CN113537131A - 基于图像识别的土地资源分析模型训练方法及分析方法 - Google Patents
基于图像识别的土地资源分析模型训练方法及分析方法 Download PDFInfo
- Publication number
- CN113537131A CN113537131A CN202110869062.6A CN202110869062A CN113537131A CN 113537131 A CN113537131 A CN 113537131A CN 202110869062 A CN202110869062 A CN 202110869062A CN 113537131 A CN113537131 A CN 113537131A
- Authority
- CN
- China
- Prior art keywords
- land
- aerial
- detected
- vector
- resource analysis
- 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
Images
Classifications
-
- 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
- G06F18/24—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像识别的土地资源分析模型训练方法及分析方法,在获取待分析区域的待测航拍图片后,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,并根据向量转换模型将各卷积特征转换为对应的多维向量。然后,拼接各多维向量,得到待测特征向量,并基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。基于此,通过不同下采样倍数的卷积特征,有利于区分待测航拍图片的细微差别,提高图像识别的抗干扰能力,以提高后续土地类型标签输出准确性。
Description
技术领域
本发明涉及土地利用技术领域,特别是涉及一种基于图像识别的土地资源分析模型训练方法及分析方法。
背景技术
土地资源是指已经被人类所利用和可预见的未来能被人类利用的土地。土地资源既包括自然范畴,即土地的自然属性,也包括经济范畴,即土地的社会属性,是人类的生产资料和劳动对象。尤其在乡村经济中,土地资源的合理利用,往往是农业生产、林业生产或养殖业生产的基本基础之一。在乡村经济的可持续绿色发展过程中,农业、林业、废弃物处理、育种改良、土壤改造、生态绿地等各项发展中,通常需要对土地资源进行合理划分和区域监测分析。例如,监测分析基本农田区域划分、农地林地面积变化或作物成长变化等。
在基于土地资源的生产生活过程中,土地资源的划分一般是事先人为确定,变化较小。而由于生产生活以及自然变化对土地资源的影响,往往需要花费大量人力进行区域监测分析,以分析基于土地资源的生产生活变化,例如农作物生长变化、经济林生长或砍伐等大范围监测目标。目前,传统对土地资源进行区域监测分析的方式主要是通过人工观察的方式,配合部分观察技术手段的更新,例如无人机航拍技术或传感器技术等。然而,随着城市化的发展,乡村生产人口的减少,乡村的各项基于土地资源的生产逐渐集中化和规模化,传统人工观察的方式无疑会消耗大量宝贵的人力资源,或者面临人力资源短缺的问题。同时人工观察的方式也存在效率低下且准确率低的问题,难以满足乡村各项基于土地资源的生产的集中化和规模化需求。
综上所述,可见传统的针对土地资源进行区域监测分析的方式还存在以上不足。
发明内容
基于此,有必要针对传统土地资源进行区域监测分析的方式还存在的不足,提供一种基于图像识别的土地资源分析模型训练方法及分析方法。
一种基于图像识别的土地资源分析模型训练方法,包括步骤:
获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签;
将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型;
配置用于将卷积特征转换为基准特征向量的向量转换模型;
根据特征提取模型和向量转换模型建立土地资源分析模型;其中,土地资源分析模型包括基准特征向量与土地类型标签的映射关系。
上述的基于图像识别的土地资源分析模型训练方法,在获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签后,将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型。然后,配置用于将卷积特征转换为基准特征向量的向量转换模型,并根据特征提取模型和向量转换模型建立土地资源分析模型。基于此,土地资源分析模型可根据各类航拍图片输出土地类型标签,帮助针对土地资源的区域监测分析,提高分析效率和降低人工成本。
在其中一个实施例中,特征提取模块包括卷积特征提取单元、残差提取单元和空间注意力单元。
在其中一个实施例中,残差提取单元包括直通型残差结构。
在其中一个实施例中,在将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型的过程之前,还包括步骤:
对历史航拍图片进行标准统一处理。
在其中一个实施例中,对历史航拍图片进行标准统一处理的过程,包括步骤:
将历史航拍图片的尺寸调整为设定尺寸。
在其中一个实施例中,向量转换模型用于将各卷积特征转换为固定维数的基准特征向量。
在其中一个实施例中,固定维数包括2的设定次方维。
在其中一个实施例中,固定维数包括256维。
一种基于图像识别的土地资源分析模型训练装置,包括:
图片获取模块,用于获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签;
特征提取模型模块,用于将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型;
向量转换模型模块,用于配置用于将卷积特征转换为基准特征向量的向量转换模型;
分析模型建立模块,用于根据特征提取模型和向量转换模型建立土地资源分析模型;其中,土地资源分析模型包括基准特征向量与土地类型标签的映射关系。
上述的基于图像识别的土地资源分析模型训练装置,在获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签后,将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型。然后,配置用于将卷积特征转换为基准特征向量的向量转换模型,并根据特征提取模型和向量转换模型建立土地资源分析模型。基于此,土地资源分析模型可根据各类航拍图片输出土地类型标签,帮助针对土地资源的区域监测分析,提高分析效率和降低人工成本。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的基于图像识别的土地资源分析模型训练方法。
上述的计算机存储介质,在获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签后,将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型。然后,配置用于将卷积特征转换为基准特征向量的向量转换模型,并根据特征提取模型和向量转换模型建立土地资源分析模型。基于此,土地资源分析模型可根据各类航拍图片输出土地类型标签,有助于土地资源的区域监测分析,提高分析效率和降低人工成本。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的基于图像识别的土地资源分析模型训练方法。
上述的计算机设备,在获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签后,将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型。然后,配置用于将卷积特征转换为基准特征向量的向量转换模型,并根据特征提取模型和向量转换模型建立土地资源分析模型。基于此,土地资源分析模型可根据各类航拍图片输出土地类型标签,帮助针对土地资源的区域监测分析,提高分析效率和降低人工成本。
一种基于图像识别的土地资源分析方法,包括步骤:
获取待分析区域的待测航拍图片;
根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征;
根据向量转换模型将各卷积特征转换为对应的多维向量;其中,多维向量的维数与下采样倍数相对应;
拼接各多维向量,得到待测特征向量;
基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。
上述的基于图像识别的土地资源分析方法,在获取待分析区域的待测航拍图片后,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,并根据向量转换模型将各卷积特征转换为对应的多维向量。然后,拼接各多维向量,得到待测特征向量,并基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。基于此,通过不同下采样倍数的卷积特征,有利于区分待测航拍图片的细微差别,提高图像识别的抗干扰能力,以提高后续土地类型标签输出准确性。
在其中一个实施例中,在根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征的过程之前,还包括步骤:
对待测航拍图片进行标准统一处理。
在其中一个实施例中,对待测航拍图片进行标准统一处理的过程,包括步骤:
将待测航拍图片的尺寸调整为设定尺寸。
在其中一个实施例中,在根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征的过程之前,还包括步骤:
根据颜色分割网络,确定待测航拍图片的特征区域位置和区域分类置信度;
通过特征区域位置和区域分类置信度截取待测航拍图片的特征区域;
由特征区域更新待测航拍图片。
在其中一个实施例中,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签的过程,包括步骤:
比对待测特征向量与各基准特征向量,确定待测特征向量与基准特征向量的相似度大小排行;
将最大相似度的基准特征向量对应的土地类型标签作为输出结果。
在其中一个实施例中,各多维向量的维数之和为固定维数。
在其中一个实施例中,多维向量的维数包括64维和128维。
在其中一个实施例中,下采样倍数包括16倍、32倍和64倍。
在其中一个实施例中,多维向量的维数为64维对应的卷积特征的下采样倍数为16倍和32倍,多维向量的维数为128维对应的卷积特征的下采样倍数为64倍。
一种基于图像识别的土地资源分析装置,包括步骤:
图片采集模块,用于获取待分析区域的待测航拍图片;
特征提取模块,用于根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征;
特征转换模块,用于根据向量转换模型将各卷积特征转换为对应的多维向量;其中,多维向量的维数与下采样倍数相对应;
向量拼接模块,用于拼接各多维向量,得到待测特征向量;
结果输出模块,用于基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。
上述的基于图像识别的土地资源分析装置,在获取待分析区域的待测航拍图片后,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,并根据向量转换模型将各卷积特征转换为对应的多维向量。然后,拼接各多维向量,得到待测特征向量,并基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。基于此,通过不同下采样倍数的卷积特征,有利于区分待测航拍图片的细微差别,提高图像识别的抗干扰能力,以提高后续土地类型标签输出准确性。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的基于图像识别的土地资源分析方法。
上述的计算机存储介质,在获取待分析区域的待测航拍图片后,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,并根据向量转换模型将各卷积特征转换为对应的多维向量。然后,拼接各多维向量,得到待测特征向量,并基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。基于此,通过不同下采样倍数的卷积特征,有利于区分待测航拍图片的细微差别,提高图像识别的抗干扰能力,以提高后续土地类型标签输出准确性。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的基于图像识别的土地资源分析方法。
上述的计算机设备,在获取待分析区域的待测航拍图片后,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,并根据向量转换模型将各卷积特征转换为对应的多维向量。然后,拼接各多维向量,得到待测特征向量,并基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。基于此,通过不同下采样倍数的卷积特征,有利于区分待测航拍图片的细微差别,提高图像识别的抗干扰能力,以提高后续土地类型标签输出准确性。
附图说明
图1为一实施方式的基于图像识别的土地资源分析模型训练方法流程图;
图2为另一实施方式的基于图像识别的土地资源分析模型训练方法流程图;
图3为一实施方式的特征提取模块结构示意图;
图4为一实施方式的卷积特征提取单元结构示意图;
图5为一实施方式的残差提取单元结构示意图;
图6为一实施方式的空间注意力单元结构示意图;
图7为一实施方式的基于图像识别的土地资源分析模型训练装置模块结构图;
图8为一实施方式的基于图像识别的土地资源分析方法流程图;
图9为另一实施方式的基于图像识别的土地资源分析方法流程图;
图10为一实施方式的卷积特征处理示意图;
图11为一实施方式的基于图像识别的土地资源分析装置模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于图像识别的土地资源分析模型训练方法。
图1为一实施方式的基于图像识别的土地资源分析模型训练方法流程图,如图1所示,一实施方式的基于图像识别的土地资源分析模型训练方法包括步骤S100至步骤S103:
S100,获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签;
S101,将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型;
S102,配置用于将卷积特征转换为基准特征向量的向量转换模型;
S103,根据特征提取模型和向量转换模型建立土地资源分析模型;其中,土地资源分析模型包括基准特征向量与土地类型标签的映射关系。
历史航拍图片的采集,通过在各类型土地进行区域划分,设置一定的航拍高度和拍摄范围,采集各划分区域的航拍图片作为历史航拍图片。其中,历史航拍图片对应的划分区域的土地类型已确定。在本实施例中,对卷积特征的提取差异主要基于颜色区域的占比和位置。在历史航拍图片的表征中,不同类型的土地在图片中表征为不同的颜色。例如,农田、林地、水域、裸露的荒地等不同土地类型;同时,农田或林地等在不同阶段表征的颜色也存在差异,例如农作物的生长阶段、经济林的生长阶段等。
基于此,在本实施例中,卷积特征各层的训练是基于图片颜色区域的占比和位置。在传统的一些方法中,例如颜色识别和颜色分割等方式,由于航拍容易受到光线、遮挡等环境干扰,导致传统的颜色识别方式难以准确地分辨颜色区域的占比和位置。因此,在本实施例中,利用卷积特征,并对卷积特征的提取过程进行改进,以识别历史航拍图片或后续待测航拍图片中的细微差异,满足识别准确率的要求。
在其中一个实施例中,历史航拍图片的航拍高度和拍摄范围与后续待测航拍图片的一致。
在完成历史航拍图片的采集获取后,为历史航拍图片添加对应的土地类型标签,土地类型标签用于表征土地类型。土地类型标签例如:耕地80%、水域20%、耕地作物类型、作物生长时期等。其中,土地类型标签可根据土地资源监测分析需求,灵活配置所需的标签内容和类型。
其中,历史航拍图片作为特征提取模型的训练数据,历史航拍图片作的样本数量和土地资源覆盖范围越多,特征提取模型的识别准确率越高。作为一个较优的实施例方式,采集超过2万张历史航拍图片作为特征提取模型的训练数据。
在其中一个实施例中,图2为另一实施方式的基于图像识别的土地资源分析模型训练方法流程图,如图2所示,包括步骤:
在步骤S101中将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型的过程之前,还包括步骤S200:
S200,对历史航拍图片进行标准统一处理。
其中,进行标准统一处理以适应特征提取模型的图片识别要求。同时,进行标准统一处理将各历史航拍图片的标准进行统一,降低各历史航拍图片的差异对模型训练的稳定性影响,提高特征提取模型的鲁棒性。
在其中一个实施例中,进行标准统一处理包括图片尺寸处理、图像增强或图像裁剪等处理。作为一个较优的实施方式,步骤S200中对历史航拍图片进行标准统一处理的方式包括将各历史航拍图片的图片尺寸调整为设定尺寸,以统一训练数据的尺寸标准,进一步提高特征提取模型的训练一致性。
训练后的特征提取模型用于提取输入图片的卷积特征,不同卷积处理层可输出对应下采样倍数的卷积特征。
在其中一个实施例中,图3为一实施方式的特征提取模块结构示意图,如图3所示,特征提取模块包括卷积特征提取单元100、残差提取单元101和空间注意力单元102。
卷积特征提取单元100作为特征提取模块的核心单元,用于被训练后的卷积特征提取。其中,卷积特征提取单元100在进行卷积层处理后存在多路结果输出,图4为一实施方式的卷积特征提取单元结构示意图,如图4所示,各层结果输出(ResU)均可输出卷积特征,其中,不同层输出的卷积特征的下采样倍数不同。
同时,由于特征提取模块的训练样本(历史航拍图片)数量大,传统的卷积特征提取难以区分大数据量下特征维度,进而影响卷积特征的区分度,降低识别的参考价值。因此,在特征提取模块引入残差提取单元101,为卷积特征提取单元100提供残差结构,进一步提高卷积特征提取单元100的特征提取维度。
在其中一个实施例中,图5为一实施方式的残差提取单元结构示意图,如图5所示,残差提取单元101选用直通型残差结构,便于卷积特征提取单元100的深层构建,有效地提高卷积特征提取单元100的特征提取维度。
同样,为适应特征提取模块的大数据量,在后续模型的进一步更新训练和维护中,需要及时调整特征提取模块的训练过程。大数据量下的训练更新调整,主要是通过调整卷积特征不同通道的贡献权重。因此,进一步引入了空间注意力单元102来调整卷积特征不同通道的贡献权重。在其中一个实施例中,图6为一实施方式的空间注意力单元结构示意图,如图6所示,可通过对空间注意力单元102的调整,调整卷积特征提取单元100中不同通道的贡献权重。
在训练好特征提取模型后,进一步配置用于将卷积特征转换为基准特征向量的向量转换模型。
向量转换模型用于根据卷积特征的下采样倍数,确定基准特征向量的维数。其中,卷积特征的下采样倍数为2的若干次方,包括4/8/16/32/64……等倍数,以此类推。基于此,基准特征向量的维数与下采样倍数进行分类;例如,任一维数对应一倍数区间的卷积特征。作为一个较优的实施方式,卷积特征的下采样倍数包括16倍、32倍和64倍,基准特征向量的维数包括64维和128维。其中,向量转换模型用于将16倍和32倍的卷积特征转换为64维的基准特征向量,将64倍的卷积特征转换为128维的基准特征向量。
在其中一个实施例中,向量转换模型还用于拼接各基准特征向量,得到最终向量转换模型输出的基准特征向量。在其中一个实施例中,各过程中的基准特征向量的维数之和为固定维数。作为一个较优的实施方式,固定维数为256维,即包括两个64维基准特征向量和一个128维基准特征向量的拼接。
其中,不同下采样倍数的卷积特征代表的关注区域存在差异。低下采样倍数的卷积特征对应的是浅层的卷积特征,高下采样倍数的卷积特征对应的是深层的卷积特征。浅层的卷积特征的感受野小,方便识别历史航拍图片的颜色细微差异,便于区分不同颜色区域。深层的卷积特征的感受野大,便于区分不同颜色区域的轮廓差异。最终,通过多个不同感受野的卷积特征,将历史航拍图片的特征转换为基准特征向量,使得基准特征向量的差异可以对应各历史航拍图片的差异,提高土地类型标签的输出准确性。
基于此,土地资源分析模型包括了特征提取模型和向量转换模型,在土地资源分析模型,基准特征向量与土地类型标签存在映射关系,在根据土地资源分析模型确定基准特征向量,即可一一对应确定土地类型标签,作为土地资源分析模型的输出结果。
上述任一实施例的基于图像识别的土地资源分析模型训练方法,在获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签后,将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型。然后,配置用于将卷积特征转换为基准特征向量的向量转换模型,并根据特征提取模型和向量转换模型建立土地资源分析模型。基于此,土地资源分析模型可根据各类航拍图片输出土地类型标签,帮助针对土地资源的区域监测分析,提高分析效率和降低人工成本。
本发明实施例还提供一种基于图像识别的土地资源分析模型训练装置。
图7为一实施方式的基于图像识别的土地资源分析模型训练装置模块结构图,如图7所示,一实施方式的基于图像识别的土地资源分析模型训练装置包括模块200、模块201、模块202和模块203:
图片获取模块200,用于获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签;
特征提取模型模块201,用于将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型;
向量转换模型模块202,用于配置用于将卷积特征转换为基准特征向量的向量转换模型;
分析模型建立模块203,用于根据特征提取模型和向量转换模型建立土地资源分析模型;其中,土地资源分析模型包括基准特征向量与土地类型标签的映射关系。
上述的基于图像识别的土地资源分析模型训练装置,在获取各土地类型的历史航拍图片,并为各历史航拍图片添加对应的土地类型标签后,将历史航拍图片作为训练数据,训练用于从历史航拍图片提取卷积特征的特征提取模型。然后,配置用于将卷积特征转换为基准特征向量的向量转换模型,并根据特征提取模型和向量转换模型建立土地资源分析模型。基于此,土地资源分析模型可根据各类航拍图片输出土地类型标签,帮助针对土地资源的区域监测分析,提高分析效率和降低人工成本。
本发明实施例还提供了一种基于图像识别的土地资源分析方法。
图8为一实施方式的基于图像识别的土地资源分析方法流程图,如图8所示,一实施方式的基于图像识别的土地资源分析方法包括步骤S300至步骤S304:
S300,获取待分析区域的待测航拍图片;
S301,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征;
S302,根据向量转换模型将各卷积特征转换为对应的多维向量;其中,多维向量的维数与下采样倍数相对应;
S303,拼接各多维向量,得到待测特征向量;
S304,基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。
其中,待测航拍图片的采集条件,与历史航拍图片一致。待分析区域的区域划分,与历史航拍图片对应的区域划分条件一致。基于此,保证待测航拍图片与历史航拍图片的统一性。
在其中一个实施例中,图9为另一实施方式的基于图像识别的土地资源分析方法流程图,如图9所示,在步骤S301中根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征的过程之前,还包括步骤S400:
S400,对待测航拍图片进行标准统一处理。
其中,步骤S400中对待测航拍图片进行标准统一处理与步骤S200中对历史航拍图片进行标准统一处理一致,保证了输入特征提取模型的待测航拍图片的稳定性。
在其中一个实施例中,步骤S400中对历史航拍图片进行标准统一处理的过程,包括步骤:
将历史航拍图片的尺寸调整为设定尺寸。
在其中一个实施例中,设定尺寸为256×256,与固定维数相适应。
在其中一个实施例中,如图9所示,在步骤S301中根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征的过程之前,还包括步骤S401至步骤S403:
S401,根据颜色分割网络,确定待测航拍图片的特征区域位置和区域分类置信度;
S402,通过特征区域位置和区域分类置信度截取待测航拍图片的特征区域;
S403,由特征区域更新待测航拍图片。
颜色分割网络基于颜色分割算法进行网络构建,以便于与特征提取模型进行网络合并。将待测航拍图片输入颜色分割网络中,颜色分割网络可以结合特征提取模型的卷积特征记录,根据颜色分割确定待测航拍图片的特征区域位置和区域分类置信度,以剔除无关颜色区域,截取待测航拍图片的特征区域,进一步消除待测航拍图片的干扰信息。
在完成特征区域截取后,将特征区域更新替代初始的待测航拍图片,得到更新后的待测航拍图片。
通过特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,在其中一个实施例中,图10为一实施方式的卷积特征处理示意图,如图10所示,通过特征提取模型提取不同下采样倍数为16倍、32倍和64倍的卷积特征,并将16倍和32倍的卷积特征分别转换为64维的多维向量,将64倍的卷积特征转换为128维的多维向量。
如图10所示,拼接各多维向量,得到待测特征向量。在对两64维的多维向量和一128维的多维向量进行拼接后,得到一256维的待测特征向量。
在其中一个实施例中,各多维向量的维数之和为固定维数,与基准特征向量进行维数标准统一。需要注意的是,固定维数可根据特征提取模型的训练进行相应调整,包括但不限于256维。同理,下采样倍数的选取也可以进行适应性调整,下采样倍数为16倍、32倍和64倍的卷积特征,以及256维的固定维数,仅为较优的实施方式,不代表唯一限定。
在确定待测特征向量后,根据土地资源分析模型,确定与待测特征向量相匹配的基准特征向量,并根据映射关系获得土地类型标签,作为用于分析待分析区域的土地资源的输出结果。
在其中一个实施例中,待测特征向量与基准特征向量的匹配度,可根据航拍的方式进行匹配方式调整。
在其中一个实施例中,如图9所示,步骤S304中根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签的过程,包括步骤S404和步骤S405:
S404,比对待测特征向量与各基准特征向量,确定待测特征向量与基准特征向量的相似度大小排行;
S405,将最大相似度的基准特征向量对应的土地类型标签作为输出结果。
其中,对相似度大小排行,在最大相似度存在多个基准特征向量时,输出多个土地类型标签作为输出结果。基于此,通过不同层的卷积特征,提高对待测航拍图片的细微差异的提取敏感性,降低环境影响对待测航拍图片的影响,有效地提高待测航拍图片与土地类型标签之间的对应准确性。
上述任一实施例的基于图像识别的土地资源分析方法,在获取待分析区域的待测航拍图片后,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,并根据向量转换模型将各卷积特征转换为对应的多维向量。然后,拼接各多维向量,得到待测特征向量,并基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。基于此,通过不同下采样倍数的卷积特征,有利于区分待测航拍图片的细微差别,提高图像识别的抗干扰能力,以提高后续土地类型标签输出准确性。
本发明实施例还提供了一种基于图像识别的土地资源分析装置。
图11为一实施方式的基于图像识别的土地资源分析装置模块结构图,如图11所示,一实施方式的基于图像识别的土地资源分析装置包括模块300、模块301、模块302、模块303和模块304:
图片采集模块300,用于获取待分析区域的待测航拍图片;
特征提取模块301,用于根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征;
特征转换模块302,用于根据向量转换模型将各卷积特征转换为对应的多维向量;其中,多维向量的维数与下采样倍数相对应;
向量拼接模块303,用于拼接各多维向量,得到待测特征向量;
结果输出模块304,用于基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。
上述的基于图像识别的土地资源分析装置,在获取待分析区域的待测航拍图片后,根据特征提取模型提取不同下采样倍数的待测航拍图片的卷积特征,并根据向量转换模型将各卷积特征转换为对应的多维向量。然后,拼接各多维向量,得到待测特征向量,并基于土地资源分析模型,根据待测特征向量与基准特征向量的匹配度,获得用于分析土地资源的待分析区域对应的土地类型标签。基于此,通过不同下采样倍数的卷积特征,有利于区分待测航拍图片的细微差别,提高图像识别的抗干扰能力,以提高后续土地类型标签输出准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上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,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于图像识别的土地资源分析模型训练方法,其特征在于,包括步骤:
获取各土地类型的历史航拍图片,并为各所述历史航拍图片添加对应的土地类型标签;
将所述历史航拍图片作为训练数据,训练用于从所述历史航拍图片提取卷积特征的特征提取模型;
配置用于将所述卷积特征转换为基准特征向量的向量转换模型;
根据所述特征提取模型和所述向量转换模型建立土地资源分析模型;其中,所述土地资源分析模型包括所述基准特征向量与所述土地类型标签的映射关系。
2.根据权利要求1所述的基于图像识别的土地资源分析模型训练方法,其特征在于,所述特征提取模块包括卷积特征提取单元、残差提取单元和空间注意力单元。
3.根据权利要求1所述的基于图像识别的土地资源分析模型训练方法,其特征在于,在所述将所述历史航拍图片作为训练数据,训练用于从所述历史航拍图片提取卷积特征的特征提取模型的过程之前,还包括步骤:
对所述历史航拍图片进行标准统一处理。
4.根据权利要求1至3任意一项所述的基于图像识别的土地资源分析模型训练方法,其特征在于,所述向量转换模型用于将各所述卷积特征转换为固定维数的基准特征向量。
5.一种基于图像识别的土地资源分析方法,其特征在于,包括步骤:
获取待分析区域的待测航拍图片;
根据特征提取模型提取不同下采样倍数的所述待测航拍图片的卷积特征;
根据向量转换模型将各所述卷积特征转换为对应的多维向量;其中,所述多维向量的维数与所述下采样倍数相对应;
拼接各所述多维向量,得到待测特征向量;
基于土地资源分析模型,根据所述待测特征向量与所述基准特征向量的匹配度,获得用于分析土地资源的所述待分析区域对应的土地类型标签。
6.根据权利要求5所述的基于图像识别的土地资源分析方法,其特征在于,在所述根据特征提取模型提取不同下采样倍数的所述待测航拍图片的卷积特征的过程之前,还包括步骤:
对所述待测航拍图片进行标准统一处理。
7.根据权利要求5所述的基于图像识别的土地资源分析方法,其特征在于,在所述根据特征提取模型提取不同下采样倍数的所述待测航拍图片的卷积特征的过程之前,还包括步骤:
根据颜色分割网络,确定所述待测航拍图片的特征区域位置和区域分类置信度;
通过所述特征区域位置和所述区域分类置信度截取所述待测航拍图片的特征区域;
由所述特征区域更新所述待测航拍图片。
8.根据权利要求5所述的基于图像识别的土地资源分析方法,其特征在于,所述根据所述待测特征向量与所述基准特征向量的匹配度,获得用于分析土地资源的所述待分析区域对应的土地类型标签的过程,包括步骤:
比对所述待测特征向量与各所述基准特征向量,确定所述待测特征向量与所述基准特征向量的相似度大小排行;
将所述最大相似度的所述基准特征向量对应的土地类型标签作为输出结果。
9.根据权利要求5至8任意一项所述的基于图像识别的土地资源分析方法,其特征在于,各所述多维向量的维数之和为固定维数。
10.根据权利要求5至9任意一项所述的基于图像识别的土地资源分析方法,其特征在于,所述下采样倍数包括8倍、16倍和32倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869062.6A CN113537131B (zh) | 2021-07-30 | 2021-07-30 | 基于图像识别的土地资源分析模型训练方法及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869062.6A CN113537131B (zh) | 2021-07-30 | 2021-07-30 | 基于图像识别的土地资源分析模型训练方法及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537131A true CN113537131A (zh) | 2021-10-22 |
CN113537131B CN113537131B (zh) | 2022-06-17 |
Family
ID=78089893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110869062.6A Active CN113537131B (zh) | 2021-07-30 | 2021-07-30 | 基于图像识别的土地资源分析模型训练方法及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537131B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985217A (zh) * | 2018-07-10 | 2018-12-11 | 常州大学 | 一种基于深度空间网络的交通标志识别方法及系统 |
CN110796199A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及电子医疗设备 |
CN112070078A (zh) * | 2020-11-16 | 2020-12-11 | 武汉思众空间信息科技有限公司 | 基于深度学习的土地利用分类方法及系统 |
-
2021
- 2021-07-30 CN CN202110869062.6A patent/CN113537131B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985217A (zh) * | 2018-07-10 | 2018-12-11 | 常州大学 | 一种基于深度空间网络的交通标志识别方法及系统 |
CN110796199A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置以及电子医疗设备 |
CN112070078A (zh) * | 2020-11-16 | 2020-12-11 | 武汉思众空间信息科技有限公司 | 基于深度学习的土地利用分类方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113537131B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN113160183B (zh) | 一种高光谱数据处理方法、设备及介质 | |
Solvin et al. | Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.) | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN113537131B (zh) | 基于图像识别的土地资源分析模型训练方法及分析方法 | |
WO2023197496A1 (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
CN114324336A (zh) | 一种大豆全生育期生物量无损测量方法 | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
CN109828623B (zh) | 温室作物情景感知的生产管理方法及装置 | |
CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
CN116310541A (zh) | 基于卷积网络多维度学习的昆虫分类方法及系统 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN116071653A (zh) | 基于自然图像的树木多级枝干结构自动提取方法 | |
CN113609913B (zh) | 一种基于采样阈值区间加权的松材线虫病树检测方法 | |
CN116168392A (zh) | 基于多维空间特征模型最佳源域的目标标注方法及系统 | |
CN109993071A (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
CN113256567B (zh) | 香蕉叶面积指数检测方法及系统 | |
Mazare et al. | Pests detection system for agricultural crops using intelligent image analysis | |
CN113705454A (zh) | 一种包含红外光谱遥感影像的有林地提取方法 | |
CN112101249A (zh) | 一种基于深度卷积记忆网络的sar目标类型识别方法 | |
David et al. | Object-based land use and land cover mapping from LiDAR data and orthophoto application of decision tree-based data selection for SVM classification | |
CN112966579B (zh) | 一种基于无人机遥感的大面积油茶林快速估产方法 |
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 |