(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111614255.3 (22)申请日 2021.12.27 (71)申请人 航天信息股份有限公司广州航天软 件分公司 地址 510670 广东省广州市黄埔区科 学大 道98-104号(双号)(C5栋)401、 402、 403、 404、 501、 502、 503、 504 (72)发明人 黄锦芳　罗秀　侯方　文兆明　 潘慧杰　 (74)专利代理 机构 北京工信联合知识产权代理 有限公司 1 1266 专利代理师 刘海蓉 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/02(2012.01)G06F 119/02(2020.01) G06F 119/22(2020.01) (54)发明名称 一种目标作物的长势和产量分析方法及系 统 (57)摘要 本发明公开了一种目标作物的长势和产量 分析方法及系统， 包括： 获取目标作物在不同生 长阶段时每个长势指标对应的长势指标数据和 标准指标数据； 基于根据所述长势指标数据和标 准指标数据， 确定每个长势指标对应的隶属度， 并根据每个长势指标对应的权重和每个长势指 标对应的隶属度， 确定所述目标作物的长势评 分， 以根据所述长势评分确定所述目标作物的长 势等级； 获取包含所述目标作物的花果图像， 将 所述花果图像输入至训练好的预设卷积神经网 络模型， 基于所述预设卷积神经网络模型确定所 述目标作物的花朵和果实数量， 以基于所述花朵 和果实数量确定所述目标作物的产量。 权利要求书3页 说明书8页 附图2页 CN 114492166 A 2022.05.13 CN 114492166 A 1.一种目标作物的长势和产量分析 方法， 其特 征在于， 所述方法包括： 获取目标作物在不同生长阶段时每 个长势指标对应的长势指标 数据和标准指标 数据； 基于根据所述长势指标数据和标准指标数据， 确定每个长势指标对应的隶属度， 并根 据每个长势指标对应的权重和每个长势指标对应的隶属度， 确定所述目标作物的长势评 分， 以根据所述长势评分确定所述目标作物的长势等级； 获取包含所述目标作物的花果图像， 将所述花果图像输入至训练好的预设卷积神经网 络模型， 基于所述预设卷积神经网络模型确定所述 目标作物的花朵和果实数量， 以基于所 述花朵和果实数量确定所述目标作物的产量。 2.根据权利要求1所述的方法， 其特征在于， 所述长势指标数据， 包括： 植株高度数据、 茎粗数据、 树冠面积数据、 氮素 水平数据和叶绿素 水平数据。 3.根据权利要求1所述的方法， 其特征在于， 所述方法利用如下方式确定每个长势指标 对应的隶属度， 包括： 其中， μ(i)为第i个长势指标对应的隶属度； Di为第i个长势指标对应的标准指标数据； max(Di)和min(Di)分别为第i个长势指标对应的不同生长阶段的长势指标数据中的最大值 和最小值； 所述方法利用如下 方式确定 长势评分， 包括： 其中， H为长势评分； n为长势指标的个数； μ(i)为第i个长势指标对应 的隶属度； ω(i) 为第i个长势指标对应的权 重， 其中， 通过专 家打分法获取每 个长势指标对应的权 重。 4.根据权利要求1所述的方法， 其特征在于， 所述方法利用如下方式确定训练好的预设 卷积神经网络模型， 包括： 选用Faster ‑RCNN网络对训练集进行训练， 定义并初始化相关参数， 分类模型选择 resnet101， 输入的图像尺寸 为1920*1200； 将花果图像样本作为卷积神经网络的输入， 进行特征提取； 其中， 所选用的Faster ‑ RCNN部分网络包含13个卷积层， 13个ReLU层， 4个池化层， 通过该网络可提取输入图片的特 征映射， 用于后续的区域 生成网络和全连接层； 利用区域生成网络RPN生成区域候选框， 兴趣区域池化层利用区域生成网络生成的区 域候选框和已获得的特 征映射， 得到固定大小的特 征图； 将兴趣区域池化层形成固定大小的特征图进行全连接操作， 进行具体类别的分类， 用 L1 Loss完成边框回归操作获得物体的精确位置， 计算损失函数， 同时更新整个网络的参 数， 得到训练模型； 其中， 训练损失包括分类损失和回归损失； 利用探测分类概率Softmax  Loss和探测边 框回归Smo oth L1 Loss对分类概 率和边框回归联合训练。 5.根据权利要求1所述的方法， 其特 征在于， 所述方法利用YOLOv4进行目标检测， 包括： 主干特征提取网络将整张图片输入到网络CSPDarknet53， 进行特征提取； 将特征经过权　利　要　求　书 1/3 页 2 CN 114492166 A 2卷积操作后输入SPP中， 进行池化操作； 在PANet 中进行上采样、 下采样后的特征堆叠； 并最 终生成先验框 。 6.一种目标作物的长势和产量分析系统， 其特 征在于， 所述系统包括： 数据获取单元， 用于获取目标作物在不同生长阶段时每个长势指标对应的长势指标数 据和标准指标 数据； 长势等级确定单元， 用于基于根据所述长势指标数据和标准指标数据， 确定每个长势 指标对应的隶属度， 并根据每个长势指标对应的权重和每个长势指标对应的隶属度， 确定 所述目标作物的长势评分， 以根据所述长势评分确定所述目标作物的长势等级； 产量确定单元， 用于获取包含所述目标作物的花果图像， 将所述花果图像输入至训练 好的预设卷积神经网络模型， 基于所述预设卷积神经网络模型确定所述目标作 物的花朵和 果实数量， 以基于所述 花朵和果实数量确定所述目标作物的产量。 7.根据权利要求6所述的系统， 其特征在于， 所述长势指标数据， 包括： 植株高度数据、 茎粗数据、 树冠面积数据、 氮素 水平数据和叶绿素 水平数据。 8.根据权利要求6所述的系统， 其特征在于， 所述长势等级确定单元， 利用 如下方式确 定每个长势指标对应的隶属度， 包括： 其中， μ(i)为第i个长势指标对应的隶属度； Di为第i个长势指标对应的标准指标数据； max(Di)和min(Di)分别为第i个长势指标对应的不同生长阶段的长势指标数据中的最大值 和最小值； 所述系统利用如下 方式确定 长势评分， 包括： 其中， H为长势评分； n为长势指标的个数； μ(i)为第i个长势指标对应 的隶属度； ω(i) 为第i个长势指标对应的权 重， 其中， 通过专 家打分法获取每 个长势指标对应的权 重。 9.根据权利要求6所述的系统， 其特 征在于， 所述系统还 包括： 模型确定单 元， 用于利用如下 方式确定训练好的预设卷积神经网络模型， 包括： 选用Faster ‑RCNN网络对训练集进行训练， 定义并初始化相关参数， 分类模型选择 resnet101， 输入的图像尺寸 为1920*1200； 将花果图像样本作为卷积神经网络的输入， 进行特征提取； 其中， 所选用的Faster ‑ RCNN部分网络包含13个卷积层， 13个ReLU层， 4个池化层， 通过该网络可提取输入图片的特 征映射， 用于后续的区域 生成网络和全连接层； 利用区域生成网络RPN生成区域候选框， 兴趣区域池化层利用区域生成网络生成的区 域候选框和已获得的特 征映射， 得到固定大小的特 征图； 将兴趣区域池化层形成固定大小的特征图进行全连接操作， 进行具体类别的分类， 用 L1 Loss完成边框回归操作获得物体的精确位置， 计算损失函数， 同时更新整个网络的参 数， 得到训练模型； 其中， 训练损失包括分类损失和回归损失； 利用探测分类概率Softmax  Loss和探测边 框回归Smo oth L1 Loss对分类概 率和边框回归联合训练。权　利　要　求　书 2/3 页 3 CN 114492166 A 3