CN113095109A - 一种农作物叶面识别模型训练方法、识别方法及装置 - Google Patents
一种农作物叶面识别模型训练方法、识别方法及装置 Download PDFInfo
- Publication number
- CN113095109A CN113095109A CN201911337953.6A CN201911337953A CN113095109A CN 113095109 A CN113095109 A CN 113095109A CN 201911337953 A CN201911337953 A CN 201911337953A CN 113095109 A CN113095109 A CN 113095109A
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- leaf surface
- target crop
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 30
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000013441 quality evaluation Methods 0.000 description 6
- 238000009331 sowing Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011156 evaluation Methods 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
- 230000004913 activation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Abstract
本发明提供了一种农作物叶面识别模型训练方法、识别方法及装置,涉及图像处理领域。农作物叶面识别模型训练方法包括:获取训练样本集,训练样本集包括多个训练样本,对每个所述训练样本,分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中,得到识别结果;根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件;若不满足,调整农作物叶面识别模型的模型参数,直至满足预设训练停止条件,得到训练后的农作物叶面识别模型。能够适应农田的复杂环境,通过提高农作物叶面边缘特征的识别精度,实现自动准确识别出目标农作物叶面。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种农作物叶面识别模型训练方法、识别方法及装置。
背景技术
在农作物生长期间,检测农作物生长状态,识别区分农作物与杂草,是实现分析播种质量、杂草等处理,展开提高农作物质量、产量相关活动的重要基础。
其中,在农作物苗期,农作物的叶面状态是衡量其生长状态的一项重要指标,而且利用叶面也能很容易地区分农作物与杂草。因此,农作物叶面的识别随之变得异常重要。
然而,目前农作物叶面的识别方法通常只能在简单的背景下识别出农作物叶面,对于复杂的大田农作物生长环境,存在农作物叶面识别不准确,农作物叶面识别率低的缺点,这对于实现对整块大田农作物的播种检测、质量评估、产量预测等数据统计分析,无法提供可靠的数据支持。
发明内容
本发明提供一种农作物叶面识别模型训练方法、识别方法及装置,能够适应农田的复杂环境,根据农作物叶面边缘信息,通过提高农作物叶面边缘特征的识别精度,实现自动准确识别出目标农作物叶面。
第一方面,本发明提供一种农作物叶面识别模型训练方法,方法包括:获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括目标农作物图像和目标农作物图像对应的目标农作物标签图像,目标农作物图像和目标农作物标签图像中均包括目标农作物的叶面。
对每个训练样本,分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中,得到识别结果;农作物叶面识别模型为包括全连接条件随机场的Unet神经网络模型。
根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件。
若不满足,调整农作物叶面识别模型的模型参数,并利用训练样本集训练调整后的农作物叶面识别模型,直至满足预设训练停止条件,得到训练后的农作物叶面识别模型。
在第一方面的一些可实现方式中,获取训练样本集,包括:获取目标农作物所在多个不同局部区域的多个原始图像。
拼接多个原始图像,获得目标农作物的完整原始图像。
对完整原始图像进行处理,得到目标农作物的正射影像和目标农作物的标签图像。
分别剪裁正射影像和标签图像,得到多个第一正射影像和多个第一标签图像,并将多个第一正射影像作为训练样本中的目标农作物图像,将多个第一标签图像作为训练样本中的目标农作物标签图像。
在第一方面的一些可实现方式中,得到多个第一正射影像和多个第一标签图像之后,还包括:对第一正射影像进行镜像扩充,得到第二正射影像,并将第二正射影像作为目标农作物图像。
在第一方面的一些可实现方式中,根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件,具体包括:
根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,获取农作物叶面识别模型的损失函数值;
判断损失函数值是否满足预设训练停止条件,预设训练停止条件为损失函数值的变化率在预设范围内。
第二方面,本发明提供一种农作物叶面识别方法,方法包括:获取待识别图像,待识别图像包括目标农作物的叶面。
将待识别图像输入训练好的农作物叶面识别模型,得到第一叶面识别结果,其中,农作物叶面识别模型基于第一方面或者第一方面任一可实现方式中的农作物叶面识别模型训练方法得到。
对第一叶面识别结果进行形态学开运算处理,获得第二叶面识别结果。
在第二方面的一些可实现方式中,对第一叶面识别结果进行形态学开运算处理,具体包括:对第一叶面识别结果进行腐蚀运算和膨胀运算。
第三方面,本发明提供一种农作物叶面识别模型训练装置,装置包括:样本获取模块,用于获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括目标农作物图像和目标农作物图像对应的目标农作物标签图像,目标农作物图像和目标农作物标签图像中均包括目标农作物的叶面。
训练模块,用于对每个训练样本,分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中,得到识别结果;农作物叶面识别模型为包括全连接条件随机场的Unet神经网络模型。
判断模块,用于根据各个目标农作物图像识别结果及目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件;若不满足,调整农作物叶面识别模型的模型参数,并利用训练样本集训练调整后的农作物叶面识别模型,直至满足预设训练停止条件,得到训练后的农作物叶面识别模型。
在第三方面的一些可实现方式中,样本获取模块包括样本处理子模块;样本处理子模块,具体用于获取目标农作物所在多个不同局部区域的多个原始图像;拼接多个原始图像,获得目标农作物的完整原始图像;对完整原始图像进行处理,得到目标农作物的正射影像和目标农作物的标签图像;
样本处理子模块,还用于分别剪裁正射影像和标签图像,得到多个第一正射影像和多个第一标签图像,并将多个第一正射影像作为训练样本中的目标农作物图像,将多个第一标签图像作为训练样本中的目标农作物标签图像。
在第三方面的一些可实现方式中,样本获取模块还包括图像扩充模块;图像扩充模块用于对第一正射影像进行镜像扩充,得到第二正射影像,并将第二正射影像作为目标农作物图像。
在第三方面的一些可实现方式中,判断模块包括计算子模块;计算子模块用于根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,获取农作物叶面识别模型的损失函数值;
还用于判断损失函数值是否满足预设训练停止条件,预设训练停止条件为损失函数值的变化率在预设范围内。
第四方面,本发明提供一种农作物叶面识别装置,装置包括:图像获取模块,用于获取待识别图像,待识别图像包括目标农作物的叶面。
识别模块,用于将待识别图像输入训练好的农作物叶面识别模型,得到第一叶面识别结果,其中,农作物叶面识别模型基于权利要求1-4任意一项的农作物叶面识别模型训练方法得到。
优化模块,用于对第一叶面识别结果进行形态学开运算处理,获得第二叶面识别结果。
第五方面,本发明提供一种农作物叶面识别设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面或者第一方面任一可实现方式中的农作物叶面识别模型训练方法或如第二方面或者第二方面任一可实现方式中的农作物叶面识别方法。
第六方面,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面或者第一方面任一可实现方式中的农作物叶面识别模型训练方法或如第二方面或者第二方面任一可实现方式中的农作物叶面识别方法。
本发明的一种农作物叶面识别模型训练方法通过对改进后的全卷积神经网络模型Unet网络模型进行训练,获得优化的包括全连接条件随机场的Unet网络模型。相比传统卷积神经网络,本发明所使用的Unet网络模型,可接受任意尺寸的输入图像;在Unet网络模型训练完成后,能够达到了像素级别的语义分割,同时还能保留原始输入图像中的空间信息。同时,采用全连接条件随机场对Unet网络进行改进,恢复图像细节部分,进一步提高分割的准确率。因此,本申请提供的农作物叶面识别方法及装置使用本申请中训练得到的网络模型,提高了农作物叶面边缘特征的识别精度,且在复杂农田环境,可以获得高准确率的农作物叶面图像分割,实现叶面数据的实时获取,进一步的,能够为整块大田农作物的播种检测、质量评估、产量预测等数据统计分析,提供可靠的数据支持。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,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是本发明实施例提供的一种农作物叶面识别模型训练方法的流程示意图;
图2是本发明实施例提供的一种农作物叶面识别模型训练方法中获取训练样本集的流程示意图;
图3是本发明实施例提供的完整农作物的原始图像的正射影像;
图4是本发明实施例提供的标签图像图;
图5是本发明实施例提供的镜像扩充前的第一标签图像;
图6是本发明实施例提供的镜像扩充后的第一标签图像;
图7是本发明实施例提供的一种Unet网络结构;
图8是本发明实施例提供的未经处理的目标农作物叶面图像;
图9是本发明实施例提供的未经过全连接条件随机场处理的叶面边缘识别结果的图像;
图10是本发明实施例提供的农作物叶面识别模型的叶面边缘识别结果的图像;
图11是本发明实施例提供的一种农作物叶面识别方法的流程示意图;
图12是本发明实施例提供的模型训练结果评价的流程示意图;
图13是本发明实施例提供的农作物叶面识别模型的叶面边缘识别结果经形态学优化后的图像;
图14是本发明实施例提供的一种农作物叶面识别模型训练装置的示意图;
图15是本发明实施例提供的一种农作物叶面识别装置示意图;
图16是本发明实施例提供的一种农作物叶面识别设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在农作物生长期间,检测农作物生长状态,识别区分农作物与杂草,是实现分析播种质量、杂草等处理,展开提高农作物质量、产量相关活动的重要基础。
其中,在农作物苗期,农作物的叶面状态是衡量其生长状态的一项重要指标,而且利用叶面也能很容易地区分农作物与杂草。
目前有通过目视解译进行农作物叶面的提取的方法,在实验室采集农作物、杂草等多光谱信息选取特征波长点,进而对农作物叶面、杂草等进行区分的方法,由于实验室获取的光谱条件较苛刻,尤其是自然光下光谱信息容易受光照、湿度、背景等因素的影响,因此,在实验室进行区分获得农作物叶面,不仅耗时长、效率低,也存在较高的判断误差。
而且,目前农作物叶面的识别方法通常只能在简单的背景下识别出农作物叶面,对于复杂的大田农作物生长环境,存在农作物叶面识别不准确,农作物叶面识别率低的缺点,这对于实现对整块大田农作物的播种检测、质量评估、产量预测等数据统计分析,无法提供可靠的数据支持。
为了解决上述问题,本发明实施例所提供的农作物叶面识别模型训练方法、识别方法,能够适应复杂的大田农作物生长环境,同时实现对整块大田农作物的播种检测、质量评估、产量预测等数据统计分析提供可靠的数据支持。
下面对本发明实施例所提供的农作物叶面识别模型训练方法、识别方法进行介绍。
图1是本发明实施例提供的一种农作物叶面识别模型训练方法的流程示意图。如图1所示,该农作物叶面识别模型训练方法,包括:
S101、获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括目标农作物图像和目标农作物图像对应的目标农作物标签图像,目标农作物图像和目标农作物标签图像中均包括目标农作物的叶面。
S102、对每个训练样本,分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中,得到识别结果,农作物叶面识别模型为包括全连接条件随机场的Unet神经网络模型。
S103、判断是否满足预设训练停止条件,如果否,执行S104。
在一些实施例中,根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件。
具体的判断包括:根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,获取农作物叶面识别模型的损失函数值。
判断损失函数值是否满足预设训练停止条件,其中,预设训练停止条件为损失函数值的变化率在预设范围内。
其中,预设范围可以根据实际需要具体设定,在此不做具体的设定。
S104、若不满足,调整农作物叶面识别模型的模型参数,并返回执行S102。
在一些实施例中,当损失函数值的变化率未达到预设的范围,则调整农作物叶面识别模型的模型参数,继续利用训练样本集训练调整后的农作物叶面识别模型,直至损失函数值是否满足预设训练停止条件,得到训练后的农作物叶面识别模型。
上述各步骤的具体实现方式将在下文中进行详细描述。
首先介绍S101,获取训练样本集具体包括以下步骤,具体步骤如图2所示。
图2是本发明实施例提供的一种农作物叶面识别模型训练方法中获取训练样本集的流程示意图,包括以下步骤:
S201、获取目标农作物所在多个不同局部区域的多个原始图像。
在一些实施例中,可以采用无人机遥感平台搭载数码相机,获取大量的复杂农田环境的农作物的多个原始图像。其中,农作物的原始图像可以包含苗期农作物的叶面、杂草及其周围环境。
S202、拼接多个原始图像。
在一些实施例中,可以通过拼图专用软件拼接多个原始图像后,获得目标农作物的完整原始图像。
S203、对完整原始图像进行处理。
获得目标农作物的完整原始图像后,在对完整原始图像进行处理后,得到目标农作物的正射影像和目标农作物的标签图像。
作为一个具体的实施例,在获得大量的复杂农田环境的农作物的影像后,通过对农作物影像进行数据拼接,获得训练模型所需的完整的原始影像数据,并生成完整的原始影像的正射影像。
S204、分别剪裁正射影像和标签图像,得到多个第一正射影像和多个第一标签图像。
具体的,分别剪裁正射影像和标签图像,得到多个第一正射影像和多个第一标签图像之后,将多个第一正射影像作为训练样本中的目标农作物图像,将多个第一标签图像作为训练样本中的目标农作物标签图像。
在一些实施例中,为了能够迅速获取训练样本集所需的多个原始图像,且由于近地面智能相机存在获取影像速度慢、范围小的缺点,作为一个具体的实施例,可以采用无人机遥感平台搭载数码相机,获取大量的复杂农田环境的农作物的多个原始图像。
其中,农作物的原始图像可以包含苗期农作物的叶面、杂草及其周围环境。
作为一个具体的实施例,以包括油菜苗的叶面的农田为例,借助高分辨率低空无人机平台,例如,大疆M600飞行器并搭载NikonD800数码相机,使用50mmf/1.4D定焦镜头获取低空遥感影像,以24位真彩色JEPG格式进行存储,示例性的,无人机数据采集设定如下表1所示:
表1
可选的,还可以通过使用实时动态载波相位差分技术(Real-time kinematic,RTK)采集的地面控制点来进一步提高影像的空间精度。
在一些实施例中,可以使用无人机测绘制图软件Pix4DMapper,对通过无人机获得的农作物影像拼接,在获得完整农作物的原始图像后,生成完整农作物的原始图像的正射影像,图3所示的完整农作物的原始图像的正射影像。
其中,正射影像可以TIFF格式存储。
作为一个具体的实施例,可以利用地理图像的制作手段,例如,通过综合的地理信息系统平台(ARCGIS),对农作物的原始图像的正射影像进行农作物叶面目标识别,获得准确判断农作物叶面,获得农作物的原始图像的标签图像。
作为一个具体的实施例,标签图像图4所示。
在一些实施例中,在获得农作物的原始图像的正射影像和标签图像后,可选的,农作物的原始图像的标签图像可以作为农作物叶面识别模型训练过程中进行精度对比的原始数据集,还可用于对训练后农作物叶面识别模型的输出结果进行精度评价。
可选的,对农作物的原始图像的正射影像和标签图像进行剪裁前,还可以选取不包括目标农作物叶面的无效区域进行裁剪。作为一个具体的实施例,可以将图像大小裁剪为2560*2560像元。
在一些实施例中,可以通过编写裁剪程序,对农作物的原始图像的正射影像和标签图像进行剪裁。作为一个具体的实施例,可选的,可以使用Python程序对农作物的原始图像的正射影像和标签图像进行同步随机裁剪,例如,可以分别将农作物的原始图像的正射影像和标签图像裁剪为400*400像元大小的图像,共500副。
为了更好的识别输入到农作物叶面识别模型的图像,在得到多个第一正射影像和多个第一标签图像之后,还可以包括:对第一正射影像进行镜像扩充,得到第二正射影像,并将第二正射影像作为目标农作物图像。
在一些实施例中,对获得的第一标签图像进行镜像复制处理,以实现扩充训练数据集,达到增强第一标签图像的目的。
作为一个具体的实施例,以400*400像元大小的第一标签图像为例,进行镜像补充,使得第一标签图像大小扩充为512*512。
具体的,以油菜苗叶面为例,如图5示出了镜像扩充前的第一标签图像,如图6示出了镜像扩充后的第一标签图像。
在本发明实施例通过使用无人机遥感平台获取复杂农田农作物的图像,耗时少,速度快。通过镜像增强处理,在农作物叶面识别模型在训练以及输出图像过程中,能够便于对图像边缘数据分类,同时数据增强使得训练样本数量减少提高了程序运行速度。
本发明实施例通过借助训练农作物叶面边缘形态的方式,将农作物的叶面作为识别目标进行训练,能够达到区分复杂农田农作物和杂草的目的,且区分精度较高。而且还能够处理基于无人机以及搭载相机快速获得的农作物的遥感影像,并将处理后的农作物的遥感影像作为模型训练的训练样本集。
为了便于理解农作物叶面识别模型的训练,下面结合图7所示的Unet神经网络模型,对改进后包括全连接条件随机场的Unet神经网络模型进行说明:
如图7是本发明实施例提供的一种Unet网络结构。
如图7所示,图中包括:卷积和激活函数、复制、下采样、上采样和卷积的过程。
在Unet网络结构中,样本训练集输入后,输出为训练结果标签集,即为目标农作物图像的识别结果。
Unet网络结构由一条收缩路径和一条扩展路径组成。收缩路径遵循卷积网络的典型体系结构,由两次3x3卷积的重复应用组成,每个卷积后跟一个整流线性单元,也就是激活函数(ReLU)和一个步长为2的用于下采样的2x2最大池化操作。
在每个下采样步骤中,将特征通道的数量加倍。
在扩展路径中,每一步都包括对特征图通过2x2卷积的向上卷积进行上采样,通过卷积和上采样,特征通道的数量减半,进一步的,与收缩路径中相应裁剪的特征映射级联,再次进行两次3x3卷积,并且每次卷积后都有一个ReLU。
由于每个卷积中边界像素的丢失,因此,在最后一层,使用1x1卷积来将每个特征向量映射到所需数量的类。
整个Unet网络结构共有23个卷积层。
作为一个具体的实施例,通过采用带边界权值的损失函数使Unet网络具有分类边界的能力,目的是为了给图像中贴近边界点的像素更高的权值。具体的,边界损失函数计算公式为:
其中,pl(x)(x)是softmax损失函数,l:Ω→{1,…,K}是像素点的标签值,是ω:Ω∈R像素点的权值,目的为了给图像中贴近边界点的像素更高的权值,其中,权值计算公式如公式(2)所示。
其中,x为像素点,ωc(x):Ω∈R是平衡类别比例的权值,d1(x):Ω∈R是像素点到距离其最近的农作物目标页面的距离,d2(x):Ω∈R则是像素点到距离其第二近农作物目标页面的距离,ω0和σ是常数。
可选的,ω0=10,σ≈5。
作为一个具体的实施例,通过预先计算权重图来获得每一个像素在边界损失函数中的权值,不仅能够实现每类像素训练数据不同的频率,并且使得卷积网络更注重学习相互接触的物体边缘。
目标识别生成的农作物的叶面边缘识别图通常比较平滑,而分割的目标是要恢复农作物的叶面详细的局部结构,而不是平滑的结果,尤其是叶面边缘部分。
作为一个具体的实施例,本发明实施例通过采用全连接条件随机场,对叶面边缘识别结果的图像作进一步的处理,以恢复图像细节部分,进一步提高分割的准确率。
具体的,以叶面边缘识别结果的图像作为观测数据,
若叶面边缘识别结果的图像的宽为W、高为H,并称为图像I。
具体的,在使用全连接条件随机场的处理过程中,图像I上的一系列变量yi可以被定义为{y1,y2,…,yW×H},其中,yi表示第i个像素的所分配的标签类别,并且yi作为预测值,取值范围为语义标签种类集合L={L1,L2,…,LM},M用来表示标签类别的个数。
具体的,对于图像的其中一个标签分布情况,使用吉布斯能力分布函数:
E(y|I)=∑θi(yi)+∑θij(yi,yj) (3)
其中,最优的标签分配方案可以表示为:y=argminE(yI),其中,θi(yi)=-logP(yi)为一元项能量函数,P(yi)是Unet网络结构在第i个像素点的概率预测输出值,并取P(yi)的负对数,当预测标签的概率越大,能量就越小,预测就越准确。
作为一个具体的实施例,图8是本发明实施例提供的未经处理的目标农作物叶面图像。
图9是本发明实施例提供的未经过全连接条件随机场处理的叶面边缘识别结果的图像。
图10是本发明实施例提供的农作物叶面识别模型的叶面边缘识别结果的图像。即,图10是经过全连接条件随机场处理的叶面边缘识别结果的图像。
可以看出,通过加入全连接条件随机场对Unet网络进行改进,使得对图像边缘细节的学习能力更强,也明显提高了目标农作物叶面边缘的识别的精度。
本发明实施通过对改进后的全卷积神经网络模型Unet网络模型进行训练,获得优化的包括全连接条件随机场的Unet网络模型,使用改进的网络模型,能够提高农作物叶面边缘特征的识别精度,且在复杂农田环境,获得高准确率的农作物叶面图像分割,实现叶面数据的实时获取,因此,能够为整块大田农作物的播种检测、质量评估、产量预测等数据统计分析,提供可靠的数据支持。
为了能够实时、高效、准确的处理从复杂农田环境中获取的目标农作物的图像,基于本发明实施例的农作物叶面识别模型训练方法,本发明实施例还提供了一种农作物叶面识别方法,如图11所示。图12是本发明实施例提供的模型训练结果评价的流程示意图,结合图12,本发明实施例的农作物叶面识别方法主要可以包括以下步骤:
S1101、获取待识别图像。
S1102、将待识别图像输入训练好的农作物叶面识别模型,得到第一叶面识别结果。
S1103、对第一叶面识别结果进行形态学开运算处理。
具体地,获取待识别图像,待识别图像包括目标农作物的叶面。
将待识别图像输入训练好的农作物叶面识别模型,得到第一叶面识别结果,其中,农作物叶面识别模型基于图1和图2所示实施例所述的农作物叶面识别模型训练方法得到。
进一步的,对第一叶面识别结果进行形态学开运算处理,获得第二叶面识别结果。
在一些实施例中,待识别的目标农作物的叶面图像可以通过无人机搭载相机快速获得,然后将待识别的目标农作物的叶面图像输入到已经训练好的农作物叶面识别模型,经农作物叶面识别模型识别后,获得第一叶面识别结果。
为了提高到了识别的精度,降低目标农作物叶面的误识率,对第一叶面识别结果进行形态学开运算处理。
其中,形态学开运算处理具体包括对第一叶面识别结果进行腐蚀运算和膨胀运算。通过形态学开运算处理能够在一定程度上达到消除细小物体、在纤细处分离物体同时平滑较大物体边界的目的,并且具有并不明显改变原目标体积的特点。
具体的先腐蚀、后膨胀的形态学开运算中,腐蚀运算公式,如公式(4)所示:
FΘS={m,n|Smn∈X} (4)
膨胀算公式,如公式(5)所示:
开运算公式,如公式(6)所示:
其中,F为第一叶面识别结果图像,S第一叶面识别结果的矩阵中的任意结构元素,m,n用来表示图像中像元的位置,X为第一叶面识别结果图像的目标叶面区域。
在本发明实施例中,通过形态学开运算处理,能够消除第一叶面识别结果中农作物叶面识别模型自动分类产生的孤立像元,这些孤立像元虽然是按照一定规则产生,但在现实的分析运用中却是没有实际意义的。
同时,采集到的目标农作物的叶面图像的叶面上可能会出现泥土或微小杂物以及其他容易被误分为农作物叶面的微小物体。
因此,通过形态学开运算处理对目标农作物叶面的识别结果进行优化,能够进一步提高农作物叶面的识别的精度,降低农作物叶面的误识率。
可选的,为了可以更好的提高到了识别的精度,降低目标农作物叶面的误识率,对颗粒噪声进行滤除,在腐蚀和膨胀运算之间还可以进行孤立值去除处理。
作为一个具体的实施例,当设置单个象元周围相同像素数个数<5表示独立象元时,需要注意的是,单个象元周围相同像素数个数可以根据实际需要具体设定。
如图13所示,图13是本发明实施例提供的农作物叶面识别模型的叶面边缘识别结果经形态学优化后的图像。
上述农作物叶面识别方法,对形态学优化后的图像进行精度评价获得的结果可以看出,基于农作物叶面识别模型训练方法得到的农作物叶面识别模型识别农作物叶面图像,然后,利用形态学开运算对识别结果进行优化,提高到了识别的精度,降低了误识率。
基于以上本发明实施例提供的农作物叶面识别模型的训练方法的具体实现方式,本发明实施例还提供了一种农作物叶面识别模型训练装置。以下结合图14对农作物叶面识别模型训练装置进行介绍。
图14是本发明实施例提供的一种农作物叶面识别模型训练装置的示意图,如图14所示,该农作物叶面识别模型训练装置主要可以包括:样本获取模块1401、训练模块1402、判断模块1403。
其中,样本获取模块1401,用于获取训练样本集;训练样本集包括多个训练样本,每个训练样本包括目标农作物图像和目标农作物图像对应的目标农作物标签图像,目标农作物图像和目标农作物标签图像中均包括目标农作物的叶面;
训练模块1402,用于对每个训练样本,分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中,得到识别结果;农作物叶面识别模型为包括全连接条件随机场的Unet神经网络模型;
判断模块1403,用于根据各个目标农作物图像识别结果及目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件;若不满足,调整农作物叶面识别模型的模型参数,并利用训练样本集训练调整后的农作物叶面识别模型,直至满足预设训练停止条件,得到训练后的农作物叶面识别模型。
作为一个具体的实施例,样本获取模块1401,包括样本处理子模块。样本处理子模块用于获取目标农作物所在多个不同局部区域的多个原始图像。
拼接多个原始图像,获得目标农作物的完整原始图像。对完整原始图像进行处理,得到目标农作物的正射影像和目标农作物的标签图像。
进一步的,样本处理子模块还用于分别剪裁正射影像和标签图像,得到多个第一正射影像和多个第一标签图像,并将多个第一正射影像作为训练样本中的目标农作物图像,将多个第一标签图像作为训练样本中的目标农作物标签图像。
样本获取模块1401,还包括图像扩充模块,图像扩充模块用于对第一正射影像进行镜像扩充,得到第二正射影像,并将第二正射影像作为目标农作物图像。
进一步的,判断模块1403包括计算子模块,计算子模块用于根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像,获取农作物叶面识别模型的损失函数值。判断损失函数值是否满足预设训练停止条件。
其中,预设训练停止条件为损失函数值的变化率在预设范围内。
基于以上本发明实施例提供的农作物叶面识别方法的具体实现方式,本发明实施例还提供了一种农作物叶面识别装置。以下结合图15对农作物叶面识别装置进行介绍。
图15是本发明实施例提供的一种农作物叶面识别装置示意图。如图15所示,该农作物叶面识别装置主要可以包括:图像获取模块1501、识别模块1502、优化模块1503。
其中,图像获取模块1501,用于获取待识别图像,待识别图像包括目标农作物的叶面;
图像获取模块1501,还用于对第一叶面识别结果进行形态学开运算处理,获得第二叶面识别结果;
识别模块1502,用于将待识别图像输入训练好的农作物叶面识别模型,得到第一叶面识别结果;
优化模块1503,用于对第一叶面识别结果进行形态学开运算处理,获得第二叶面识别结果;
进一步的优化模块1503,具体还用于对第一叶面识别结果进行形态学开运算处理,具体包括:对第一叶面识别结果进行腐蚀运算和膨胀运算。
本发明实施例提供的农作物叶面识别模型训练装置和农作物叶面识别装置,本发明实施例通过借助训练农作物叶面边缘形态的方式,将农作物的叶面作为识别目标进行训练,能够达到区分复杂农田农作物和杂草的目的,且区分精度较高。而且还能够处理基于无人机以及搭载相机快速获得的农作物的遥感影像,并将处理后的农作物的遥感影像作为模型训练的训练样本集。获得高准确率的农作物叶面图像分割,实现叶面数据的实时获取,因此,能够为整块大田农作物的播种检测、质量评估、产量预测等数据统计分析,提供可靠的数据支持。
可以理解的是,农作物叶面识别模型训练装置和农作物叶面识别装置,可以分别对应于本发明实施例图1中的农作物叶面识别模型训练方法的执行主体和本发明实施例图11农作物叶面识别方法的执行主体,农作物叶面识别模型训练装置和农作物叶面识别装置的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图1的农作物叶面识别模型训练的方法和本发明实施例图11农作物叶面识别方法中的相应部分的描述,为了简洁,在此不再赘述。
图16是本发明实施例提供的一种农作物叶面识别设备的硬件结构示意图。如图16所示,本实施例中的农作物叶面识别设备1600包括输入设备1601、输入接口1602、中央处理器1603、存储器1604、输出接口1605、以及输出设备1606。其中,输入接口1602、中央处理器1603、存储器1604、以及输出接口1605通过总线1610相互连接,输入设备1601和输出设备1606分别通过输入接口1602和输出接口1605与总线1610连接,进而与农作物叶面识别设备1600的其他组件连接。
具体地,输入设备1601接收来自外部的输入信息,并通过输入接口1602将输入信息传送到中央处理器1603;中央处理器1603基于存储器1604中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器1604中,然后通过输出接口1605将输出信息传送到输出设备1606;输出设备1606将输出信息输出到农作物叶面识别设备1600的外部供用户使用。
也就是说,图16所示的农作物叶面识别设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图1、图2和图11描述的识别模型训练方法和装置或图14和图15描述的农作物叶面识别方法和装置。
在一个实施例中,图16所示的农作物叶面识别设备1600包括:存储器1604,用于存储程序;处理器1603,用于运行存储器中存储的程序,以执行本发明实施例提供的农作物叶面识别模型训练方法或农作物叶面识别方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的农作物叶面识别模型训练方法或农作物叶面识别方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了方便和简洁,上述系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种农作物叶面识别模型训练方法,其特征在于,所述方法包括:
获取训练样本集,所述训练样本集包括多个训练样本,每个所述训练样本包括目标农作物图像和所述目标农作物图像对应的目标农作物标签图像,所述目标农作物图像和所述目标农作物标签图像中均包括目标农作物的叶面;
对每个所述训练样本,分别将所述目标农作物图像和所述目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中,得到识别结果;所述农作物叶面识别模型为包括全连接条件随机场的Unet神经网络模型;
根据各个所述目标农作物图像的所述识别结果及所述目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件;
若不满足,调整所述农作物叶面识别模型的模型参数,并利用所述训练样本集训练调整后的农作物叶面识别模型,直至满足所述预设训练停止条件,得到训练后的农作物叶面识别模型。
2.根据权利要求1所述的方法,其特征在于,所述获取训练样本集,包括:
获取所述目标农作物所在多个不同局部区域的多个原始图像;
拼接所述多个原始图像,获得目标农作物的完整原始图像;
对所述完整原始图像进行处理,得到所述目标农作物的正射影像和所述目标农作物的标签图像;
分别剪裁所述正射影像和所述标签图像,得到多个第一正射影像和多个第一标签图像,并将所述多个第一正射影像作为所述训练样本中的目标农作物图像,将所述多个第一标签图像作为所述训练样本中的目标农作物标签图像。
3.根据权利要求2所述的方法,其特征在于,在所述得到多个第一正射影像和多个第一标签图像之后,还包括:对所述第一正射影像进行镜像扩充,得到第二正射影像,并将所述第二正射影像作为所述目标农作物图像。
4.根据权利要求1所述的方法,其特征在于,所述根据各个所述目标农作物图像的所述识别结果及所述目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件,具体包括:
根据各个所述目标农作物图像的所述识别结果及所述目标农作物图像对应的目标农作物标签图像,获取所述农作物叶面识别模型的损失函数值;
判断所述损失函数值是否满足所述预设训练停止条件,所述预设训练停止条件为所述损失函数值的变化率在预设范围内。
5.一种农作物叶面识别方法,其特征在于,所述方法包括:
获取待识别图像,所述待识别图像包括目标农作物的叶面;
将所述待识别图像输入训练好的农作物叶面识别模型,得到第一叶面识别结果,其中,所述农作物叶面识别模型基于权利要求1-4任意一项所述的农作物叶面识别模型训练方法得到;
对所述第一叶面识别结果进行形态学开运算处理,获得第二叶面识别结果。
6.根据权利要求5所述的方法,其特征在于,所述对所述第一叶面识别结果进行形态学开运算处理,具体包括:对所述第一叶面识别结果进行腐蚀运算和膨胀运算。
7.一种农作物叶面识别模型训练装置,其特征在于,所述装置包括:
样本获取模块,用于获取训练样本集,所述训练样本集包括多个训练样本,每个所述训练样本包括目标农作物图像和所述目标农作物图像对应的目标农作物标签图像,所述目标农作物图像和所述目标农作物标签图像中均包括目标农作物的叶面;
训练模块,用于对每个所述训练样本,分别将所述目标农作物图像和所述目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中,得到识别结果;所述农作物叶面识别模型为包括全连接条件随机场的Unet神经网络模型;
判断模块,用于根据各个所述目标农作物图像的所述识别结果及所述目标农作物图像对应的目标农作物标签图像,判断是否满足预设训练停止条件;
调整模块,用于在不满足预设训练停止条件的情况下,调整所述农作物叶面识别模型的模型参数;
其中,所述训练模块还用于利用所述训练样本集训练调整后的农作物叶面识别模型,直至满足所述预设训练停止条件,得到训练后的农作物叶面识别模型。
8.根据权利要求7所述的装置,其特征在于,所述样本获取模块包括样本处理子模块;
所述样本处理子模块,用于获取所述目标农作物所在多个不同局部区域的多个原始图像;拼接所述多个原始图像,获得目标农作物的完整原始图像;对所述完整原始图像进行处理,得到所述目标农作物的正射影像和所述目标农作物的标签图像;
所述样本处理子模块,还用于分别剪裁所述正射影像和所述标签图像,得到多个第一正射影像和多个第一标签图像,并将所述多个第一正射影像作为所述训练样本中的目标农作物图像,将所述多个第一标签图像作为所述训练样本中的目标农作物标签图像。
9.根据权利要求8所述的装置,其特征在于,所述样本获取模块还包括图像扩充模块;
所述图像扩充模块用于对所述第一正射影像进行镜像扩充,得到第二正射影像,并将所述第二正射影像作为所述目标农作物图像。
10.根据权利要求7所述的装置,其特征在于,所述判断模块包括计算子模块;
所述计算子模块用于根据各个所述目标农作物图像的所述识别结果及所述目标农作物图像对应的目标农作物标签图像,获取所述农作物叶面识别模型的损失函数值;还用于判断所述损失函数值是否满足所述预设训练停止条件,所述预设训练停止条件为所述损失函数值的变化率在预设范围内。
11.一种农作物叶面识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取待识别图像,所述待识别图像包括目标农作物的叶面;
识别模块,用于将所述待识别图像输入训练好的农作物叶面识别模型,得到第一叶面识别结果,其中,所述农作物叶面识别模型基于权利要求1-4任意一项所述的农作物叶面识别模型训练方法得到;
处理模块,用于对所述第一叶面识别结果进行形态学开运算处理,获得第二叶面识别结果。
12.一种农作物叶面识别设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-4任意一项所述的农作物叶面识别模型训练方法或权利要求5-6任意一项所述的农作物叶面识别方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的农作物叶面识别模型训练方法或权利要求5-6任意一项所述的农作物叶面识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337953.6A CN113095109A (zh) | 2019-12-23 | 2019-12-23 | 一种农作物叶面识别模型训练方法、识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337953.6A CN113095109A (zh) | 2019-12-23 | 2019-12-23 | 一种农作物叶面识别模型训练方法、识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095109A true CN113095109A (zh) | 2021-07-09 |
Family
ID=76662855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911337953.6A Pending CN113095109A (zh) | 2019-12-23 | 2019-12-23 | 一种农作物叶面识别模型训练方法、识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095109A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599925A (zh) * | 2016-12-19 | 2017-04-26 | 广东技术师范学院 | 一种基于深度学习的植物叶片识别系统与方法 |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
CN108229571A (zh) * | 2018-01-15 | 2018-06-29 | 南京邮电大学 | 基于kpca算法与深度信念网络的苹果表面病变图像识别方法 |
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
CN109740721A (zh) * | 2018-12-19 | 2019-05-10 | 中国农业大学 | 麦穗计数方法及装置 |
US20190228225A1 (en) * | 2018-01-23 | 2019-07-25 | X Development Llc | Crop boundary detection in images |
CN110059573A (zh) * | 2019-03-22 | 2019-07-26 | 浙江大学城市学院 | 基于图像识别的野山参分级检定方法 |
CN110070034A (zh) * | 2019-04-19 | 2019-07-30 | 北京朗镜科技有限责任公司 | 模型训练方法、节识别方法、装置、设备及介质 |
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN110569730A (zh) * | 2019-08-06 | 2019-12-13 | 福建农林大学 | 一种基于U-net神经网络模型的路面裂缝自动识别方法 |
-
2019
- 2019-12-23 CN CN201911337953.6A patent/CN113095109A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599925A (zh) * | 2016-12-19 | 2017-04-26 | 广东技术师范学院 | 一种基于深度学习的植物叶片识别系统与方法 |
US20180189564A1 (en) * | 2016-12-30 | 2018-07-05 | International Business Machines Corporation | Method and system for crop type identification using satellite observation and weather data |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
CN108229571A (zh) * | 2018-01-15 | 2018-06-29 | 南京邮电大学 | 基于kpca算法与深度信念网络的苹果表面病变图像识别方法 |
US20190228225A1 (en) * | 2018-01-23 | 2019-07-25 | X Development Llc | Crop boundary detection in images |
CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
CN109740721A (zh) * | 2018-12-19 | 2019-05-10 | 中国农业大学 | 麦穗计数方法及装置 |
CN110059573A (zh) * | 2019-03-22 | 2019-07-26 | 浙江大学城市学院 | 基于图像识别的野山参分级检定方法 |
CN110070034A (zh) * | 2019-04-19 | 2019-07-30 | 北京朗镜科技有限责任公司 | 模型训练方法、节识别方法、装置、设备及介质 |
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN110569730A (zh) * | 2019-08-06 | 2019-12-13 | 福建农林大学 | 一种基于U-net神经网络模型的路面裂缝自动识别方法 |
Non-Patent Citations (3)
Title |
---|
OLAF RONNEBERGER 等: "U-Net: Convolutional Networks for Biomedical", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
TEJA KATTENBOR 等: "convolutional neural networks enableefcient,accurate and fine-grained segmentation of plant species and communities from high-resolution UAV imagery", 《SCIENTIFIC REPORTS》 * |
许 玥 等: "基于深度学习模型的遥感图像分割方法", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460984B (zh) | 一种基于关键点与梯度均衡损失的全局车道线检测方法 | |
CN110222626B (zh) | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 | |
US9251420B2 (en) | System for mapping and identification of plants using digital image processing and route generation | |
CN111213155A (zh) | 图像处理方法、设备、可移动平台、无人机及存储介质 | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
WO2020103110A1 (zh) | 一种基于点云地图的图像边界获取方法、设备及飞行器 | |
CN109146889A (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
CN110866079A (zh) | 一种智慧景区实景语义地图的生成与辅助定位方法 | |
WO2020103108A1 (zh) | 一种语义生成方法、设备、飞行器及存储介质 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN112560623B (zh) | 一种基于无人机的红树植物种类快速识别方法 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
CN110889399A (zh) | 基于深度学习的高分辨率遥感影像弱小目标检测方法 | |
CN115861858B (zh) | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 | |
CN115631344A (zh) | 一种基于特征自适应聚合的目标检测方法 | |
CN113052108A (zh) | 基于深度神经网络的多尺度级联航拍目标检测方法和系统 | |
CN115661569A (zh) | 一种高精度的细粒度sar目标检测方法 | |
Li et al. | An intelligent monitoring system of diseases and pests on rice canopy | |
CN115909096A (zh) | 无人机巡航管道隐患分析方法、装置及系统 | |
CN114926498A (zh) | 一种基于时空约束与可学习特征匹配的快速目标跟踪方法 | |
Bapu et al. | Adaptive convolutional neural network using N-gram for spatial object recognition | |
Martins et al. | Machine learning and SLIC for tree canopies segmentation in urban areas | |
CN113095109A (zh) | 一种农作物叶面识别模型训练方法、识别方法及装置 | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |
|
RJ01 | Rejection of invention patent application after publication |