CN111460965A - 一种基于无人机影像的涝渍区智能分析系统及其方法 - Google Patents
一种基于无人机影像的涝渍区智能分析系统及其方法 Download PDFInfo
- Publication number
- CN111460965A CN111460965A CN202010228134.4A CN202010228134A CN111460965A CN 111460965 A CN111460965 A CN 111460965A CN 202010228134 A CN202010228134 A CN 202010228134A CN 111460965 A CN111460965 A CN 111460965A
- Authority
- CN
- China
- Prior art keywords
- waterlogging
- image data
- model
- convolution model
- unmanned aerial
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005067 remediation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000003993 interaction Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/24—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于无人机影像的涝渍区智能分析系统,包括预处理模块、模型生成模块、分析模块。一种基于无人机影像的涝渍区智能分析方法,包括S1、读取待处理影像数据并对其进行预处理进而生成样本数据集;S2、构建深度卷积模型进而使用样本数据集对已构建模型进行训练直至生成待用卷积模型;S3、通过调用所述待用卷积模型分析待识别影像数据进而获取涝渍信息。本发明提高了对无人机影像中农田涝渍区分析的能力,能够客观且快速地监测农田涝渍灾害发生范围和受灾程度,从而定量评估涝渍灾害造成的损失,为灾后补救提供技术支撑。
Description
技术领域
本发明涉及农业遥感影像分析领域,特别涉及一种基于无人机影像的涝渍区智能分析系统及其方法。
背景技术
近年来,洪涝灾害范围逐年扩大、发生频率不断提高,某些排水不良或地下水位过高的区域以及低洼、沼泽地带在发生洪水或暴雨之后,往往形成涝渍;涝渍区域的土壤水分过多且通气不良,致使农作物根系活动层内的有毒物质淤积,造成了农作物生长环境的恶化;这种现象轻则导致减产,重则整片种植区颗粒无收。
另一方面,基于无人机等低空遥感影像一般具有较高的空间分辨率和较少的波段等特点,对其获取的影像数据使用传统诸如像素分割、光谱分析、面向对象等分析方法,由于传统算法泛化能力有限、特征提取能力差,难以充分利用无人机高空间分辨率遥感影像中丰富的纹理和形状信息,地物分类精度满足不了实际应用需求。
因此,如何利用无人机遥感影像高空间分辨率具有丰富的纹理信息及形状信息,客观且快速地监测涝渍灾害范围及受灾程度,是亟需解决的问题。
发明内容
为至少解决现有技术中存在的技术问题之一,本发明的目的在于提供一种基于无人机影像的涝渍区智能分析系统及其方法,通过利用深度卷积模型对无人机影像进行分析,实现客观快速监测涝渍灾害范围及受灾程度的技术效果。
本发明解决其问题所采用的技术方案第一方面是一种基于无人机影像的涝渍区智能分析系统,包括以下模块:
预处理模块,用于读取待处理影像数据并对其进行预处理进而生成样本数据集;
模型生成模块,用于构建深度卷积模型进而使用所述样本数据集对已构建模型进行训练直至生成待用卷积模型;以及
分析模块,用于通过调用所述待用卷积模型分析待识别影像数据进而获取涝渍信息。
有益效果:提高了对无人机影像中农田涝渍区分析的能力,能够客观且快速地监测农田涝渍灾害发生范围和受灾程度,从而定量评估涝渍灾害造成的损失,为灾后补救提供技术支撑。
根据本发明第一方面所述的,所述预处理模块还包括:坐标修正单元,用于校正所述待处理影像数据中的地理坐标;样本数据集单元,用于标记所述待处理影像数据并区分其中的涝渍区与非涝渍区,进而建立所述样本数据集。
根据本发明第一方面所述的,所述样本数据集包括涝渍区样本数据集、非涝渍区样本数据集。
根据本发明第一方面所述的,所述模型构建模块还包括:构建单元,用于构建所述深度卷积模型;第一输入单元,用于调用所述样本数据集中的影像数据并将其输入至已构建的深度卷积模型;损失值计算单元,用于通过卷积网络计算已输入的影像数据获取预测标签,将预测标签与所述样本数据集中已标记的样本标签进行计算,获取预测损失值;参数更新单元,用于调用所述预测损失值并将其反向输入至卷积网络中,进而更新深度卷积模型的运算参数;执行单元,用于获取所述待用卷积模型。
根据本发明第一方面所述的,当所述运算参数每更新完成一次时,所述参数更新单元将所述更新后的深度卷积模型反馈至所述损失值计算单元,所述损失值计算单元基于所述更新后的深度卷积模型重新获取所述预测损失值并发送至所述参数更新单元,直至所述执行单元获取所述待用卷积模型。
根据本发明第一方面所述的,所述涝渍信息包括涝渍区域坐标、涝渍区域比例、涝渍区域面积。
根据本发明第一方面所述的,所述分析模块还包括:第二输入单元,用于调用所述待用卷积模型并将所述待识别影像数据输入其中;运算单元,用于计算所述待识别影像数据进而生成所述待识别影像数据的矢量数据;标记单元,用于向所述矢量数据添加坐标信息;分析单元,用于分析已添加坐标信息的矢量数据进而生成涝渍信息。
本发明解决其问题所采用的技术方案第二方面是一种基于无人机影像的涝渍区智能分析方法,包括以下步骤:
S1、读取待处理影像数据并对其进行预处理进而生成样本数据集;
S2、构建深度卷积模型进而使用样本数据集对已构建模型进行训练直至生成待用卷积模型;
S3、通过调用所述待用卷积模型分析待识别影像数据进而获取涝渍信息。
有益效果:提高了对无人机影像中农田涝渍区分析的能力,能够客观且快速地监测农田涝渍灾害发生范围和受灾程度,从而定量评估涝渍灾害造成的损失,为灾后补救提供技术支撑。
附图说明
图1是根据本发明优选实施例的模块连接示意图;
图2是根据本发明优选实施例的单元连接示意图;
图3是根据本发明优选实施例的方法流程示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本发明中所使用的上、下、左、右等描述仅仅是相对于附图中本发明各组成部分的相互位置关系来说的。在本发明中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本发明范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制;为了方便的展示,以下引用的实施例及附图中的模块、单元及通道等重复显示的数量除非另外要求,否则不会对本发明的范围施加限制。
接下来结合附图对本发明的具体实施例作进一步说明,
参照图1所示为根据本发明优选实施例的模块连接示意图,包括以下模块:
预处理模块,用于读取待处理影像数据并对其进行预处理进而生成样本数据集;
模型生成模块,与预处理模块连接实现交互,用于构建深度卷积模型进而使用样本数据集对已构建模型进行训练直至生成待用卷积模型;以及
分析模块,与模型生成模块连接实现交互,用于通过调用待用卷积模型分析待识别影像数据进而获取涝渍信息。
参照图2所示为根据本发明优选实施例的单元连接示意图:
预处理模块还包括坐标修正单元,用于校正待处理影像数据中的地理坐标;样本数据集单元,与坐标修正单元连接实现交互,用于标记待处理影像数据并区分其中的涝渍区与非涝渍区,进而建立样本数据集;样本数据集包括涝渍区样本数据集和非涝渍区样本数据集。
模型构建模块还包括构建单元,用于构建深度卷积模型;第一输入单元,与预处理模块中的样本数据集单元连接实现交互,用于调用样本数据集中的影像数据并将其输入至已构建的深度卷积模型;损失值计算单元,与第一输入单元连接实现交互,用于通过卷积网络计算已输入的影像数据获取预测标签,将预测标签与样本数据集中已标记的样本标签进行计算,获取预测损失值;参数更新单元,与损失值计算单元连接实现交互,用于调用预测损失值并将其反向输入至卷积网络中,进而更新深度卷积模型的运算参数;执行单元,与参数更新单元连接实现交互,用于获取待用卷积模型;当运算参数每更新完成一次时,参数更新单元将更新后的深度卷积模型反馈至损失值计算单元,损失值计算单元基于更新后的深度卷积模型重新获取预测损失值并发送至参数更新单元,直至执行单元获取待用卷积模型;通过反复运算及更新参数后的深度卷积模型符合实际情况后即生成了待用卷积模型。
分析模块还包括第二输入单元,与模型生成模块中的执行单元连接实现交互,用于调用待用卷积模型并将待识别影像数据输入其中;运算单元,与第二输入单元连接实现交互,用于计算待识别影像数据进而生成待识别影像数据的矢量数据;标记单元,与运算单元连接实现交互,用于向矢量数据添加坐标信息;分析单元,与标记单元连接实现交互,用于分析已添加坐标信息的矢量数据进而生成涝渍信息;涝渍信息包括涝渍区域坐标、涝渍区域比例、涝渍区域面积。
参照图3所示为根据本发明优选实施例的方法流程示意图,包括以下步骤:S1、读取待处理影像数据并对其进行预处理进而生成样本数据集;S2、构建深度卷积模型进而使用样本数据集对已构建模型进行训练直至生成待用卷积模型;S3、通过调用待用卷积模型分析待识别影像数据进而获取涝渍信息,利用已获取的涝渍信息创建灾害监测专题数据库。
需要特别说的是,样本数据集的生成过程还包括以下步骤:从预处理后的无人机影像数据中选取农田涝渍区与农田非涝渍区比例适当的区域图像,样本像素可以是256*256或更高级别,样本数量可以是单幅,也可以是多幅,取样标准取决于实际场景需求;对样本图像里的农田涝渍区进行标记,人工标记出农田涝渍区的边界,并进行矢量化,矢量图中像素值为 1的像素为农田涝渍区域,像素值为0的像素为背景区,生成样本标签矢量图;对样本数据进行裁剪,采用512*512大小的滑动窗口方式对原影像及标签矢量图进行裁剪,将原影像及标签矢量裁剪为512*512大小;对裁剪后的图片进行缩小1倍的操作,扩大感受野,生成 256*256大小的图像;将扩大感受野后的图片做旋转和翻转操作,以增加样本数量,一般操作方法是旋转90°、180°、270°,水平翻转、垂直翻转,处理后样本数量扩充5倍,进而生成样本数据集。
深度卷积模型的构建过程还包括以下步骤:输入数据进行编码操作,输出了特征图以及相关位置信息,相关位置信息将作为解码模块的位置索引;对编解码特征图采用平均池化和最大池化的叠加生成注意力权重向量,将输入与权重向量相乘输出结果;对输出的特征图进行不间断采样,同时接受输出的位置信息,结合采样过程生成的特征图,逐渐得到一个与原始图像同分辨率的分割图;分类输出模块用于生成数量为类别加一的特征图,再对这些特征图进行矩阵变换为(图像大小*(类别+1))的矩阵,进而经过sigmoid函数对每个像素进行分类。
深度卷积模型的训练过程还包括以下步骤:将样本数据集按照8:1:1的比例划分训练集、验证集、测试集,其中训练、验证集参与模型的训练及其优化,测试集用于最后对模型的泛化能力进行评估;进行神经网络的前向传播,该阶段是将已标记样本数据集输入深度卷积模型中进行计算,样本信息会在卷积神经网络中逐层变换生成特征权重,输入样本信息经过多层卷积网络的计算得到一个预测标签,最终传送到卷积神经网络的输出层;进行神经网络的反向传播,该阶段是将输出后的预测标签与真实标签进行误差计算,向着误差极小化的方向反向传播到整个卷积神经网络的每一层,同时更新整个模型中每一层的权值参数;重复第一步与第二步的操作,直至卷积神经网络分类层sigmoid之后的输出标签与真实标签的交叉熵损失函数L小于或等于0.06为止,得到训练好的深度卷积模型;交叉熵损失函数L公式为:
本发明提高了对无人机影像中农田涝渍区分析的能力,能够客观且快速地监测农田涝渍灾害发生范围和受灾程度,从而定量评估涝渍灾害造成的损失,有助于及时开展保险理赔和救灾补偿,最大限度地减少种植户受灾损失,为灾后补救提供技术支撑,易于实践且具有广阔的应用价值。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术- 包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其它方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其它数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其它不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/ 或实施方式可以有各种不同的修改和变化。
Claims (8)
1.一种基于无人机影像的涝渍区智能分析系统,其特征在于,包括以下模块:
预处理模块,用于读取待处理影像数据并对其进行预处理进而生成样本数据集;
模型生成模块,用于构建深度卷积模型进而使用所述样本数据集对已构建模型进行训练直至生成待用卷积模型;以及
分析模块,用于通过调用所述待用卷积模型分析待识别影像数据进而获取涝渍信息。
2.根据权利要求1所述的基于无人机影像的涝渍区智能分析系统,其特征在于,所述预处理模块还包括:
坐标修正单元,用于校正所述待处理影像数据中的地理坐标;
样本数据集单元,用于标记所述待处理影像数据并区分其中的涝渍区与非涝渍区,进而建立所述样本数据集。
3.根据权利要求2所述的基于无人机影像的涝渍区智能分析系统,其特征在于,所述样本数据集包括涝渍区样本数据集、非涝渍区样本数据集。
4.根据权利要求1所述的基于无人机影像的涝渍区智能分析系统,其特征在于,所述模型生成模块还包括:
构建单元,用于构建所述深度卷积模型;
第一输入单元,用于调用所述样本数据集中的影像数据并将其输入至已构建的深度卷积模型;
损失值计算单元,用于通过卷积网络计算已输入的影像数据获取预测标签,将预测标签与所述样本数据集中已标记的样本标签进行计算,获取预测损失值;
参数更新单元,用于调用所述预测损失值并将其反向输入至卷积网络中,进而更新深度卷积模型的运算参数;
执行单元,用于获取所述待用卷积模型。
5.根据权利要求4所述的基于无人机影像的涝渍区智能分析系统,其特征在于,当所述运算参数每更新完成一次时,所述参数更新单元将所述更新后的深度卷积模型反馈至所述损失值计算单元,所述损失值计算单元基于所述更新后的深度卷积模型重新获取所述预测损失值并发送至所述参数更新单元,直至所述执行单元获取所述待用卷积模型。
6.根据权利要求1所述的基于无人机影像的涝渍区智能分析系统,其特征在于,所述涝渍信息包括涝渍区域坐标、涝渍区域比例、涝渍区域面积。
7.根据权利要求1所述的基于无人机影像的涝渍区智能分析系统,其特征在于,所述分析模块还包括:
第二输入单元,用于调用所述待用卷积模型并将所述待识别影像数据输入其中;
运算单元,用于计算所述待识别影像数据进而生成所述待识别影像数据的矢量数据;
标记单元,用于向所述矢量数据添加坐标信息;
分析单元,用于分析已添加坐标信息的矢量数据进而生成涝渍信息。
8.一种基于无人机影像的涝渍区智能分析方法,其特征在于,包括以下步骤:
S1、读取待处理影像数据并对其进行预处理进而生成样本数据集;
S2、构建深度卷积模型进而使用样本数据集对已构建模型进行训练直至生成待用卷积模型;
S3、通过调用所述待用卷积模型分析待识别影像数据进而获取涝渍信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228134.4A CN111460965B (zh) | 2020-03-27 | 一种基于无人机影像的涝渍区智能分析系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228134.4A CN111460965B (zh) | 2020-03-27 | 一种基于无人机影像的涝渍区智能分析系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460965A true CN111460965A (zh) | 2020-07-28 |
CN111460965B CN111460965B (zh) | 2024-05-31 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610009A (zh) * | 2021-08-10 | 2021-11-05 | 北京科技大学天津学院 | 一种洪涝灾害无人机影像信息提取系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950573A (zh) * | 2017-02-23 | 2017-07-14 | 北京农业信息技术研究中心 | 一种基于无人机激光雷达的玉米涝渍灾害评估方法及系统 |
US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
CN110008854A (zh) * | 2019-03-18 | 2019-07-12 | 中交第二公路勘察设计研究院有限公司 | 基于预训练dcnn的无人机影像公路地质灾害识别方法 |
CN110533258A (zh) * | 2019-09-05 | 2019-12-03 | 河海大学 | 一种稻麦轮作农田涝渍预警评估方法及系统 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950573A (zh) * | 2017-02-23 | 2017-07-14 | 北京农业信息技术研究中心 | 一种基于无人机激光雷达的玉米涝渍灾害评估方法及系统 |
US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
CN110008854A (zh) * | 2019-03-18 | 2019-07-12 | 中交第二公路勘察设计研究院有限公司 | 基于预训练dcnn的无人机影像公路地质灾害识别方法 |
CN110533258A (zh) * | 2019-09-05 | 2019-12-03 | 河海大学 | 一种稻麦轮作农田涝渍预警评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
张浩;马晓群;彭妮;许莹;张宏群;: "淮河流域冬小麦涝渍灾害损失评估研究", 气象与环境学报 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610009A (zh) * | 2021-08-10 | 2021-11-05 | 北京科技大学天津学院 | 一种洪涝灾害无人机影像信息提取系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10015360B1 (en) | Image-based field boundary detection and identification | |
US9430499B2 (en) | Automated feature extraction from imagery | |
CN111986099A (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 | |
Zhao et al. | Mapping rice paddies in complex landscapes with convolutional neural networks and phenological metrics | |
Stockwell | Improving ecological niche models by data mining large environmental datasets for surrogate models | |
CN111860233B (zh) | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 | |
Wahla et al. | Mapping and monitoring of spatio-temporal land use and land cover changes and relationship with normalized satellite indices and driving factors | |
Moua et al. | Correcting the effect of sampling bias in species distribution modeling–A new method in the case of a low number of presence data | |
CN112419202A (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN116258976A (zh) | 一种分层次Transformer的高分辨率遥感图像语义分割方法及系统 | |
Karydas | Optimization of multi-scale segmentation of satellite imagery using fractal geometry | |
CN114943893A (zh) | 一种土地覆盖分类的特征增强网络 | |
CN115861837A (zh) | 基于Ares-UNet++网络的耕地识别方法及相关装置 | |
JP2019035598A (ja) | 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム | |
CN108510490A (zh) | 一种分析虫害趋势的方法、装置及计算机存储介质 | |
CN113869262A (zh) | 一种基于Unet模型的目标区域用地信息的预测方法和装置 | |
Nikfar et al. | Optimization of multiresolution segmentation by using a genetic algorithm | |
CN115861823B (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
Walsh | User considerations in landscape characterization | |
CN111460965B (zh) | 一种基于无人机影像的涝渍区智能分析系统及其方法 | |
CN111460965A (zh) | 一种基于无人机影像的涝渍区智能分析系统及其方法 | |
CN109636018A (zh) | 计算气温与气候因子遥相关关系的方法及装置 | |
Zare et al. | Assessment of land cover changes using Taguchi-based optimized SVM classification approach | |
Cunliffe et al. | Drone-derived canopy height predicts biomass across non-forest ecosystems globally |
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 |