CN111753834A - 基于深度神经网络的种植地块结构语义分割方法和装置 - Google Patents
基于深度神经网络的种植地块结构语义分割方法和装置 Download PDFInfo
- Publication number
- CN111753834A CN111753834A CN201910246616.XA CN201910246616A CN111753834A CN 111753834 A CN111753834 A CN 111753834A CN 201910246616 A CN201910246616 A CN 201910246616A CN 111753834 A CN111753834 A CN 111753834A
- Authority
- CN
- China
- Prior art keywords
- semantic segmentation
- network
- deep convolutional
- deep
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000002474 experimental method Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 16
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 244000141359 Malus pumila Species 0.000 description 3
- 235000011430 Malus pumila Nutrition 0.000 description 3
- 235000015103 Malus silvestris Nutrition 0.000 description 3
- 240000001987 Pyrus communis Species 0.000 description 3
- 235000014443 Pyrus communis Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 240000007049 Juglans regia Species 0.000 description 2
- 235000009496 Juglans regia Nutrition 0.000 description 2
- 241000219000 Populus Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000020234 walnut Nutrition 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度神经网络的种植地块结构语义分割方法,包括如下步骤:步骤a.设计种植地块结构识别实验训练区域,该区域包括待识别的若干地块结构;步骤b.针对待识别的地物,选择多个采样波段;步骤c.在不同的采样波段,对试验训练区域拍摄图像,以采集数据,并构成图像语义分割数据集;步骤d.深度卷积网络处理,将图像语义分割数据集输入深度卷积网络进行处理获得语义分割结果图;步骤e.更新网络参数值,将语义分割结果图与已知的设计的地块结构进行比较,更新深度卷积网络的网络参数值;步骤f.重复上述步骤c‑e,对深度卷积网络进行迭代更新,进行参数训练,直至最大迭代次数完成训练,获得训练好以后的深度卷积神经网络的参数;步骤g.采用上述训练好的深度卷积网络,对在多个波段拍摄的待测图像进行处理,获得最终语义分割结果图。
Description
技术领域
本申请总体涉及一种基于深度神经网络的种植地块结构语义分割方法和设备,用于分类统计大面积种植的农作物及经济作物并计算相应的作物面积。
背景技术
由于农作物和经济作物生长周期较长,受生长环境因素影响,每种作物在每个生长发育期所需的水量多少不一样,如缺少或不足,将会影响作物整体生长发育,导致产量下降,品质变劣。因此,根据不同作物的生长阶段和土壤性能,在作物需水高峰期,为作物提供足够水分就十分重要了。
相对应地,在具体的农业灌溉水利规划中,需要对不同地区的农作物和经济作物种类(如棉花、蔬菜、果树、花卉等)、所处生长期以及灌溉所需面积等等因素进行具体分析,再进行相关灌溉规划设计。一般是通过处理图像将不同的农作物和经济作物分割出来,然后计算各种农作物和经济作物(基于像素点)的覆盖率或覆盖面积来完成上述工作。
现有关于农作物和经济作物的研究一般是基于遥感图像进行的,利用遥感影像信息分析农作物和经济作物的影像光谱特征,提取相应信息。然而传统的人工标定的方法难以支撑爆发式增长的任务与需求工作量,况且遥感信息更注重全局的表达,缺乏局部的细节,很难进行准确的作物区分,无法满足估算的精确性要求。而且传统的图像分割算法大致分为两个步骤:首先根据目标的特点设计特征,然后根据特征对像素点进行分类或聚类。这就要求目标有比较明显的特征信息,包括颜色特征、轮廓特征或者纹理特征等。
然而,各种农作物和经济作物本身具有高度近似的特征,而且在不同的生长周期,同一作物的特征也有差异。因此,难点在于需要解决各种作物的特征近似性的问题。特别是对于大地理区域,在拍摄图像的分辨率有限的情况下,这样的近似性造成识别困难。例如,玉米在生长的早期,其光谱特征与其他有叶植物(如大豆)非常相近,灌木与其他地物光谱特征也非常接近,因此玉米与大豆,灌木与其他地物均属于难以区分的地物。
因此,需要一种能够在大地理区域中区分识别不同农作物和经济作物所在的地块,以便统计农作物和经济作物种类和种植面积,预测未来预定时间段内的需水量,据此来调节水量的供应,为实时预警或决策提供定量指标的方法。
发明内容
本申请总体涉及一种基于深度神经网络的种植地块结构语义分割方法和设备,用于分类统计大面积种植的农作物及经济作物并计算相应的作物面积。
具体地,本发明提供一种基于深度神经网络的种植地块结构语义分割方法,包括如下步骤:步骤a.设计种植地块结构识别实验训练区域,该区域包括待识别的若干地块结构;步骤b.针对待识别的地物,选择多个采样波段;步骤c.在不同的采样波段,对试验训练区域拍摄图像,以采集数据,并构成图像语义分割数据集;步骤d.深度卷积网络处理,将所述图像语义分割数据集输入深度卷积网络进行处理获得语义分割结果图;步骤e.更新网络参数值,将语义分割结果图与已知的设计的地块结构进行比较,更新深度卷积网络的网络参数值;步骤f.重复上述步骤c-e,对深度卷积网络进行迭代更新,进行参数训练,直至最大迭代次数完成训练,获得训练好以后的深度卷积神经网络的参数;步骤g.采用上述训练好的深度卷积网络,对在多个波段拍摄的待测图像进行处理,获得最终语义分割结果图。
根据本发明的方法,还包括在步骤d之前对图像语义分割数据集中的图像进行数据增强的预处理。
根据本发明的方法,在步骤b中选择以下波长范围的波段,即蓝光350~500nm,绿光500~600nm,红光650~700nm,红边700~760nm,近红外760~1350nm。具体地,可选择475nm的蓝光,560nm的绿光,688nm的红光,717nm的红边,840nm的近红外。
根据本发明的方法,步骤d中的深度卷积网络采用Deeplab网络模型或FCN网络模型。
根据本发明的方法,基于DeepLab的深度卷积网络是以VGG-16为基本网络结构的深度卷积网络,包括卷积层(Convs)模块、ASPP(带孔空间金字塔池化,即Atrous SpatialPyramid Pooling)模块和上采样(Upsampling)模块,在步骤d中,将各波段光谱图像输入到Convs模块提取出图像的初步特征图,再输入到ASPP模块进一步提取获得图像低分辨率的多尺度特征图,最后经过上采样模块对多尺度特征图进行上采样,获得语义分割结果图。特别地,在步骤f中,在从生长到收获期的这个作物种植周期内,以一定的时间间隔来拍摄多组数据进行参数训练。可选地,整个图像数据集分为训练集、验证集和测试集,大小比例为5.9:0.1:4。
本发明还提供一种计算装置,包括存储器和处理器,存储器存储有计算机可执行指令,所述计算机可执行指令当被处理器执行时执行如上所述的方法。
本发明还提供一种神经网络系统,包括如上所述的计算装置。
综上可知,根据本发明的方法能够在大地理区域中区分识别不同农作物和经济作物(下文将之称为地物)所在的地块,以便统计农作物和经济作物种类和种植面积,预测未来预定时间段内的需水量,据此来调节水量的供应,为实时预警或决策提供定量指标。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1示出了供训练用的9种不同的地块结构。
图2a-图2e示出了不同地物对蓝、绿、红、红边、近红外这五种光波段的光谱反射图。
图3示出了输入各波段光谱图像进行神经网络训练并得到语义分割结果图的流程图。
图4a-图4f示出了不同地物对蓝、绿、红、红边、近红外这五种光波段拍摄的图像和最终训练获得的语义分割结果图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例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公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
在本申请中,除非特别指出或者根据上下文的理解可以得出不同的含义,否则各个术语具有本领域通常理解的含义。
本发明人研究出可以依据不同作物的光谱反射特征区别,将多次采集的光谱数据特征输入神经网络进行语义分割计算训练,由此解决了类似地物的识别困难问题。
下面,详述本发明的详细方法步骤。
步骤a.设计种植地块结构识别实验训练区域
该区域需要包括多个典型地块,不限于种植物地块,还包括荒地等常见地块结构。例如图1所示,布置了9种不同的地块结构供训练用,其中1为荒地,2为玉米地,3为灌木地,4为蔬菜地,5为杨树地,6为核桃树地,7为大棚地,8为苹果树地,9为梨树地。
步骤b.选择多个采样波段
这里,发明人反复试验,针对待识别的地物(例如蔬菜或大棚等),选择多个采样波段,然后综合该地物对这些不同波段的反射率结果,确定了至少应包括如下五个波段,作为可用波段。即,蓝波/绿波/红波/红边波/近红外波,每个地块的不同波段光谱反射率结果如图2a-2e所示,可以看出大致规律:
大棚地:蓝、绿波段光谱反射率高;
空地:蓝、绿波段光谱反射率高;
苹果地:红边波段的反射率;
梨树地:近红外和红边波段反射率高。
其中,光谱波段范围选择如下:
蓝光:350~500nm,中心波长475nm;
绿光:500~600nm,中心波长560nm;
红光:650~700nm,中心波长688nm;
红边:700~760nm,中心波长717nm;
近红外:760~1350nm,中心波长840nm。
在实验中采用了中心波长进行拍摄。当然,也可以根据所要区分的特定典型地物来筛选其他可分性最好的选用波长组合。换句话说,波长选择的目的是为了有效识别地物,因此需要根据具体应用目的,结合欲识别的地物(特别是难识别的地物)的光谱曲线特点,即吸收、反射峰的特征波长去评价选择波段。
步骤c.采集数据
在不同的采样波段,对试验训练区域拍摄图像。这里采用具有多光谱成像功能的遥控无人机,拍摄图像,飞行方案如下:
飞行时间:晴空10~12点,飞行高度100m,飞行速度5m/s,获得像元分辨率:6.82cm。
在采集如上所述的各个波段的光谱图像后,构成图像语义分割数据集。
步骤d.预处理
对图像语义分割数据集中的图像进行数据增强的预处理,对图像数据集进行增强,使得经过预处理之后的图像数据集更加易于识别。此项可省略。
步骤e.深度卷积网络处理
对于预处理后的图像输入基于DeepLab的深度卷积网络进行处理获得语义分割结果图。
所述的基于DeepLab的深度卷积网络是以VGG-16为基本网络结构的深度卷积网络,主要由卷积层(Convs)模块、ASPP(Atrous Spatial Pyramid Pooling)模块和上采样模块(Upsampling)组成,处理流程结构图如图3所示。也就是说,将各波段光谱图像(如图4a-图4e)输入到Convs模块提取出图像的初步特征图,再输入到ASPP模块进一步提取获得图像低分辨率的多尺度特征图,最后经过上采样模块对多尺度特征图进行上采样,获得与输入到深度卷积网络原始图像大小相同的语义分割结果图。
步骤f.更新网络参数值
将语义分割结果图与已知的设计的地块结构(图4f)进行比较,用交叉熵计算预测误差,然后使用随机梯度下降(SGD)算法在基于DeepLab的深度卷积网络中对预测误差进行反向传播,更新基于DeepLab的深度卷积网络的网络参数值。
步骤g.在不同时间点,重复上述步骤c-f,对基于DeepLab的深度卷积网络进行迭代更新,进行参数训练,直至最大迭代次数完成训练,获得训练好以后的深度卷积神经网络的参数。
上述提及的不同时间点,是为了更好地区分不同生长阶段的不同作物,因此采用了在从生长到收获期的几个月的时间内,以一定的时间间隔(例如半个月到一个月)来拍摄多组数据进行参数训练,如图4f所示,这样的过程也可以根据所需要区分的地块具体情况省略或者变化采集的时间间隔。
具体实施中,整个图像数据集分为训练集、验证集和测试集,大小比例例如为5.9:0.1:4。如此,训练结束后,保存深度神经网络的参数。
训练后,即可使用训练获得的深度神经网络来处理拍摄的图像,进行地块识别。
步骤h.识别
采用步骤g获得的基于DeepLab的深度卷积网络,对在多个波段拍摄的待测图像进行处理,获得最终语义分割结果图。
这里将待测图像输入到训练的卷积网络中,得到图像中各个像素的类别标签,例如对像素做相应的标记,1为荒地,2为玉米地,3为灌木地,4为蔬菜地,5为杨树地,6为核桃树地,7为大棚地,8为苹果树地,9为梨树地。根据像素的类别标签确定各个部分的图像。例如给不同标签的像素赋予不同的颜色,或者是将不同部分的地块用闭合曲线围起来,表示识别出的地块部分,如图4f所示。试验结果证明,验证精度达98%以上.
当然不同的实验者可能选取不同的训练样本,样本分布的均匀程度也会影响识别分类效果,这些都会产生不同的均指向量和协方差矩阵,但是可以通过反复试验得到最佳分类结果。
上述采用Deeplab作为端到端的深度卷积网络模型进行神经网络训练的模型,然而也可以采用FCN网络等其他深度卷积网络模型。
根据上述实施例,在用大规模样本训练的条件下,让机器自己学习的特征具有普适性,从而泛化能力更强。由此,在地块种类繁多、情况复杂的状况下效果更好。在具体应用中,可以将分割出的不同部分的图像用于后续的规划等工作中。
综上可知,根据本发明的方法能够在大地理区域中区分识别不同农作物和经济作物(下文将之称为地物)所在的地块,根据地块可以求得地块面积,统计好各种农作物和经济作物种类和种植面积,再结合不同作物的生长需水情况,即可预测未来预定时间段内的需水量,据此来调节水量的供应,为实时预警或决策提供定量指标,如此可以很好地解决无法精确估计作物在不同时期的需水量的技术难题。
以上的详细描述通过使用示意图、流程图和/或示例,已经阐述了计算装置和图像分割方法的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下,本领域技术人员应理解,这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中,本发明的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而,本领域技术人员应认识到,这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中,实现为在一台或多台计算机上运行的一个或多个计算机程序(例如,实现为在一台或多台计算机系统上运行的一个或多个程序),实现为在一个或多个处理器上运行的一个或多个程序(例如,实现为在一个或多个微处理器上运行的一个或多个程序),实现为固件,或者实质上实现为上述方式的任意组合,并且本领域技术人员根据本公开,将具备设计电路和/或写入软件和/或固件代码的能力。此外,本领域技术人员将认识到,本公开所述主题的机制能够作为多种形式的程序产品进行分发,并且无论实际用来执行分发的信号承载介质的具体类型如何,本公开所述主题的示例性实施例均适用。
以上所述仅是本公开的示范性实施方式,而非用于限制本公开的保护范围,本公开的保护范围由所附的权利要求确定。
Claims (10)
1.一种基于深度神经网络的种植地块结构语义分割方法,包括如下步骤:
步骤a.设计种植地块结构识别实验训练区域,该区域包括待识别的若干地块结构;
步骤b.针对待识别的地物,选择多个采样波段;
步骤c.在不同的采样波段,对试验训练区域拍摄图像,以采集数据,并构成图像语义分割数据集;
步骤d.深度卷积网络处理,将所述图像语义分割数据集输入深度卷积网络进行处理获得语义分割结果图;
步骤e.更新网络参数值,将语义分割结果图与步骤a的已知的设计的地块结构进行比较,更新深度卷积网络的网络参数值;
步骤f.重复上述步骤c-e,对深度卷积网络进行迭代更新,进行参数训练,直至最大迭代次数完成训练,获得训练好以后的深度卷积神经网络的参数;
步骤g.采用上述训练好的深度卷积网络,对在多个波段拍摄的待测图像进行处理,获得最终语义分割结果图。
2.如权利要求1所述的方法,其中,还包括在步骤d之前对图像语义分割数据集中的图像进行数据增强的预处理。
3.如权利要求1或2所述的方法,其中,在步骤b中选择以下波长范围的波段,即蓝光350~500nm,绿光500~600nm,红光650~700nm,红边700~760nm,近红外760~1350nm。
4.如权利要求3所述的方法,其中,选择475nm的蓝光,560nm的绿光,688nm的红光,717nm的红边,840nm的近红外。
5.如权利要求1或2所述的方法,其中,步骤d中的深度卷积网络采用Deeplab网络模型或FCN网络模型。
6.如权利要求5所述的方法,其中,基于DeepLab的深度卷积网络是以VGG-16为基本网络结构的深度卷积网络,包括卷积层模块、带孔空间金字塔池化模块和上采样模块,在步骤d中,将各波段光谱图像输入到卷积层模块提取出图像的初步特征图,再输入到带孔空间金字塔池化模块进一步提取获得图像低分辨率的多尺度特征图,最后经过上采样模块对多尺度特征图进行上采样,获得语义分割结果图。
7.如权利要求1或2所述的方法,其中,在步骤f中,在从生长到收获期的整个作物种植周期内,以一定的时间间隔来拍摄多组数据进行参数训练。
8.如权利要求7所述的方法,其中,整个图像数据集分为训练集、验证集和测试集,大小比例为5.9:0.1:4。
9.一种计算装置,包括存储器和处理器,存储器存储有计算机可执行指令,所述计算机可执行指令当被处理器执行时执行根据权利要求1到8中任一项所述的方法。
10.一种神经网络系统,包括:
如根据权利要求9所述的计算装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246616.XA CN111753834B (zh) | 2019-03-29 | 2019-03-29 | 基于深度神经网络的种植地块结构语义分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246616.XA CN111753834B (zh) | 2019-03-29 | 2019-03-29 | 基于深度神经网络的种植地块结构语义分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753834A true CN111753834A (zh) | 2020-10-09 |
CN111753834B CN111753834B (zh) | 2024-03-26 |
Family
ID=72671831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910246616.XA Active CN111753834B (zh) | 2019-03-29 | 2019-03-29 | 基于深度神经网络的种植地块结构语义分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753834B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011294A (zh) * | 2021-03-08 | 2021-06-22 | 中国科学院空天信息创新研究院 | 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质 |
CN113486773A (zh) * | 2021-07-01 | 2021-10-08 | 山东大学 | 棉花植株生长期识别方法、系统、存储介质及设备 |
CN114418040A (zh) * | 2022-03-31 | 2022-04-29 | 山东鹤鹏技术有限公司 | 一种园林绿化养护监测及预警的方法与系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055593A1 (en) * | 2014-08-21 | 2016-02-25 | David P. Groeneveld | System and Method to Predict Field Access and the Potential for Prevented Planting Claims for Use by Crop Insurers |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
CN107633216A (zh) * | 2017-09-07 | 2018-01-26 | 深圳大学 | 高光谱遥感图像的特征提取方法及装置 |
CN108230329A (zh) * | 2017-12-18 | 2018-06-29 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
CN108935413A (zh) * | 2018-08-24 | 2018-12-07 | 浙江大学 | 一种基于植物空间处方图的叶面药喷施的装置及方法 |
US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109409240A (zh) * | 2018-09-28 | 2019-03-01 | 北京航空航天大学 | 一种结合随机游走的SegNet遥感图像语义分割方法 |
CN109409261A (zh) * | 2018-10-11 | 2019-03-01 | 北京师范大学 | 一种农作物分类方法及系统 |
-
2019
- 2019-03-29 CN CN201910246616.XA patent/CN111753834B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055593A1 (en) * | 2014-08-21 | 2016-02-25 | David P. Groeneveld | System and Method to Predict Field Access and the Potential for Prevented Planting Claims for Use by Crop Insurers |
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
CN107633216A (zh) * | 2017-09-07 | 2018-01-26 | 深圳大学 | 高光谱遥感图像的特征提取方法及装置 |
CN108230329A (zh) * | 2017-12-18 | 2018-06-29 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
CN108935413A (zh) * | 2018-08-24 | 2018-12-07 | 浙江大学 | 一种基于植物空间处方图的叶面药喷施的装置及方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109409240A (zh) * | 2018-09-28 | 2019-03-01 | 北京航空航天大学 | 一种结合随机游走的SegNet遥感图像语义分割方法 |
CN109409261A (zh) * | 2018-10-11 | 2019-03-01 | 北京师范大学 | 一种农作物分类方法及系统 |
Non-Patent Citations (4)
Title |
---|
LIANG-CHIEH CHEN等: "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs", COMPUTER VISION AND PATTERN RECOGNITION, 12 May 2017 (2017-05-12), pages 1 - 14 * |
宋健蛟: "高分一号卫星在灌溉管理中的应用研究", 中国优秀硕士学位论文全文数据库农业科技辑, no. 2016, 15 April 2016 (2016-04-15), pages 044 - 112 * |
宋健蛟: "高分一号卫星在灌溉管理中的应用研究", 中国优秀硕士学位论文全文数据库农业科技辑, no. 2016, pages 044 - 112 * |
石俊飞: "基于层次语义模型与散射机理的极化SAR地物分类", 中国博士学位论文全文数据库 (信息科技辑), no. 2018, 15 December 2018 (2018-12-15), pages 136 - 84 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011294A (zh) * | 2021-03-08 | 2021-06-22 | 中国科学院空天信息创新研究院 | 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质 |
CN113011294B (zh) * | 2021-03-08 | 2023-11-07 | 中国科学院空天信息创新研究院 | 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质 |
CN113486773A (zh) * | 2021-07-01 | 2021-10-08 | 山东大学 | 棉花植株生长期识别方法、系统、存储介质及设备 |
CN113486773B (zh) * | 2021-07-01 | 2024-03-12 | 山东大学 | 棉花植株生长期识别方法、系统、存储介质及设备 |
CN114418040A (zh) * | 2022-03-31 | 2022-04-29 | 山东鹤鹏技术有限公司 | 一种园林绿化养护监测及预警的方法与系统 |
CN114418040B (zh) * | 2022-03-31 | 2022-07-08 | 山东鹤鹏技术有限公司 | 一种园林绿化养护监测及预警的方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111753834B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamilaris et al. | Deep learning in agriculture: A survey | |
Bargoti et al. | Image segmentation for fruit detection and yield estimation in apple orchards | |
Arefi et al. | Recognition and localization of ripen tomato based on machine vision | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
CN113591766B (zh) | 一种无人机多源遥感的树种识别方法 | |
Sood et al. | Computer vision and machine learning based approaches for food security: A review | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN111753834B (zh) | 基于深度神经网络的种植地块结构语义分割方法和装置 | |
Abdelghafour et al. | A Bayesian framework for joint structure and colour based pixel-wise classification of grapevine proximal images | |
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 | |
Ruiz et al. | Automated classification of crop types and condition in a mediterranean area using a fine-tuned convolutional neural network | |
CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
Liu et al. | Tomato detection based on convolutional neural network for robotic application | |
Chang et al. | Current and future applications of cost-effective smart cameras in agriculture | |
Choi et al. | Classification of growth conditions in paprika leaf using deep neural network and hyperspectral images | |
Alajas et al. | Grape pseudocercospora leaf specked area estimation using hybrid genetic algorithm and recurrent neural network | |
Maragathavalli et al. | A Review Of Plant Disease Detection Methods Using Image Processing Approaches | |
Gunes et al. | Classification of hazelnuts with CNN based deep learning system | |
Patil et al. | Fusion deep learning with pre-post harvest quality management of grapes within the realm of supply chain management | |
Maulidyah et al. | Water Sprouts Detection of Cacao Tree Using Mask Region-based Convolutional Neural Network | |
Hassan et al. | Performance Enhancement in Agriculture Sector Based on Image Processing | |
SRIYA et al. | Probabilistic Neural Network for Automatic Detection of Plant Diseases Using DT-CWT and K-Means Feature Extraction. | |
Sassu | Machine learning and Unmanned Aerial Systems for crop monitoring and agrochemicals distribution optimization in orchard and horticultural systems | |
Mahmud | Development of a machine vision system for strawberry powdery mildew disease detection |
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 |