CN113221789A - 一种田块灌溉设施识别方法及装置 - Google Patents
一种田块灌溉设施识别方法及装置 Download PDFInfo
- Publication number
- CN113221789A CN113221789A CN202110558323.2A CN202110558323A CN113221789A CN 113221789 A CN113221789 A CN 113221789A CN 202110558323 A CN202110558323 A CN 202110558323A CN 113221789 A CN113221789 A CN 113221789A
- Authority
- CN
- China
- Prior art keywords
- image
- irrigation facility
- irrigation
- remote sensing
- field
- 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
Links
- 230000002262 irrigation Effects 0.000 title claims abstract description 236
- 238000003973 irrigation Methods 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003287 optical effect Effects 0.000 claims abstract description 102
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000012732 spatial analysis Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 description 49
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 235000021015 bananas Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002344 surface layer Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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 using 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种田块灌溉设施识别方法及装置,通过获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像,将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像,将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施,将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施,根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域,若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施,从而获取田块的灌溉设施,便于辅助判断田块的作物类型,提高了作物类型识别精度。
Description
技术领域
本发明涉及农业灌溉设施技术领域,特别是涉及一种田块灌溉设施识别方法及装置。
背景技术
作物种植早期遥感识别,由于可供利用的遥感观测较少,信息量不足,对于种植结构复杂,作物类型众多的区域,通常难以取得较高精度。
然而,一些农田灌溉设施,其存在相对长久,可以通过当季或以往时期的观测图像进行识别。然后将这一辅助信息应用于作物种植早期遥感识别中,可以有效提高识别精度。例如香蕉、甘蔗等需水较多的作物,通常会在田块内部或附近修建蓄水池。因此,可以根据田块灌溉设施信息来辅助判断作物类型。
发明内容
基于此,本发明的目的在于,提供一种田块灌溉设施识别方法及装置,其具有辅助判断作物类型、提高作物类型识别精度的优点。
为了实现上述目的,本发明的第一方面是提供一种田块灌溉设施识别方法,包括:
获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像;
将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像;
将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施;
根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施;
将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施;
根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域;
若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
通过获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像,将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像,将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施,将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施,根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域,若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施,从而获取田块的灌溉设施,便于辅助判断田块的作物类型,提高了作物类型识别精度。
进一步地,所述获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像的步骤包括:获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得目标田块图像;其中,训练所述田块识别模型包括:对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;将所述光学遥感卫星样本图像作为输入,将所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。使用FCIS深度学习网络识别田块,提高了田块的识别效率。
进一步地,所述根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施的步骤包括:获取所述第一灌溉设施对应的第一图层和所述目标田块图像对应的第二图层,所述第一图层和所述第二图层根据经纬度匹配;利用所述空间分析方法,查找与所述第一图层中每一像素位置相同的所述第二图层中像素,根据所述像素位置获得目标田块内的灌溉设施。
进一步地,所述将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施的步骤包括:将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型,获取灌溉设施图像;其中,训练所述灌溉设施识别模型包括:对所述光学遥感卫星样本图像勾勒出第二灌溉设施,得到第二灌溉设施样本数据;将所述光学遥感卫星样本图像作为输入,将所述第二灌溉设施样本数据作为输出,输入到UNET深度学习网络进行训练学习,得到灌溉设施识别模型。采用UNET深度学习网络识别所述第二灌溉设施,提高了所述第二灌溉设施的识别效率。
进一步地,所述若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施的步骤包括:获取所述第二灌溉设施的膨胀区域对应的第三图层和所述目标田块图像对应的第二图层,并将所述第三图层和第二图层根据经纬度匹配;若所述第三图层中像素与所述第二图层中像素有相同的经纬度,则将所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
本发明的第二方面提供一种田块灌溉设施识别装置,包括:
获取单元,用于获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像;
变换单元,用于将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像;
确定单元,用于将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施;
第一获得单元,用于根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施;
第二获得单元,用于将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施;
第三获得单元,用于根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域;
判断单元,用于若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
与现有技术相比,本发明的有益效果如下:
本发明提供了一种田块灌溉设施识别方法及装置,通过获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像,将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像,将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施,将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施,根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域,若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施,从而获取田块的灌溉设施,便于辅助判断田块的作物类型,提高了作物类型识别精度。
附图说明
图1为本发明田块灌溉设施识别方法的流程示意图;
图2为本发明田块灌溉设施识别方法中S11的流程示意图;
图3为本发明田块灌溉设施识别方法中S40的流程示意图;
图4为本发明田块灌溉设施识别方法中S51的流程示意图;
图5为本发明田块灌溉设施识别方法中S70的流程示意图;
图6为本发明田块灌溉设施识别装置的结构框图;
图7为本发明田块灌溉设施识别装置输入单元811的结构框图;
图8为本发明田块灌溉设施识别装置第一获得元84的结构框图;
图9为本发明田块灌溉设施识别装置第一输入单元851的结构框图;
图10为本发明田块灌溉设施识别装置判断单元87的结构框图。
具体实施方式
为了更好地理解和实施,下面结合附图详细说明本发明。
请参阅图1,本发明实施例提供一种田块灌溉设施识别方法,包括的步骤如下:
S10.获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像。
光学遥感是指用光学系统来收集地面物体反射和发射到太空中的辐射,经光探测器转换成电信号,再进行存储、数据分析等处理,从而获取地物的空间、时间和光谱信息。在本申请实施例中,获取谷歌地球(google earth)中的光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像。
在一个可选的实施例中,所述步骤S10包括S11,具体如下:
S11.获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得目标田块图像。
在本申请实施例中,将从谷歌地球中获取的光学遥感卫星图像输入到训练好的田块识别模型中,识别出所述光学遥感卫星图像中所有的田块,从而得到目标田块图像。
在一个可选的实施例中,请参阅图2,所述步骤S11包括S12~S13,具体如下:
S12.对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
S13.将所述光学遥感卫星样本图像作为输入,将所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
在本申请实施例中,预先采集大量的光学遥感卫星样本图像,然后针对每个光学遥感卫星样本图像,人工逐一勾勒出所述样本图像中的田块边界,得到田块样本数据,将所述光学遥感卫星样本图像作为输入,将所述田块样本数据作为输出,输入到全卷积实例感知语义分割(Fully Convolutional Instance-aware Semantic Segmentation,简称FCIS)深度学习网络进行训练学习,从而得到田块识别模型。
S20.将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像。
在LAB颜色空间中,一种颜色由L、a、b三种参数表示,L(Luminosity)表示亮度,取值[0-100]对应[纯黑-纯白],a颜色表示从绿色到红色的范围,取值[-128-+127]对应[绿-洋红];b表示从蓝色到黄色的范围,取值[-128-+127]对应[蓝-黄],正是暖色,负是冷色。在本申请实施例中,将所述光学遥感卫星图像的RGB图像通过LAB色彩变换,得到LAB图像。
S30.将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施。
在本申请实施例中,将所述LAB图像中亮度值L小于预设阈值30的区域确定为第一灌溉设施,其中,所述第一灌溉设施为蓄水池。
S40.根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施。
在本申请实施例中,根据所述目标田块图像、所述蓄水池以及空间分析方法,获得目标田块内的蓄水池。
在一个可选的实施例中,请参阅图3,所述步骤S40包括S41~S42,具体如下:
S41.获取所述第一灌溉设施对应的第一图层和所述目标田块图像对应的第二图层,所述第一图层和所述第二图层根据经纬度匹配;
S42.利用所述空间分析方法,查找与所述第一图层中每一像素位置相同的所述第二图层中像素,根据所述像素位置获得目标田块内的灌溉设施。
在本申请实施例中,获取所述蓄水池对应的第一图层和所述目标田块图像对应的第二图层,所述第一图层和所述第二图层根据经纬度匹配,利用所述空间分析方法中的touch函数,查找与所述第一图层中每个像素位置相同的所述第二图层中像素,即找到每个蓄水池对应的目标田块。
S50.将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施。
在本申请实施例中,将从谷歌地球中获取的光学遥感卫星图像输入到训练好的灌溉设施识别模型中,识别出所述光学遥感卫星图像中所有的第二灌溉设施,其中,所述第二灌溉设施包括沟渠、水塘等小型灌溉设施。
在一个可选的实施例中,所述步骤S50包括S51,具体如下:
S51.将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型,获取灌溉设施图像。
在本申请实施例中,将从谷歌地球中获取的光学遥感卫星图像输入到训练好的灌溉设施识别模型中,从而灌溉设施图像,所述灌溉设施图像包括沟渠、水塘等小型灌溉设施。
在一个可选的实施例中,请参阅图4,所述步骤S51包括S52~S53,具体如下:
S52.对所述光学遥感卫星样本图像勾勒出第二灌溉设施,得到第二灌溉设施样本数据;
S53.将所述光学遥感卫星样本图像作为输入,将所述第二灌溉设施样本数据作为输出,输入到UNET深度学习网络进行训练学习,得到灌溉设施识别模型。
在本申请实施例中,预先采集大量的光学遥感卫星样本图像,然后针对每个光学遥感卫星样本图像,人工逐一勾勒出所述样本图像中的第二灌溉设施,得到第二灌溉设施样本数据,将所述光学遥感卫星样本图像作为输入,将所述第二灌溉设施样本数据作为输出,输入到生物医学图像分割的卷积网络(Convolutional Networks for BiomedicalImage Segmentation,简称UNET)进行训练学习,从而得到灌溉设施识别模型。
S60.根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域。
在本申请实施例中,针对每个所述第二灌溉设施以20m的预设膨胀距离进行形态学膨胀,从而获得所述第二灌溉设施的膨胀区域。其中,所述形态学膨胀是数字图像处理中的基本操作。
S70.若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
在本申请实施例中,若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施,即判断所述目标田块周侧存在沟渠、水塘等小型灌溉设施。
在一个可选的实施例中,请参阅图5,所述步骤S70包括S71~S72,具体如下:
S71.获取所述第二灌溉设施的膨胀区域对应的第三图层和所述目标田块图像对应的第二图层,并将所述第三图层和第二图层根据经纬度匹配;
S72.若所述第三图层中像素与所述第二图层中像素有相同的经纬度,则将所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
在本申请实施例中,获取所述第二灌溉设施的膨胀区域对应的第三图层和所述目标田块图像对应的第二图层,将所述第三图层和第二图层根据经纬度匹配,通过执行地理信息系统中检查两个图层是否重叠的操作命令,若所述第三图层中像素与所述第二图层中像素有相同的位置,则将所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。其中,所述地理信息系统(Geographic Information System或Geo-Information system,简称GIS)是对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。
应用本发明实施例,通过获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像,将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像,将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施,将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施,根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域,若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施,从而获取田块的灌溉设施,便于辅助判断田块的作物类型,提高了作物类型识别精度。
相应于上述方法实施例,请参阅6,本发明实施例提供一种田块灌溉设施识别装置8,包括:
获取单元81,用于获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像;
变换单元82,用于将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像;
确定单元83,用于将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施;
第一获得单元84,用于根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施;
第二获得单元85,用于将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施;
第三获得单元86,用于根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域;
判断单元87,用于若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
可选的,所述获取单元81包括:
输入单元811,用于获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得目标田块图像;
可选的,请参阅图7,所述输入单元811,具体包括:
勾勒单元812,用于对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
训练学习单元813,用于将所述光学遥感卫星样本图像作为输入,将所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
可选的,请参阅图8,所述第一获得单元84包括:
匹配单元842,用于获取所述第一灌溉设施对应的第一图层和所述目标田块图像对应的第二图层,将所述第一图层和所述第二图层根据经纬度匹配;
查找单元844,用于利用所述空间分析方法,查找与所述第一图层中每一像素位置相同的所述第二图层中像素,根据所述像素位置获得目标田块内的灌溉设施。
可选的,所述第二获得单元85包括:
第一输入单元851,用于将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型,获取灌溉设施图像;
可选的,请参阅图9,所述第一输入单元851,具体包括:
第一勾勒单元852,用于对所述光学遥感卫星样本图像勾勒出第二灌溉设施,得到第二灌溉设施样本数据;
第一训练学习单元853,用于将所述光学遥感卫星样本图像作为输入,将所述第二灌溉设施样本数据作为输出,输入到UNET深度学习网络进行训练学习,得到灌溉设施识别模型。
可选的,请参阅图10,所述判断单元87,具体包括:
第一匹配单元871,用于获取所述第二灌溉设施的膨胀区域对应的第三图层和所述目标田块图像对应的第二图层,并将所述第三图层和第二图层根据经纬度匹配;
第一判断单元872,用于若所述第三图层中像素与所述第二图层中像素有相同的经纬度,则将所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
应用本发明实施例,通过获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像,将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像,将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施,将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施,根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域,若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施,从而获取田块的灌溉设施,便于辅助判断田块的作物类型,提高了作物类型识别精度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种田块灌溉设施识别方法,其特征在于,包括:
获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像;
将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像;
将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施;
根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施;
将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施;
根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域;
若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
2.根据权利要求1所述的一种田块灌溉设施识别方法,其特征在于,所述获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像的步骤包括:
获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得目标田块图像;
其中,训练所述田块识别模型包括:
对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
将所述光学遥感卫星样本图像作为输入,将所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
3.根据权利要求1所述的一种田块灌溉设施识别方法,其特征在于,所述根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施的步骤包括:
获取所述第一灌溉设施对应的第一图层和所述目标田块图像对应的第二图层,所述第一图层和所述第二图层根据经纬度匹配;
利用所述空间分析方法,查找与所述第一图层中每一像素位置相同的所述第二图层中像素,根据所述像素位置获得目标田块内的灌溉设施。
4.根据权利要求1所述的一种田块灌溉设施识别方法,其特征在于,所述将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施的步骤包括:
将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型,获取灌溉设施图像;
其中,训练所述灌溉设施识别模型包括:
对所述光学遥感卫星样本图像勾勒出第二灌溉设施,得到第二灌溉设施样本数据;
将所述光学遥感卫星样本图像作为输入,将所述第二灌溉设施样本数据作为输出,输入到UNET深度学习网络进行训练学习,得到灌溉设施识别模型。
5.根据权利要求1所述的一种田块灌溉设施识别方法,其特征在于,所述若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施的步骤包括:
获取所述第二灌溉设施的膨胀区域对应的第三图层和所述目标田块图像对应的第二图层,并将所述第三图层和第二图层根据经纬度匹配;
若所述第三图层中像素与所述第二图层中像素有相同的经纬度,则将所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
6.一种田块灌溉设施识别装置,其特征在于,包括:
获取单元,用于获取光学遥感卫星图像,并从所述光学遥感卫星图像中识别获得目标田块图像;
变换单元,用于将所述光学遥感卫星图像进行LAB色彩变换,得到LAB图像;
确定单元,用于将所述LAB图像中亮度值小于预设阈值的区域确定为第一灌溉设施;
第一获得单元,用于根据所述目标田块图像、所述第一灌溉设施以及空间分析方法,获得目标田块内的灌溉设施;
第二获得单元,用于将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型中,获得第二灌溉设施;
第三获得单元,用于根据所述第二灌溉设施和预设的膨胀距离,获得所述第二灌溉设施的膨胀区域;
判断单元,用于若所述第二灌溉设施的膨胀区域与所述目标田块图像存在重叠,则将有重叠的所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
7.根据权利要求6所述的一种田块灌溉设施识别装置,其特征在于,所述获取单元包括:
输入单元,用于获取光学遥感卫星图像,将所述光学遥感卫星图像输入到训练好的田块识别模型,获得目标田块图像;
其中,训练所述田块识别模型包括:
勾勒单元,用于对光学遥感卫星样本图像勾勒出田块边界,得到田块样本数据;
训练学习单元,用于将所述光学遥感卫星样本图像作为输入,将所述田块样本数据作为输出,输入到FCIS深度学习网络进行训练学习,得到田块识别模型。
8.根据权利要求6所述的一种田块灌溉设施识别装置,其特征在于,所述第一获得单元包括:
匹配单元,用于获取所述第一灌溉设施对应的第一图层和所述目标田块图像对应的第二图层,将所述第一图层和所述第二图层根据经纬度匹配;
查找单元,用于利用所述空间分析方法,查找与所述第一图层中每一像素位置相同的所述第二图层中像素,根据所述像素位置获得目标田块内的灌溉设施。
9.根据权利要求6所述的一种田块灌溉设施识别装置,其特征在于,所述第二获得单元包括:
第一输入单元,用于将所述光学遥感卫星图像输入到训练好的灌溉设施识别模型,获取灌溉设施图像;
其中,训练所述灌溉设施识别模型包括:
第一勾勒单元,用于对所述光学遥感卫星样本图像勾勒出第二灌溉设施,得到第二灌溉设施样本数据;
第一训练学习单元,用于将所述光学遥感卫星样本图像作为输入,将所述第二灌溉设施样本数据作为输出,输入到UNET深度学习网络进行训练学习,得到灌溉设施识别模型。
10.根据权利要求6所述的一种田块灌溉设施识别装置,其特征在于,所述判断单元包括:
第一匹配单元,用于获取所述第二灌溉设施的膨胀区域对应的第三图层和所述目标田块图像对应的第二图层,并将所述第三图层和第二图层根据经纬度匹配;
第一判断单元,用于若所述第三图层中像素与所述第二图层中像素有相同的经纬度,则将所述第二灌溉设施确定为所述目标田块周侧的灌溉设施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558323.2A CN113221789B (zh) | 2021-05-21 | 2021-05-21 | 一种田块灌溉设施识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558323.2A CN113221789B (zh) | 2021-05-21 | 2021-05-21 | 一种田块灌溉设施识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221789A true CN113221789A (zh) | 2021-08-06 |
CN113221789B CN113221789B (zh) | 2022-05-10 |
Family
ID=77093822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110558323.2A Active CN113221789B (zh) | 2021-05-21 | 2021-05-21 | 一种田块灌溉设施识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221789B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120290140A1 (en) * | 2011-05-13 | 2012-11-15 | Groeneveld David P | Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data |
CN104424390A (zh) * | 2013-09-06 | 2015-03-18 | 中国水利水电科学研究院 | 灌溉面积监测方法及装置 |
CN104680153A (zh) * | 2015-03-13 | 2015-06-03 | 中国科学院深圳先进技术研究院 | 识别农田的扩张类型的方法 |
CN104833347A (zh) * | 2015-05-22 | 2015-08-12 | 清华大学 | 基于gps定位的灌区渠系勘测方法及勘测系统 |
CN107103305A (zh) * | 2017-05-03 | 2017-08-29 | 西安科技大学 | 基于高分辨率遥感影像的高标准农田识别方法 |
CN108446647A (zh) * | 2018-03-26 | 2018-08-24 | 成都云门金兰科技有限公司 | 一种基于图像识别的田间管理系统 |
CN109447028A (zh) * | 2018-11-12 | 2019-03-08 | 南京大学 | 一种农田沟渠网络自动提取方法 |
CN109522904A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的规则农田提取方法 |
CN110288647A (zh) * | 2019-06-25 | 2019-09-27 | 中国水利水电科学研究院 | 一种基于高分辨率卫星数据监测灌区灌溉面积方法 |
CN110929222A (zh) * | 2019-10-24 | 2020-03-27 | 中山大学 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
CN111104889A (zh) * | 2019-12-04 | 2020-05-05 | 山东科技大学 | 一种基于U-net的水体遥感识别方法 |
CN111985372A (zh) * | 2020-08-12 | 2020-11-24 | 兰州交通大学 | 一种深度学习的遥感影像水体提取系统 |
CN112715322A (zh) * | 2020-12-22 | 2021-04-30 | 广东省科学院广州地理研究所 | 一种农业灌溉用水获取方法和装置 |
-
2021
- 2021-05-21 CN CN202110558323.2A patent/CN113221789B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120290140A1 (en) * | 2011-05-13 | 2012-11-15 | Groeneveld David P | Method and System to Control Irrigation Across Large Geographic Areas Using Remote Sensing, Weather and Field Level Data |
CN104424390A (zh) * | 2013-09-06 | 2015-03-18 | 中国水利水电科学研究院 | 灌溉面积监测方法及装置 |
CN104680153A (zh) * | 2015-03-13 | 2015-06-03 | 中国科学院深圳先进技术研究院 | 识别农田的扩张类型的方法 |
CN104833347A (zh) * | 2015-05-22 | 2015-08-12 | 清华大学 | 基于gps定位的灌区渠系勘测方法及勘测系统 |
CN107103305A (zh) * | 2017-05-03 | 2017-08-29 | 西安科技大学 | 基于高分辨率遥感影像的高标准农田识别方法 |
CN108446647A (zh) * | 2018-03-26 | 2018-08-24 | 成都云门金兰科技有限公司 | 一种基于图像识别的田间管理系统 |
CN109522904A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的规则农田提取方法 |
CN109447028A (zh) * | 2018-11-12 | 2019-03-08 | 南京大学 | 一种农田沟渠网络自动提取方法 |
CN110288647A (zh) * | 2019-06-25 | 2019-09-27 | 中国水利水电科学研究院 | 一种基于高分辨率卫星数据监测灌区灌溉面积方法 |
CN110929222A (zh) * | 2019-10-24 | 2020-03-27 | 中山大学 | 基于遥感植被冠层水分指数的灌溉农田识别方法 |
CN111104889A (zh) * | 2019-12-04 | 2020-05-05 | 山东科技大学 | 一种基于U-net的水体遥感识别方法 |
CN111985372A (zh) * | 2020-08-12 | 2020-11-24 | 兰州交通大学 | 一种深度学习的遥感影像水体提取系统 |
CN112715322A (zh) * | 2020-12-22 | 2021-04-30 | 广东省科学院广州地理研究所 | 一种农业灌溉用水获取方法和装置 |
Non-Patent Citations (5)
Title |
---|
HAO JIANG 等: "An Automated Method for Extracting Rivers and Lakes from Landsat Imagery", 《REMOTE SENSING》 * |
PUTU VIRGA NANTA NUGRAHA 等: "River Body Extraction And Classification using Enhanced Models of Modified Normalized Water Difference Index At Yeh Unda River Bali", 《2018 INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATIONS TECHNOLOGY (ICOIACT)》 * |
ZICHAO ZHANG 等: "Fusion rules and image enhancement of unmanned aerial vehicle remote sensing imagery for ecological canal data extraction", 《 DESALINATION AND WATER TREATMENT》 * |
张自超 等: "基于无人机遥感数据的生态渠系信息提取", 《排灌机械工程学报》 * |
罗优 等: "无人机航遥技术在某灌区渠系信息提取中的应用", 《水利技术监督》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113221789B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522788B (zh) | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 | |
Zhou et al. | On detecting road regions in a single UAV image | |
US20180027145A1 (en) | Image-based field boundary detection and identification | |
CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
KR20110119783A (ko) | 장면 콘텐츠에 기반한 점 군 데이터의 시각화 방법 | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN109543665A (zh) | 图像定位方法及装置 | |
CN113781455B (zh) | 宫颈细胞图像异常检测方法、装置、设备及介质 | |
Ok et al. | Detection of citrus trees from UAV DSMs | |
CN112308913A (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
Tillett et al. | A field assessment of a potential method for weed and crop mapping on the basis of crop planting geometry | |
Zhou et al. | Individual tree crown segmentation based on aerial image using superpixel and topological features | |
Wang et al. | Settlement extraction in the North China Plain using Landsat and Beijing-1 multispectral data with an improved watershed segmentation algorithm | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN114119695A (zh) | 一种图像标注方法、装置及电子设备 | |
CN113221789B (zh) | 一种田块灌溉设施识别方法及装置 | |
Tarantino et al. | Steerable filtering in interactive tracing of archaeological linear features using digital true colour aerial images | |
Koc-San et al. | A model-based approach for automatic building database updating from high-resolution space imagery | |
CN111860208A (zh) | 基于超像素的遥感影像地物分类方法、系统、装置及介质 | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
Khadanga et al. | Use of OBIA for extraction of cadastral parcels | |
CN114742955A (zh) | 洪灾预警方法、装置、电子设备及存储介质 | |
Yue et al. | The optimal segmentation scale identification using multispectral WorldView-2 images |
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 |