CN112651987A - 一种样方草地覆盖度计算方法及系统 - Google Patents

一种样方草地覆盖度计算方法及系统 Download PDF

Info

Publication number
CN112651987A
CN112651987A CN202011612993.XA CN202011612993A CN112651987A CN 112651987 A CN112651987 A CN 112651987A CN 202011612993 A CN202011612993 A CN 202011612993A CN 112651987 A CN112651987 A CN 112651987A
Authority
CN
China
Prior art keywords
sample
model
grassland
square frame
coverage
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
Application number
CN202011612993.XA
Other languages
English (en)
Other versions
CN112651987B (zh
Inventor
刘亚红
孙海莲
周楠
魏春山
石磊
谢宇
王洋
王慧敏
常虹
张君
李俊刚
维拉
邱晓
卢文静
杨鹏
晔薷罕
木兰
刘欣超
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.)
Suzhou Yixin Information Technology Co ltd
Inner Mongolia Academy of Agricultural and Animal Husbandry Sciences
Original Assignee
Suzhou Yixin Information Technology Co ltd
Inner Mongolia Academy of Agricultural and Animal Husbandry Sciences
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 Suzhou Yixin Information Technology Co ltd, Inner Mongolia Academy of Agricultural and Animal Husbandry Sciences filed Critical Suzhou Yixin Information Technology Co ltd
Priority to CN202011612993.XA priority Critical patent/CN112651987B/zh
Publication of CN112651987A publication Critical patent/CN112651987A/zh
Application granted granted Critical
Publication of CN112651987B publication Critical patent/CN112651987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

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

Abstract

本发明公开了一种样方草地覆盖度计算方法及系统。该方法包括：根据采集到的草地样方样本制备样方框样本；通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型；通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型；通过所述样方框模型提取未知样方的样方框；在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割；根据阈值分割结果计算样方草地覆盖度。本发明实现了结合深度学习语义分割模型(即，UNET网络模型)和传统阈值分割算法精确计算草地的分布。且本发明还通过简化网络结构在保证精度的情况下减少了计算时间和计算量。

Description

一种样方草地覆盖度计算方法及系统
技术领域
本发明涉及草地覆盖度计算领域，特别是涉及一种样方草地覆盖度计算方法及系统。
背景技术
目前内蒙古草地覆盖度的评估主要以样方为基础单元，通过对样方内草地状况的评估推测整个目标区域的草地分布。内蒙古野外草地调查仍然以目视判定为主，无论是实际操作还是结果的准确程度都比较粗糙，因而最终的全域结果也存在较大误差。现有算法技术下，草地覆盖度的计算，不仅可以通过SVM这样的传统机器学习算法，也可以通过FCN这样简单基础的深度学习算法。但是，用传统机器学习方法提取草地，结果比较粗糙，而用现有深度学习算法提取草地，虽然效果较好，但是嵌入移动端时参数多，计算比较慢。
发明内容
本发明的目的是提供一种样方草地覆盖度计算方法及系统，结合深度学习语义分割模型和传统阈值分割算法精确计算草地覆盖度。
为实现上述目的，本发明提供了如下方案：
一种样方草地覆盖度计算方法，包括：
根据采集到的草地样方样本制备样方框样本；
通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型；
通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型；
通过所述样方框模型提取未知样方的样方框；
在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割；
根据阈值分割结果计算样方草地覆盖度。
可选地，在得到样方框模型之后，还包括：
对所述样方框模型进行测试，得到满足精度要求的样方框模型。
可选地，所述通过模型压缩剪枝方法对UNET网络模型进行处理，具体包括：
在下采样阶段去掉所述UNET网络模型的第一设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第一设定卷积层为所述UNET网络模型从下至上的第2层卷积层，第4层卷积层以及第6层卷积层；
在上采样阶段去掉所述UNET网络模型的第二设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第二设定卷积层为所述UNET网络模型从上至下的第2层卷积层，第4层卷积层以及第6层卷积层。
可选地，所述根据阈值分割结果计算样方草地覆盖度，具体包括：
计算所述阈值分割结果中草地像素数量占总像素数量的比值；所述比值表示样方草地覆盖度。
本发明还提供了一种样方草地覆盖度计算系统，包括：
样本制备模块，用于根据采集到的草地样方样本制备样方框样本；
模型构建模块，用于通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型；
训练模块，用于通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型；
提取模块，用于通过所述样方框模型提取未知样方的样方框；
阈值分割模块，用于在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割；
计算模块，用于根据阈值分割结果计算样方草地覆盖度。
可选地，还包括：
测试模块，用于对所述样方框模型进行测试，得到满足精度要求的样方框模型。
可选地，所述模型构建模块具体包括：
第一处理单元，用于在下采样阶段去掉所述UNET网络模型的第一设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第一设定卷积层为所述UNET网络模型从下至上的第2层卷积层，第4层卷积层以及第6层卷积层；
第二处理单元，用于在上采样阶段去掉所述UNET网络模型的第二设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第二设定卷积层为所述UNET网络模型从上至下的第2层卷积层，第4层卷积层以及第6层卷积层。
可选地，所述计算模块具体包括：
像素数量比值计算单元，用于计算所述阈值分割结果中草地像素数量占总像素数量的比值；所述比值表示样方草地覆盖度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种样方草地覆盖度计算方法及系统。该方法包括：根据采集到的草地样方样本制备样方框样本；通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型；通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型；通过所述样方框模型提取未知样方的样方框；在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割；根据阈值分割结果计算样方草地覆盖度。本发明实现了结合深度学习语义分割模型(即，UNET网络模型)和传统阈值分割算法精确计算草地的分布。且本发明还通过简化网络结构在保证精度的情况下减少了计算时间和计算量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例样方草地覆盖度计算方法的流程图；
图2为简化的UNET语义分割模型结构；
图3为草地样方框的提取及阈值分割结果；
图4为样方草地app界面展示。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明的目的是提供一种样方草地覆盖度计算方法及系统，结合深度学习语义分割模型和传统阈值分割算法精确计算草地覆盖度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，一种样方草地覆盖度计算方法包括以下步骤：
步骤101：根据采集到的草地样方样本制备样方框样本。
制作过程为：将草地样方照片及对应的矢量图层加载到arcgis,开启编辑模式勾绘出样方框的轮廓，勾绘完毕后利用python gdal模块将样本矢量转为栅格，最终得到和样方照片一一对应的标签(即与原图对应且大小一致的标明目标物体和背景的栅格文件，其中0代表背景，1代表目标物体，目标物体为样本框)。
步骤102：通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型。具体的：在下采样阶段去掉所述UNET网络模型的第一设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第一设定卷积层为所述UNET网络模型从下至上的第2层卷积层，第4层卷积层以及第6层卷积层；在上采样阶段去掉所述UNET网络模型的第二设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第二设定卷积层为所述UNET网络模型从上至下的第2层卷积层，第4层卷积层以及第6层卷积层。
模型的构建主要以UNET网络模型为基础，通过模型压缩剪枝方法，在保留模型编解码结构(U型结构)的基础上减少模型参数，减小模型复杂度，提高计算效率。具体说来就是在下采样阶段去掉网络的第2，4，6层卷积层(从下采样开始数)，并且调节BN层的缩放因子gamma完成无效神经元的去除，同样在上采样阶段去掉第2，4，6层卷积层(从上采样开始数)，并且调节BN层的缩放因子gamma完成无效神经元的去除，保留中间深层特征。简化的UNET模型结构如图2所示。
步骤103：通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型。
模型测试，利用步骤103中的模型预测测试数据得到对应的样方框提取结果，并通过交并比(IOU)进行精度评定，不满足精度要求时需增加样本(样本由步骤101中描述的方式产生)重新训练模型。其中交并比为测试样方预测结果二值图像与标签二值图像交集与并集的比值，另外为保证覆盖度的准确度，需要保证IOU评价指标达到0.7以上
步骤104：通过所述样方框模型提取未知样方的样方框。
步骤105：在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割。阈值分割结果如图3所示。
步骤104中的样方框已经把草地的范围精确的约束在框内，此时框内的场景很简单，只有草地和非草地(大多为裸土)，这时候用阈值分割就可以精确得到草地(值为1)和非草地(值为0)的二值图。
步骤106：根据阈值分割结果计算样方草地覆盖度。
利用步骤105阈值分割的结果统计该结果中草地像素数量占总像素数量的比值得到草地覆盖度。
此外，可以将本发明提供的方法嵌入到手机应用，仅通过拍照的方式就能快速精确得到样方内草地的覆盖度。具体包括：
(1)手机APP前端搭建，系统基于Camera2API与相机硬件进行交互，在内部调用相应的Binder接口，以访问与相机互动的原生代码，以完成前端与相机交互这一核心功能的开发。
(2)手机APP后台搭建，通过将本地服务部署到阿里云端的Tomcat服务器，来处理客户端的HTTP请求，实现数据的实时获取与展示。用Java语言开发的Web工程打包成War部署到阿里云端进行发布之后，客户端可以通过服务端对数据库进行相应的增删改查，实现外业数据的采集上传与数据下载。
(3)将本发明提供的方法集成到后台作为核心计算模块。
(4)手机APP野外实地测试使用，在野外调查时打开APP，通过APP触发拍照功能，将手机摄像头对准样方，尽量使得样方充满整个手机屏幕，同时手机与地面样方尽量保持垂直，拍照后主界面会自动显示所拍图像及对应的草地覆盖度。
本发明以手机客户端为搭载平台，在野外通过拍照即时得到样方内的草地覆盖情况，不仅方便快捷还很大程度上提高了草地覆盖评估的精度，具有较强的实用性。样方草地app界面展示如图4所示。
本发明还提供了一种样方草地覆盖度计算系统，包括：
样本制备模块，用于根据采集到的草地样方样本制备样方框样本。
模型构建模块，用于通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型。
所述模型构建模块具体包括：
第一处理单元，用于在下采样阶段去掉所述UNET网络模型的第一设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第一设定卷积层为所述UNET网络模型从下至上的第2层卷积层，第4层卷积层以及第6层卷积层；
第二处理单元，用于在上采样阶段去掉所述UNET网络模型的第二设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第二设定卷积层为所述UNET网络模型从上至下的第2层卷积层，第4层卷积层以及第6层卷积层。
训练模块，用于通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型。
提取模块，用于通过所述样方框模型提取未知样方的样方框。
阈值分割模块，用于在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割。
计算模块，用于根据阈值分割结果计算样方草地覆盖度。
所述计算模块具体包括：
像素数量比值计算单元，用于计算所述阈值分割结果中草地像素数量占总像素数量的比值；所述比值表示样方草地覆盖度。
还包括：
测试模块，用于对所述样方框模型进行测试，得到满足精度要求的样方框模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种样方草地覆盖度计算方法，其特征在于，包括：
根据采集到的草地样方样本制备样方框样本；
通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型；
通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型；
通过所述样方框模型提取未知样方的样方框；
在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割；
根据阈值分割结果计算样方草地覆盖度。
2.根据权利要求1所述的样方草地覆盖度计算方法，其特征在于，在得到样方框模型之后，还包括：
对所述样方框模型进行测试，得到满足精度要求的样方框模型。
3.根据权利要求1所述的样方草地覆盖度计算方法，其特征在于，所述通过模型压缩剪枝方法对UNET网络模型进行处理，具体包括：
在下采样阶段去掉所述UNET网络模型的第一设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第一设定卷积层为所述UNET网络模型从下至上的第2层卷积层，第4层卷积层以及第6层卷积层；
在上采样阶段去掉所述UNET网络模型的第二设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第二设定卷积层为所述UNET网络模型从上至下的第2层卷积层，第4层卷积层以及第6层卷积层。
4.根据权利要求1所述的样方草地覆盖度计算方法，其特征在于，所述根据阈值分割结果计算样方草地覆盖度，具体包括：
计算所述阈值分割结果中草地像素数量占总像素数量的比值；所述比值表示样方草地覆盖度。
5.一种样方草地覆盖度计算系统，其特征在于，包括：
样本制备模块，用于根据采集到的草地样方样本制备样方框样本；
模型构建模块，用于通过模型压缩剪枝方法对UNET网络模型进行处理，得到初始模型；
训练模块，用于通过所述样方框样本对所述初始模型进行迭代训练，得到样方框模型；
提取模块，用于通过所述样方框模型提取未知样方的样方框；
阈值分割模块，用于在提取到的未知样方的样方框内利用OSTU阈值分割方法对草地进行阈值分割；
计算模块，用于根据阈值分割结果计算样方草地覆盖度。
6.根据权利要求5所述的样方草地覆盖度计算系统，其特征在于，还包括：
测试模块，用于对所述样方框模型进行测试，得到满足精度要求的样方框模型。
7.根据权利要求5所述的样方草地覆盖度计算系统，其特征在于，所述模型构建模块具体包括：
第一处理单元，用于在下采样阶段去掉所述UNET网络模型的第一设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第一设定卷积层为所述UNET网络模型从下至上的第2层卷积层，第4层卷积层以及第6层卷积层；
第二处理单元，用于在上采样阶段去掉所述UNET网络模型的第二设定卷积层，并调节BN层的缩放因子去除无效神经元；所述第二设定卷积层为所述UNET网络模型从上至下的第2层卷积层，第4层卷积层以及第6层卷积层。
8.根据权利要求5所述的样方草地覆盖度计算系统，其特征在于，所述计算模块具体包括：
像素数量比值计算单元，用于计算所述阈值分割结果中草地像素数量占总像素数量的比值；所述比值表示样方草地覆盖度。
CN202011612993.XA 2020-12-30 2020-12-30 一种样方草地覆盖度计算方法及系统 Active CN112651987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011612993.XA CN112651987B (zh) 2020-12-30 2020-12-30 一种样方草地覆盖度计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011612993.XA CN112651987B (zh) 2020-12-30 2020-12-30 一种样方草地覆盖度计算方法及系统

Publications (2)

Publication Number Publication Date
CN112651987A true CN112651987A (zh) 2021-04-13
CN112651987B CN112651987B (zh) 2024-06-18

Family

ID=75364426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011612993.XA Active CN112651987B (zh) 2020-12-30 2020-12-30 一种样方草地覆盖度计算方法及系统

Country Status (1)

Country Link
CN (1) CN112651987B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516084A (zh) * 2021-07-20 2021-10-19 海南长光卫星信息技术有限公司 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN117975262A (zh) * 2023-12-26 2024-05-03 中国科学院东北地理与农业生态研究所 一种利用手机拍照图片获取草地覆盖度的方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150363641A1 (en) * 2014-06-17 2015-12-17 Digitalglobe, Inc. Automated geospatial image mosaic generation with multiple zoom level support
CN105606061A (zh) * 2016-03-10 2016-05-25 北京林业大学 一种草地样方盖度的检测方法及装置
CN106709922A (zh) * 2016-12-29 2017-05-24 江苏省无线电科学研究所有限公司 基于图像的牧草覆盖度和生物量自动检测方法
CN106951836A (zh) * 2017-03-05 2017-07-14 北京工业大学 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN107680114A (zh) * 2017-09-22 2018-02-09 交通运输部天津水运工程科学研究所 一种基于计算机图像处理的草地盖度测算方法
WO2018140596A2 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN109271919A (zh) * 2018-09-12 2019-01-25 海南省海洋与渔业科学院（海南省海洋开发规划设计研究院） 一种基于grb和网格模式的植被覆盖度测定方法
CN109583378A (zh) * 2018-11-30 2019-04-05 东北大学 一种植被覆盖度提取方法及系统
US20190130575A1 (en) * 2017-10-30 2019-05-02 Beijing Curacloud Technology Co., Ltd. Systems and methods for image segmentation using a scalable and compact convolutional neural network
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
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
CN111079930A (zh) * 2019-12-23 2020-04-28 深圳市商汤科技有限公司 数据集质量参数的确定方法、装置及电子设备
CN111738561A (zh) * 2020-05-29 2020-10-02 中国电建集团华东勘测设计研究院有限公司 一种基于深度学习的区域水土流失动态监测方法
CN111753985A (zh) * 2020-06-28 2020-10-09 浙江工业大学 基于神经元覆盖率的图像深度学习模型测试方法与装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150363641A1 (en) * 2014-06-17 2015-12-17 Digitalglobe, Inc. Automated geospatial image mosaic generation with multiple zoom level support
CN105606061A (zh) * 2016-03-10 2016-05-25 北京林业大学 一种草地样方盖度的检测方法及装置
CN106709922A (zh) * 2016-12-29 2017-05-24 江苏省无线电科学研究所有限公司 基于图像的牧草覆盖度和生物量自动检测方法
WO2018140596A2 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN106951836A (zh) * 2017-03-05 2017-07-14 北京工业大学 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN107680114A (zh) * 2017-09-22 2018-02-09 交通运输部天津水运工程科学研究所 一种基于计算机图像处理的草地盖度测算方法
US20190130575A1 (en) * 2017-10-30 2019-05-02 Beijing Curacloud Technology Co., Ltd. Systems and methods for image segmentation using a scalable and compact convolutional neural network
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN109271919A (zh) * 2018-09-12 2019-01-25 海南省海洋与渔业科学院（海南省海洋开发规划设计研究院） 一种基于grb和网格模式的植被覆盖度测定方法
CN109583378A (zh) * 2018-11-30 2019-04-05 东北大学 一种植被覆盖度提取方法及系统
CN111079930A (zh) * 2019-12-23 2020-04-28 深圳市商汤科技有限公司 数据集质量参数的确定方法、装置及电子设备
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
CN111738561A (zh) * 2020-05-29 2020-10-02 中国电建集团华东勘测设计研究院有限公司 一种基于深度学习的区域水土流失动态监测方法
CN111753985A (zh) * 2020-06-28 2020-10-09 浙江工业大学 基于神经元覆盖率的图像深度学习模型测试方法与装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516084A (zh) * 2021-07-20 2021-10-19 海南长光卫星信息技术有限公司 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN117975262A (zh) * 2023-12-26 2024-05-03 中国科学院东北地理与农业生态研究所 一种利用手机拍照图片获取草地覆盖度的方法
CN117975262B (zh) * 2023-12-26 2024-08-13 中国科学院东北地理与农业生态研究所 一种利用手机拍照图片获取草地覆盖度的方法

Also Published As

Publication number Publication date
CN112651987B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN111985161A (zh) 一种变电站三维模型重构方法
CN112651987A (zh) 一种样方草地覆盖度计算方法及系统
CN114758337A (zh) 一种语义实例重建方法、装置、设备及介质
CN117079163A (zh) 一种基于改进yolox-s的航拍图像小目标检测方法
CN115984603A (zh) 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统
CN115527113A (zh) 一种遥感图像裸土地分类方法及装置
CN116343103A (zh) 一种基于三维gis场景与视频融合的自然资源监管方法
CN117197462A (zh) 基于多尺度特征融合和对齐的轻量地基云分割方法及系统
CN116503391A (zh) 一种隧道掌子面岩体节理裂隙识别方法及识别装置
CN116310802A (zh) 一种基于多尺度融合模型的宅基地变化监测方法和装置
CN114913068A (zh) 一种基于计算机视觉的无人机图像拼接方法及系统
CN117132744B (zh) 虚拟场景的构建方法、装置、介质及电子设备
CN116681930A (zh) 遥感图像变化检测及其模型训练方法、设备及存储介质
CN115019044A (zh) 单株植物的分割方法、装置、终端设备和可读存储介质
CN113240802B (zh) 三维重建的全屋虚拟装维方法、装置、设备及存储介质
CN114863274A (zh) 基于深度学习的地表绿网苫盖提取方法
CN112597825A (zh) 驾驶场景分割方法、装置、电子设备和存储介质
CN113743242A (zh) 一种基于树莓派的滑坡体检测与识别方法
CN115311152A (zh) 图像处理方法、装置、电子设备以及存储介质
CN118446938B (zh) 一种遥感影像的阴影区域修复方法、装置及电子设备
CN116682014B (zh) 一种灯幕楼宇图像分割方法、装置、设备及存储介质
CN116385818B (zh) 云检测模型的训练方法、装置及设备
CN117593470B (zh) 一种基于ai模型的街景重构方法及系统
CN118364732B (zh) 一种实时环境语义感知方法、装置、设备及介质

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