CN111539403B - 农业大棚的识别方法、装置及电子设备 - Google Patents

农业大棚的识别方法、装置及电子设备 Download PDF

Info

Publication number
CN111539403B
CN111539403B CN202010666363.4A CN202010666363A CN111539403B CN 111539403 B CN111539403 B CN 111539403B CN 202010666363 A CN202010666363 A CN 202010666363A CN 111539403 B CN111539403 B CN 111539403B
Authority
CN
China
Prior art keywords
agricultural greenhouse
image
inputting
network
sample image
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
Application number
CN202010666363.4A
Other languages
English (en)
Other versions
CN111539403A (zh
Inventor
王宇翔
蔡琳
贾俊杰
廖通逵
马海波
黄雅君
康晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202010666363.4A priority Critical patent/CN111539403B/zh
Publication of CN111539403A publication Critical patent/CN111539403A/zh
Application granted granted Critical
Publication of CN111539403B publication Critical patent/CN111539403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种农业大棚的识别方法、装置及电子设备，涉及模式识别技术领域。该方法首先获取待识别图像；其中，待识别图像包含近红外波长遥感影像；再将待识别图像输入至已完成训练的识别模型中，输出待识别图像中每个像素点包含农业大棚的概率值；然后获取近红外波长遥感影像中每个像素点包含农业大棚的概率值，将概率值与预设阈值进行对比，得到农业大棚的像素点区域，并根据像素点区域得到农业大棚的识别结果。该方法通过使用近红外波段遥感影像进行训练的识别模型进行农业大棚的识别，进一步提升农业大棚的特征非线性表达能力，降低在小尺度农业大棚目标提取方面所出现的孔洞的概率。

Description

农业大棚的识别方法、装置及电子设备
技术领域
本发明涉及模式识别技术领域，尤其是涉及一种农业大棚的识别方法、装置及电子设备。
背景技术
农业大棚是现代农业中重要的设备，及时准确的对农业大棚的空间分布信息进行监测获取，可以为农业管理、环境保护、土壤污染等问题提供决策依据。目前利用遥感手段进行农业大棚自动提取过程，主要是基于遥感图像光谱特征进行图像分割，由于影像中各种地物之间存在“同物异谱”和“同谱异物”现象，在某些地物目标提取中很容易造成漏提取和误提取。用光谱的方法进行遥感影像中农业大棚的提取，与耕地、林地这些在光谱信息中有明显差别的地物较容易区分出来，但是与影像中的建筑物、道路却很容易产生混淆，提取精度难以满足实际应用需求。
发明内容
有鉴于此，本发明的目的在于提供一种农业大棚的识别方法、装置及电子设备，通过使用近红外波段的农业大棚遥感影像进行训练的识别模型进行识别，进一步提升农业大棚的特征非线性表达能力，降低在小尺度农业大棚目标提取方面所出现的孔洞的概率。
第一方面，本发明实施例提供了一种农业大棚的识别方法，该方法包括：
获取待识别图像；其中，待识别图像包含近红外波长遥感影像；
将待识别图像输入至已完成训练的识别模型中，输出待识别图像中每个像素点包含农业大棚的概率值；
获取近红外波长遥感影像中每个像素点包含农业大棚的概率值，将概率值与预设阈值进行对比，得到农业大棚的像素点区域；
根据像素点区域得到农业大棚的识别结果。
在一些实施方式中，上述识别模型的训练过程，包括：
获取样本图像，其中样本图像包含：红波段、蓝波段、绿波段以及近红外波段的遥感影像；
将样本图像输入至已初始化的卷积神经网络中进行训练；
根据预设损失函数计算识别模型的损失值，当损失值满足预设的期望阈值时停止训练，得到识别模型。
在一些实施方式中，上述将样本图像输入至已初始化的卷积神经网络中进行训练的步骤，包括：
将样本图像输入至已初始化的卷积神经网络中，利用卷积神经网络的骨干网络对样本图像进行特征提取，输出特征提取结果；
将特征提取结果输入至卷积神经网络中的金字塔网络中，输出多尺度特征融合结果；其中，多尺度特征融合结果中包含样本图像中每个像素点为农业大棚的概率值；
根据多尺度特征融合结果获取农业大棚的特征提取图，将特征提取图输入至骨干网络中进行迭代训练。
在一些实施方式中，上述将特征提取结果输入至卷积神经网络中的金字塔网络中，输出多尺度特征融合结果的步骤，包括：
将特征提取结果同时输入至金字塔网络的第一通道中预设的多个池化层中，将池化层的输出结果进行合并得到第一提取结果；
特征提取结果输入至金字塔网络的第二通道中预设的编码器中，得到第二提取结果；
将特征提取结果输入至金字塔网络的第三通道中预设的ASPP网络中，得到第三提取结果；
将第一提取结果、第二提取结果以及第三提取结果进行合并，得到多尺度特征融合结果。
在一些实施方式中，预设损失函数为OHEM函数和/或CEL函数。
在一些实施方式中，上述骨干网络为ResNet34网络；ResNet34网络包含至少50个卷积层和1个MaxPooling层。
在一些实施方式中，上述样本图像的近红外波段的波长区间为780-2526nm；
样本图像的红波段的波长区间为622-760nm；
样本图像的蓝波段的波长区间为435-450nm；
样本图像的绿波段的波长区间为492-577nm。
第二方面，本发明实施例提供了一种农业大棚的识别装置，该装置包括：
图像获取模块，用于获取待识别图像；其中，待识别图像包含近红外波长遥感影像；
识别模块，用于将待识别图像输入至已完成训练的识别模型中，输出待识别图像中每个像素点包含农业大棚的概率值；
计算模块，用于获取近红外波长遥感影像中每个像素点包含农业大棚的概率值，将概率值与预设阈值进行对比，得到农业大棚的像素点区域；
标识模块，用于根据像素点区域得到农业大棚的识别结果。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现上述第一方面的方法的步骤。
第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，程序代码使处理器执行上述第一方面方法。
本发明实施例带来了以下有益效果：
本发明提供了一种农业大棚的识别方法、装置及电子设备，该方法首先获取待识别图像；其中，待识别图像包含近红外波长遥感影像；再将待识别图像输入至已完成训练的识别模型中，输出待识别图像中每个像素点包含农业大棚的概率值；然后获取近红外波长遥感影像中每个像素点包含农业大棚的概率值，将概率值与预设阈值进行对比，得到农业大棚的像素点区域，并根据像素点区域得到农业大棚的识别结果。该方法通过使用近红外波段遥感影像进行训练的识别模型进行农业大棚的识别，进一步提升农业大棚的特征非线性表达能力，降低在小尺度农业大棚目标提取方面所出现的孔洞的概率。
本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种农业大棚的识别方法的流程图；
图2为本发明实施例提供的农业大棚的识别方法中所用的识别模型的训练过程的流程图；
图3为本发明实施例提供的识别模型的训练过程中步骤S202的流程图；
图4为本发明实施例提供的识别模型的训练过程中步骤S302的流程图；
图5为本发明实施例提供的识别模型的结构示意图；
图6为本发明实施例提供的农业大棚的识别结果示意图；
图7为本发明实施例提供的农业大棚的识别装置的结构示意图；
图8为本发明实施例提供的一种电子设备的结构示意图。
图标：
710-图像获取模块；720-识别模块；730-计算模块；740-标识模块；101-处理器；102-存储器；103-总线；104-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
农业大棚是现代农业的重要设施，及时准确的对农业大棚空间分布信息进行监测获取，可为农业管理、环境保护、土壤污染等问题提供决策依据。目前利用遥感手段进行农业大棚识别的研究还比较少，主要是基于遥感图像光谱特征进行图像分割，由于影像中各种地物之间存在“同物异谱”和“同谱异物”现象，在某些地物目标提取中很容易造成漏提取和误提取。用光谱的方法进行遥感影像中农业大棚的提取，与耕地、林地这些在光谱信息中有明显差别的地物较容易区分出来，但是与影像中的建筑物、道路却很容易产生混淆，提取精度难以满足实际应用需求。
现有技术中，利用遥感影像进行农业大棚提取方式主要包括：利用现有成熟的遥感软件（如ENVI, Arcgis）进行分类、面向对象方法结合专家知识构建分类规则、采用机器学习中的支持向量机、最大似然分类法等。然而这些方法均受限于较低水平的人工涉及的特征，无法解决复杂地物场景下农业大棚提取的问题。
可见，现有技术中对于农业大棚的提取过程中还存在着精度较低、速度较慢的问题。
基于此，本发明实施例提供的一种农业大棚的识别方法、装置及电子设备，可通过使用近红外波段的农业大棚遥感影像进行训练的识别模型进行识别，提升农业大棚的特征非线性表达能力，降低在小尺度农业大棚目标提取方面所出现的孔洞的概率，提升识别精度以及识别速度。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种农业大棚的识别方法进行详细介绍。
参见图1所示的一种农业大棚的识别方法的流程图，其中，该方法具体步骤包括：
步骤S101，获取待识别图像；其中，待识别图像包含近红外波长遥感影像。
待识别图像可通过遥感影像，遥感影像通常由卫星拍摄得到；待识别图像也可通过无人机或者其它飞行器中拍摄得到，但一定包含近红外波长遥感影像。
待识别图像中也可包含传统数字图像，即包含四个通道：红色通道、绿色通道、蓝色通道以及近红外波长通道。四个通道组成待识别图像，但以近红外波长通道作为核心识别数据。
待识别图像通常为俯瞰地面的拍摄影像，此时的农业大棚为一个平面；待识别图像也可以与地面呈夹角的遥感影像，此时的农业大棚为一个立体形状。由于农业大棚的顶部通常有横梁进行固定，因此顶部大都呈现多个线条，这也是为何现有技术中对这些区域识别时容易出现孔洞的原因。
步骤S102，将待识别图像输入至已完成训练的识别模型中，输出待识别图像中每个像素点包含农业大棚的概率值。
识别模型为神经网络领域的模型，待识别图像作为输入数据，通过识别模型的输入接口实现数据的输入，通过识别模型的处理后输出识别结果。该识别结果为待识别图像中每个像素点包含农业大棚的概率值。
该模型在训练构成中，使用的样本图像一定包含近红外波长遥感影像，由于近红外波长遥感影像中包含红色通道、绿色通道以及蓝色通道中更多的图像细节，因此训练完成的识别模型中具有更好的特征表达能力。
步骤S103，获取近红外波长遥感影像中每个像素点包含农业大棚的概率值，将概率值与预设阈值进行对比，得到农业大棚的像素点区域。
获取上一步骤中的待识别图像每个像素点包含农业大棚的概率值，将每个概率值与预设的阈值进行对比，即可得到农业大棚的区域。预设阈值的设定根据识别场景的需求而定，例如，如果需要的识别精度更高，则阈值设置更高；如需要的精度更低，则阈值设置更低。
具体的说，如果预设的阈值为80，那么将待识别图像中概率值高于80的像素点作为农业大棚的像素点区域，通过将所有像素点遍历后即可得到农业大棚的区域；而对于概率值不高于80的像素点则进行忽略。
步骤S104，根据像素点区域得到农业大棚的识别结果。
像素点区域中的像素点通常为相连的，一般不会有离散型的像素点独立存在。对于像素相连的像素点区域，通过将像素点区域的边缘进行连通，得到的闭合区域即为农业大棚的识别区域，该区域即为农业大棚的识别结果。
通过上述实施例中提供的农业大棚的识别方法实施例可知，该方法将遥感影像的近红外波段引入农业大棚的检测提取过程，通过已完成训练的识别模型中的近红外波段作为样本图像最终实现了农业大棚的识别，比起传统的红色通道、绿色通道以及蓝色通道的三通道表现形式，该识别方法具有更强的特征表达能力，能够有效缓解模型在小尺度农业大棚目标提取方面所出现的孔洞问题。
在一些实施方式中，上述识别模型的训练过程的流程图，如图2所示，包括：
步骤S201，获取样本图像，其中样本图像包含：红波段、蓝波段、绿波段以及近红外波段的遥感影像。
样本图像的获取并不局限于单一的卫星遥感图像，也可包含其它数字图像，甚至与农业大棚毫不相关的图像。样本图像的多样化有助于提升模型训练后的性能，因此选取样本图像时，可选取不同领域的其它图像作为负样本图像。
当样本图像获取数目较少时，可将获取的样本图像按照不同的波段进行组合，例如对于一个包含农业大棚的遥感图像中，将红波段、蓝波段、绿波段以及近红外波段进行排列组合，进而生成多个不同波段的图像。
具体的，对于红波段、蓝波段、绿波段以及近红外波段的波长范围的数值大小，在一些实施方式中为如下参数：上述样本图像的近红外波段的波长区间为780-2526nm；
样本图像的红波段的波长区间为622-760nm；
样本图像的蓝波段的波长区间为435-450nm；
样本图像的绿波段的波长区间为492-577nm。
步骤S202，将样本图像输入至已初始化的卷积神经网络中进行训练。
卷积神经网络可为CNN网络（Convolutional Neural Networks，卷积神经网络）、R-CNN（Region-CNN）网络或Segnet网络等神经网络模型进行训练得到，也通过本领域中的卷积神经网络通过优化得到。
例如，该卷积神经网络包括骨干网络以及金字塔网络，其中的骨干网络为ResNet34网络；ResNet34网络包含至少50个卷积层和1个MaxPooling层。
金字塔网络为特征金字塔部分，可包含多个通道，通过金字塔网络可实现对骨干网络输出的各级特征图进行多尺度特征融合。
步骤S203，根据预设损失函数计算识别模型的损失值，当损失值满足预设的期望阈值时停止训练，得到识别模型。
损失函数作为模型训练过程中的关键指标，其函数形式直接影响模型的训练进度以及效率。例如，具体实施过程中，该预设损失函数为OHEM(Online Hard Example Mining，难负样本挖掘策略)函数和/或CEL(Cross Entropy Loss，交叉熵损失)函数。
在一些实施方式中，上述将样本图像输入至已初始化的卷积神经网络中进行训练的步骤S202，如图3所示，包括以下步骤：
步骤S301，将样本图像输入至已初始化的卷积神经网络中，利用卷积神经网络的骨干网络对样本图像进行特征提取，输出特征提取结果。
该骨干网络由网络底层到顶层可分为多层，每个部分负责将上一个部分的输出的特征图通过下采样的方式进行采样缩小，最终实现对样本图像的基础特征的提取过程。
步骤S302，将特征提取结果输入至卷积神经网络中的金字塔网络中，输出多尺度特征融合结果；其中，多尺度特征融合结果中包含样本图像中每个像素点为农业大棚的概率值。
具体的以金字塔网络中包含3通道为例，骨干网络为4层为例，如图4所示，包括以下步骤：
步骤S41，将特征提取结果同时输入至金字塔网络的第一通道中预设的多个池化层中，将池化层的输出结果进行合并得到第一提取结果。
特征金字塔网络第1个通道的输入为骨干网络第1部分所输出的特征图，输出的特征图并行输入到4个金字塔池化层，得到的特征图在深度上进行堆叠。
步骤S42，特征提取结果输入至金字塔网络的第二通道中预设的编码器中，得到第二提取结果；
特征金字塔网络第2个通道的输入为骨干网络第3部分所输出的特征图，输出的特征图直接用于计算损失，中间不进行任何操作，得到的结果记为第二提取结果。
步骤S43，将特征提取结果输入至金字塔网络的第三通道中预设的ASPP网络中，得到第三提取结果。
特征金字塔网络第3个通道的输入为骨干网络第4部分所输出的特征图，输出的特征图输入到ASPP（Atrous Spatial Pyramid Pooling）网络中，得到第三提取结果。
步骤S44，将第一提取结果、第二提取结果以及第三提取结果进行合并，得到多尺度特征融合结果。
最后，将各个网络得到的特征图进行多尺度特征图融合，最终的多尺度特征融合结果中包含样本图像中每个像素点为农业大棚的概率值。
步骤S303，根据多尺度特征融合结果获取农业大棚的特征提取图，将特征提取图输入至骨干网络中进行迭代训练。
该步骤为迭代步骤，即将输出数据作为输入数据重新进行训练，使得模型的性能逐渐提升。
本实施例中的识别模型训练过程中，将遥感影像的近红波段引入农业大棚检测自动提取网络，区别于目前大部分卷积网络模型采用三通道影像作为输入，本识别模型所用的网络采用四通道影像作为输入（红波段、蓝波段、绿波段和近红外波段），从而实现了在引入特征的同时尽可能的增大感受野及增强特征非线性表达能力，能够有效缓解模型在小尺度农业大棚目标提取方面所出现的孔洞问题。同时，采用了在训练过程中添加高层次特征重组特征图辅助损失，从而实现模型更好的优化。
对于识别模型的具体结构示意图，如图5所示，该模型的骨架网络为改进的ResNet34网络，该骨干网络（Backbone）由网络底层到顶层共划分为4个部分，即Feat4、Feat8、Feat16以及Feat32，其中，每个部分负责将上一个部分的输出的特征图下采样到原来的一半。该骨干网络共包含50个卷积层和1个MaxPooling层，该部分网络对输入影像进行基础特征图提取。
样本图像在训练前需要进行归一化，保证相同的尺寸，例如将输入影像归一化到1024x1024的大小。
各级特征图依次输入网络模型的特征金字塔部分，该特征金字塔网络包含3个通道。其中，特征金字塔网络第1个通道的输入为骨干网络第1部分即Feat4所输出的特征图，输出的特征图并行输入到4个PyramidPooling层中，即ppa、ppb、ppc以及ppd中，得到的特征图在深度上进行堆叠，堆叠后的特征图输入到1个解码器。
特征金字塔网络第2个通道的输入为骨干网络第3部分Feat16所输出的特征图，输出的特征图通过对应的解码器后直接用于计算损失，中间不进行任何操作。
特征金字塔网络第3个通道的输入为骨干网络第4部分Feat32所输出的特征图，输出的特征图输入到ASPP网络中，得到的特征图输入到一个解码器。该部分网络对骨干网络输出的各级特征图进行多尺度特征图融合，最终得到的是每一个像素点的置信度得分，进而根据设定的阈值，得到农业大棚检测结果二值图。
该模型训练所用的损失函数，由三个通道中对应的损失函数组合生成，由1个主损失函数和2个辅助损失函数三部分加权求和构成。三部分的损失函数都是采用加入难负样本挖掘策略(Online Hard Example Mining)的交叉熵损失函数(Cross Entropy Loss)。如图所示，三个通道对应的损失函数分别为Loss1、Loss2以及Loss3，损失函数的最终形式为：
Loss=0.4*Loss1+0.3*Loss2+0.3*Loss3
具体实施过程中，训练数量可为500次，并使用SGD（Stochastic GradientDescent，随机梯度下降）算法更新网络权值和阈值，学习率初始化为0.001，动量项设置为0.9，权重衰减设置为0.0005。最终得到的识别模型用于识别过程中，农业大棚的识别结果示意图如图6所示。
可见，该识别模型在图6这种复杂场景下依旧保持了优秀的识别效果，同时速度也得到了提升。
通过上述实施例可知，识别模型在训练过程中添加了高层次特征重组特征图来辅助损失，从而实现模型的更好优化，进一步提升模型的识别精度。
对应于上述方法实施例，本发明实施例还提供了一种农业大棚的识别装置，其结构示意图如图7所示，其中，该装置包括：
图像获取模块710，用于获取待识别图像；其中，待识别图像包含近红外波长遥感影像；
识别模块720，用于将待识别图像输入至已完成训练的识别模型中，输出待识别图像中每个像素点包含农业大棚的概率值；
计算模块730，用于获取近红外波长遥感影像中每个像素点包含农业大棚的概率值，将概率值与预设阈值进行对比，得到农业大棚的像素点区域；
标识模块740，用于根据像素点区域得到农业大棚的识别结果。
本发明实施例提供的农业大棚的识别装置，与上述实施例提供的农业大棚的识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
本实施例还提供一种电子设备，为该电子设备的结构示意图如图8所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述农业大棚的识别方法。
图8所示的电子设备还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。
其中，存储器102可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，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通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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网络单元上。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，在本发明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。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明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部分可以用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（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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)

1.一种农业大棚的识别方法，其特征在于，所述方法包括：
获取待识别图像；其中，所述待识别图像包含近红外波长遥感影像；
将所述待识别图像输入至已完成训练的识别模型中，输出所述待识别图像中每个像素点包含农业大棚的概率值；
获取所述近红外波长遥感影像中每个像素点包含农业大棚的概率值，将所述概率值与预设阈值进行对比，得到农业大棚的像素点区域；
根据所述像素点区域得到所述农业大棚的识别结果；
所述识别模型的训练过程，包括：
获取样本图像，其中所述样本图像包含：红波段、蓝波段、绿波段以及近红外波段的遥感影像；
将所述样本图像输入至已初始化的卷积神经网络中进行训练；
根据预设损失函数计算所述识别模型的损失值，当所述损失值满足预设的期望阈值时停止训练，得到所述识别模型；
将所述样本图像输入至已初始化的卷积神经网络中进行训练的步骤，包括：
将所述样本图像输入至已初始化的卷积神经网络中，利用所述卷积神经网络的骨干网络对所述样本图像进行特征提取，输出特征提取结果；
将所述特征提取结果输入至所述卷积神经网络中的金字塔网络中，输出多尺度特征融合结果；其中，所述多尺度特征融合结果中包含所述样本图像中每个像素点为农业大棚的概率值；
根据所述多尺度特征融合结果获取农业大棚的特征提取图，将所述特征提取图输入至所述骨干网络中进行迭代训练。
2.根据权利要求1所述的农业大棚的识别方法，其特征在于，将所述特征提取结果输入至所述卷积神经网络中的金字塔网络中，输出多尺度特征融合结果的步骤，包括：
将所述特征提取结果同时输入至所述金字塔网络的第一通道中预设的多个池化层中，将所述池化层的输出结果进行合并得到第一提取结果；
所述特征提取结果输入至所述金字塔网络的第二通道中预设的编码器中，得到第二提取结果；
将所述特征提取结果输入至所述金字塔网络的第三通道中预设的ASPP网络中，得到第三提取结果；
将所述第一提取结果、第二提取结果以及第三提取结果进行合并，得到所述多尺度特征融合结果。
3.根据权利要求1所述的农业大棚的识别方法，其特征在于，所述预设损失函数为OHEM函数和/或CEL函数。
4.根据权利要求1所述的农业大棚的识别方法，其特征在于，所述骨干网络为ResNet34网络；所述ResNet34网络包含至少50个卷积层和1个MaxPooling层。
5.根据权利要求1所述的农业大棚的识别方法，其特征在于，所述样本图像的近红外波段的波长区间为780-2526nm；
所述样本图像的红波段的波长区间为622-760nm；
所述样本图像的蓝波段的波长区间为435-450nm；
所述样本图像的绿波段的波长区间为492-577nm。
6.一种农业大棚的识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取待识别图像；其中，所述待识别图像包含近红外波长遥感影像；
识别模块，用于将所述待识别图像输入至已完成训练的识别模型中，输出所述待识别图像中每个像素点包含农业大棚的概率值；
计算模块，用于获取所述近红外波长遥感影像中每个像素点包含农业大棚的概率值，将所述概率值与预设阈值进行对比，得到农业大棚的像素点区域；
标识模块，用于根据所述像素点区域得到所述农业大棚的识别结果；
所述识别模块中的识别模型的训练过程，包括：获取样本图像，其中所述样本图像包含：红波段、蓝波段、绿波段以及近红外波段的遥感影像；将所述样本图像输入至已初始化的卷积神经网络中进行训练；根据预设损失函数计算所述识别模型的损失值，当所述损失值满足预设的期望阈值时停止训练，得到所述识别模型；
将所述样本图像输入至已初始化的卷积神经网络中进行训练，包括：将所述样本图像输入至已初始化的卷积神经网络中，利用所述卷积神经网络的骨干网络对所述样本图像进行特征提取，输出特征提取结果；将所述特征提取结果输入至所述卷积神经网络中的金字塔网络中，输出多尺度特征融合结果；其中，所述多尺度特征融合结果中包含所述样本图像中每个像素点为农业大棚的概率值；根据所述多尺度特征融合结果获取农业大棚的特征提取图，将所述特征提取图输入至所述骨干网络中进行迭代训练。
7.一种电子设备，其特征在于，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至5任一项所述的农业大棚的识别方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的农业大棚的识别方法的步骤。
CN202010666363.4A 2020-07-13 2020-07-13 农业大棚的识别方法、装置及电子设备 Active CN111539403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010666363.4A CN111539403B (zh) 2020-07-13 2020-07-13 农业大棚的识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010666363.4A CN111539403B (zh) 2020-07-13 2020-07-13 农业大棚的识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111539403A CN111539403A (zh) 2020-08-14
CN111539403B true CN111539403B (zh) 2020-10-16

Family

ID=71969035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010666363.4A Active CN111539403B (zh) 2020-07-13 2020-07-13 农业大棚的识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111539403B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112033914B (zh) * 2020-09-01 2021-04-20 深圳市数字城市工程研究中心 一种基于遥感图像的彩钢瓦厂房提取方法
CN112348030A (zh) * 2021-01-11 2021-02-09 航天宏图信息技术股份有限公司 一种太阳能光伏板识别方法、装置、电子设备及存储介质
CN113361465A (zh) * 2021-06-30 2021-09-07 长光卫星技术有限公司 一种基于深度学习的高分辨率遥感影像农业大棚提取方法
CN114804550B (zh) * 2022-06-10 2023-06-02 安徽新宇环保科技股份有限公司 一种基于神经网络模型的污水处理调控系统
CN115761460B (zh) * 2023-01-10 2023-08-01 北京市农林科学院智能装备技术研究中心 大棚房风险识别方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239775A (zh) * 2017-07-28 2017-10-10 湖南大学 地物分类方法及装置
CN109871798A (zh) * 2019-02-01 2019-06-11 浙江大学 一种基于卷积神经网络的遥感影像建筑物提取方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10775174B2 (en) * 2018-08-30 2020-09-15 Mapbox, Inc. Map feature extraction system for computer map visualizations
WO2020043296A1 (en) * 2018-08-30 2020-03-05 Huawei Technologies Co., Ltd. Device and method for separating a picture into foreground and background using deep learning
CN111209777A (zh) * 2018-11-21 2020-05-29 北京市商汤科技开发有限公司 车道线检测方法、装置、电子设备及可读存储介质
CN110717420A (zh) * 2019-09-25 2020-01-21 中国科学院深圳先进技术研究院 一种基于遥感图像的耕地提取方法、系统及电子设备
CN111127493A (zh) * 2019-11-12 2020-05-08 中国矿业大学 基于注意力多尺度特征融合的遥感图像语义分割方法
CN111157524B (zh) * 2020-01-09 2022-09-27 北京观澜智图科技有限公司 基于高分影像的道路材质识别方法及装置和电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239775A (zh) * 2017-07-28 2017-10-10 湖南大学 地物分类方法及装置
CN109871798A (zh) * 2019-02-01 2019-06-11 浙江大学 一种基于卷积神经网络的遥感影像建筑物提取方法

Also Published As

Publication number Publication date
CN111539403A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111539403B (zh) 农业大棚的识别方法、装置及电子设备
CN111738124B (zh) 基于Gabor变换和注意力的遥感图像云检测方法
CN110766096B (zh) 视频分类方法、装置及电子设备
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统
CN107392925B (zh) 基于超像素编码和卷积神经网络的遥感影像地物分类方法
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN111126287B (zh) 一种遥感影像密集目标深度学习检测方法
CN111291826B (zh) 基于相关性融合网络的多源遥感图像的逐像素分类方法
CN110148117B (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN113610905B (zh) 基于子图像匹配的深度学习遥感图像配准方法及应用
CN109919088B (zh) 一种喀斯特地区火龙果单株识别自动提取方法
CN112233077A (zh) 图像分析方法、装置、设备及存储介质
CN115512238A (zh) 病害区域的确定方法、装置、存储介质及电子装置
CN113850312A (zh) 森林生态状况的监测方法、装置、电子设备及存储介质
CN115953612A (zh) 一种基于ConvNeXt的遥感影像植被分类方法和装置
CN113343945B (zh) 水体识别方法、装置、电子设备及存储介质
CN114596274A (zh) 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法
Zheng et al. Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery
CN116543325A (zh) 基于无人机影像的农作物人工智能自动识别方法和系统
CN110969657B (zh) 一种枪球坐标关联方法、装置、电子设备及存储介质
CN110827243B (zh) 网格梁覆盖区域异常检测方法和装置
CN113963178A (zh) 地空背景下红外弱小目标检测方法、装置、设备及介质
CN114332570A (zh) 基于cdl深度学习进行作物迁移分类的方法和系统
CN116385818B (zh) 云检测模型的训练方法、装置及设备

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