CN112052811A - 基于人工智能及航拍图像的牧场草原沙化检测方法 - Google Patents
基于人工智能及航拍图像的牧场草原沙化检测方法 Download PDFInfo
- Publication number
- CN112052811A CN112052811A CN202010954401.6A CN202010954401A CN112052811A CN 112052811 A CN112052811 A CN 112052811A CN 202010954401 A CN202010954401 A CN 202010954401A CN 112052811 A CN112052811 A CN 112052811A
- Authority
- CN
- China
- Prior art keywords
- grassland
- image
- vegetation
- segmentation
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 104
- 239000004576 sand Substances 0.000 claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012805 post-processing Methods 0.000 claims abstract description 7
- 238000013079 data visualisation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 26
- 239000002689 soil Substances 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001228 spectrum Methods 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
Abstract
本发明公开了一种基于人工智能及航拍图像的牧场草原沙化检测方法，首先利用无人机对牧场草原进行数据采集，得到航拍RGB图和航拍近红外图，计算出航拍图像的土壤指数SI和归一化植被指数NDVI。将航拍RGB图联合SI和NDVI分别输入到裸沙分割神经网络与草原植被分割神经网络，得到裸沙分割图和草原植被分割图，将两图经过后处理得到草原沙化分割图。利用无人机进行巡航拍摄得到多个牧场航拍图，经过图像拼接形成完整的牧场区域图。将草原沙化分割图和牧场区域图投影到预先建立的牧场BIM中，结合WebGIS技术在Web端进行牧场草原沙化检测的数据可视化，展示牧场草原的裸沙分布情况。
Description
技术领域
本发明涉及人工智能、植被覆盖检测领域，特别是涉及一种基于人工智能及航拍图像的牧场草原沙化检测方法。
背景技术
草场退化是土地退化的一种类型，是土地荒漠化的主要表现形式之一，荒漠化可直接导致土地的生物和经济生产力与复杂性下降乃至丧失。
公开号为CN109856056A的专利文件，公开了一种沙化土地遥感快速识别方法。该方法使用遥感监测技术，首先获取连续时间序列的土地影像数据，统计一年内NDVI值保持在一定范围内不变的像元，从而提取非植被类型空间分布信息。该方法以一年为周期进行检测，周期过长、数据量庞大且遥感数据难以获取。
公开号为CN109583378A的专利文件，公开了一种植被覆盖度提取方法及系统。获取通过无人机采集的航拍影像；对航拍影像进行预处理后计算出航拍影像的植被指数，得到植被指数图像；以各个地物类别的信息熵的判别函数为适应度函数，利用遗传算法将植被类型图像从植被指数图像中分割出来，从而得到植被覆盖度。该方法单靠植被指数并不能有效区分裸沙与土壤，并且遗传算法的编码解码较为复杂。
发明内容
为解决上述问题，本发明提供一种基于人工智能及航拍图像的牧场草原沙化检测方法，包括：
S1、利用无人机对牧场草原进行数据采集，通过滤光片切换器来控制无人机红外截止滤光片的有无，当有红外截止滤光片时，得到航拍图像的第一拜耳阵列，当无红外截止滤光片时，得到包含近红外信息的航拍图像第二拜耳阵列；对第一拜耳阵列通过插值算法得到计算出像素的RGB值，得到航拍RGB图；由第二拜耳阵列减去第一拜耳阵列得到包含近红外信息的航拍近红外图；
S2、计算出航拍图像的土壤指数SI和归一化植被指数NDVI；
S3、将航拍RGB图和土壤指数SI输入到裸沙分割神经网络，分割出裸沙与非裸沙区域，输出为裸沙分割图；将航拍RGB图和归一化植被指数NDVI输入到草原植被分割神经网络，区分出草原植被与非草原植被区域，输出为草原植被分割图；
S4、将裸沙分割图和草原植被分割图经过后处理得到草原沙化分割图；
S5、无人机进行巡航拍摄得到的多个牧场航拍图，经过图像拼接形成完整的牧场区域图；
S6、建立牧场BIM，通过调用牧场BIM内部的信息交换模块实时更新牧场BIM，并将牧场区域图与草原沙化分割图投影到牧场BIM中的牧场草原地面上，结合WebGIS技术在Web端进行牧场草原沙化检测的数据可视化，展示牧场草原的裸沙分布情况。
进一步地，所述步骤S2中航拍图像的土壤指数SI计算具体如下：
根据航拍RGB图的Green和Blue的值，计算航拍图像的土壤指数SI，公式如下：
SI＝(Green-Blue)/(Green+Blue)。
进一步地，所述步骤S2中航拍图像的归一化植被指数NDVI计算具体如下：
根据航拍RGB图的红光信息R与航拍近红外图的近红外信息NIR，计算出航拍图像的归一化植被指数，公式如下：
NDVI＝(NIR-R)/(NIR+R)。
进一步地，所述步骤S3中裸沙分割神经网络训练过程具体如下：
将航拍RGB图与土壤指数SI联合，并进行归一化处理，将其值域归到[0,1]区间；将归一化的RGB信息联合SI数据输入到裸沙提取编码器对图像数据进行特征提取，输出为裸沙特征图；将裸沙特征图输入到裸沙提取解码器进行上采样与特征提取，输出为裸沙分割的概率图；经过argmax操作得到裸沙分割图，图像中每个像素值为1的点代表裸沙，像素值为0的点代表非裸沙，土壤属于非裸沙。
进一步地，所述步骤3中草原植被分割神经网络训练过程具体如下：
将航拍RGB图与归一化植被指数NDVI联合，并进行归一化处理，将其值域归到[0,1]区间；将归一化的RGB信息联合NDVI数据输入到草原提取编码器对图像数据进行特征提取，输出为草原植被特征图；将草原植被特征图输入到草原提取解码器进行上采样与特征提取，输出为草原植被分割的概率图；经过argmax操作得到草原植被分割图，图像中每个像素值为1的点代表草原植被，像素值为0的点代表非草原植被。
进一步地，所述步骤S4中后处理具体如下：
裸沙分割图中每个像素值为1的点代表裸沙，像素值为0的点代表非裸沙；草原植被分割图中每个像素值为1的点代表草原植被，像素值为0的点代表非草原植被；对裸沙分割图、草原植被分割图进行逐像素分析，得到草原沙化分割图：
若裸沙分割图中像素的像素值为1、草原植被分割图中对应像素位置像素值为1，则草原沙化分割图对应像素位置的像素值为2；若裸沙分割图中像素的像素值为0、草原植被分割图中对应像素位置像素值为0，则草原沙化分割图对应像素位置的像素值为0；若裸沙分割图中像素的像素值为1、草原植被分割图中对应像素位置像素值为0，则草原沙化分割图对应像素位置的像素值为1；若裸沙分割图中像素的像素值为0、草原植被分割图中对应像素位置像素值为1，则草原沙化分割图对应像素位置的像素值为2；最终形成的草原沙化分割图中的像素值有三类，即0，1，2，其中0表示其他，1表示裸沙，2表示草原植被。
进一步地，所述步骤S5中使用的图像拼接方法，具体包括：
对航拍图像提取底层特征，找出待拼接图像中特征点在参考图像中对应的位置，确定两幅图像之间的变换关系；根据图像特征之间的对应关系，建立两幅图像的数学变换模型；根据建立的数学变换模型，将待拼接图像转换到参考图像的坐标系中，完成统一坐标变换；通过合并图像重叠部分的像素值并保持没有重叠的像素值使之生成更大画布的图像，将更大画布的图像的重合区域进行融合得到完整的牧场区域图。
本发明的优点在于：
1.本方法使用无人机采集牧场区域图像，利用滤光片切换获得的图像建模近红外信息，相较于遥感数据成本低、易获得，成像上精度高、噪点少，便于处理与观测。
2.本方法采用两个图像分割神经网络，航拍图像分别联合土壤指数SI和归一化植被指数NDVI进行裸沙分割和草原植被分割，相较于单一采用SI或NDVI，提供更多的特征输入，使神经网络泛化能力更强，能更好的区分出裸沙与土壤、草原植被与非草原植被，鲁棒性高。
3.本方法采用后处理的方式对草原沙化分割图进行标注，逐像素分析准确率高，结果清晰。
4.本方法建立牧场BIM，通过WebGIS技术对牧场BIM信息进行可视化，实施者可在Web端直观地观测到牧场裸沙、草原植被的占比，了解牧场草原沙化的情况。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合附图来对本发明进行详细说明：
如图1所示，示出了本方法的流程示意图，本方法具体步骤如下：
S1：利用无人机对牧场草原进行数据采集，通过滤光片切换器来控制无人机红外截止滤光片的有无，当有红外截止滤光片时，得到航拍图像的第一拜耳阵列，当无红外截止滤光片时，得到包含近红外信息的航拍图像第二拜耳阵列；
其中，第一拜耳阵列为单通道，每一个像素仅仅包括了光谱的一部分，必须通过插值来得到每个像素的RGB值，由此可得到航拍RGB图；拜耳阵列插值算法是公知的，不在本发明保护范围内。
其中，有红外截止滤光片会滤除一定范围内的红外光，因此近红外的信息可由第二拜耳阵列减去第一拜耳阵列得到，即可得到包含近红外信息的航拍近红外图。
S2：计算出航拍图像的土壤指数SI和归一化植被指数NDVI。
在遥感影像中，归一化植被指数NDVI可以有效地反映出植被覆盖度，根据航拍RGB图的红光信息R与航拍近红外图的近红外信息NIR，计算出航拍图像的归一化植被指数，公式如下：
NDVI＝(NIR-R)/(NIR+R)。
土壤指数SI可用于区分土壤与裸沙，根据航拍RGB图的Green和Blue的值，计算航拍图像的土壤指数SI，公式如下：
SI＝(Green-Blue)/(Green+Blue)。
S3：将航拍RGB图和土壤指数SI输入到裸沙分割神经网络，分割出裸沙与非裸沙区域，输出为裸沙分割图；将航拍RGB图和归一化植被指数NDVI输入到草原植被分割神经网络，分割出草原植被与非草原植被区域，输出为草原植被分割图。
其中，上述步骤S3中裸沙分割神经网络的训练过程如下：
将航拍RGB图与土壤指数SI联合，并进行归一化处理，将其值域归到[0,1]区间，有助于网络的收敛；将归一化的RGB信息联合SI数据输入到裸沙提取编码器对图像数据进行特征提取，输出为裸沙特征图；将裸沙特征图输入到裸沙提取解码器进行上采样与特征提取，输出为裸沙分割的概率图；损失函数采用交叉熵函数。经过argmax操作得到裸沙分割图，图像中每个像素值为1的点代表裸沙，像素值为0的点代表非裸沙，土壤属于非裸沙。
其中，上述步骤S3中草原植被分割神经网络的训练过程如下：
将航拍RGB图与归一化植被指数NDVI联合，并进行归一化处理，将其值域归到[0,1]区间，有助于网络的收敛；将归一化的RGB信息联合NDVI数据输入到草原提取编码器对图像数据进行特征提取，输出为草原植被特征图；将草原植被特征图输入到草原提取解码器进行上采样与特征提取，输出为草原植被分割的概率图；损失函数采用交叉熵函数。经过argmax操作得到草原植被分割图，图像中每个像素值为1的点代表草原植被，像素值为0的点代表非草原植被。
草原提取编码器和解码器、裸沙提取编码器和解码器，推荐采用跳级连接结构，并结合ShuffleNet、MobileNet等轻量级网络的block设计，以便更快速、更准确地对目标进行分割。进行语义分割时，实施者也可套用常见的语义分割模型，如FCN、Deeplab、ICNet等。
需要说明的是，如果航拍RGB图像过大，需要将图片进行切片处理，如图像分辨率为1024*1024，可切为4张512*512大小的图，作为神经网络的输入。切割图像的方法可选择均匀切割、重叠切割等公知的方法，实施者可自由选择。
S4：将裸沙分割图和草原植被分割图经过后处理得到草原沙化分割图；
其中，上述步骤S4中后处理具体如下：
裸沙分割图中每个像素值为1的点代表裸沙，像素值为0的点代表非裸沙；草原植被分割图中每个像素值为1的点代表草原植被，像素值为0的点代表非草原植被；对裸沙分割图、草原植被分割图进行逐像素分析，得到草原沙化分割图：
若裸沙分割图中像素的像素值为1、草原植被分割图中对应像素位置像素值为1，则草原沙化分割图对应像素位置的像素值为2；若裸沙分割图中像素的像素值为0、草原植被分割图中对应像素位置像素值为0，则草原沙化分割图对应像素位置的像素值为0；若裸沙分割图中像素的像素值为1、草原植被分割图中对应像素位置像素值为0，则草原沙化分割图对应像素位置的像素值为1；若裸沙分割图中像素的像素值为0、草原植被分割图中对应像素位置像素值为1，则草原沙化分割图对应像素位置的像素值为2；最终形成的草原沙化分割图中的像素值有三类，即0，1，2，其中0表示其他，1表示裸沙，2表示草原植被。
特别地，如第一种分析情况所示，
若裸沙分割图中某一位置的像素值为1，即代表此位置为裸沙；若在草原植被分割图像中同一位置点的像素值为也为1，即代表该位置为草原植被；由于草原植被的纹理与颜色特征比较明显，因此出现此种情况时，认定裸沙分割图像存在误判，判定草原沙化分割图对应像素位置的像素值为2，即代表该位置为草原植被。
S5：无人机进行巡航拍摄得到的多个牧场航拍图，经过图像拼接形成完整的牧场区域图。
其中，上述步骤S5中的图像拼接方法如下：
对航拍图像提取底层特征，图像底层特征有多种，如ORB、SIFT、SURF、Harris，实施者可自由选择，同时也可参考一些改进方法，如L-ORB、AKAZE等。
找出待拼接图像中特征点在参考图像中对应的位置，确定两幅图像之间的变换关系，进行图像配准；
根据图像特征之间的对应关系，求解单应性矩阵，建立两幅图像的数学变换模型；
根据建立的数学变换模型，将待拼接图像转换到参考图像的坐标系中，完成统一坐标变换；
之后进行缝合，通过合并图像重叠部分的像素值并保持没有重叠的像素值使之生成更大画布的图像，将更大画布的图像的重合区域进行融合得到完整的牧场区域图，融合的方法有多种，可采用如羽化融合算法、金字塔融合算法等公知算法。
其中，无人机可分时段进行拍摄，得到多时像的牧场区域图。
S6：建立牧场BIM，通过调用牧场BIM内部的信息交换模块实时更新牧场BIM，并将牧场区域图与草原沙化分割图投影到牧场BIM中的牧场草原地面上，结合WebGIS技术在Web端进行牧场草原沙化检测的数据可视化，展示牧场草原的裸沙分布情况。
其中，上述步骤S6中将牧场区域图与草原沙化分割图投影到牧场BIM中的牧场草原地面上的方法如下：
计算完整的牧场区域图到牧场BIM草原地面的单应性矩阵，需要至少4组坐标点，即至少需要牧场区域图的4个角点及牧场BIM草原地面上的4个角点，其中角点建议人为选择，以便得到更精确的结果，并且角点要一一对应。通过计算得到的单应性矩阵进行投影。
草原沙化分割图的投影原理同上。
最终，实施者可以在Web端直观的观测到牧场中裸沙、草原植被的占比，更好地了解牧场草原沙化的情况。
以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。
Claims (7)
1.一种基于人工智能及航拍图像的牧场草原沙化检测方法，其特征在于，该方法包括：
S1、利用无人机对牧场草原进行数据采集，通过红外滤光片切换器来控制无人机红外截止滤光片的有无，当有红外截止滤光片时，得到航拍图像的第一拜耳阵列，当无红外截止滤光片时，得到包含近红外信息的航拍图像第二拜耳阵列；对第一拜耳阵列通过插值算法得到计算出像素的RGB值，得到航拍RGB图；由第二拜耳阵列减去第一拜耳阵列得到包含近红外信息的航拍近红外图；
S2、计算出航拍图像的土壤指数SI和归一化植被指数NDVI；
S3、将航拍RGB图和土壤指数SI输入到裸沙分割神经网络，分割出裸沙与非裸沙区域，输出为裸沙分割图；将航拍RGB图和归一化植被指数NDVI输入到草原植被分割神经网络，区分出草原植被与非草原植被区域，输出为草原植被分割图；
S4、将裸沙分割图和草原植被分割图经过后处理得到草原沙化分割图；
S5、利用无人机进行巡航拍摄得到多个牧场航拍图，经过图像拼接形成完整的牧场区域图；
S6、建立牧场BIM，通过调用牧场BIM内部的信息交换模块实时更新牧场BIM，并将牧场区域图与草原沙化分割图投影到牧场BIM中的牧场草原地面上，结合WebGIS技术在Web端进行牧场草原沙化检测的数据可视化，展示牧场草原的裸沙分布情况。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2中航拍图像的土壤指数SI计算具体如下：
根据航拍RGB图的Green和Blue的值，计算航拍图像的土壤指数SI，公式如下：
SI＝(Green-Blue)/(Green+Blue)。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2中航拍图像的归一化植被指数NDVI计算具体如下：
根据航拍RGB图的红光信息R与航拍近红外图的近红外信息NIR，计算出航拍图像的归一化植被指数，公式如下：
NDVI＝(NIR-R)/(NIR+R)。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3中裸沙分割神经网络训练过程具体如下：
将航拍RGB图与土壤指数SI联合，并进行归一化处理，将其值域归到[0,1]区间；将归一化的RGB信息联合SI数据输入到裸沙提取编码器对图像数据进行特征提取，输出为裸沙特征图；将裸沙特征图输入到裸沙提取解码器进行上采样与特征提取，输出为裸沙分割的概率图；经过argmax函数得到裸沙分割图，图像中每个像素值为1的点代表裸沙，像素值为0的点代表非裸沙，土壤属于非裸沙。
5.根据权利要求1所述的方法，其特征在于，所述步骤S3中草原植被分割神经网络训练过程具体如下：
将航拍RGB图与归一化植被指数NDVI联合，并进行归一化处理，将其值域归到[0,1]区间；将归一化的RGB信息联合NDVI数据输入到草原提取编码器对图像数据进行特征提取，输出为草原植被特征图；将草原植被特征图输入到草原提取解码器进行上采样与特征提取，输出为草原植被分割的概率图；经过argmax函数得到草原植被分割图，图像中每个像素值为1的点代表草原植被，像素值为0的点代表非草原植被。
6.根据权利要求1所述的方法，其特征在于，所述步骤S4中后处理具体如下：
裸沙分割图中每个像素值为1的点代表裸沙，像素值为0的点代表非裸沙；草原植被分割图中每个像素值为1的点代表草原植被，像素值为0的点代表非草原植被；对裸沙分割图、草原植被分割图进行逐像素分析，得到草原沙化分割图：
若裸沙分割图中像素的像素值为1、草原植被分割图中对应像素位置像素值为1，则草原沙化分割图对应像素位置的像素值为2；若裸沙分割图中像素的像素值为0、草原植被分割图中对应像素位置像素值为0，则草原沙化分割图对应像素位置的像素值为0；若裸沙分割图中像素的像素值为1、草原植被分割图中对应像素位置像素值为0，则草原沙化分割图对应像素位置的像素值为1；若裸沙分割图中像素的像素值为0、草原植被分割图中对应像素位置像素值为1，则草原沙化分割图对应像素位置的像素值为2；最终形成的草原沙化分割图中的像素值有三类，即0，1，2，其中0表示其他，1表示裸沙，2表示草原植被。
7.根据权利要求1所述的方法，其特征在于，所述步骤S5中使用的图像拼接方法，具体包括：
对航拍图像提取底层特征，找出待拼接图像中特征点在参考图像中对应的位置，确定两幅图像之间的变换关系；
根据图像特征之间的对应关系，建立两幅图像的数学变换模型；
根据建立的数学变换模型，将待拼接图像转换到参考图像的坐标系中，完成统一坐标变换；
通过合并图像重叠部分的像素值并保持没有重叠的像素值使之生成更大画布的图像，将更大画布的图像的重合区域进行融合得到完整的牧场区域图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010954401.6A CN112052811A (zh) | 2020-09-11 | 2020-09-11 | 基于人工智能及航拍图像的牧场草原沙化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010954401.6A CN112052811A (zh) | 2020-09-11 | 2020-09-11 | 基于人工智能及航拍图像的牧场草原沙化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052811A true CN112052811A (zh) | 2020-12-08 |
Family
ID=73611588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010954401.6A Pending CN112052811A (zh) | 2020-09-11 | 2020-09-11 | 基于人工智能及航拍图像的牧场草原沙化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052811A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112860834A (zh) * | 2021-02-05 | 2021-05-28 | 深圳力维智联技术有限公司 | 一种基于webgis的第三方地图对接装置和方法 |
| CN113545255A (zh) * | 2021-06-30 | 2021-10-26 | 河北地质大学 | 一种草原斑块沙地的修复方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254174A (zh) * | 2011-07-08 | 2011-11-23 | 中铁第四勘察设计院集团有限公司 | 崩滑体中裸地信息的自动提取方法 |
| CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
| CN108629289A (zh) * | 2018-04-11 | 2018-10-09 | 千寻位置网络有限公司 | 农田的识别方法及系统、应用于农业的无人机 |
| AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
| CN111612779A (zh) * | 2020-05-26 | 2020-09-01 | 张仲靖 | 基于航拍图像与cim的水域藻类小目标检测方法与系统 |
| CN111612894A (zh) * | 2020-05-25 | 2020-09-01 | 江苏师范大学科文学院 | 基于航拍图像与cim的植被模型辅助生成方法与系统 |
-
2020
- 2020-09-11 CN CN202010954401.6A patent/CN112052811A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254174A (zh) * | 2011-07-08 | 2011-11-23 | 中铁第四勘察设计院集团有限公司 | 崩滑体中裸地信息的自动提取方法 |
| CN103063311A (zh) * | 2012-12-24 | 2013-04-24 | 珠江水利委员会珠江水利科学研究院 | 基于土壤指数的裸露基岩信息提取方法 |
| CN108629289A (zh) * | 2018-04-11 | 2018-10-09 | 千寻位置网络有限公司 | 农田的识别方法及系统、应用于农业的无人机 |
| CN111612894A (zh) * | 2020-05-25 | 2020-09-01 | 江苏师范大学科文学院 | 基于航拍图像与cim的植被模型辅助生成方法与系统 |
| CN111612779A (zh) * | 2020-05-26 | 2020-09-01 | 张仲靖 | 基于航拍图像与cim的水域藻类小目标检测方法与系统 |
| AU2020100917A4 (en) * | 2020-06-02 | 2020-07-09 | Guizhou Institute Of Pratacultural | A Method For Extracting Vegetation Information From Aerial Photographs Of Synergistic Remote Sensing Images |
Non-Patent Citations (2)
| Title |
|---|
| 郭震冬等: "利用无人机技术进行社区植被覆盖率调查", 《北京测绘》 * |
| 郭震冬等: "利用无人机技术进行社区植被覆盖率调查", 《北京测绘》, no. 5, 31 May 2017 (2017-05-31), pages 88 - 91 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112860834A (zh) * | 2021-02-05 | 2021-05-28 | 深圳力维智联技术有限公司 | 一种基于webgis的第三方地图对接装置和方法 |
| CN113545255A (zh) * | 2021-06-30 | 2021-10-26 | 河北地质大学 | 一种草原斑块沙地的修复方法 |
| CN113545255B (zh) * | 2021-06-30 | 2022-06-21 | 河北地质大学 | 一种草原斑块沙地的修复方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109345547A (zh) | 基于深度学习多任务网络的交通车道线检测方法及装置 | |
| CN108564021B (zh) | 一种基于数码相片提取荒漠植被盖度的方法 | |
| CN111080526A (zh) | 航拍图像的农田面积的测算方法、装置、设备及介质 | |
| CN109409265B (zh) | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 | |
| CN112052811A (zh) | 基于人工智能及航拍图像的牧场草原沙化检测方法 | |
| CN111199195A (zh) | 一种基于遥感图像的池塘状态全自动监测方法和装置 | |
| CN112927233A (zh) | 一种船用激光雷达与视频联合目标捕捉方法 | |
| CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 | |
| CN115170792A (zh) | 红外图像处理方法、装置及设备、存储介质 | |
| JP4747122B2 (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
| CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
| Guldogan et al. | Automated tree detection and density calculation using unmanned aerial vehicles | |
| CN111612779A (zh) | 基于航拍图像与cim的水域藻类小目标检测方法与系统 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN112541383B (zh) | 杂草区域的识别方法和装置 | |
| Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
| KR102040562B1 (ko) | 영상정보를 활용한 시정거리 추정 방법 | |
| Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
| Beumier et al. | Building change detection from uniform regions | |
| Lee et al. | Analysing forests using dense point clouds | |
| Bonaria | Grapevine yield estimation using image analysis for the variety Arinto | |
| Deng et al. | Tree crown recognition algorithm on high spatial resolution remote sensing imagery | |
| CN115410074B (zh) | 遥感影像云检测方法及装置 | |
| CN117333494B (zh) | 基于深度学习的秸秆覆盖率检测方法及系统 | |
| CN111860038B (zh) | 一种农作物前端识别装置及方法 |
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: 20201208 |
|
| RJ01 | Rejection of invention patent application after publication |