物种类识别模型输出的是该模型输入的冠层区域图像中的作物属于的作物种类品种，事实上，输出的是该作物属于不同种类的概率，最后通过预设判定规则确定了其所属种类，该预设判定规则可以是选择概率最大的种类作为最终种类，也可以是在满足输出某种类对应概率相对于输出的其他种类对应概率是最大的情况下还需要该某种类对应概率的数值大于一定阈值，此处不作具体限定。损失函数的构建中采用交叉熵代价是因为概率原本就数值很小，似然估计相乘后难免不出现下溢，取对数可以有效防止下溢。
在上述实施例的基础上，该方法中，基于交叉熵代价确定所述作物种类识别模型训练时的神经网络对应的损失函数，具体包括：
所述作物种类识别模型训练时的神经网络对应的损失函数hloss通过如下公式计算：
其中，n为用于作物种类识别模型训练的样本冠层区域图像对应的作物种类总数，q(x(-i))为所述作物种类识别模型训练时的神经网络输出的第i种作物种类的预测概率，p(x(i))为所述作物种类识别模型训练时的神经网络输出的预测概率的输入样本作物的冠层区域图像对应的作物种类标签中第i种作物种类的真实概率，i＝1,2,…,n。
具体地，n为用于作物种类识别模型训练的样本冠层区域图像对应的作物种类总数，n的数值通常在训练之前已经设定好，例如，训练前已经设定好需要检测的为当前温室里种植的10个品种番茄，然后训练过程中采集的样本都是对应于所述当前温室里种植的10个品种番茄的冠层图像，然后进行冠层区域的标注、品种的标注等等，其中，品种的标注最简单的就是采用id编号，例如从1-10，根据人工构建后存储的编号与品种对应表，可以将番茄的品种通过id编号表示。p(x(i))为所述番茄种类识别模型训练时的预测概率的输入样本对应的番茄第i种番茄种类的真实概率，举例说明，番茄种类标签为a种类，即为n种番茄种类中的第三个番茄种类，因此，对应的番茄种类标签中第i种番茄种类的真实标签为i＝3时，真实概率为100％，i∈others，真实概率为0。
在上述实施例的基础上，该方法中，所述水分胁迫程度标签包括四种：无水分胁迫程度标签、轻度水分胁迫程度标签、中度水分胁迫程度标签和重度水分胁迫程度标签，所述水分胁迫程度标签为人工标注。
具体地，本发明进一步限定水分胁迫程度分为四个等级，分别是无水分胁迫程度、轻度水分胁迫程度、中度水分胁迫程度和重度水分胁迫程度，水分胁迫程度标签的通过人工标注获取，人工标注是找有丰富植物观察经验的专业人员在给定上述无水分胁迫程度、轻度水分胁迫程度、中度水分胁迫程度和重度水分胁迫程度四种等级的情况下，参考统一设置的等级标定规则，进行人工标注。
在上述实施例的基础上，该方法中，所述水分胁迫程度模型训练时的神经网络对应的损失函数wloss通过如下公式计算：
其中，q(x(-j))为所述水分胁迫程度模型训练时的神经网络输出的第j种水分胁迫程度的预测概率，p(x(j))为所述水分胁迫程度模型训练时的神经网络输出的预测概率的输入样本作物冠层区域图像、样本作物种类对应的水分胁迫程度标签中第i种水分胁迫程度的真实概率，第j种水分胁迫程度在j＝1,2,3,4时依次对应于无水分胁迫程度、轻度水分胁迫程度、中度水分胁迫程度和重度水分胁迫程度。
具体地，损失函数的构建中采用交叉熵代价是因为概率原本就数值很小，似然估计相乘后难免不出现下溢，取对数可以有效防止下溢，原理与前文中限定的作物种类识别模型训练时的神经网络对应的损失函数hloss相同。此处是在已经限定水分胁迫程度分为四个等级，分别是无水分胁迫程度、轻度水分胁迫程度、中度水分胁迫程度和重度水分胁迫程度的基础上，构建损失函数，因此，等级总数已经确定是4，故求和是从j＝1累加至j＝4。
所述水分胁迫程度模型训练时的神经网络的结构为分类卷积网络模型，包括但不限于resnet、vgg、densenet等，对设计的新网络参数进行多标签训练，使用交叉熵代价函数(crossentry)损失函数作为训练评价指标，使得预测的分类结果不断接近真实标签。训练迭代停止条件为迭代次数到达预先设定的最大次数阈值，同时为了检测训练出的模型的精确度，会将样本集按照预设比例划分为训练样本集和测试样本集，所述预设比例通常为8:2或7:3。
下面对本发明提供的基于机器学习的作物水分胁迫程度判定装置进行描述，下文描述的基于机器学习的作物水分胁迫程度判定装置与上文描述的第一种基于机器学习的作物水分胁迫程度判定方法可相互对应参照。
图2为本发明提供的基于机器学习的作物水分胁迫程度判定装置的结构示意图，如图2所示，该装置包括采集单元210和判定单元220，其中，
所述采集单元210，用于采集待测作物冠层图像；
所述判定单元220，用于将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；
其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
本发明提供的基于机器学习的作物水分胁迫程度判定装置，通过采集待测作物冠层图像；将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。由于基于机器学习技术确定的冠层区域检测模型、作物种类识别模型和水分胁迫程度模型都是基于大量样本标签进行训练得到的，即保证了模型的精度，同时各个模型的训练无需计算性能高的硬件，图像采集也无需高精测量仪器，模型训练完成后直接使用，可以实时输出待测作物的水分胁迫程度结果。因此，本发明提供的装置，实现了实时地高准确率的待测作物的水分胁迫程度判定，同时大幅降低精密测量仪器等高性能硬件需求。
在上述实施例的基础上，该装置中，
所述冠层区域检测模型训练时的神经网络对应的损失函数是基于ciou指标构建的。
在上述实施例的基础上，该装置中，
基于ciou指标构建所述冠层区域检测模型训练时的神经网络对应的损失函数，具体包括：所述冠层区域检测模型训练时的神经网络对应的损失函数lossciou通过如下公式计算：
其中，m为所述冠层区域检测模型训练时的神经网络输出的预测框，m＝(x,y,w,h)，其中，x,y,w,h分别为所述预测框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，n为所述冠层区域检测模型训练时的神经网络输出的预测框的输入样本作物冠层图像对应的标注框，n＝(x’,y’,w’,h’)，其中，x’,y’,w’,h’分别为所述标注框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，m和n分别为所述预测框和所述标注框的中心点，ρ2(m,n)为m和n两点之间的欧氏距离，α为加权系数，β为长宽比相似系数，d为同时包含所述预测框和所述标注框的最小闭包区域的对角线距离。
在上述实施例的基础上，该装置中，
所述作物种类识别模型训练时的神经网络对应的损失函数是基于对预测概率转换为对数确定的。
在上述实施例的基础上，该装置中，
基于对预测概率转换为对数确定所述作物种类识别模型训练时的神经网络对应的损失函数，具体包括：
所述作物种类识别模型训练时的神经网络对应的损失函数hloss通过如下公式计算：
其中，n为用于作物种类识别模型训练的样本冠层区域图像对应的作物种类总数，q(x(-i))为所述作物种类识别模型训练时的神经网络输出的第i种作物种类的预测概率，p(x(i))为所述作物种类识别模型训练时的神经网络输出的预测概率的输入样本作物的冠层区域图像对应的作物种类标签中第i种作物种类的真实概率，i＝1,2,…,n。
在上述实施例的基础上，该装置中，
所述水分胁迫程度标签包括四种：无水分胁迫程度标签、轻度水分胁迫程度标签、中度水分胁迫程度标签和重度水分胁迫程度标签，所述水分胁迫程度标签为人工标注。
在上述实施例的基础上，该装置中，
所述水分胁迫程度模型训练时的神经网络对应的损失函数wloss通过如下公式计算：
其中，q(x(-j))为所述水分胁迫程度模型训练时的神经网络输出的第j种水分胁迫程度的预测概率，p(x(j))为所述水分胁迫程度模型训练时的神经网络输出的预测概率的输入样本作物冠层区域图像、样本作物种类对应的水分胁迫程度标签中第i种水分胁迫程度的真实概率，第j种水分胁迫程度在j＝1,2,3,4时依次对应于无水分胁迫程度、轻度水分胁迫程度、中度水分胁迫程度和重度水分胁迫程度。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communicationsinterface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于机器学习的作物水分胁迫程度判定方法，该方法包括：采集待测作物冠层图像；将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于机器学习的作物水分胁迫程度判定方法，该方法包括：采集待测作物冠层图像；将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于机器学习的作物水分胁迫程度判定方法，该方法包括：采集待测作物冠层图像；将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
1.一种基于机器学习的作物水分胁迫程度判定方法，其特征在于，包括：
采集待测作物冠层图像；
将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；
其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
2.根据权利要求1所述的基于机器学习的作物水分胁迫程度判定方法，其特征在于，所述冠层区域检测模型训练时的神经网络对应的损失函数是基于ciou指标构建的。
3.根据权利要求2所述的基于机器学习的作物水分胁迫程度判定方法，其特征在于，基于ciou指标构建所述冠层区域检测模型训练时的神经网络对应的损失函数，具体包括：
所述冠层区域检测模型训练时的神经网络对应的损失函数lossciou通过如下公式计算：
其中，m为所述冠层区域检测模型训练时的神经网络输出的预测框，m＝(x,y,w,h)，其中，x,y,w,h分别为所述预测框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，n为所述冠层区域检测模型训练时的神经网络输出的预测框的输入样本作物冠层图像对应的标注框，n＝(x’,y’,w’,h’)，其中，x’,y’,w’,h’分别为所述标注框的右上角顶点横坐标、右上角顶点纵坐标、宽度和高度，m和n分别为所述预测框和所述标注框的中心点，ρ2(m,n)为m和n两点之间的欧氏距离，α为加权系数，β为长宽比相似系数，d为同时包含所述预测框和所述标注框的最小闭包区域的对角线距离。
4.根据权利要求1-3中任一项所述的基于机器学习的作物水分胁迫程度判定方法，其特征在于，所述作物种类识别模型训练时的神经网络对应的损失函数是基于交叉熵代价确定的。
5.根据权利要求4所述的基于机器学习的作物水分胁迫程度判定方法，其特征在于，基于交叉熵代价确定所述作物种类识别模型训练时的神经网络对应的损失函数，具体包括：
所述作物种类识别模型训练时的神经网络对应的损失函数hloss通过如下公式计算：
其中，n为用于作物种类识别模型训练的样本冠层区域图像对应的作物种类总数，q(x(-i))为所述作物种类识别模型训练时的神经网络输出的第i种作物种类的预测概率，p(x(i))为所述作物种类识别模型训练时的神经网络输出的预测概率的输入样本作物的冠层区域图像对应的作物种类标签中第i种作物种类的真实概率i＝1,2,…,n。
6.根据权利要求1-3中任一项所述的基于机器学习的作物水分胁迫程度判定方法，其特征在于，所述水分胁迫程度标签包括四种：无水分胁迫程度标签、轻度水分胁迫程度标签、中度水分胁迫程度标签和重度水分胁迫程度标签，所述水分胁迫程度标签为人工标注。
7.根据权利要求6所述的基于机器学习的作物水分胁迫程度判定方法，其特征在于，所述水分胁迫程度模型训练时的神经网络对应的损失函数wloss通过如下公式计算：
其中，q(x(-j))为所述水分胁迫程度模型训练时的神经网络输出的第j种水分胁迫程度的预测概率，p(x(j))为所述水分胁迫程度模型训练时的神经网络输出的预测概率的输入样本作物冠层区域图像、样本作物种类对应的水分胁迫程度标签中第i种水分胁迫程度的真实概率，第j种水分胁迫程度在j＝1,2,3,4时依次对应于无水分胁迫程度、轻度水分胁迫程度、中度水分胁迫程度和重度水分胁迫程度。
8.一种基于机器学习的作物水分胁迫程度判定装置，其特征在于，包括：
采集单元，用于采集待测作物冠层图像；
判定单元，用于将所述待测作物冠层图像输入冠层区域检测模型，输出待测作物的冠层区域图像，将所述待测作物的冠层区域图像输入作物种类识别模型，输出所述待测作物的种类，将所述待测作物的冠层区域图像和种类输入水分胁迫程度模型，输出待测作物的水分胁迫程度；
其中，所述冠层区域检测模型是基于样本作物冠层图像和对应的冠层区域标注框标签进行训练得到的，所述作物种类识别模型是基于样本冠层区域图像和对应的作物种类标签进行训练得到的，所述水分胁迫程度模型是基于样本作物冠层区域图像、样本作物种类和对应的水分胁迫程度标签进行训练得到的。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的基于机器学习的作物水分胁迫程度判定方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于机器学习的作物水分胁迫程度判定方法的步骤。
技术总结