[发明专利]基于人工智能与多时相遥感的农业病虫害监测方法

说明书

本发明涉及基于人工智能与多时相遥感的农业病虫害监测方法，其获取至少两个时相遥感影像，通过真彩色合成得到至少两个时相真彩色遥感影像，通过对遥感影像的分析，得到对应的遥感指数图像；然后对构建神经网络模型利用改进的交叉熵损失函数进行训练；将真彩色遥感影像和遥感指数图像作为训练好的神经网络模型的输入，提取相邻两时相遥感影像数据的光谱与遥感指数的变化特征，并输入到解码器，输出下一时相的遥感影像的病虫害等级图像。本发明对改进的交叉熵损失函数引入了区域权重图像、色差权重图像、小麦生长状态权值图像这些因素，能够对多时相农作物区域进行指标量化，使得网络对内部虫害严重、蔓延速度快的位置更敏感，提高了预测病虫害的精度。

技术领域

本发明涉及人工智能、多时相遥感、智慧农业领域，具体涉及一种基于人工智能与多时相遥感的农业病虫害监测方法。

背景技术

作物病虫害因具有发生种类多、影响范围广和局部爆发成灾的特点，一直以来是制约农业生产的一个重要因素，能够对作物产量和品质造成较大的影响。近年来，中国农业灾害表现为规模增大、程度加深的趋势。

长期以来，农作物田块层次的取样实地调查一直是病虫害识别与监测的主要手段，但这类方法花费大量人力和时间，取样的范围和样本量有效，难以获得大范围的资料，随着劳动力成本的上升，迫切需要开发及时、大尺度、准确的监测技术。

基于单景卫星影像进行病虫害监测时，往往很难避免一些其他因素的影响，如田间胁迫和农田环境等，造成监测精度不理想。而多时相遥感能够快速、大面积地监测作物种植结构、长势动态、养分状况等信息，并能够预测作物产量，提供精准生产管理决策信息，是当前农作物病虫害监测的发展方向。虽然多时相遥感技术的研究取得了很多成果，但是，其仍存在一些不足的问题，如人为干扰严重，精度不稳定、精度不高等问题。

发明内容

本发明的目的在于提供一种基于人工智能与多时相遥感的农业病虫害监测方法，用于解决利用多时相遥感进行病虫害监测时，精度不高的问题。

为了解决上述问题，本发明采用以下技术方案：

一种基于人工智能与多时相遥感的农业病虫害监测方法，包括以下步骤：

步骤1，获取至少两个时相遥感影像，并对不同时相遥感影像进行预处理，对预处理后的图像通过真彩色合成得到至少两个时相真彩色遥感影像；

步骤2，对至少两个时相遥感影像进行分析，分别计算对应的遥感指数，并得到对应的遥感指数图像；所述遥感指数包括归一化植被指数NDVI、叶面积指数LAI、垂直干旱指数PDI；

步骤3，构建神经网络模型，对所述神经网络模型进行训练，在训练过程中利用改进的交叉熵损失函数对神经网络模型训练，得到训练好的神经网络模型；

步骤4，将所述至少两个时相真彩色遥感影像和遥感指数图像作为输入，利用训练好的神经网络模型，提取相邻两时相遥感影像数据的光谱与遥感指数变化特征，将所述变化特征进行融合后输入到解码器，输出下一时相的遥感影像的病虫害等级图像；

所述步骤3中的改进的交叉熵损失函数为

其中，Image_i表示加权图像中第i个像素值，Image_i表示加权图像中第i个像素值，Image＝ImageA+ImageB+ImageC+ImageD，其中，ImageA为色差权重图像，ImageB为农作物生长状态权重图像，ImageC为区域权重图像，ImageD为设定图像，所述设定图像的所有像值均为1，色差权重图像、农作物生长状态权重图像、区域权重图像和设定图像均与真彩色遥感影像等大；p(x)为图像中某一个像素的期望输出，q(x)为实际输出。

进一步地，获取色差权重图像的步骤为：