CN112712071A - 作物长势检测方法及其相关设备 - Google Patents
作物长势检测方法及其相关设备 Download PDFInfo
- Publication number
- CN112712071A CN112712071A CN202110323679.8A CN202110323679A CN112712071A CN 112712071 A CN112712071 A CN 112712071A CN 202110323679 A CN202110323679 A CN 202110323679A CN 112712071 A CN112712071 A CN 112712071A
- Authority
- CN
- China
- Prior art keywords
- crop growth
- remote sensing
- semantic segmentation
- segmentation model
- sensing 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 66
- 238000002310 reflectometry Methods 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 19
- 238000012952 Resampling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 128
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002362 mulch Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本公开提供一种作物长势检测方法，包括：获取高分辨率多光谱遥感影像；对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；根据所述多个波段的反射率数据确定至少一个植被指数；以及基于图像语义分割模型，根据所述多个波段的反射率数据以及所述至少一个植被指数确定所述高分辨率多光谱遥感影像中作物的长势。对应上述作物长势检测方法，本公开还提供了实现上述作物长势检测方法的相关设备。
Description
技术领域
本公开涉及图像处理领域，尤其涉及一种作物长势检测方法及其相关设备。
背景技术
在本文中，作物是指农作物的简称，通常包括油料作物、粮食作物、经济作物等等。作物长势参数是监测作物生长状态的重要指标，也是预测作物产量的重要依据，因此，如何准确、快速地对作物长势进行检测是科学地指导农业生产的基础。
目前，作物长势的检测方法主要有：化学分析法以及高光谱定点分析法等。其中，传统的化学分析法即在田间采集样本，然后送至实验室测量其主要化学成分，进而判别物种长势信息。这种方法存在耗时长、成本高的缺点，且只能获取点源的信息，难以在宏观尺度上进行点到面的扩展，很大程度上影响了农业决策的空间差异性、时效性与客观性。近年来，高光谱及成像技术的不断成熟，使其在定量分许中表现出了巨大的优势，但是这种方式成本同样很高，也难以实现大范围宏观测量。
发明内容
有鉴于此，本公开的一个或多个实施例提供了一种作物长势检测方法。该方法可以包括：获取高分辨率多光谱遥感影像；对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；根据所述多个波段的反射率数据确定至少一个植被指数；以及基于图像语义分割模型，根据所述多个波段的反射率数据以及所述至少一个植被指数确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率；以及选择其中概率最高的作物长势分类作为所述高分辨率多光谱遥感影像中作物的长势；其中，所述作物长势分类包括：长势差、长势偏差、长势持平、长势稍好、长势好以及无效数据；所述图像语义分割模型为经过训练的图像语义分割模型；其中，所述图像语义分割模型的训练过程包括：按照图像语义分割模型的输入规格，将高分辨率多光谱遥感影像分割为预定大小的样本，并根据实地调查结果得到所述各个样本所对应的作物长势分类，得到样本集；将所述样本集中所有的样本随机打乱顺序，并对所述样本集进行分割，得到最终的训练集；利用所述训练集对图像语义分割模型进行训练，并根据所述图像语义分割模型对训练集样本预测的作物长势分类以及所述各个样本所对应的作物长势分类之间的误差反向传播进行参数调整，得到训练后的所述图像语义分割模型。
其中，所述高分辨率多光谱遥感影像包括哨兵2号卫星采集的L1C级多光谱遥感影像；所述对所述高分辨率多光谱遥感影像进行预处理包括：从所述哨兵2号卫星采集的L1C级多光谱遥感影像中提取多个波段的大气顶层辐射率数据；以及对所述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
其中，所述对所述高分辨率多光谱遥感影像进行预处理进一步包括：对所述多个波段地物的地表反射率进行重采样处理。
其中，所述至少一个植被指数包括：归一化植被指数NDVI和/或增强型植被指数EVI；
NDVI通过如下的表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率；
EVI通过如下表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率；BLUE代表蓝波段的反射率。
其中，所述图像语义分割模型包括：LinkNet模型。
其中，所述LinkNet模型包括四层编码-解码网络；其中，每一层编码-解码网络包括一个编码器模块和一个解码器模块；其中，第一至第三层编码-解码网络中编码器模块的输出分别连接到下一层编码-解码网络的编码器模块；第四层编码-解码网络的编码器模块的输出连接到第四层编码-解码网络的解码器模块；每两层编码-解码网络的解码器模块之间包括一个残差映射层；第四至第二层编码-解码网络的解码器模块的输出分别经过所述残差映射层输入到上一层编码-解码网络的解码器模块；以及所述残差映射层的输入包括下一层编码-解码网络的解码器模块的输出以及对应层编码-解码网络的编码器模块的输出，用于将两个输入相加后输出。
上述方法进一步包括：通过主成分分析方法对所述多个波段的反射率数据以及所述至少一个植被指数进行处理，确定预定数量的所述图像语义分割模型的输入特征；其中，
所述基于图像语义分割模型，根据所述多个波段的反射率数据以及所述至少一个植被指数确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率包括：基于图像语义分割模型，根据所述输入特征确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率。
对应上述作物长势检测方法，本公开的一个或多个实施例还提供了一种作物长势检测装置。该装置可以包括：
遥感影像获取模块，用于获取高分辨率多光谱遥感影像；
预处理模块，用于对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；
植被指数确定模块，用于根据所述多个波段的反射率数据确定至少一个植被指数；以及
作物长势检测模块，用于基于图像语义分割模型，根据所述多个波段的反射率数据以及所述至少一个植被指数确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率；以及选择其中概率最高的作物长势分类作为所述高分辨率多光谱遥感影像中作物的长势；其中，所述作物长势分类包括：长势差、长势偏差、长势持平、长势稍好、长势好以及无效数据；其中，
所述图像语义分割模型为经过训练的图像语义分割模型；其中，所述图像语义分割模型的训练过程包括：
按照图像语义分割模型的输入规格，将高分辨率多光谱遥感影像分割为预定大小的样本，并根据实地调查结果得到所述各个样本所对应的作物长势分类，得到样本集；
将所述样本集中所有的样本随机打乱顺序，并对所述样本集进行分割，得到最终的训练集；
利用所述训练集对图像语义分割模型进行训练，并根据所述图像语义分割模型对训练集样本预测的作物长势分类以及所述各个样本所对应的作物长势分类之间的误差反向传播进行参数调整，得到训练后的所述图像语义分割模型。
本公开的一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述作物长势检测方法。
本公开的一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行上述作物长势检测方法。
可以看出，上述作物长势检测方法及相关设备选择了高分辨率多光谱遥感影像中的多个波段的反射率数据作为作物长势检测的输入数据，可以充分利用高分辨率多光谱遥感影像数据分辨率高、周期短的特点，从而能够在较大范围内实现作物长势的宏观测量，并且具有效率高、成本低的特点。此外，上述作物长势检测方法和相关设备还选择了可以在一定程度上反映作物的生长状况的至少一种植被指数作为作物长势检测的输入数据，使得作物长势的检测结果更加准确，提高了检测精确度。最后，上述作物长势检测方法和相关设备充分利用了图像语义分割模型在图像分割方面既精准又高效的优势，进一步提高了作物长势检测的精确度和效率。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例所述的作物长势检测方法的实现流程示意图；
图2为本公开实施例所述的LinkNet模型的内部结构示意图；
图3为本公开实施例所述的编码模块的内部结构示意图；
图4为本公开实施例所述的解码模块的内部结构示意图；
图5为本公开实施例所述的作物长势检测装置的内部结构示意图；以及
图6为本公开实施例所述电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如前所述，如何准确、快速地对作物长势进行检测是科学地指导农业生产的基础，但是，传统的化学分析法以及高光谱定点分析法进行作物长势检测都有成本很高且也难以实现大范围宏观测量的问题。
遥感技术的出现为这一问题的解决提供了转机。遥感是指非接触的，远距离的探测技术。一般指运用传感器对物体的电磁波的辐射、反射特性的探测。根据探测能量的波长、探测方式和应用目的，遥感技术分为光学遥感和微波遥感两种方式。高分辨率遥感就是对遥感数据的质量和数量要求很高的遥感技术。通常，可以将地面分辨率在10m及以上的遥感影像称为高分辨率遥感影像。哨兵2号（Sentinel-2）是高分辨率多光谱成像卫星，其上携带一枚多光谱成像仪（MSI），用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像，还可用于紧急救援服务。此外，如归一化植被指数（NDVI）、增强型植被指数（EVI）等等多种植被指数的出现也为作物长势提供了新的处理方法。这些植被指数都可以在一定程度上反映作物的生长状况，因此，也可以应用于作为长势的检测中。
基于上述研究，本公开的一个或多个实施例给出了一种作物长势检测方法，该方法可以利用哨兵2号卫星采集的高分辨率多光谱影像以及多种植被指数来进行作物长势的检测。上述作物长势检测方法的具体实现过程可以如图1所示，主要包括：
在步骤102，获取高分辨率多光谱遥感影像。
由于本公开的方法是应用于作物长势的检测，因此，上述高分辨率多光谱遥感影像中应当是包含作物的多光谱遥感影像，例如覆盖农田区域的高分辨率多光谱遥感影像。此外，由于上述高分辨率多光谱遥感影像是多光谱的遥感影像，因此，上述高分辨率多光谱遥感影像将包括多个波段的反射率数据。
在本公开的一个或多个实施例中，上述高分辨率多光谱遥感影像具体可以是哨兵2号卫星所采集的多光谱遥感影像数据。哨兵2号卫星具体分为2A和2B两颗卫星。其中，哨兵2号卫星所采集的数据也可分为L1C级和L2A级数据。在本公开的一些实施例中，上述高分辨率多光谱遥感影像具体可以是L1C级多光谱遥感影像数据。该L1C级数据是经过正射校正和几何精校正的大气表观反射率产品，共包含13个波段的大气顶层辐射率数据。
在步骤104，对上述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据。
如前所述，上述高分辨率多光谱遥感影像包括多个波段的反射率数据。例如哨兵2号卫星所采集的L1C级数据共包括13个波段的大气顶层辐射率数据。如此，在本公开的实施例中，上述预处理可以包括：波段提取操作，也即包括从上述高分辨率多光谱遥感影像的多个波段的反射率数据中提取部分或全部波段的反射率数据作为上述多个波段的反射数据的操作。
例如，在本公开的一些实施例中，在上述波段提取预处理操作中，可以提取哨兵2号卫星所采集的L1C级数据中全部13个波段或部分波段的大气顶层辐射率数据作为上述多个波段的反射率数据。
此外，在本公开的实施例中，上述预处理具体还包括：对所述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
其中，大气校正处理的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率和辐射率、地表温度等真实的物理模型参数。具体地，通过大气校正处理可以消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧对地物反射的影响，消除大气分子和气溶胶散射的影响，从而得到多个波段地物的地表反射率。在本公开的一些实施例中，可以通过建立或者利用已建立的遥感图像预处理平台来对上述高分辨率多光谱遥感影像进行大气校正处理。
此外，为了对上述高分辨率多光谱遥感影像的精度进行调整，以满足后续处理的要求，本公开实施例所述的预处理还可以包括：重采样处理，也即对上述多个波段地物的地表反射率进行重采样处理。
重采样处理是一种影像数据处理方法，也即影像数据重新组织过程中的灰度处理方法，通常，重采样处理可以用于实现图像的缩放。其中，影像采样是按一定间隔采集影像灰度数值，而当阈值不位于采样点上的原始函数的数值时，就需要利用已采样点进行内插，称为重采样。通常，重采样方法有三种：最邻近法、双线性内插法、三次卷积内插法。在本公开的实施例中，对上述多个波段地物的地表反射率的重采样处理可以采用最邻近法。最邻近法是将与该影像中距离某像元位置最近的像元值作为该像元的新值。该方法的优点是简单高效，运算速度快，且不会改变原始影像栅格值。下面将通过具体的示例详细说明上述重采样处理的具体方法。
假设重采样处理之前的原图是一个像素大小为WⅹH的图片（其中，W代表原图的宽度；H代表原图的高度）；假设重采样处理也即缩放后的图片是一个像素大小为wⅹh的图片（其中，w代表缩放后图片的宽度；h代表缩放后图片的高度）。并且已知原图中每个像素点的像素值（即灰度值等）f(X,Y)，其中，原图每个像素点对应的坐标(X,Y)都是整数。重采样处理的目标就是确定缩放后每个像素点为(x,y)的像素值f(x,y)。
在本公开的实施例中，缩放后每个像素点为(x,y)的像素值f(x,y)可以通过如下表达式计算得到：f(x,y) = f([W/wⅹx], [H/hⅹy])。其中，由于W/wⅹx的值或H/hⅹy的值不一定是整数，因此，在本公开的实施例中，可以使用四舍五入法实现最邻近插值算法。也即是说，在本公开的实施例中，上述表达式中的[W/wⅹx]代表对W/wⅹx的值进行四舍五入；[H/hⅹy] 代表对H/hⅹy的值进行四舍五入。可以看出，通过上述表达式即可确定缩放后图片每个像素点(x,y)的像素值f(x,y)。
举个具体的例子，如果原图的像素大小为5ⅹ5，缩放后图片的像素大小为3ⅹ3，那么缩放后图片的像素点(1,1)对应的就是原图中([5/3ⅹ1], [5/3ⅹ1]) = ([1.6],[1.6]) = (2,2) 像素点对应的像素值。
具体地，在本公开的一些实施例中，由于哨兵2号卫星采集的13个波段的反射率数据包括10米、20米和60米三种精度，因此，通过上述重采样处理可以将哨兵2号卫星采集的13个波段的反射率数据统一重采样至10米的精度，以获得精度一致并且最高的多个波段的反射率数据，以保障地膜识别的准确度。当然，根据实际应用的需要也可以将上述哨兵2号卫星采集的13个波段的反射率数据统一重采样至20米或者60米的精度。
为了后续操作的方便，在对上述高分辨率遥感影像进行预处理之后还可以进一步按照预定的要求将上述反射率数据分割为固定的大小，例如，分割为512*512的大小。其中，不足512*512的部分可以按0值填充。
在步骤106，根据上述多个波段的反射率数据确定至少一个植被指数。
在本公开的一些实施例中，上述植被指数可以包括：归一化植被指数（NDVI）以及增强型植被指数（EVI）。
其中，NDVI是反映农作物长势和营养信息的重要参数之一。根据该参数，可以知道不同季节的农作物对氮的需求量, 对合理施用氮肥具有重要的指导作用。其中，NDVI可以通过如下的表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率。
此外，EVI是另一个反映农作物长势和营养信息的重要参数之一。EVI通过加入蓝波段以增强植被信号，可以矫正土壤背景和气溶胶散射的影响。EVI常用于植物叶面积指数值高的地方，即植被茂密区，EVI可以通过如下表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率；BLUE代表蓝波段的反射率。
由于上述植被指数可以在一定程度上反映作物的生长状况，因此，在进行作物长势检测的过程中参考植被指数可以使得作物长势的检测更加准确。此外，上述植被指数在不同的作物生长期内存在不同程度的偏差，例如NDVI在作物生产初期估计值更加准确，而EVI在作物生育高峰期或高植被覆盖下更加敏感，因此，根据不同植被指数的不同特点，在不同的检测时间段，也可以灵活选择不同的植被指数用于上述作物长势的检测。
在步骤108，基于图像语义分割模型，根据上述多个波段的反射率数据以及上述至少一个植被指数确定上述高分辨率多光谱遥感影像中作物的长势。
在确定了上述多个波段的反射率数据以及上述至少一个植被指数之后，可以将上述多个波段的反射率数据以及上述至少一个植被指数组合起来，也就是将同样大小、不同波段的数据组合起来作为上述图像语义分割模型的输入。例如，上述多个波段的反射率数据可以包括13个波段的反射率数据，每个波段的反射率数据的大小是512*512的，则13个波段的反射率数据组合成的数据大小是13*512*512；上述至少一个植被指数可以包括2个植被指数，也即上述两个植被指数的数据大小是2*512*512；如此，通过对上述数据进行组合，可以得到15*512*512的数据作为上述图像语义分割模型的输入。
在本公开的一些实施例中，可以预先定义作物长势的多种作物长势分类，例如，长势好、长势持平以及长势差等等。上述作物长势检测模型的主要目的是根据输入的反射率数据以及植被指数确定上述高分辨率多光谱遥感影像中作物对应每一种作物长势分类的概率。这样，在上述步骤108中，在通过上述作物长势检测模型即可得到作物对应多种预先设置的作物长势分类的概率；然后，可以根据上述作物对应多种作物长势分类的概率进一步确定上述高分辨率多光谱遥感影像中作物的长势，例如，选择其中概率最高的作物长势分类作为上述高分辨率多光谱遥感影像中作物的长势。
在本公开的另一些实施例中，上述多种作物长势分类可以包括：长势差、长势偏差、长势持平、长势稍好、长势好以及无效数据六种。当然，可以理解，上述给出的作物长势分类仅仅是一个示例，在实际的应用中，还可以根据实际的应用需求定义任意的数量以及内容的作物长势分类，本公开的方法对作物长势的具体分类方法不进行限定。
在本公开的一个或多个实施例中，上述图像语义分割模型可以具体为LinkNet模型。LinkNet模型是将残差网络和深度学习分割网络（U-net）结合在一起的图像语义分割模型。由于LinkNet模型在原来的语义分割模型的基础上增加了残差模块，一方面使得网络深度的增加不会导致梯度消失。另一方面，LinkNet模型在不降低特征图分辨率的前提下，增大了每个特征点的感受野，更适合进行连通性、复杂性、大跨度的地物类型判断。农田正好就是复杂性比较高的地物，周围环境的不同亦会导致跨度非常大，因此，LinkNet模型非常适合农田中作物类型的判断。最后，LinkNet模型更适合用于解决二分类的语义分割问题，精度比单独使用U-net等其他网络精度高。LinkNet模型通常包含了卷积层、池化层、反采样层（转置卷积层），并且可以根据编码模块（Encoder Block）和解码模块（Decoder Block）所组成的编码-解码网络的层数来定义网络结构。然而，对应不同的实际应用情况，可能不需要尺寸小数量多的特征层就可以达到识别目的，也有可能提取到的特征不足以达到目标识别的目的，因此，在实际的应用中还需要根据原始的LinkNet模型，改变其特征获取层数，以便寻找出一个最适合于作物长势分类预测的网络结构。假设LinkNet模型的输入大小为512*512；使用的学习率为：5e-4；使用的批尺寸（batch_size）为10。对5种LinkNet模型进行了测试。需要说明的是，上述例如学习率以及批尺寸等参数可以根据经验设置或者是在经过大量测试的条件下选取的较优值。这5种LinkNet模型分别是具有两层至六层编码-解码网络的LinkNet模型。在测试中使用的评价指标为平均交并比（MIoU），其计算公式如下表达式所示：
其中，i代表作物长势分类中的第i类；k代表作物长势分类的总数；p ii 代表所有标签为第i类并且被正确分类为第i类的像素数；p ij 代表所有标签为第i类的像素数；p ji 代表所有被分类为第i类的像素数。在本公开中，交并比具体可以理解为预测的分类结果与真实的分类结果的交集合并集的比值。平均交并比即是先求出每一分类的交并比，然后再做平均。其中，平均交并比越大就代表分类结果越准确，也即通过LinkNet网络模型得到的分类结果与真实越接近。
通过对具有两层至六层的5种LinkNet网络模型进行测试可以得到如下表1所示的评价结果：
表1
从上述测试结果可以看出，随着LinkNet网络层数从两层开始增加，特征提取越来越准确，使得MIoU逐步增加，也即模型的精度不断增加。而在LinkNet网络层数达到四层以后，MIoU基本保持稳定，也即模型的精度基本保持稳定。根据上述评价结果，本公开的一些实施例选取了具有四层编码-解码网络的LinkNet模型。图2显示了本公开实施例所述的LinkNet模型的结构。从图2可以看出，本公开实施例所使用的LinkNet模型共包括四层编码-解码网络，其中，每一层网络均包括一个编码器模块（Encoder Block）202和一个解码器模块（Decoder Block）204。其中，第一至第三层编码器模块202的输出分别连接到下一层的编码器模块202；第四层编码器模块202的输出连接到第四层的解码器模块204。另外，每两层的解码器模块204之间包含一个残差映射层206。第四至第二层解码器模块204的输出分别经过残差映射层206输入到上一层的解码器模块204。此外，残差映射层206的输入除了包括下一层解码器模块204的输出之外还包括对应层编码器模块202的输出，其作用是将两个输入相加后输出。除了上述四层的编码解码网络之外，上述LinkNet还包括输出连接到上述第一层的编码器模块202的输入层208和输入链接到上述第一层的解码器模块204的输出层210。
其中，上述编码解码网络中的编码器模块202的结构可以如图3所示。如图3所示，上述编码器模块202从输入到输出可以包括第一卷积层302、第二卷积层304、第一残差映射层306、第三卷积层308、第四卷积层310以及第二残差映射层312。其中，第一残差映射层306用于将编码器模块202的输入特征和第二卷积层304的输出相加；第二残差映射层312用于将第一残差映射层306的输出和第四卷积层310的输出相加，得到编码器模块202的输出特征。其中，第一卷积层采用3*3的卷积核，卷积核的层数为m，卷积核的个数为n；第二卷积层、第三卷积层以及第四卷积层采用3*3的卷积核，卷积核的层数为n，卷积核的个数为n。
其中，上述编码解码网络中的解码器模块204的结构可以如图4所示。如图4所示，上述解码器模块204从输入到输出可以包括第五卷积层402、反卷积层404、和第六卷积层406。其中，第五卷积层采用1*1的卷积核，卷积核的层数为m，卷积核的个数为m/4；反卷积层采用3*3的卷积核，卷积核的层数为m/4，卷积核的个数为m/4；第六卷积层采用1*1的卷积核，卷积核的层数为m/4，卷积核的个数为n。
需要说明的是，上述每一层的编码器模块202和解码器模块204中的参数m和n的取值可以是不同的。在本公开的一些实施例中，上述每一层的编码器模块202和解码器模块204中的参数m和n的取值可以参考如下表2设置。
表2
下面，结合一个具体的示例详细说明上述LinkNet模型的数据处理过程。假设上述LinkNet模型的输入特征为5*512*512。
第一部分是从输入到编码的过程。
首先，将上述输入特征输入到上述LinkNet模型的输入层。具体地，上述输入特征先经过一层conv[(7*7),(5,64),/2]的卷积层，此时网络的输出为64*256*256。然后，上述输出再经过一层max-pool[(3,3),/2]的最大池化层，网络的输出变为64*128*128。需要说明的是，上述conv[(7*7),(5,64),/2]代表包括64个5层7*7大小的卷积层。其中，/2代表的经过该层卷积后，图像大小尺寸减半。本例中，其他卷积层参数的含义也是类似的，例如，conv[(3*3),(128,128),*2]代表128个128层3*3大小的卷积层，*2代表的经过该层卷积后，图像大小尺寸增加到原来的两倍。对于这些参数的含义在后文中不再一一说明。
然后，再将上述输入层的输出输入到第一层的编码器模块中，输入大小为64*128*128。具体地，在上述编码器模块中，先经过conv[(3*3),(64,64),/2]的卷积层，输出为64*64*64；再经过一层conv[(3*3),(64,64)]的卷积层，输出为64*64*64。此时调用残差模块，F(x)=F(x)+x，其中F(x)为上层输出的64*64*64的特征层，x为刚开始输入第一层的编码器模块的64*128*128的特征层，此时可以看出两个要残差相加的模块维度相同，尺寸不同，所以残差模块会使用卷积层调整两个特征层到64*128*128大小。接下来将经过残差后的64*128*128特征层进行两次conv[(3*3),(64,64)]的卷积，卷积后大小不发生变化，最后再调用一次残差单元，输出最终的特征层64*128*128。
类似地，将64*128*128的特征输入第二层的编码器模块中。具体地，先经过一层conv[(3*3),(64,128),/2]的卷积层，输出为128*64*64，再经过一层conv[(3*3),(128,128)]的卷积层，输出为128*64*64。此时调用残差模块，将输入的64*128*128和128*64*64的特征层调整为128*64*64。然后，再经历两次卷积和一次残差是的网络输出为128*64*64。
类似地，再将得到的特征输入到第三层的编码器模块中，得到256*32*32的特征；然后将得到的特征输入到第四层的编码器模块中，最终得到512*16*16的特征。
接下来，第二部分是解码到输出的过程。
首先，将512*16*16的特征输入到第四层的解码器模块中。具体地，先通过一层conv[(1*1),(512,128)]的卷积层，输出为128*16*16。再通过一层conv[(3*3),(128,128),*2]的反卷积层，输出为128*32*32；然后，再通过一层conv[(1*1),(128,256)]的卷积层，输出为256*32*32的特征。此时再单独做一次残差，将得到的结果和之前第三层编码器模块输出的256*32*32的特征层做残差，得到256*32*32的特征。
然后，将上述256*32*32的特征输入到第三层的解码器模块中，并将其输出和之前第二次编码器模块输出的256*32*32的特征做残差，得到128*64*64的特征。
再将上述128*64*64的特征层输入到第二层的解码器模块中，并将其输出和之前第一编码器模块输出的256*32*32的特征做残差，得到64*128*128的特征。
然后，将上述64*128*128的特征输入到第二层的解码器模块1中，此时，由于输入的m，n相同，所以并没有改变特征层的维度，得到64*128*128的特征层。
最后，再将上述64*128*128特征输入到LinkNet模型的输出层。具体地，首先通过full-conv[(3*3),(64,32),*2]的反卷积层变为32*256*256，再通过conv[(3*3),(32,32)]的卷积层大小不变为32*256*256，最后通过full-conv[(3*3),(32,6),*2]的反卷积层得到6*512*512的特征层，其中每一层代表为这一类作物长势分类结果的概率。
可以看出，通过上述LinkNet模型，可根据输入的多个波段的反射率数据以及上述至少一个植被指数确定上述高分辨率多光谱遥感影像中作物对应每一种作物长势分类的概率。接下来，即可以根据作物对应每一种作物长势分类的概率确定作物的长势，例如，从中选择概率最高的作物长势分类作为上述高分辨率多光谱遥感影像中作物的长势。
可以看出，上述作物长势检测方法选择了高分辨率多光谱遥感影像中的多个波段的反射率数据作为作物长势检测的输入数据可以充分利用高分辨率多光谱遥感影像数据分辨率高、周期短的特点，可以在较大范围内实现作物长势的宏观测量，并且效率高、成本低。此外，上述作物长势检测方法还选择了可以在一定程度上反映作物的生长状况的至少一种植被指数作为作物长势检测的输入数据，可以使得作物长势的检测结果更加准确，提高检测精确度。最后，上述作物长势检测方法充分利用了图像语义分割模型在图像分割方面既精准又高效的优势，进一步提高了作物长势检测方法的精确度和效率。
如前所述，当上述高分辨率多光谱遥感影像采用哨兵2号卫星采集的L1C级数据时，上述数据最多可包括13个波段的反射率数据。再加上NDVI和EVI两种植被指数，则输入特征的维度最大可以达到15个。这导致图像语义分割模型的训练时间以及运行时间都会比较长。为了提高上述作物长势检测方法的执行效率，满足实时性的要求。上述作物长势检测方法中，在执行步骤108之前，还可以进一步包括如下步骤：通过主成分分析方法对上述多个波段的反射率数据以及上述至少一个植被指数进行处理，确定预定数量的上述图像语义分割模型的输入特征。
在这种情况下，上述步骤108中，将基于图像语义分割模型，根据上述述输入特征确定所述高分辨率多光谱遥感影像中作物的长势。
其中，主成分分析法是设法将原来众多具有一定相关性的指标，重新组合成一组新的互相无关的综合指标来代替原来的指标。该方法是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。
在本公开的一些实施例中，上述预定数量可以根据实际情况灵活设置。通过实验发现，经过主成分分析后输出的波段从第6波段开始已无明显的地物特征，因此，在本公开的实施例中，可以将上述预定数量设置为5。也即在本公开的一些实施例中，对哨兵2号卫星采集的13个波段的反射率数据以及NDVI和EVI两种植被指数15路数据进行主成分分析，选择主成分分析后的前5个波段，得到上述图像语义分割模型的5个输入特征。
在上述步骤之后，即可以将上述预定数量的输入特征输入到上述图像语义分割模型中，从而得到上述高分辨率多光谱遥感影像中作物的长势。具体的方法参见上述步骤108，在此不再重复说明。
为了实现作物长势的精确检测，上述图像语义分割模型需要预先经过训练。在进行模型训练之前，首先需要制作训练的样本。具体地，样本的制作过程可以包括如下几个步骤：
首先，按照图像语义分割模型的输入规格，将高分辨率多光谱遥感影像分割为预定大小的样本（例如，分割为512*512大小的正方形样本），并根据实地调查结果得到上述各个样本所对应的作物长势分类，从而得到样本集。
然后，将样本集中所有的样本随机打乱顺序，并按照一定的比例（例如，6：2：2的比例）对样本集进行分割，得到了最终的训练集、验证集以及测试集。
接下来，利用训练集对上述图像语义分割模型进行训练。在训练过程中，根据图像语义分割模型对训练集样本预测的作物长势分类以及样本实际的作物长势分类之间的误差反向传播进行参数调整。几乎训练集中的每个样本都会对参数提供一定的影响。由于在训练时图像语义分割模型每次根据预先设置的批尺寸按批次将训练集中的样本读入，所以进行训练前，一定要将样本的顺序打乱。
训练结束后，利用验证集对训练后的图像语义分割模型进行验证。验证集是独立于训练集之外的样本，用于模型进行完每一次迭代之后对于自身的评估，验证模型是否出现过拟合现象，也即模型的评价指标出现先上升后明显下降的情况，也方便查看模型训练情况。如果一旦出现过拟合的现象，则需要重新训练上述图像语义分割模型。
最后，再利用测试集对训练后的图像语义分割模型进行测试，也即利用没有用于训练的样本进行预测，并根据预测结果进行精度评估。测试集通常用于测试模型的泛化能力，因此，测试集必须独立于训练集和验证集。
基于同一发明构思，与上述任意实施例所述的作物长势检测方法相对应，本公开的一个或多个实施例还公开了一种作物长势检测装置。该作物长势检测装置的具体结构可以如图5所示，主要包括：
遥感影像获取模块502，用于获取高分辨率多光谱遥感影像。
如前所述，在本公开的一个或多个实施例中，上述高分辨率多光谱遥感影像具体可以是哨兵2号卫星所采集的L1C级多光谱遥感影像数据。
预处理模块504，用于对上述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据。
如前所述，上述预处理模块504可以包括：
波段提取单元，用于从哨兵2号卫星采集的L1C级多光谱遥感影像中提取多个波段的大气顶层辐射率数据；
大气校正单元，用于对上述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
在本公开的另一些实施例中，上述预处理模块506还可以进一步包括重采样单元，用于对上述多个波段地物的地表反射率进行重采样处理。
植被指数确定模块506，用于根据上述多个波段的反射率数据确定至少一个植被指数。
在本公开的一些实施例中，上述植被指数可以包括：NDVI以及EVI。上述植被指数的具体确定方法可以参考前述实施例在此不再重复说明。
作物长势检测模块508，用于基于图像语义分割模型，根据上述多个波段的反射率数据以及上述至少一个植被指数确定上述高分辨率多光谱遥感影像中作物的长势。
可以看出，上述作物长势检测装置选择了高分辨率多光谱遥感影像中的多个波段的反射率数据作为作物长势检测的输入数据，充分利用高分辨率多光谱遥感影像数据分辨率高、周期短的特点，因而可以在较大范围内宏观测量作物长势，并且效率高、成本低。此外，上述作物长势检测装置还选择了可以在一定程度上反映作物的生长状况的至少一种植被指数作为作物长势检测的输入数据，使得作物长势的检测结果更加准确，从而提高了检测精确度。最后，上述作物长势检测装置充分利用了图像语义分割模型在图像分割方面既精准又高效的优势，进一步提高了作物长势检测装置的精确度和效率。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的作物长势检测方法。
图6示出了本实施例所提供的一种更为具体的电子设备的结构示意图， 该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的作物长势检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的作物长势检测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的作物长势检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种作物长势检测方法，包括：
获取高分辨率多光谱遥感影像；
对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；
根据所述多个波段的反射率数据确定至少一个植被指数；以及
基于图像语义分割模型，根据所述多个波段的反射率数据以及所述至少一个植被指数确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率；以及选择其中概率最高的作物长势分类作为所述高分辨率多光谱遥感影像中作物的长势；其中，所述作物长势分类包括：长势差、长势偏差、长势持平、长势稍好、长势好以及无效数据；
所述图像语义分割模型为经过训练的图像语义分割模型；其中，所述图像语义分割模型的训练过程包括：
按照图像语义分割模型的输入规格，将高分辨率多光谱遥感影像分割为预定大小的样本，并根据实地调查结果得到各个样本所对应的作物长势分类，得到样本集；
将所述样本集中所有的样本随机打乱顺序，并对所述样本集进行分割，得到最终的训练集；
利用所述训练集对图像语义分割模型进行训练，并根据所述图像语义分割模型对训练集样本预测的作物长势分类以及所述各个样本所对应的作物长势分类之间的误差反向传播进行参数调整，得到训练后的所述图像语义分割模型。
2.根据权利要求1所述的方法，其中，所述高分辨率多光谱遥感影像包括哨兵2号卫星采集的L1C级多光谱遥感影像；
所述对所述高分辨率多光谱遥感影像进行预处理包括：
从所述哨兵2号卫星采集的L1C级多光谱遥感影像中提取多个波段的大气顶层辐射率数据；以及
对所述多个波段的大气顶层辐射率数据进行大气校正处理，得到多个波段地物的地表反射率。
3.根据权利要求2所述的方法，其中，所述对所述高分辨率多光谱遥感影像进行预处理进一步包括：对所述多个波段地物的地表反射率进行重采样处理。
4.根据权利要求1所述的方法，其中，所述至少一个植被指数包括：归一化植被指数NDVI和/或增强型植被指数EVI；其中，
NDVI通过如下的表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率；
EVI通过如下表达式确定：
其中，NIR代表近红波段的反射率；RED代表红波段的反射率；BLUE代表蓝波段的反射率。
5.根据权利要求1所述的方法，其中，所述图像语义分割模型包括：LinkNet模型。
6.根据权利要求5所述的方法，其中，所述LinkNet模型包括四层编码-解码网络；其中，每一层编码-解码网络包括一个编码器模块和一个解码器模块；其中，第一至第三层编码-解码网络中编码器模块的输出分别连接到下一层编码-解码网络的编码器模块；第四层编码-解码网络的编码器模块的输出连接到第四层编码-解码网络的解码器模块；每两层编码-解码网络的解码器模块之间包括一个残差映射层；第四至第二层编码-解码网络的解码器模块的输出分别经过所述残差映射层输入到上一层编码-解码网络的解码器模块；以及所述残差映射层的输入包括下一层编码-解码网络的解码器模块的输出以及对应层编码-解码网络的编码器模块的输出，用于将两个输入相加后输出。
7.根据权利要求1所述的方法，所述方法进一步包括：通过主成分分析方法对所述多个波段的反射率数据以及所述至少一个植被指数进行处理，确定预定数量的所述图像语义分割模型的输入特征；
所述基于图像语义分割模型，根据所述多个波段的反射率数据以及所述至少一个植被指数确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率包括：基于图像语义分割模型，根据所述输入特征确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率。
8.一种作物长势检测装置，包括：
遥感影像获取模块，用于获取高分辨率多光谱遥感影像；
预处理模块，用于对所述高分辨率多光谱遥感影像进行预处理，得到多个波段的反射率数据；
植被指数确定模块，用于根据所述多个波段的反射率数据确定至少一个植被指数；以及
作物长势检测模块，用于基于图像语义分割模型，根据所述多个波段的反射率数据以及所述至少一个植被指数确定所述高分辨率多光谱遥感影像中作物对应每一种预先设置的作物长势分类的概率；以及选择其中概率最高的作物长势分类作为所述高分辨率多光谱遥感影像中作物的长势；其中，所述作物长势分类包括：长势差、长势偏差、长势持平、长势稍好、长势好以及无效数据；其中，
所述图像语义分割模型为经过训练的图像语义分割模型；其中，所述图像语义分割模型的训练过程包括：
按照图像语义分割模型的输入规格，将高分辨率多光谱遥感影像分割为预定大小的样本，并根据实地调查结果得到各个样本所对应的作物长势分类，得到样本集；
将所述样本集中所有的样本随机打乱顺序，并对所述样本集进行分割，得到最终的训练集；
利用所述训练集对图像语义分割模型进行训练，并根据所述图像语义分割模型对训练集样本预测的作物长势分类以及所述各个样本所对应的作物长势分类之间的误差反向传播进行参数调整，得到训练后的所述图像语义分割模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的作物长势检测方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至7任一所述的作物长势检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110323679.8A CN112712071A (zh) | 2021-03-26 | 2021-03-26 | 作物长势检测方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110323679.8A CN112712071A (zh) | 2021-03-26 | 2021-03-26 | 作物长势检测方法及其相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112712071A true CN112712071A (zh) | 2021-04-27 |
Family
ID=75550228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110323679.8A Pending CN112712071A (zh) | 2021-03-26 | 2021-03-26 | 作物长势检测方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112712071A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
| CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
| CN113343783A (zh) * | 2021-05-18 | 2021-09-03 | 北京科技大学 | 一种农作物智能识别与长势预测方法及系统 |
| CN113722369A (zh) * | 2021-08-23 | 2021-11-30 | 中科锐思智感科技(苏州)有限公司 | 田间监测数据预测方法、装置、设备和存储介质 |
| CN115015258A (zh) * | 2022-07-21 | 2022-09-06 | 中国科学院西北生态环境资源研究院 | 一种农作物长势与土壤水分关联确定方法及相关装置 |
| CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
| CN110197505A (zh) * | 2019-05-30 | 2019-09-03 | 西安电子科技大学 | 基于深度网络及语义信息的遥感图像双目立体匹配方法 |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
| CN110503647A (zh) * | 2019-08-30 | 2019-11-26 | 北京麦飞科技有限公司 | 基于深度学习图像分割的小麦植株实时计数方法 |
| CN112329733A (zh) * | 2020-11-27 | 2021-02-05 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
-
2021
- 2021-03-26 CN CN202110323679.8A patent/CN112712071A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
| CN110197505A (zh) * | 2019-05-30 | 2019-09-03 | 西安电子科技大学 | 基于深度网络及语义信息的遥感图像双目立体匹配方法 |
| CN110287869A (zh) * | 2019-06-25 | 2019-09-27 | 吉林大学 | 基于深度学习的高分辨率遥感影像农作物分类方法 |
| CN110503647A (zh) * | 2019-08-30 | 2019-11-26 | 北京麦飞科技有限公司 | 基于深度学习图像分割的小麦植株实时计数方法 |
| CN112329733A (zh) * | 2020-11-27 | 2021-02-05 | 河南大学 | 一种基于gee云平台的冬小麦长势监测及分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘吉凯: "基于HJ卫星数据的甘蔗长势监测与估产研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 吴止锾等: "类别非均衡遥感图像语义分割的全卷积网络方法", 《光学学报》 * |
| 郭海: "基于MODIS数据的黄淮海地区冬小麦长势监测研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128453A (zh) * | 2021-04-30 | 2021-07-16 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
| CN113128453B (zh) * | 2021-04-30 | 2022-12-06 | 内蒙古工业大学 | 采用遥感时间序列数据的地膜识别方法、系统以及介质 |
| CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
| CN113343783A (zh) * | 2021-05-18 | 2021-09-03 | 北京科技大学 | 一种农作物智能识别与长势预测方法及系统 |
| CN113722369A (zh) * | 2021-08-23 | 2021-11-30 | 中科锐思智感科技(苏州)有限公司 | 田间监测数据预测方法、装置、设备和存储介质 |
| CN115015258A (zh) * | 2022-07-21 | 2022-09-06 | 中国科学院西北生态环境资源研究院 | 一种农作物长势与土壤水分关联确定方法及相关装置 |
| CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112712071A (zh) | 作物长势检测方法及其相关设备 | |
| Wu et al. | An error-bound-regularized sparse coding for spatiotemporal reflectance fusion | |
| CN111767801A (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
| Pu et al. | Mapping and assessing seagrass along the western coast of Florida using Landsat TM and EO-1 ALI/Hyperion imagery | |
| CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
| CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN116361737B (zh) | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 | |
| Mohammadi et al. | Improvement in crop mapping from satellite image time series by effectively supervising deep neural networks | |
| CN117994240A (zh) | 多尺度二级光学遥感图像条纹噪声智能检测方法及装置 | |
| CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
| CN117237256B (zh) | 一种浅海珊瑚礁监测数据采集方法、装置及设备 | |
| CN117218552B (zh) | 一种基于像元变化检测的估测算法优化方法及装置 | |
| CN117671504A (zh) | 一种基于yolo算法的海上风电识别方法及系统 | |
| CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
| CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
| CN112365508A (zh) | 基于视觉注意与残差网络的sar遥感图像水域分割方法 | |
| CN112668670A (zh) | 地膜识别方法及其相关设备 | |
| CN114993268A (zh) | 结合CatBoost的水深反演方法、装置及存储介质 | |
| CN113096129B (zh) | 高光谱卫星影像中的云量检测方法和装置 | |
| Kremezi et al. | Data fusion for increasing monitoring capabilities of Sentinel optical data in marine environment | |
| CN114639015A (zh) | 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法 | |
| CN112819813A (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
| CN118172627B (zh) | 近红外光谱生成方法及系统 | |
| CN117668766B (zh) | 蓝莓可溶性固形物检测方法、装置、设备及介质 | |
| Lin et al. | Water Quality Monitoring Research Analysis Based on the Remote Sensing Technology |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |