CN112699836A - 低空水田图像的分割方法、装置和电子设备 - Google Patents
低空水田图像的分割方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112699836A CN112699836A CN202110039583.9A CN202110039583A CN112699836A CN 112699836 A CN112699836 A CN 112699836A CN 202110039583 A CN202110039583 A CN 202110039583A CN 112699836 A CN112699836 A CN 112699836A
- Authority
- CN
- China
- Prior art keywords
- paddy field
- field image
- segmented
- segmentation
- deeplabv3
- 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
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
- 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
-
- 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
本发明提供了一种低空水田图像的分割方法、装置和电子设备,包括:获取待分割水田图像;采用DeepLabv3+语义分割模型对待分割水田图像进行分割,得到待分割水田图像所对应的分割图;对分割图进行后处理,得到待分割水田图像所对应的目标分割图。本发明的低空水田图像分割方法采用DeepLabv3+语义分割模型对待分割水田图像进行语义分割,提高了低空水田图像的分割效率,智能程度高,普适性好,准确度高,缓解了现有的水田分割方法效率低、耗时长,且准确度差的技术问题。
Description
技术领域
本发明涉及智慧农业的技术领域,尤其是涉及一种低空水田图像的分割方法、装置和电子设备。
背景技术
智慧农业是现代农业发展的必然趋势,为了帮助农业机械更好的理解农田环境,实现智能农机作业,低空水田图像的分割方法对于推动智慧农业发展具有重要作用。
现有的水田分割方法一般是针对每张水田图片都进行单独的处理,因为不同的水田图片具有不同的特点,其中的杂草、土块凹凸情况以及光照等噪声不同,需要针对每张水田图片进行多样化的去噪分割处理,效率低、耗时长,且准确度差。
发明内容
有鉴于此,本发明的目的在于提供一种低空水田图像的分割方法、装置和电子设备,以缓解现有的水田分割方法效率低、耗时长,且准确度差的技术问题。
第一方面,本发明实施例提供了一种低空水田图像的分割方法,包括:
获取待分割水田图像;
采用DeepLabv3+语义分割模型对所述待分割水田图像进行分割,得到所述待分割水田图像所对应的分割图;
对所述分割图进行后处理,得到所述待分割水田图像所对应的目标分割图。
进一步的,获取待分割水田图像,包括:
获取初始待分割水田图像;
若所述初始待分割水田图像的分辨率不是预设分辨率,则将所述初始待分割水田图像调整至所述预设分辨率,得到预设分辨率的初始待分割水田图像;
对所述预设分辨率的初始待分割水田图像进行双边滤波处理,得到所述待分割水田图像。
进一步的,对所述分割图进行后处理,包括:
对所述分割图中的水田轮廓进行形态学开闭操作,得到中间分割图;
在所述中间分割图中去除水田轮廓区域面积小于预设阈值的不完整水田轮廓,得到所述目标分割图。
进一步的,采用DeepLabv3+语义分割模型对所述待分割水田图像进行分割,包括:
将所述待分割水田图像输入至所述DeepLabv3+语义分割模型,输出得到所述待分割水田图像所对应的分割图。
进一步的,所述方法还包括:
部署所述DeepLabv3+语义分割模型的待训练DeepLabv3+语义分割模型;
获取训练样本集合和测试样本集合,其中,所述训练样本集合包括:第一水田图像样本和与所述第一水田图像样本对应的第一分割标注图,所述测试样本集合包括:第二水田图像样本和与所述第二水田图像样本对应的第二分割标注图;
采用所述训练样本集合对所述待训练DeepLabv3+语义分割模型进行训练,得到待测试的DeepLabv3+语义分割模型;
采用所述测试样本集合对所述待测试的DeepLabv3+语义分割模型进行测试,得到所述DeepLabv3+语义分割模型。
进一步的,所述待训练DeepLabv3+语义分割模型包括:编码器和解码器,所述编码器包括:Xception-65特征提取网络、空间金字塔模块和卷积层,所述解码器包括:特征图连接层和深度可分离卷积层。
进一步的,采用所述训练样本集合对所述待训练DeepLabv3+语义分割模型进行训练,包括:
基于所述训练样本集合,采用Momentum优化算法对所述待训练DeepLabv3+语义分割模型的网络参数进行优化,得到所述待测试的DeepLabv3+语义分割模型。
第二方面,本发明实施例还提供了一种低空水田图像的分割装置,包括:
获取单元,用于获取待分割水田图像;
分割单元,用于采用DeepLabv3+语义分割模型对所述待分割水田图像进行分割,得到所述待分割水田图像所对应的分割图;
后处理单元,用于对所述分割图进行后处理,得到所述待分割水田图像所对应的目标分割图。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明实施例提供了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,所述程序代码使所述处理器执行上述第一方面任一项所述的方法的步骤。
在本发明实施例中,提供了一种低空水田图像的分割方法,包括:获取待分割水田图像;采用DeepLabv3+语义分割模型对待分割水田图像进行分割,得到待分割水田图像所对应的分割图;对分割图进行后处理,得到待分割水田图像所对应的目标分割图。通过上述描述可知,本发明的低空水田图像的分割方法采用DeepLabv3+语义分割模型对待分割水田图像进行语义分割,提高了低空水田图像的分割效率,智能程度高,普适性好,准确度高,缓解了现有的水田分割方法效率低、耗时长,且准确度差的技术问题。
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低空水田图像的分割方法的流程示意图;
图2为本发明实施例提供的获取待分割水田图像的流程示意图;
图3为本发明实施例提供的对分割图进行后处理的流程示意图;
图4为本发明实施例提供的DeepLabv3+语义分割模型的训练方法示意图;
图5为本发明实施例提供的DeepLabv3+语义分割模型的训练过程示意图;
图6为本发明实施例提供的水田图像样本的示意图;
图7为本发明实施例提供的水田图像样本所对应的分割标注图的示意图;
图8为本发明实施例提供的DeepLabv3+语义分割模型对水田图像样本进行分割后得到的分割图像;
图9为本发明实施例提供的与水田图像样本对应的目标分割图的示意图;
图10为本发明实施例提供的低空水田图像的分割装置的示意图。
具体实施方式
下面将结合实施例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。
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低空水田图像的分割方法进行详细介绍。
实施例一:
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低空水田图像的分割方法进行详细介绍,参见图1所示的一种低空水田图像的分割方法的流程示意图,主要包括以下步骤:
步骤S102,获取待分割水田图像;
步骤S104,采用DeepLabv3+语义分割模型对待分割水田图像进行分割,得到待分割水田图像所对应的分割图;
上述DeepLabv3+语义分割模型为预先通过训练样本集合对待训练DeepLabv3+语义分割模型进行训练得到的。
步骤S106,对分割图进行后处理,得到待分割水田图像所对应的目标分割图。
下文中再对后处理的过程进行详细介绍,在此不再赘述。
在本发明实施例中,提供了一种低空水田图像的分割方法,包括:获取待分割水田图像;采用DeepLabv3+语义分割模型对待分割水田图像进行分割,得到待分割水田图像所对应的分割图;对分割图进行后处理,得到待分割水田图像所对应的目标分割图。通过上述描述可知,本发明的低空水田图像的分割方法采用DeepLabv3+语义分割模型对待分割水田图像进行语义分割,提高了低空水田图像的分割效率,智能程度高,普适性好,准确度高,缓解了现有的水田分割方法效率低、耗时长,且准确度差的技术问题。
上述内容对本发明的低空水田图像的分割方法进行了简要介绍,下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中,参考图2,上述步骤S102,获取待分割水田图像,具体包括如下步骤:
步骤S201,获取初始待分割水田图像;
上述初始待分割水田图像可以为大疆精灵4-RTK无人机采集的低空水田图像,也可以为其它无人机采集的低空水田图像。
步骤S202,若初始待分割水田图像的分辨率不是预设分辨率,则将初始待分割水田图像调整至预设分辨率,得到预设分辨率的初始待分割水田图像;
上述预设分辨率是指DeepLabv3+语义分割模型对待分割水田图像进行分割时,所要求的分辨率,该预设分辨率为DeepLabv3+语义分割模型训练时水田图像样本的分辨率。
步骤S203,对预设分辨率的初始待分割水田图像进行双边滤波处理,得到待分割水田图像。
上述双边滤波后,能够使得图像中的水田轮廓边缘平滑,达到降噪的效果。
在本发明的一个可选实施例中,参考图3,上述步骤S106,对分割图进行后处理,具体包括如下步骤:
步骤S301,对分割图中的水田轮廓进行形态学开闭操作,得到中间分割图;
具体的,存在两块水田之间的边界过细的情况,导致分割图中存在两块水田之间的水田轮廓出现断开的现象,所以需要对分割图中的水田轮廓进行形态学开闭操作,使得其中的水田轮廓连续。
步骤S302,在中间分割图中去除水田轮廓区域面积小于预设阈值的不完整水田轮廓,得到目标分割图。
具体的,采用轮廓检测去除水田轮廓区域面积小于预设阈值的不完整水田轮廓。
在本发明的一个可选实施例中,上述步骤S104,采用DeepLabv3+语义分割模型对待分割水田图像进行分割,包括:将待分割水田图像输入至DeepLabv3+语义分割模型,输出得到待分割水田图像所对应的分割图。
上述内容对DeepLabv3+语义分割模型的应用过程进行了详细介绍,下面对DeepLabv3+语义分割模型的训练过程进行详细描述。
在本发明的一个可选实施例中,参考图4,DeepLabv3+语义分割模型的训练过程具体包括如下步骤:
步骤S401,部署DeepLabv3+语义分割模型的待训练DeepLabv3+语义分割模型;
上述待训练DeepLabv3+语义分割模型包括:编码器和解码器,编码器包括:Xception-65特征提取网络、空间金字塔模块和卷积层,解码器包括:特征图连接层和深度可分离卷积层。
图5中示出了本发明是待训练DeepLabv3+语义分割模型的结构示意图。在本发明中,待训练DeepLabv3+语义分割模型实际上采用的是改进的DeepLabv3+语义分割网络模型,改进点主要在于将原始的DeepLabv3+语义分割网络模型中的ASPP模块(即空间金字塔模块)由扩张率分别为1、8、12、16的4个扩张卷积和1个全局最大池化连接组成(用以捕捉多尺度特征信息)调整为了扩张率分别为1、2、6、10的4个扩张卷积和1个全局平均池化,由于水田块在图像中所占面积较大且尺寸变化幅度较小,调整后的结构能提高水田田块的分割精度,从而改善了模型在水田图像上的分割效果。对于解码器,本发明在DeepLabv3+基础上更多地引入了来自编码器的浅层特征图,其输入为主干网络(Xception-65特征提取网络)中下采样系数分别为1/4和1/8的浅层特征图和ASPP(空间金字塔模块)的输出特征图,分别对这3个特征图进行3×3的卷积操作,然后将处理后的特征图进行上采样,使其尺寸与1/4特征图尺寸一致,随后将三者进行特征融合,经过深度可分离卷积后再进行4倍上采样,得到分割图。
上述Xception-65特征提取网络(即空洞卷积)和深度可分离卷积结合,能够减少参数量的同时加快网络计算速度,另外,选用全局平均池化作为多尺度特征融合方式,能够提高分割准确率。
步骤S402,获取训练样本集合和测试样本集合,其中,训练样本集合包括:第一水田图像样本和与第一水田图像样本对应的第一分割标注图,测试样本集合包括:第二水田图像样本和与第二水田图像样本对应的第二分割标注图;
具体的,采用大疆精灵4-RTK无人机采集水田图像样本,采集的水田图像样本为PNG格式,宽度为4864像素,高度为3648像素,这是由于水田边界检测属于比较精细的图像处理任务,一些类似于田垄杂草的问题,如果图像像素过低将会给标注工作带来问题,从而影响最终的训练精确度。另外,还要保证样本的场景尽可能的多。
进一步地,将获取的水田图像样本用labelme软件进行水田轮廓标注,labelme标注软件可以根据需要自由圈出标注区域,将水田田块的标签命名为“field”,将标注好的json文件输出到计算机,选择编写python作为编程语言,用于处理输入至计算机的json文件,处理过程为:建立文件夹,命名为“field”,其中名为“field”的文件夹用来存放“field”的标签文件,该文件夹的图像为训练数据;借助python的labelme模块包将json文件处理,解析出其中的水田图像样本、与水田图像样本对应的json标签图;将解析后的水田图像样本用python的PIL模块将水田图像样本的PNG格式转换为JPG格式,并把像素宽度和高度调整为512,在不牺牲细节的情况下,适当缩小原图大小,可加快后期网络的训练速度;对上述json标签图进行数据处理(即格式转换,转换为掩码图),整理成可以输入进原始水田分割模型的数据格式。将图像以“四位数图片编号”形式命名,然后将其中90%的图片作为训练集,剩下10%作为测试集。将训练集和测试集的图片名称分别存入名为“train.txt”、“eval.txt”的记事本文件中。
需要说明的是,因无人机低空采集水田图像样本的数据中存在杂草、树木、光照阴影、电线杆等障碍物,会对水田田块存在不同程度的遮挡,标注时需绕过所有障碍物,以免特征提取过程中提取到除水田田块之外的无关信息的特征,进而影响算法对水田区域的检测效果。
步骤S403,采用训练样本集合对待训练DeepLabv3+语义分割模型进行训练,得到待测试的DeepLabv3+语义分割模型;
具体的,先对训练样本集合中的第一水田图像样本进行双边滤波,将滤波后的图像和第一分割标注图输入至待训练DeepLabv3+语义分割模型对模型进行训练。训练过程中使用Relu激活函数,设置二分类交叉熵作为模型的损失函数,计算输出的分割图与分割标注图之间的损失数,计算公式为:其中,i代表点的序列,yi i表示第i点的预测像素值,yi表示第i点的真实像素值;基于训练样本集合,采用Momentum优化算法对待训练DeepLabv3+语义分割模型的网络参数进行优化,输入图像尺寸为512×512,设置批处理数据个数为8,初始学习率为0.001,权重衰减设为0.0004,更新方式为“poly”,总迭代次数为10000次。
步骤S404,采用测试样本集合对待测试的DeepLabv3+语义分割模型进行测试,得到DeepLabv3+语义分割模型。
具体的,使用预训练得到的权重参数初始化待训练DeepLabv3+语义分割模型(即改进后的DeepLabv3+语义分割网络),接着对输入的测试样本集合中的第二水田图像样本进行双边滤波,利用编码器提取像素特征,再通过解码器将特征图恢复至原始大小,输出通道数为2的特征图,每个通道代表不同的类别,通道0表示背景,通道1表示水田田块。另外,比较特征图中的每一像素点在两种类别下的预测概率,若水田块的预测概率较大,则该像素被判定为水田像素,否则为背景像素,输出分割掩码(即分割图)。
最后,采用图像分割评价指标mIoU(平均交并比)对DeepLabv3+语义分割模型进行评价。其中,计算公式为:其中,FN为假负,表示真实为1,预测为0;TP为真正,表示真实为1,预测为1;FP为假正,表示真实为0,预测为1。
图6中示出了水田图像样本的示意图,图7中示出了水田图像样本所对应的分割标注图的示意图,图8中示出了DeepLabv3+语义分割模型对水田图像样本进行分割后得到的分割图像的示意图,图9中示出了与水田图像样本对应的目标分割图的示意图。
本发明的低空水田图像的分割方法对水田的分割更加准确,耗时短,降低了水田图像的分割成本。
实施例二:
本发明实施例还提供了一种低空水田图像的分割装置,该低空水田图像的分割装置主要用于执行本发明实施例上述内容所提供的低空水田图像的分割方法,以下对本发明实施例提供的低空水田图像的分割装置做具体介绍。
图10是本发明实施例的一种低空水田图像的分割装置的示意图,如图10所示,该低空水田图像的分割装置主要包括:获取单元10、分割单元20和后处理单元30,其中:
获取单元,用于获取待分割水田图像;
分割单元,用于采用DeepLabv3+语义分割模型对待分割水田图像进行分割,得到待分割水田图像所对应的分割图;
后处理单元,用于对分割图进行后处理,得到待分割水田图像所对应的目标分割图。
在本发明实施例中,提供了一种低空水田图像的分割装置,包括:获取待分割水田图像;采用DeepLabv3+语义分割模型对待分割水田图像进行分割,得到待分割水田图像所对应的分割图;对分割图进行后处理,得到待分割水田图像所对应的目标分割图。通过上述描述可知,本发明的低空水田图像的分割装置采用DeepLabv3+语义分割模型对待分割水田图像进行语义分割,提高了低空水田图像的分割效率,智能程度高,普适性好,准确度高,缓解了现有的水田分割方法效率低、耗时长,且准确度差的技术问题。
可选地,上述获取单元还用于:获取初始待分割水田图像;若初始待分割水田图像的分辨率不是预设分辨率,则将初始待分割水田图像调整至预设分辨率,得到预设分辨率的初始待分割水田图像;对预设分辨率的初始待分割水田图像进行双边滤波处理,得到待分割水田图像。
可选地,上述后处理单元还用于:对分割图中的水田轮廓进行形态学开闭操作,得到中间分割图;在中间分割图中去除水田轮廓区域面积小于预设阈值的不完整水田轮廓,得到目标分割图。
可选地,上述水田分割单元还用于:将待分割水田图像输入至DeepLabv3+语义分割模型,输出得到待分割水田图像所对应的分割图。
可选地,该装置还用于:部署DeepLabv3+语义分割模型的待训练DeepLabv3+语义分割模型;获取训练样本集合和测试样本集合,其中,训练样本集合包括:第一水田图像样本和与第一水田图像样本对应的第一分割标注图,测试样本集合包括:第二水田图像样本和与第二水田图像样本对应的第二分割标注图;采用训练样本集合对待训练DeepLabv3+语义分割模型进行训练,得到待测试的DeepLabv3+语义分割模型;采用测试样本集合对待测试的DeepLabv3+语义分割模型进行测试,得到DeepLabv3+语义分割模型。
可选地,待训练DeepLabv3+语义分割模型包括:编码器和解码器,编码器包括:Xception-65特征提取网络、空间金字塔模块和卷积层,解码器包括:特征图连接层和深度可分离卷积层。
可选地,该装置还用于:基于训练样本集合,采用Momentum优化算法对待训练DeepLabv3+语义分割模型的网络参数进行优化,得到待测试的DeepLabv3+语义分割模型。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。本申请实施例提供的低空水田图像的分割装置与上述实施例提供的低空水田图像的分割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。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
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以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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种低空水田图像的分割方法,其特征在于,包括:
获取待分割水田图像;
采用DeepLabv3+语义分割模型对所述待分割水田图像进行分割,得到所述待分割水田图像所对应的分割图;
对所述分割图进行后处理,得到所述待分割水田图像所对应的目标分割图。
2.根据权利要求1所述的方法,其特征在于,获取待分割水田图像,包括:
获取初始待分割水田图像;
若所述初始待分割水田图像的分辨率不是预设分辨率,则将所述初始待分割水田图像调整至所述预设分辨率,得到预设分辨率的初始待分割水田图像;
对所述预设分辨率的初始待分割水田图像进行双边滤波处理,得到所述待分割水田图像。
3.根据权利要求1所述的方法,其特征在于,对所述分割图进行后处理,包括:
对所述分割图中的水田轮廓进行形态学开闭操作,得到中间分割图;
在所述中间分割图中去除水田轮廓区域面积小于预设阈值的不完整水田轮廓,得到所述目标分割图。
4.根据权利要求1所述的方法,其特征在于,采用DeepLabv3+语义分割模型对所述待分割水田图像进行分割,包括:
将所述待分割水田图像输入至所述DeepLabv3+语义分割模型,输出得到所述待分割水田图像所对应的分割图。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
部署所述DeepLabv3+语义分割模型的待训练DeepLabv3+语义分割模型;
获取训练样本集合和测试样本集合,其中,所述训练样本集合包括:第一水田图像样本和与所述第一水田图像样本对应的第一分割标注图,所述测试样本集合包括:第二水田图像样本和与所述第二水田图像样本对应的第二分割标注图;
采用所述训练样本集合对所述待训练DeepLabv3+语义分割模型进行训练,得到待测试的DeepLabv3+语义分割模型;
采用所述测试样本集合对所述待测试的DeepLabv3+语义分割模型进行测试,得到所述DeepLabv3+语义分割模型。
6.根据权利要求5所述的方法,其特征在于,所述待训练DeepLabv3+语义分割模型包括:编码器和解码器,所述编码器包括:Xception-65特征提取网络、空间金字塔模块和卷积层,所述解码器包括:特征图连接层和深度可分离卷积层。
7.根据权利要求5所述的方法,其特征在于,采用所述训练样本集合对所述待训练DeepLabv3+语义分割模型进行训练,包括:
基于所述训练样本集合,采用Momentum优化算法对所述待训练DeepLabv3+语义分割模型的网络参数进行优化,得到所述待测试的DeepLabv3+语义分割模型。
8.一种低空水田图像的分割装置,其特征在于,包括:
获取单元,用于获取待分割水田图像;
分割单元,用于采用DeepLabv3+语义分割模型对所述待分割水田图像进行分割,得到所述待分割水田图像所对应的分割图;
后处理单元,用于对所述分割图进行后处理,得到所述待分割水田图像所对应的目标分割图。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一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,其特征在于,所述程序代码使所述处理器执行上述权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039583.9A CN112699836A (zh) | 2021-01-12 | 2021-01-12 | 低空水田图像的分割方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039583.9A CN112699836A (zh) | 2021-01-12 | 2021-01-12 | 低空水田图像的分割方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699836A true CN112699836A (zh) | 2021-04-23 |
Family
ID=75514249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110039583.9A Pending CN112699836A (zh) | 2021-01-12 | 2021-01-12 | 低空水田图像的分割方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699836A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256649A (zh) * | 2021-05-11 | 2021-08-13 | 国网安徽省电力有限公司经济技术研究院 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
CN115349338A (zh) * | 2022-08-17 | 2022-11-18 | 江苏省农业机械试验鉴定站 | 一种基于作物长势的变量追肥控制系统与方法 |
-
2021
- 2021-01-12 CN CN202110039583.9A patent/CN112699836A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256649A (zh) * | 2021-05-11 | 2021-08-13 | 国网安徽省电力有限公司经济技术研究院 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
CN113256649B (zh) * | 2021-05-11 | 2022-07-01 | 国网安徽省电力有限公司经济技术研究院 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
CN115349338A (zh) * | 2022-08-17 | 2022-11-18 | 江苏省农业机械试验鉴定站 | 一种基于作物长势的变量追肥控制系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
CN111126287B (zh) | 一种遥感影像密集目标深度学习检测方法 | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN112699836A (zh) | 低空水田图像的分割方法、装置和电子设备 | |
CN112861755B (zh) | 一种目标多类别实时分割方法及系统 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN111027347A (zh) | 一种视频识别方法、装置和计算机设备 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN108509826B (zh) | 一种遥感影像的道路识别方法及其系统 | |
CN112418032A (zh) | 一种人体行为识别方法、装置、电子设备及存储介质 | |
CN113850151A (zh) | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 | |
CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 | |
CN113223614A (zh) | 一种染色体核型分析方法、系统、终端设备和存储介质 | |
CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
CN111612803A (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
CN114626445B (zh) | 基于光流网络与高斯背景建模的大坝白蚁视频识别方法 | |
CN112084815A (zh) | 一种基于摄像机焦距变换的目标检测方法、存储介质及处理器 | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN114120056A (zh) | 小目标识别方法、装置、电子设备、介质及产品 |
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 |