CN110674735B - 基于精细分类的农业设施遥感提取方法和装置 - Google Patents
基于精细分类的农业设施遥感提取方法和装置 Download PDFInfo
- Publication number
- CN110674735B CN110674735B CN201910898316.XA CN201910898316A CN110674735B CN 110674735 B CN110674735 B CN 110674735B CN 201910898316 A CN201910898316 A CN 201910898316A CN 110674735 B CN110674735 B CN 110674735B
- Authority
- CN
- China
- Prior art keywords
- agricultural
- image
- facilities
- agricultural facility
- facility
- 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
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种基于精细分类的农业设施遥感提取方法和装置,将深度学习技术引入农业设施遥感提取中,该方法实现了农业设施轮廓边界与数量、面积的全自动化获取,避免了传统像素分类方法和面向对象分类方法中复杂的特征选择过程,并显著提高了农业设施的提取精度,节约人力、时间。本申请同时还细分了农业设施为普通单体塑料农业设施、连栋农业设施、覆盖遮阳网的连栋或单体农业设施、温室农业设施以及无薄膜覆盖的农业设施、设备房。将不同场景的农业设施进行训练与提取,并在最后的结果中将这些不同类型的农业设施结果进行融合。
Description
技术领域
本申请属于农业设施遥感提取领域,尤其是涉及一种基于精细分类的农业设施遥感提取方法和装置。
背景技术
近年来,随着农业现代化的快速发展,农业设施技术的逐渐成熟,我国农业设施面积迅速扩大,已成为全球农业设施大国。农业设施已经成为重要的土地覆盖类型。传统农业设施的提取主要是基于人工特征和机器学习分类器,存在特征选择复杂、识别精度较低、处理时间长、无法准确获取大棚边界与数量等问题。农业设施矢量边界的获取,多基于高分辨率遥感影像,通过目视解译的方式手工描绘出各个农业设施的边界。此方法费时、费力,需要数字化人员具有丰富的地学知识和影像解译经验,容易出现误差。不论是光谱与纹理组合还是面向对象法,自动提取农业设施大棚的精度不高,主要是因为区域中分布多种类型的农业设施、密度大、半透明薄膜与里面种植的地物存在像元混淆、材质多种多样等,具体可包括如下特征:透明屋顶颜色不同(蓝色、百色等),屋顶材质不同(塑料薄膜、玻璃、玻璃钢)、厚度差异大、光的反射和吸收规律不同、大棚内种植作物种类多样(蔬菜、幼苗、葡萄等)、大棚覆盖物不同(保温被、有的完全敞开、有的是覆盖遮阳网、遮虫网、草帘等),这使得农业设施的遥感影像中光谱信息存在很大差异,这些特征都增加了大棚面积、数量识别的困难。
其中,根根据在遥感影像上的表现形式不同进行划分,不仅在颜色有所差异,形状、面积等均有所差别。具体如下:
普通单体农业设施:是利用竹木、钢材等材料,并覆盖塑料薄膜,搭成拱形棚,为单间温室,在遥感影像上多呈出矩形,颜色呈亮白色或淡绿色。
连栋农业设施:连栋温室是温室的一种升级,用科学的手段、合理的设计、优秀的材料将原有的独立单间温室连起来,一般为4-8个温室连在一起,在遥感影像上形状偏正方形。
覆盖网的农业设施:网指遮阳网、防虫网,是在农业设施的上面覆盖遮阳网和防虫网的一种新型蔬菜保护栽培技术,在遥感影像上颜色偏黑色,具有明显差异。
玻璃温室农业设施:玻璃温室是玻璃为主要透光覆盖材料的温室,属于温室大棚的一种,使用寿命长,适用于多种地区和多种气候,以种植不同植物分为多种不同温室。
无薄膜覆盖的农业设施:将大棚覆盖物撤掉,棚内作物直接暴露出来的一种情况。在遥感影像上多表现为绿色植被或者裸土(棚内无作物或未长出)。
农业设施设备房:农业设施生产中所必需的设备、原料、农产品临时存储、分拣包装的人为建筑场所。一般面积较小,多为方形。
非农业设施是指不属于上述6种类型中的任意一种农业设施。
深度学习作为一种可以提取不同层次特征的工具受到了越来越多的关注,并且已经在图像处理、自然语言、语音识别等方面取得了重大进展。深度学习卷积神经网络在特征提取方面,既能学习到颜色、光谱、边缘等底层特征,也能学习到纹理、形状等中级特征。目前基于高分辨率遥感影像利用深度学习技术在道路提取、建筑提取、均取得了很好的效果。因此,利用深度学习从遥感影像中提取农业设施,可以提取到不同尺度、不同层次、不同等级的农业设施特征信息,这是进行农业设施精准识别和定位的主要依据。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种基于精细分类的农业设施遥感提取方法和装置。
本发明解决其技术问题所采用的技术方案是:
一种基于精细分类的农业设施遥感提取方法,包括以下步骤:
S1:数据获取、预处理与训练数据制作,获取高分辨遥感影像,并对高分辨遥感影像上的非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施的位置进行标注形成对每个像素均进行标注的掩膜图像,分别对原始影像和掩膜图像同时进行随机的固定大小的裁剪,对裁剪的图像块进行数据增强处理,将裁剪的图像块和经过数据增强处理后的图像块作为训练样本数据集,同时,选取一部分裁剪的图像块和经过数据增强处理后的图像块作为验证数据集;
S2:搭建U-net网络模型,将训练样本数据集输入到U-net网络模型中进行训练,训练时以裁剪后的原始影像的图像块和经过数据增强处理后的原始影像的图像块以及对掩膜图像进行裁剪的图像块和经过数据增强处理后的膜图像的图像块作为U-net网络模型的输入,经过训练获得农业设施提取模型,并以验证数据集进行验证得到的农业设施分类模型;
S3:将待分类影像裁剪为固定大小的图像块,将图像块输入到农业设施分类模型中分别进行预测,得到每个图像块中每个像素点的农业设施类别,然后将图像块再拼接成整张图像;
S4:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;
S5:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
S6:整合轮廓边界结果、统计农业设施的类型、数量和面积。
优选地,本发明的基于精细分类的农业设施遥感提取方法,以整数0~6来分别标记非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房。
优选地,本发明的基于精细分类的农业设施遥感提取方法,对图像进行裁剪时,采用滑动窗口获取具有一定重叠区域的图像块,对每一张经过S3步骤预测的图像块保留中间某一区域的分类结果,舍弃边缘不准确的结果,再依次拼接成整张图像。
优选地,本发明的基于精细分类的农业设施遥感提取方法,S2步骤中:
利用Tensorflow和Keras深度学习框架搭建U-net网络模型。
优选地,本发明的基于精细分类的农业设施遥感提取方法,
宽度自动校正包括以下步骤:
S511:根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
S512:求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,计为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
S513:计算宽度ω与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
S514:按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
S521:生成农业设施选框,支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
S522:在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度、最大与最小长度的农业设施,去除最大与最小长度的农业设施求取当前选框内剩余农业设施长度平均值;
S523:长度异常矩形定位,当前选框内每个农业设施的长度与实际农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
S524:获取长度异常的农业设施的矩形中心线与旋转角度;
S525:根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
S531:分别生成农业设施的初步轮廓边界四个边的平行线;
S532:延长四条平行线,分别相交四点,计算四点坐标;
S533:连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
本发明还提供一种基于精细分类的农业设施遥感提取装置,包括:
数据获取和处理模块:用于数据获取、预处理与训练数据制作,获取高分辨遥感影像,并对高分辨遥感影像上的非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施的位置进行标注形成对每个像素均进行标注的掩膜图像,分别对原始影像和掩膜图像同时进行随机的固定大小的裁剪,对裁剪的图像块进行数据增强处理,将裁剪的图像块和经过数据增强处理后的图像块作为训练样本数据集,同时,选取一部分裁剪的图像块和经过数据增强处理后的图像块作为验证数据集;
模型搭建模块:用于搭建U-net网络模型,将训练样本数据集输入到U-net网络模型中进行训练,训练时以裁剪后的原始影像的图像块和经过数据增强处理后的原始影像的图像块以及对掩膜图像进行裁剪的图像块和经过数据增强处理后的膜图像的图像块作为U-net网络模型的输入,经过训练获得农业设施提取模型,并以验证数据集进行验证得到的农业设施分类模型;
图像识别模块:用于将待分类影像裁剪为固定大小的图像块,将图像块输入到农业设施分类模型中分别进行预测,得到每个图像块中每个像素点的农业设施类别,然后将图像块再拼接成整张图像;
设施边界获取模块:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;
轮廓边界调整模块:用于对于标记为普通单体农业设施、无薄膜覆盖的农业设施的区域进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
结果输出模块:整合轮廓边界结果、统计农业设施的类型、数量和面积。
优选地,本发明的基于精细分类的农业设施遥感提取装置,数据获取和处理模块中,以整数0~6来分别标记非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房。
优选地,本发明的基于精细分类的农业设施遥感提取方法,对图像进行裁剪时,采用滑动窗口获取具有一定重叠区域的图像块,对每一张经过图像识别模块预测的图像块保留中间某一区域的分类结果,舍弃边缘不准确的结果,再依次拼接成整张图像。
优选地,本发明的基于精细分类的农业设施遥感提取装置,模型搭建模块中:
利用Tensorflow和Keras深度学习框架搭建U-net网络模型。
优选地,本发明的基于精细分类的农业设施遥感提取装置,
宽度自动校正包括以下步骤:
根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,计为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
计算农业设施模型提取宽度结果与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
长度异常矩形定位,长度异常矩形定位,当前选框内每个农业设施的长度与实际农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
获取长度异常的农业设施的矩形中心线与旋转角度;
根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
分别生成农业设施的初步轮廓边界四个边的平行线;
延长四条平行线,分别相交四点,计算四点坐标;
连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
本发明的有益效果是:
1)将深度学习技术引入农业设施遥感提取中,该方法实现了农业设施轮廓边界与数量、面积的全自动化获取,避免了传统像素分类方法和面向对象分类方法中复杂的特征选择过程,并显著提高了农业设施的提取精度,节约人力、时间。
2)以往农业设施多是以普通单体塑料农业设施的提取为主,本申请考虑了多场景类型的农业设施,其中包括非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房。将不同场景的农业设施进行训练与提取,并在最后的结果中将这些不同类型的农业设施结果进行融合。
3)在农业设施提取结果引入分类后处理和矩形化处理以及形状特征筛选操作。分类后处理减少分类后的碎小斑块,最小矩形化处理使得农业设施轮廓边界更加规则、完整。形状特征参数面积S和周长P去除面积小、形状不规则的图斑。
4)针对不同类型的农业设施进行不同的后处理操作,提高边缘识别进度。普通单体农业设施、无薄膜覆盖的农业设施设施轮廓边界提出长宽自动校正法,解决长、宽不够完整的问题。连栋农业设施、玻璃温室、农业设施设备房的区域进行轮廓边界类型的农业设施采用等距离扩张的方法修正轮廓边界。
5)本申请的技术适用于县级、市级甚至全国农业设施的监测,监测过程方便、自动化、人工参与少,监测结果精准、高效。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1农业设施精细分类的自动化提取流程图;
图2基于深度学习的高分辨率遥感影像农业设施提取技术流程图;
图3图像增强处理图;
图4众数滤波与腐蚀后结果图;
图5农业设施矩形化结果图;
图6农业设施长度自动校正流程图;
图7农业设施宽度自动校正流程图;
图8农业设施边界自动生成流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供基于精细分类的农业设施遥感提取方法,包括以下步骤:
S1:数据获取、预处理与训练数据制作,获取高分辨遥感影像,并对高分辨遥感影像上的非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施的位置进行标注形成对每个像素均进行标注的掩膜图像,分别对原始影像和掩膜图像同时进行随机的固定大小的裁剪,对裁剪的图像块进行数据增强处理,将裁剪的图像块和经过数据增强处理后的图像块作为训练样本数据集,同时,选取一部分裁剪的图像块和经过数据增强处理后的图像块作为验证数据集;
比如使用GF-2高分辨遥感影像,高分辨遥感影像预处理包括影像几何校正、融合、裁剪等操作,预处理后数据格式为tiff,分辨率为0.8m,R-G-B三通道存储。标注得到的掩膜图像保持与原数据相同的投影信息,单波段存储,农业设施标注为0、1、2、3、4、5、6,分别表示非农业设施(背景类)、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房。然后分别对原始影像和标注影像同时进行随机小幅裁剪,比如裁剪大小可以为256×256像素(像素大小仅仅是为了计算速度,当数据处理能力足够时,可以选用更小的图像块),并对裁剪的图像进行数据增强处理,使得训练样本数据能够输送到语义分割网络中,为模型的训练做数据准备。数据增强主要采用的增强方法包括水平翻转、垂直翻转、左右旋转、缩放等数据增强操作,经过以上操作,获得大量的训练样本数据,另外随机选取25%的数据作为验证数据集。训练数据中各种设施类型应该充分多,比如本次实施例选用了普通单体农业设施5658个,连栋农业设施2356个,无膜农业设施1525个,农业设施设备房653个。然后分别对原始影像和标注影像同时进行随机小幅裁剪,裁剪大小为256×256像素,并对裁剪的图像进行数据增强处理,经随机裁剪和数据增强后共获得10000张256×256像素的.png格式的图片,其中25%即2500张作为验证样本,7500张为训练样本。
S2:搭建U-net网络模型,将训练样本数据集输入到U-net网络模型中进行训练,训练时以裁剪后的原始影像的图像块和经过数据增强处理后的原始影像的图像块以及对掩膜图像进行裁剪的图像块和经过数据增强处理后的膜图像的图像块作为U-net网络模型的输入,经过训练获得农业设施提取模型,并以验证数据集进行验证得到的农业设施分类模型;
利用Tensorflow和Keras深度学习框架搭建U-net网络模型。U-net是一种类似于U型对称的结构,前半部分是一个经典的VGGnet-16网络,而后半部分则是一个与前半部分相反的上采样过程。U-net在上采样部分,即加入了复制和裁剪通道,使网络能够将上下文信息从浅层传递到更高分辨率的层。在卷积压缩部分,它重复采用基于2个3×3卷积层和1个2×2最大值池化层的结构,并利用池化层的降采样效果逐层提取更加高层的特征;在反卷积还原部分,先进行2×2的反卷积,使得特征图的维数减半,然后接2个3×3卷积层,并重复这一结构;在输出层,用1个1×1卷积层将特征图映射成所需的类数。本文在卷积层之后添加了批标准化层,并采用交叉熵损失函数以及Adam反向传播优化算法对该模型进行训练。该提取模型为多分类模型,使用softmax函数来进行多分类模型的搭建。在训练前要对U-net语义分割网络模型主要参数进行设置,参数设置包括学习率、激活函数、训练批次、测试批次和迭代次数。本实施利中在训练之前设置学习率参数为0.001,训练批次大小为32,验证批次大小为16,训练次数为2000次,激活函数为softmax函数。
验证时,大量验证样本数据被输入到训练好的模型中进行分类,然后对分类结果与对应的标签进行逐像素匹配计算,最终得出混淆矩阵,若是混淆矩阵中精度不满足要求(可选精度为95%)则重新制作样本并进行训练。若是精度满足要求,则进行众数滤波、腐蚀、膨胀、开闭运算等分类后处理以优化分类图像中粗糙和不确定性的标记,修正细碎的错分区域,消除小斑点的问题,同时得到更细致的分割边界。
S3:将待分类影像裁剪为固定大小的图像块,将图像块输入到农业设施分类模型中分别进行预测,得到每个图像块中每个像素点的农业设施类别,然后将图像块再拼接成整张图像;
在模型预测过程中,将待分类影像裁剪为固定大小(与模型训练时的裁剪大小一致)的图像块分别进行预测,然后再拼接成整张图像。然而由于卷积操作会将图像块的边界用0填充,因此这种预测方法会使得每个图像块边界像元的预测精度会低于中心像元的预测精度,拼接后得到的分类图像有明显的拼接痕迹。为了得到更高的预测结果,本实施例采取边缘舍弃策略,采用滑动窗口的方式获取有一定重叠区域的图像块,然后对每一张预测的图像块保留中间某一区域的分类结果,舍弃边缘不准确的结果,再依次拼接,这样能够避免明显的拼接痕迹,提升影像预测效果。预测的结果包括各类型的农业设施。
S4:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;通过像素点拟合矩形是本领域较常见的技术,这里不再赘述;比如利用面积阈值S<80m2,周长阈值P<50m去除碎小图斑。阈值的具体数值要根据具体统计情况具体分析。
S5:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
宽度自动校正包括以下步骤:
S511:根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
S512:求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,计为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
S513:计算农业设施模型提取宽度结果与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
S514:按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,则矩形需要宽度校正,其校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
S521:生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
S522:在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
S523:长度异常矩形定位。当前选框内每个农业设施的长度与上述求得的农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
S524:获取长度异常的农业设施的矩形中心线与旋转角度;
S525:根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
S531:分别生成农业设施的初步轮廓边界四个边的平行线;
S532:延长四条平行线,分别相交四点,计算四点坐标;
S533:连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
长宽比Pwl>7和圆形度Rd<0.3可筛选出普通单体农业设施、无薄膜覆盖的农业设施,去除误判别的建筑与道路图斑。长宽比0.7>Pwl>5且圆形度0.8>Rd>0.5可筛选出来连栋农业设施、玻璃温室、农业设施设备房。
基于面积S、周长P、长宽比和圆形度四个参数结合模型类型提取结果将矩形化与形状特征筛选后的农业设施轮廓边界赋值类型属性,因而普通单体农业设施、无薄膜覆盖的农业设施多为矩形,需要进行长宽自动校正处理;对连栋农业设施、玻璃温室、农业设施设备房进行等距离扩张操作。
S6:整合轮廓边界结果、统计农业设施的类型、数量和面积。
实施例2
本实施利提供一种基于精细分类的农业设施遥感提取装置,包括:
数据获取和处理模块:用于数据获取、预处理与训练数据制作,获取高分辨遥感影像,并对高分辨遥感影像上的非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施的位置进行标注形成对每个像素均进行标注的掩膜图像,分别对原始影像和掩膜图像同时进行随机的固定大小的裁剪,对裁剪的图像块进行数据增强处理,将裁剪的图像块和经过数据增强处理后的图像块作为训练样本数据集,同时,选取一部分裁剪的图像块和经过数据增强处理后的图像块作为验证数据集;
模型搭建模块:用于搭建U-net网络模型,将训练样本数据集输入到U-net网络模型中进行训练,训练时以裁剪后的原始影像的图像块和经过数据增强处理后的原始影像的图像块以及对掩膜图像进行裁剪的图像块和经过数据增强处理后的膜图像的图像块作为U-net网络模型的输入,经过训练获得农业设施提取模型,并以验证数据集进行验证得到的农业设施分类模型;
图像识别模块:用于将待分类影像裁剪为固定大小的图像块,将图像块输入到农业设施分类模型中分别进行预测,得到每个图像块中每个像素点的农业设施类别,然后将图像块再拼接成整张图像;
设施边界获取模块:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;
轮廓边界调整模块:用于对于标记为普通单体农业设施、无薄膜覆盖的农业设施的区域进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
结果输出模块:整合轮廓边界结果、统计农业设施的类型、数量和面积。
数据获取和处理模块中,以整数0~6来分别标记非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房。
对图像进行裁剪时,采用滑动窗口获取具有一定重叠区域的图像块,对每一张经过图像识别模块预测的图像块保留中间某一区域的分类结果,舍弃边缘不准确的结果,再依次拼接成整张图像。
模型搭建模块中:
利用Tensorflow和Keras深度学习框架搭建U-net网络模型。
宽度自动校正包括以下步骤:
根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,计为(x1,y1),(x2,y2),连接该两点生成矩形宽度一侧的中心线段;
计算农业设施模型提取宽度结果与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
长度异常矩形定位,长度异常矩形定位,当前选框内每个农业设施的长度与实际农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
获取长度异常的农业设施的矩形中心线与旋转角度;
根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
分别生成农业设施的初步轮廓边界四个边的平行线;
延长四条平行线,分别相交四点,计算四点坐标;
连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (8)
1.一种基于精细分类的农业设施遥感提取方法,其特征在于,包括以下步骤:
S1:数据获取、预处理与训练数据制作,获取高分辨遥感影像,并对高分辨遥感影像上的非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施的位置进行标注形成对每个像素均进行标注的掩膜图像,分别对原始影像和掩膜图像同时进行随机的固定大小的裁剪,对裁剪的图像块进行数据增强处理,将裁剪的图像块和经过数据增强处理后的图像块作为训练样本数据集,同时,选取一部分裁剪的图像块和经过数据增强处理后的图像块作为验证数据集;
S2:搭建U-net网络模型,将训练样本数据集输入到U-net网络模型中进行训练,训练时以裁剪后的原始影像的图像块和经过数据增强处理后的原始影像的图像块以及对掩膜图像进行裁剪的图像块和经过数据增强处理后的掩膜图像的图像块作为U-net网络模型的输入,并以验证数据集进行验证得到农业设施分类模型;
S3:将待分类影像裁剪为固定大小的图像块,将图像块输入到农业设施分类模型中分别进行预测,得到每个图像块中每个像素点的农业设施类别,然后将图像块再拼接成整张图像;
S4:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;
S5:对于标记为普通单体农业设施、无薄膜覆盖的农业设施的初步轮廓边界进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
S6:整合轮廓边界结果、统计农业设施的类型、数量和面积;
宽度自动校正包括以下步骤:
S511:根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
S512:求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,计为(x1,y1),(x2,y2),连接两点生成矩形宽度一侧的中心线段;
S513:计算宽度ω与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
S514:按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
S521:生成农业设施选框,支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
S522:在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度、最大与最小长度的农业设施,去除最大与最小长度的农业设施求取当前选框内剩余农业设施长度平均值;
S523:长度异常矩形定位,当前选框内每个农业设施的长度与实际农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
S524:获取长度异常的农业设施的矩形中心线与旋转角度;
S525:根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
S531:分别生成农业设施的初步轮廓边界四个边的平行线;
S532:延长四条平行线,分别相交四点,计算四点坐标;
S533:连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
2.根据权利要求1所述的基于精细分类的农业设施遥感提取方法,其特征在于,以整数0~6来分别标记非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房。
3.根据权利要求1或2所述的基于精细分类的农业设施遥感提取方法,其特征在于,对图像进行裁剪时,采用滑动窗口获取具有一定重叠区域的图像块,对每一张经过S3步骤预测的图像块保留中间某一区域的分类结果,舍弃边缘不准确的结果,再依次拼接成整张图像。
4.根据权利要求1所述的基于精细分类的农业设施遥感提取方法,其特征在于,S2步骤中:
利用Tensorflow和Keras深度学习框架搭建U-net网络模型。
5.一种基于精细分类的农业设施遥感提取装置,其特征在于,包括:
数据获取和处理模块:用于数据获取、预处理与训练数据制作,获取高分辨遥感影像,并对高分辨遥感影像上的非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房这7个类别农业设施的位置进行标注形成对每个像素均进行标注的掩膜图像,分别对原始影像和掩膜图像同时进行随机的固定大小的裁剪,对裁剪的图像块进行数据增强处理,将裁剪的图像块和经过数据增强处理后的图像块作为训练样本数据集,同时,选取一部分裁剪的图像块和经过数据增强处理后的图像块作为验证数据集;
模型搭建模块:用于搭建U-net网络模型,将训练样本数据集输入到U-net网络模型中进行训练,训练时以裁剪后的原始影像的图像块和经过数据增强处理后的原始影像的图像块以及对掩膜图像进行裁剪的图像块和经过数据增强处理后的掩膜图像的图像块作为U-net网络模型的输入,并以验证数据集进行验证得到的农业设施分类模型;
图像识别模块:用于将待分类影像裁剪为固定大小的图像块,将图像块输入到农业设施分类模型中分别进行预测,得到每个图像块中每个像素点的农业设施类别,然后将图像块再拼接成整张图像;
设施边界获取模块:将整张图像上相邻且相同的农业设施类别的像素进行合并得到图斑,去除其中面积和/或周长小于阈值的图斑,将剩余图斑进行矢量化和矩形化,以最小面积的外接矩形表示农业设施的初步轮廓边界;
轮廓边界调整模块:用于对于标记为普通单体农业设施、无薄膜覆盖的农业设施的区域进行长度和宽度的校正;
对于标记为连栋农业设施、玻璃温室、农业设施设备房的初步轮廓边界进行轮廓边界等距离扩张;
结果输出模块:整合轮廓边界结果、统计农业设施的类型、数量和面积;
宽度自动校正包括以下步骤:
根据农业设施的初步轮廓边界的边长大小确定农业设施的宽度ω;
求得农业设施的初步轮廓边界的矩形的四点坐标,由四点坐标计算矩形两个宽度的中心点,计为(x1,y1),(x2,y2),连接两点生成矩形宽度一侧的中心线段;
计算农业设施模型提取宽度结果与实际农业设施宽度差异值的百分比,Δω=abs(ω-ω0)/ω0;
按照农业设施提取精度不得低于90%的要求,若Δω大于10%,农业设施的初步轮廓边界的宽度与实际差距较大,需要进行宽度校正,校正方式为分别在距离中心线垂直距离abs(ω-ω0)/2处生成中心线的两条平行线,将两条平行线连接形成封闭的矩形,即为宽度校正后的农业设施轮廓边界;
长度自动校正包括以下步骤:
生成农业设施选框;支持向量机能提取人工农业设施得成片分布,根据农业设施的区域位置以及成片分布规则,在农业设施外围生成农业设施选框;
在每个农业设施选框内,记录农业设施的个数λ、每个农业设施的长度,计算当前选框内农业设施长度平均值;
长度异常矩形定位,当前选框内每个农业设施的长度与实际农业设施的长度均值比较,若长度差异不在10%的误差范围内,则标记该农业设施为长度异常的农业设施;
获取长度异常的农业设施的矩形中心线与旋转角度;
根据矩形中心线与旋转角度以及平均长度生成新的矩形即长度校正后为农业设施轮廓边界;
轮廓边界等距离扩张包括以下步骤:
分别生成农业设施的初步轮廓边界四个边的平行线;
延长四条平行线,分别相交四点,计算四点坐标;
连接四点坐标形成封闭的矩形,即为轮廓边界等距离扩张后的农业设施轮廓边界。
6.根据权利要求5所述的基于精细分类的农业设施遥感提取装置,其特征在于,数据获取和处理模块中,以整数0~6来分别标记非农业设施、普通单体农业设施、连栋农业设施、覆盖网的农业设施、玻璃温室农业设施、无薄膜覆盖的农业设施以及农业设施设备房。
7.根据权利要求5所述的基于精细分类的农业设施遥感提取装置,其特征在于,对图像进行裁剪时,采用滑动窗口获取具有一定重叠区域的图像块,对每一张经过图像识别模块预测的图像块保留中间某一区域的分类结果,舍弃边缘不准确的结果,再依次拼接成整张图像。
8.根据权利要求5所述的基于精细分类的农业设施遥感提取装置,其特征在于,模型搭建模块中:
利用Tensorflow和Keras深度学习框架搭建U-net网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898316.XA CN110674735B (zh) | 2019-09-23 | 2019-09-23 | 基于精细分类的农业设施遥感提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910898316.XA CN110674735B (zh) | 2019-09-23 | 2019-09-23 | 基于精细分类的农业设施遥感提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674735A CN110674735A (zh) | 2020-01-10 |
CN110674735B true CN110674735B (zh) | 2022-05-24 |
Family
ID=69077495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910898316.XA Active CN110674735B (zh) | 2019-09-23 | 2019-09-23 | 基于精细分类的农业设施遥感提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674735B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259772B (zh) * | 2020-01-13 | 2023-05-30 | 广州虎牙科技有限公司 | 图像标注方法、装置、设备和介质 |
CN111325126B (zh) * | 2020-02-12 | 2023-11-03 | 二十一世纪空间技术应用股份有限公司 | 遥感图像的解译方法及装置 |
CN111783860A (zh) * | 2020-06-22 | 2020-10-16 | 上海飞未信息技术有限公司 | 一种农村房屋自动影像识别方法和系统 |
CN112102338A (zh) * | 2020-09-17 | 2020-12-18 | 西安泽塔云科技股份有限公司 | 基于深度学习的影像样本数据的获取方法及装置 |
CN112101464B (zh) * | 2020-09-17 | 2024-03-15 | 西安锐思数智科技股份有限公司 | 基于深度学习的影像样本数据的获取方法和装置 |
CN112329647A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 基于U-Net神经网络的土地利用类型识别方法 |
CN112785710B (zh) * | 2021-01-28 | 2021-12-21 | 湖北省国土测绘院 | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 |
CN112967266B (zh) * | 2021-03-23 | 2024-02-06 | 湖南珞佳智能科技有限公司 | 一种全卷积神经网络的激光定向能量沉积面积计算方法 |
CN113052894B (zh) * | 2021-04-21 | 2022-07-08 | 合肥中科类脑智能技术有限公司 | 一种基于图像语义分割的门开关状态检测方法及系统 |
CN114241326B (zh) * | 2022-02-24 | 2022-05-27 | 自然资源部第三地理信息制图院 | 一种渐进式遥感影像地物要素智能生产方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699900A (zh) * | 2014-01-03 | 2014-04-02 | 西北工业大学 | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN109117894A (zh) * | 2018-08-29 | 2019-01-01 | 汕头大学 | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
-
2019
- 2019-09-23 CN CN201910898316.XA patent/CN110674735B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699900A (zh) * | 2014-01-03 | 2014-04-02 | 西北工业大学 | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 |
CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
CN109117894A (zh) * | 2018-08-29 | 2019-01-01 | 汕头大学 | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
Non-Patent Citations (2)
Title |
---|
Can semantic labeling methods generalize to any city? the inria aerial image labeling benchmark;Emmanuel Maggiori et al.;《2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20171204;第3226-3229页 * |
基于深度卷积网络的遥感影像建筑物分割方法;余威 等;《计算机技术与发展》;20190306;第29卷(第6期);第57-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110674735A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674735B (zh) | 基于精细分类的农业设施遥感提取方法和装置 | |
CN110619632B (zh) | 一种基于Mask R-CNN的芒果实例对抗分割方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN111753646B (zh) | 一种融合种群季节消长信息的农业害虫检测分类方法 | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN111105393B (zh) | 一种基于深度学习的葡萄病虫害识别方法及装置 | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
CN114862858B (zh) | 基于集成学习的雪茄烟采收成熟度识别方法及系统 | |
CN109815914A (zh) | 一种基于植被区域识别的卷积神经网络模型训练方法及系统 | |
CN109919088B (zh) | 一种喀斯特地区火龙果单株识别自动提取方法 | |
CN103544505A (zh) | 面向无人机航拍图像的船只识别系统及方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN112348086A (zh) | 一种基于多源数据的物种生境质量模拟方法 | |
CN115641412A (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
CN114299379A (zh) | 一种基于高动态影像的阴影区植被覆盖度提取方法 | |
CN110245589A (zh) | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
CN110738133B (zh) | 不同农业设施图像轮廓边界识别方法和装置 | |
CN111007474A (zh) | 一种基于多特征的天气雷达回波分类方法 | |
CN114694048A (zh) | 基于无人机遥感技术的稀疏灌木物种识别方法及系统 | |
CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 | |
CN114255247A (zh) | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 | |
CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
CN113111794A (zh) | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |