作物长势预测方法、装置、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972684A(43)申请公布日2022.08.30(21)申请号202210635874.9(22)申请日2022.06.06(71)申请人中国农业大学地址100193北京市海淀区圆明园西路2号(72)发明人马韫韬车荧璞李保国(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师董娜(51)Int.Cl.G06T17/20(2006.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书2页说明书12页附图3页(54)发明名称作物长势预测方法、装置、设备及介质(57)摘要本申请提供一种作物长势预测方法、装置、设备及介质，其中方法包括：基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；将原始三维点云数据集、无损二维图像数据集和气象因素数据进行融合，以及结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型，以对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。本申请根据图像回溯算法确定原始三维点云数据集的无损二维图像数据集，以得到更准确的特征，再通过原始三维点云数据集、无损二维图像数据集和气象因素数据，构建最优作物生长参数多维深度学习模型，以得到不同作物的生长参数的时空分布，提高作物的长势参数预测结果的准确性。CN114972684ACN114972684A权利要求书1/2页1.一种作物长势预测方法，其特征在于，包括：基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；将所述原始三维点云数据集、所述无损二维图像数据集和气象因素数据进行融合，构建各个原始作物生长参数多维深度学习模型；通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型；通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布。2.根据权利要求1所述的作物长势预测方法，其特征在于，所述通过各个所述原始作物生长参数多维深度学习模型结合不同作物的生长参数时空特异性进行反演，得到最优作物生长参数多维深度学习模型，包括：通过各个所述原始作物生长参数多维深度学习模型对不同作物的生长参数时空特异性进行反演，得到不同作物在不同播种时间后的生长参数；根据所述不同作物在不同播种时间后的生长参数，确定各个所述原始作物生长参数多维深度学习模型的生物量实际值与模型计算值的各个吻合程度值；基于各个所述吻合程度值，确定各个所述原始作物生长参数多维深度学习模型中的最优作物生长参数多维深度学习模型。3.根据权利要求1所述的作物长势预测方法，其特征在于，所述通过所述最优作物生长参数多维深度学习模型对不同作物的生长参数信息进行评估，得到不同作物的生长参数的时空分布，包括：通过所述最优作物生长参数多维深度学习模型结合不同作物的无损二维图像数据集，对不同作物整个生育阶段单航次数据进行特征提取，得到不同作物在不同生育期的多时相的特征信息；根据所述不同作物在不同生育期的多时相的特征信息进行评估，得到不同作物的生长参数的时空分布。4.根据权利要求3所述的作物长势预测方法，其特征在于，所述根据所述不同作物在不同生育期的多时相的特征信息进行评估，得到不同作物的生长参数的时空分布，包括：将所述不同作物在不同生育期的多时相的特征信息确定为输出层不同时间点的输入特征进行计算，得到不同作物的最终生长参数；确定不同作物所在预设区域的位置信息，并根据不同作物的最终生长参数及其位置信息，确定整个所述预设区域的不同作物的生长参数的时空分布。5.根据权利要求1所述的作物长势预测方法，其特征在于，所述基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集，包括：获取航拍相机的成像参数，并基于所述成像参数获取图像回溯矩阵；基于所述成像参数和所述图像回溯矩阵，获取所述三维点云数据集的无损二维图像数据集。6.根据权利要求5所述的作物长势预测方法，其特征在于，所述基于所述成像参数和所述图像回溯矩阵，获取所述三维点云数据集的无损二维图像数据集，包括：基于所述成像参数和所述图像回溯矩阵，获取初始无损二维图像数据集；2CN114972684A权利要求书2/2页将所述初始无损二维图像数据集输入至预先构建的图像优化模型，获取所述图像优化模型输出的无损二维图像数据集；其中，所述图像优化模型是基于所述无损二维图像数据集的颜色信息和所述颜色信息对应的最优超参数确定的。7.一种作物长势预测装置，其特征在于，包括：图像获取模块，用于基于图像回溯算法确定原始三维点云数据集的无损二维图像数据集；模型构建模块，用于将所述原始三维点云数据集、所述无损二维图像数据集和气象因