CN110188661A - 边界识别方法及装置 - Google Patents
边界识别方法及装置 Download PDFInfo
- Publication number
- CN110188661A CN110188661A CN201910448239.8A CN201910448239A CN110188661A CN 110188661 A CN110188661 A CN 110188661A CN 201910448239 A CN201910448239 A CN 201910448239A CN 110188661 A CN110188661 A CN 110188661A
- Authority
- CN
- China
- Prior art keywords
- key point
- split
- region
- image
- boundary
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims description 57
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 5
- 239000007921 spray Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种边界识别方法及装置。其中,上述方法包括:获取待分割区域的图像;对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;基于所述关键点信息确定所述相邻子区域的边界。本申请解决了相关技术中基于像素对相邻地块进行分割准确度较低的技术问题。
Description
技术领域
本申请涉及植保领域,具体而言,涉及一种边界识别方法及装置。
背景技术
地块的闭合边界获取是无人机植保作业过程中的重要一环,准确的地块边界信息可以规划出精准的航线。目前,现在的获取方式主要有:通过人工测绘的方式,以及基于像素点对地图分割的方式确定地块的边界。人工测绘需要浪费大量的人力,直接基于像素点对相邻地块的分割,处理的数据量较大,并且,对于相邻地块的分割准确度较低。
针对上述技术问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种边界识别方法及装置,以至少解决相关技术中基于像素对相邻地块进行分割准确度较低的技术问题。
根据本申请实施例的一个方面,提供了一种边界识别方法,该方法包括:获取待分割区域的图像;对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;基于所述关键点信息确定所述相邻子区域的边界。
可选地,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息包括:将所述待分割区域的图像输入第一预设模型进行分析,得到待分割区域的边界特征信息,其中,所述第一预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像所对应的待分割区域的边界特征信息的标记;基于所述边界特征信息确定所述关键点信息。
可选地,所述第一预设模型通过以下方式训练得到:(1)初始化预设学习模型的模型参数;(2)将所述多组数据输入至所述预设学习模型,并使用梯度下降法迭代计算损失函数的函数值,直至迭代次数达到预设次数时,停止训练;将停止训练时的模型参数设定为所述预设学习模型的最终模型参数,并将最终模型参数对应的预设学习模型对应的模型作为所述第一预设模型。
可选地,所述关键点信息包括至少两个关键点的位置信息,基于所述关键点信息确定所述相邻子区域的边界包括:基于所述至少两个关键点的位置信息确定所述相邻子区域的边界。
可选地,所述位置信息包括:所述关键点在预设坐标系中的坐标点信息;基于所述至少两个关键点的位置信息确定所述相邻子区域的边界,包括:按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,得到所述相邻子区域的边界。
可选地,按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,包括:确定所述至少两个关键点中所有关键点之间的关联关系;对于所述至少两个关键点中的每个关键点,依据所述关联关系确定所述每个关键点的下一个关键点;以及连接所述每个关键点和所述下一个关键点。
可选地,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息包括:将所述待分割区域的图像输入第二预设模型进行分析,得到待分割区域的关键点信息,以及所述待分割区域的图像大小,其中,所述第二预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像对应的待分割区域的关键点信息、以及所述待分割区域的图像大小的标记。
可选地,所述目标函数包括分割损失函数和/或回归损失函数,其中,所述分割损失函数为待分割区域的边界特征信息的损失函数,所述回归损失函数为各个关键点坐标的损失函数。
根据本申请实施例的一个方面,提供了一种边界识别装置,该装置包括:获取模块,用于获取待分割区域的图像;分析模块,用于对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;确定模块,用于基于所述关键点信息确定所述相邻子区域的边界。
根据本申请实施例的一个方面,提供了一种边界识别系统,该系统包括:采集设备,用于获取待分割区域的图像;处理器,用于对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;用于基于所述关键点信息确定所述相邻子区域的边界。
根据本申请实施例的一个方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的边界识别方法。
根据本申请实施例的一个方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述的边界识别方法。
本申请实施例中通过获取待分割区域的图像;对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;基于所述关键点信息确定所述相邻子区域的边界的方式,可以实现采取与子区域的边界相关的容易识别的田埂关键点信息确定子区域边界,提高了农田地块边界的识别准确度,进而解决了相关技术中基于像素对相邻地块进行分割准确度较低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种边界识别方法的流程示意图;
图2为根据本申请实施例的一种待分割区域的图像的示意图;
图3为第一预设模型输出的包含边界特征信息的标记的示意图;
图4是根据本申请实施例的一种边界识别装置的结构示意图;
图5是根据本申请实施例的一种边界识别系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好地理解上述实施例,以下将本申请中涉及的技术术语解释如下:
神经网络模型:神经网路是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。
本申请实施例的方案中,通过采取与子区域的边界相关的关键点信息确定子区域边界,提高了农田地块边界的识别准确度,进而解决了相关技术中基于像素对相邻地块进行分割准确度较低的技术问题。
本申请实施例提供了一种边界识别方法,图1为根据本申请实施例的一种边界识别方法的流程图,如图1所示,该方法至少包括以下步骤:
步骤S202,获取待分割区域的图像;
具体地,可通过图像拍摄装置获取待分割区域的图像,待分割区域包括一个或多个农田区域,农田区域之间具有边界,待分割区域的图像是未将各个农田区域分割的图像,通过分割后可以将各农田区域分割开。
步骤S204,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点。
可选地,上述关键点可以为处于田埂上的点或者道路上的点,关键点信息可以为位置信息,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息可以通过以下方式进行实现:将所述待分割区域的图像输入第一预设模型进行分析,得到待分割区域的边界特征信息,其中,所述第一预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像所对应的待分割区域的边界特征信息的标记;基于所述边界特征信息确定所述关键点信息。
其中,样本待分割区域的图像为RGB图像,上述边界特征信息可以为以关键点为中心的圆形区域,基于边界特征信息确定关键点信息,可以通过获取边界特征信息的中心的方式获取关键点的位置的方式进行实现。
图2为根据本申请实施例的一种待分割区域的图像的示意图,具体地,该图为RGB图,其中,包括三个不同的区域A、B;需要说明的是,在将该图像输入第一预设模型之前,区域A、B的边界是未知的或不清楚的,此处为了便于理解,所以进行了标记。
图3为上述第一预设模型输出的包含边界特征信息的标记的示意图;其中,黑色的圆形区域为关键点信息所属的区域,具体地,可以将各个圆形区域的中心作为关键点。
步骤S206,基于所述关键点信息确定所述相邻子区域的边界。
在本申请的一些可选的实施例中,所述关键点信息包括至少两个关键点的位置信息,基于所述关键点信息确定所述相邻子区域的边界可以为:基于所述至少两个关键点的位置信息确定所述相邻子区域的边界。
具体地,相邻子区域可以为相邻的农田区域,此处,相邻的农田区域可能种植了不同的农作物,在用户对农作物进行喷药或者施肥的时候,需要清楚各个农田区域的范围与边界,以规划作业设备的航线,提高作业效率,相邻的农田区域也可能种植了同种农作物,而属于不同的农户,此时在为其中一个农户服务的时候,可以选择其对应的农田地块去作业。
在本申请的一些可选的实施例中,所述位置信息可以为:所述关键点在预设坐标系中的坐标点信息;基于所述至少两个关键点的位置信息确定所述相邻子区域的边界,包括:按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,得到所述相邻子区域的边界。
具体地,上述预设坐标系,可以基于关键点所在的图像中的预设位置为原点,分别以图像的宽和高所在的直线为X轴与Y轴,建立坐标系。
在本申请的一些可选的实施例中,按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,可以通过以下方式进行实现:确定所述至少两个关键点中所有关键点之间的关联关系;对于所述至少两个关键点中的每个关键点,依据所述关联关系确定所述每个关键点的下一个关键点;以及连接所述每个关键点和所述下一个关键点。
可选地,其中,所述关联关系,可以为每个关键点与其自身的下一个关键点的排列顺序为顺时针排列的关系,其中,顺时针排列的顺序指每个关键点至其下一个关键点的方向为顺时针方向。
在本申请的一些可选的实施例中,所述第一预设模型通过以下方式训练得到:(1)初始化预设学习模型的模型参数;(2)将所述多组数据输入至所述预设学习模型,并使用梯度下降法迭代计算损失函数的函数值,直至迭代次数达到预设次数时,停止训练;将停止训练时的模型参数设定为所述预设学习模型的最终模型参数,并将最终模型参数对应的预设学习模型对应的模型作为所述第一预设模型。
在本申请的一些可选的实施例中,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,可以通过以下方式进行实现:将所述待分割区域的图像输入第二预设模型进行分析,得到待分割区域的关键点信息,以及所述待分割区域的图像大小,其中,所述第二预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像对应的待分割区域的关键点信息、以及所述待分割区域的图像大小的标记。
具体地,上述第一预设模型与第二预设模型为卷积神经网络模型。
在本申请的一些可选的实施例中,所述目标函数可以为分割损失函数和/或回归损失函数,其中,所述分割损失函数为待分割区域的边界特征信息的损失函数,所述回归损失函数为各个关键点坐标的损失函数。
可选地,上述分割损失函数为二分类交叉损失函数,其可以为与边界特征信息相关的函数;上述回归损失函数为均方误差损失函数,其可以为与关键点信息相关的函数。
本申请实施例中通过获取待分割区域的图像;对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;基于所述关键点信息确定所述相邻子区域的边界的方式,可以实现采取与子区域的边界相关的容易识别的田埂关键点信息确定子区域边界,提高了农田地块边界的识别准确度,进而解决了相关技术中基于像素对相邻地块进行分割准确度较低的技术问题。
本申请实施例还提供了一种边界识别装置,图4是根据本申请实施例的一种边界识别装置的结构示意图。如图4所示,该装置包括:获取模块42、分析模块44、确定模块46;其中:
获取模块42,用于获取待分割区域的图像;
具体地,可通过图像拍摄装置获取待分割区域的图像,待分割区域为待分割各个田块的边界的包括一个或多个田块信息的农田区域。
分析模块44,用于对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;
可选地,上述关键点,为处于田埂上的点,关键点信息可以为位置信息,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息可以通过以下方式进行实现:将所述待分割区域的图像输入第一预设模型进行分析,得到待分割区域的边界特征信息,其中,所述第一预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像所对应的待分割区域的边界特征信息的标记;基于所述边界特征信息确定所述关键点信息。
其中,样本待分割区域的图像为RGB图像,上述边界特征信息可以为以关键点为中心的圆形区域,基于边界特征信息确定关键点信息,可以通过获取边界特征信息的中心的方式获取关键点的位置的方式进行实现。
图2为根据本申请实施例的一种待分割区域的图像的示意图,具体地,该图为RGB图,其中,包括三个不同的区域A、B;需要说明的是,在将该图像输入第一预设模型之前,区域A、B的边界是未知的或不清楚的,此处为了便于理解,所以进行了标记。
图3为上述第一预设模型输出的包含边界特征信息的标记的示意图;其中,黑色的圆形区域为关键点信息所属的区域,具体地,可以将各个圆形区域的中心作为关键点。
确定模块46,用于基于所述关键点信息确定所述相邻子区域的边界。
在本申请的一些可选的实施例中,所述关键点信息包括至少两个关键点的位置信息,基于所述关键点信息确定所述相邻子区域的边界可以为:基于所述至少两个关键点的位置信息确定所述相邻子区域的边界。
具体地,相邻子区域可以为相邻的农田区域,此处,相邻的农田区域可能种植了不同的农作物,在用户对农作物进行喷药或者施肥的时候,需要清楚各个农田区域的范围与边界,以规划作业设备的航线,提高喷药效率。
在本申请的一些可选的实施例中,所述位置信息可以为:所述关键点在预设坐标系中的坐标点信息;基于所述至少两个关键点的位置信息确定所述相邻子区域的边界,包括:按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,得到所述相邻子区域的边界。
具体地,上述预设坐标系,可以基于关键点所在的图像中的预设位置为原点,分别以图像的宽和高所在的直线为X轴与Y轴,建立坐标系。
在本申请的一些可选的实施例中,上述装置还包括处理模块,处理模块用于确定所述至少两个关键点中所有关键点之间的关联关系;对于所述至少两个关键点中的每个关键点,依据所述关联关系确定所述每个关键点的下一个关键点;以及连接所述每个关键点和所述下一个关键点。
可选地,其中,所述关联关系,可以为每个关键点与其自身的下一个关键点的排列顺序为顺时针排列的关系,其中,顺时针排列的顺序指每个关键点至其下一个关键点的方向为顺时针方向。
在本申请的一些可选的实施例中,上述装置还包括训练模块,该训练模块用于训练第一预设模型,所述第一预设模型通过以下方式训练得到:(1)初始化预设学习模型的模型参数;(2)将所述多组数据输入至所述预设学习模型,并使用梯度下降法迭代计算损失函数的函数值,直至迭代次数达到预设次数时,停止训练;将停止训练时的模型参数设定为所述预设学习模型的最终模型参数,并将最终模型参数对应的预设学习模型对应的模型作为所述第一预设模型。
在本申请的一些可选的实施例中,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,可以通过以下方式进行实现:将所述待分割区域的图像输入第二预设模型进行分析,得到待分割区域的关键点信息,以及所述待分割区域的图像大小,其中,所述第二预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像对应的待分割区域的关键点信息、以及所述待分割区域的图像大小的标记。
具体地,上述第一预设模型与第二预设模型为卷积神经网络模型。
在本申请的一些可选的实施例中,所述目标函数可以为分割损失函数和/或回归损失函数,其中,所述分割损失函数为待分割区域的边界特征信息的损失函数,所述回归损失函数为各个关键点坐标的损失函数。
可选地,上述分割损失函数为二分类交叉损失函数,其可以为与边界特征信息相关的函数;上述回归损失函数为均方误差损失函数,其可以为与关键点信息相关的函数。
需要说明的是,图4所示实施例的优选实施方式可以参见图1所示实施例的相关描述,此处不再赘述。
本申请实施例还提供了一种边界识别系统,图5是根据本申请实施例的一种边界识别系统的结构示意图;该系统包括:采集设备52与处理器54;其中:
采集设备52,用于获取待分割区域的图像;
具体地,采集设备52可以为图像拍摄装置;具体地,可通过图像拍摄装置获取待分割区域的图像,待分割区域为待分割各个田块的边界的包括一个或多个田块信息的农田区域。
处理器54,用于对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;用于基于所述关键点信息确定所述相邻子区域的边界。
可选地,上述关键点,为处于田埂上的点,关键点信息可以为位置信息,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息可以通过以下方式进行实现:将所述待分割区域的图像输入第一预设模型进行分析,得到待分割区域的边界特征信息,其中,所述第一预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像所对应的待分割区域的边界特征信息的标记;基于所述边界特征信息确定所述关键点信息。
其中,样本待分割区域的图像为RGB图像,上述边界特征信息可以为以关键点为中心的圆形区域,基于边界特征信息确定关键点信息,可以通过获取边界特征信息的中心的方式获取关键点的位置的方式进行实现。
图2为根据本申请实施例的一种待分割区域的图像的示意图,具体地,该图为RGB图,其中,包括三个不同的区域A、B;需要说明的是,在将该图像输入第一预设模型之前,区域A、B的边界是未知的或不清楚的,此处为了便于理解,所以进行了标记。
图3为第一预设模型输出的包含边界特征信息的标记的示意图;其中,黑色的圆形区域为关键点信息所属的区域,具体地,可以将各个圆形区域的中心作为关键点。
在本申请的一些可选的实施例中,所述关键点信息包括至少两个关键点的位置信息,基于所述关键点信息确定所述相邻子区域的边界可以为:基于所述至少两个关键点的位置信息确定所述相邻子区域的边界。
具体地,相邻子区域可以为相邻的农田区域,此处,相邻的农田区域可能种植了不同的农作物,在用户对农作物进行喷药或者施肥的时候,需要清楚各个农田区域的范围与边界,以规划作业设备的航线,提高喷药效率。
在本申请的一些可选的实施例中,所述位置信息可以为:所述关键点在预设坐标系中的坐标点信息;基于所述至少两个关键点的位置信息确定所述相邻子区域的边界,包括:按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,得到所述相邻子区域的边界。
具体地,上述预设坐标系,可以基于关键点所在的图像中的预设位置为原点,分别以图像的宽和高所在的直线为X轴与Y轴,建立坐标系。
在本申请的一些可选的实施例中,处理器54还用于执行以下程序:确定所述至少两个关键点中所有关键点之间的关联关系;对于所述至少两个关键点中的每个关键点,依据所述关联关系确定所述每个关键点的下一个关键点;以及连接所述每个关键点和所述下一个关键点。
可选地,其中,所述关联关系,可以为每个关键点与其自身的下一个关键点的排列顺序为顺时针排列的关系,其中,顺时针排列的顺序指每个关键点至其下一个关键点的方向为顺时针方向。
在本申请的一些可选的实施例中,处理器54还用于训练第一预设模型,其中,所述第一预设模型通过以下方式训练得到:(1)初始化预设学习模型的模型参数;(2)将所述多组数据输入至所述预设学习模型,并使用梯度下降法迭代计算损失函数的函数值,直至迭代次数达到预设次数时,停止训练;将停止训练时的模型参数设定为所述预设学习模型的最终模型参数,并将最终模型参数对应的预设学习模型对应的模型作为所述第一预设模型。
在本申请的一些可选的实施例中,处理器54还用于执行以下程序:将所述待分割区域的图像输入第二预设模型进行分析,得到待分割区域的关键点信息,以及所述待分割区域的图像大小,其中,所述第二预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像对应的待分割区域的关键点信息、以及所述待分割区域的图像大小的标记。
具体地,上述第一预设模型与第二预设模型为卷积神经网络模型。
在本申请的一些可选的实施例中,所述目标函数可以为分割损失函数和/或回归损失函数,其中,所述分割损失函数为待分割区域的边界特征信息的损失函数,所述回归损失函数为各个关键点坐标的损失函数。
可选地,上述分割损失函数为二分类交叉损失函数,其可以为与边界特征信息相关的函数;上述回归损失函数为均方误差损失函数,其可以为与关键点信息相关的函数。
需要说明的是,图5所示实施例的优选实施方式可以参见图1所示实施例的相关描述,此处不再赘述。
根据本申请实施例的另一个方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的边界识别方法。
存储介质用于存储执行以下步骤的程序:获取待分割区域的图像;对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;基于所述关键点信息确定所述相邻子区域的边界。
根据本申请实施例的另一个方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行上述的边界识别确定方法。
处理器用于执行以下步骤的程序:获取待分割区域的图像;对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;基于所述关键点信息确定所述相邻子区域的边界。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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,本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种边界识别方法,其特征在于,该方法包括:
获取待分割区域的图像;
对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;
基于所述关键点信息确定所述相邻子区域的边界。
2.根据权利要求1所述的方法,其特征在于,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息包括:
将所述待分割区域的图像输入第一预设模型进行分析,得到待分割区域的边界特征信息,其中,所述第一预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像所对应的待分割区域的边界特征信息的标记;
基于所述边界特征信息确定所述关键点信息。
3.根据权利要求2所述的方法,其特征在于,所述第一预设模型通过以下方式训练得到:
(1)初始化预设学习模型的模型参数;
(2)将所述多组数据输入至所述预设学习模型,并使用梯度下降法迭代计算损失函数的函数值,直至迭代次数达到预设次数时,停止训练;将停止训练时的模型参数设定为所述预设学习模型的最终模型参数,并将最终模型参数对应的预设学习模型对应的模型作为所述第一预设模型。
4.根据权利要求1所述的方法,其特征在于,所述关键点信息包括至少两个关键点的位置信息,基于所述关键点信息确定所述相邻子区域的边界包括:
基于所述至少两个关键点的位置信息确定所述相邻子区域的边界。
5.根据权利要求4所述的方法,其特征在于,所述位置信息包括:所述关键点在预设坐标系中的坐标点信息;基于所述至少两个关键点的位置信息确定所述相邻子区域的边界,包括:
按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,得到所述相邻子区域的边界。
6.根据权利要求5所述的方法,其特征在于,按照预设规则依次连接所述至少两个关键点中所有关键点的坐标点信息,包括:
确定所述至少两个关键点中所有关键点之间的关联关系;对于所述至少两个关键点中的每个关键点,依据所述关联关系确定所述每个关键点的下一个关键点;
以及连接所述每个关键点和所述下一个关键点。
7.根据权利要求1所述的方法,其特征在于,对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息包括:
将所述待分割区域的图像输入第二预设模型进行分析,得到待分割区域的关键点信息,以及所述待分割区域的图像大小,其中,所述第二预设模型为通过多组数据训练得到的,所述多组数据中的每组数据均包括:样本待分割区域的图像以及用于标记所述样本待分割区域的图像对应的待分割区域的关键点信息、以及所述待分割区域的图像大小的标记。
8.根据权利要求7所述的方法,其特征在于,目标函数包括分割损失函数和/或回归损失函数,其中,所述分割损失函数为待分割区域的边界特征信息的损失函数,所述回归损失函数为各个关键点坐标的损失函数。
9.一种边界识别装置,其特征在于,该装置包括:
获取模块,用于获取待分割区域的图像;
分析模块,用于对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;
确定模块,用于基于所述关键点信息确定所述相邻子区域的边界。
10.一种边界识别系统,其特征在于,该系统包括:
采集设备,用于获取待分割区域的图像;
处理器,用于对所述待分割区域的图像进行分析,得到所述待分割区域的关键点信息,其中,所述关键点信息所对应的关键点为所述待分割区域中相邻子区域的边界上的点;用于基于所述关键点信息确定所述相邻子区域的边界。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的边界识别方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的边界识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448239.8A CN110188661B (zh) | 2019-05-27 | 2019-05-27 | 边界识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448239.8A CN110188661B (zh) | 2019-05-27 | 2019-05-27 | 边界识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188661A true CN110188661A (zh) | 2019-08-30 |
CN110188661B CN110188661B (zh) | 2021-07-20 |
Family
ID=67718074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910448239.8A Active CN110188661B (zh) | 2019-05-27 | 2019-05-27 | 边界识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188661B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052369A (zh) * | 2021-03-15 | 2021-06-29 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
CN113074740A (zh) * | 2021-04-29 | 2021-07-06 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN114485664A (zh) * | 2021-12-30 | 2022-05-13 | 广州极飞科技股份有限公司 | 边界简化方法、路径规划方法、装置、设备及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110623A1 (en) * | 2014-10-20 | 2016-04-21 | Samsung Sds Co., Ltd. | Method and apparatus for setting region of interest |
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
US9881226B1 (en) * | 2015-09-24 | 2018-01-30 | Amazon Technologies, Inc. | Object relation builder |
CN108230330A (zh) * | 2018-01-30 | 2018-06-29 | 北京同方软件股份有限公司 | 一种快速的高速公路路面分割和摄像机定位的方法 |
CN108734105A (zh) * | 2018-04-20 | 2018-11-02 | 东软集团股份有限公司 | 车道线检测方法、装置、存储介质和电子设备 |
WO2018211930A1 (ja) * | 2017-05-17 | 2018-11-22 | 株式会社デンソー | 物体検出装置、物体検出方法、及び、コンピュータが読取可能な記録媒体 |
US20180376151A1 (en) * | 2017-05-30 | 2018-12-27 | Thomson Licensing | Method and device for picture encoding and decoding |
CN109325960A (zh) * | 2018-11-20 | 2019-02-12 | 南京信息工程大学 | 一种红外云图气旋分析方法及分析系统 |
CN109325389A (zh) * | 2017-07-31 | 2019-02-12 | 比亚迪股份有限公司 | 车道线识别方法、装置及车辆 |
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109635641A (zh) * | 2018-11-01 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 道路边界线的确定方法、装置、设备和存储介质 |
-
2019
- 2019-05-27 CN CN201910448239.8A patent/CN110188661B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110623A1 (en) * | 2014-10-20 | 2016-04-21 | Samsung Sds Co., Ltd. | Method and apparatus for setting region of interest |
US9881226B1 (en) * | 2015-09-24 | 2018-01-30 | Amazon Technologies, Inc. | Object relation builder |
WO2018211930A1 (ja) * | 2017-05-17 | 2018-11-22 | 株式会社デンソー | 物体検出装置、物体検出方法、及び、コンピュータが読取可能な記録媒体 |
US20180376151A1 (en) * | 2017-05-30 | 2018-12-27 | Thomson Licensing | Method and device for picture encoding and decoding |
CN109325389A (zh) * | 2017-07-31 | 2019-02-12 | 比亚迪股份有限公司 | 车道线识别方法、装置及车辆 |
CN107563413A (zh) * | 2017-08-09 | 2018-01-09 | 千寻位置网络有限公司 | 无人机航拍影像农田块对象精准提取方法 |
CN108230330A (zh) * | 2018-01-30 | 2018-06-29 | 北京同方软件股份有限公司 | 一种快速的高速公路路面分割和摄像机定位的方法 |
CN108734105A (zh) * | 2018-04-20 | 2018-11-02 | 东软集团股份有限公司 | 车道线检测方法、装置、存储介质和电子设备 |
CN109583293A (zh) * | 2018-10-12 | 2019-04-05 | 复旦大学 | 星载sar图像中的飞机目标检测与鉴别方法 |
CN109635641A (zh) * | 2018-11-01 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 道路边界线的确定方法、装置、设备和存储介质 |
CN109325960A (zh) * | 2018-11-20 | 2019-02-12 | 南京信息工程大学 | 一种红外云图气旋分析方法及分析系统 |
Non-Patent Citations (3)
Title |
---|
LEOPOLDO RODRIGUEZ SALAZAR: "《UAS soaring trajectories considering the atmospheric boundary layer for oceanic long duration missions》", 《OCEANS 2017 - ANCHORAGE》 * |
李浩: "《基于深度神经网络的车辆特征识别方法》", 《河南工程学院学报(自然科学版)》 * |
穆正隆: "《基于形态优化和边界识别的基本农田保护区研究》", 《资源科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052369A (zh) * | 2021-03-15 | 2021-06-29 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
CN113052369B (zh) * | 2021-03-15 | 2024-05-10 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
CN113074740A (zh) * | 2021-04-29 | 2021-07-06 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN113074740B (zh) * | 2021-04-29 | 2023-11-17 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN114485664A (zh) * | 2021-12-30 | 2022-05-13 | 广州极飞科技股份有限公司 | 边界简化方法、路径规划方法、装置、设备及系统 |
CN114485664B (zh) * | 2021-12-30 | 2022-12-27 | 广州极飞科技股份有限公司 | 边界简化方法、路径规划方法、装置、设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110188661B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
CN110874594B (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN109977997B (zh) | 基于卷积神经网络快速鲁棒的图像目标检测与分割方法 | |
CN103514459A (zh) | 一种基于Android手机平台的识别农作物病虫害的方法及系统 | |
CN109271990A (zh) | 一种针对rgb-d图像的语义分割方法及装置 | |
CN112257815A (zh) | 模型生成方法、目标检测方法、装置、电子设备及介质 | |
CN110188661A (zh) | 边界识别方法及装置 | |
CN109446889A (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
CN103903006A (zh) | 一种基于Android平台的农作物害虫识别方法及系统 | |
CN105868797A (zh) | 网络参数训练方法、景物类型识别方法及装置 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
Acharya et al. | Ai-enabled droplet detection and tracking for agricultural spraying systems | |
CN112380955A (zh) | 动作的识别方法及装置 | |
CN109815823A (zh) | 数据处理方法及相关产品 | |
CN113096080B (zh) | 图像分析方法及系统 | |
CN112614570B (zh) | 样本集标注、病理图像分类、分类模型构建方法及装置 | |
CN112200862B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
Han et al. | A rapid segmentation method for weed based on CDM and ExG index | |
CN108109125A (zh) | 基于遥感图像的信息提取方法和装置 | |
CN104463896A (zh) | 基于核相似区分布特性的图像角点检测方法及系统 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
CN111797737A (zh) | 遥感目标检测方法及装置 | |
CN107452001A (zh) | 一种基于改进fcm算法的遥感图像序列分割方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: XAG Co., Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |