本发明涉及智慧农业、农产品产量预测及估算领域，具体涉及一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法。
背景技术：
1、水稻作为我国重要的粮食作物，其生产不仅关乎我国的粮食安全，更对全球的粮食稳定具有重大意义。水稻产量的预测对农业决策、市场供需平衡和粮食安全都至关重要。传统的水稻估产方式主要基于田间调查和统计数据，具有一定的主观性和时滞性。传统方法虽然在一定程度上提供了估产的信息，但存在着数据采集不及时、精度有限以及对大面积农田难以覆盖的缺点。为了提高水稻产量预测的精度与效率，本发明提出一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法。
技术实现思路
1、（一）要解决的技术问题
2、本发明要解决的技术问题是针对上述存在的问题和要求，基于无人机平台可对水稻大田进行快速地高通量检测，在单位时间内能够完成更大区域范围内的作业，显著提升了数据采集效率；借助基于点计数的深度学习网络，可实现对所采集图像中的水稻稻穗进行快速标注与检测；本发明旨在实现对田间水稻快速、准确地预测产量。
3、（二）技术方案
4、为了实现本发明所述内容，采取如下所述的方案。
5、一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法，具体包括以下步骤：
6、s1：使用搭载有高清可见光摄像机的无人机设备，在水稻进入齐穗期之后，从水稻大田上方获取正射图像；
7、具体地，所述步骤s1中，无人机在指定区域内按航线进行巡航飞行，保持飞行高度、飞行速度和摄像机角度，等间距地在水稻大田上方进行拍照，获取足够覆盖整片区域的离散图像，并将所拍摄得到的图像进行拼接，复原出水稻大田完整的正射图像；
8、s2：对获取到的水稻大田正射图像，使用数字图像处理与机器学习等相关技术进行图像增强，使图像中的水稻稻穗更加明显；
9、具体地，所述步骤s2中，使用opencv工具对图片进行预处理，读取图片各个像素点的rgb通道值，并计算出图像在hsv和l*a*b颜色空间下的各像素值，再使用机器学习的方法，提取水稻稻穗特征，从上述9种颜色特征中确定出能够最显著地反映出水稻稻穗特征的颜色组合；
10、s3：改进并使用一种基于点计数的目标检测网络p2pnet，对所获取到的水稻大田图像中的水稻稻穗进行检测，并对检测结果进行计数；
11、具体地，所述步骤s3中，使用常规的目标检测算法，对小目标、高密度、重叠覆盖较多的目标，无法达到最优的检测效果，且在分辨率不高的模糊图像中，常规的目标检测算法表现仍然不佳。因此本发明基于triplet注意力机制模块，改进并使用一种基于点计数的目标检测网络p2pnet，对水稻大田图像的水稻稻穗进行检测计数；
12、s4：在水稻成熟收获前，对田间水稻进行抽样试验，采集计算不同种植区域各品种水稻籽粒的本征参数与大田中的穗数密度；
13、具体地，所述步骤s4中，水稻籽粒的本征参数包括与水稻产量相关的参数，即水稻的株平均穗数、穗粒数、千粒重和结实率；还包括水稻大田中的真实穗数密度，即单位面积内的水稻真实穗数；
14、s5：根据上述步骤所述的田间水稻稻穗检测计数结果，与田间抽样得到的水稻本征参数、区域穗数密度相结合，构建区域产量预测数学关系式；
15、具体地，所述步骤s5中，由上述步骤s3中所述的水稻稻穗检测计数结果与上述步骤s4中所述的水稻大田中的真实穗数密度，计算出区域面积内的水稻稻穗理论遮挡率，由其反推出田间真实的穗数分布情况，再代入抽样得到的水稻本征参数，计算出区域内的理论产量。
16、（三）有益效果
17、（1）本发明提供了一种使用无人机拍摄水稻大田正射图像，并直接预测水稻理论产量的计算方法，该方法可代替传统的人工测产方法，显著提升了测产效率并降低了劳动消耗；
18、（2）本发明所述方法可进行推广，适用于各类水稻大田测产，并可长期使用，对于不同地域、不同品种的水稻，只需要重新训练深度学习模型，并人工进行少量取样工作即可使用，本方法实用性强、可移植性好；
19、（3）本发明所修改使用的基于点计数的目标检测网络p2pnet，弥补了当前农产品常用目标检测算法的不足，在水稻高密度、低精度图像中有较好的计算效果。
1.一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法，本发明所述方法基于无人机平台对水稻大田进行快速地高通量检测，在单位时间内能够完成更大区域范围内的作业，同时借助基于点计数的深度学习网络，实现对所采集图像中的水稻稻穗进行快速标注与检测，该方法通过以下步骤完成：
2.根据权利要求1所述的一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法，其特征在于，s1中所述的在水稻进入齐穗期之后，从水稻大田上方获取正射图像：
3.根据权利要求1所述的一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法，其特征在于，s2中所述的使用数字图像处理与机器学习等相关技术进行图像增强：
4.根据权利要求1所述的一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法，其特征在于，s3中所述的改进并使用一种基于点计数的目标检测网络p2pnet：
5.根据权利要求1所述的一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法，其特征在于，s4中所述的采集计算不同种植区域各品种水稻籽粒的本征参数与大田中的穗数密度：
6.根据权利要求1所述的一种基于无人机与点计数网络的田间水稻稻穗识别与产量预测方法，其特征在于，s5中所述的构建区域产量预测数学关系式：
7.s5.2进一步地，融合由考种得到的水稻籽粒本征参数，建立水稻产量预测公式y
