CN112597855B - 农作物倒伏程度识别方法及装置 - Google Patents
农作物倒伏程度识别方法及装置 Download PDFInfo
- Publication number
- CN112597855B CN112597855B CN202011484271.0A CN202011484271A CN112597855B CN 112597855 B CN112597855 B CN 112597855B CN 202011484271 A CN202011484271 A CN 202011484271A CN 112597855 B CN112597855 B CN 112597855B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- area
- sample area
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000000875 corresponding effect Effects 0.000 description 27
- 238000007781 pre-processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种农作物倒伏程度识别方法及装置,该方法包括:根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;将待识别区域的遥感影像特征输入遥感影像识别模型,获取待识别区域的农作物倒伏程度;其中,遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度训练后得到;样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。本发明提供的农作物倒伏程度识别方法及装置,能通过遥感技术快速和便捷地获取大面积区域的遥感影像,能基于训练好的遥感影像识别模型识别遥感影像,能更高效地识别大面积区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种农作物倒伏程度识别方法及装置。
背景技术
倒伏是直立生长的作物成片发生歪斜,甚至全株匍倒在地的现象,倒伏可使农作物的产量和质量降低。根据农作物茎秆倾斜角度,可将倒伏程度划分为多个等级。及时准确地获得农作物倒伏程度对于估计农作物产量损失和做出生产决策等十分重要。
常规的获得农作物倒伏程度的方法可以分为两类,一是在待识别区域内进行人工测量,获得农作物倒伏程度;二是利用无人机获取待识别区域的影像后,利用图像识别技术获得农作物倒伏程度。在待识别区域的面积较大时,前者进行人工测量需要花费很高的时间成本;后者由于无人机获取影像的数量与待识别区域的面积大小正相关,若待识别区域的面积较大,则需要通过无人机获取大量的待识别区域的影像,同样需要花费很高的时间成本。综上所述,上述两种获得农作物倒伏程度的方法效率较低。
发明内容
本发明提供一种农作物倒伏程度识别方法及装置,用以解决现有技术中待识别区域面积较大时获得农作物倒伏程度效率较低的缺陷,实现更高效率的识别农作物倒伏程度。
本发明提供一种农作物倒伏程度识别方法,包括:
根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;
将所述待识别区域的遥感影像特征输入遥感影像识别模型,获取所述待识别区域的农作物倒伏程度;
其中,所述遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;所述样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。
根据本发明提供的一种农作物倒伏程度识别方法,所述将所述待识别区域的遥感影像特征输入遥感影像识别模型,获取所述待识别区域的农作物倒伏程度之前,还包括:
根据样本区域的无人机影像,获取样本区域的无人机影像特征;
将所述样本区域的无人机影像特征输入无人机影像识别模型,获取样本区域的农作物倒伏空间分布图;
根据所述农作物倒伏空间分布图,获取所述样本区域的农作物倒伏程度;
其中,所述无人机影像识别模型是基于建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练后得到;所述无人机影像识别标签根据所述建模区域的无人机影像预先确定,并与所述建模区域的无人机影像一一对应。
根据本发明提供的一种农作物倒伏程度识别方法,所述根据所述农作物倒伏空间分布图,获取所述样本区域的农作物倒伏程度,具体包括:
根据所述样本区域的遥感影像和所述样本区域的无人机影像的分辨率,获取窗口的尺寸;
按照预设的步长,在所述农作物倒伏空间分布图中滑动所述尺寸的窗口,根据每次滑动后所述窗口内农作物的倒伏程度,获取所述样本区域的农作物倒伏程度。
根据本发明提供的一种农作物倒伏程度识别方法,所述根据样本区域的无人机影像,获取所述样本区域的无人机影像特征,具体包括:
根据原始样本区域的无人机影像,获取原始样本区域的无人机影像特征;
基于所述原始样本区域的无人机影像特征,通过箱线图对所述原始样本区域进行筛选,筛选出所述原始样本区域中的多个区域作为所述样本区域;
根据原始样本区域的无人机影像特征,获取所述样本区域的无人机影像特征。
根据本发明提供的一种农作物倒伏程度识别方法,所述无人机影像特征,包括:
植被指数特征、纹理特征和原始波段反射率值中的任意多种。
根据本发明提供的一种农作物倒伏程度识别方法,所述根据原始样本区域的无人机影像,获取原始样本区域的纹理特征,具体包括:
根据所述原始样本区域的无人机影像和变换矩阵,获取原始样本区域的无人机主成分影像;
根据所述原始样本区域的无人机主成分影像,获取灰度共生矩阵和像元形状指数,根据所述灰度共生矩阵和所述像元形状指数获取所述原始样本区域的纹理特征;
其中,所述变换矩阵是基于所述建模区域的无人机影像获得的。
根据本发明提供的一种农作物倒伏程度识别方法,所述将所述样本区域的无人机影像特征输入无人机影像识别模型,获取样本区域的农作物倒伏空间分布图之前,还包括:
根据原始建模区域的无人机影像,获取原始建模区域的无人机影像特征;
基于所述原始建模区域的无人机影像特征,通过箱线图对所述原始建模区域进行筛选,筛选出所述原始建模区域中的多个区域作为所述建模区域;
根据原始建模区域的无人机影像特征,获取所述建模区域的无人机影像特征;
基于Xgboost分类方法,根据所述建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练,获得所述无人机影像识别模型。
本发明还提供一种农作物倒伏程度识别装置,包括:
图像获取模块,用于根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;
图像识别模块,用于将所述待识别区域的遥感影像特征输入遥感影像识别模型,获取所述待识别区域的农作物倒伏程度;
其中,所述遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;所述样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述农作物倒伏程度识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述农作物倒伏程度识别方法的步骤。
本发明提供的农作物倒伏程度识别方法及装置,通过无人机获取样本区域的无人机影像,根据样本区域的无人机影像获取样本区域的农作物倒伏程度,基于样本区域的农作物倒伏程度和样本区域的遥感影像特征训练得到遥感影像识别模型,通过将待识别区域的遥感影像特征输入训练好的遥感影像识别模型,获取待识别区域的农作物倒伏程度,能通过遥感技术快速和便捷地获取大面积区域的遥感影像,能基于训练好的遥感影像识别模型识别遥感影像,能更高效地识别大面积区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的农作物倒伏程度识别方法的流程示意图;
图2是本发明提供的农作物倒伏程度识别装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
为了克服现有技术的上述问题,本发明提供一种农作物倒伏识别方法及装置,其发明构思是,通过将待识别区域的遥感影像特征输入训练好的遥感影像识别模型,获取待识别区域的农作物倒伏程度,能基于训练好的遥感影像识别模型更高效地识别面积较大的待识别区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
图1是本发明提供的农作物倒伏程度识别方法的流程示意图。下面结合图1描述本发明的农作物倒伏识别方法。如图1所示,该方法包括:步骤101、根据待识别区域的遥感影像,获取待识别区域的遥感影像特征。
遥感技术具有观测范围广、信息量大、获取信息快、更新周期短、节省人力物力和人为干扰因素少等诸多优势。通过遥感技术可以方便、快捷和准确地获得待识别区域的遥感影像。
高分遥感影像是具有高分辨率的遥感影像。高分遥感影像还具有地物纹理信息丰富、成像光谱波段多和重访时间短等特点。在农业遥感应用中,高分遥感影像可以用于农作物的生长分析或农作物生长区域地表变化的监测等。
优选地,待识别区域的遥感影像为高分遥感影像。
具体地,通过高分辨率卫星可以获取待识别区域的高分遥感影像。上述高分辨率卫星可以是:IKONOS卫星、GeoEye卫星、QuickBird卫星、WorldView系列卫星以及我国国产的“高分”系列卫星等。
本发明实施例中遥感影像可以是通过高分一号B星(GF1B)获得的。
需要说明的是,待识别区域为面积相对较大的区域,待识别区域中可以包括生长状态为未出现倒伏或出现倒伏的某一种农作物。
需要说的是,本发明实施中的农作物可以是玉米,还可以是水稻、小麦或其他农作物。
具体地,通过高分一号B星PMS传感器获得原始多光谱遥感影像后,对原始多光谱遥感影像进行图像预处理,获得待识别区域的多光谱遥感影像。
对原始多光谱遥感影像进行图像预处理的方法可以包括:图像融合、图像分幅、线性拉伸和图像滤波处理等。
通过图像融合可以将空间分辨率和光谱分辨率不同的原始遥感影像,转换为高空间分辨率和高光谱分辨率的遥感影像,并且还可以保留原始遥感影像的高分辨率图像的空间信息和较低分辨率多光谱图像的光谱特征。通过图像分幅可以将原始遥感影像分割为多幅尺寸固定的遥感影像。通过线性拉伸可以对原始遥感影像进行图像增强,使得可以根据遥感影像更准确地获取遥感影像特征。通过图像滤波处理可以在对原始遥感影像进行噪声抑制的同时较好保留原始遥感影像中的细节特征。
本发明实施例可以通过Gram-Schmidt Pan Sharpening算法对原始多光谱遥感影像进行图像融合,并重采样为分辨率为2m的待识别区域的遥感影像。
对待识别区域的多光谱遥感影像进行图像预处理后,可以获得待识别区域的遥感影像。根据待识别区域的遥感影像,可以获取待识别区域的遥感影像特征。
根据实际情况可以选取不同的特征参数作为待识别区域的遥感影像特征。待识别区域的遥感影像特征的具体类型在本发明实施例中不作具体限定。
根据待识别区域的遥感影像,获取待识别区域的遥感影像特征的方法可以根据待识别区域的遥感影像特征的具体类型确定,在本发明实施例中不作具体限定。例如,若待识别区域的遥感影像特征中包括植被指数,则可以根据待识别区域的遥感影像计算待识别区域的归一化植被指数、绿波段植被指数、扩展的增强植被指数、差值植被指数和归一化绿度植被指数,并将上述各种植被指数作为待识别区域的遥感影像特征。
步骤102、将待识别区域的遥感影像特征输入遥感影像识别模型,获取待识别区域的农作物倒伏程度。
其中,遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。
当待识别区域的面积较大时,通过遥感技术可以快速和便捷地获取待识别区域的遥感影像。若通过无人机拍摄的方式获取面积较大的待识别区域的无人机影像时,则需要通过无人机拍摄大量的无人机影像,相较于通过遥感技术获取待识别区域的遥感影像,需要投入更多的时间成本和设备成本。
另一方面,无人机影像相较于遥感影像,具有高清晰、高时空分辨率、大比例尺、小面积、高现势性和拍摄过程中操作性强等优点。对于面积较小的区域,根据无人机影像可以更准确地获得该区域的农作物倒伏程度。
本发明实施例通过无人机拍摄面积较小的样本区域的无人机影像后,根据样本区域的无人机影像更准确地获得样本区域的农作物倒伏程度,并基于样本区域的农作物倒伏程度与样本区域的遥感影像特征训练得到遥感影像识别模型。基于训练好的遥感影像识别模型,可以识别通过遥感技术获取到的大量遥感影像,从而更高效地获取面积较大的待识别区域的农作物倒伏程度。
需要说明的是,本发明实施例中样本区域的无人机影像是多光谱无人机影像。通过对样本区域的多光谱无人机影像进行图像预处理,可以获得样本区域的无人机影像。
需要说明的是,样本区域为面积相对较小的区域,样本区域中可以包括生长状态为未出现倒伏或出现倒伏的农作物,样本区域内生长的农作物与待识别区域内生长的农作物的品种相同。
样本区域的农作物倒伏程度,可以基于深度学习算法,根据样本区域的无人机影像预先获取。还可以通过对样本区域的无人机影像目视解译预先获取。
需要说明的是,可以用样本区域内农作物倒伏的面积与样本区域面积的面积比描述样本区域的农作物倒伏程度。
基于不同区域遥感影像和无人机影像之间的特点,获取样本区域的农作物倒伏程度后,可以将样本区域的农作物倒伏程度与该样本区域的遥感影像特征相对应,获得样本区域的遥感影像特征对应的识别标签。
基于深度学习算法,根据样本区域的遥感影像特征和样本区域的遥感影像特征对应的识别标签进行训练,可以得到的遥感影像识别模型。
需要说明的是,遥感影像识别模型可以基于Xgboost分类方法,根据样本区域的遥感影像特征和样本区域的遥感影像特征对应的识别标签进行训练得到。可以理解的是,遥感影像识别模型还可以基于其他深度学习算法训练得到。
遥感影像识别模型描述了遥感影像特征与农作物倒伏程度之间的关系,将待识别区域的遥感影像特征输入训练好的遥感影像识别模型,可以获取待识别区域的农作物倒伏程度。
本发明实施例通过无人机获取样本区域的无人机影像,根据样本区域的无人机影像获取样本区域的农作物倒伏程度,基于样本区域的农作物倒伏程度和样本区域的遥感影像特征训练得到遥感影像识别模型,通过将待识别区域的遥感影像特征输入训练好的遥感影像识别模型,获取待识别区域的农作物倒伏程度,能通过遥感技术快速和便捷地获取大面积区域的遥感影像,能基于训练好的遥感影像识别模型识别遥感影像,能更高效地识别大面积区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
基于上述各实施例的内容,将待识别区域的遥感影像特征输入遥感影像识别模型,获取待识别区域的农作物倒伏程度之前,还包括:根据样本区域的无人机影像,获取样本区域的无人机影像特征。
本发明实施例中,对原始多光谱无人机影像进行拼接,并重采样为分辨率为0.05m的样本区域的无人机影像。
可以根据实际情况选取不同的参数作为样本区域的无人机影像特征。样本区域的无人机影像特征的具体类型在本发明实施例中不作具体限定。
根据样本区域的无人机影像,获取样本区域的无人机影像特征的方法,可以根据样本区域的无人机影像特征的具体类型确定,在本发明实施例中不作具体限定。例如,若样本区域的无人机影像特征中包括植被指数,则可以根据样本区域的无人机影像计算样本区域的归一化植被指数、绿波段植被指数、扩展的增强植被指数、差值植被指数和归一化绿度植被指数,并将各种植被指数作为样本区域的无人机影像特征。
将样本区域的无人机影像特征输入无人机影像识别模型,获取样本区域的农作物倒伏空间分布图。
其中,无人机影像识别模型是基于建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练后得到;无人机影像识别标签根据建模区域的无人机影像预先确定,并与建模区域的无人机影像一一对应。
需要说明的是,本发明实施例中建模区域的无人机影像是通过无人机拍摄的多光谱无人机影像。通过对建模区域的多光谱无人机影像进行图像预处理,可以获得建模区域的无人机影像。
本发明实施例中,对原始多光谱无人机影像进行拼接,并重采样为分辨率为0.05m的建模区域的无人机影像。
需要说明的是,建模区域为面积相对较小的区域,建模区域可以与样本区域相同。建模区域中可以包括生长状态为未出现倒伏或出现倒伏的农作物,建模区域、样本区域和待识别区域内生长的农作物的品种相同。
需要说明的是,根据建模区域的无人机影像,获取的建模区域的无人机影像特征的种类可以与样本区域的无人机影像特征的种类相同。获取建模区域的无人机影像特征的方法也可以与获取样本区域的无人机影像特征的方法相同,在本发明实施例中不再赘述。
基于建模区域的无人机影像,可以通过目视解译获得建模区域的农作物倒伏程度,并将上述建模区域的农作物倒伏程度与建模区域的无人机影像特征对应,获得建模区域的无人机影像特征对应的无人机影像识别标签。
基于深度学习算法,根据建模区域的无人机影像特征和对应的无人机影像识别标签,可以训练得到无人机影像识别模型。
无人机影像识别模型描述了无人机影像特征与农作物倒伏程度之间的关系,将样本区域的无人机影像特征输入训练好的无人机影像识别模型,可以获得样本区域的农作物倒伏空间分布图。
需要说明的是,样本区域的农作物倒伏空间分布图,可以表征倒伏的农作物在样本区域的无人机影像中的空间分布。
根据农作物倒伏空间分布图,获取样本区域的农作物倒伏程度。
具体地,计算样本区域的农作物倒伏空间分布图中,倒伏的农作物所占的面积与样本区域面积的面积比,将上述面积比作为样本区域的农作物倒伏程度。
本发明实施例通过无人机获取的建模区域的无人机影像,根据建模区域的无人机影像训练得到无人机影像识别模型,基于样本区域的无人机影像特征和训练好的训练好的无人机影像识别模型获取样本区域的农作物倒伏程度,能基于样本区域的农作物倒伏程度和样本区域的遥感影像特征训练得到遥感影像识别模型,从而能基于训练好的遥感影像识别模型更高效地识别面积较大的待识别区域的农作物倒伏程度,能更高效地识别大面积区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
基于上述各实施例的内容,根据农作物倒伏空间分布图,获取样本区域的农作物倒伏程度,具体包括:根据样本区域的遥感影像和样本区域的无人机影像的分辨率,获取窗口的尺寸。
具体地,样本区域的遥感影像的分辨率小于样本区域的无人机影像的分辨率,可以根据遥感影像的分辨率与无人机影像的分辨率之间的倍数关系,获取正方形窗口的尺寸。窗口的长和宽可以是上述倍数大小的像素或倍数的整数倍大小的像素,以使得无人机影像中的一个窗口可以对应遥感影像中的一个像素或一个小区域。
例如:样本区域的遥感影像的分辨率为2m,样本区域的无人机影像的分辨率为0.05米,说明样本区域的遥感影像的空间分辨率是样本区域的无人机影像的分辨率的40倍。无人机影像中40个像素所对应的区域可以对应遥感影像中1个像素所对应的区域;因而可以获取正方形窗口的尺寸为40×40像素,还可以获取正方形窗口的尺寸为40的整数倍,例如:80×80像素、120×120像素或160×160像素等尺寸。
按照预设的步长,在农作物倒伏空间分布图中滑动该尺寸的窗口,根据每次滑动后窗口内农作物的倒伏程度,获取样本区域的农作物倒伏程度。
需要说明的是,预设的步长与窗口的尺寸大小相同。
按照预设的步长,在根据样本区域的无人机影像获得的农作物倒伏空间分布图中滑动已确定尺寸的窗口,并计算每次滑动后窗口内农作物的倒伏程度。将计算得到的每次滑动后窗口内农作物的倒伏程度,映射到样本区域的遥感影像中对应的像素点或小区域,可以获得样本区域的遥感影像中每一像素点或小区域的农作物倒伏程度。根据样本区域的遥感影像中每一像素点或小区域的农作物倒伏程度,可以获得样本区域的农作物倒伏程度。
需要说明的是,每次滑动后窗口内农作物的倒伏程度,是通过计算每次滑动后窗口内农作物倒伏面积与窗口面积的面积比获得的。
需要说明的是,获得样本区域的农作物倒伏程度后,可以将样本区域的农作物倒伏程度,与样本区域的遥感影像的遥感影像特征相对应,获得样本区域的遥感影像特征对应的识别标签,用于训练遥感影像识别模型。
本发明实施例根据样本区域的遥感影像和样本区域的无人机影像的分辨率确定窗口的尺寸后,按照预设的步长在根据样本区域的无人机影像获得的农作物倒伏空间分布图中滑动上述窗口,并计算滑动后窗口内农作物的倒伏程度,将计算得到的每次滑动后窗口内农作物的倒伏程度映射到样本区域的遥感影像,获得样本区域的农作物倒伏程度,能通过样本区域的无人机影像获取样本区域的遥感影像特征对应的识别标签,能基于样本区域的遥感影像特征对应的识别标签和样本区域遥感影像特征训练得到遥感影像识别模型,从而能基于训练好的遥感影像识别模型更高效地获得面积较大的待识别区域的农作物倒伏程度,能更高效地识别大面积区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
基于上述各实施例的内容,根据样本区域的无人机影像,获取样本区域的无人机影像特征,具体包括:根据原始样本区域的无人机影像,获取原始样本区域的无人机影像特征。
需要说明的是,本发明实施例中原始样本区域的无人机影像是通过无人机拍摄的多光谱无人机影像。通过对原始多光谱无人机影像进行图像预处理,可以获得原始样本区域的无人机影像。
本发明实施例中,将原始多光谱无人机影像进行拼接,并重采样为分辨率为0.05m的原始样本区域的无人机影像。
需要说明的是,原始样本区域为面积相对较小的区域。原始样本区域中可以包括生长状态为未出现倒伏或出现倒伏的农作物,原始样本区域和待识别区域内生长的农作物的品种相同。
基于原始样本区域的无人机影像特征,通过箱线图对原始样本区域进行筛选,筛选出原始样本区域中的多个区域作为样本区域。
具体地,通过箱线图对原始样本区域的无人机影像特征的分布进行分析,获取原始样本区域的无人机影像特征分布的离散程度,根据将原始样本区域中无人机影像特征分布的离散程度,对原始样本区域进行筛选,剔除原始样本区域中无人机影像特征离散程度较高的区域。
需要说明的是,箱线图是一种可以用作显示数据离散程度的统计图。
通过找出数据中上边缘、下边缘、中位数和两个四分位数后,连接两个四分位数画出箱体,再将上边缘和下边缘与箱体相连接,获得箱线图,中位数在箱体中间,离散程度较高的数据在箱体边缘。通过箱线图对数据进行筛选,可以剔除获取数据时人为因素导致的误差。
通过箱线图对原始样本区域进行筛选后,可以将原始样本区域中保留的多个区域作为样本区域。
根据原始样本区域的无人机影像特征,获取样本区域的无人机影像特征。
具体地,获取原始样本区域中保留的多个区域对应的无人机影像特征,作为样本区域的无人机影像特征。
本发明实施例通过箱线图对原始样本区域的无人机影像特征进行筛选后,获取样本区域的无人机影像特征,能根据原始样本区域的无人机影像特征剔除原始样本区域中离散程度较大的区域,能获得更准确描述样本区域农作物倒伏程度的样本区域的无人机影像特征,能获得更准确地样本区域的农作物倒伏程度,能基于更准确地样本区域的农作物倒伏程度训练得到识别精度更高的遥感影像识别模型,能基于训练好的遥感影像识别模型更高效和更准确地获取面积较大区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
基于上述各实施例的内容,无人机影像特征,包括:植被指数特征、纹理特征和原始波段反射率值中的任意多种。
具体地,植被指数,被广泛应用于定性和定量评价植被覆盖及其生长状态。本发明实施例中,通过某一区域的植被指数,可以描述该区域中农作物倒伏的情况。
具体地,样本区域的无人机影像、建模区域的无人机影像和原始样本区域的无人机影像的植被指数,可以包括:归一化植被指数、绿度植被指数、扩展的增强植被指数、差值植被指数和归一化绿度植被指数中的至少一种。
其中,归一化植被指数,指影像中近红外波段的反射值与红光波段的反射值之差比两者之和,可以反映影像中农作物生长、生态系的活力与生产力等信息。
绿度植被指数,指对影像进行k-t变换后获得的表示绿度的分量,可以较好地反映影像中农作物的覆盖度和生长状况的差异。
扩展的增强植被指数,是基于归一化植被指数改善得到的,可以通过大气校正,改善归一化植被指数容易饱和以及与实际植被覆盖缺乏线性关系的问题,可以更准确地反映影像中农作物生长、生态系的活力与生产力等信息。
差值植被指数,指影像中两个波段反射率的计算,可以用来表征影像中农作物的生长状态和农作物的覆盖度等。
归一化绿度植被指数,通过对绿地植被指数进行归一化后获得,可以剔除外界条件对绿地植被指数的影响,可以更好的反映影像中农作物生长、生态系的活力与生产力等信息。
计算获得的样本区域、建模区域和原始样本区域的归一化植被指数、绿度植被指数、扩展的增强植被指数、差值植被指数和归一化绿度植被指数,分别可以构成样本区域的植被指数特征、建模区域的植被指数特征和原始样本区域的植被指数特征。
纹理特征,指影像中通过空间统计获得的影像灰度等级的变化,可以体现影像中全局特征的性质的同时,描述影像或影像的部分区域中地物的表面性质。
原始波段反射率值,指影像中地物在某波段的反射通量与该波段的入射通量之比,影像中不同地物在同一光谱波段上的反射率差异越大,越容易区分。
本发明实施例中通过将植被指数特征、纹理特征和原始波段反射率值中的任意多种作为无人机影像特征,能通过无人机影像特征更准确地描述无人机影像中农作物的倒伏程度,能提高基于建模区域的无人机影像特征训练得到的无人机影像识别模型的识别精度,能获得更准确地样本区域的农作物倒伏程度,从而能基于更准确地样本区域的农作物倒伏程度训练得到识别精度更高的遥感影像识别模型,能基于训练好的遥感影像识别模型更高效和更准确地获取面积较大的待识别区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
基于上述各实施例的内容,根据原始样本区域的无人机影像,获取原始样本区域的纹理特征,具体包括:根据原始样本区域的无人机影像和变换矩阵,获取原始样本区域的无人机主成分影像。
其中,变换矩阵是基于建模区域的无人机影像获得的。
具体地,通过对原始样本区域的无人机影像进行主成分分析(PrincipalComponent Analysis,PCA),可以获取原始样本区域的无人机主成分影像。对原始样本区域的无人机影像进行主成分分析的主要计算公式如下:
式中,V表示原始样本区域的无人机主成分影像,V={vi;i=1,2,…,m},i表示波段索引,m表示获得无人机主成分影像的个数;A表示变换矩阵,A=[a11,a12,…,a1k;a21,a22,…,a2k;…;am1,am2,…,amk];X表示原始样本区域的无人机影像,X={xi;i=1,2,…,k},k表示原始样本区域的无人机影像中波段的总数,m≤k;xi表示原始样本区域的无人机影像中的某一波段,xi={xij;j=1,2,…,n},j表示像素索引,n表示原始样本区域的无人机影像中某一波段的像素总数。
需要说明的是,变化矩阵A可以通过对建模区域的无人机影像的协方差矩阵求解获得。
根据原始样本区域的无人机主成分影像,获取灰度共生矩阵和像元形状指数,根据灰度共生矩阵和像元形状指数获取原始样本区域的纹理特征。
具体地,对原始样本区域的无人机主成分影像中无人机主成分影像进行计算,可以获取上述无人机主成分影像的灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)。通过无人机主成分影像的灰度共生矩阵,可以提取的原始样本区域的纹理信息包括:原始区域的二阶矩、对比度、逆差矩、自相关和熵。
对原始样本区域的无人机主成分影像中无人机主成分影像进行计算,可以获取上述无人机主成分影像的像元形状指数(Pixel Shape Index,PSI)。无人机主成分影像的像元形状指数的主要表达式如下:
式中,PSI(r,s)表示无人机主成分影像中(r,s)像素的PSI值,D表示方向线总数,di表示第i条方向线的长度。
通过无人机主成分影像的像元形状指数,可以获得原始样本区域的局部纹理信息,在准确探测影像中地物形状结构信息的同时,可以避免了灰度共生矩阵带来的窗口效应。
根据灰度共生矩阵和像元形状指数获得的无人机主成分影像的纹理信息,可以构成样本区域的纹理特征。
需要说明的是,根据样本区域的无人机影像获取样本区域的纹理特征的方法、根据样本区域的遥感影像获取样本区域的纹理特征的方法和根据待识别区域的遥感影像获取待识别区域的纹理特征的方法,在确定对应的变化矩阵A后,可以与根据原始样本区域的无人机影像,获取原始样本区域的纹理特征的方法相同。
本发明实施例通过对原始样本区域的无人机影像进行主成分分析,获得原始样本区域的无人机主成分影像后,获取无人机主成分影像的灰度共生矩阵和像元形状指数,并根据上述灰度共生矩阵和像元形状指数获取原始样本区域的纹理特征,能通过主成分分析在多频段的原始样本区域的无人机影像中获取无人机主成分影像,能实现对原始样本区域的无人机影像的降维,能减少后续计算的数据量,能提高后续计算的计算效率,能通过灰度共生矩阵和像元形状指数获取的纹理特征更准确地描述无人机影像中农作物的倒伏程度,能基于训练得到识别精度更高的无人机影像识别模型,能获得更准确地样本区域的农作物倒伏程度,能基于更准确地样本区域的农作物倒伏程度训练得到识别精度更高的遥感影像识别模型,能基于训练好的遥感影像识别模型更高效和更准确地获取面积较大的待识别区域的农作物倒伏程度,能降低识别大面积区域农作物倒伏程度所需的时间成本。
基于上述各实施例的内容,将样本区域的无人机影像特征输入无人机影像识别模型,获取样本区域的农作物倒伏空间分布图之前,还包括:根据原始建模区域的无人机影像,获取原始建模区域的无人机影像特征。
需要说明的是,本发明实施例中原始建模区域的无人机影像是通过无人机拍摄的多光谱无人机影像。通过对原始多光谱无人机影像进行图像预处理,可以获得原始建模区域的无人机影像。
本发明实施例中,将原始多光谱无人机影像进行拼接,并重采样为分辨率为0.05m的原始建模区域的无人机影像。
需要说明的是,原始建模区域为面积相对较小的区域。原始建模区域可以与原始样本区域相同。原始建模区域中可以包括生长状态为未出现倒伏或出现倒伏的农作物,原始建模区域、原始样本区域和待识别区域内生长的农作物的品种相同。
本发明实施例中,根据原始建模区域的无人机影像,获取的原始建模区域的无人机影像特征的种类可以与原始样本区域的无人机影像特征的种类相同。获取原始建模区域的无人机影像特征的方法也可以与获取原始样本区域的无人机影像特征的方法相同,在本发明实施例中不再赘述。
基于原始建模区域的无人机影像特征,通过箱线图对原始建模区域进行筛选,筛选出原始建模区域中的多个区域作为建模区域。
具体地,通过箱线图对原始建模区域的无人机影像特征的分布进行分析,获取原始建模区域的无人机影像特征分布的离散程度,根据将原始建模区域中无人机影像特征分布的离散程度,对原始建模区域进行筛选,剔除原始建模区域中无人机影像特征离散程度较高的区域。
通过箱线图对原始建模区域进行筛选后,可以将原始建模区域中保留的多个区域作为建模区域。
根据原始建模区域的无人机影像特征,获取所述建模区域的无人机影像特征。
获取原始建模区域中保留的多个区域对应的无人机影像特征,作为建模区域的无人机影像特征。
基于Xgboost分类方法,根据建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练,获得无人机影像识别模型。
具体地,可以基于Xgboost分类方法,根据建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练。
其中,广义目标函数公式可以表示为:
Obj(Θ)=L(Θ)+Ω(Θ)
式中,等式右边的第一项是损失项,采用Logistic损失函数衡量在建模区域的无人机影像特征中模型的拟合程度;第二项为正则项,采用L2正则化,可以描述模型的复杂程度。
更为具体的,目标函数可表示为:
式中,Y表示类别标签集合,Y={yj;j=1,2,…,n};f表示回归树;t表示第t次加入新函数f;DS表示建模区域的无人机影像特征,DS={cj;j=1,2,…,n},cj={cji;i=1,2,…,k}。B表示回归树的总数。
运用泰勒展开式,取其前三项,删除高阶无穷小项,目标函数可表示为:
式中,第一项gj可以表示为第二项hj可以表示为第三项Ω(ft)可以表示为/>其中e为回归树节点索引,T为回归树中的节点总数;第e个叶节点的实例可以定义为Ie={j|q(cj)=e},将目标函数按照叶子节点规约分组,删除常数项后可以得到:
式中,
假设回归树的结构(q(cj))是固定的,利用可以求得每片叶节点的最优权重和对应的目标函数解:
式中,Obj表示得分的损失函数,we是权重的求解。Obj的得分越小,则回归树的结构越好。
需要说明的是,根据样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练,获得遥感影像识别模型的训练方法,可以与获取无人机影像识别模型的训练方法相同,在本发明实施例中不作赘述。
本发明实施例基于获取到的原始建模区域的无人机影像特征,通过箱线图对原始建模区域进行筛选,获取建模区域的无人机影像特征,基于Xgboost分类方法,根据建模区域的无人机影像特征以及对应的无人机影像识别标签,训练得到无人机影像识别模型,能根据原始建模区域的无人机影像特征剔除原始建模区域中离散程度较大的区域,能获得更准确描述建模区域的农作物倒伏程度的建模区域的无人机影像特征,能训练得到识别精度更高的无人机影像识别模型,能基于识别精度更高的无人机影像识别模型获得更准确地样本区域的农作物倒伏程度,能训练得到识别精度更高的遥感影像识别模型,能基于训练好的遥感影像识别模型更高效和更准确地获取面积较大的待识别区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
图2是本发明提供的农作物倒伏程度识别装置的结构示意图。下面结合图2对本发明提供的农作物倒伏程度识别装置进行描述,下文描述的农作物倒伏程度识别装置与上文描述的农作物倒伏程度识别方法可相互对应参照。如图2所示,该装置包括:图像获取模块201和图像识别模块202,其中:
图像获取模块201,用于根据待识别区域的遥感影像,获取待识别区域的遥感影像特征。
图像识别模块202,用于将待识别区域的遥感影像特征输入遥感影像识别模型,获取待识别区域的农作物倒伏程度。
其中,遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。
具体地,图像获取模块201和图像识别模块202电连接。
图像获取模块201,通过高分一号B星(GF1B)获取待识别区域的多光谱高分遥感影像后,对待识别区域的多光谱遥感影像进行图像预处理,可以获得待识别区域的遥感影像。
需要说明的是,待识别区域为面积相对较大的区域,待识别区域中可以包括生长状态为未出现倒伏或出现倒伏的农作物。
需要说的是,本发明实施中的农作物可以是玉米,还可以是水稻、小麦或其他农作物。
根据实际情况可以选取不同的参数作为待识别区域的遥感影像特征。待识别区域的遥感影像特征的具体类型在本发明实施例中不作具体限定。
根据待识别区域的遥感影像,获取待识别区域的遥感影像特征的方法可以根据待识别区域的遥感影像特征的具体类型确定,在本发明实施例中不作具体限定。例如,若待识别区域的遥感影像特征中包括植被指数,则可以根据待识别区域的遥感影像计算待识别区域的归一化植被指数、绿波段植被指数、扩展的增强植被指数、差值植被指数和归一化绿度植被指数,并将上述所有计算的计算结果作为待识别区域的遥感影像特征。
图像识别模块202,通过将待识别区域的遥感影像输入训练好的遥感影像识别模型,可以获取待识别区域的农作物倒伏程度。
当待识别区域的面积较大时,通过遥感技术可以快速和便捷地获取待识别区域的遥感影像。若通过无人机拍摄的方式获取面积较大的待识别区域的无人机影像时,则需要通过无人机拍摄大量的无人机影像,相较于通过遥感技术获取待识别区域的遥感影像,需要投入更多的时间成本和设备成本。
另一方面,无人机影像相较于遥感影像,具有高清晰、高时空分辨率、大比例尺、小面积、高现势性和拍摄过程中操作性强等优点。对于面积较小的区域,根据无人机影像可以更准确地获得该区域的农作物倒伏程度。
本发明实施例通过无人机拍摄面积较小的样本区域的无人机影像后,根据样本区域的无人机影像更准确地获得样本区域的农作物倒伏程度,并基于样本区域的农作物倒伏程度与样本区域的遥感影像特征训练得到遥感影像识别模型。基于训练好的遥感影像识别模型,可以识别通过遥感技术获取到的大量遥感影像,从而更高效地获取面积较大的待识别区域的农作物倒伏程度。
需要说明的是,本发明实施例中样本区域的无人机影像是多光谱无人机影像。通过对样本区域的多光谱无人机影像进行图像预处理,可以获得样本区域的无人机影像。
需要说明的是,样本区域为面积相对较小的区域,样本区域中可以包括生长状态为未出现倒伏或出现倒伏的农作物,样本区域内生长的农作物与待识别区域内生长的农作物的品种相同。
样本区域的农作物倒伏程度,可以基于深度学习算法,根据样本区域的无人机影像预先获取。还可以根据样本区域的无人机影像目视解译预先获取。
需要说明的是,可以用样本区域内农作物倒伏的面积与样本区域面积的面积比描述样本区域的农作物倒伏程度。
基于不同区域遥感影像和无人机影像之间的特点,获取样本区域的农作物倒伏程度后,可以将样本区域的农作物倒伏程度与样本区域的遥感影像特征相对应,获得样本区域的遥感影像特征对应的识别标签。
基于深度学习算法,根据样本区域的遥感影像特征和样本区域的遥感影像特征对应的识别标签,可以训练得到的遥感影像识别模型。
需要说明的是,遥感影像识别模型可以基于Xgboost分类方法,根据样本区域的遥感影像特征和样本区域的遥感影像特征对应的识别标签进行训练得到。遥感影像识别模型还可以基于其他深度学习算法,根据样本区域的遥感影像特征和样本区域的遥感影像特征对应的识别标签进行训练得到。
遥感影像识别模型描述了遥感影像特征与农作物倒伏程度之间的关系,将待识别区域的遥感影像特征输入训练好的遥感影像识别模型,可以获取待识别区域的农作物倒伏程度。
本发明实施例通过无人机获取样本区域的无人机影像,根据样本区域的无人机影像获取样本区域的农作物倒伏程度,基于样本区域的农作物倒伏程度和样本区域的遥感影像特征训练得到遥感影像识别模型,通过将待识别区域的遥感影像特征输入训练好的遥感影像识别模型,获取待识别区域的农作物倒伏程度,能通过遥感技术快速和便捷地获取大面积区域的遥感影像,能基于训练好的遥感影像识别模型识别遥感影像,能更高效地识别大面积区域的农作物倒伏程度,能降低识别大面积区域的农作物倒伏程度所需的时间成本。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行农作物倒伏程度识别方法,该方法包括:根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;将待识别区域的遥感影像特征输入遥感影像识别模型,获取待识别区域的农作物倒伏程度;其中,遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的农作物倒伏程度识别方法,该方法包括:根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;将待识别区域的遥感影像特征输入遥感影像识别模型,获取待识别区域的农作物倒伏程度;其中,遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的农作物倒伏程度识别方法,该方法包括:根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;将待识别区域的遥感影像特征输入遥感影像识别模型,获取待识别区域的农作物倒伏程度;其中,遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种农作物倒伏程度识别方法,其特征在于,包括:
根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;
将所述待识别区域的遥感影像特征输入遥感影像识别模型,获取所述待识别区域的农作物倒伏程度;
其中,所述遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;所述样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的;
所述将所述待识别区域的遥感影像特征输入遥感影像识别模型,获取所述待识别区域的农作物倒伏程度之前,还包括:
根据样本区域的无人机影像,获取样本区域的无人机影像特征;
将所述样本区域的无人机影像特征输入无人机影像识别模型,获取样本区域的农作物倒伏空间分布图;
根据所述农作物倒伏空间分布图,获取所述样本区域的农作物倒伏程度;
其中,所述无人机影像识别模型是基于建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练后得到;所述无人机影像识别标签根据所述建模区域的无人机影像预先确定,并与所述建模区域的无人机影像一一对应;
所述根据所述农作物倒伏空间分布图,获取所述样本区域的农作物倒伏程度,具体包括:
根据所述样本区域的遥感影像和所述样本区域的无人机影像的分辨率,获取窗口的尺寸;
按照预设的步长,在所述农作物倒伏空间分布图中滑动所述尺寸的窗口,根据每次滑动后所述窗口内农作物的倒伏程度,获取所述样本区域的农作物倒伏程度;
所述根据所述样本区域的遥感影像和所述样本区域的无人机影像的分辨率,获取窗口的尺寸,包括:
所述样本区域的遥感影像的分辨率小于所述样本区域的无人机影像的分辨率,根据所述样本区域的遥感影像的分辨率与所述样本区域的无人机影像的分辨率之间的倍数关系,获取所述窗口的尺寸。
2.根据权利要求1所述的农作物倒伏程度识别方法,其特征在于,所述根据样本区域的无人机影像,获取所述样本区域的无人机影像特征,具体包括:
根据原始样本区域的无人机影像,获取原始样本区域的无人机影像特征;
基于所述原始样本区域的无人机影像特征,通过箱线图对所述原始样本区域进行筛选,筛选出所述原始样本区域中的多个区域作为所述样本区域;
根据原始样本区域的无人机影像特征,获取所述样本区域的无人机影像特征。
3.根据权利要求2所述的农作物倒伏程度识别方法,其特征在于,所述无人机影像特征,包括:
植被指数特征、纹理特征和原始波段反射率值。
4.根据权利要求3所述的农作物倒伏程度识别方法,其特征在于,所述根据原始样本区域的无人机影像,获取原始样本区域的纹理特征,具体包括:
根据所述原始样本区域的无人机影像和变换矩阵,获取原始样本区域的无人机主成分影像;
根据所述原始样本区域的无人机主成分影像,获取灰度共生矩阵和像元形状指数,根据所述灰度共生矩阵和所述像元形状指数获取所述原始样本区域的纹理特征;
其中,所述变换矩阵是基于所述建模区域的无人机影像获得的。
5.根据权利要求1所述的农作物倒伏程度识别方法,其特征在于,所述将所述样本区域的无人机影像特征输入无人机影像识别模型,获取样本区域的农作物倒伏空间分布图之前,还包括:
根据原始建模区域的无人机影像,获取原始建模区域的无人机影像特征;
基于所述原始建模区域的无人机影像特征,通过箱线图对所述原始建模区域进行筛选,筛选出所述原始建模区域中的多个区域作为所述建模区域;
根据原始建模区域的无人机影像特征,获取所述建模区域的无人机影像特征;
基于Xgboost分类方法,根据所述建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练,获得所述无人机影像识别模型。
6.一种农作物倒伏程度识别装置,其特征在于,包括:
图像获取模块,用于根据待识别区域的遥感影像,获取待识别区域的遥感影像特征;
图像识别模块,用于将所述待识别区域的遥感影像特征输入遥感影像识别模型,获取所述待识别区域的农作物倒伏程度;
其中,所述遥感影像识别模型是基于样本区域的遥感影像特征以及样本区域的农作物倒伏程度进行训练后得到;所述样本区域的农作物倒伏程度是根据样本区域的无人机影像预先获取的;
所述将所述待识别区域的遥感影像特征输入遥感影像识别模型,获取所述待识别区域的农作物倒伏程度之前,还包括:
根据样本区域的无人机影像,获取样本区域的无人机影像特征;
将所述样本区域的无人机影像特征输入无人机影像识别模型,获取样本区域的农作物倒伏空间分布图;
根据所述农作物倒伏空间分布图,获取所述样本区域的农作物倒伏程度;
其中,所述无人机影像识别模型是基于建模区域的无人机影像特征以及对应的无人机影像识别标签进行训练后得到;所述无人机影像识别标签根据所述建模区域的无人机影像预先确定,并与所述建模区域的无人机影像一一对应;
所述根据所述农作物倒伏空间分布图,获取所述样本区域的农作物倒伏程度,具体包括:
根据所述样本区域的遥感影像和所述样本区域的无人机影像的分辨率,获取窗口的尺寸;
按照预设的步长,在所述农作物倒伏空间分布图中滑动所述尺寸的窗口,根据每次滑动后所述窗口内农作物的倒伏程度,获取所述样本区域的农作物倒伏程度;
所述根据所述样本区域的遥感影像和所述样本区域的无人机影像的分辨率,获取窗口的尺寸,包括:
所述样本区域的遥感影像的分辨率小于所述样本区域的无人机影像的分辨率,根据所述样本区域的遥感影像的分辨率与所述样本区域的无人机影像的分辨率之间的倍数关系,获取所述窗口的尺寸。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述农作物倒伏程度识别方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述农作物倒伏程度识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484271.0A CN112597855B (zh) | 2020-12-15 | 2020-12-15 | 农作物倒伏程度识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484271.0A CN112597855B (zh) | 2020-12-15 | 2020-12-15 | 农作物倒伏程度识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597855A CN112597855A (zh) | 2021-04-02 |
CN112597855B true CN112597855B (zh) | 2024-04-16 |
Family
ID=75196369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011484271.0A Active CN112597855B (zh) | 2020-12-15 | 2020-12-15 | 农作物倒伏程度识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597855B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516176A (zh) * | 2021-06-21 | 2021-10-19 | 中国农业大学 | 基于光谱纹理特征和k近邻法的小麦倒伏区域识别方法 |
CN113516177A (zh) * | 2021-06-21 | 2021-10-19 | 中国农业大学 | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 |
CN117789067B (zh) * | 2024-02-27 | 2024-05-10 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764263A (zh) * | 2018-02-12 | 2018-11-06 | 北京佳格天地科技有限公司 | 遥感影像的地物标注装置及方法 |
CN109813286A (zh) * | 2019-01-28 | 2019-05-28 | 中科光启空间信息技术有限公司 | 一种基于无人机的倒伏灾害遥感定损方法 |
CN110889394A (zh) * | 2019-12-11 | 2020-03-17 | 安徽大学 | 基于深度学习UNet网络的水稻倒伏识别方法 |
CN110991714A (zh) * | 2019-11-21 | 2020-04-10 | 北京农业信息技术研究中心 | 一种农作物倒伏灾情监测方法及*** |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取***及方法 |
CN111242224A (zh) * | 2020-01-16 | 2020-06-05 | 贵州省草业研究所 | 一种基于无人机提取分类样本点的多源遥感数据分类方法 |
CN111461052A (zh) * | 2020-04-13 | 2020-07-28 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别方法 |
CN111860150A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 基于遥感影像的倒伏水稻识别方法与装置 |
-
2020
- 2020-12-15 CN CN202011484271.0A patent/CN112597855B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764263A (zh) * | 2018-02-12 | 2018-11-06 | 北京佳格天地科技有限公司 | 遥感影像的地物标注装置及方法 |
CN109813286A (zh) * | 2019-01-28 | 2019-05-28 | 中科光启空间信息技术有限公司 | 一种基于无人机的倒伏灾害遥感定损方法 |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取***及方法 |
CN110991714A (zh) * | 2019-11-21 | 2020-04-10 | 北京农业信息技术研究中心 | 一种农作物倒伏灾情监测方法及*** |
CN110889394A (zh) * | 2019-12-11 | 2020-03-17 | 安徽大学 | 基于深度学习UNet网络的水稻倒伏识别方法 |
CN111242224A (zh) * | 2020-01-16 | 2020-06-05 | 贵州省草业研究所 | 一种基于无人机提取分类样本点的多源遥感数据分类方法 |
CN111461052A (zh) * | 2020-04-13 | 2020-07-28 | 安徽大学 | 基于迁移学习的多个生育期小麦倒伏区域识别方法 |
CN111860150A (zh) * | 2020-06-11 | 2020-10-30 | 中科禾信遥感科技(苏州)有限公司 | 基于遥感影像的倒伏水稻识别方法与装置 |
Non-Patent Citations (2)
Title |
---|
基于代价敏感学习的冬小麦病虫害与倒伏遥感检测方法研究;樊东东;《中国优秀硕士学位论文全文数据库 农业科技辑》;论文第2、6章 * |
基于无人机低空遥感与卫星遥感的洛宁县中药资源种植面积估算研究;张飞等;《中国中药杂志》;论文第4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112597855A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597855B (zh) | 农作物倒伏程度识别方法及装置 | |
CN114120037B (zh) | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 | |
Cointault et al. | In‐field Triticum aestivum ear counting using colour‐texture image analysis | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN113657294A (zh) | 一种基于计算机视觉的作物病虫害检测方法及*** | |
Davidson et al. | NDVI/NDRE prediction from standard RGB aerial imagery using deep learning | |
CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Palacios et al. | Early yield prediction in different grapevine varieties using computer vision and machine learning | |
Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN113223040A (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN117079152A (zh) | 一种基于卫星遥感影像的农作物精细分类提取方法和*** | |
CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
CN109948556B (zh) | 作物分类识别方法及*** | |
CN114937038B (zh) | 面向可用性的遥感影像质量评价方法 | |
CN111968087A (zh) | 一种植物病害区域检测方法 | |
CN110889358A (zh) | 一种基于相关系数和联合稀疏表示的高光谱图像分类方法及装置 | |
JP5644655B2 (ja) | 食用果実の検査方法、検査装置およびプログラム | |
Zhao et al. | Evaluation of spatial resolution on crop disease detection based on multiscale images and category variance ratio | |
CN114332626A (zh) | 一种基于视觉分析的水稻产量预测方法 | |
Ding et al. | Rice lodging area extraction based on YCbCr spatial and texture features | |
CN113569786A (zh) | 基于多模态影像的作物病虫害检测方法及***、设备、存储介质 | |
Cao | A Low-Cost Depth Imaging Mobile Platform for Canola Phenotyping | |
CN115641444B (zh) | 小麦倒伏检测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |