CN114782832A - 农作物提取方法、装置、可读存储介质及电子设备 - Google Patents
农作物提取方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN114782832A CN114782832A CN202210723183.4A CN202210723183A CN114782832A CN 114782832 A CN114782832 A CN 114782832A CN 202210723183 A CN202210723183 A CN 202210723183A CN 114782832 A CN114782832 A CN 114782832A
- Authority
- CN
- China
- Prior art keywords
- target
- growth
- time sequence
- difference
- crop
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种农作物提取方法、装置、可读存储介质及电子设备。方法包括：根据目标遥感数据，构建目标农作物的生长初期时间序列、生长中期时间序列及生长末期时间序列；确定生长初期时间序列与生长中期时间序列之间的差异，得第一差异特征图，确定生长中期时间序列与生长末期时间序列之间的差异，得第二差异特征图；根据第一差异特征图和第二差异特征图对目标农作物进行分割提取。这样，根据具有代表性的生长差异特征，即可实现农作物的分割提取，方便快捷，降低对先验知识与经验的依赖，结果可信度高。在对目标农作物进行分割提取时，既考虑到农作物随时间生长产生的光谱特征变化，也避免引入冗余数据导致新的不确定性，保证分割提取的准确度。
Description
技术领域
本公开涉及计算机技术领域，具体地，涉及一种农作物提取方法、装置、可读存储介质及电子设备。
背景技术
农作物空间分布信息对农业生产管理、农业可持续发展及国家粮食安全等具有重要意义。光谱特征、时相特征和空间特征作为农作物遥感提取的基础，已成为农作物分类的有效依据。在区域或国家尺度上，现有的方法主要利用时间序列遥感数据开展了农作物分类提取，主要的方法设计归纳为三类：基于时序特征阈值统计的决策树方法；基于时间序列相似度算法或光谱相似度算法的农作物提取；基于机器学习算法的农作物提取。
农作物与其他地表覆盖类型的区别在于物候特性。不同的作物具有各异的生育期和生长特征，充分挖掘不同作物在时间序列上生长特征，有助于农作物分割提取的有效实施。现有的方法多基于农作物识别机理结合经验知识来选择光谱、时序特征组合进行农作物分割提取，其中，通常采用全部时序特征来进行农作物分割提取，不但费时，并且还会引入大量的冗余时间信息，使得分割提取的准确度受到影响。
发明内容
为了克服相关技术中存在的问题，本公开提供一种农作物提取方法、装置、可读存储介质及电子设备。
为了实现上述目的，第一方面，本公开提供一种农作物提取方法，包括：
获取目标区域的目标遥感数据；
根据所述目标遥感数据，构建所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；
确定所述目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定所述目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；
根据所述第一差异特征图和所述第二差异特征图，对所述目标区域中所述目标农作物进行分割提取。
可选地，所述根据所述第一差异特征图和所述第二差异特征图，对所述目标区域中所述目标农作物进行分割提取，包括：
将所述第一差异特征图和所述第二差异特征图输入到目标分割模型中，以对所述目标区域中所述目标农作物进行分割提取。
可选地，所述目标分割模型包括：
第一分支网络、第二分支网络以及分割模块；
其中，所述第一分支网络，用于根据所述第一差异特征图，确定所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于根据所述第二差异特征图，确定所述目标农作物在生长中期和生长末期的第二生长波谱特征；
所述分割模块，与所述第一分支网络、所述第二分支网络分别连接，用于根据所述第一生长波谱特征和所述第二生长波谱特征，对所述目标区域中所述目标农作物进行分割提取。
可选地，所述目标分割模型包括：
第一分支网络、第二分支网络、第一注意力网络、第二注意力网络、融合网络以及分割模块；
其中，所述第一分支网络，用于根据所述第一差异特征图，确定所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于根据所述第二差异特征图，确定所述目标农作物在生长中期和生长末期的第二生长波谱特征；
所述第一注意力网络，与所述第一分支网络连接，用于对所述第一生长波谱特征进行目标农作物特征提取，得到第一注意力特征；
所述第二注意力网络，与所述第二分支网络连接，用于对所述第二生长波谱特征进行目标农作物特征提取，得到第二注意力特征；
所述融合网络，与所述第一注意力网络、所述第二注意力网络分别连接，用于对所述第一注意力特征和所述第二注意力特征进行特征融合，得到融合特征；
所述分割模块，与所述第一分支网络、所述第二分支网络以及所述融合网络分别连接，用于根据所述第一生长波谱特征、所述第二生长波谱特征以及所述融合特征，对所述目标区域中所述目标农作物进行分割提取。
可选地，所述目标分割模型通过以下训练方式训练得到：
获取样本区域的样本遥感数据和所述样本遥感数据中样本农作物的分割提取结果；
根据所述样本遥感数据，构建所述样本区域中所述样本农作物的样本生长初期时间序列、样本生长中期时间序列以及样本生长末期时间序列；
确定所述样本生长初期时间序列与所述样本生长中期时间序列之间的差异，得到第三差异特征图，并确定所述样本生长中期时间序列与样本生长末期时间序列之间的差异，得到第四差异特征图；
通过将所述第三差异特征图作为所述第一分支网络的输入，将所述第四差异特征图作为所述第二分支网络的输入，将所述第一分支网络的输出作为所述第一注意力网络的输入，将所述第二分支网络的输出作为所述第二注意力网络的输入，将所述第一注意力网络的输出和所述第二注意力网络的输出作为所述融合网络的输入，将所述融合网络的输出作为所述分割模块的输入，将所述样本农作物的分割提取结果作为所述分割模块的目标输出的方式进行模型训练，以得到所述目标分割模型。
可选地，所述第一分支网络，用于通过滑动窗口检测方法对所述第一差异特征图进行特征提取，以得到所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于通过滑动窗口检测方法对所述第二差异特征图进行特征提取，以得到所述目标农作物在生长中期和生长末期的第二生长波谱特征。
可选地，所述根据所述目标遥感数据，构建所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列，包括：
根据所述目标遥感数据的目标光谱波段和目标植被指数，获取所述目标区域的多时相数据集；
根据目标农作物所处地理区域、所述地理区域的气候条件以及所述目标农作物的物候特征，从所述多时相数据集中确定所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列。
第二方面，本公开提供一种农作物提取装置，包括：
第一获取模块，用于获取目标区域的目标遥感数据；
构建模块，用于根据所述第一获取模块获取到的所述目标遥感数据，构建所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；
第一确定模块，用于确定所述构建模块得到的所述目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定所述构建模块得到的所述目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；
提取模块，用于根据所述第一确定模块确定出的所述第一差异特征图和所述第二差异特征图，对所述目标区域中所述目标农作物进行分割提取。
第三方面，本公开提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。
在上述技术方案中，首先，根据目标区域的目标遥感数据，构建目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；然后，确定目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；最后，根据第一差异特征图和第二差异特征图，对目标区域中目标农作物进行分割提取。这样，根据具有代表性的生长差异特征（即第一差异特征图和第二差异特征图），即可实现目标区域中目标农作物的分割提取，方便快捷，并且，降低了对先验知识与经验的依赖，分割提取结果可信度更高。另外，在对目标农作物进行分割提取时，既能够考虑到农作物随时间生长而产生的光谱特征变化，也避免了引入大量冗余数据而导致新的不确定性，由此保证了农作物分割提取的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种农作物提取方法的流程图。
图2是根据一示例性实施例示出的一种目标分割模型的结构示意图。
图3是根据另一示例性实施例示出的一种目标分割模型的结构示意图。
图4是根据一示例性实施例示出的一种图2中所示的目标分割模型的训练方法的流程图。
图5是根据一示例性实施例示出的一种图3中所示的目标分割模型的训练方法的流程图。
图6是根据一示例性实施例示出的一种农作物提取装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种农作物提取方法的流程图。如图1所示，该方法可以包括以下S101~S104。
在S101中，获取目标区域的目标遥感数据。
在本公开中，目标区域可以是任意待进行目标农作物分割提取的区域。目标区域的目标遥感数据可以是记录各种地物电磁波大小的胶片或照片。可以是直接接收卫星获取的遥感数据，也可以是通过卫星获取且存储在服务器端的历史遥感数据，还可以是通过航空进行拍摄获得的遥感数据。其中，获取目标区域的目标遥感数据可以是通过远程通信的方式进行直接获取，例如，通过2G网络、3G网络、4G网络或者5G网络、无线保真（WirelessFidelity，WIFI）网络等进行通信。也可以通过U盘、移动硬盘等手段进行间接获取。也就是说，对于获取目标区域的目标遥感数据的方式，本实施例并不做限定。
在S102中，根据目标遥感数据，构建目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列。
在本公开中，目标农作物为待分割提取的农作物，例如，水稻，玉米等。在农作物的生长周期中，其外部形态特征总是呈现若干次显著的变化，根据这些变化可将农作物划分为几个典型的物候期。例如，玉米的物候期包括播种、出苗、三叶期、七叶期、拔节、抽穗、孕穗和成熟，水稻的物候期包括泡田期、插秧期、绿化期、返青期、分蘖期、抽穗期、孕穗期和成熟期，大豆的物候期包括播种、出苗、三叶期、开花期、结荚期、鼓粒期和成熟期，小麦的物候期，包括播种、出苗、三叶、拔节、抽穗、孕穗和成熟，棉花的物候期可以包括出苗期、现蕾期、花铃期和吐絮期。
另外，可以结合目标农作物所处地理区域、所处地理区域的气候条件、以及目标农作物的物候特征等，选择生长差异对比明显的关键季节性时间节点作为划分标准，来划分生长初期、生长中期、生长末期。
示例地，将4月1日至6月1日作为作物生长初期，将6月2日至7月30日作为作物生长中期，将7月31日至11月1日作为生长末期，其中，4月1日至11月1日为目标农作物从播种到收获的全生育周期。
在S103中，确定目标生长初期时间序列与目标生长中期时间序列之间的差异，得到第一差异特征图，并确定目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图。
在S104中，根据第一差异特征图和第二差异特征图，对目标区域中目标农作物进行分割提取。
在上述技术方案中，首先，根据目标区域的目标遥感数据，构建目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；然后，确定目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；最后，根据第一差异特征图和第二差异特征图，对目标区域中目标农作物进行分割提取。这样，根据具有代表性的生长差异特征（即第一差异特征图和第二差异特征图），即可实现目标区域中目标农作物的分割提取，方便快捷，并且，降低了对先验知识与经验的依赖，分割提取结果可信度更高。另外，在对目标农作物进行分割提取时，既能够考虑到农作物随时间生长而产生的光谱特征变化，也避免了引入大量冗余数据而导致新的不确定性，由此保证了农作物分割提取的准确度。
下面针对S102中的根据目标遥感数据，构建目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列的具体实施方式进行详细说明。具体来说，可以通过以下步骤（1）和步骤（2）来实现。
（1）根据目标遥感数据的目标光谱波段和目标植被指数，获取目标区域的多时相数据集。
在本公开中，需要将目标农作物生长过程中有代表性的光学波段、植被指数分别作为目标光谱波段、目标植被指数。
在一种实施方式中，目标光谱波段包括红波段、绿波段以及蓝波段，目标植被指数为增强型植被指数（Enhanced Vegetation Index，EVI），其中，EVI能够有效的反映植被覆盖度并消除大气的影响，与植被覆盖度相关性好，不容易饱和。
在另一种实施方式中，目标光谱波段包括近红外波段和红波波段，目标植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）和地表水分指数（Land Surface Water Index，LSWI）。
需要说明的是，目标光学波段不限于上述两种，还可以是其他对目标作物生长具有敏感度的波段；同样地，目标植被指数也不限于上述两种，还可以其他植被指数，例如，比值植被指数（Ratio Vegetable Index，RVI）。
（2）根据目标农作物所处地理区域、地理区域的气候条件以及目标农作物的物候特征，从多时相数据集中确定目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列。
下面针对上述S103中的确定目标生长初期时间序列与目标生长中期时间序列之间的差异，得到第一差异特征图的具体实施方式进行详细说明。
在一种实施方式中，在目标生长初期时间序列与目标生长中期时间序列之间的差异时，可以分别计算目标生长初期时间序列和目标生长中期时间序列对应遥感图像之间的灰度差异，然后，将各灰度差异合并，得到第一差异特征图。
例如，目标生长初期时间序列和目标生长中期时间序列均是16帧遥感影像构成的时间序列，在计算灰度差异的过程中，可以计算目标生长初期时间序列的第一帧和目标生长中期时间序列的第一帧之间的灰度差异，依次类推，第二帧与第二帧之间的灰度差异，直至计算得到16帧遥感图像之间的灰度差异。
另外，可以采用与上述确定目标生长初期时间序列与目标生长中期时间序列之间的差异类似的方式来确定目标生长中期时间序列与目标生长末期时间序列之间的差异，本公开不再赘述。
下面针对S104中的根据第一差异特征图和第二差异特征图，对目标区域中目标农作物进行分割提取的具体实施实施方式进行详细说明。
具体来说，可以将第一差异特征图和第二差异特征图输入到目标分割模型中，以对目标区域中目标农作物进行分割提取。
在本公开中，上述目标分割模型具有多种不同结构，在一种实施方式中，上述目标分割模型可以为长短期记忆网络（Long Short-Term Memory，LSTM）、卷积神经网络（Convolutional Neural Networks，CNN）。
在另一种实施方式中，如图2所示，目标分割模型包括：第一分支网络、第二分支网络以及分割模块。
其中，第一分支网络，用于根据第一差异特征图，确定目标农作物在生长初期和生长中期的第一生长波谱特征；第二分支网络，用于根据第二差异特征图，确定目标农作物在生长中期和生长末期的第二生长波谱特征；分割模块，与第一分支网络、第二分支网络分别连接，用于根据第一生长波谱特征和第二生长波谱特征，对目标区域中目标农作物进行分割提取。
在又一种实施方式中，如图3所示，上述目标分割模型包括：第一分支网络、第二分支网络、第一注意力网络、第二注意力网络、融合网络以及分割模块。
其中，第一分支网络，用于根据第一差异特征图，确定目标农作物在生长初期和生长中期的第一生长波谱特征；第二分支网络，用于根据第二差异特征图，确定目标农作物在生长中期和生长末期的第二生长波谱特征；第一注意力网络，与第一分支网络连接，用于对第一生长波谱特征进行目标农作物特征提取，得到第一注意力特征；第二注意力网络，与第二分支网络连接，用于对第二生长波谱特征进行目标农作物特征提取，得到第二注意力特征；融合网络，与第一注意力网络、第二注意力网络分别连接，用于对第一注意力特征和第二注意力特征进行特征融合，得到融合特征；分割模块，与第一分支网络、第二分支网络以及融合网络分别连接，用于根据第一生长波谱特征、第二生长波谱特征以及融合特征，对目标区域中目标农作物进行分割提取。
在上述实施方式中，引入注意力机制（即第一注意力网络和第二注意力网络）能够帮助目标分割模型更加注重学习目标农作物的特征，避免学习到太多其他地类特征，从而增加了对田块边缘的识别，使得目标分割模型适用于国内家庭联产承包责任制耕种模式下的碎片化农作物的提取。另外，第一分支网络和第二分支网络充分考虑了农作物随着时间生长特性的变化，与融合网络并行使用，增加了用于分割提取的特征，提升了目标分割模型对农作物分割提取的准确度。
下面针对图2中所示的目标分割模型的训练方式进行详细说明。具体来说，可以通过图4中所示的S401~S404来实现：
在S401中，获取样本区域的样本遥感数据和样本遥感数据中样本农作物的分割提取结果。
在本公开中，样本区域可以选择中国第一大粮食生产地——黑龙江省，样本遥感数据可以选择云少、数据获得性好年份的中高分辨率影像Landsat 5。
另外，可以通过样本遥感数据，结合光谱信息，人工目视解译出带农作物分割标记的矢量样本，并将矢量样本转化为目标格式，即得到样本遥感数据中样本农作物的分割提取结果。目视解译是遥感图像解译的一种，又称目视判读，或目视判译，是遥感成像的逆过程。它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。
其中，目标格式可以例如是JPG、PNG、TIFF栅格格式等格式。由于TIFF栅格格式能够保留地理坐标、投影等信息，因此，优选地，目标格式为TIFF栅格格式。
在S402中，根据样本遥感数据，构建样本区域中样本农作物的样本生长初期时间序列、样本生长中期时间序列以及样本生长末期时间序列。
在本公开中，可以采用与上述S102类似的方式来构建样本区域中样本农作物的样本生长初期时间序列、样本生长中期时间序列以及样本生长末期时间序列，这里不再赘述。
在S403中，确定样本生长初期时间序列与样本生长中期时间序列之间的差异，得到第三差异特征图，并确定样本生长中期时间序列与样本生长末期时间序列之间的差异，得到第四差异特征图。
在本公开中，可以采用与上述确定目标生长初期时间序列与目标生长中期时间序列之间的差异类似的方式，来确定样本生长初期时间序列与样本生长中期时间序列之间的差异，以及确定样本生长中期时间序列与样本生长末期时间序列之间的差异，本公开不再赘述。
在S404中，通过将第三差异特征图作为第一分支网络的输入，将第四差异特征图作为第二分支网络的输入，将第一分支网络的输出和第二分支网络的输出作为分割模块的输入，将样本农作物的分割提取结果作为分割模块的目标输出的方式进行模型训练，以得到目标分割模型。
下面针对图3中所示的目标分割模型的训练方式进行详细说明。具体来说，可以通过图5中所示的S501~S504来实现：
在S501中，获取样本区域的样本遥感数据和样本遥感数据中样本农作物的分割提取结果。
在S502中，根据样本遥感数据，构建样本区域中样本农作物的样本生长初期时间序列、样本生长中期时间序列以及样本生长末期时间序列。
在S503中，确定样本生长初期时间序列与样本生长中期时间序列之间的差异，得到第三差异特征图，并确定样本生长中期时间序列与样本生长末期时间序列之间的差异，得到第四差异特征图。
在S504中，通过将第三差异特征图作为第一分支网络的输入，将第四差异特征图作为第二分支网络的输入，将第一分支网络的输出作为第一注意力网络的输入，将第二分支网络的输出作为第二注意力网络的输入，将第一注意力网络的输出和第二注意力网络的输出作为融合网络的输入，将融合网络的输出作为分割模块的输入，将样本农作物的分割提取结果作为分割模块的目标输出的方式进行模型训练，以得到目标分割模型。
另外，上述两种模型训练方法均可采用Adam优化来进行目标分割模型更新。
此外，为了使得目标分割模型能够学习到更深层次的特征，以进一步提升目标分割模型的农作物分割提取准确度，上述图2和图3中所示的第一分支网络和第二分支网络均可以通过滑动窗口检测方法进行特征放缩学习。具体来说，第一分支网络，用于通过滑动窗口检测方法对第一差异特征图进行特征提取，以得到目标农作物在生长初期和生长中期的第一生长波谱特征；第二分支网络，用于通过滑动窗口检测方法对第二差异特征图进行特征提取，以得到目标农作物在生长中期和生长末期的第二生长波谱特征。
另外，上述图3中所示的目标分割模型中的第一注意力网络、第二注意力网络以及融合网络也都可以采用滑动窗口检测方法进行的特征放缩学习。
图6是根据一示例性实施例示出的一种农作物提取装置的框图。如图6所示，该装置600包括：
第一获取模块601，用于获取目标区域的目标遥感数据；
构建模块602，用于根据所述第一获取模块601获取到的所述目标遥感数据，构建所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；
第一确定模块603，用于确定所述构建模块602得到的所述目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定所述构建模块得到的所述目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；
提取模块604，用于根据所述第一确定模块603确定出的所述第一差异特征图和所述第二差异特征图，对所述目标区域中所述目标农作物进行分割提取。
在上述技术方案中，首先，根据目标区域的目标遥感数据，构建目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；然后，确定目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；最后，根据第一差异特征图和第二差异特征图，对目标区域中目标农作物进行分割提取。这样，根据具有代表性的生长差异特征（即第一差异特征图和第二差异特征图），即可实现目标区域中目标农作物的分割提取，方便快捷，并且，降低了对先验知识与经验的依赖，分割提取结果可信度更高。另外，在对目标农作物进行分割提取时，既能够考虑到农作物随时间生长而产生的光谱特征变化，也避免了引入大量冗余数据而导致新的不确定性，由此保证了农作物分割提取的准确度。
可选地，所述提取模块604用于将所述第一差异特征图和所述第二差异特征图输入到目标分割模型中，以对所述目标区域中所述目标农作物进行分割提取。
可选地，所述目标分割模型包括：
第一分支网络、第二分支网络以及分割模块；
其中，所述第一分支网络，用于根据所述第一差异特征图，确定所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于根据所述第二差异特征图，确定所述目标农作物在生长中期和生长末期的第二生长波谱特征；
所述分割模块，与所述第一分支网络、所述第二分支网络分别连接，用于根据所述第一生长波谱特征和所述第二生长波谱特征，对所述目标区域中所述目标农作物进行分割提取。
可选地，所述目标分割模型包括：
第一分支网络、第二分支网络、第一注意力网络、第二注意力网络、融合网络以及分割模块；
其中，所述第一分支网络，用于根据所述第一差异特征图，确定所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于根据所述第二差异特征图，确定所述目标农作物在生长中期和生长末期的第二生长波谱特征；
所述第一注意力网络，与所述第一分支网络连接，用于对所述第一生长波谱特征进行目标农作物特征提取，得到第一注意力特征；
所述第二注意力网络，与所述第二分支网络连接，用于对所述第二生长波谱特征进行目标农作物特征提取，得到第二注意力特征；
所述融合网络，与所述第一注意力网络、所述第二注意力网络分别连接，用于对所述第一注意力特征和所述第二注意力特征进行特征融合，得到融合特征；
所述分割模块，与所述第一分支网络、所述第二分支网络以及所述融合网络分别连接，用于根据所述第一生长波谱特征、所述第二生长波谱特征以及所述融合特征，对所述目标区域中所述目标农作物进行分割提取。
可选地，所述目标分割模型通过模型训练装置训练得到，其中，该模型训练装置包括：
第二获取模块，用于获取样本区域的样本遥感数据和所述样本遥感数据中样本农作物的分割提取结果；
样本构建模块，用于根据所述样本遥感数据，构建所述样本区域中所述样本农作物的样本生长初期时间序列、样本生长中期时间序列以及样本生长末期时间序列；
第二确定模块，用于确定所述样本生长初期时间序列与所述样本生长中期时间序列之间的差异，得到第三差异特征图，并确定所述样本生长中期时间序列与样本生长末期时间序列之间的差异，得到第四差异特征图；
训练模块，用于通过将所述第三差异特征图作为所述第一分支网络的输入，将所述第四差异特征图作为所述第二分支网络的输入，将所述第一分支网络的输出作为所述第一注意力网络的输入，将所述第二分支网络的输出作为所述第二注意力网络的输入，将所述第一注意力网络的输出和所述第二注意力网络的输出作为所述融合网络的输入，将所述融合网络的输出作为所述分割模块的输入，将所述样本农作物的分割提取结果作为所述分割模块的目标输出的方式进行模型训练，以得到所述目标分割模型。
可选地，所述第一分支网络，用于通过滑动窗口检测方法对所述第一差异特征图进行特征提取，以得到所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于通过滑动窗口检测方法对所述第二差异特征图进行特征提取，以得到所述目标农作物在生长中期和生长末期的第二生长波谱特征。
可选地，所述构建模块602包括：
获取子模块，用于根据所述目标遥感数据的目标光谱波段和目标植被指数，获取所述目标区域的多时相数据集；
确定子模块，用于根据目标农作物所处地理区域、所述地理区域的气候条件以及所述目标农作物的物候特征，从所述多时相数据集中确定所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开提供的上述农作物提取方法的步骤。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出（I/O）接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的农作物提取方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信（Near FieldCommunication，简称NFC），2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路（Application Specific Integrated Circuit，简称ASIC）、数字信号处理器（DigitalSignal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的农作物提取方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的农作物提取方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的农作物提取方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的农作物提取方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出（I/O）接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的农作物提取方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的农作物提取方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的农作物提取方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种农作物提取方法，其特征在于，包括：
获取目标区域的目标遥感数据；
根据所述目标遥感数据，构建所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；
确定所述目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定所述目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；
根据所述第一差异特征图和所述第二差异特征图，对所述目标区域中所述目标农作物进行分割提取。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一差异特征图和所述第二差异特征图，对所述目标区域中所述目标农作物进行分割提取，包括：
将所述第一差异特征图和所述第二差异特征图输入到目标分割模型中，以对所述目标区域中所述目标农作物进行分割提取。
3.根据权利要求2所述的方法，其特征在于，所述目标分割模型包括：
第一分支网络、第二分支网络以及分割模块；
其中，所述第一分支网络，用于根据所述第一差异特征图，确定所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于根据所述第二差异特征图，确定所述目标农作物在生长中期和生长末期的第二生长波谱特征；
所述分割模块，与所述第一分支网络、所述第二分支网络分别连接，用于根据所述第一生长波谱特征和所述第二生长波谱特征，对所述目标区域中所述目标农作物进行分割提取。
4.根据权利要求2所述的方法，其特征在于，所述目标分割模型包括：
第一分支网络、第二分支网络、第一注意力网络、第二注意力网络、融合网络以及分割模块；
其中，所述第一分支网络，用于根据所述第一差异特征图，确定所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于根据所述第二差异特征图，确定所述目标农作物在生长中期和生长末期的第二生长波谱特征；
所述第一注意力网络，与所述第一分支网络连接，用于对所述第一生长波谱特征进行目标农作物特征提取，得到第一注意力特征；
所述第二注意力网络，与所述第二分支网络连接，用于对所述第二生长波谱特征进行目标农作物特征提取，得到第二注意力特征；
所述融合网络，与所述第一注意力网络、所述第二注意力网络分别连接，用于对所述第一注意力特征和所述第二注意力特征进行特征融合，得到融合特征；
所述分割模块，与所述第一分支网络、所述第二分支网络以及所述融合网络分别连接，用于根据所述第一生长波谱特征、所述第二生长波谱特征以及所述融合特征，对所述目标区域中所述目标农作物进行分割提取。
5.根据权利要求4中所述的方法，其特征在于，所述目标分割模型通过以下训练方式训练得到：
获取样本区域的样本遥感数据和所述样本遥感数据中样本农作物的分割提取结果；
根据所述样本遥感数据，构建所述样本区域中所述样本农作物的样本生长初期时间序列、样本生长中期时间序列以及样本生长末期时间序列；
确定所述样本生长初期时间序列与所述样本生长中期时间序列之间的差异，得到第三差异特征图，并确定所述样本生长中期时间序列与样本生长末期时间序列之间的差异，得到第四差异特征图；
通过将所述第三差异特征图作为所述第一分支网络的输入，将所述第四差异特征图作为所述第二分支网络的输入，将所述第一分支网络的输出作为所述第一注意力网络的输入，将所述第二分支网络的输出作为所述第二注意力网络的输入，将所述第一注意力网络的输出和所述第二注意力网络的输出作为所述融合网络的输入，将所述融合网络的输出作为所述分割模块的输入，将所述样本农作物的分割提取结果作为所述分割模块的目标输出的方式进行模型训练，以得到所述目标分割模型。
6.根据权利要求3-5中任一项所述的方法，其特征在于，所述第一分支网络，用于通过滑动窗口检测方法对所述第一差异特征图进行特征提取，以得到所述目标农作物在生长初期和生长中期的第一生长波谱特征；
所述第二分支网络，用于通过滑动窗口检测方法对所述第二差异特征图进行特征提取，以得到所述目标农作物在生长中期和生长末期的第二生长波谱特征。
7.根据权利要求1或2所述的方法，其特征在于，所述根据所述目标遥感数据，构建所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列，包括：
根据所述目标遥感数据的目标光谱波段和目标植被指数，获取所述目标区域的多时相数据集；
根据目标农作物所处地理区域、所述地理区域的气候条件以及所述目标农作物的物候特征，从所述多时相数据集中确定所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列。
8.一种农作物提取装置，其特征在于，包括：
第一获取模块，用于获取目标区域的目标遥感数据；
构建模块，用于根据所述第一获取模块获取到的所述目标遥感数据，构建所述目标区域中目标农作物的目标生长初期时间序列、目标生长中期时间序列以及目标生长末期时间序列；
第一确定模块，用于确定所述构建模块得到的所述目标生长初期时间序列与所述目标生长中期时间序列之间的差异，得到第一差异特征图，并确定所述构建模块得到的所述目标生长中期时间序列与目标生长末期时间序列之间的差异，得到第二差异特征图；
提取模块，用于根据所述第一确定模块确定出的所述第一差异特征图和所述第二差异特征图，对所述目标区域中所述目标农作物进行分割提取。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723183.4A CN114782832B (zh) | 2022-06-24 | 2022-06-24 | 农作物提取方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210723183.4A CN114782832B (zh) | 2022-06-24 | 2022-06-24 | 农作物提取方法、装置、可读存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782832A true CN114782832A (zh) | 2022-07-22 |
| CN114782832B CN114782832B (zh) | 2022-11-04 |
Family
ID=82422220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210723183.4A Active CN114782832B (zh) | 2022-06-24 | 2022-06-24 | 农作物提取方法、装置、可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782832B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
| CN109272460A (zh) * | 2018-08-29 | 2019-01-25 | 北京观微科技有限公司 | 水田信息提取方法及系统 |
| CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
-
2022
- 2022-06-24 CN CN202210723183.4A patent/CN114782832B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108363949A (zh) * | 2017-12-27 | 2018-08-03 | 二十世纪空间技术应用股份有限公司 | 一种基于物候分析的棉花遥感监测方法 |
| CN109272460A (zh) * | 2018-08-29 | 2019-01-25 | 北京观微科技有限公司 | 水田信息提取方法及系统 |
| CN109614891A (zh) * | 2018-11-27 | 2019-04-12 | 北京师范大学 | 基于物候学和遥感的农作物识别方法 |
| CN113033262A (zh) * | 2019-12-25 | 2021-06-25 | 中移(成都)信息通信科技有限公司 | 模型训练方法和农作物产量预估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄青等: "2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测", 《江苏农业科学》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782832B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101256B (zh) | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 | |
| 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 | |
| CN111461052A (zh) | 基于迁移学习的多个生育期小麦倒伏区域识别方法 | |
| CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN116012720B (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
| Cao et al. | Mapping paddy rice using Landsat time series data in the Ganfu Plain irrigation system, Southern China, from 1988− 2017 | |
| CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
| CN114882359B (zh) | 基于植被指数时序谱特征的大豆种植区提取方法和系统 | |
| CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
| CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
| CN115861823B (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
| CN115668307A (zh) | 用于估计真实世界环境中植被覆盖范围的系统和方法 | |
| Lehmann et al. | Temporal and spatial changes of land use in rare metal mining areas of Rwanda | |
| CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
| Li et al. | A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model | |
| Aguilar et al. | Comparison of spectral indices extracted from Sentinel-2 images to map plastic covered greenhouses through an object-based approach | |
| CN115631419A (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
| CN112183273A (zh) | 一种基于光谱信息及气象数据的小麦条锈病监测方法 | |
| CN114782832B (zh) | 农作物提取方法、装置、可读存储介质及电子设备 | |
| CN114511500A (zh) | 图像处理方法、存储介质以及计算机终端 | |
| Gusso et al. | Model for soybean production forecast based on prevailing physical conditions | |
| CN111178186A (zh) | 基于哨兵遥感数据的水稻提取方法及装置、设备 | |
| Roy et al. | Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh | |
| CN114359755A (zh) | 一种水稻倒伏区域提取方法、系统、设备及存储介质 | |
| CN111123265B (zh) | 基于雷达时序图像的菠萝种植范围提取方法及装置、设备 |
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 |