本發(fā)明涉及檳榔黃化病病情等級評價，尤其涉及基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法。

背景技術(shù)：

1、檳榔黃化病是由檳榔黃化病毒引起的一種重要的植物病害。該病主要通過蚜蟲傳播，導(dǎo)致檳榔葉片出現(xiàn)黃化、彎曲等癥狀，嚴重影響檳榔的生長與產(chǎn)量。隨著檳榔栽培規(guī)模的擴大和國際貿(mào)易的增加，檳榔黃化病已經(jīng)成為檳榔產(chǎn)業(yè)中的一大隱患。在農(nóng)業(yè)生產(chǎn)中，評估作物的病情等級是防控病害流行的重要手段之一。通過及時、準確地檢測作物病情等級，農(nóng)民和研究人員可以有針對性地采取措施，如合理施用化肥、噴灑農(nóng)藥、調(diào)整種植密度等，以減少病害造成的損失，并提高作物產(chǎn)量和質(zhì)量，保障農(nóng)業(yè)生產(chǎn)的持續(xù)發(fā)展。因此，對作物病情等級的評估是農(nóng)業(yè)生產(chǎn)中不可或缺的環(huán)節(jié)，對于維護農(nóng)業(yè)生產(chǎn)穩(wěn)定和提高農(nóng)民經(jīng)濟收益具有重要作用。

2、傳統(tǒng)的檳榔黃化病病情等級評估方法通過在自然條件下種植檳榔，然后在感染檳榔黃化病的地區(qū)進行田間觀察和調(diào)查。根據(jù)檳榔植株的生長狀態(tài)和葉片上的病斑面積來對病情等級進行評估。輕度感染表現(xiàn)為少量病斑，葉片損傷不嚴重；中度感染則有大量病斑覆蓋葉片，并可能導(dǎo)致生長受限；重度感染則會造成葉片枯黃、落葉嚴重，影響檳榔的產(chǎn)量和品質(zhì)。通過對檳榔黃化病病情等級的評估，可以采取相應(yīng)的防治措施，保障檳榔產(chǎn)量和質(zhì)量。

3、此外得益于深度學(xué)習(xí)技術(shù)和高光譜技術(shù)的發(fā)展，可以通過搭建卷積神經(jīng)網(wǎng)絡(luò)對作物病害rgb圖像進行訓(xùn)練，評估作物的病情等級。還可以借助無人機采集多光譜、高光譜數(shù)據(jù)，并結(jié)合溫度濕度等環(huán)境信息構(gòu)建作物病情等級評估模型，將信息豐富的高光譜數(shù)據(jù)與深度學(xué)習(xí)方法相結(jié)合，不僅可以直接評估病害的嚴重程度，而且可以挖掘與病害相關(guān)的光譜特征。在大田環(huán)境下，也可以利用常見的植被指數(shù)來評估作物病情等級。常用的植被指數(shù)包括ndvi(歸一化植被指數(shù))它作為最常用的植被指數(shù)之一，通過紅光和近紅外波段的反射率計算而得。它對植被覆蓋和生長狀態(tài)具有很好的敏感性，常用于監(jiān)測植被的分布和變化，評估土地覆蓋情況以及監(jiān)測植被的健康狀況。rvsi(ratio?vegetation?stress?index)是通過比較紅光和近紅外波段的反射率來評估植被的脅迫程度。高數(shù)值的rvsi通常表示植被處于脅迫狀態(tài)，如水分不足或受到病蟲害侵襲。

4、當(dāng)前檳榔黃化病病情等級評估方法的不足之處包含以下幾個方面：

5、一、人工田間調(diào)查法效率低、規(guī)模小、成本高。

6、田間調(diào)查法效率較低、對環(huán)境依賴性強。如果受到不同環(huán)境因素的影響可能導(dǎo)致不同時間、不同地點的結(jié)果不一致，同時人工調(diào)查、鑒定的規(guī)模較小，對于大規(guī)模的項目，需要大量的樣品進行田間調(diào)查，這會增加人力成本和實施難度。雖然田間調(diào)查可以直接評估植株的病情等級，但往往難以準確量化黃化病病情，導(dǎo)致結(jié)果主觀性較強，不同研究人員或評估者之間存在一定的主觀差異。

7、二、缺少反應(yīng)病情變化的時序信息。

8、使用無人機獲取作物高光譜信息雖然可以有效地反映作物的病情，但是并沒有獲取自病菌接種后至病害爆發(fā)期間的時序高通量表型數(shù)據(jù)，僅能參考病害完全爆發(fā)后的病情調(diào)查結(jié)果。考慮到病情發(fā)展是動態(tài)變化的，單一數(shù)據(jù)來源、單一時間節(jié)點并不能完整、準確反映檳榔的黃化病病情等級。

9、三、常用的植被指數(shù)不能有效反映檳榔黃化病病情。

10、盡管ndvi和其他常用植被指數(shù)能夠反映出植物總體的健康狀況(例如通過觀測葉綠素含量和植被密度的變化)，但這些指數(shù)通常無法提供關(guān)于病害類型、分布和嚴重程度的詳細信息。主要原因是計算常用的植被指數(shù)所使用的波段并非為黃化病的敏感波段，與檳榔黃化病的相關(guān)性并不強。此外使用的波段數(shù)量不多，不足以包含黃化病在光譜維度的特征信息。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有技術(shù)中存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法，由于固定尺寸的卷積核對不規(guī)則物體的采樣效果不佳，對于空間信息和光譜信息更為豐富的高光譜影像來說，這樣的劣勢更容易被凸顯出來。因此，為了更好的獲取作物病害的特征信息應(yīng)嘗試使用3d卷積神經(jīng)網(wǎng)絡(luò)結(jié)合卷積核優(yōu)化技巧加強模型對作物高光譜影像的泛化能力，為作物抗病資源的挖掘提供有效的特征提取方法。本專利采用光譜空洞卷積模塊和3d可變形卷積模塊作為模型主干網(wǎng)絡(luò)的特征提取模塊。其中光譜空洞卷積的卷積核可以通過引入膨脹率來擴大感受野，在不增加可訓(xùn)練參數(shù)的數(shù)量的前提下，通過對光譜維度的卷積運算，從原始光譜數(shù)據(jù)中提取特征信息。3d可變形卷積模塊則通過卷積層來獲得自適應(yīng)的感受野，這樣卷積層就能捕捉高光譜數(shù)據(jù)空間和光譜維度上的長程語義信息，更有利于獲得特征圖中的關(guān)鍵特征。對于提取檳榔黃化病病斑這樣的不規(guī)則信息更為有效。

3、本專利基于注意力機制和深度可分離卷積構(gòu)建光譜波段提取模塊，來保留原始光譜波段中最具鑒別力或信息量最大的波段及它們的權(quán)重。受深度可分離卷積的啟發(fā)，利用點狀1×1卷積和波段無關(guān)的卷積有效地減少參數(shù)數(shù)量并增強模型的泛化能力。波段無關(guān)的卷積繼承了深度卷積和點狀1×1卷積的特點，對每個輸入通道獨立地進行單次1×1卷積，它可以通過實現(xiàn)波段間的信息隔離來保留原始波段信息，避免空間信息的丟失。同時，本專利利用1×1卷積核權(quán)重直接表示相應(yīng)波段的重要性權(quán)重。具體來說，1×1卷積核權(quán)重的絕對值越大，相應(yīng)的波段就越重要。通過光譜波段提取模塊篩選出的敏感波段被用來構(gòu)建評估黃化病病情等級的光譜指數(shù)。

4、由于傳統(tǒng)的病情等級評價方法缺少反應(yīng)病情變化的時序信息。本專利對接種病菌后不同時間(days?after?inoculation,dai)的檳榔葉片高光譜影像進行獲取，從而捕捉到受病菌感染后葉片生理和生化變化的時序信息。這種方法可以提供更詳細和動態(tài)的數(shù)據(jù)，有助于更準確地評估病情的變化和發(fā)展趨勢。

5、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案，基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法，包括：采用光譜空洞卷積和3d可變形卷積提取高光譜特征信息，為敏感波段的獲取提供支持；采用注意力機制和深度可分離卷積方法獲取銹病敏感波段；提出針對檳榔黃化病病情等級評價的光譜指數(shù)apydi。

6、作為本發(fā)明所述的基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法的一種優(yōu)選方案，其中：所述特征信息包括使用x∈rh×w×c表示分辨率為h×w×c的特征圖，x(p)表示x在坐標p＝(px,py,pz)處的值，用w(p)表示包含k個卷積點的給定卷積核的權(quán)重，用b表示當(dāng)前卷積層的偏置值，用d∈rk表示可變形卷積的采樣區(qū)域，對于大小為3×3×3的標準卷積，膨脹率為1，k＝27，采樣區(qū)域為d＝{(-1,-1,-1),(-1,-1,0),…,(1,1,0),(1,1,1)}，在3d可變形卷積模塊中，利用δd∈rk×3表示采樣區(qū)域中每個點的偏移量，用y表示應(yīng)用可變形卷積后得到的特征圖，則y在坐標上的值通過公式計算得出，

7、

8、其中，pn表示取樣區(qū)域內(nèi)的地點，卷積核特征提取位置的變化是通過學(xué)習(xí)卷積核采樣位置的偏移來確定的，可變形卷積自適應(yīng)地關(guān)注固定采樣區(qū)域d以內(nèi)的空間位置，由于在訓(xùn)練過程中獲得的偏移通常是小數(shù)，則偏移后卷積核中每個位置的位置與特征圖中的實際像素點并不一致，使用插值法來確定偏移后的像素值，通常使用三線性插值法來實現(xiàn)。

9、作為本發(fā)明所述的基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法的一種優(yōu)選方案，其中：所述三線性插值法表示為，

10、

11、其中，p表示偏移后的實際位置，i枚舉了特征圖中的所有位置，g表示三線性插值。

12、作為本發(fā)明所述的基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法的一種優(yōu)選方案，其中：所述獲取銹病敏感波段包括，利用3×3的卷積核對不同波段的高光譜影像進行獨立的卷積運算，使用點狀1×1卷積對空間維度和光譜維度的特征信息進行學(xué)習(xí)，降低訓(xùn)練參數(shù)的數(shù)量，兼顧空間信息的獲取，最后利用通道注意力機制將特征圖恢復(fù)成原始尺寸，為了舍棄一些與訓(xùn)練結(jié)果無關(guān)、冗余或包含噪聲的光譜波段，研究設(shè)計硬閾值策略，如果內(nèi)核權(quán)重的絕對值小于閾值，相應(yīng)的值就會被重置為零。如果內(nèi)核權(quán)重的絕對值大于閾值，權(quán)重值保持不變，硬閾值法通過限制波段提取模塊的權(quán)重丟棄波段，權(quán)重為零的波段會被丟棄，只有權(quán)重不為零的波段才會被選中作為下一層的輸入，在硬閾值法中，為了找到合適的閾值，硬閾值法采用基于排序的策略，在硬閾值法中，對所有波段的權(quán)重進行排序以確定閾值，對所有1×1卷積核的權(quán)重進行排序，并使用給定數(shù)量的波段確定閾值。

13、作為本發(fā)明所述的基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法的一種優(yōu)選方案，其中：所述硬閾值法包括訓(xùn)練樣本用xtrain＝{x1,x2,…,xn}表示，其中n是訓(xùn)練樣本的數(shù)量，ytrain＝{y1,y2,…,yn}，其中yi表示與訓(xùn)練樣本xi相對應(yīng)的類別標簽，每個訓(xùn)練樣本xi∈rn×n×b，其中n×n代表當(dāng)前樣本空間尺寸，b是光譜波段的數(shù)量，在波段提取模塊中，每個輸入波段xi,k都會由一個3×3的卷積核提取特征，和是波段提取模塊的第k個核權(quán)重和偏置，采用硬閾值函數(shù)來限制核權(quán)重，保留與選定波段相對應(yīng)的權(quán)重，表示由和xi計算出的輸出，具有波段無關(guān)卷積和硬閾值的波段提取層的公式為，

14、

15、其中，·表示與波段無關(guān)的卷積，在硬閾值法中，ε代表閾值，ε＝sort(|w(1)|,u)，sort(|w(1)|,u)表示首先將所有卷積核權(quán)重的絕對值按降序排列，u代表所選波段的數(shù)量。

16、作為本發(fā)明所述的基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法的一種優(yōu)選方案，其中：所述光譜指數(shù)apydi包括，先將獲取到的完整檳榔葉片高光譜影像放入光譜波段提取模塊中，使用波段無關(guān)的3×3卷積來提取空間特征，之后使用點狀1×1卷積訓(xùn)練得到代表光譜波段重要性的特征圖，將特征信息輸入到由8個膨脹率為3×3×7和3×3×5卷積核組成的光譜空洞卷積模塊中，再將得到的特征圖輸入到利用3×3×3大小的卷積核學(xué)習(xí)偏移量的3d可變形卷積模塊和殘差模塊中，通過在殘差模塊后增加一個2×2×2平均池化層來減少參數(shù)數(shù)量，之后利用三個全連接層完成檳榔黃化病病情等級的評估，將預(yù)測值與真實標簽值進行比較，計算損失值。

17、作為本發(fā)明所述的基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法的一種優(yōu)選方案，其中：使用反向傳播算法計算損失函數(shù)對光譜波段提取模塊中點狀1×1卷積核權(quán)重的梯度，使用優(yōu)化算法來更新權(quán)重，在訓(xùn)練過程中點狀1×1卷積核權(quán)重基于硬閾值策略不斷將與檳榔黃化病相關(guān)性較低的波段權(quán)重置為零，通過不斷訓(xùn)練并更新波段權(quán)重最終獲得5個對黃化病病情等級影響最大的波段及對應(yīng)的權(quán)重，通過加權(quán)求和的方式組合成檳榔黃化病光譜指數(shù)apydi，r581、r605、r596、r609、r628分別表示篩選得到波段的反射率值，apydi表示計算得出的葉片光譜指數(shù)。

18、作為本發(fā)明所述的基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法的一種優(yōu)選方案，其中：所述apydi表示計算得出的葉片光譜指數(shù)表示為，

19、apydi＝3.36r581-2.58r605+1.96r596-1.24r609+1.12r628。

20、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法中任一項所述的方法的步驟。

21、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)基于光譜指數(shù)apydi的檳榔黃化病病情等級評估方法中任一項所述的方法的步驟。

22、本發(fā)明的有益效果：本發(fā)明采用光譜空洞卷積和3d可變形卷積可以有效地提取高光譜特征信息。在抗性評價任務(wù)中，這兩種方法結(jié)合使用可以能夠同時兼顧光譜和空間特征，更有利于捕獲空間病斑信息和光譜波段信息之間的相關(guān)性，從而提高模型的魯棒性和泛化能力。因此，采用光譜空洞卷積和3d可變形卷積的方法可以快速有效地提取高光譜特征信息，為敏感波段的獲取提供了支持。采用注意力機制和深度可分離卷積方法獲取銹病敏感波段。注意力機制能夠使網(wǎng)絡(luò)在學(xué)習(xí)過程中自動關(guān)注與檳榔黃化病相關(guān)性最強的波段。而深度可分離卷積則通過將標準卷積操作分解成深度卷積和逐點卷積兩個步驟，顯著減少了參數(shù)數(shù)量和計算成本，同時保持了較好的特征提取能力。

23、結(jié)合這兩種方法，可以更精確地獲取與黃化病相關(guān)的波段信息，保證了所獲得光譜指數(shù)的有效性。提出針對檳榔黃化病病情等級評價的光譜指數(shù)apydi。這種方法可以有效地監(jiān)測檳榔黃化病的發(fā)展情況，提高針對黃化病病情等級評價的準確性，為病情防控提供重要參考依據(jù)。