CN110942454A - 一种农业图像语义分割方法 - Google Patents
一种农业图像语义分割方法 Download PDFInfo
- Publication number
- CN110942454A CN110942454A CN201911172184.9A CN201911172184A CN110942454A CN 110942454 A CN110942454 A CN 110942454A CN 201911172184 A CN201911172184 A CN 201911172184A CN 110942454 A CN110942454 A CN 110942454A
- Authority
- CN
- China
- Prior art keywords
- image
- agricultural
- picture
- semantic segmentation
- segmentation method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 5
- 240000008042 Zea mays Species 0.000 claims description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 5
- 235000005822 corn Nutrition 0.000 claims description 5
- 244000077995 Coix lacryma jobi Species 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 244000061176 Nicotiana tabacum Species 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000013519 translation Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 241000208125 Nicotiana Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及农业图像识别和人工智能技术领域,提供了一种农业图像语义分割方法,通过对原始农业图像进行大图片切割;利用图片旋转、平移变换等数据增强方法对图像进行数据增强;采用加入注意力机制的u‑net神经网络模型对处理后的图片进行训练得到模型;利用模型进行预测,对农作物进行分割。本发明解决了传统以人工方式解译遥感影像目标信息的方法难以适应现代设施农业地物信息获取的技术问题;本发明方法新颖合理,识别效果好,可以广泛应用在农作物语义分割领域,为农作物图像分割提供了强大的理论和技术支持,具有广阔的应用前景。
Description
技术领域
本发明涉及农业图像识别和人工智能技术领域,特别涉及一种农业图像语义分割方法。
背景技术
传统野外作业方式获取农业信息耗时且要有大量的人力物力投入,目前主流的方式是人工智能图像处理,有涉及覆盖范围广、信息获取周期短、成本低廉等优势,通过遥感技术快速获取农作物图像数据,再将数据传回并处理识别。而图像技术的快速发展使得实际应用过程中地物识别对实时性、准确性的要求变得越来越高,主要以人工方式解译遥感影像目标信息的方法难以适应现代设施农业地物信息获取更为高效准确的需求。
随着无人机技术在农业种植领域的应用,可以利用无人机拍摄大量的农作物影像。但往往数据拍摄的时间段农作物都尚未成熟,所以特征不够明显,给分割带来了较大的困难。
现实迫切需要能帮助实现作物的精准识别和精准产能预测的新技术。
发明内容
本发明的目的是克服现有技术的不足,提供了一种农业图像语义分割方法,用深度学习神经网络技术构建农作物识别模型,开展农作物的智能语义分割,提高农作物的识别精度,以进一步实现作物的精准识别和精准产能预测。
本发明采用如下技术方案:
一种农业图像语义分割方法,包括:
S1、将原始农业图像进行切割;
S2、将切割后的图像进行数据增强;
S3、构建基于注意力机制的农作物识别模型u-net网络;
S4、将经切割和数据增强后的图片放入所述u-net网络中进行训练,得到训练后模型;
S5、通过训练后的模型进行预测。
进一步的,步骤S1中,原始农业图像进行切割的方式为滑动窗口切割,被切割的图像区域包含在相邻图像当中,以保证原始图像中信息不丢失;切割过程中,将原始图像转换为RGB形式的图片,将标签图转换为灰度图‘L’形式的图片。
进一步的,切割后的图片为分辨率512x512的图片。
进一步的,为增大数据量并获得不同尺度的图片,再次将原始农业图像通过滑动窗口的方式,切割成分辨率为800x800、1024x1024的图片,并把这些图片尺寸都缩小成分辨率为512x512的图片。
进一步的,步骤S2中所述的数据增强,对切割后图片和标签图分别进行旋转90度、180度,270度的变换、水平翻转和垂直翻转的操作,以增加图片的数量,扩充数据集;然后进行γ变换,以改善图像的视觉效果,将图像中一些不清楚的地方变得更加清晰。
进一步的,步骤S3中,所述基于注意力机制的农作物识别u-net网络模型由编码器、中间层aspp(空洞空间金字塔池化)模块和解码器构成;
编码器用于对图像进行特征提取,所述编码器包括卷积层、激活层和池化层;图片经所述卷积层的卷积后产生特征图,所述特征图在所述激活层中利用激活函数产生非线性变换,所述池化层用于扩大感受野、缩减特征图尺寸并减少计算量;
所述编码器后接aspp(空洞空间金字塔池化)模块,所述aspp模块将不同扩张率的特征图结合在一起;
解码器将所述aspp模块得到的特征图进行反卷积,将通道数减为原来的一半,与编码器中对应的相同尺寸大小的特征图进行拼接,然后进行卷积操作(例如:进行两次3*3的卷积操作),卷积操作后通过relu函数进行激活,之后加入dropout层防止过拟合。
进一步的,所述编码器采用se-resnet网络结构,分为两块,res模块和se模块。将res模块和se模块结合在一起,优选的结合过程如图3所示:
res模块由1x1卷积、relu激活;3x3卷积、relu激活;1x1卷积构成。
se模块由全局池化层,全连接层、relu激活,全连接层和sigmoid激活函数构成。
输入特征图首先经过res模块,再经过se模块得到通道权重,之后把res模块的输出和这个权重相乘,再与整个模块的输入相加,得到整个模块的输出。
进一步的,步骤S4中,将经步骤S1、S2处理之后得到的图片划分为训练集和验证集,送到步骤S3中得到的u-net网络中进行训练;优化器选用Lookahead优化器,Lookahead算法能够提升学习稳定性,不仅降低了调参需要的时间,同时还能提升收敛速度与效果。
进一步的,将测试集的图片送入训练好的卷积神经网络进行测试。
进一步的,所述方法应用于薏仁米、玉米和烤烟的识别。
本发明的有益效果为:用深度学习神经网络技术构建农作物识别模型,开展农作物的智能语义分割,大幅提高农作物的识别精度;降低对人工实地勘察的依赖;本发明方法新颖合理,识别效果好,可以广泛应用在农作物语义分割领域,为农作物图像分割提供了强大的理论和技术支持,具有广阔的应用前景。
附图说明
图1所示本发明实施例一种农业图像语义分割方法的流程示意图。
图2所示为本发明实施例中50%图片切割示意图。
图3所示为实施例中seres-block模块结构示意图。
图4所示为实施例中基于注意力的农作物识别模型u-net网络模型示意图。
具体实施方式
下文将结合具体附图详细描述本发明具体实施例。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中,各附图所出现的相同标号代表相同的特征或者部件,可应用于不同实施例中。
如图1所示,本发明实施例一种农业图像语义分割方法,包括:
S1、将原始农业图像进行切割;
S2、将切割后的图像进行数据增强;
S3、构建基于注意力机制的农作物识别模型u-net网络;
S4、将经切割和数据增强后的图片放入所述u-net网络中进行训练,得到训练后模型;
S5、通过训练后的模型进行预测。
不失一般性,在下述实施例中,针对具体农作物烤烟、玉米、薏仁米进行识别,数据来源是无人机拍摄的某区域的农作物影像,格式是RGBA四通道图像,分辨率为30000x30000。由于数据拍摄的时间段农作物都尚未成熟,所以特征不够明显,给分割带来了较大的困难。利用本发明方法区分其中的三种农作物的具体实施步骤如下:
S1、切割:将两张分辨率为30000x30000的图片数据分割成分辨率为512x512的图片,切割的方式是滑动窗口切割,步长是256,即图片大小的一半,重叠区域为50%(如图2所示),这样被切割的图像区域会包含在相邻的图像当中,以保证图片中信息不丢失。在切割的过程中,将原图转换为RGB形式的图片,将标签图转换为灰度图‘L’形式的图片。为了使数据量增大,本发明实施例又加入了不同尺度的图像,将原图通过滑动窗口的方式,切割成800x800、1024x1024的图片,并缩小为分辨率为512x512的图片,加入到训练数据,将训练数据扩充了一倍。这样做有两个原因:首先无人机不会一直保持同一个高度,拍摄的数据存在多个尺度的情况;其次数据标注不精细,舍弃部分图像细节,可以获取更高质量的数据。
S2、数据增强:对切割后的图片和标签图分别进行旋转90度、180度,270度的变换和水平翻转和垂直翻转的操作,以增加图片的数量,扩充数据集;然后进行γ变换,以改善图像的视觉效果,将图像中一些不清楚的地方(例如:拍摄的遥感图像对于有些庄稼幼苗尚未成熟,特征不够明显)变得更加清晰。
S3、构建基于注意力机制的u-net网络模型结构,以U-net为基础重新设计了一种加入注意力的U型结构的编码解码网络(如图4所示)。基于注意力机制的农作物识别u-net网络模型由编码器、中间层aspp(空洞空间金字塔池化)模块和解码器构成;编码器用于对图像进行特征提取,所述编码器包括卷积层、激活层和池化层;图片经所述卷积层的卷积后产生特征图,所述特征图在所述激活层中利用激活函数产生非线性变换,所述池化层用于扩大感受野、缩减特征图尺寸并减少计算量。所述编码器后接aspp模块,使用扩张卷积可以在不减小特征图分辨率的情况下增大感受野,所述aspp模块将不同扩张率的特征图结合在一起,利用了图片的多尺度信息。解码器将所述aspp模块得到的特征图进行反卷积,将通道数减为原来的一半,与编码器中对应的相同尺寸大小的特征图进行拼接,然后进行两次3*3的卷积操作,卷积操作后通过relu函数进行激活,之后加入dropout层防止过拟合。
输入图片首先要经过编码器得到中间层的输入。
在本实施例中,编码器由一次卷积和一系列的seres-block模块组成。首先经过一次步长为2的7x7卷积和池化操作,获得的特征图分辨率为输入图片的四分之一,然后依次经过3个seres-block操作和一次池化操作、4个seres-block操作和一次池化操作、6个seres-block操作和一次池化操作,分别得到八分之一、十六分一,三十二分之一输入图片大小的特征图,再经过中间层的aspp模块,得到解码器的输入特征图。
解码器由四次上采样、拼接和卷积组成,每次进行上采样后,将编码器中对应分辨率的特征图进行拼接,再经过2次3x3卷积,得到输出特征图。在经过4次采样、拼接和卷积之后,再使用一个1x1卷积和softmax激活函数得到最终的结果。
S4、将经过步骤S1和步骤S2处理之后得到的图片划分为训练集和验证集,送到步骤S3构建好的网络中进行训练,所选的优化器为Lookahead优化器,此优化器的原理不同于已有的方法,它迭代的更新两组权重。直观来说,Lookahead算法通过提前观察另一个优化器生成的fast weights序列,来选择搜索方向,Lookahead算法能够提升学习稳定性,不仅降低了调参需要的时间,同时还能提升收敛速度与效果。
S5、将测试集的图片送入训练好的神经网络进行测试。
需要说明的是,本发明不仅仅适用于烤烟、玉米、薏仁米的识别,可应用于大部分农作物的识别,本发明方法中对原始农业图像的尺寸也没有限制要求,可以通过切割把大尺寸图像分割为小尺寸图像。上述实施例仅用于说明。
本发明实施例融入注意力机制(se-resnet网络)进行训练可以增强目标特征(即薏仁米、玉米和烤烟三大特征)并抑制背景特征,提高分割精度。
本发明通过对大图片切割,利用图片旋转、平移变换等数据增强方法,采用加入注意力机制的u-net神经网络模型进行训练和预测,对农作物进行了分割,可以广泛应用在农作物语义分割领域,为农作物图像分割提供了强大的理论和技术支持。
本文虽然已经给出了本发明的几个实施例,但是本领域的技术人员应当理解,在不脱离本发明精神的情况下,可以对本文的实施例进行改变。上述实施例只是示例性的,不应以本文的实施例作为本发明权利范围的限定。
Claims (10)
1.一种农业图像语义分割方法,其特征在于,所述方法包括:
S1、将原始农业图像进行切割;
S2、将切割后的图像进行数据增强;
S3、构建基于注意力机制的农作物识别模型u-net网络;
S4、将经切割和数据增强后的图片放入所述u-net网络中进行训练,得到训练后模型;
S5、通过训练后的模型进行预测。
2.如权利要求1所述的农业图像语义分割方法,其特征在于,步骤S1中,原始农业图像进行切割的方式为滑动窗口切割,被切割的图像区域包含在相邻图像当中,以保证原始图像中信息不丢失;切割过程中,将原始图像转换为RGB形式的图片,将标签图转换为灰度图‘L’形式的图片。
3.如权利要求2所述的农业图像语义分割方法,其特征在于,切割后的图片为分辨率512x512的图片。
4.如权利要求3所述的农业图像语义分割方法,其特征在于,为增大数据量并获得不同尺度的图片,再次将原始农业图像通过滑动窗口的方式,切割成分辨率为800x800、1024x1024的图片,并把这些图片尺寸都缩小成分辨率为512x512的图片。
5.如权利要求1所述的农业图像语义分割方法,其特征在于,步骤S2中所述的数据增强,对切割后图片和标签图分别进行旋转90度、180度,270度的变换、水平翻转和垂直翻转的操作,以增加图片的数量,扩充数据集;然后进行γ变换,以改善图像的视觉效果。
6.如权利要求1所述的农业图像语义分割方法,其特征在于,步骤S3中,所述基于注意力机制的农作物识别u-net网络模型由编码器、中间层aspp模块和解码器构成;
所述编码器用于对图像进行特征提取,所述编码器包括卷积层、激活层和池化层;图片经所述卷积层的卷积后产生特征图,所述特征图在所述激活层中利用激活函数产生非线性变换,所述池化层用于扩大感受野、缩减特征图尺寸并减少计算量;
所述编码器后接aspp模块,所述aspp模块将不同扩张率的特征图结合在一起;
所述解码器将所述aspp模块得到的特征图进行反卷积,将通道数减为原来的一半,与编码器中对应的相同尺寸大小的特征图进行拼接,然后进行卷积操作,卷积操作后通过relu函数进行激活,之后加入dropout层防止过拟合。
7.如权利要求6所述的农业图像语义分割方法,其特征在于,所述编码器采用se-resnet网络结构,所述se-resnet网络结构分为res模块和se模块,将res模块和se模块结合在一起。
8.如权利要求1所述的农业图像语义分割方法,其特征在于,步骤S4中,将经步骤S1、S2处理之后得到的图片划分为训练集和验证集,送到步骤S3中得到的u-net网络中进行训练;优化器选用Lookahead优化器,Lookahead算法能够提升学习稳定性,不仅降低了调参需要的时间,同时还能提升收敛速度与效果。
9.如权利要求8所述的农业图像语义分割方法,其特征在于,将测试集的图片送入训练好的卷积神经网络进行测试。
10.如权利要求1-9任一项所述的农业图像语义分割方法,其特征在于,所述方法应用于薏仁米、玉米和烤烟的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172184.9A CN110942454A (zh) | 2019-11-26 | 2019-11-26 | 一种农业图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172184.9A CN110942454A (zh) | 2019-11-26 | 2019-11-26 | 一种农业图像语义分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110942454A true CN110942454A (zh) | 2020-03-31 |
Family
ID=69908531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911172184.9A Pending CN110942454A (zh) | 2019-11-26 | 2019-11-26 | 一种农业图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942454A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291763A (zh) * | 2020-04-01 | 2020-06-16 | 广东工业大学 | 大理石板图像分割方法、装置设备及存储介质 |
CN112580484A (zh) * | 2020-12-14 | 2021-03-30 | 中国农业大学 | 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置 |
CN112990219A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 用于图像语义分割的方法和装置 |
CN113158756A (zh) * | 2021-02-09 | 2021-07-23 | 上海领本智能科技有限公司 | 基于HRNet深度学习的姿态、行为分析模块及分析方法 |
WO2021226900A1 (zh) * | 2020-05-14 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 |
CN113793328A (zh) * | 2021-09-23 | 2021-12-14 | 中国农业大学 | 一种基于SE-ResNet结构的轻量级种蛋蛋形识别方法 |
CN114241339A (zh) * | 2022-02-28 | 2022-03-25 | 山东力聚机器人科技股份有限公司 | 遥感图像识别模型、方法及系统、服务器及介质 |
CN114494910A (zh) * | 2022-04-18 | 2022-05-13 | 陕西自然资源勘测规划设计院有限公司 | 一种基于遥感图像的设施农用地多类别识别与分类方法 |
CN115035422A (zh) * | 2022-08-15 | 2022-09-09 | 杭州航天星寰空间技术有限公司 | 一种面向遥感影像区域土壤种植结构的数据增广方法及分割方法 |
CN115187609A (zh) * | 2022-09-14 | 2022-10-14 | 合肥安杰特光电科技有限公司 | 一种大米黄粒检测方法和系统 |
CN116704345A (zh) * | 2023-06-09 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 植被提取方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360193A (zh) * | 2018-09-27 | 2019-02-19 | 北京基石生命科技有限公司 | 一种基于深度学习的原代肿瘤细胞分割识别方法及系统 |
CN109360206A (zh) * | 2018-09-08 | 2019-02-19 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN110197182A (zh) * | 2019-06-11 | 2019-09-03 | 中国电子科技集团公司第五十四研究所 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
-
2019
- 2019-11-26 CN CN201911172184.9A patent/CN110942454A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360206A (zh) * | 2018-09-08 | 2019-02-19 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN109360193A (zh) * | 2018-09-27 | 2019-02-19 | 北京基石生命科技有限公司 | 一种基于深度学习的原代肿瘤细胞分割识别方法及系统 |
CN110197182A (zh) * | 2019-06-11 | 2019-09-03 | 中国电子科技集团公司第五十四研究所 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
Non-Patent Citations (3)
Title |
---|
JIE HU,ET AL.: "Squeeze and Excitation Networks", 《ARXIV》 * |
刘庆飞等: "基于深度可分离卷积的实时农业图像逐像素分类研究", 《中国农业科学》 * |
郑婷月等: "基于全卷积神经网络的多尺度视网膜血管分割", 《光学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291763A (zh) * | 2020-04-01 | 2020-06-16 | 广东工业大学 | 大理石板图像分割方法、装置设备及存储介质 |
WO2021226900A1 (zh) * | 2020-05-14 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 |
CN112580484A (zh) * | 2020-12-14 | 2021-03-30 | 中国农业大学 | 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置 |
CN112580484B (zh) * | 2020-12-14 | 2024-03-29 | 中国农业大学 | 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置 |
CN113158756A (zh) * | 2021-02-09 | 2021-07-23 | 上海领本智能科技有限公司 | 基于HRNet深度学习的姿态、行为分析模块及分析方法 |
CN112990219B (zh) * | 2021-03-25 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于图像语义分割的方法和装置 |
CN112990219A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 用于图像语义分割的方法和装置 |
CN113793328A (zh) * | 2021-09-23 | 2021-12-14 | 中国农业大学 | 一种基于SE-ResNet结构的轻量级种蛋蛋形识别方法 |
CN114241339A (zh) * | 2022-02-28 | 2022-03-25 | 山东力聚机器人科技股份有限公司 | 遥感图像识别模型、方法及系统、服务器及介质 |
CN114494910B (zh) * | 2022-04-18 | 2022-09-06 | 陕西自然资源勘测规划设计院有限公司 | 一种基于遥感图像的设施农用地多类别识别与分类方法 |
CN114494910A (zh) * | 2022-04-18 | 2022-05-13 | 陕西自然资源勘测规划设计院有限公司 | 一种基于遥感图像的设施农用地多类别识别与分类方法 |
CN115035422A (zh) * | 2022-08-15 | 2022-09-09 | 杭州航天星寰空间技术有限公司 | 一种面向遥感影像区域土壤种植结构的数据增广方法及分割方法 |
CN115187609A (zh) * | 2022-09-14 | 2022-10-14 | 合肥安杰特光电科技有限公司 | 一种大米黄粒检测方法和系统 |
CN116704345A (zh) * | 2023-06-09 | 2023-09-05 | 中国科学院地理科学与资源研究所 | 植被提取方法、装置、电子设备及存储介质 |
CN116704345B (zh) * | 2023-06-09 | 2024-01-23 | 中国科学院地理科学与资源研究所 | 植被提取方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942454A (zh) | 一种农业图像语义分割方法 | |
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 | |
CN109033998B (zh) | 基于注意力机制卷积神经网络的遥感影像地物标注方法 | |
CN110147794A (zh) | 一种基于深度学习的无人车室外场景实时分割方法 | |
CN111340141A (zh) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 | |
CN113343789A (zh) | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 | |
CN111582401B (zh) | 一种基于双分支卷积神经网络的向日葵种子分选方法 | |
CN111626947A (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
CN112149535B (zh) | 一种结合SegNet和U-Net的车道线检测方法和装置 | |
CN115131627B (zh) | 一种轻量化植物病虫害目标检测模型的构建和训练方法 | |
CN112464766A (zh) | 一种农田地头自动识别方法及系统 | |
CN110659601A (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN113280820B (zh) | 基于神经网络的果园视觉导航路径提取方法与系统 | |
CN114399108A (zh) | 一种基于多模态信息的茶园产量预测方法 | |
CN110348339B (zh) | 一种基于实例分割的手写文档文本行的提取方法 | |
CN116630828A (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 | |
CN117132884A (zh) | 一种基于地块尺度的农作物遥感智能提取方法 | |
CN110705698A (zh) | 尺度自适应感知的目标计数深度网络设计方法 | |
CN111079807A (zh) | 一种地物分类方法及装置 | |
CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及系统 | |
CN114005020B (zh) | 一种基于M3-YOLOv5的指定移动目标检测方法 | |
CN115797904A (zh) | 一种智能驾驶视觉感知中多场景多任务的主动学习方法 | |
CN115049926A (zh) | 一种基于深度学习的小麦倒伏损失评估方法和装置 | |
CN115063602A (zh) | 基于改进yolox-s网络的农作物病虫害识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |
|
RJ01 | Rejection of invention patent application after publication |