CN108629289B - 农田的识别方法及系统、应用于农业的无人机 - Google Patents
农田的识别方法及系统、应用于农业的无人机 Download PDFInfo
- Publication number
- CN108629289B CN108629289B CN201810323926.2A CN201810323926A CN108629289B CN 108629289 B CN108629289 B CN 108629289B CN 201810323926 A CN201810323926 A CN 201810323926A CN 108629289 B CN108629289 B CN 108629289B
- Authority
- CN
- China
- Prior art keywords
- segmentation block
- block group
- segmentation
- farmland
- blocks
- 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
Images
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
Abstract
本发明适用于农业技术领域,提供了一种农田的识别方法及系统、应用于农业的无人机,所述识别方法包括:获取卫星图像;对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;基于植被指数特征从所述剩余分割块群中识别出农田块。本发明中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
Description
技术领域
本发明属于农业技术领域,尤其涉及一种农田的识别方法及系统、应用于农业的无人机。
背景技术
随着精准定位技术、遥感技术和智能信息处理技术的发展,精准农业已经成为发展趋势。农田块区域的精准定位是无人驾驶播种、无人机植保喷药、农作物长势监测和智能病虫害监控等精准农业应用的基础。
目前,农田块的地理信息基本都是通过人工方式采集,其效率低、成本高,且数据分布零散、格式不统一,因此无法实现大规模集中管理和更新。而在大规模遥感图像中对农田块进行自动提取,并判别的过程是普及精准农业的关键技术。
现有技术中,对农田块进行识别通常依靠颜色、纹理和边缘信息等,而由于农田块的土壤类别不同(红壤、黄壤和黑钙土等)、种植作物类型不同、农作物生长阶段不同等因素,使得农田识别准确度较低,不能满足现代精准农业应用的需求。
发明内容
本发明实施例提供了一种农田的识别方法及装置、应用于农业的无人机,旨在解决现有技术由于农田受到不同因素影响导致农田识别准确性较低的问题。
一种农田的识别方法,包括:
获取卫星图像;
对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
基于植被指数特征从所述剩余分割块群中识别出农田块。
优选地,所述从所述分割块群中剔除非农田块,获得剩余分割块群具体为:
基于卷积神经网络从所述分割块群中剔除非农田块,获得剩余分割块群。
优选地,所述基于卷积神经网络从所述分割块群中剔除非农田块,获得剩余分割块群具体包括:
基于卷积神经网络获取每一所述分割块的分类概率;
基于所述分类概率从所述分割块群中剔除非农田块,获得剩余分割块群。
优选地,所述基于卷积神经网络获取每一所述分割块的分类概率具体包括:
获取所述分割块群中的每一分割块的RGB波段信息,得到对应的RGB三通道分割块图像;
基于每一分割块的RGB三通道分割块图像进行标记,构建训练数据集;
构建卷积神经网络分类模型,所述分类模型携带农田与非农田对象的特征表达式;
通过最小误差函数对所述分类模型进行优化,得到优化分类模型;
基于所述优化分类模型获得每一分类块的分类概率。
优选地,所述基于植被指数特征从所述剩余分割块群中识别出农田块具体包括:
获取所述剩余分割块群中的每一分割块的植被指数特征;
基于支持向量模型及所述植被指数特征从所述剩余分割块群中识别出农田块。
优选地,所述获取所述剩余分割块群中的每一分割块的植被指数特征具体包括:
获取所述剩余分割块群中的每一分割块的每个像素点在预设波段的响应强度;
基于所述响应强度计算对应像素点对应的两类以上植被指数;
将所述两类以上植被指数按预设次序组成向量形式;
基于所述向量形式计算对应分割块的植被指数特征。
优选地,所述基于支持向量模型及所述植被指数特征从所述剩余分割块群中识别出农田块具体包括:
将所述植被指数特征输入至所述支持向量模型进行拟合,得到拟合概率;
基于所述拟合概率从所述剩余分割块群中识别出农田块。
本发明还提供一种农田的识别系统,包括:
获取单元,用于获取卫星图像;
分割单元,用于对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
筛选单元,用于从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
识别单元,用于基于植被指数特征从所述剩余分割块群中识别出农田块。
本发明还提供一种应用于农业的无人机,该无人机包括一种农田的识别系统,所述识别系统包括:
获取单元,用于获取卫星图像;
分割单元,用于对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
筛选单元,用于从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
识别单元,用于基于植被指数特征从所述剩余分割块群中识别出农田块。
本发明还提供一种存储器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被处理器执行如下步骤:
获取卫星图像;
对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
基于植被指数特征从所述剩余分割块群中识别出农田块。
本发明还提供一种服务终端,包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取卫星图像;
对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
基于植被指数特征从所述剩余分割块群中识别出农田块。
本发明实施例中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
附图说明
图1为本发明第一实施例提供的一种农田的识别方法的流程图;
图2为本发明第一实施例提供的一种农田的识别方法的步骤S3的具体流程图;
图3为本发明第一实施例提供的一种农田的识别方法的步骤S31的具体流程图;
图4为本发明第一实施例提供的一种农田的识别方法的步骤S4的具体流程图;
图5为本发明第一实施例提供的一种农田的识别方法的步骤S41的具体流程图;
图6为本发明第一实施例提供的一种农田的识别方法的步骤S42的具体流程图;
图7为本发明第二实施例提供的一种农田的识别系统的结构图;
图8为本发明第三实施例提供的一种服务终端的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例中,一种农田的识别方法,包括:获取卫星图像;对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;基于植被指数特征从所述剩余分割块群中识别出农田块。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明第一实施例提供的一种农田的识别方法的流程图,该方法包括:
步骤S1,获取卫星图像;
具体地,首先获取需要进行农田识别的区域所在的卫星图像,该图像可通过卫星拍摄,得到高分辨率的图像。
步骤S2,对卫星图像进行分割,得到分割块群;
具体地,对所获取的卫星图像进行分割,得到分割块群,该分割块群至少包括两个以上分割块,在实际情况中,该分割块群包括多个分割块。对卫星图像进行分割的技术可采用现有的分割技术,此处不再赘述。
步骤S3,从分割块群中剔除非农田块,获得剩余分割块群;
具体地,分析得到的分割块群,例如在可见光波段中分析分割块群,利用每一分割块的颜色及纹理来进行筛选,从分割块群中剔除明显不是农田的分割块,得到剩余分割块群,该剩余分割块群包括至少一个分割块,实际情况下,该剩余分割块群包括多个分割块。
在本实施例中,基于卷积神经网络从分割块群中剔除非农田块,获得剩余分割块群。
步骤S4,基于植被指数特征从剩余分割块群中识别出农田块。
具体地,根据植被指数特征从剩余分割块中筛选出农田分割块(即农田块)。
本实施例中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
在本实施例的一个优选方案中,如图2所示,为本发明第一实施例提供的一种农田的识别方法的步骤S3的具体流程图,该步骤S3包括:
步骤S31,基于卷积神经网络获取每一分割块的分类概率;
具体地,基于卷积神经网络来进行机器学习,得到每一分割块的分类概率。
步骤S32,基于分类概率从分割块群中剔除非农田块,获得剩余分割块群;
具体地,获得每一分割块的分类概率之后,基于该分类概率从分割块群中剔除非农田块,得到剩余分割块群。
进一步地,预先设置分类概率阈值,将每一分割块的分类概率分别与该分类概率阈值T1进行比较,当小于该分类概率阈值T1时,则可确认对应的分割块为非农田块,将该非农田块从分割块群中剔除,剩下的分割块组成剩余分割块群。保留剩余分割块群,以进一步进行农田识别。该分类概率阈值T1的大小可根据实际情况而设,此处对此不作限制。
在本实施例的一个优选方案中,如图3所示,为本发明第一实施例提供的一种农田的识别方法的步骤S31的具体流程图,该步骤S31包括:
步骤S311,获取分割块群中的每一分割块的RGB波段信息,得到对应的RGB三通道分割块图像;
具体地,首先获取该分割块群的每一分割块的R、G、B波段信息,并将每一分割块的R、G、B波段信息堆叠成RGB三通道分割块图像。每一分割块对应一RGB三通道分割块图像,得到一组RGB三通道分割块图像。
步骤S312,基于每一分割块的RGB三通道分割块图像进行标记,构建训练数据集;
具体地,对每一分割块分别进行标记,构建训练数据集,具体地,标记内容仅包括农田(标记为1),非农田(标记为-1)两类,定义当前的训练数据集中的样本数量为N(N为大于1的自然数),输入与期望输出的关系式为:
{(x(n),y(n));n∈[1,...,N]},其中,x(n)是第n个输入的分割块,y(n)是对应的标签。
步骤S313,构建卷积神经网络分类模型;
具体地,构建卷积神经网络分类模型,包括创建学习输入农田与非农田对象的特征表达式,在卷积神经网络中第1层卷积层(convolution layer)中第k个特征图(feature map)上的点(i,j)的特征值(feature value)具体为其中,及分别表示第k个滤波器的权重向量及偏置项,是第1层中以点(i,j)为中心所在的区域,所述T表示矩阵转置符号,由非线性激活函数a(·)获取非线性特征,具体为:其中,是特征值的激活值;
在本实施例中,由于通过叠加数个卷积层和池化层(pooling layer)可逐渐提取更高层次的特征描述,因此通过池化函数pool(·)计算池化后的特征值具体为:其中,Rij表示点(i,j)的周边区域,s及t表示该区域中像素点所在位置;在卷积层及池化层后是数个全连接层,将前一层的所有神经元及该层的神经元进行连接,获取全局语义信息,在本实施例中,通过softmax来实现卷积神经网络的最后一层输出层的输出。
步骤S314,通过最小误差函数对分类模型进行优化,得到优化分类模型;
具体地,通过最小误差函数对分类模型进行优化,得到优化分类模型,将卷积神经网络的所有参数定义为θ(包括权重向量及偏置项),o(n)是网络输出结果,误差L具体为:通过最小化函数L可学习到针对农田及非农田分类需要的卷积神经网络参数。
步骤S315,基于优化分类模型获得每一分割块的分类概率;
具体地,将每一分割块的RGB三通道图像输入已训练的卷积神经网络分类模型,输出对应的分类概率。
在本实施例的一个优选方案中,如图4所示,为本发明第一实施例提供的一种农田的识别方法的步骤S4的具体流程图,该步骤S4包括:
步骤S41,获取剩余分割块群中的每一分割块的植被指数特征;
具体地,分别获取剩余分割块群中的每一分割块的植被指数特征;
步骤S42,基于支持向量模型及植被指数特征从剩余分割块群中识别出农田块;
具体地,将每一分割块的植被指数特征分别输入至支持向量模型中进行拟合得到对应的拟合结果,根据拟合结果来识别农田块。
在本实施例的一个优选方案中,如图5所示,为本发明第一实施例提供的一种农田的识别方法的步骤S41的具体流程图,该步骤S41包括:
步骤S411,获取剩余分割块群中的每一分割块的每个像素点在预设波段的响应强度;
具体地,获取剩余分割块群中的每一分割块的每个像素点在预设波段的响应强度,即获取当前的分割块的每个像素点(i,j)在预设波段中的响应强度,该预设波段可包括:近红外、红光、绿光及蓝光光线对应的波段,对应响应强度分别为:ρNIR、ρRED、ρGREEN、ρBLUE;
步骤S412,基于响应强度计算对应像素点对应的两类以上植被指数;
具体地,基于前述的响应强度分别计算每一分割块的每一像素点对应的两类以上植被指数,优选地,该两类植被指数可包括:归一化植被指数NDVI、土壤调节植被指数SAVI、绿色归一化差值植被指数GNDVI、过绿指数EXG、归一化绿红差异指数GNRDI、归一化蓝绿差异指数NGBDI、红绿比值指数RGRI,具体计算过程如下:
EXG=2×ρGREEN-ρRED-ρBLUE;
其中,上述土壤调节植被指数SAVI计算公式中,所述F是校正因子(0≤F≤1)。
步骤S413,将两类以上植被指数按预设次序组成向量形式;
具体地,按照预设次序ρNLR、ρRED、ρGREEN、ρBLUE、NDVI、SAVI、GNDVI、EXG、GNRDI、NGBDI、RGRI将上述响应强度和植被指数组成向量形式(即特征向量),得到每一分割块中的每个像素点(i,j)对应的植被指数特征向量vi,j,该预设次序可根据实际情况而设,此处对此不作限制。
步骤S414,计算对应分割块的植被指数特征;
具体地,由于每一分割块的形状、尺寸、像素点的数量均各不相同,本实施例中,优选地,采用均值法来控制每一分割块对应的特征向量维数的一致性。进一步地,获取每一类植被指数在对应的分割块内的均值,形成该分割块的植被指数特征向量V(n’),其中,n’∈[1,...,N’]为分割块的序号。
在本实施例的一个优选方案中,如图6所示,为本发明第一实施例提供的一种农田的识别方法的步骤S42的具体流程图,该步骤S42包括:
步骤S421,将植被指数特征输入至支持向量模型进行拟合,得到拟合概率;
具体地,使用SVM(支持向量模型)对剩余分割块群的分割块进行分类,剔除在可见光谱范围内无法区分识别的分割块,具体过程如下:
根据输入及期望输出{(V(n’),y(n’));n’∈[1,...,N]}训练SVM模型f(V(n’)),其中,V(n’)为第n’个分割块的植被指数特征向量,y(n)为对应的标记信息。
完成前述的SVM模型训练及参数拟合后,输出对应的拟合概率,即为对应分割块的拟合概率;
步骤S422,基于拟合概率从剩余分割块群中识别出农田块;
具体地,将每一分割块的拟合概率分别与设定阈值T2进行比较,将拟合概率小于设定阈值T2的分割块归类为非农田块,从剩余分割块群中剔除,未被剔除的分割块即为农田块。
本实施例中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
其次,基于土壤的成分在不同光谱下的反射曲线不同来进一步剔除非农田块,计算量小,也进一步提高农田识别的准确性。
实施例二:
如图7所示,为本发明第二实施例提供的一种农田的识别系统的结构图,该装置包括:获取单元1、与获取单元1连接的分割单元2、与分割单元2连接的筛选单元3、与筛选单元3连接的识别单元4,其中:
获取单元1,用于获取卫星图像;
具体地,首先获取需要进行农田识别的区域所在的卫星图像,该图像可通过卫星拍摄,得到高分辨率的图像。
分割单元2,用于对卫星图像进行分割,得到分割块群;
具体地,对所获取的卫星图像进行分割,得到分割块群,该分割块群至少包括两个以上分割块,在实际情况中,该分割块群包括多个分割块。对卫星图像进行分割的技术可采用现有的分割技术,此处不再赘述。
筛选单元3,用于从分割块群中剔除非农田块,获得剩余分割块群;
具体地,分析得到的分割块群,例如在可见光波段中分析分割块群,利用每一分割块的颜色及纹理来进行筛选,从分割块群中剔除明显不是农田的分割块,得到剩余分割块群,该剩余分割块群包括至少一个分割块,实际情况下,该剩余分割块群包括多个分割块。
在本实施例中,基于卷积神经网络从分割块群中剔除非农田块,获得剩余分割块群。
识别单元4,用于基于植被指数特征从剩余分割块群中识别出农田块。
具体地,根据植被指数特征从剩余分割块中筛选出农田分割块(即农田块)。
本实施例中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
在本实施例的一个优选方案中,该筛选单元3具体包括:分类概率获取子单元、与分类概率获取子单元连接的剔除子单元,其中:
分类概率子单元,基于卷积神经网络获取每一分割块的分类概率;
具体地,基于卷积神经网络来进行机器学习,得到每一分割块的分类概率。
剔除子单元,用于基于分类概率从分割块群中剔除非农田块,获得剩余分割块群;
具体地,获得每一分割块的分类概率之后,基于该分类概率从分割块群中剔除非农田块,得到剩余分割块群。
进一步地,预先设置分类概率阈值,将每一分割块的分类概率分别与该分类概率阈值T1进行比较,当小于该分类概率阈值T1时,则可确认对应的分割块为非农田块,将该非农田块从分割块群中剔除,剩下的分割块组成剩余分割块群。保留剩余分割块群,以进一步进行农田识别。该分类概率阈值T1的大小可根据实际情况而设,此处对此不作限制。
在本实施例的一个优选方案中,该分类概率子单元具体用于:
获取分割块群中的每一分割块的RGB波段信息,得到对应的RGB三通道分割块图像;
具体地,首先获取该分割块群的每一分割块的R、G、B波段信息,并将每一分割块的R、G、B波段信息堆叠成RGB三通道分割块图像。每一分割块对应一RGB三通道分割块图像,得到一组RGB三通道分割块图像。
还用于:基于每一分割块的RGB三通道分割块图像进行标记,构建训练数据集;
具体地,对每一分割块分别进行标记,构建训练数据集,具体地,标记内容仅包括农田(标记为1),非农田(标记为-1)两类,定义当前的训练数据集中的样本数量为N(N为大于1的自然数),输入与期望输出的关系式为:{(x(n),y(n));n∈[1,...,N]},其中,x(n)是第n个输入的分割块,y(n)是对应的标签。
还用于:构建卷积神经网络分类模型;
具体地,构建卷积神经网络分类模型,包括创建学习输入农田与非农田对象的特征表达式,在卷积神经网络中第1层卷积层(convolution layer)中第k个特征图(featuremap)上的点(i,j)的特征值(feature value)具体为其中,及分别表示第k个滤波器的权重向量及偏置项,是第l层中以点(i,j)为中心所在的区域,所述T表示矩阵转置符号,由非线性激活函数a(·)获取非线性特征,具体为:其中,是特征值的激活值;
在本实施例中,由于通过叠加数个卷积层和池化层(pooling layer)可逐渐提取更高层次的特征描述,因此通过池化函数pool(·)计算池化后的特征值具体为:其中,Rij表示点(i,j)的周边区域,s及t表示该区域中像素点所在位置;在卷积层及池化层后是数个全连接层,将前一层的所有神经元及该层的神经元进行连接,获取全局语义信息,在本实施例中,通过softmax来实现卷积神经网络的最后一层输出层的输出。
还用于:通过最小误差函数对分类模型进行优化,得到优化分类模型;
具体地,通过最小误差函数对分类模型进行优化,得到优化分类模型,将卷积神经网络的所有参数定义为θ(包括权重向量及偏置项),o(n)是网络输出结果,误差L具体为:通过最小化函数L可学习到针对农田及非农田分类需要的卷积神经网络参数。
还用于:基于优化分类模型获得每一分类块的分类概率;
具体地,将每一分割块的RGB三通道图像输入已训练的卷积神经网络分类模型,输出对应的分类概率。
在本实施例的一个优选方案中,该识别单元4具体包括:植被指数特征获取子单元、与植被指数特征获取子单元连接的识别子单元,其中:
植被指数特征获取子单元,用于获取剩余分割块群中的每一分割块的植被指数特征;
具体地,分别获取剩余分割块群中的每一分割块的植被指数特征;
识别子单元,用于基于支持向量模型及所述植被指数特征从所述剩余分割块群中识别出农田块;
具体地,将每一分割块的植被指数特征分别输入至支持向量模型中进行拟合得到对应的拟合结果,根据拟合结果来识别农田块。
在本实施例的一个优选方案中,该植被指数特征获取子单元具体用于:
获取剩余分割块群中的每一分割块的每个像素点在预设波段的响应强度;
具体地,获取剩余分割块群中的每一分割块的每个像素点在预设波段的响应强度,即获取当前的分割块的每个像素点(i,j)在预设波段中的响应强度,该预设波段可包括:近红外、红光、绿光及蓝光光线对应的波段,对应响应强度分别为:ρNIR、ρRED、ρGREEN、ρBLUE;
还用于:基于响应强度计算对应像素点对应的两类以上植被指数;
具体地,基于前述的响应强度分别计算每一分割块的每一像素点对应的两类以上植被指数,优选地,该两类植被指数可包括:归一化植被指数NDVI、土壤调节植被指数SAVI、绿色归一化差值植被指数GNDVI、过绿指数EXG、归一化绿红差异指数GNRDI、归一化蓝绿差异指数NGBDI、红绿比值指数RGRI,具体计算过程如下:
EXG=2×ρGREEN-ρRED-ρBLUE;
其中,上述土壤调节植被指数SAVI计算公式中,所述F是校正因子(0≤F≤1)。
还用于将两类以上植被指数按预设次序组成向量形式;
具体地,按照预设次序ρNIR、ρRED、ρGREEN、ρBLUE、NDVI、SAVI、GNDVI、EXG、GNRDI、NGBDI、RGRI将上述植被指数组成向量形式(即特征向量),得到每一分割块的像素点(i,j)对应的植被指数特征向量vi,j,该预设次序可根据实际情况而设,此处对此不作限制。
还用于:计算每一分割块的植被指数特征;
具体地,由于每一分割块的形状、尺寸、像素点的数量均各不相同,本实施例中,优选地,采用均值法来控制每一分割块对应的特征向量维数的一致性。进一步地,获取每一类植被指数在对应的分割块内的均值,形成该分割块的植被指数特征向量V(n’),其中,n’∈[1,...,N’]为分割块的序号。
在本实施例的一个优选方案中,该识别子单元具体用于:
将植被指数特征输入至支持向量模型进行拟合,得到拟合概率;
具体地,使用SVM(支持向量模型)对剩余分割块群的分割块进行分类,剔除在可见光谱范围内无法区分识别的分割块,具体过程如下:
根据输入及期望输出{(V(n’),y(n’));n’∈[1,...,N]}训练SVM模型f(V(n’)),其中,V(n’)为第n’个分割块的植被指数特征,y(n’)为对应的标记信息。
完成前述的SVM模型训练及参数拟合后,输出对应的拟合概率,即为对应分割块的拟合概率;
还用于:基于拟合概率从剩余分割块群中识别出农田块;
具体地,将每一分割块的拟合概率分别与设定阈值T2进行比较,将拟合概率小于设定阈值T2的分割块归类为非农田块,从剩余分割块群中剔除,未被剔除的分割块即为农田块,其中,所述设定阈值T2的具体数值可根据实际情况或需求而设,此处对此不作限制。
本实施例中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
其次,基于土壤的成分在不同光谱下的反射曲线不同来进一步剔除非农田块,计算量小,也进一步提高农田识别的准确性。
本发明还提供一种应用于农业的无人机,该无人机主要用于机械化农业领域,利用用于对农作物的施肥、农药喷洒等,该无人机具备现有技术中的无人机的功能结构之外,还包括一种农田的识别系统,该农田的识别系统的具体结构、工作原理及所带来的技术效果与上述实施例二的描述基本一致,具体可参考上述实施例二,此处不再赘述。
实施例三:
图8示出了本发明第三实施例提供的一种服务终端的结构图,该服务终端包括:存储器(memory)81、处理器(processor)82、通信接口(Communications Interface)83和总线84,该处理器82、存储器81、通信接口83通过总线84完成相互之间的交互通信。
存储器81,用于存储各种数据;
具体地,存储器81用于存储各种数据,例如通信过程中的数据、接收的数据等,此处对此不作限制,该存储器还包括有多个计算机程序。
通信接口83,用于该服务终端的通信设备之间的信息传输;
处理器82,用于调用存储器81中的各种计算机程序,以执行上述实施例一所提供的一种农田的识别方法,例如:
获取卫星图像;
对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
基于植被指数特征从所述剩余分割块群中识别出农田块。
本实施例中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
本发明还提供一种存储器,该存储器存储有多个计算机程序,该多个计算机程序被处理器调用执行上述实施例一所述的一种农田的识别方法。
本发明中,首先对卫星图像进行分割,从分割块群中初步剔除非农田块,然后基于植被指数特征从剩余分割块群中进一步识别出农田块,实现过程较简单,且识别准确性较高。
其次,基于土壤的成分在不同光谱下的反射曲线不同来进一步剔除非农田块,计算量小,也进一步提高农田识别的准确性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种农田的识别方法,其特征在于,包括:
获取卫星图像;
对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
基于植被指数特征从所述剩余分割块群中识别出农田块;
从所述分割块群中剔除非农田块,获得剩余分割块群具体为:基于卷积神经网络从所述分割块群中剔除非农田块,获得剩余分割块群,包括:基于卷积神经网络获取每一所述分割块的分类概率;基于所述分类概率从所述分割块群中剔除非农田块,获得剩余分割块群;
所述基于卷积神经网络获取每一所述分割块的分类概率具体包括:
获取所述分割块群中的每一分割块的RGB波段信息,得到对应的RGB三通道分割块图像;
基于每一分割块的RGB三通道分割块图像进行标记,构建训练数据集;
构建卷积神经网络分类模型,所述分类模型携带农田与非农田对象的特征表达式;
通过最小误差函数对所述分类模型进行优化,得到优化分类模型;
基于所述优化分类模型获得每一分类块的分类概率。
2.根据权利要求1所述的识别方法,其特征在于,所述基于植被指数特征从所述剩余分割块群中识别出农田块具体包括:
获取所述剩余分割块群中的每一分割块的植被指数特征;
基于支持向量模型及所述植被指数特征从所述剩余分割块群中识别出农田块。
3.根据权利要求1所述的识别方法,其特征在于,所述获取所述剩余分割块群中的每一分割块的植被指数特征具体包括:
获取所述剩余分割块群中的每一分割块的每个像素点在预设波段的响应强度;
基于所述响应强度计算对应像素点对应的两类以上植被指数;
将所述两类以上植被指数按预设次序组成向量形式;
基于所述向量形式计算对应分割块的植被指数特征。
4.根据权利要求3所述的识别方法,其特征在于,所述基于支持向量模型及所述植被指数特征从所述剩余分割块群中识别出农田块具体包括:
将所述植被指数特征输入至所述支持向量模型进行拟合,得到拟合概率;
基于所述拟合概率从所述剩余分割块群中识别出农田块。
5.一种农田的识别系统,其特征在于,包括:
获取单元,用于获取卫星图像;
分割单元,用于对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
筛选单元,用于从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
识别单元,用于基于植被指数特征从所述剩余分割块群中识别出农田块;
从所述分割块群中剔除非农田块,获得剩余分割块群具体为:基于卷积神经网络从所述分割块群中剔除非农田块,获得剩余分割块群,包括:基于卷积神经网络获取每一所述分割块的分类概率;基于所述分类概率从所述分割块群中剔除非农田块,获得剩余分割块群;
所述基于卷积神经网络获取每一所述分割块的分类概率具体包括:
获取所述分割块群中的每一分割块的RGB波段信息,得到对应的RGB三通道分割块图像;
基于每一分割块的RGB三通道分割块图像进行标记,构建训练数据集;
构建卷积神经网络分类模型,所述分类模型携带农田与非农田对象的特征表达式;
通过最小误差函数对所述分类模型进行优化,得到优化分类模型;
基于所述优化分类模型获得每一分类块的分类概率。
6.一种应用于农业的无人机,其特征在于,包括如权利要求5所述的一种农田的识别装置。
7.一种存储器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被处理器执行如下步骤:
获取卫星图像;
对所述卫星图像进行分割,得到分割块群,所述分割块群至少包括两个以上分割块;
从所述分割块群中剔除非农田块,获得剩余分割块群,所述剩余分割块包括至少一个分割块;
基于植被指数特征从所述剩余分割块群中识别出农田块;
从所述分割块群中剔除非农田块,获得剩余分割块群具体为:基于卷积神经网络从所述分割块群中剔除非农田块,获得剩余分割块群,包括:基于卷积神经网络获取每一所述分割块的分类概率;基于所述分类概率从所述分割块群中剔除非农田块,获得剩余分割块群;
所述基于卷积神经网络获取每一所述分割块的分类概率具体包括:
获取所述分割块群中的每一分割块的RGB波段信息,得到对应的RGB三通道分割块图像;
基于每一分割块的RGB三通道分割块图像进行标记,构建训练数据集;
构建卷积神经网络分类模型,所述分类模型携带农田与非农田对象的特征表达式;
通过最小误差函数对所述分类模型进行优化,得到优化分类模型;
基于所述优化分类模型获得每一分类块的分类概率。
8.一种服务终端,包括存储器、处理器及存储在所述存储器中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计算机程序时实现如权利要求1至4任意一项所述的农田的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810323926.2A CN108629289B (zh) | 2018-04-11 | 2018-04-11 | 农田的识别方法及系统、应用于农业的无人机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810323926.2A CN108629289B (zh) | 2018-04-11 | 2018-04-11 | 农田的识别方法及系统、应用于农业的无人机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629289A CN108629289A (zh) | 2018-10-09 |
CN108629289B true CN108629289B (zh) | 2021-07-30 |
Family
ID=63705188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810323926.2A Active CN108629289B (zh) | 2018-04-11 | 2018-04-11 | 农田的识别方法及系统、应用于农业的无人机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629289B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109445457B (zh) * | 2018-10-18 | 2021-05-14 | 广州极飞科技股份有限公司 | 分布信息的确定方法、无人飞行器的控制方法及装置 |
CN110189335B (zh) * | 2019-05-30 | 2020-04-17 | 商丘师范学院 | 一种基于航拍图像的农作物异常分析方法 |
CN112052811A (zh) * | 2020-09-11 | 2020-12-08 | 郑州大学 | 基于人工智能及航拍图像的牧场草原沙化检测方法 |
CN114067158B (zh) * | 2021-11-17 | 2022-09-23 | 江苏天汇空间信息研究院有限公司 | 应用多源遥感数据的农田使用状态的监测系统及方法 |
DE202022100123U1 (de) | 2022-01-11 | 2022-01-21 | Yadunath Pathak | Intelligentes System zur Überwachung landwirtschaftlicher Felder mit IOT-Sensoren und maschinellem Lernen |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408027A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种提取港口的堆场后方物流仓库图像的方法及系统 |
CN106803097A (zh) * | 2016-12-28 | 2017-06-06 | 中国科学院深圳先进技术研究院 | 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 |
CN106846334A (zh) * | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
CN107239759A (zh) * | 2017-05-27 | 2017-10-10 | 中国科学院遥感与数字地球研究所 | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
CN107358176A (zh) * | 2017-06-26 | 2017-11-17 | 武汉大学 | 基于高分遥感影像区域信息和卷积神经网络的分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10255296B2 (en) * | 2016-02-25 | 2019-04-09 | Omniearth, Inc. | System and method for managing geodemographic data |
US10417788B2 (en) * | 2016-09-21 | 2019-09-17 | Realize, Inc. | Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks |
-
2018
- 2018-04-11 CN CN201810323926.2A patent/CN108629289B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408027A (zh) * | 2016-09-23 | 2017-02-15 | 交通运输部规划研究院 | 一种提取港口的堆场后方物流仓库图像的方法及系统 |
CN106803097A (zh) * | 2016-12-28 | 2017-06-06 | 中国科学院深圳先进技术研究院 | 一种利用遥感影像提取植被遮阳网类别的方法及装置、用户设备 |
CN106846334A (zh) * | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
CN107239759A (zh) * | 2017-05-27 | 2017-10-10 | 中国科学院遥感与数字地球研究所 | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 |
CN107358176A (zh) * | 2017-06-26 | 2017-11-17 | 武汉大学 | 基于高分遥感影像区域信息和卷积神经网络的分类方法 |
CN107330413A (zh) * | 2017-07-06 | 2017-11-07 | 中国科学院遥感与数字地球研究所 | 一种基于遥感技术的毒品原植物识别方法 |
Non-Patent Citations (2)
Title |
---|
机载多光谱LiDAR数据的地物分类方法;潘锁艳等;《测绘学报》;20180228;第198-207页 * |
顾及局部特性的 CNN 在遥感影像分类的应用;杨嘉树等;《计算机工程与应用》;20170401;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108629289A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629289B (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
RU2735151C2 (ru) | Распознавание сорняков в естественной среде | |
US10614562B2 (en) | Inventory, growth, and risk prediction using image processing | |
Wang et al. | A review on weed detection using ground-based machine vision and image processing techniques | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
Zhu et al. | In-field automatic observation of wheat heading stage using computer vision | |
Bah et al. | Deep learning based classification system for identifying weeds using high-resolution UAV imagery | |
EP3279831A1 (en) | Recognition of weed in a natural environment using a digital image | |
CN110751019A (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
CN109446958A (zh) | 施药效果的确定方法及装置、系统 | |
CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CA3180213A1 (en) | Image monitoring for control of invasive grasses | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
Loresco et al. | Segmentation of lettuce plants using super pixels and thresholding methods in smart farm hydroponics setup | |
CN110765927B (zh) | 一种植被群落中伴生杂草的识别方法 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
Qiao et al. | Generative-discriminative crop type identification using satellite images | |
CN113486773B (zh) | 棉花植株生长期识别方法、系统、存储介质及设备 | |
CN109948556A (zh) | 作物分类识别方法及系统 | |
CN109685705A (zh) | 害虫生长情况的确定方法及装置、施药信息的确定方法 | |
CN117876823A (zh) | 一种茶园图像检测方法及其模型训练方法和系统 | |
Murthy et al. | Multi-layered CNN Architecture for Assistance in Smart Farming | |
Bilan et al. | Methods for Automatically Determining the Level of Disease Damage to Plant Leaves from Their Raster Image | |
Sajjan et al. | Contour Based Leaf Segmentation in Green Plant Images | |
Banoth et al. | Soil Image Classification Using Transfer Learning Approach: MobileNetV2 with CNN |
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 |