CN115457403A - 一种基于多类型遥感图像的农作物智能识别方法 - Google Patents

一种基于多类型遥感图像的农作物智能识别方法 Download PDF

Info

Publication number
CN115457403A
CN115457403A CN202211114957.XA CN202211114957A CN115457403A CN 115457403 A CN115457403 A CN 115457403A CN 202211114957 A CN202211114957 A CN 202211114957A CN 115457403 A CN115457403 A CN 115457403A
Authority
CN
China
Prior art keywords
remote sensing
crop
area
image
recognition model
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
Application number
CN202211114957.XA
Other languages
English (en)
Inventor
张仁贡
郑重
金晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Yu Gong Mdt Infotech Ltd
Original Assignee
Zhejiang Yu Gong Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Yu Gong Mdt Infotech Ltd filed Critical Zhejiang Yu Gong Mdt Infotech Ltd
Priority to CN202211114957.XA priority Critical patent/CN115457403A/zh
Publication of CN115457403A publication Critical patent/CN115457403A/zh
Pending legal-status Critical Current

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多类型遥感图像的农作物智能识别方法，属于图像技术领域，包括：获取针对目标灌区内植物的多个类型的遥感图像，汇总到灌区数据库中；根据遥感图像，构建各种农作物的识别训练集；对识别训练集中的遥感图像进行预处理；构建灌区农作物识别模型；将遥感图像输入至灌区农作物识别模型；输出遥感图像中包含的各种农作物的种类以及种植区域；计算当前灌区农作物识别模型的损失函数，判断灌区农作物识别模型的是否训练完毕；在灌区农作物识别模型训练完毕的情况下，将待识别多源遥感图像输入至灌区农作物识别模型，输出各种农作物的种类以及农作物目标框；输出待识别多源遥感图像的各种农作物的种类以及种植面积。

Description

一种基于多类型遥感图像的农作物智能识别方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于多类型遥感图像的农作物智能识别方法。
背景技术
灌区灌溉是治水的重要研究领域，自古以来国以民为本，民以食为天，因此保障粮食安全关系到社会和政治的长治久安。其中，科学精准进行灌区供水调度是提高灌区种植农作物产量的重要手段，但是南方大中型灌区种植农作物种类复杂，主要包括水稻、小麦、油菜、橘子等。由于不同农作物的需水量是不同的，这对于灌区精准供水调度是一个极大的挑战，因此若能智能获取灌区内种植的农作物种类和面积，对于提高灌区农作物产量和节约用水都具有重要作用。
随着遥感技术的发展，为遥感图像采集大中型灌区种植农作物的空间数据提供了基础技术支撑。遥感图像采集数据时所依据的光谱特征常常会因为农作物类型、生长季、长势状况以及田间管理等不同而有所差别，因此，科学合理的利用农作物光谱特征差异是识别不同农作物的关键。
但是，目前一般都采用决策树、特征统计等传统统计学方法对遥感图像进行分析，实现对农作物种类的识别，上述方法自适应性不高，作物生长周期或者环境因素等因素容易影响识别结果的准确率。
发明内容
本发明实施例的目的是提供一种基于多类型遥感图像的农作物智能识别方法，能够解决现有的采用决策树、特征统计等传统统计学方法对遥感图像进行分析，实现对农作物种类的识别，自适应性不高，作物生长周期或者环境因素等因素容易影响识别结果的准确率的技术问题。
为了解决上述技术问题，本发明是这样实现的：
本发明实施例提供了一种基于多类型遥感图像的农作物智能识别方法，包括：
S101：获取针对目标灌区内植物的多个类型的遥感图像，汇总到灌区数据库中；
S102：根据遥感图像，构建各种农作物的识别训练集；
S103：对识别训练集中的遥感图像进行校正；
S104：将校正后的遥感图像调整为同一尺寸；
S105：构建灌区农作物识别模型；
S106：将同一种植区域的多个类型的遥感图像作为一个样本单元输入至灌区农作物识别模型；
S107：输出遥感图像中包含的各种农作物的种类以及种植区域；
S108：通过输出的各种农作物的种类以及种植区域，计算当前灌区农作物识别模型的损失函数，根据损失函数，判断灌区农作物识别模型的是否训练完毕；
S109：在灌区农作物识别模型未训练完毕的情况下，利用梯度优化算法更新灌区农作物识别模型参数，进行下一次迭代，直至灌区农作物识别模型训练完毕；
S110：在灌区农作物识别模型训练完毕的情况下，将待识别多源遥感图像输入至灌区农作物识别模型，输出各种农作物的种类以及农作物目标框；
S111：根据农作物目标框，在待识别多源遥感图像中分割出各种农作物的种植区域，并换算成实际面积；
S112：输出待识别多源遥感图像的各种农作物的种类以及种植面积。
在本发明实施例中，构建灌区农作物识别模型，通过灌区农作物识别模型自动化地识别遥感图像中的农作物的种类以及种植区域，自适应性高，不受作物生长周期或者环境因素等因素的影响，可以提高农作物智能识别的准确率。
附图说明
图1是本发明实施例提供的一种基于多类型遥感图像的农作物智能识别方法的流程示意图。
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
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，通过具体的实施例及其应用场景对本发明实施例提供的一种基于多类型遥感图像的农作物智能识别方法进行详细地说明。
参照图1，示出了本发明实施例提供的一种基于多类型遥感图像的农作物智能识别方法的流程示意图。
本发明实施例提供的一种基于多类型遥感图像的农作物智能识别方法，包括：
S101：获取针对目标灌区内植物的多个类型的遥感图像，汇总到灌区数据库中。
其中，多个类型的遥感图像的获取方式可以是：从欧空局官网获取Sentinel-1雷达卫星和Sentinel-2光学卫星的任务灌区遥感图像，并汇聚到灌区数据库中，从USGS官网网站获取Landsat-8卫星采集的任务灌区内植物遥感图像。
S102：根据遥感图像，构建各种农作物的识别训练集。
其中，农作物可以是水稻、小麦、油菜、橘子等，各种农作物的识别训练集可以包括水稻识别训练集、小麦识别训练集、油菜识别训练集和橘子识别训练集。
在一种可能的实施方式中，S102具体包括：
S1021：从灌区数据库中读取各种农作物的种植区域对应的遥感子图像。
S1022：采用ODK软件对各种农作物对应的灌区区域进行实地调查，记录各种农作物的种类、种植区域和生长周期。
S1023：根据ODK软件的记录，在每张遥感子图像上添加包含有农作物种类和生长周期的标签，形成包含有多源遥感图像集和标签集的识别训练集。
其中，多源遥感图像集P可表示为：
Figure BDA0003845133750000042
其中，
Figure BDA0003845133750000043
表示第一卫星对种植区域j采集的遥感图像，
Figure BDA0003845133750000044
表示第二卫星对种植区域j采集的遥感图像，
Figure BDA0003845133750000045
表示第三卫星对种植区域j采集的遥感图像，第一卫星为Sentinel-1卫星，第二卫星为Sentinel-2卫星，第三卫星为Landsat-8卫星。
其中，标签集Y可表示为：
Figure BDA0003845133750000041
其中，Yj表示与种植区域j的遥感子图像对应的标签集，classji表示种植区域j的遥感子图像中第i个目标的标签。
S103：对识别训练集中的遥感图像进行校正。
在一种可能的实施方式中，S103具体包括：
S1031：判断遥感图像的类型。
S1032：在遥感图像由第一卫星拍摄的情况下，通过主成分分析方法和阈值设定，选取同一区域的两个时相遥感图像中具有稳定光谱性质的地物样本点，利用灰度值的线性相关性对遥感图像进行辐射校正。
其中，第一卫星为Sentinel-1卫星，可以采用pseudo invariant feature方法进行遥感图像的辐射校正。
由于灌区处于地形较为复杂，因此需要建立对应的地形校正模型φcorr,λ，进行地形校正：
Figure BDA0003845133750000051
其中，φλ校正前遥感图像元辐亮度，αz表示太阳的天顶角，αv表示观测卫星的天顶角，βz表示进行地形抹平处理后的有效太阳入射角，βv表示校正斜面像的观测角。
S1033：在遥感图像由第二卫星拍摄的情况下，对遥感图像进行大气校正。
其中，第二卫星为Sentinel-2卫星。
S1034：在遥感图像由第三卫星拍摄的情况下，对遥感图像进行大气校正，并采用卡尔曼滤波方法对遥感图像进行几何校正。
其中，几何校正可以校正遥感图像与实际地面之间的坐标矢量关系。
其中，第三卫星为Landsat-8卫星。
S104：将校正后的遥感图像调整为同一尺寸。
具体地，统一的尺寸为h×w×3，其中h为图像的长度，w为图像的宽度。
S105：构建灌区农作物识别模型。
在一种可能的实施方式中，S105具体包括：
S1051：通过应用于视觉的基于自注意力机制的深度神经网络、区域提取网络和残差网络构建构建灌区农作物识别模型。
具体地，灌区农作物识别模型包括：图像分割层、向量化层、线性层、编码器、目标检测网络；图像分割层用于将输入的遥感图像分割成尺寸相同的块；向量化层用于将分割后的块转化为向量；线性层用于对向量进行线性映射并对向量顺序位置进行编码；编码器用于提取向量特征；目标检测网络用于农作物种类的识别和种植区域的检测。
进一步地，编码器由6层编码器块组成，编码器块之间采用残差链接方式。其中，编码器块由第一子编码器块和第二子编码器块组成，第一子编码器块和第二子编码器块之间采用残差链接方式。第一子编码器块的第一层为线性层，第二层为具有12个head的多头注意力机制，第三层为正则化。第二子编码器块的第一层为线性层，第二层和第三层为带激活函数的非线性层，第四层为正则化。
进一步地，目标检测网络由残差网络和Region Proposal Network构成。
S106：将同一种植区域的多个类型的遥感图像作为一个样本单元输入至灌区农作物识别模型。
S107：输出遥感图像中包含的各种农作物的种类以及种植区域。
在一种可能的实施方式中，S107具体包括：
S1071：图像分割层将一个样本单元中的三张不同类型的遥感图像分割得到3n张切块图，其中，每张遥感图像分割为n张切块图，每张切块图尺寸为d×d×3，d表示切块图尺寸参数，。
具体地，n＝h×w/(d×d)。
S1072：向量化层将每一张切块图转换为维度为d×d×3的token，添加一个分类头得到3n+1个token，记第k个token为xk，则向量X＝[x1,x2,...,xk,...,x3n+1]。
S1073：线性层对3n+1个token进行线性变换并进行顺序位置编码。
S1074：编码器计算3n+1个token的多头注意力机制输出
Figure BDA0003845133750000062
Figure BDA0003845133750000061
其中，
Figure BDA0003845133750000071
表示缩放因子，用于克服梯度消失，Q、E和V分别表示多注意力机制中每个head的维度为(3n+1)×(d×d×3/12)的查询向量、关键向量和待提取向量，ET表示对向量E做转置，softmax为归一化函数。
查询向量Q的计算公式为：
Q＝WQ×X 公式4
其中，表示查询向量变换的权重参数；
关键向量E的计算公式为：
E＝WE×X 公式5
其中，表示关键向量变换的权重参数；
待提取向量V的计算公式为：
V＝WV×X 公式6
其中，WV表示待提取向量变换的权重参数；
S1075：目标检测网络在token上的映射区域得到多个目标候选框，输出遥感图像中包含的农作物的种类以及种植区域。
S108：通过输出的各种农作物的种类以及种植区域，计算当前灌区农作物识别模型的损失函数，根据损失函数，判断灌区农作物识别模型的是否训练完毕。
在一种可能的实施方式中，S108具体包括：
S1081：计算灌区农作物识别模型的目标函数F：
Figure BDA0003845133750000072
其中，
Figure BDA0003845133750000073
为模型的损失函数，可表示为：
Figure BDA0003845133750000074
其中，
Figure BDA0003845133750000075
表示种植区域j的遥感子图像对应的预测标签，Rclass表示特征图尺寸，lclass表示农作物种类识别损失函数；lreg表示目标框损失函数；ρji表示种植区域j图像中第i个目标预测为真实标签的概率；
Figure BDA0003845133750000076
表示当识别为目标农作物时为1，当为背景图像时为0；
Figure BDA0003845133750000081
表示种植区域j图像中预测到第i个目标的矩形框左上角横轴坐标，
Figure BDA0003845133750000082
表示区域j图像中预测到第i个目标的矩形框左上角纵轴坐标、
Figure BDA0003845133750000083
表示区域j图像中预测到第i个目标的矩形框右下角横轴坐标、
Figure BDA0003845133750000084
表示区域j图像中预测到第i个目标的矩形框右下角纵轴坐标；Rreg表示锚点的正负样本总数。
S1082：根据目标函数是否达到最优，判断灌区农作物识别模型的是否训练完毕。
S1083：在目标函数达到最优的情况下，灌区农作物识别模型训练完毕。
S109：在灌区农作物识别模型未训练完毕的情况下，利用梯度优化算法更新灌区农作物识别模型参数，进行下一次迭代，直至灌区农作物识别模型训练完毕。
在一种可能的实施方式中：S109具体包括：
S1091：在灌区农作物识别模型未训练完毕的情况下，判断当前迭代次数是否最大。
S1092：在当前迭代次数达到最大的情况下，灌区农作物识别模型训练完毕。
S1093：在当前迭代次数未达到最大的情况下，利用梯度优化算法更新灌区农作物识别模型参数，进行下一次迭代，直至灌区农作物识别模型训练完毕。
S110：在灌区农作物识别模型训练完毕的情况下，将待识别多源遥感图像输入至灌区农作物识别模型，输出各种农作物的种类以及农作物目标框。
S111：根据农作物目标框，在待识别多源遥感图像中分割出各种农作物的种植区域，并换算成实际面积。
S112：输出待识别多源遥感图像的各种农作物的种类以及种植面积。
在本发明实施方式中，采用Sentinel-1雷达卫星、Sentinel-2光学卫星和Landsat-8卫星采集的灌区遥感图像，结合不同三种遥感图像的优点，提高灌区农作物识别的准确性。并采用应用于视觉的基于自注意力机制的深度神经网络(VisionTransformer)、区域提取网络(Region Proposal Network)和残差网络构建识别模型，相较于其他算法所建立的识别模型具有较高的自适应性，同时引入注意力机制拥有更大的感受视野，对相同作物不同生长时期、不同作物在相同生长时期的遥感图像进行训练，克服环境带来的影响，提高基于遥感图像的灌区农作物识别的自适应性和全面性，提高农作物种类和区域范围的识别准确率，为科学、精准的灌区供水调度提高数据支持。
在本发明实施例中，构建灌区农作物识别模型，通过灌区农作物识别模型自动化地识别遥感图像中的农作物的种类以及种植区域，自适应性高，不受作物生长周期或者环境因素等因素的影响，可以提高农作物智能识别的准确率。
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种基于多类型遥感图像的农作物智能识别方法，其特征在于，包括：
S101：获取针对目标灌区内植物的多个类型的遥感图像，汇总到灌区数据库中；
S102：根据所述遥感图像，构建各种农作物的识别训练集；
S103：对所述识别训练集中的所述遥感图像进行校正；
S104：将校正后的遥感图像调整为同一尺寸；
S105：构建灌区农作物识别模型；
S106：将同一种植区域的多个类型的所述遥感图像作为一个样本单元输入至所述灌区农作物识别模型；
S107：输出所述遥感图像中包含的各种农作物的种类以及种植区域；
S108：通过输出的各种农作物的种类以及种植区域，计算当前所述灌区农作物识别模型的损失函数，根据所述损失函数，判断所述灌区农作物识别模型的是否训练完毕；
S109：在所述灌区农作物识别模型未训练完毕的情况下，利用梯度优化算法更新灌区农作物识别模型参数，进行下一次迭代，直至所述灌区农作物识别模型训练完毕；
S110：在所述灌区农作物识别模型训练完毕的情况下，将待识别多源遥感图像输入至所述灌区农作物识别模型，输出各种农作物的种类以及农作物目标框；
S111：根据所述农作物目标框，在所述待识别多源遥感图像中分割出各种农作物的种植区域，并换算成实际面积；
S112：输出所述待识别多源遥感图像的各种农作物的种类以及种植面积。
2.根据权利要求1所述的农作物智能识别方法，其特征在于，所述S102具体包括：
S1021：从所述灌区数据库中读取各种农作物的种植区域对应的遥感子图像；
S1022：采用ODK软件对各种农作物对应的灌区区域进行实地调查，记录各种农作物的种类、种植区域和生长周期；
S1023：根据所述ODK软件的记录，在每张所述遥感子图像上添加包含有农作物种类和生长周期的标签，形成包含有多源遥感图像集和标签集的所述识别训练集；
其中，所述多源遥感图像集P可表示为：
Figure FDA0003845133740000021
其中，
Figure FDA0003845133740000022
表示第一卫星对种植区域j采集的遥感图像，
Figure FDA0003845133740000023
表示第二卫星对种植区域j采集的遥感图像，
Figure FDA0003845133740000024
表示第三卫星对种植区域j采集的遥感图像，所述第一卫星为Sentinel-1卫星，所述第二卫星为Sentinel-2卫星，所述第三卫星为Landsat-8卫星；
其中，标签集Y可表示为：
Figure FDA0003845133740000025
其中，Yj表示与种植区域j的遥感子图像对应的标签集，classji表示种植区域j的遥感子图像中第i个目标的标签。
3.根据权利要求2所述的农作物智能识别方法，其特征在于，所述S103具体包括：
S1031：判断所述遥感图像的类型；
S1032：在所述遥感图像由所述第一卫星拍摄的情况下，通过主成分分析方法和阈值设定，选取同一区域的两个时相遥感图像中具有稳定光谱性质的地物样本点，利用灰度值的线性相关性对所述遥感图像进行辐射校正；
S1033：在所述遥感图像由所述第二卫星拍摄的情况下，对所述遥感图像进行大气校正；
S1034：在所述遥感图像由所述第三卫星拍摄的情况下，对所述遥感图像进行大气校正，并采用卡尔曼滤波方法对所述遥感图像进行几何校正。
4.根据权利要求1所述的农作物智能识别方法，其特征在于，所述S105具体包括：
S1051：通过应用于视觉的基于自注意力机制的深度神经网络、区域提取网络和残差网络构建构建灌区农作物识别模型。
5.根据权利要求4所述的农作物智能识别方法，其特征在于，所述灌区农作物识别模型包括：图像分割层、向量化层、线性层、编码器、目标检测网络；
所述图像分割层用于将输入的遥感图像分割成尺寸相同的块；
所述向量化层用于将分割后的块转化为向量；
所述线性层用于对向量进行线性映射并对向量顺序位置进行编码；
所述编码器用于提取向量特征；
所述目标检测网络用于农作物种类的识别和种植区域的检测。
6.根据权利要求5所述的农作物智能识别方法，其特征在于，所述S107具体包括：
S1071：所述图像分割层将一个样本单元中的三张不同类型的遥感图像分割得到3n张切块图，其中，每张遥感图像分割为n张切块图，每张切块图尺寸为d×d×3，d表示切块图尺寸参数。
S1072：所述向量化层将每一张切块图转换为维度为d×d×3的token，添加一个分类头得到3n+1个token，记第k个token为xk，则向量X＝[x1,x2,...,xk,...,x3n+1]；
S1073：所述线性层对3n+1个token进行线性变换并进行顺序位置编码；
S1074：所述编码器计算3n+1个token的多头注意力机制输出
Figure FDA0003845133740000032
Figure FDA0003845133740000031
其中，
Figure FDA0003845133740000041
表示缩放因子，用于克服梯度消失，Q、E和V分别表示多注意力机制中每个head的维度为(3n+1)×(d×d×3/12)的查询向量、关键向量和待提取向量，ET表示对向量E做转置，softmax为归一化函数；
所述查询向量Q的计算公式为：
Q＝WQ×X 公式4
其中，表示查询向量变换的权重参数；
所述关键向量E的计算公式为：
E＝WE×X 公式5
其中，表示关键向量变换的权重参数；
所述待提取向量V的计算公式为：
V＝WV×X 公式6
其中，WV表示待提取向量变换的权重参数；
S1075：所述目标检测网络在token上的映射区域得到多个目标候选框，输出遥感图像中包含的农作物的种类以及种植区域。
7.根据权利要求1所述的农作物智能识别方法，其特征在于，所述S108具体包括：
S1081：计算所述灌区农作物识别模型的目标函数F：
Figure FDA0003845133740000042
其中，
Figure FDA0003845133740000043
为模型的损失函数，可表示为：
Figure FDA0003845133740000044
其中，
Figure FDA0003845133740000045
表示种植区域j的遥感子图像对应的预测标签，Rclass表示特征图尺寸，lclass表示农作物种类识别损失函数；lreg表示目标框损失函数；ρji表示种植区域j图像中第i个目标预测为真实标签的概率；
Figure FDA0003845133740000046
表示当识别为目标农作物时为1，当为背景图像时为0；
Figure FDA0003845133740000047
表示种植区域j图像中预测到第i个目标的矩形框左上角横轴坐标，
Figure FDA0003845133740000051
表示区域j图像中预测到第i个目标的矩形框左上角纵轴坐标、
Figure FDA0003845133740000052
表示区域j图像中预测到第i个目标的矩形框右下角横轴坐标、
Figure FDA0003845133740000053
表示区域j图像中预测到第i个目标的矩形框右下角纵轴坐标；Rreg表示锚点的正负样本总数。
S1082：根据所述目标函数是否达到最优，判断所述灌区农作物识别模型的是否训练完毕；
S1083：在所述目标函数达到最优的情况下，所述灌区农作物识别模型训练完毕。
8.根据权利要求1所述的农作物智能识别方法，其特征在于，所述S109具体包括：
S1091：在所述灌区农作物识别模型未训练完毕的情况下，判断当前迭代次数是否最大；
S1092：在当前迭代次数达到最大的情况下，所述灌区农作物识别模型训练完毕；
S1093：在当前迭代次数未达到最大的情况下，利用梯度优化算法更新灌区农作物识别模型参数，进行下一次迭代，直至所述灌区农作物识别模型训练完毕。
CN202211114957.XA 2022-09-14 2022-09-14 一种基于多类型遥感图像的农作物智能识别方法 Pending CN115457403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211114957.XA CN115457403A (zh) 2022-09-14 2022-09-14 一种基于多类型遥感图像的农作物智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211114957.XA CN115457403A (zh) 2022-09-14 2022-09-14 一种基于多类型遥感图像的农作物智能识别方法

Publications (1)

Publication Number Publication Date
CN115457403A true CN115457403A (zh) 2022-12-09

Family

ID=84303270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211114957.XA Pending CN115457403A (zh) 2022-09-14 2022-09-14 一种基于多类型遥感图像的农作物智能识别方法

Country Status (1)

Country Link
CN (1) CN115457403A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453003A (zh) * 2023-06-14 2023-07-18 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
CN116530286A (zh) * 2023-04-12 2023-08-04 上海华维可控农业科技集团股份有限公司 用于生态高标农田下的水肥一体化灌溉管理系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116530286A (zh) * 2023-04-12 2023-08-04 上海华维可控农业科技集团股份有限公司 用于生态高标农田下的水肥一体化灌溉管理系统及方法
CN116530286B (zh) * 2023-04-12 2023-09-29 上海华维可控农业科技集团股份有限公司 用于生态高标农田下的水肥一体化灌溉管理系统及方法
CN116453003A (zh) * 2023-06-14 2023-07-18 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
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

Similar Documents

Publication Publication Date Title
CN115457403A (zh) 一种基于多类型遥感图像的农作物智能识别方法
CN111898503B (zh) 基于云覆盖遥感影像和深度学习的作物识别方法和系统
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
CN110533100A (zh) 一种基于机器学习进行cme检测和跟踪的方法
CN116051996A (zh) 一种基于多模态信息的二阶段农作物生长预测方法
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
CN109960972B (zh) 一种基于中高分辨率时序遥感数据的农林作物识别方法
CN117114913A (zh) 一种基于大数据的智能化农业数据采集系统
CN114676769A (zh) 一种基于视觉Transformer的小样本昆虫图像识别方法
CN111814866A (zh) 一种病虫害预警方法、装置、计算机设备及存储介质
He et al. Recognition of soybean pods and yield prediction based on improved deep learning model
Balti et al. Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China
CN114973024A (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
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
CN117789037A (zh) 作物生长期预测方法及装置
CN117456367A (zh) 一种农作物种植区域识别方法、装置、设备及存储介质
CN116739868B (zh) 基于人工智能的园林绿化管理系统及其方法
CN113343783A (zh) 一种农作物智能识别与长势预测方法及系统
CN117541422A (zh) 一种基于农业环境数据的农业生产管理系统
Miao et al. Crop weed identification system based on convolutional neural network
CN116863341A (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN108802845B (zh) 一种基于红外阵列传感器的室内人员占有率估计方法
CN117079130A (zh) 一种基于红树林生境的智能信息管理方法及系统
Adams et al. Phenotypic trait extraction of soybean plants using deep convolutional neural networks with transfer learning.
CN117009900A (zh) 一种基于图神经网络的物联网信号异常检测方法和系统

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