CN112016596B - 基于卷积神经网络的农田土壤肥力评价方法 - Google Patents
基于卷积神经网络的农田土壤肥力评价方法 Download PDFInfo
- Publication number
- CN112016596B CN112016596B CN202010794123.2A CN202010794123A CN112016596B CN 112016596 B CN112016596 B CN 112016596B CN 202010794123 A CN202010794123 A CN 202010794123A CN 112016596 B CN112016596 B CN 112016596B
- Authority
- CN
- China
- Prior art keywords
- farmland
- soil fertility
- image
- data
- farmland soil
- 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
- 230000035558 fertility Effects 0.000 title claims abstract description 86
- 239000002689 soil Substances 0.000 title claims abstract description 86
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007619 statistical method Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000004720 fertilization Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
Abstract
本发明公开了一种基于卷积神经网络的农田土壤肥力评价方法，包括步骤：获取原始农田图像，并建立农田土壤肥力分类模型；对每张原始农田图像进行归一化处理，对归一化后原始数据进行数据扩充形成训练集；采用训练集对农田土壤肥力分类模型进行训练，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类模型，输出对应分类结果；统计分析后得到目标农田的肥力评价等级。本发明在不破坏农田和作物生长的情况下获得样本，通过深度学习反复计算出当前地块的土壤肥力情况，节省人力物力，分类准确度高；同时结合土壤肥力多参数时空分布规律，为最终智慧农业中的精准施肥提供有效的技术支持。
Description
技术领域
本发明涉及土壤肥力评价技术领域，具体涉及一种基于卷积神经网络的农田土壤肥力评价方法。
背景技术
目前，现代化农业产品生产发展高效、精准培养、环保的经营模式是解决当前农业生产中诸多难题的主要出路。我国农业正处于从传统行业向现代化农业迅速推进的过程中，农业物联网是我国农业现代化的重要技术支撑。将通过各类传感器、视觉图像采集终端等感知设备获取的海量农业信息数据进行融合并通过智能化操作终端实现农业的自动化、最优化、智能化等处理，从而实现农业高产、优质、高效等目标。农业物联网技术的引进加快了我国农业逐渐朝着现代化智慧农业前进的脚步，农作物生产效率增加，生产模式多元化，使土地资源利用率达到最大化。物联网技术的成熟使农业可持续发展成为可能。
农作物在生长过程中土壤的质量是至关重要的，而土壤的肥力是判断土壤质量的重要指标。目前的土壤肥力评价都是通过在农田中大量采集土壤样本，然后在实验室进行土壤理化性能分析来实现的；这种方法中不同样本的结果差异大，且每个样本只能反映某一小块的土壤性能，缺乏全局表征；更重要的是，目前的评价方法费时费力，需要大量劳动力和时间，效率低。此外，土壤肥力评价存在许多主客观影响因素，土壤肥力综合评价还需要改进和完善。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种基于卷积神经网络的农田土壤肥力评价方法，采用无人机遥感获取土壤图像样本，在不破坏农田和作物生长的情况下获得样本，通过深度学习在不同时期反复计算出当前地块的土壤肥力情况，节省人力物力，同时结合土壤肥力多参数时空分布规律，为最终智慧农业中的精准施肥提供有效的技术支持。
为了达到上述目的，本发明采用以下技术方案予以实现。
基于卷积神经网络的农田土壤肥力评价方法，包括以下步骤：
步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；
其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；
步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；
步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；
步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类模型，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级。
进一步地，所述获取原始农田图像为通过无人机拍摄获取农作物生长的农田图像。
进一步地，所述农田土壤肥力分类模型包含输入层、多个卷积层、多个池化层、两个全连接层和输出层；每个卷积层对应的激活函数为relu，之后连接一个池化层；最后一个池化层输出的多维数据通过Flatten函数转化为一维数据后经过Dropout防止过拟合；第一层全连接层将所有的神经元连接起来，使用relu激活函数实现x=max[0,x]，第二层全连接层使用sofemax激活函数输出分类概率值；
其中，每个卷积层分别由多个卷积核和偏置组成，第一个卷积层的卷积核的通道数等于输入图片的通道数；每个卷积层分别用于提取每张图像的不同特征。
进一步地，所述归一化处理为对每张原始农田图像中的每个像素值乘以预设的缩放因子，使每张原始农田图像的像素值归一化至0到1之间。
进一步地，所述对归一化后原始数据进行数据扩充，具体为：对归一化后原始数据中的每个数据矩阵分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到五组变换后的数据矩阵，即为扩充数据；
其中，所述翻转变换为沿着水平或者垂直方向翻转原始数据矩阵；所述缩放变换为按照设定比例反打或者缩小原始数据矩阵；所述平移变换为在图像平面上对归一化后的图像进行随机或者设定方式的平移，以改变图像内容的位置；所述尺度变换为对图像按照指定的尺子因子进行放大或者缩小，改变图像内容的大小或者模糊程度；所述错切变换为指定每张归一化后原始图像中所有像素点的x坐标或者y坐标保持不变，对应的y坐标或者x坐标则按比例发生平移，且平移的距离与该像素点到x轴或y轴的垂直距离成正比。
进一步地，所述采用训练集对农田土壤肥力分类模型进行训练，其具体过程为：
3.1，对农田土壤肥力分类模型中的权值参数和偏置进行随机初始化；
3.2，将训练集中的每张图像作为输入数据依次输入农田土壤肥力分类模型，每次输入一个样本；输入图像的张量为M*N*S，其中M*N为输入图像的大小，S为通道数；
3.3，将每张输入图像转换成S层二维像素矩阵，经过卷积层提取特征矩阵，池化层对特征矩阵进行下采样，经过多次卷积和池化过程，得到一个或多个多维矩阵，再通过两个全连接层对一个或多个多维矩阵进行数据整合，展开成概率的一维特征向量，最后输出分类概率值；
3.4，采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，直至损失函数小于设定值或所有训练样本训练完成，结束训练，得到训练后的农田土壤肥力分类网络。
进一步地，所述采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，具体为：
（a）设定批量大小；
（b）当前批量训练结束后，计算当前批量与上一批量的交叉熵即损失函数，其计算公式为：
其中，L是损失值，N是一次要训练的图片数量，即批量大小，是真实样本标签，是农田土壤肥力分类模型输出的概率值；
（c）根据当前批量的损失值，对农田土壤肥力分类模型中的权值参数和偏置进行更新，再进行下一批量的训练，如此往复，直至训练结束。
进一步地，所述将所有待评价图片的分类结果进行统计分析，具体为：
首先，统计所有待评价图片的分类结果为茂密的图片个数k，计算目标农田的商值；/>，为待评价图片总数；
然后，采用该商值作为目标农田土壤肥力评价指标；当s≥0.85时，土壤肥力评价为优；当0.7≤s＜0.85时，土壤肥力评价为良；当0.6≤s＜0.7时，土壤肥力评价为中；当s＜0.6时，土壤肥力评价为差。
与现有技术相比，本发明的有益效果为：
本发明通过无人机遥感图像作为评价样本，避免了传统的现场土壤采样，节省人力物力；同时，通过建立卷积神经网络去学习农作物的特征，在日常的生产过程中通过无人机去获取图像再经过建立好的模型算法对获取的图像自动判别，能够减少大量人力和物力，加快农业生产的自动化程度。无人机遥感图像的获取能够在短时间内完成对大型农场基地土壤肥力的检测，快速的了解到农场土壤肥力的信息。农作物土壤图像识别技术能够加快土壤肥力的信息化，使得在对农田的管理上更加的高效、精准和全面。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是本发明一种基于卷积神经网络的农田土壤肥力评价方法的数据获取及传输示意图；
图2是本发明实施例的待评价图片的处理过程示意图；
图3是本发明实施例的农田土壤肥力分类模型结构示意图；
图4是本发明实施例的卷积核特征提取过程图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
参考图1和图2，本发明提供的一种基于卷积神经网络的农田土壤肥力评价方法，包括以下步骤：
步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；
其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；
具体地，本实施例采用固定翼无人机“彩虹-5”，操控距离远，飞行高度高，负载能力大，置空时间长，速度快，其最大航程为6500km，实用升限超过7000m，可承载高达1200kg的有效载荷，能承载拍摄设备的部署。
无人机具有通信数据抗干扰传输技术，其工作频段采用较高的C(4.0～8.0GHz)、X(8～12GHz)、Ku(10.7～18.1GHz)波段，确保中远距离遥感不会中断。同时，无人机机载设备具有耐温、抗震、小型化结构设计技术。
通过无人机拍摄的图片分为两大类茂密以及稀疏，本实施例中针对各种农田拍摄500张农田图片作为原始农田图像。500张农田图片中不存在重复图片。
如图3所示，农田土壤肥力分类模型为CNN网络，其包含输入层、多个卷积层、多个池化层、两个全连接层和输出层；每个卷积层对应的激活函数为relu，之后连接一个池化层；最后一个池化层输出的多维数据通过Flatten函数转化为一维数据后经过Dropout防止过拟合；第一层全连接层将所有的神经元连接起来，使用relu激活函数实现x=max[0,x]，第二层全连接层使用sofemax激活函数输出分类概率值；
其中，每个卷积层分别由多个卷积核和偏置组成，第一个卷积层的卷积核的通道数等于输入图片的通道数，每个卷积层分别用于提取每张图像的不同特征，如图4所示。
将原始农田图片转换成150*150*3的像素矩阵，150分别为矩阵的行数与列数，3是因为输入的图片为彩色RGB图片，所以经过转换后的图片为三层150*150的矩阵，即通道数为3。
步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；
示例性地，本实施例的归一化过程：
通过ImageDataGenerator类构造函数中的rescale参数对每张原始农田图像进行归一化处理。其中，rescale为缩放因子，默认为None。如果是None或0，不进行缩放，否则将数据乘以所提供的值。
rescale的作用是对图片的每个像素值均乘上这个缩放因子，这个操作在所有其他变换操作之前执行，在一些模型当中，直接输入原图的像素值可能会落入激活函数的“死亡区”，因此设置放缩因子为1./255，把像素值放缩到0和1之间有利于模型的收敛，避免神经元“死亡”。
本实施例的数据扩充过程为：对归一化后原始数据中的每个数据矩阵分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到五组变换后的数据矩阵，即为扩充数据；
其中，所述翻转变换为沿着水平或者垂直方向翻转原始数据矩阵；所述缩放变换为按照设定比例反打或者缩小原始数据矩阵；所述平移变换为在图像平面上对归一化后的图像进行随机或者设定方式的平移，以改变图像内容的位置；所述尺度变换为对图像按照指定的尺子因子进行放大或者缩小，改变图像内容的大小或者模糊程度；所述错切变换为指定每张归一化后原始图像中所有像素点的x坐标或者y坐标保持不变，对应的y坐标或者x坐标则按比例发生平移，且平移的距离与该像素点到x轴或y轴的垂直距离成正比。模型通过ImageDataGenerator类构造函数通过对进行旋转，图片宽度偏移，图片高度偏移，剪切，随机缩放和随机水平翻转来对图像数据进行数据增强。
本实施例中，对每张原始农田图像分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到5张变换后图像，最终总共产生2500张变换后图像，即扩充数据，再加上原始农田图像总共形成3000张图片，将其按1:5的比例分成训练集和测试集。
步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；
本实施例中， 农田土壤肥力分类模型即CNN网络的学习率为0.1，batch_size值为10。
3.1，对农田土壤肥力分类模型中的权值参数和偏置进行随机初始化；
3.2，将训练集中的每张图像作为输入数据依次输入农田土壤肥力分类模型，每次输入一个样本；输入图像的张量为M*N*S，其中M*N为输入图像的大小，S为通道数；本实施例中通道数为3。
3.3，将每张输入图像转换成S层二维像素矩阵，经过卷积层提取特征矩阵，池化层对特征矩阵进行下采样，经过多次卷积和池化过程，得到一个或多个多维矩阵，再通过两个全连接层对一个或多个多维矩阵进行数据整合，展开成概率的一维特征向量，最后输出分类概率值；
3.4，采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，直至损失函数小于设定值或所有训练样本训练完成，结束训练，得到训练后的农田土壤肥力分类网络。
具体更新过程为：
（a）设定批量大小；
（b）当前批量训练结束后，计算当前批量与上一批量的交叉熵即损失函数，其计算公式为：
其中，L是损失值，N是一次要训练的图片数量，即批量大小，是真实样本标签，是农田土壤肥力分类模型输出的概率值；
（c）根据当前批量的损失值，对农田土壤肥力分类模型中的权值参数和偏置进行更新，再进行下一批量的训练，如此往复，直至训练结束。
训练结束后，采用测试集输入训练后的农田土壤肥力分类网络，以测试训练效果。
步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类网络，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级。
本实施例中，采用无人机在20m高空处对目标农田进行按区域扫描式拍摄，所拍摄的图片涵盖目标农田的各个位置，得到35张待评价图片；将这35张图片依次输入步骤3训练后的农田土壤肥力分类网络，对应输出每张待评价目标的肥力类别（稀疏或茂密）；结果为25张茂密，10张为稀疏，则目标农田的商值，则该目标农田的土壤肥力评价为良。本发明方法能快速的锁定肥力缺失的农田，再对其精准检测补充肥力，减少人为的去检测，节省时间和人力。
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (4)
1.基于卷积神经网络的农田土壤肥力评价方法，其特征在于，包括以下步骤：
步骤1，获取原始农田图像，并建立农田土壤肥力分类模型；
其中，原始农田图像为彩色图片，包含茂密和稀疏两大类；
步骤2，对每张原始农田图像即原始数据进行归一化处理，对应得到归一化后原始数据，对归一化后原始数据进行数据扩充，得到扩充数据，所述扩充数据和归一化后原始数据共同形成训练集；
所述对归一化后原始数据进行数据扩充，具体为：对归一化后原始数据中的每个数据矩阵分别进行翻转变换、缩放变换、平移变换、尺度变换和错切变换，对应得到五组变换后的数据矩阵，即为扩充数据；
其中，所述翻转变换为沿着水平或者垂直方向翻转原始数据矩阵；所述缩放变换为按照设定比例反打或者缩小原始数据矩阵；所述平移变换为在图像平面上对归一化后的图像进行随机或者设定方式的平移，以改变图像内容的位置；所述尺度变换为对图像按照指定的尺子因子进行放大或者缩小，改变图像内容的大小或者模糊程度；所述错切变换为指定每张归一化后原始图像中所有像素点的x坐标或者y坐标保持不变，对应的y坐标或者x坐标则按比例发生平移，且平移的距离与该像素点到x轴或y轴的垂直距离成正比；
步骤3，采用训练集对农田土壤肥力分类模型进行训练，得到训练后的农田土壤肥力分类网络；
所述采用训练集对农田土壤肥力分类模型进行训练，其具体过程为：
3.1，对农田土壤肥力分类模型中的权值参数和偏置进行随机初始化；
3.2，将训练集中的每张图像作为输入数据依次输入农田土壤肥力分类模型，每次输入一个样本；输入图像的张量为M*N*S，其中M*N为输入图像的大小，S为通道数；
3.3，将每张输入图像转换成S层二维像素矩阵，经过卷积层提取特征矩阵，池化层对特征矩阵进行下采样，经过多次卷积和池化过程，得到一个或多个多维矩阵，再通过两个全连接层对一个或多个多维矩阵进行数据整合，展开成概率的一维特征向量，最后输出分类概率值；
3.4，采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，直至损失函数小于设定值或所有训练样本训练完成，结束训练，得到训练后的农田土壤肥力分类网络；
所述采用小批量梯度下降算法对农田土壤肥力分类模型中的权值参数和偏置进行更新，具体为：
(a)设定批量大小；
(b)当前批量训练结束后，计算当前批量与上一批量的交叉熵即损失函数，其计算公式为：
其中，L是损失值，N是一次要训练的图片数量，即批量大小，y(i)是真实样本标签，是农田土壤肥力分类模型输出的概率值；
(c)根据当前批量的损失值，对农田土壤肥力分类模型中的权值参数和偏置进行更新，再进行下一批量的训练，如此往复，直至训练结束；
步骤4，获取目标农田的多张图像作为待评价图片，将待评价图片输入训练后的农田土壤肥力分类网络，输出对应分类结果；将所有待评价图片的分类结果进行统计分析，得到目标农田的肥力评价等级；
所述将所有待评价图片的分类结果进行统计分析，具体为：
首先，统计所有待评价图片的分类结果为茂密的图片个数k，计算目标农田的商值K＞16，为待评价图片总数；
然后，采用该商值作为目标农田土壤肥力评价指标；当s≥0.85时，土壤肥力评价为优；当0.7≤s＜0.85时，土壤肥力评价为良；当0.6≤s＜0.7时，土壤肥力评价为中；当s＜0.6时，土壤肥力评价为差。
2.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述获取原始农田图像为通过无人机拍摄获取农作物生长的农田图像。
3.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述农田土壤肥力分类模型包含输入层、多个卷积层、多个池化层、两个全连接层和输出层；每个卷积层对应的激活函数为relu，之后连接一个池化层；最后一个池化层输出的多维数据通过Flatten函数转化为一维数据后经过Dropout防止过拟合；第一层全连接层将所有的神经元连接起来，使用relu激活函数进行x＝max[0,x]操作，第二层全连接层使用sofemax激活函数输出分类概率值；
其中，每个卷积层分别由多个卷积核和偏置组成，第一个卷积层的卷积核的通道数等于输入图片的通道数；每个卷积层分别用于提取每张图像的不同特征。
4.根据权利要求1所述的基于卷积神经网络的农田土壤肥力评价方法，其特征在于，所述归一化处理为对每张原始农田图像中的每个像素值乘以预设的缩放因子，使每张原始农田图像的像素值归一化至0到1之间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010794123.2A CN112016596B (zh) | 2020-08-10 | 2020-08-10 | 基于卷积神经网络的农田土壤肥力评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010794123.2A CN112016596B (zh) | 2020-08-10 | 2020-08-10 | 基于卷积神经网络的农田土壤肥力评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016596A CN112016596A (zh) | 2020-12-01 |
| CN112016596B true CN112016596B (zh) | 2024-04-09 |
Family
ID=73499252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010794123.2A Active CN112016596B (zh) | 2020-08-10 | 2020-08-10 | 基于卷积神经网络的农田土壤肥力评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016596B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296834B (zh) * | 2021-05-21 | 2023-11-03 | 南京大学 | 一种基于逆向工程的安卓闭源服务类型信息提取方法 |
| CN116663779B (zh) * | 2023-07-27 | 2023-10-20 | 北京市农林科学院信息技术研究中心 | 耕地土壤多深度肥力点面转换方法及装置 |
| CN117172992B (zh) * | 2023-11-02 | 2023-12-29 | 北京建工环境修复股份有限公司 | 一种污染农田土壤的微生态特征调查方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6058351A (en) * | 1998-09-10 | 2000-05-02 | Case Corporation | Management zones for precision farming |
| CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
| CN110428114A (zh) * | 2019-08-12 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
| CN110718137A (zh) * | 2018-07-13 | 2020-01-21 | 广州极飞科技有限公司 | 目标物密度分布地图的构建方法及装置、终端、移动装置 |
| CN110991430A (zh) * | 2020-03-02 | 2020-04-10 | 中科星图股份有限公司 | 基于遥感图像的地物识别及覆盖率计算方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2020
- 2020-08-10 CN CN202010794123.2A patent/CN112016596B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6058351A (en) * | 1998-09-10 | 2000-05-02 | Case Corporation | Management zones for precision farming |
| CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
| CN110718137A (zh) * | 2018-07-13 | 2020-01-21 | 广州极飞科技有限公司 | 目标物密度分布地图的构建方法及装置、终端、移动装置 |
| CN110428114A (zh) * | 2019-08-12 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
| CN110991430A (zh) * | 2020-03-02 | 2020-04-10 | 中科星图股份有限公司 | 基于遥感图像的地物识别及覆盖率计算方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "基于卷积神经网络的林木提取及覆盖率估测";刘亚檀;《中国优秀硕士学位论文全文数据库》;20200115;第2020年卷(第1期);第2-5章 * |
| 高扬.《智能摘要与深度学习》.北京理工大学出版社,2019,第103-104页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016596A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016596B (zh) | 基于卷积神经网络的农田土壤肥力评价方法 | |
| CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
| CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
| CN108564006B (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
| CN108491757B (zh) | 基于多尺度特征学习的光学遥感图像目标检测方法 | |
| CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
| CN107274387B (zh) | 基于进化多目标优化的高光谱遥感影像的端元提取方法 | |
| CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
| CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
| CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
| CN110826693B (zh) | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 | |
| CN113392748B (zh) | 一种基于卷积神经网络的遥感影像耕地信息提取方法 | |
| CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
| CN112580554B (zh) | 基于cnn的mstar数据噪声强度控制的分类识别方法 | |
| CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
| CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| CN113221787A (zh) | 基于多元差异性融合的行人多目标跟踪方法 | |
| Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
| CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
| CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
| CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
| CN110689065A (zh) | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 | |
| CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 |
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 |