CN115631421B - 耕地智慧保护方法及保护系统 - Google Patents

耕地智慧保护方法及保护系统 Download PDF

Info

Publication number
CN115631421B
CN115631421B CN202211660113.5A CN202211660113A CN115631421B CN 115631421 B CN115631421 B CN 115631421B CN 202211660113 A CN202211660113 A CN 202211660113A CN 115631421 B CN115631421 B CN 115631421B
Authority
CN
China
Prior art keywords
monitored
cultivated land
area
cultivated
data
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.)
Active
Application number
CN202211660113.5A
Other languages
English (en)
Other versions
CN115631421A (zh
Inventor
石焜
乔玉
陈春光
张昂昂
汤雄
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.)
Beijing Liaowang Shenzhou Technology Co ltd
Original Assignee
Beijing Liaowang Shenzhou Technology Co 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 Beijing Liaowang Shenzhou Technology Co ltd filed Critical Beijing Liaowang Shenzhou Technology Co ltd
Priority to CN202211660113.5A priority Critical patent/CN115631421B/zh
Publication of CN115631421A publication Critical patent/CN115631421A/zh
Application granted granted Critical
Publication of CN115631421B publication Critical patent/CN115631421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Library & Information Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Agronomy & Crop Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种耕地智慧保护方法及保护系统，该保护系统中包括：用于进行数据存储和处理的服务器，设置于待监测耕地区域的多个传感器，设置在待监测耕地区域周围高塔上的多个高清摄像头以及高清图像采集卫星。在进行耕地智保时，服务器可以通过各个维度进行数据采集，同时获取卫星对待监测耕地区域拍摄的高清卫星图像，以及传感器对于待监测耕地区域采集的有机质含量以及PH值等相关的土地质量数据，以及通过高清摄像头近距离拍摄获取到的高清视频，综合这些数据可以对待监测耕地区域是否存在损害行为进行更全面的分析处理，并且通过服务器进行数据采集和处理，处理效率较高。

Description

耕地智慧保护方法及保护系统
技术领域
本发明涉及数据处理技术，尤其涉及一种耕地智慧保护方法及保护系统。
背景技术
耕地是粮食生产的基本物质质料，耕地的好坏关系到国家粮食安全，农产品质量安全以及生态安全，是保障社会经济可持续发展，满足人民日益增长的物质需要的必要基础。
然而，随着工业和商业技术的发展，导致了个别地区为满足商业需要将农耕用地用作其他的用途，严重危害到了粮食安全，基于此提出了耕地智能的理念，对农耕用地进行智能化的保护，防止对耕地的损害。目前，现有技术中主要通过在基站铁塔上设置摄像头的方式，将拍摄的图像上传至管理中心，由管理中心工作人员识别图中可能存在的乱耕占行为，再通知巡查员去对应的地方进行检查，最终确定是否存在违规耕占的行为，再进行后续处理。
然而，目前这种通过摄像头只拍摄照片由人工进行识别的方式，对于存在其他类型的耕地破坏并不能检测到，识别耕地损坏行为并不全面。
发明内容
本发明实施例提供一种耕地智慧保护方法及保护系统。能够更加高效全面的对耕地的相关数据进行采集，为分析耕地损坏时提供更加全面的数据基础。
本发明实施例的第一方面，提供一种耕地智慧保护方法，应用于服务器，所述方法包括：
根据预设时间间隔，获取卫星对待监测耕地区域拍摄的多个高清卫星图像；
根据设置在待监测耕地区域内的至少一个传感器，实时获取所述待监测耕地区域的土地质量数据，所述土地质量数据至少包括有机质含量以及PH值；
通过高清摄像头拍摄获取所述待监测耕地区域的多个高清视频，所述多个高清视频中包括从至少两个视角拍摄获取到的视频；
将所述多个高清卫星图像，所述土地质量数据以及所述多个高清视频加入所述待监测耕地区域对应的智保数据库，所述智保数据库中的数据用于确定所述待监测耕地区域是否存在耕地损害的情况。
在一种可能的实施方式中，所述方法还包括：
根据所述智保数据库中预设时间段内的数据，构建所述待监测耕地区域在所述预设时间段内的卫星图像数据集合，实景图像集合和质量数据集合；
基于K-means算法对所述质量数据集合中的数据进行特征提取，得到用于表征所述待监测耕地区域的土地质量的第一特征信息；
基于卷积神经网络的图像识别算法对所述卫星图像数据集合以及实景图像集合进行处理，得到用于表征所述待监测耕地区域中是否存在损害行为的第二特征信息；
根据所述第一特征信息和所述第二特征信息，确定所述预设时间段内待监测耕地区域是否存在耕地损害的情况。
在一种可能的实施方式中，所述根据所述智保数据库中预设时间段内的数据，构建所述待监测耕地区域在所述预设时间段内的实景图像集合，包括：
将所述预设时间段内的所述多个高清视频，分别按照预设时间间隔进行图像帧采样，将所有采样得到的图像确定为所述实景图像集合。
在一种可能的实施方式中，所述基于K-means算法对所述质量数据集合中的数据进行特征提取，得到用于表征所述待监测耕地区域的土地质量的第一特征信息，包括：
根据所述质量数据集合，采用公式 ，分别计算的密集度：其中，是距离最近的t个质量数据点的集合，是质量数据与的距离，i为小于或等于所述质量数据集中数据总数n的正整数；
从所述质量数据集合，中随机选择M个质量数据作为初始聚类中心，基于所述M个聚类中心将所述质量数据集合Y分为M个簇，每个簇中有个质量数据点，假设的密集度为，D为所有质量数据的平均密集度，其中，；
当时，根据公式：，以及公式
计算每个聚类中心的阈值；
当时，根据公式：，以及公式：计算每个聚类中心的阈值；
根据每个聚类中心的阈值，确定每个聚类中心对应的最大邻近半径数据集；
选择密集度最大的点作为初始聚类中心，并从所述质量数据集合Y中删除所述所对应的最大邻近半径数据集，并重复本步骤直至选择出最终的M个聚类中心；
基于所述M个聚类中心，对所述质量数据集合进行聚类处理，确定出所述质量数据集合对应的所述第一特征信息。
在一种可能的实施方式中，所述基于卷积神经网络的图像识别算法对所述卫星图像数据集合以及实景图像集合进行处理，得到用于表征所述待监测耕地区域中是否存在损害行为的第二特征信息，包括：
基于卷积神经网络构建初始图像识别模型，基于预先获取的卫星图像样本数据集以及实景图像样本集合分别对所述初始图像识别模型进行训练，得到第一图像识别模型和第二图像识别模型，所述第一图像识别模型用于识别卫星图像中耕地区域中是否存在异常斑点，所述第二图像识别模型用于识别图像中是否存在异常目标，所述异常目标包括施工设备，围挡以及垃圾堆；
将所述卫星图像数据集合中的图像分别输入所述第一图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常斑点；
将所述实景图像集合中的图像分别输入所述第二图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常目标；
其中，所述第二特征信息包括在所述预设时间段内出现在所述待监测耕地区域的所有异常斑点和所有异常目标。
在一种可能的实施方式中，所述根据所述第一特征信息和所述第二特征信息，确定所述预设时间段内待监测耕地区域是否存在耕地损害的情况，包括：
若在所述预设时间段内，所述第一特征信息指示所述待监测耕地区域的土地质量异常，或者，所述第二特征信息指示所述待监测耕地区域中出现异常斑点和/或异常目标，则确定所述预设时间段内待监测耕地区域存在耕地损害的情况。
在一种可能的实施方式中，所述方法还包括：
若确定出所述预设时间段内所述待监测耕地区域存在耕地损害的情况，则向所述待监测耕地区域对应的巡查人员的终端设备发送巡查指示，所述巡查指示用于指示所述巡查人员对所述待监测耕地区域进行巡查。
在一种可能的实施方式中，所述方法还包括：
接收所述巡查人员的所述终端设备上传的巡查结果，所述巡查结果用于通知所述待监测耕地区域具体的耕地损害行为；
若所述耕地损害行为属于预设的违法违规行为集合中的行为，则向警务部门的终端设备发送处理指示，所述处理指示用于指示对耕地损害行为进行处理。
本发明实施例的第二方面，提供一种耕地智慧保护装置，包括：
卫星图像获取模块，用于根据预设时间间隔，获取卫星对待监测耕地区域拍摄的多个高清卫星图像；
质量数据获取模块，用于根据设置在待监测耕地区域内的至少一个传感器，实时获取所述待监测耕地区域的土地质量数据，所述土地质量数据至少包括有机质含量以及PH值；
视频数据获取模块，用于通过高清摄像头拍摄获取所述待监测耕地区域的多个高清视频，所述多个高清视频中包括从至少两个视角拍摄获取到的视频；
存储模块，用于将所述多个高清卫星图像，所述土地质量数据以及所述多个高清视频加入所述待监测耕地区域对应的智保数据库，所述智保数据库中的数据用于确定所述待监测耕地区域是否存在耕地损害的情况。
本发明实施例的第三方面，提供一种耕地智慧保护系统，包括：
用于进行数据存储和处理的服务器，设置于待监测耕地区域的多个传感器，设置在待监测耕地区域周围高塔上的多个高清摄像头以及高清图像采集卫星；
其中，所述多个传感器包括用于测试土壤PH值的传感器以及用于测试土壤有机质含量的传感器，所述多个传感器通过设置在待监测耕地区域的无线传输设备与所述服务器进行交互；
所述高清图像采集卫星通过地面站与所述服务器进行交互；
所述多个高清摄像头通过无线通信模块与所述服务器进行交互；
所述服务器用于执行第一方面任一项所述的耕地智慧保护方法。
本发明提供的一种耕地智慧保护方法及保护系统，在进行耕地智保时，专门用于处理耕地相关数据的服务器可以通过各个维度进行数据采集，同时获取卫星对待监测耕地区域拍摄的高清卫星图像，以及传感器对于待监测耕地区域采集的有机质含量以及PH值等相关的土地质量数据，以及通过高清摄像头近距离拍摄获取到的高清视频，综合这些数据可以对待监测耕地区域是否存在损害行为进行更全面的分析处理，并且通过云服务器进行数据采集和处理，处理效率较高。
并且，在得到这些数据并将数据存储在耕地智保数据库中以后，可以基于这些数据构建不同耕地区域对应的数据集合，针对这些数据集合进行耕地的不同特征的分析处理，最终识别出是否存在损害行为，由机器进行学习后进一步进行数据分析处理避免了人工识别准确度和效率较低的问题。
附图说明
图1为本发明提供的耕地智慧保护系统的架构示意图；
图2为本发明提供的耕地智慧保护方法实施例一的流程示意图；
图3为本发明提供的耕地智慧保护方法实施例二的流程示意图；
图4为本发明提供的耕地智慧保护方法实施例三的流程示意图；
图5为本发明提供的耕地智慧保护装置实施例一的示意图；
图6为本发明提供的耕地智慧保护装置实施例二的示意图；
图7为本发明提供的服务器实施例的示意图。
具体实施方式
为使本发明实施例的目的、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，所描述的实施例仅仅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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
针对现有技术中存在的问题，本发明提供的一种适用于耕地智保的数据采集以及保护系统。
图1为本发明提供的耕地智慧保护系统的架构示意图，如图1所示，该保护系统至少包括：卫星，服务器，高清摄像头以及多个传感器。该服务器用于进行数据的存储和处理服务，多个传感器设置在待监测耕地区域的土壤中，以便能够对耕地土壤的相关质量数据进行采集，该多个传感器需要通过无线传输设备与服务器之间进行数据交互。所述多个传感器可以通过有线的方式与无线传输设备进行连接。
该多个传感器至少需要对土壤的有机质含量以及PH值进行检测，因此至少包括用于测试土壤PH值的传感器以及用于测试土壤有机质含量的传感器。可选的，还可以包括温度和湿度传感器等，对此本方案不做限制。
为了能够从各个角度对待监测耕地区域进行拍摄，因此高清摄头的数量可以是两个或者两个以上，高清摄像头可以设置在待监测耕地区域附近的高塔上，该高塔可以是专门用于设置高清摄像头的，也可以是周围的电线杆，基站，树木等，能够对耕地区域进行拍摄即可，并不限制设置在什么装备上。
该高清摄像机既可以拍摄现场的高清图像，也可以拍摄高清视频，并且支持无线传输方式，例如：可以支持第四代移动通信技术（the 4th generation mobilecommunication technology，简称：4G），第五代移动通信技术（5th Generation MobileCommunication Technology，简称：5G）全网通卡的摄像机。或者可以内置WIFI模块，或者支持热点功能和无线路由器的工作方式等，对此本方案不做限制。该高清摄像机拍摄获取到的视频或者图像文件可以在其中进行保存，保存时间可以根据实际情况进行设置。
高清图像采集卫星需要依托卫星的地面站将采集到的图像传输给服务器，该卫星可以是光学遥感卫星，可以对地面进行光学成像。
基于上述保护系统得架构，下面对本发明提供的耕地智慧保护方法进行详细说明。
图2为本发明提供的耕地智慧保护方法实施例一的流程示意图，如图2所示，该方案应用于图1所示架构中的服务器中，具体包括以下步骤：
S11，根据预设时间间隔，获取卫星对待监测耕地区域拍摄的多个高清卫星图像。
在本方案中，在对需要进行智保的耕地配置了如上述图1所示的保护系统之后，服务器会随着时间推移不断的收集该耕地区域的各种类型的数据，并会基于这些数据进行动态分析，确定该耕地区域是否存在耕地损坏情况，以便在发现了存在损害情况时候能够及时处理。
在本步骤中，服务器需要获取卫星对待监测耕地区域拍摄的高清卫星图像，一般来说，卫星会在固定的轨道上运行，每次经过该区域进行拍摄，但是并不是时时刻刻都停留在一个区域，而且卫星图像的精度毕竟有限，因此服务器只需要通过卫星的地面站按照一定的时间间隔获取高清卫星图像即可，该时间间隔需要根据卫星的运行轨道和时间去确定。具体获取图像的方式可以是卫星的地面站在获取到高清卫星图像之后，主动将该高清卫星图像发送给服务器，也可以是服务器按照前述时间间隔向卫星的地面站发送图像获取请求，从而接收到地面站返回的对该待监测耕地区域拍摄的高清卫星图像。
S12，根据设置在待监测耕地区域内的至少一个传感器，实时获取所述待监测耕地区域的土地质量数据，所述土地质量数据至少包括有机质含量以及PH值。
在本步骤中，为了更加全面的确定该待监测耕地区域的实际情况，还需要获取一些土壤质量变化的数据。具体可以通过设置在该待监测耕地区域的至少一个传感器对土壤质量进行检测。这些传感器包括能够进行土壤的有机质含量检测的传感器，以及能够对土壤的PH值进行检测的传感器。因此，服务器可以获取到待监测耕地区域的有机质含量以及PH值等土地质量数据。
可选的，进一步的，还可以设置温度传感器，湿度传感器等，对土壤的温度和湿度进行检测，得到更多的土地质量数据，对此本方案不做限制。
S13，通过高清摄像头拍摄获取所述待监测耕地区域的多个高清视频，所述多个高清视频中包括从至少两个视角拍摄获取到的视频。
在本方案中，服务器还可以从设置在待监测耕地区域的一个或者一个以上的高清摄像头中的获取对耕地区域拍摄的多个高清视频，这些高清视频从多个角度持续记录了耕地区域的所有变化。
具体的获取过程中，高清摄像头可以实时将拍摄得到的多个高清视频上传至该服务器，也可以将拍摄得到的视频进行存储，由服务器向高清摄像头发送数据获取请求，再将该多个高清视频上传至服务器，对此本方案不做限制。
高清视频主要用来识别出现在耕地区域中的施工设备，机械设备，垃圾堆，人员，耕地上种植的作物等等。
S14，将所述多个高清卫星图像，所述土地质量数据以及所述多个高清视频加入所述待监测耕地区域对应的智保数据库，所述智保数据库中的数据用于确定所述待监测耕地区域是否存在耕地损害的情况。
在本步骤中，服务器在采集到了关于待监测耕地区域的高清卫星图像，土地质量数据以及高清视频之后，可以将这些数据全部加入专门用于存储耕地数据的智保数据库，该数据库可以是设置在服务器内部的存储空间，也可以是设置在服务器外部的可以实时访问的存储空间，对此本方案不做限制。
可选的，还可以在待监测耕地区域设置电子围栏，电子围栏，电子围栏上设置传感器和其他的监测设备，方便获取关于耕地区域的更多数据。
对于服务器来说，不断的收集关于待监测耕地区域的各种类型的数据，在对该耕地进行分析处理时，能够能全面的发现该耕地区域存在的损害情况。
本实施例提供的耕地智慧保护方法，在进行耕地智保时，服务器可以通过各个维度进行数据采集，同时获取卫星对待监测耕地区域拍摄的高清卫星图像，以及传感器对于待监测耕地区域采集的有机质含量以及PH值等相关的土地质量数据，以及通过高清摄像头近距离拍摄获取到的高清视频，综合这些数据可以对待监测耕地区域是否存在损害行为进行更全面的分析处理，并且通过云服务器进行数据采集和处理，处理效率较高。
图3为本发明提供的耕地智慧保护方法实施例二的流程示意图，如图3所示，在上述实施例的基础上，该耕地智慧保护方法还包括以下步骤：
S21，根据所述智保数据库中预设时间段内的数据，构建所述待监测耕地区域在所述预设时间段内的卫星图像数据集合，实景图像集合和质量数据集合。
在本步骤中，服务器为了能够综合分析该待监测耕地区域的损害情况，需要对采集的该待监测耕地区域的所有数据进行处理。由于当前采集的数据维度不同，并且数据类型也比较多样，因此首先需要对数据进行预处理，才能够进行具体分析。
首先，根据预设时间段内的所有数据，构建出不用维度上的数据集合，也就是上述的卫星图像数据集合，实景图像数据集合以及质量数据集合。该预设时间段可以根据实际应用时候的需要进行设置，可以是一天，两天，一周，两周，一个月等，对此本方案不做限制。
在该方案中，卫星图像数据集合中包括在该预设时间段内从卫星上获取的拍摄的该耕地区域的所有高清卫星图像，服务器将这些高清卫星图像全部获取出来放入该卫星图像数据集合。
在构建实景图像集合时，服务器将所述预设时间段内的所述多个高清视频，分别按照预设时间间隔进行图像帧采样，将所有采样得到的图像确定为所述实景图像集合。由于高清视频是连续的图像组成的，但是为了降低图像识别处理的复杂度，并且短暂的时间内连续的图像内容其实是一致的，因此可以对高清视频按照时间间隔进行帧采样，获取出一些高清图像，然后把这些高清图像都加入该实景图像集合。该方案中，应理解由于高清视频是从多个角度拍摄的，因此该实景图像集合中的图像包括对每个角度拍摄的高清视频都分别进行了采样的图像。
构建质量数据集合时，也可以是将所有采集到的质量数据加入该集合，但是传感器获取PH值的情况也是比较连续的数据，为了降低数据处理量，也可以按照一定的时间间隔，将PH值和有机质含量进行数据点采样，由采样后的多少个数据点构成该质量数据集合，也可以所有的质量数据都加入该质量数据集合，对此本方案不做限制。应理解，该质量数据集合中包括至少两个维度的数据，每一个数据点包括一组数据，一个pH值和一个有机质含量。
可选的，还可以将PH值和有机质含量分别构建不同的质量数据集合，以使每个集合中只包括一个维度的数据，可以根据实际情况选择更加合适的数据集构建方式，对此本方案也不做限制。
S22，基于K-means算法对所述质量数据集合中的数据进行特征提取，得到用于表征所述待监测耕地区域的土地质量的第一特征信息。
在本步骤中，由于质量数据集合中存在多个维度的不同特征，属于异构数据，为了能够更准确的识别特征，需要对数据进行预处理，尽量将多维度的数据中的信号，降为一维数据的信号，方便最具体的特征处理。
本方案中，采用K-means算法进行循环计算各个点到簇类中心的中心，最终将数据集进行划分成为比较均匀且更靠近实际聚类中心的多个数据簇，然后再基于这些数据簇的特征，综合来获取用于表征该待监测耕地区域土地质量的第一特征信息。该第一特征信息至少可以指示该耕地区域的土壤的质量是否存在异常，如果土壤质量出现异常，则可以说明该耕地区域被损坏。
下面对该聚类和特征提取过程进行详细说明：
假设质量数据集合为，集合中存在n个数据点，每个数据点可以包括一个或者一个以上的具体数据。
首先，根据所述质量数据集合，采用公式，分别计算的密集度：其中，是距离最近的t个质量数据点的集合，是质量数据与的距离，i为小于或等于所述质量数据集中数据总数n的正整数；
然后，从所述质量数据集合，中随机选择M个质量数据作为初始聚类中心，基于所述M个聚类中心将所述质量数据集合Y分为M个簇，每个簇中有个质量数据点，假设的密集度为，D为所有质量数据的平均密集度，其中，；
当时，根据公式：，以及公式
计算每个聚类中心的阈值；
当时，根据公式：,以及公式：计算每个聚类中心的阈值。
在该过程中，应理解，在二维空间中，以任何一个聚类中心为圆心，存在一个数据点，到之间的距离为半径，满足该圆形内部的数据点个数不超过，该半径则被称为数据点的最大近邻半径。为最大近邻半径中所含有的数据点集合。该最大近邻半径也可以扩展至更多的维度。
然后，根据每个聚类中心的阈值，确定每个聚类中心对应的最大邻近半径数据集。
最后，选择密集度最大的点作为初始聚类中心，并从所述质量数据集合Y中删除所述所对应的最大邻近半径数据集，并重复本步骤直至选择出最终的M个聚类中心。
通过上述方式确定了最后的M个聚类中心以后，则基于所述M个聚类中心，对所述质量数据集合进行聚类处理，确定出所述质量数据集合对应的所述第一特征信息。
在本方案中，当最终确定了M个聚类中心之后，将质量数据集合中的数据聚类成M个数据簇，并获取每个数据簇的中心向量，根据每个数据簇的中心向量，计算得到整个质量数据集的第一特征信息。
可选的，前述提供的一种采用算法对质量数据集合进行处理的方式，在本方案的具体实现中，为了降低服务器的数据处理量，提高处理效率，可以将质量数据集合中的不同维度的数据进行拆分，得到至少两个质量数据子集合，例如，至少可以得到PH值集合以及有机质含量集合，针对PH值集合，服务器可以根据每个PH值绘制PH值的变化曲线，并基于该曲线确定该耕地区域的土壤的PH值是否在预设分PH值范围内变化，获取PH值在这段时间的最大变化值。然后针对有机质含量集合，按照同样的方式，获取土壤有机质含量在这段时间的变化曲线以及最大变化值，最终得到的第一特征信息至少包括PH值在这段时间的最大变化值以及土壤有机质含量在这段时间的最大变化值。
S23，基于卷积神经网络的图像识别算法对所述卫星图像数据集合以及实景图像集合进行处理，得到用于表征所述待监测耕地区域中是否存在损害行为的第二特征信息。
在本步骤中，服务器还需要对两个图像集合进行识别处理，确定这些图像中是不是存在对待监测耕地区域的土壤进行损坏的行为。一般来说，对于耕地的损坏行为包括工业污染（污水等排放等），违建（例如，大型机械设备进行施工，建设工厂房屋等），违规种植非粮食作物（例如种植花卉，草坪，苗木等经济作物）。在实际进行这些损坏行为的时候，在对该耕地区域进行图像采集时，图像中会发生的明显的变化，例如，有发现机械设备或者排泄污水的管道长时间出现在耕地区域，或者发现明显不是粮食作物的作物的图像，或者，在非种植粮食的时段出现种植行为等。
上述这些行为在图像中均能够进行体现，基于此可以采用卷积神经网络进行模型训练，训练处能够从图像中识别上述这些特征的模型，然后将卫星图像数据集合以及实景图像集合中的图像分别输入对应的模型，确定出耕地区域中是否存在上述这些行为，并通过第二特征信息进行指示。
S24，根据所述第一特征信息和所述第二特征信息，确定所述预设时间段内待监测耕地区域是否存在耕地损害的情况。
在本步骤中，服务器在获取第一特征信息和第二特征信息之后，可以基于这两个特征信息，最终确定与设时间段内待监测耕地区域是否存在耕地损害的情况，具体的，若在所述预设时间段内，所述第一特征信息指示所述待监测耕地区域的土地质量异常，或者，所述第二特征信息指示所述待监测耕地区域中出现异常斑点和/或异常目标，则确定所述预设时间段内待监测耕地区域存在耕地损害的情况。
例如：第一特征信息指示该耕地区域的土壤PH值高于PH值范围的最大值，即土地质量在这段时间发生了异常，即便是图像识别中没有识别出异常斑点或者异常目标，则确定该待监测耕地区域存在耕地损害的情况。又或者，第一特征信息指示土地质量正常，但是第二特征信息指示在的耕地区域出现了异常目标，例如大型机械设备进行施工，或者，耕地区域出现了大面积的异常斑点，则确定该待监测耕地区域存在耕地损坏的情况。
本实施例提供的耕地智慧保护方法，服务器在收集了待监测耕地区域一段时间的数据之后，基于本实施例中的方案，对图像数据和质量数据分别进行分析处理，得到第一特征信息和第二特征信息，再基于这两个特征信息综合判断耕地区域是否存在损害情况，由于增加了数据类型和更多维度数据的采集，本发明提供的方案能够更全面的识别各种类型的耕地损害行为，并且整个过程并不需要人工进行的识别判断，还进一步提高了处理效率和准确度。
图4为本发明提供的耕地智慧保护方法实施例三的流程示意图，如图4所示，在前述两个实施例的基础上，步骤S23可以具体实现为以下步骤：
S231，基于卷积神经网络构建初始图像识别模型，基于预先获取的卫星图像样本数据集以及实景图像样本集合分别对所述初始图像识别模型进行训练，得到第一图像识别模型和第二图像识别模型。
在本步骤中，所述第一图像识别模型用于识别卫星图像中耕地区域中是否存在异常斑点，所述第二图像识别模型用于识别图像中是否存在异常目标，所述异常目标包括施工设备，围挡以及垃圾堆等本不应该出现在耕地区域的目标。
在本步骤方案的具体实现中，服务器需要预先获取卫星图像样本数据集，其中，卫星图像样本数据集中包括多个高清卫星图像，并且预先通过人工对每个高清卫星图像中出现在土壤区域的异常斑点进行了标定，服务器根据卷积神经网络创建初始模型，并将该卫星图像样本数据集中的数据按照预设比例（例如：9：1的比例）作为训练数据和验证数据，对所述初始模型进行模型训练和验证，最终得到能够识别卫星图像中的耕地土壤中出现的异常斑点的第一图像识别模型。
同样的，服务器预先获取实景图像样本集合，其中，实景图像样本集合中包括多个摄像机拍摄的耕地的高清图像，并且预先通过人工对每个高清图像中出现在土壤区域的异常目标都进行了标定，服务器根据卷积神经网络创建初始模型，并将该实景图像样本集合中的数据按照预设比例（例如：9：1的比例）作为训练数据和验证数据，对所述初始模型进行模型训练和验证，最终得到能够识别摄像头拍摄的高清图像中的耕地区域中出现的异常目标的第二图像识别模型。
S232，将所述卫星图像数据集合中的图像分别输入所述第一图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常斑点。
在本步骤中，服务器在训练得到了图像识别模型之后，在获取到卫星图像数据集合之后，将其中的高清卫星图像分别输入第一图像识别模型进行识别处理，确定该预设时间段内该待监测耕地区域中是否存在异常斑点。
S233，将所述实景图像集合中的图像分别输入所述第二图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常目标。
在本步骤中，服务器在训练得到了图像识别模型之后，在获取到实景图像集合之后，将其中的高清图像分别输入第二图像识别模型进行识别处理，确定该预设时间段内该待监测耕地区域中是否存在异常目标。
在采用上述两个图像识别模型识别出该待监测耕地区域在这段时间是否出现了异常目标和/或异常斑点之后，生成第二特征信息。所述第二特征信息包括在所述预设时间段内出现在所述待监测耕地区域的所有异常斑点和所有异常目标。
本实施例提供的耕地智慧保护方法，通过卷积神经网络训练用于对耕地区域的卫星图像以及实景图像进行识别的模型，从而在具体应用过程中，对卫星图像和实景图像分别进行识别，确定出其中出现的异常斑点和异常目标，结合对于土地质量数据的分析处理，最终确定该待监测耕地区域是否存在耕地损害的情况，相较于现有技术中只采用拍摄的照片通过人工识别的方式，该方案结合多维度的数据，对耕地损害行为识别更全面，并给结合了机器学习的方式，提高了处理效率和准确度。
在上述任一实施例的基础上，当服务器确定出该待监测耕地区域出现了耕地损害情况或者耕地损害行为之后，需要向有关部门和有关工作人员发送指示，对当前的损害情况进行处理，具体的，可以有以下几种方式：
第一种方式，若服务器确定出所述预设时间段内所述待监测耕地区域存在耕地损害的情况，则向所述待监测耕地区域对应的巡查人员的终端设备发送巡查指示，所述巡查指示用于指示所述巡查人员对所述待监测耕地区域进行巡查。
该方案中需要现场的巡查人员的配合，虽然通过前述方式检测出了耕地损害的情况，但是具体的情况还是需要现场人员配合调查，因此可以向巡查人员的终端设备发送巡查指示，以便确定具体的损害情况，避免误判。同时对于不是很严重的损害情况巡查人员可以直接进行处理。
第二种方式，服务器在确定出待监测耕地区域存在耕地损害的情况后，直接想警务部门发送处理指示，指示警务部门抵达现场进行处理。
第三种方式，在上述第一种方式的基础上，服务器可接收所述巡查人员的所述终端设备上传的巡查结果，所述巡查结果用于通知所述待监测耕地区域具体的耕地损害行为，由现场人员落实实际的情况，确定具体的损害行为，并将巡查结果上传至服务器。
若服务器确定所述耕地损害行为属于预设的违法违规行为集合中的行为，则向警务部门的终端设备发送处理指示，所述处理指示用于指示对耕地损害行为进行处理。
也就是说由服务器进一步根据现场巡查人员上传的具体损害行为，基于预先配置的比较严重的违法违规行为集合，确定对于耕地损害的损害行为是否已经涉嫌违规违法，如果具体的损害行为属于违法违规行为集合，则需要进行报警处理，例如可以向警务部分的终端设备发送处理指示，以便对该损害行为及时进行处理。
本具体实现方式提供的耕地智慧保护方法，不但在技术上实现了多个维度的数据采集，通过人工智能机器学习的方式对采集到的多维度数据进行综合分析处理，提高对耕地损害情况识别的全面性和识别效率，并且结合人防措施，在迅速识别出违法违规占用耕地行为后，迅速安排专门的人员进行处理，以最快的速度处理完损坏行为，保护耕地的安全，从而保障粮食安全战略。
图5为本发明提供的耕地智慧保护装置实施例一的示意图，如图5所示，该耕地智慧保护装置100包括：
卫星图像获取模块101，用于根据预设时间间隔，获取卫星对待监测耕地区域拍摄的多个高清卫星图像；
质量数据获取模块102，用于根据设置在待监测耕地区域内的至少一个传感器，实时获取所述待监测耕地区域的土地质量数据，所述土地质量数据至少包括有机质含量以及PH值；
视频数据获取模块103，用于通过高清摄像头拍摄获取所述待监测耕地区域的多个高清视频，所述多个高清视频中包括从至少两个视角拍摄获取到的视频；
存储模块104，用于将所述多个高清卫星图像，所述土地质量数据以及所述多个高清视频加入所述待监测耕地区域对应的智保数据库，所述智保数据库中的数据用于确定所述待监测耕地区域是否存在耕地损害的情况。
图6为本发明提供的耕地智慧保护装置实施例二的示意图，如图6所示，在上述实施例的基础上，该耕地智慧保护装置100还包括：
第一处理模块105，用于根据所述智保数据库中预设时间段内的数据，构建所述待监测耕地区域在所述预设时间段内的卫星图像数据集合，实景图像集合和质量数据集合；
第二处理模块106，用于基于K-means算法对所述质量数据集合中的数据进行特征提取，得到用于表征所述待监测耕地区域的土地质量的第一特征信息；
第三处理模块107，用于基于卷积神经网络的图像识别算法对所述卫星图像数据集合以及实景图像集合进行处理，得到用于表征所述待监测耕地区域中是否存在损害行为的第二特征信息；
所述第四处理模块108，用于根据所述第一特征信息和所述第二特征信息，确定所述预设时间段内待监测耕地区域是否存在耕地损害的情况。
可选的，所述第一处理模块105具体用于：
将所述预设时间段内的所述多个高清视频，分别按照预设时间间隔进行图像帧采样，将所有采样得到的图像确定为所述实景图像集合。
可选的，所述第二处理模块106具体用于：
根据所述质量数据集合，采用公式，分别计算的密集度：其中，是距离最近的t个质量数据点的集合，是质量数据点与的距离，i为小于或等于所述质量数据集中数据总数n的正整数；
从所述质量数据集合，中随机选择M个质量数据作为初始聚类中心，基于所述M个聚类中心将所述质量数据集合Y分为M个簇，每个簇中有个质量数据点，假设的密集度为，D为所有质量数据的平均密集度，其中，；
当时，根据公式：，以及公式
计算每个聚类中心的阈值；
当时，根据公式：，以及公式：计算每个聚类中心的阈值；
根据每个聚类中心的阈值，确定每个聚类中心对应的最大邻近半径数据集；
选择密集度最大的点作为初始聚类中心，并从所述质量数据集合Y中删除所述所对应的最大邻近半径数据集，并重复本步骤直至选择出最终的M个聚类中心；
基于所述M个聚类中心，对所述质量数据集合进行聚类处理，确定出所述质量数据集合对应的所述第一特征信息。
可选的，所述第三处理模块107具体用于：
基于卷积神经网络构建初始图像识别模型，基于预先获取的卫星图像样本数据集以及实景图像样本集合分别对所述初始图像识别模型进行训练，得到第一图像识别模型和第二图像识别模型，所述第一图像识别模型用于识别卫星图像中耕地区域中是否存在异常斑点，所述第二图像识别模型用于识别图像中是否存在异常目标，所述异常目标包括施工设备，围挡以及垃圾堆；
将所述卫星图像数据集合中的图像分别输入所述第一图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常斑点；
将所述实景图像集合中的图像分别输入所述第二图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常目标；
其中，所述第二特征信息包括在所述预设时间段内出现在所述待监测耕地区域的所有异常斑点和所有异常目标。
可选的，所述第四处理模块108具体用于：
若在所述预设时间段内，所述第一特征信息指示所述待监测耕地区域的土地质量异常，或者，所述第二特征信息指示所述待监测耕地区域中出现异常斑点和/或异常目标，则确定所述预设时间段内待监测耕地区域存在耕地损害的情况。
可选的，该耕地智慧保护装置100还包括：
发送模块109，用于若确定出所述预设时间段内所述待监测耕地区域存在耕地损害的情况，则向所述待监测耕地区域对应的巡查人员的终端设备发送巡查指示，所述巡查指示用于指示所述巡查人员对所述待监测耕地区域进行巡查。
可选的，该耕地智慧保护装置100还包括：
接收模块110，用于接收所述巡查人员的所述终端设备上传的巡查结果，所述巡查结果用于通知所述待监测耕地区域具体的耕地损害行为；
所述发送模块109还用于若所述耕地损害行为属于预设的违法违规行为集合中的行为，则向警务部门的终端设备发送处理指示，所述处理指示用于指示对耕地损害行为进行处理。
前述任一实施例提供的耕地智慧保护装置，用于执行前述任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
图7为本发明提供的服务器实施例的示意图，如图7所示，该服务器200包括：
处理器201，存储器202以及与所述其他设备进行数据传输的传输接口203；
所述存储器202存储计算机执行指令；
所述处理器201执行所述存储器202存储的计算机执行指令，以实现前述任一方法实施例中的技术方案。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现前述任一方法实施例的技术方案。
在上述服务器的实施例中，应理解，处理器可以是中央处理单元（英文：CentralProcessing Unit，简称：CPU），还可以是其他通用处理器、数字信号处理器（英文：DigitalSignal Processor，简称：DSP）、专用集成电路（英文：Application Specific IntegratedCircuit，简称：ASIC）等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种耕地智慧保护方法，其特征在于，应用于服务器，所述方法包括：
根据预设时间间隔，获取卫星对待监测耕地区域拍摄的多个高清卫星图像；
根据设置在待监测耕地区域内的至少一个传感器，实时获取所述待监测耕地区域的土地质量数据，所述土地质量数据至少包括有机质含量以及PH值；
通过高清摄像头拍摄获取所述待监测耕地区域的多个高清视频，所述多个高清视频中包括从至少两个视角拍摄获取到的视频；
将所述多个高清卫星图像，所述土地质量数据以及所述多个高清视频加入所述待监测耕地区域对应的智保数据库，所述智保数据库中的数据用于确定所述待监测耕地区域是否存在耕地损害的情况；
根据所述智保数据库中预设时间段内的数据，构建所述待监测耕地区域在所述预设时间段内的卫星图像数据集合，实景图像集合和质量数据集合；
基于K-means算法对所述质量数据集合中的数据进行特征提取，得到用于表征所述待监测耕地区域的土地质量的第一特征信息；
基于卷积神经网络的图像识别算法对所述卫星图像数据集合以及实景图像集合进行处理，得到用于表征所述待监测耕地区域中是否存在损害行为的第二特征信息；
根据所述第一特征信息和所述第二特征信息，确定所述预设时间段内待监测耕地区域是否存在耕地损害的情况；
其中，所述基于K-means算法对所述质量数据集合中的数据进行特征提取，得到用于表征所述待监测耕地区域的土地质量的第一特征信息，包括：
根据所述质量数据集合Y={y1，y2，…，yn}采用，分别计算的密集度：其中，是距离最近的t个质量数据点的集合，是质量数据与的距离，i为小于或等于所述质量数据集中数据总数n的正整数；
从所述质量数据集合Y={y1，y2，…，yn}，中随机选择M个质量数据作为初始聚类中心{q1，q2，…，qm}，基于所述M个质量数据将所述质量数据集合Y分为M个簇，每个簇中有个质量数据点，假设的密集度为，D为所有质量数据的平均密集度，其中，；
当时，根据公式：，以及公式
，计算每个聚类中心的阈值；
当时，根据公式：,以及公式：计算每个聚类中心的阈值；
根据每个聚类中心的阈值，确定每个聚类中心对应的最大邻近半径数据集;
选择密集度最大的点作为初始聚类中心，并从所述质量数据集合Y中删除所述所对应的最大邻近半径数据集，并重复本步骤直至选择出最终的M个聚类中心；
基于所述M个聚类中心，对所述质量数据集合进行聚类处理，确定出所述质量数据集合对应的所述第一特征信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述智保数据库中预设时间段内的数据，构建所述待监测耕地区域在所述预设时间段内的实景图像集合，包括：
将所述预设时间段内的所述多个高清视频，分别按照预设时间间隔进行图像帧采样，将所有采样得到的图像确定为所述实景图像集合。
3.根据权利要求1所述的方法，其特征在于，所述基于卷积神经网络的图像识别算法对所述卫星图像数据集合以及实景图像集合进行处理，得到用于表征所述待监测耕地区域中是否存在损害行为的第二特征信息，包括：
基于卷积神经网络构建初始图像识别模型，基于预先获取的卫星图像样本数据集以及实景图像样本集合分别对所述初始图像识别模型进行训练，得到第一图像识别模型和第二图像识别模型，所述第一图像识别模型用于识别卫星图像中耕地区域中是否存在异常斑点，所述第二图像识别模型用于识别图像中是否存在异常目标，所述异常目标包括施工设备，围挡以及垃圾堆；
将所述卫星图像数据集合中的图像分别输入所述第一图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常斑点；
将所述实景图像集合中的图像分别输入所述第二图像识别模型，确定在所述预设时间段内所述待监测耕地区域是否存在异常目标；
其中，所述第二特征信息包括在所述预设时间段内出现在所述待监测耕地区域的所有异常斑点和所有异常目标。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征信息和所述第二特征信息，确定所述预设时间段内待监测耕地区域是否存在耕地损害的情况，包括：
若在所述预设时间段内，所述第一特征信息指示所述待监测耕地区域的土地质量异常，或者，所述第二特征信息指示所述待监测耕地区域中出现异常斑点和/或异常目标，则确定所述预设时间段内待监测耕地区域存在耕地损害的情况。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若确定出所述预设时间段内所述待监测耕地区域存在耕地损害的情况，则向所述待监测耕地区域对应的巡查人员的终端设备发送巡查指示，所述巡查指示用于指示所述巡查人员对所述待监测耕地区域进行巡查。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
接收所述巡查人员的所述终端设备上传的巡查结果，所述巡查结果用于通知所述待监测耕地区域具体的耕地损害行为；
若所述耕地损害行为属于预设的违法违规行为集合中的行为，则向警务部门的终端设备发送处理指示，所述处理指示用于指示对耕地损害行为进行处理。
7.一种耕地智慧保护装置，其特征在于，包括：
卫星图像获取模块，用于根据预设时间间隔，获取卫星对待监测耕地区域拍摄的多个高清卫星图像；
质量数据获取模块，用于根据设置在待监测耕地区域内的至少一个传感器，实时获取所述待监测耕地区域的土地质量数据，所述土地质量数据至少包括有机质含量以及PH值；
视频数据获取模块，用于通过高清摄像头拍摄获取所述待监测耕地区域的多个高清视频，所述多个高清视频中包括从至少两个视角拍摄获取到的视频；
存储模块，用于将所述多个高清卫星图像，所述土地质量数据以及所述多个高清视频加入所述待监测耕地区域对应的智保数据库，所述智保数据库中的数据用于确定所述待监测耕地区域是否存在耕地损害的情况；
第一处理模块，用于根据所述智保数据库中预设时间段内的数据，构建所述待监测耕地区域在所述预设时间段内的卫星图像数据集合，实景图像集合和质量数据集合；
第二处理模块，用于基于K-means算法对所述质量数据集合中的数据进行特征提取，得到用于表征所述待监测耕地区域的土地质量的第一特征信息；
第三处理模块，用于基于卷积神经网络的图像识别算法对所述卫星图像数据集合以及实景图像集合进行处理，得到用于表征所述待监测耕地区域中是否存在损害行为的第二特征信息；
第四处理模块，用于根据所述第一特征信息和所述第二特征信息，确定所述预设时间段内待监测耕地区域是否存在耕地损害的情况；
其中，所述第二处理模块具体用于：
根据所述质量数据集合Y={y1，y2，…，yn}采用，分别计算的密集度：其中，是距离最近的t个质量数据点的集合，是质量数据与的距离，i为小于或等于所述质量数据集中数据总数n的正整数；
从所述质量数据集合Y={y1，y2，…，yn}，中随机选择M个质量数据作为初始聚类中心{q1，q2，…，qm}，基于所述M个质量数据将所述质量数据集合Y分为M个簇，每个簇中有个质量数据点，假设的密集度为，D为所有质量数据的平均密集度，其中，；
当时，根据公式：,以及公式
计算每个聚类中心的阈值；
当时，根据公式：,以及公式：计算每个聚类中心的阈值；
根据每个聚类中心的阈值，确定每个聚类中心对应的最大邻近半径数据集;
选择密集度最大的点作为初始聚类中心，并从所述质量数据集合Y中删除所述所对应的最大邻近半径数据集，并重复本步骤直至选择出最终的M个聚类中心；
基于所述M个聚类中心，对所述质量数据集合进行聚类处理，确定出所述质量数据集合对应的所述第一特征信息。
8.一种耕地智慧保护系统，其特征在于，包括：
用于进行数据存储和处理的服务器，设置于待监测耕地区域的多个传感器，设置在待监测耕地区域周围高塔上的多个高清摄像头以及高清图像采集卫星；
其中，所述多个传感器包括用于测试土壤PH值的传感器以及用于测试土壤有机质含量的传感器，所述多个传感器通过设置在待监测耕地区域的无线传输设备与所述服务器进行交互；
所述高清图像采集卫星通过地面站与所述服务器进行交互；
所述多个高清摄像头通过无线通信模块与所述服务器进行交互；
所述服务器用于执行权利要求1至6任一项所述的耕地智慧保护方法。
CN202211660113.5A 2022-12-23 2022-12-23 耕地智慧保护方法及保护系统 Active CN115631421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211660113.5A CN115631421B (zh) 2022-12-23 2022-12-23 耕地智慧保护方法及保护系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211660113.5A CN115631421B (zh) 2022-12-23 2022-12-23 耕地智慧保护方法及保护系统

Publications (2)

Publication Number Publication Date
CN115631421A CN115631421A (zh) 2023-01-20
CN115631421B true CN115631421B (zh) 2023-05-12

Family

ID=84910001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211660113.5A Active CN115631421B (zh) 2022-12-23 2022-12-23 耕地智慧保护方法及保护系统

Country Status (1)

Country Link
CN (1) CN115631421B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597107B (zh) * 2023-07-14 2023-12-19 广东绘宇智能勘测科技有限公司 一种数字乡村信息化建模方法及系统
CN117610745A (zh) * 2024-01-23 2024-02-27 山东省国土测绘院 一种自然资源动态监测系统
CN117746259B (zh) * 2024-02-19 2024-05-03 湖南省第二测绘院 一种基于地图引擎的耕地监管方法及系统
CN118102032B (zh) * 2024-04-26 2024-06-25 江苏瞭望神州大数据科技有限公司 基于自然资源耕地保护场景视频管理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6836385B2 (ja) * 2016-12-21 2021-03-03 株式会社トプコン 位置特定装置、位置特定方法およびプログラム
CN109344810A (zh) * 2018-11-26 2019-02-15 国智恒北斗科技集团股份有限公司 一种基于高分卫星遥感数据的耕地变化监测方法及系统
CN111667183A (zh) * 2020-06-08 2020-09-15 重庆市国土整治中心 一种耕地质量监测方法及系统

Also Published As

Publication number Publication date
CN115631421A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN115631421B (zh) 耕地智慧保护方法及保护系统
Wang et al. A deep learning approach incorporating YOLO v5 and attention mechanisms for field real-time detection of the invasive weed Solanum rostratum Dunal seedlings
Reis et al. Automatic detection of bunches of grapes in natural environment from color images
CN112990262B (zh) 一种草原生态数据监测与智能决策一体化解决系统
CN110213376B (zh) 一种用于虫害预防的信息处理系统及方法
CN110188962B (zh) 基于农业物联网的水稻供应链信息处理方法
CN109544501A (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
CN110197308B (zh) 一种用于农业物联网的作物监测系统及方法
CN111767802A (zh) 一种对象异常状态的检测方法和装置
CN112461828A (zh) 一种基于卷积神经网络的病虫害智能测报预警系统
CN110210408B (zh) 基于卫星与无人机遥感结合的作物生长预测系统及方法
CN103090946B (zh) 果树单树产量测量的方法和系统
Grocholsky et al. A camera and laser system for automatic vine balance assessment
CN114898238A (zh) 一种野生动物遥感识别方法及装置
CN107977531B (zh) 一种基于图像处理和数学模型的接地电阻软测量方法
CN115661647A (zh) 一种树木栽种生长状况的定时巡检方法
CN110197381B (zh) 基于农业物联网综合服务管理系统的可追溯信息处理方法
Jacob et al. An Intelligent Agricultural Field Monitoring and Management System using Internet of Things and Machine Learning
CN111239131A (zh) 一种ai智能水环保实时监测平台
Reis et al. A low-cost system to detect bunches of grapes in natural environment from color images
CN116818002A (zh) 一种基于大数据的智慧农业种植监控系统
CN115314851A (zh) 一种基于大数据平台的农业信息化管理平台
Reis et al. Automatic detection of white grapes in natural environment using image processing
CN111238448B (zh) 一种非破坏性监测草地植物物种多样性的方法
CN114782519A (zh) 基于点云信息的球形或类球形物体定位方法、装置及介质

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
GR01 Patent grant
GR01 Patent grant