CN114758256A - 烟田杂草识别方法、装置、设备及存储介质 - Google Patents
烟田杂草识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114758256A CN114758256A CN202210404638.6A CN202210404638A CN114758256A CN 114758256 A CN114758256 A CN 114758256A CN 202210404638 A CN202210404638 A CN 202210404638A CN 114758256 A CN114758256 A CN 114758256A
- Authority
- CN
- China
- Prior art keywords
- tobacco field
- weed identification
- features
- target sample
- field weed
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 147
- 241000196324 Embryophyta Species 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 146
- 230000003595 spectral effect Effects 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000002310 reflectometry Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 15
- 239000002689 soil Substances 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000575 pesticide Substances 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009333 weeding Methods 0.000 description 2
- 231100000674 Phytotoxicity Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003911 water pollution Methods 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
- G06F18/21—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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
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 Analysis (AREA)
Abstract
本发明公开了一种烟田杂草识别方法、装置、设备及存储介质，通过获取烟田多光谱图像样本集，对烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像；提取目标样本图像中的特征；其中，特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征；建立分类监督模型，并利用特征对分类监督模型进行训练，以获得烟田杂草识别模型；在接收到目标烟田多光谱图像时，利用烟田杂草识别模型，对目标烟田多光谱图像进行烟田杂草识别。本申请通过在目标样本图像提取时，考虑植被特征、纹理特征、光谱特征和主成分变换特征，解决了单一光谱特征在识别具有干枯烟草和杂草的烟田时的局限性，提高了识别准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及到一种烟田杂草识别方法、装置、设备及存储介质。
背景技术
烟草作为一种重要的经济作物，是增加国家财政收入和带动地方经济发展的重要支柱。杂草防治是烟草生产甚至农业生产中所必须面临的问题，田间杂草在生长发育过程中常与作物争夺营养物质而造成大量农作物减产，每年需要投入杂草防治经费上百亿元。杂草不仅干扰农作物正常生长发育，还造成作物减产和品质下降等问题，是阻碍农作物增收的重要生物因素之一，因此必须对田间杂草及时加以治理。目前田间杂草防治主要采用大面积均匀喷洒除草剂的方式，常造成化学药剂过量施用，引起作物药害、水土污染、农药残留等问题，不仅额外增加农业生产成本，还不能对杂草有效去除。研究表明，在杂草防治效果不变的情况下，精准喷施农药可有效节约40％-60％的农药剂量。杂草空间分布的精准识别是开展高效除草的重要前提，因此亟需探究精准的作物杂草识别方法，有助于实现精准除草、精准施药。
目前作物与杂草的识别研究多针对小麦、水稻、大豆等粮食作物，与其他种植物不同，干枯的烟叶和杂草容易与裸土在光谱特征上产生混淆，传统基于单一光谱特征进行杂草识别方案在对烟田杂草识别时并不适用。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种烟田杂草识别方法、装置、设备及存储介质，旨在解决目前基于单一光谱特征进行杂草识别方案在对烟田杂草识别时并不适用的技术问题。
为实现上述目的，本发明提供一种烟田杂草识别方法，所述烟田杂草识别方法包括以下步骤：
获取烟田多光谱图像样本集，对所述烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像；
提取所述目标样本图像中的特征；其中，所述特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征；
建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型；
在接收到目标烟田多光谱图像时，利用所述烟田杂草识别模型，对所述目标烟田多光谱图像进行烟田杂草识别。
可选的，所述提取所述目标样本图像中的特征步骤，具体包括：
将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征；
并提取每个目标样本图像集所对应的特征。
可选的，所述植被特征包括NDVI特征、RVI特征、DVI特征、EVI特征或MSAVI特征中的一种或多种；其中：
DVI＝ρNIR-ρR；
式中，ρNIR为红外波段反射率，ρR为红光波段反射率。
可选的，所述纹理特征包括信息熵、相异性、对比度、相关性、二阶矩、协同性、均值或方差中的一种或多种。
可选的，所述光谱特征为反射率，提取所述目标样本图像的反射率，具体包括：对目标样本图像中各波段分别进行卷积低通处理和高通滤波处理，获得多光谱图像中每个波段的反射率特征。
可选的，所述建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型之后，所述方法还包括：
利用总体分类精度OA、Kappa系数作为精度评价指标对烟田杂草识别模型进行精度评价。
可选的，所述利用总体分类精度OA、Kappa系数作为精度评价指标对烟田杂草识别模型进行精度评价步骤之后，所述方法还包括：
根据所述精度评价结果，调整所述预设分配比例，返回执行将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征步骤。
此外，为了实现上述目的，本发明还提供了一种烟田杂草识别装置，所述烟田杂草识别装置包括：
分割模块，用于获取烟田多光谱图像样本集，对所述烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像；
提取模块，用于提取所述目标样本图像中的特征；其中，所述特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征；
训练模块，用于建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型；
识别模块，用于在接收到目标烟田多光谱图像时，利用所述烟田杂草识别模型，对所述目标烟田多光谱图像进行烟田杂草识别。
此外，为了实现上述目的，本发明还提供了一种烟田杂草识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的烟田杂草识别程序，所述烟田杂草识别程序被所述处理器执行时实现如上所述的烟田杂草识别方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有烟田杂草识别程序，所述烟田杂草识别程序被处理器执行时实现上述的烟田杂草识别方法的步骤。
本申请实施例提出的一种烟田杂草识别方法、装置、设备及存储介质，通过获取烟田多光谱图像样本集，对所述烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像；提取所述目标样本图像中的特征；其中，所述特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征；建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型；在接收到目标烟田多光谱图像时，利用所述烟田杂草识别模型，对所述目标烟田多光谱图像进行烟田杂草识别。本申请通过在目标样本图像提取时，考虑植被特征、纹理特征、光谱特征和主成分变换特征，解决了单一光谱特征在识别具有干枯烟草和杂草的烟田时的局限性，提高了识别准确率。
附图说明
图1为本申请烟田杂草识别设备的结构示意图；
图2为本申请烟田杂草识别方法实施例的流程示意图；
图3为本申请烟田杂草识别对比图；
图4为本申请烟田杂草识别装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
目前作物与杂草的识别研究多针对小麦、水稻、大豆等粮食作物，与其他种植物不同，干枯的烟叶和杂草容易与裸土在光谱特征上产生混淆，传统基于单一光谱特征进行杂草识别方案在对烟田杂草识别时并不适用。
为了解决这一问题，提出本发明的烟田杂草识别方法的各个实施例。本发明提供的烟田杂草识别方法通过在目标样本图像提取时，考虑植被特征、纹理特征、光谱特征和主成分变换特征，解决了单一光谱特征在识别具有干枯烟草和杂草的烟田时的局限性，提高了识别准确率。
参照图1，图1为本发明实施例方案涉及的烟田杂草识别设备的结构示意图。
设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment，UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station，MS)等。设备可能被称为用户终端、便携式终端、台式终端等。
通常，设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的烟田杂草识别程序，所述烟田杂草识别程序配置为实现烟田杂草识别方法的步骤。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关烟田杂草识别操作，使得烟田杂草识别模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的烟田杂草识别方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信，从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(WirelessFidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near FieldCommunication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图1中示出的结构并不构成对烟田杂草识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本申请实施例提供了一种烟田杂草识别方法，参照图2，图2为本申请烟田杂草识别方法实施例的流程示意图。
本实施例中，所述烟田杂草识别方法包括以下步骤：
步骤S100，获取烟田多光谱图像样本集，对所述烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像。
在实际应用中，获取烟田多光谱图像样本集之前，需要先采集烟草种植区域的无人机多光谱影像数据。
本实施例中，在烟草种植区域，使用大疆(DJI)搭载的FC6310R型多光谱成像光谱仪固定翼无人机，获取研究区烟田多光谱影像，该传感器包含蓝光、绿光、红光、红外、近红外五个通道。
在此之后，将影像图片及POS数据导入到Agisoft PhotoScan软件中，通过寻找同名点和地面控制点GCP数据的方法完成数据定向、几何校正、地理信息配准以及影像数据的快速拼接处理等。并利用Savitzky Golay滤波法和邻域统计函数方法处理多光谱影像采集过程中产生的飞行条带噪声；对影像进行辐射校正、图像降噪、主成分变换以及全色锐化等进行影像增强处理，以提高目视解译效果和增强植被与土壤之间的对比度，最后添加纹理并将单通道图像组合为多光谱图像，得到烟草种植区域的无人机多光谱影像。
需要说明的是，可采用主成分分析法对烟田多光谱图像样本集中的多光谱图像进行图像分割。
具体而言，采用主成分分析法(PCA)对烟草种植区域的多光谱图像进行图像分割，可以提高纹理特征提取效率并消除各波段间冗余信息的相关性，将影像有效信息压缩为几个转换波段。经主成分变换后的新波段各主成分所包含的有效信息量呈递减趋势，第1主成分(PCA1)包含所有波段81.36％的信息，前3个主成分(PCA1，PCA2，PCA3)包含99.47％的信息，能充分显示各种地物影像特征的差别。
将含信息量最多的前三个合成为伪彩色图像，不同地物间的像素颜色显示有较大的差异，且裸土、阴影与植被像素辐射亮度值在绿光波段差异明显，通过设立最佳阈值提取出裸土与阴影等干扰信息并将其制作为掩膜文件对多光谱影像进行掩膜，以分割植被与土壤、阴影等背景信息。
步骤S200，提取所述目标样本图像中的特征；其中，所述特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征。
本实施例中，植被特征可包括NDVI特征、RVI特征、DVI特征、EVI特征或MSAVI特征中的一种或多种。纹理特征包括信息熵、相异性、对比度、相关性、二阶矩、协同性、均值或方差中的一种或多种。
在另一实施例中，光谱特征为反射率，提取所述目标样本图像的反射率，具体包括：对目标样本图像中各波段分别进行卷积低通处理和高通滤波处理，获得多光谱图像中每个波段的反射率特征。
具体而言，目标样本图像中的特征如表1所示。
表1为提取目标样本图像的特征
需要说明的是，在提取所述目标样本图像中的多个特征时，为了避免光谱特征在样本中对模型训练时造成的混淆误差，需要将每个特征在其目标样本图像中独立提取和训练。
具体而言，将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征；并提取每个目标样本图像集所对应的特征。
步骤S300，建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型。
在实际应用中，分类监督模型可以为随机森林模型或C4.5模型，当采用随即森林模型时，将基决策树数量的识别精度作为随机森林模型的识别精度。
需要说明的是，对多特征进行独立提取与训练时，为了避免光谱特征和主成分特征样本比例过高影响模型对干枯烟草与杂草的识别准确率，需要对样本分配到对应特征时的比例进行调整。
具体而言，在建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型步骤之后，还可利用总体分类精度OA、Kappa系数作为精度评价指标对烟田杂草识别模型进行精度评价。
其中，总体分类精度OA和Kappa系数的表达式分别为：
式中，N表示样本数，xi表示第i个样本。
在此之后，根据所述精度评价结果，调整所述预设分配比例，返回执行将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征步骤。
步骤S400，在接收到目标烟田多光谱图像时，利用所述烟田杂草识别模型，对所述目标烟田多光谱图像进行烟田杂草识别。
在获得训练完成的烟田杂草识别模型后，若接收到目标烟田多光谱图像时，可对目标烟田多光谱图像中目标样本图像的特征进行提取，再利用烟田杂草识别模型对特征进行识别，以获得目标烟田多光谱图像中的杂草图像区域，目标烟田图像和识别之后的杂草图像如图3所示。
在本实施例中，通过在目标样本图像提取时，考虑植被特征、纹理特征、光谱特征和主成分变换特征，解决了单一光谱特征在识别具有干枯烟草和杂草的烟田时的局限性，提高了识别准确率。
参照图4，图4为本发明烟田杂草识别装置实施例的结构框图。
如图4所示，本发明实施例提出的烟田杂草识别装置包括：
分割模块10，用于获取烟田多光谱图像样本集，对所述烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像；
提取模块20，用于提取所述目标样本图像中的特征；其中，所述特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征；
训练模块30，用于建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型；
识别模块40，用于在接收到目标烟田多光谱图像时，利用所述烟田杂草识别模型，对所述目标烟田多光谱图像进行烟田杂草识别。
作为一种实施方式，提取模块20还用于将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征；并提取每个目标样本图像集所对应的特征。
作为一种实施方式，提取模块20中，植被特征包括NDVI特征、RVI特征、DVI特征、EVI特征或MSAVI特征中的一种或多种；其中：
DVI＝ρNIR-ρR；
式中，ρNIR为红外波段反射率，ρR为红光波段反射率。
作为一种实施方式，提取模块20中，纹理特征包括信息熵、相异性、对比度、相关性、二阶矩、协同性、均值或方差中的一种或多种。
作为一种实施方式，提取模块20中，光谱特征为反射率，提取模块20还用于对目标样本图像中各波段分别进行卷积低通处理和高通滤波处理，获得多光谱图像中每个波段的反射率特征。
作为一种实施方式，烟田杂草识别装置还包括测试模块，测试模块用于利用总体分类精度OA、Kappa系数作为精度评价指标对烟田杂草识别模型进行精度评价。
作为一种实施方式，烟田杂草识别装置还包括调整模块，调整模块用于根据所述精度评价结果，调整所述预设分配比例，返回执行将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征步骤。
本实施例提供的烟田杂草识别装置，通过在目标样本图像提取时，考虑植被特征、纹理特征、光谱特征和主成分变换特征，解决了单一光谱特征在识别具有干枯烟草和杂草的烟田时的局限性，提高了识别准确率。
本发明烟田杂草识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有烟田杂草识别程序，所述烟田杂草识别程序被处理器执行时实现如上文所述的烟田杂草识别方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
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，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
Claims (10)
1.一种烟田杂草识别方法，其特征在于，所述烟田杂草识别方法包括以下步骤：
获取烟田多光谱图像样本集，对所述烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像；
提取所述目标样本图像中的特征；其中，所述特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征；
建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型；
在接收到目标烟田多光谱图像时，利用所述烟田杂草识别模型，对所述目标烟田多光谱图像进行烟田杂草识别。
2.如权利要求1所述的烟田杂草识别方法，其特征在于，所述提取所述目标样本图像中的特征步骤，具体包括：
将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征；
并提取每个目标样本图像集所对应的特征。
3.如权利要求1所述的烟田杂草识别方法，其特征在于，所述植被特征包括NDVI特征、RVI特征、DVI特征、EVI特征或MSAVI特征中的一种或多种；其中：
DVI＝ρNIR-ρR；
式中，ρNIR为红外波段反射率，ρR为红光波段反射率。
4.如权利要求1所述的烟田杂草识别方法，其特征在于，所述纹理特征包括信息熵、相异性、对比度、相关性、二阶矩、协同性、均值或方差中的一种或多种。
5.如权利要求1所述的烟田杂草识别方法，其特征在于，所述光谱特征为反射率，提取所述目标样本图像的反射率，具体包括：对目标样本图像中各波段分别进行卷积低通处理和高通滤波处理，获得多光谱图像中每个波段的反射率特征。
6.如权利要求2所述的烟田杂草识别方法，其特征在于，所述建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型步骤之后，所述方法还包括：
利用总体分类精度OA、Kappa系数作为精度评价指标对烟田杂草识别模型进行精度评价。
7.如权利要求6所述的烟田杂草识别方法，其特征在于，所述利用总体分类精度OA、Kappa系数作为精度评价指标对烟田杂草识别模型进行精度评价步骤之后，所述方法还包括：
根据所述精度评价结果，调整所述预设分配比例，返回执行将目标样本图像划分为若干个目标样本图像集，按预设分配比例将若干个目标样本图像集分配给对应特征步骤。
8.一种烟田杂草识别装置，其特征在于，所述烟田杂草识别装置包括：
分割模块，用于获取烟田多光谱图像样本集，对所述烟田多光谱图像样本集中的多光谱图像进行图像分割，获得目标样本图像；
提取模块，用于提取所述目标样本图像中的特征；其中，所述特征包括目标样本图像的植被特征、纹理特征、光谱特征和主成分变换特征；
训练模块，用于建立分类监督模型，并利用所述特征对所述分类监督模型进行训练，以获得烟田杂草识别模型；
识别模块，用于在接收到目标烟田多光谱图像时，利用所述烟田杂草识别模型，对所述目标烟田多光谱图像进行烟田杂草识别。
9.一种烟田杂草识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的烟田杂草识别程序，所述烟田杂草识别程序被所述处理器执行时实现如权利要求1至6中任一项所述的烟田杂草识别方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有烟田杂草识别程序，所述烟田杂草识别程序被处理器执行时实现如权利要求1至7中任一项所述的烟田杂草识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210404638.6A CN114758256A (zh) | 2022-04-18 | 2022-04-18 | 烟田杂草识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210404638.6A CN114758256A (zh) | 2022-04-18 | 2022-04-18 | 烟田杂草识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114758256A true CN114758256A (zh) | 2022-07-15 |
Family
ID=82330841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210404638.6A Pending CN114758256A (zh) | 2022-04-18 | 2022-04-18 | 烟田杂草识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114758256A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977901A (zh) * | 2019-04-03 | 2019-07-05 | 山东理工大学 | 一种基于无人机遥感的玉米田间杂草识别方法 |
| CN110163101A (zh) * | 2019-04-17 | 2019-08-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
| CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN113837244A (zh) * | 2021-09-02 | 2021-12-24 | 哈尔滨工业大学 | 基于多层显著性特征的对抗样本检测方法及装置 |
| CN114255403A (zh) * | 2021-12-21 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的光学遥感图像数据处理方法及系统 |
-
2022
- 2022-04-18 CN CN202210404638.6A patent/CN114758256A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977901A (zh) * | 2019-04-03 | 2019-07-05 | 山东理工大学 | 一种基于无人机遥感的玉米田间杂草识别方法 |
| CN110163101A (zh) * | 2019-04-17 | 2019-08-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
| CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN113837244A (zh) * | 2021-09-02 | 2021-12-24 | 哈尔滨工业大学 | 基于多层显著性特征的对抗样本检测方法及装置 |
| CN114255403A (zh) * | 2021-12-21 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于深度学习的光学遥感图像数据处理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 董永平等: "《草原遥感监测技术》", 31 March 2005, 化学工业出版社 * |
| 赵静等: "基于无人机多光谱遥感图像的玉米田间杂草识别", 《中国农业科学》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Predicting within-field variability in grain yield and protein content of winter wheat using UAV-based multispectral imagery and machine learning approaches | |
| Zheng et al. | Early season detection of rice plants using RGB, NIR-GB and multispectral images from unmanned aerial vehicle (UAV) | |
| CN109657653B (zh) | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 | |
| CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
| CN109389049A (zh) | 基于多时相sar数据与多光谱数据的作物遥感分类方法 | |
| US11455794B2 (en) | System and method for orchard recognition on geographic area | |
| CN110321861A (zh) | 一种农作物种植结构月尺度动态提取方法 | |
| CN112712038B (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 | |
| WO2021258359A1 (zh) | 确定作物种植信息的方法、装置及计算机存储介质 | |
| Zhang et al. | Rapeseed stand count estimation at leaf development stages with UAV imagery and convolutional neural networks | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
| CN108629289A (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
| CN111814545A (zh) | 作物识别方法、装置、电子设备及存储介质 | |
| CN110647932A (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
| Zhang et al. | Two-step ResUp&Down generative adversarial network to reconstruct multispectral image from aerial RGB image | |
| Meng et al. | Fine hyperspectral classification of rice varieties based on attention module 3D-2DCNN | |
| CN114758256A (zh) | 烟田杂草识别方法、装置、设备及存储介质 | |
| Xu et al. | MP-Net: An efficient and precise multi-layer pyramid crop classification network for remote sensing images | |
| Su | Superpixel-based principal component analysis for high resolution remote sensing image classification | |
| Liu et al. | Estimating potato above-ground biomass based on vegetation indices and texture features constructed from sensitive bands of UAV hyperspectral imagery | |
| Yang et al. | Cotton stubble detection based on wavelet decomposition and texture features | |
| CN114821120B (zh) | 基于神经网络的植物颜色识别方法及装置 | |
| CN107782259A (zh) | 一种基于无线传感器网络的叶面积指数测量系统 | |
| CN111640146B (zh) | 一种基于gis的流域土地利用分类方法和装置 |
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: 20220715 |
|
| RJ01 | Rejection of invention patent application after publication |