本发明涉及数据处理，尤其涉及一种基于稳定扩散模型的农田病害遥感影像预测生成方法、装置及处理方法。
背景技术：
1、在使用遥感影像分析农田病害时，现有技术是通过当前影像进行观测和分析，预测疾病发生的类型。但这种方式主要靠观察着或分析者的经验，无法捕捉到病害的动态变化，不能准确及可靠预测出农田病害。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的上述不足，提出一种基于稳定扩散模型的农田病害遥感影像预测生成方法、装置及处理方法。该预测生成方法能够自动生成高质量的预测图像，从而提升潜在农田病害预测的准确性与可靠性。
2、第一方面，本发明提供一种基于稳定扩散模型的农田病害遥感影像预测生成方法，该方法具体包括如下步骤：
3、步骤s1：获取n组农田病害区域的遥感影像数据；
4、步骤s2：从所述n组农田病害区域的遥感影像数据中随机抽出一组作为模型图像数据集；所述模型图像数据集包括第一时间段图像数据i1、第二时间段图像数据i2、……、第m-1时间段图像数据im-1、第m时间段图像数据im；
5、步骤s3：将所述第一时间段图像数据i1、所述第二时间段图像数据i2、……、所述第m-1时间段图像数据im-1进行融合，得到融合特征；
6、步骤s4：将所述融合特征输入到稳定扩散模型中，以使所述稳定扩散模型输出农田病害的第m时间段预测图像数据i’m；
7、步骤s5：评估所述第m时间段图像数据im和所述第m时间段预测图像数据i’m之间的差异，以得到图像评价指标；
8、步骤s6：判断所述图像评价指标是否能满足预设要求：
9、若所述图像评价指标能满足预设值要求，则设定所述稳定扩散模型为目标稳定扩散模型；若否，则重新从n中随机抽出另一组数据作为模型数据集，重复步骤s2至步骤s6，直至所述图像评价指标能满足预设要求；
10、步骤s7：根据目标稳定扩散模型，预测农田病害的第m+1时间段预测图像数据im+1，以完成基于稳定扩散模型的农田病害遥感影像预测生成；
11、其中，n、m均为大于1的自然数。
12、进一步地，所述步骤s3，具体包括如下步骤：
13、步骤s31：从所述第一时间段图像数据i1、所述第二时间段图像数据i2、……、所述第m-1时间段图像数据im-1提取时序特征；以及，从所述第m-1时间段图像数据im-1提取色彩特征；
14、步骤s32：融合所述时序特征和所述色彩特征，从而得到融合特征xθ；
15、所述融合特征的计算公式如式(1)：
16、
17、其中，
18、xt表示时序特征，xc表示色彩特征，wt表示时序特征权重，wc表示色彩特征权重；
19、表示矩阵拼接。
20、进一步地，所述步骤s5，具体包括如下步骤：
21、采用fid衡量所述第m时间段图像数据im和所述第m时间段预测图像数据i’m之间的相似性，得到fid分数；
22、所述fid的计算公式如式(8)
23、
24、其中，g表示im的特征；
25、r表示i’m的特征；
26、μg表示im的特征的均值；
27、σg表示im的协方差矩阵；
28、μr表示i’m的特征的均值，σr表示i’m的特征的协方差矩阵，是μg和μr差平方的l2范数，tr表示矩阵的迹。
29、进一步地，所述步骤s4，具体包括如下步骤：
30、步骤s41：将所述融合特征以交叉注意力机制的方式融合到稳定扩散模型的去噪网络中，得到注意力输出z；
31、所述注意力输出z的计算公式如式(2):
32、
33、其中，
34、crossattention表示交叉注意力机制函数；
35、softmax()表示归一化函数；
36、q表示查询矩阵；
37、k表示键矩阵；
38、kt表示k的转置操作；
39、v表示值矩阵；
40、d表示缩放因子；
41、查询矩阵q的计算公式如式(3)：
42、q＝wq·φ(zt) (3)
43、其中，zt表示时间t的输入特征，φ(zt)表示zt的特征转换函数，wq表示查询矩阵权重；
44、键矩阵k的计算公式如式(4)：
45、k＝wk·τ(xθ) (4)
46、其中，xθ表示融合特征，τ(xθ)表示xθ的特征转换函数，wk表示键矩阵权重；
47、键矩阵k的计算公式如式(5)：
48、v＝wv·τ(xθ) (5)
49、其中，wv表示值矩阵权重；
50、步骤s42：将注意力输出z进行解码转换，得到农田病害的第m时间段预测图像数据i’m，其表达式如式(6)：
51、i’m＝d(z) (6)
52、其中，d(z)函数表示对注意力输出进行解码输出。
53、进一步地，所述步骤s41中的稳定扩散模型的去噪网络，是通过损失函数进行训练的；
54、训练去噪网络的损失函数，其公式如式(7)：
55、
56、其中，
57、e表示期望值，x表示输入样本，δ表示从标准正态分布n(0,1)中采样的参数，t表示时间；
58、δσ(xt,t)表示经过交叉注意力机制和时序-色彩处理后的输出；
59、为二范数定义的平方误差。
60、第二方面，本发明提供一种潜在农田病害的处理方法，所述方法包括如下步骤：
61、步骤k1：采用第一方面所述的基于稳定扩散模型的农田病害遥感影像预测生成方法，得到农田病害的第m+1时间段预测图像数据im+1；
62、步骤k2：对所述生成数据im+1进行病害区域的语义分割，得到潜在发生危害的区域；
63、步骤k3：根据第一时间段图像数据i1、第二时间段图像数据i2、……、第m-1时间段图像数据im-1、第m时间段图像数据im、所述预测图像数据im+1、并结合所述潜在发生危害的区域，得到潜在病害数据；
64、步骤k4：根据所述潜在病害数据，对潜在农田病害进行处理。
65、进一步地，所述潜在病害数据包括潜在病害面积、潜在病害类型及潜在病害趋势；
66、所述步骤k4之后，所述方法还包括步骤k5；
67、步骤k5：将所述潜在病害面积、所述潜在病害类型及所述潜在病害趋势进行可视化展示。
68、第三方面，本发明提供一种基于稳定扩散模型的农田病害遥感影像预测生成装置，所述装置包括：
69、获取单元，用于获取n组农田病害区域的遥感影像数据；
70、第一处理单元，与所述获取单元连接，用于从所述n组农田病害区域的遥感影像数据中随机抽出一组作为模型图像数据集；所述模型图像数据集包括第一时间段图像数据i1、第二时间段图像数据i2、……、第m-1时间段图像数据im-1、第m时间段图像数据im；
71、第二处理单元，与所述第一处理单元连接，用于将所述第一时间段图像数据i1、所述第二时间段图像数据i2、……、所述第m-1时间段图像数据im-1进行融合，得到融合特征；
72、第三处理单元，与所述第二处理单元连接，用于将所述融合特征输入到稳定扩散模型中，以使所述稳定扩散模型输出农田病害的第m时间段预测图像数据i’m；
73、评估单元，与所述第三处理单元连接，用于评估所述第m时间段图像数据im和所述第m时间段预测图像数据i’m之间的差异，以得到图像评价指标；
74、判定单元，与所述评估单元连接，用于判断所述图像评价指标是否能满足预设要求；
75、第四处理单元，与所述判定单元连接，用于在所述判定单元判定出所述图像评价指标能满足预设值要求，则设定所述稳定扩散模型为目标稳定扩散模型；还用于在所述判定单元判定出所述图像评价指标不能满足预设值要求，重新从n中随机抽出另一组数据作为模型图像数据集；
76、预测单元，与所述第四处理单元连接，用于根据目标稳定扩散模型，预测农田病害的第m+1时间段预测图像数据im+1，以完成基于稳定扩散模型的农田病害遥感影像预测生成；
77、其中，n、m均为大于1的自然数。
78、进一步地，所述第二处理单元包括：
79、提取模块，用于从所述第一时间段图像数据i1、所述第二时间段图像数据i2、……、所述第m-1时间段图像数据im-1提取时序特征；以及，从所述第m-1时间段图像数据im-1提取色彩特征；
80、融合模块，与所述提取模块连接，用于融合所述时序特征和所述色彩特征，从而得到融合特征xθ；
81、所述融合特征的计算公式如下：
82、
83、其中，
84、xt表示时序特征，xc表示色彩特征，wt表示时序特征权重，wc表示色彩特征权重；
85、表示矩阵拼接。
86、进一步地，所述第三处理单元包括：
87、处理模块，用于将所述融合特征以交叉注意力机制的方式融合到稳定扩散模型的去噪网络中，得到注意力输出z；
88、所述注意力输出z的计算公式如下：
89、
90、其中，
91、crossattention表示交叉注意力机制函数；
92、softmax()表示归一化函数；
93、q表示查询矩阵；
94、k表示键矩阵；
95、kt表示k的转置操作；
96、v表示值矩阵；
97、d表示缩放因子；
98、查询矩阵q的计算公式如下：
99、q＝wq·φ(zt)；
100、其中，zt表示时间t的输入特征，φ(zt)表示zt的特征转换函数，wq表示查询矩阵权重；
101、键矩阵k的计算公式如下：
102、k＝wk·τ(xθ)；
103、其中，xθ表示融合特征，τ(xθ)表示xθ的特征转换函数，wk表示键矩阵权重；
104、键矩阵k的计算公式如下：
105、v＝wv·τ(xθ)；
106、其中，wv表示值矩阵权重；
107、解码模块，与所述处理模块连接，用于将注意力输出z进行解码转换，得到农田病害的第m时间段预测图像数据i’m，其表达式如下：
108、i’m＝d(z)；
109、其中，d(z)函数表示对注意力输出进行解码输出。
110、本发明的有益效果：
111、1.本发明能够根据现有的图像数据自动生成高质量的预测图像，从而提升潜在农田病害预测的准确性与可靠性。
112、2.本发明融合了时序特征和色彩特征，从而能更全面地反映农田的生长状态与病害演变，提升了神经网络模型的预测精度。
113、3.本发明基于图像评价指标对生成影像进行量化评估，有助于客观分析模型性能，易于优化与调整，提升整个神经网络模型的可靠性。
114、4.本发明能够对潜在农田病害进行处理，有助于制定更具针对性的防治策略。
115、5.本发明能够精准识别潜在病害区域，从而能够合理调配防治资源。
116、6.本发明能够对潜在农田病害的处理通过早期识别、精准干预和数据驱动的决策支持，能够有效降低病害对农业生产的影响，提升作物产量和质量，促进可持续农业的发展。
1.一种基于稳定扩散模型的农田病害遥感影像预测生成方法，其特征在于，
2.根据权利要求1所述的基于稳定扩散模型的农田病害遥感影像预测生成方法，其特征在于，
3.根据权利要求1所述的基于稳定扩散模型的农田病害遥感影像预测生成方法，其特征在于，
4.根据权利要求1至3任一项所述的基于稳定扩散模型的农田病害遥感影像预测生成方法，其特征在于，
5.根据权利要求4所述的基于稳定扩散模型的农田病害遥感影像预测生成方法，其特征在于，
6.一种潜在农田病害的处理方法，其特征在于，
7.根据权利要求6所述的潜在农田病害的处理方法，其特征在于，
8.一种基于稳定扩散模型的农田病害遥感影像预测生成装置，其特征在于，
9.根据权利要求8所述的基于稳定扩散模型的农田病害遥感影像预测生成装置，其特征在于，
10.根据权利要求8或9所述的基于稳定扩散模型的农田病害遥感影像预测生成装置，其特征在于，
