CN113920441A - 一种高精度的农田植被信息提取方法 - Google Patents
一种高精度的农田植被信息提取方法 Download PDFInfo
- Publication number
- CN113920441A CN113920441A CN202111001811.XA CN202111001811A CN113920441A CN 113920441 A CN113920441 A CN 113920441A CN 202111001811 A CN202111001811 A CN 202111001811A CN 113920441 A CN113920441 A CN 113920441A
- Authority
- CN
- China
- Prior art keywords
- image
- farmland
- precision
- neural network
- flat 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003705 background correction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000007430 reference method Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 244000099147 Ananas comosus Species 0.000 description 1
- 235000007119 Ananas comosus Nutrition 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种高精度的农田植被信息提取方法，涉及农业遥感技术领域，其技术方案要点是：包括以下步骤：S1、采集农田原始图像；S2、对农田原始图像进行平场校正处理；S3、将平场校正处理后的图像数据导入Pix4Dmapper或ENVI软件，进行图像的拼接和裁剪；S4、将图像数据标定标签，通过数据增强、图像切割的预处理方式，制定神经网络数据集；S5、构建并训练Unet神经网络模型；S6、保存模型，将待识别的农田图像输入保存的模型中，得提取的农田植被纹理、空间分布信息结果。本发明能从农田的遥感影像中快速准确获取作物的纹理和空间分布信息，解决面向卫星遥感解译农田影像中存在的人工筛选特征复杂、识别精度低问题，为无人机遥感解译农田作物信息提供参考方法。
Description
技术领域
本发明涉及农业遥感技术领域，更具体地说，它涉及一种高精度的农田植被信息提取方法。
背景技术
随着信息技术与工业的发展，遥感信息在农业领域有着广泛的应用，如农作物分类、灾害预测、耕地监测、产量预测等。传统对农田作物的信息获取与研究主要有手工选取特征，支持向量机等机器学习的方法，但具有一定的局限性。近年来，深度学习语义分割在图像分类领域有着较大的突破，比人工特征分类的方法有着较为明显的优势。通过无人机采集农田数据对农业生产进行科学的分析与决策已成为较常见的一种技术手段。然而，沿用面向卫星遥感影像的解译方法处理无人机航拍影像，存在人工筛选特征复杂、识别精度低等问题。针对这些现象，本发明提出一种基于平场校正和神经网络的无人机影像农田植被信息提取的方法。
目前，现有技术主要集中对神经网络的模型结构上做改进，而较少地关注图像的质量。然而，神经网络的模型是基于大规模的图像数据集训练得到的，训练集质量的优劣对结果有着重要的影响。在采集原始农田图像过程中，我们需要考虑光线、阴影、设备等方面，减弱无关因素的影响，获得较优质量的农田图像，从而更好地构建训练集以提升训练结果。实际上，由于存在光源的不均匀性、像元响应的不一致性、暗电流偏置等因素的影响，或者光路中存在一些影响成像的因素(如探测器表面粘有灰尘)，无人机的相机对于一个灰度均匀的目标，可能会输出强度不均匀的图像，不利于后续图像处理中目标特征的提取与监测，使得对农田植被信息提取的精度低。
因此，本发明旨在设计提供一种高精度的农田植被信息提取方法，以解决上述问题。
发明内容
本发明的目的是提供一种高精度的农田植被信息提取方法，本发明的方法能够从农田作物的遥感影像中学习到表达力更强的语义特征，获得更加准确的作物信息提取结果。
本发明的上述技术目的是通过以下技术方案得以实现的：一种高精度的农田植被信息提取方法，具体包括以下步骤：
S1、采集数据，利用无人机采集农田原始图像；
S2、对步骤S1采集的农田原始图像进行平场校正处理；
S3、将步骤S2中平场校正处理后的图像数据导入Pix4Dmapper或ENVI软件中，根据研究区域进行图像的拼接和裁剪；
S4、利用目视解译法将图像数据标定标签，并将其通过数据增强、图像切割的预处理方式，制定神经网络数据集；
S5、构建并训练Unet神经网络模型，将神经网络数据集代入Unet神经网络模型中进行训练，根据训练结果调整超参数，并进行精度评价，得到提取效果最佳的模型；
S6、保存模型，将待识别的无人机采集的农田图像输入保存的模型中，得到提取的农田植被纹理、空间分布信息结果。
进一步地，步骤S2中对农田原始图像进行平场校正处理的具体方法为：
A、获取系统的暗本底图像B(x，y)，将相机的快门时间设置为1/8000s，拍取10张图像，并对这批10张图像内的像素值取中值,输出的图像作为暗本底图像B(x，y)，然后通过以下公式(1)：
求出求暗本底图像B(x，y)所有像素点的灰度值，其中W，H分别为图像的宽和高；
B、通过均匀光场成像获得平场图像F(x，y)，将快门曝光时间设置3s，将一束接近日光的饱和光源射入积分球中，球壁内部漫反射均匀，从出光口射出均匀度高的均匀光照于无人机CMOS的传感器上，拍取10张图像并对该10张图像的像素值取中值，获得平场图像F(x，y)，求出平场图像F(x，y)各个像素点所对应的光照水平，计算公式如下公式(2)：
然后，再求所有像素点的平均光照水平，如下公式(3)：
C、采用相对标定的方法用于图像的校正，校正后的图像可由以下公式(4)表示：
进一步地，步骤S5中Unet神经网络模型中进行训练过程中，采用平均像素精度和平均交并比作为分类结果评价指标，平均像素精度表示为标签中每一类目标被正确分类的像素数量与标签中该类像素数量的比值，最后对所有类求平均值，计算公式为：
平均交并比公式为：
设共有k+1个类，包含一个空类或背景，其中，pii表示第i类被正确分为第i类的像素数量；pij表示第i类但被分为第j类的像素数量；pji表示第j类但被分为第i类的像素数量。
综上所述，本发明具有以下有益效果：
1、本发明的方法通过对采集的农田原始图像进行平场校正处理，能够减少图像像素的不均匀性，使图像显得更为清晰、均匀；同时，平场图像也用于消除成像系统中渐晕、灰尘尘埃和其他光学变化的影响，对图像质量的改善效果具明显作用，从而便于模型更好地训练出合适的参数，提高农田植被信息提取的精度；
2、本发明的方法能够从农田作物的遥感影像中学习到表达力更强的语义特征，获得更加准确的作物信息提取结果。
附图说明
图1是本发明实施例中的流程图；
图2是本发明实施例中研究区域试验田示意图；
图3是本发明实施例中Unet模型与本发明方法训练的Unet模型的效果比较图。
具体实施方式
以下结合附图1-3对本发明作进一步详细说明。
实施例：一种高精度的农田植被信息提取方法，如图1所示，具体包括以下步骤：
S1、采集数据，利用无人机采集农田原始图像。
S2、对步骤S1采集的农田原始图像进行平场校正处理。
S3、将步骤S2中平场校正处理后的图像数据导入Pix4Dmapper或ENVI软件中，根据研究区域进行图像的拼接和裁剪。
S4、利用目视解译法将图像数据标定标签，并将其通过数据增强、图像切割的预处理方式，制定神经网络数据集。
S5、构建并训练Unet神经网络模型，将神经网络数据集代入Unet神经网络模型中进行训练，根据训练结果调整超参数，并进行精度评价，得到提取效果最佳的模型。
S6、保存模型，将待识别的无人机采集的农田图像输入保存的模型中，得到提取的农田植被纹理、空间分布信息结果。
在本实施例中，本发明中的深度学习运行硬件环境为Lenovo Y7000P，搭载NVIDIAGTX2060s显卡；操作系统为Ubuntu 16.04，采用Keras深度学习框架构建Unet网络；模型采用Adam作为优化算法控学习率，迭代次数为6250次；损失函数为Binary_Crossentropy。
其中，对农田原始图像进行平场校正处理的具体方法为：
A、获取系统的暗本底图像B(x，y)，将相机的快门时间设置为1/8000s，拍取10张图像，并对这批10张图像内的像素值取中值,输出的图像作为暗本底图像B(x，y)，然后通过以下公式(1)：
求出求暗本底图像B(x，y)所有像素点的灰度值，其中W，H分别为图像的宽和高。
B、通过均匀光场成像获得平场图像F(x，y)，将快门曝光时间设置3s，将一束接近日光的饱和光源射入积分球中，球壁内部漫反射均匀，从出光口射出均匀度高的均匀光照于无人机CMOS的传感器上，拍取10张图像并对该10张图像的像素值取中值，获得平场图像F(x，y)，求出平场图像F(x，y)各个像素点所对应的光照水平，计算公式如下公式(2)：
然后，再求所有像素点的平均光照水平，如下公式(3)：
C、采用相对标定的方法用于图像的校正，校正后的图像可由以下公式(4)表示：
由上述即获得平场校正后的图像，图像的四个边角处存在偏离正常范围的像元也能被校正，可消除四周暗中间亮等不良影响，对图像质量的修复有一定的改良作用。
其中，Unet神经网络模型进行训练过程中，采用平均像素精度和平均交并比作为分类结果评价指标，平均像素精度表示为标签中每一类目标被正确分类的像素数量与标签中该类像素数量的比值，最后对所有类求平均值，计算公式为：
平均交并比公式为：
设共有k+1个类，包含一个空类或背景，其中，pii表示第i类被正确分为第i类的像素数量；pij表示第i类但被分为第j类的像素数量；pji表示第j类但被分为第i类的像素数量。
在本实施例中，研究区域的实验地点采用位于广东省湛江市徐闻县的红星农场(北纬20°26′～20°29′，东经110°17′～110°18′)，红星农场位于徐闻县东南部，处雷州半岛东南端。如图2所示，研究区域包括作物种类不尽相同的农田。主要作物包括菠萝和甘蔗。
步骤S1中采集数据：采用大疆精灵4RTK无人机，于7月上旬采集试验区域在4个不同波段下的遥感影像，包括490nm(B)、550nm(G)、680nm(R)3个可见光波段和720nm1个近红外波段。无人机飞行高度150m，航向重叠率80％，旁向重叠率70％，按预定飞行轨迹点进行拍摄。原始图像首先经过平场校正处理，再通过Pix4Dmapper软件拼接成正射影像图，拼接后的农田遥感影像平均分辨率约为13000像素×21000像素。
构建数据集：采用7月4日遥感影像数据作为分类模型的训练集和验证集，7月5日数据作为测试集；其中，训练集用来训练模型，验证集随训练集一起输入模型但不参与训练，用于调整模型的超参数和评估模型，测试集用于检验模型的泛化性能；首先，结合实地调查和目视解译，利用LabelMe工具人工标注正射遥感影像，得到两块试验田的地面实况(Groundtruth，GT)；其次，从7月4日拍摄的图像中随机裁切成256像素×256像素的样本图像，再通过加噪、旋转、缩放、镜像、模糊、光照调整等处理进行图像扩充，并按3:1的比例将扩充后的图像划分成训练集和验证集，其样本数量分别为7500幅和2500幅。
为验证本发明的方法的有效性，将本实施的方法与未经平场校正处理的Unet模型进行比较：
对于Unet神经网络模型，先对数据集进行简单的预处理，转换为标准数据集格式后，然后进行训练。训练时根据模型损失及时调整超参数，并找到较优的初始值。最后，以训练好的模型预测测试集图像并计算准确率。在本发明的方法中，先对原始图像进行平场校正处理，再进行数据预处理操作，然后进行训练，具体训练与预测方式与上者相同。
以本实施中7月5日的无人机遥感影像作为预测集，传统Unet方法处理与平场校正结合Unet神经网络处理的实验结果指标如表1所示：
表1.无人机遥感影像作物提取方法结果比较
模型预测结果如图3所示。从表1、图3可以看出，本发明的方法有着较高的平均准确率和平均交并比，其预测图更接近标签图，主要表现为能准确地识别与区分农田和已被收割地耕地、水体环境等。原模型虽然大体上能识别出农田植被，但是存在较多地细节错误、条纹、像素不均匀现象，模型泛化性能较差。
本发明的方法准确率较高，是因为农田作物的纹理特征是信息提取的主要依据，本发明的方法能够很好地修复原图像，将原图像能够暴露出更多的细节给模型用于特征的提取，使得像素的表示更加精确，一定程度上提升了信噪比，最终能得到一个训练较佳的模型。
通过上述验证结果表明，本发明的方法比传统Unet网络模型处理的方法要好，具备一定的可行性。由于无人机遥感影像高分辨率的特点，农田作物的纹理特征是分类的主要依据，本发明的方法能提升图像训练集的质量，高质量的作物影像图有助于神经网络提取更为准确丰富的特征，从而获得更好的提取效果。同时，本发明的方法验证了无人机影像用于神经网络训练时，图像训练集进行平场校正处理的必要性。
在本发明的上述实施例中，本发明的方法通过对采集的农田原始图像进行平场校正处理，能够减少图像像素的不均匀性，使图像显得更为清晰、均匀；同时，平场图像也用于消除成像系统中渐晕、灰尘尘埃和其他光学变化的影响，对图像质量的改善效果具明显作用，从而便于模型更好地训练出合适的参数，提高农田植被信息提取的精度。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种高精度的农田植被信息提取方法，其特征是：具体包括以下步骤：
S1、采集数据，利用无人机采集农田原始图像；
S2、对步骤S1采集的农田原始图像进行平场校正处理；
S3、将步骤S2中平场校正处理后的图像数据导入Pix4Dmapper或ENVI软件中，根据研究区域进行图像的拼接和裁剪；
S4、利用目视解译法将图像数据标定标签，并将其通过数据增强、图像切割的预处理方式，制定神经网络数据集；
S5、构建并训练Unet神经网络模型，将神经网络数据集代入Unet神经网络模型中进行训练，根据训练结果调整超参数，并进行精度评价，得到提取效果最佳的模型；
S6、保存模型，将待识别的无人机采集的农田图像输入保存的模型中，得到提取的农田植被纹理、空间分布信息结果。
2.根据权利要求1所述的一种高精度的农田植被信息提取方法，其特征是：步骤S2中对农田原始图像进行平场校正处理的具体方法为：
A、获取系统的暗本底图像B(x，y)，将相机的快门时间设置为1/8000s，拍取10张图像，并对这批10张图像内的像素值取中值,输出的图像作为暗本底图像B(x，y)，然后通过以下公式(1)：
求出求暗本底图像B(x，y)所有像素点的灰度值，其中W，H分别为图像的宽和高；
B、通过均匀光场成像获得平场图像F(x，y)，将快门曝光时间设置3s，将一束接近日光的饱和光源射入积分球中，球壁内部漫反射均匀，从出光口射出均匀度高的均匀光照于无人机CMOS的传感器上，拍取10张图像并对该10张图像的像素值取中值，获得平场图像F(x，y)，求出平场图像F(x，y)各个像素点所对应的光照水平，计算公式如下公式(2)：
然后，再求所有像素点的平均光照水平，如下公式(3)：
C、采用相对标定的方法用于图像的校正，校正后的图像可由以下公式(4)表示：
3.根据权利要求1所述的一种高精度的农田植被信息提取方法，其特征是：步骤S5中Unet神经网络模型中进行训练过程中，采用平均像素精度和平均交并比作为分类结果评价指标，平均像素精度表示为标签中每一类目标被正确分类的像素数量与标签中该类像素数量的比值，最后对所有类求平均值，计算公式为：
平均交并比公式为：
设共有k+1个类，包含一个空类或背景，其中，pii表示第i类被正确分为第i类的像素数量；pij表示第i类但被分为第j类的像素数量；pji表示第j类但被分为第i类的像素数量。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001811.XA CN113920441A (zh) | 2021-08-30 | 2021-08-30 | 一种高精度的农田植被信息提取方法 |
| PCT/CN2022/074147 WO2023029373A1 (zh) | 2021-08-30 | 2022-01-27 | 一种高精度的农田植被信息提取方法 |
| ZA2022/04532A ZA202204532B (en) | 2021-08-30 | 2022-04-22 | High-precision method for extracting farmland vegetation information |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001811.XA CN113920441A (zh) | 2021-08-30 | 2021-08-30 | 一种高精度的农田植被信息提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113920441A true CN113920441A (zh) | 2022-01-11 |
Family
ID=79233478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111001811.XA Pending CN113920441A (zh) | 2021-08-30 | 2021-08-30 | 一种高精度的农田植被信息提取方法 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN113920441A (zh) |
| WO (1) | WO2023029373A1 (zh) |
| ZA (1) | ZA202204532B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035422A (zh) * | 2022-08-15 | 2022-09-09 | 杭州航天星寰空间技术有限公司 | 一种面向遥感影像区域土壤种植结构的数据增广方法及分割方法 |
| WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
| 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 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115995005B (zh) * | 2023-03-22 | 2023-08-01 | 航天宏图信息技术股份有限公司 | 基于单期高分辨率遥感影像的农作物的提取方法和装置 |
| CN116993583B (zh) * | 2023-06-09 | 2024-06-18 | 昆明理工大学 | 一种基于高分辨率遥感影像高原湿地智能精细提取方法 |
| CN116453003B (zh) * | 2023-06-14 | 2023-09-01 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
| CN116503741B (zh) * | 2023-06-25 | 2023-08-25 | 山东仟邦建筑工程有限公司 | 一种农作物成熟期智能预测系统 |
| CN117094430B (zh) * | 2023-07-19 | 2024-04-26 | 青海师范大学 | 一种农作物分布预测方法、系统、设备及介质 |
| CN116805396B (zh) * | 2023-08-24 | 2023-12-29 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
| CN117132902B (zh) * | 2023-10-24 | 2024-02-02 | 四川省水利科学研究院 | 基于自监督学习算法的卫星遥感影像水体识别方法及系统 |
| CN117274844B (zh) * | 2023-11-16 | 2024-02-06 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
| CN117607063B (zh) * | 2024-01-24 | 2024-04-19 | 中国科学院地理科学与资源研究所 | 一种基于无人机的森林垂直结构参数测量系统和方法 |
| CN117788351B (zh) * | 2024-02-27 | 2024-05-03 | 杨凌职业技术学院 | 一种农业遥感图像校正方法及系统 |
| CN118411380A (zh) * | 2024-05-14 | 2024-07-30 | 浙江地信软件科技有限公司 | 一种基于无人机的城市绿化区域提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109448127A (zh) * | 2018-09-21 | 2019-03-08 | 洛阳中科龙网创新科技有限公司 | 一种基于无人机遥感的农田高精度导航地图生成方法 |
| CN113221997A (zh) * | 2021-05-06 | 2021-08-06 | 湖南中科星图信息技术股份有限公司 | 一种基于深度学习算法的高分影像油菜提取方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889394A (zh) * | 2019-12-11 | 2020-03-17 | 安徽大学 | 基于深度学习UNet网络的水稻倒伏识别方法 |
| CN113920441A (zh) * | 2021-08-30 | 2022-01-11 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
-
2021
- 2021-08-30 CN CN202111001811.XA patent/CN113920441A/zh active Pending
-
2022
- 2022-01-27 WO PCT/CN2022/074147 patent/WO2023029373A1/zh active Application Filing
- 2022-04-22 ZA ZA2022/04532A patent/ZA202204532B/en unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109448127A (zh) * | 2018-09-21 | 2019-03-08 | 洛阳中科龙网创新科技有限公司 | 一种基于无人机遥感的农田高精度导航地图生成方法 |
| CN113221997A (zh) * | 2021-05-06 | 2021-08-06 | 湖南中科星图信息技术股份有限公司 | 一种基于深度学习算法的高分影像油菜提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| A.GARCIA-GARCIA 等: "A Review on Deep Learning Techniques Applied to Semantic Segmentation", ARXIV, 22 April 2017 (2017-04-22), pages 1 - 23 * |
| 曾开华: "高精度恒星孔径测光注释", 中国优秀硕士学位论文全文数据库基础科学辑, no. 10, 15 October 2010 (2010-10-15), pages 1 - 62 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023029373A1 (zh) * | 2021-08-30 | 2023-03-09 | 广东海洋大学 | 一种高精度的农田植被信息提取方法 |
| CN115035422A (zh) * | 2022-08-15 | 2022-09-09 | 杭州航天星寰空间技术有限公司 | 一种面向遥感影像区域土壤种植结构的数据增广方法及分割方法 |
| 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 |
|---|---|
| WO2023029373A1 (zh) | 2023-03-09 |
| ZA202204532B (en) | 2022-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113920441A (zh) | 一种高精度的农田植被信息提取方法 | |
| CN111461052A (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别方法 | |
| CN111461053A (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别系统 | |
| US20230026811A1 (en) | System and method for removing haze from remote sensing images | |
| CN109684967A (zh) | 一种基于ssd卷积网络的大豆植株茎荚识别方法 | |
| CN111797760A (zh) | 基于Retinanet改进的农作物病虫害识别方法 | |
| CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
| CN116205879A (zh) | 一种基于无人机图像及深度学习的小麦倒伏面积估算方法 | |
| Murray et al. | The novel use of proximal photogrammetry and terrestrial LiDAR to quantify the structural complexity of orchard trees | |
| CN117576195A (zh) | 一种植物叶片形态识别方法 | |
| CN113537108A (zh) | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 | |
| Wang et al. | The impact of variable illumination on vegetation indices and evaluation of illumination correction methods on chlorophyll content estimation using UAV imagery | |
| CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
| CN117593766B (zh) | 基于无人机拍摄图像处理的野生动物种群数量的调查方法 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN117422677A (zh) | 一种机载端用电力线路图像缺陷检测方法、装置及系统 | |
| CN117292281A (zh) | 基于无人机图像的露地瓜菜检测方法、装置、设备及介质 | |
| CN112329733A (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
| Medic et al. | Challenges and recommendations for 3D plant phenotyping in agriculture using terrestrial lasers scanners | |
| CN113408370B (zh) | 基于自适应参数遗传算法的森林变化遥感检测方法 | |
| CN112287787B (zh) | 一种基于梯度直方图特征的作物倒伏分级方法 | |
| CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
| CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与系统 | |
| CN113221790A (zh) | 一种基于雷达数据的田块轮作模式生成方法及装置 | |
| CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 |
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 |