CN115760886A - 基于无人机鸟瞰图的地块划分方法、装置及相关设备 - Google Patents
基于无人机鸟瞰图的地块划分方法、装置及相关设备 Download PDFInfo
- Publication number
- CN115760886A CN115760886A CN202211430930.1A CN202211430930A CN115760886A CN 115760886 A CN115760886 A CN 115760886A CN 202211430930 A CN202211430930 A CN 202211430930A CN 115760886 A CN115760886 A CN 115760886A
- Authority
- CN
- China
- Prior art keywords
- plot
- segmentation
- target
- unmanned aerial
- aerial vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 145
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 240000004050 Pentaglottis sempervirens Species 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000005520 cutting process Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 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
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例属于人工智能及地块划分领域,涉及一种基于无人机鸟瞰图的地块划分方法,包括:通过无人机获取目标地块的鸟瞰图并进行预处理;将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果,所述地块分割结果包括所述目标地块的所有分割实例;对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模;对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分。可以实现对目标地块完整而精准的地块划分,提高基于无人机鸟瞰图的各种农田地块划分的准确率。且本发明实施例的训练好的地块划分模型具有很好的泛化性能,且适用性好,能够应用于各种场景和地形下的农田地块划分。
Description
技术领域
本申请涉及人工智能及地块划分技术领域,尤其涉及基于无人机鸟瞰图的地块划分方法、装置、计算机设备及可读存储介质。
背景技术
无人机鸟瞰技术因具有机动灵活、低成本、高效获取高分辨率影像等优点,在农业大面积影像数据获取方面具有独特优势。目前,无人机航拍技术正被广泛用于地物划分、灾害监测、土地利用规划以及农险理赔定损等方面。由于无人机所拍摄的农业影像幅面大,影像分辨率高,快速准确提取地块边界在作物分类、生产状况监测、营养诊断以及灾害面积统计等信息获取中发挥着重要作用,可为农险在验标以及灾害定损方面提供有力的依据。
尽管基于传统的图像处理和机器学习方法等相关研究在农田地块边界提取上取得了一定进展,但其受灌溉方式、地形起伏、各种天气情况以及自然灾害等因素影响,不同地区的农田地块在形状和大小上也存在较大差异,大部分算法只适用于特定场景下的小面积农田地块区域,但随着无人机鸟瞰图像逐渐应用于越来越广泛且复杂的场景,上述算法已经远远不能满足真实生产需求,且算法的泛化能力也不够,无法准确地将各式各样的农田地块按边界进行划分。
发明内容
本申请实施例的目的在于提出一种基于无人机鸟瞰图的地块划分方法,可以提高基于无人机鸟瞰图的地块划分的准确率。
为了解决上述技术问题,本申请实施例提供一种基于无人机鸟瞰图的地块划分方法,采用了如下所述的技术方案:
所述基于无人机鸟瞰图的地块划分方法包括下述步骤:
通过无人机获取目标地块的鸟瞰图并进行预处理;
将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果,所述地块分割结果包括所述目标地块的所有分割实例;
对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模;
对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分。
进一步的,所述通过无人机获取目标地块的鸟瞰图并进行预处理包括:
通过无人机采集目标地块的多张地块图像并拼接成目标地块的鸟瞰图;
对所述目标地块的鸟瞰图进行重叠裁剪得到裁剪图,并记录裁剪图在鸟瞰图中的位置信息。
进一步的,所述将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果的步骤包括:
基于HTC实例分割算法构建地块分割模型;
获取预构建的无人机地块鸟瞰图数据集并进行数据预处理,利用预处理后的数据训练所述地块分割模型,得到训练好的地块分割模型;
获取所述预处理后的目标地块鸟瞰图的裁剪图,将所述裁剪图依次输入所述训练好的地块分割模型,得到对应地块的分割实例。
进一步的,所述获取预构建的无人机地块鸟瞰图数据集并进行数据预处理的步骤之前,还包括:
从生产环境中采集不同场景下的农田地块的无人机可见光图像,将采集的图像拼成一张地块鸟瞰图并进行标注;
对标注好的地块鸟瞰图数据集进行掩模和裁剪预处理;
将预处理后的地块鸟瞰图数据集转换成标准的数据格式,得到标准无人机地块鸟瞰图数据集。
进一步的,在所述获取所述预处理后的目标地块鸟瞰图的裁剪图,将所述裁剪图依次输入所述训练好的地块分割模型,得到对应地块的分割实例的步骤之后,还包括:
将所有的分割实例进行实例编码后与其位置信息相绑定。
进一步的,所述对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模的步骤包括:
新建与所述目标地块鸟瞰图大小一致的全零掩模;
根据分割实例的编码与其位置信息,将所有的分割实例在所述全零掩模上对应的位置处对所述分割实例重新进行掩模填充,得到所有分割实例的掩模。
进一步的,所述对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分包括:
对分割实例的掩模进行边界线检测,得到分割实例的边界线;
对所述分割实例的边界线进行膨胀操作,将边界线重合的分割实例的编码统一;
将编码相同的分割实例进行融合,并根据融合结果对所述目标地块进行地块划分。
为了解决上述技术问题,本申请实施例还提供一种基于无人机鸟瞰图的地块划分装置,包括:
获取模块,用于通过无人机获取目标地块的鸟瞰图并进行预处理;
分割模块,用于将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果,所述地块分割结果包括所述目标地块的所有分割实例;
填充模块,用于对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模;
划分模块,用于对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现所述的基于无人机鸟瞰图的地块划分方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现所述的基于无人机鸟瞰图的地块划分方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:本发明实施例通过无人机获取目标地块的鸟瞰图并进行裁剪、增强等预处理,然后输入经过多种不同场景下采集的无人机地块鸟瞰图数据集训练的地块分割模型,可以对所述目标地块的进行初步细分,得到目标地块所有的分割实例;然后对所述目标地块的所有分割实例进行全零掩模填充,得到所有分割实例的新的掩模,并对所有分割实例的新掩模进行边界检测和融合,根据融合结果将属于同一个地块的分割实例进行合并,从而实现对目标地块的所有分割实例完整而精准的地块划分,最终提高基于无人机鸟瞰图的各种农田地块划分的准确率。且本发明实施例的训练好的地块划分模型具有很好的泛化性能,且适用性好,能够应用于各种场景和地形下的农田地块划分。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的基于无人机鸟瞰图的地块划分方法的一个实施例的流程图;
图3是根据本申请的地块划分模型的整体结构示意图;
图4是根据本申请的基于无人机鸟瞰图的地块划分装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,图1是本申请可以应用于其中的示例性系统架构图,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如摄像/录像应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持APP、网页浏览的各种摄像设备,包括但不限于摄像头、录像机以及带有摄像功能的智能手机、平板电脑、便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于无人机鸟瞰图的地块划分方法一般由服务器/终端设备执行,相应地,基于无人机鸟瞰图的地块划分装置一般设置于服务器/终端设备中,然后通过终端设备和网络将获取的目标地块的鸟瞰图图像数据传输到服务器进行处理。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于无人机鸟瞰图的地块划分方法的一个实施例的流程图。所述的基于无人机鸟瞰图的地块划分方法,包括以下步骤:
步骤201:通过无人机获取目标地块的鸟瞰图并进行预处理。
在本实施例中,上述基于无人机鸟瞰图的地块划分方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式从具有摄像功能的无人机获取目标地块的多张地块图像数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
进一步的,上述步骤201包括:
2011、通过无人机采集目标地块的多张地块图像并拼接成目标地块的鸟瞰图;
2012、对所述目标地块的鸟瞰图进行重叠裁剪得到裁剪图,并记录裁剪图在鸟瞰图中的位置信息。
在本发明实施例中,首先通过无人机拍摄目标地块不同视角下的多张图像,然后通过图像拼接算法,如RANSAC算法,将这些不同视角下的多张图像进行拼接,得到一整张目标地块的鸟瞰图;进一步的对得到的目标地块的鸟瞰图进行重叠裁剪,裁剪尺寸为1024*1024,裁剪步长为512个像素点,即在目标地块的鸟瞰图上每隔512个像素点截取尺寸为1024*1024的图像数据,这样裁剪后得到的相邻的裁剪图有部分图像是重叠的,从而将整张鸟瞰图裁剪成多张1024*1024的裁剪图,同时记录下每张裁剪图在原鸟瞰图中的起始位置信息(如横纵坐标),裁剪图还可以采用图像亮度、饱和度和对比度随机变换、通道交换、图像随机水平翻转、运动模糊、中值模糊、图像质量压缩进行图像等方式进行增强处理,便于地块分割模型进行地块识别和分割,从而提高模型的鲁棒性和准确性。
步骤202:将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果,所述地块分割结果包括所述目标地块的所有分割实例。
进一步的,上述步骤202包括:
2021、基于HTC实例分割算法构建地块分割模型;
2022、获取预构建的无人机地块鸟瞰图数据集并进行数据预处理,利用预处理后的数据训练所述地块分割模型,得到训练好的地块分割模型;
2023、获取所述目标地块鸟瞰图的裁剪图,将所述裁剪图依次输入所述训练好的地块分割模型,得到对应地块的分割实例。
在本发明实施例中,上述基于HTC实例分割算法构建的地块分割模型如图3所示,上述地块分割模型具体使用带空洞卷积的Resnet50作为backbone骨干网络进行层级特征提取,通过五层的卷积操作得到backbone骨干网络的五个层级的特征图,即每个层级的特征图将在前一级特征图的基础上作进一步的提取特征而得到其一半大小(即图中的1/2、1/4...1/32)的更高层次的特征图,空洞卷积可以提高地块分割模型的感受野,提取到更多的特征;使用特征金字塔网络PAFPN(即图3中的FPN)作为neck颈部网络,可以融合上述骨干网络提取的具有高语义信息的深层特征和具有高分辨率信息的低层特征,从而增强地块分割模型对不同尺度地块的分割准确率;然后通过渐进式细化的级联操作构建地块分割模型的头部网络,具体包括边界框回归分支网络RCNN_head和掩模预测分支网络mask_head,且两个分支网络都分别包括三个级联阶段,每个阶段的网络结构一致,所不同的是每个阶段使用的iou阈值不一样(分别为0.5,0.6,0.7);上述特征金字塔网络PAFPN提取到的特征需经过RoiAlign边界对齐操作再分别送入边界框回归分支网络RCNN_head和掩模预测分支网络mask_head,其中,边界框回归分支网络可以对特征金字塔网络PAFPN生成的粗边框进行进一步的回归,提高边界框的回归精度;掩模预测分支网络是对RoiAlign后的28*28的特征图进行上采样操作,可以得到每个分割实例更为精细的掩膜。需要说明的是,在级联的每个阶段,边界框回归和掩模预测都以多任务方式组合,即不同阶段的掩模预测分支网络之间直接连接,每个阶段的掩模特征将被馈送到下一个阶段,且每个阶段的边界框回归分支网络得到的边界框将被送入本阶段的掩模预测分支网络;在掩模预测分支网络中,对候选的边界框进行RoilAlign对齐操作时尺度由14*14优化为28*28,可以提高掩膜预测的精细度,从而可以得到更加精细的地块分割实例。
值得说明的是,上述获取预构建的无人机地块鸟瞰图数据集并进行数据预处理的步骤之前,还包括:
从生产环境中采集不同场景下的农田地块的无人机可见光图像,将采集的图像拼成一张地块鸟瞰图并进行标注;
对标注好的地块鸟瞰图数据集进行掩模和裁剪预处理;
将预处理后的地块鸟瞰图数据集转换成标准的数据格式,得到标准无人机地块鸟瞰图数据集。
在本发明实施例中,首先,从生产环境中采集关于农田地块的无人机可见光图像,采集图像时尽可能覆盖不同的常见场景,例如水灾、倒伏、干旱及冰雹等,而且地块的类型也要尽可能覆盖,例如水田、梯田以及平原等;然后利用图片拼接算法拼成一张鸟瞰图,对其沿着农田地块的边界进行多边形标注获得农田区域,并将对应的多边形标注点坐标和是否是农田记录下来,形成包含不同类别标签数据的地块鸟瞰图数据集。
其次,对标注好的农田地块鸟瞰图数据集进行预处理,即根据标注框生成农田地块的掩膜,接着对鸟瞰图和对应的掩膜进行重叠裁剪,得到尺寸为512*512的正方形图像块,去除不包含农田地块区域的图像块,并按照9:1的比例随机划分成训练集和验证集。
最后,将训练集和验证集转换成标准的coco数据格式,得到标准无人机地块鸟瞰图数据集,方便对上述构建的地块分割模型进行模型训练,得到训练好的地块分割模型;在训练时,可以使用随机垂直翻转、随机水平翻转、随机角度旋转、随机颜色变换、随机尺度缩放以及随机通道变换等数据增强方法,其中边界框回归分支网络和掩模预测分支网络都采用交叉熵损失函数,加大对困难样本的惩罚程度,可以提高上述地块分割模型进行地块实例分割的准确度,并通过上述训练好的地块分割模型对获取的目标地块鸟瞰图进行地块划分,从而可以得到更加精细的所有地块分割实例。
本发明实施例的训练好的地块划分模型具有很好的泛化性能,能够满足广泛且复杂的各种真实生产的需求,在水灾、倒伏、干旱及冰雹等自然条件下也保持能高精度的农田地块识别效果,且适用性好,可广泛适用于平原、丘陵、山地等各种地形差异大的农田地界识别。
更进一步的,在上述步骤2023之后,上述基于无人机鸟瞰图的地块划分方法还包括:
2024、将所有的分割实例进行实例编码后与其位置信息相绑定。
在本发明实施例中,在通过上述训练好的地块分割模型对获取的目标地块鸟瞰图进行地块划分得到地块所有的分割实例后,对每个分割实例进行编码,如使用阿拉伯数字1、2、3...或字母a、b、c等对每个分割实例进行标记,并将每个分割实例的标记与其在鸟瞰图中的位置信息(如坐标)一一对应地写入一张编码表(如数据库的表)里进行绑定,并将编码表保存下来,方便后续进行读取和使用。
步骤203:对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模。
进一步的,上述步骤203具体包括:
2031、新建与所述目标地块鸟瞰图大小一致的全零掩模;
2032、根据分割实例的编码与其位置信息,将所有的分割实例在所述全零掩模上对应的位置处对所述分割实例重新进行掩模填充,得到所有分割实例的掩模。
在本发明实施例中,首先生成一张与上述目标地块鸟瞰图大小一致的图像并将图像中的每个像素点的值设置为0,即得到一张全黑的全零掩模;然后从步骤2024中的编码表里读取得到所有地块的分割实例的编码(标记)与其位置信息,根据位置信息将所有的分割实例在上述全零掩模上对应的位置处对对应的分割实例重新进行填充,即,将每个分割实例的掩模还原到全零掩模上,得到每个分割实例的新的掩模,将所有的分割实例还原到全零掩模上后即可得到用掩模表示的整张地块划分图。
步骤204:对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分。
进一步的,上述步骤204具体包括:
2041、对分割实例的掩模进行边界线检测,得到分割实例的边界线;
2042、对所述分割实例的边界线进行膨胀操作,将边界线重合的分割实例的编码统一;
2043、将编码相同的分割实例进行融合,并根据融合结果对所述目标地块进行地块划分。
在本发明实施例中,由于上述对无人机鸟瞰图的重叠裁剪,可能会导致上述地块分割模型将图像中的同一个地块分割成不同实例的情况,使得同一个地块的分割实例包括多个不同的标记,因此需要将属于同一地块的所有标记重新统一编码,使得每个地块实例的编码都是唯一的。具体的,可以在得到的用掩模表示的整张地块划分图上,对分割实例的掩模进行边界线检测,即对掩模进行水平线和垂直线的检测,由于不同掩模边界处形成了很明显的水平边界线或者垂直边界线,因此可以用传统的图像算法提取出掩模的水平边界线和/或者垂直边界线,再对掩模的水平边界线和/或者垂直边界线进行膨胀操作,即,将水平边界线和/或者垂直边界线变粗来寻找掩模的边界轮廓,并获取那些边界线重合的掩模的实例编码,将掩模边界线重合的分割实例的编码统一为同一个。最后,将实例编码相同的分割实例的掩模进行融合,去掉分割实例间的掩模边界线,将实例编码相同的分割实例的掩模融合为一个,从而实现对一个地块被切分成不同实例的情况下进行实例的合并,重复上述操作即可对目标地块的所有分割实例进行完整而精准的地块划分。
综上所述,本发明实施例通过无人机获取目标地块的鸟瞰图并进行裁剪、增强等预处理,然后输入经过多种不同场景下采集的无人机地块鸟瞰图数据集训练的地块分割模型,可以对所述目标地块的进行初步细分,得到目标地块所有的分割实例;然后对所述目标地块的所有分割实例进行全零掩模填充,得到所有分割实例的新的掩模,并对所有分割实例的新掩模进行边界检测和融合,根据融合结果将属于同一个地块的分割实例进行合并,从而实现对目标地块的所有分割实例完整而精准的地块划分,最终提高基于无人机鸟瞰图的各种农田地块划分的准确率。且本发明实施例的训练好的地块划分模型具有很好的泛化性能,能够满足广泛且复杂的各种真实生产的需求,在水灾、倒伏、干旱及冰雹等自然条件下也保持能高精度的农田地块识别效果,且适用性好,可广泛适用于平原、丘陵、山地等各种地形差异大的农田地界识别。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令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,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种基于无人机鸟瞰图的地块划分装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的基于无人机鸟瞰图的地块划分装置400包括:
获取模块401,用于通过无人机获取目标地块的鸟瞰图并进行预处理;
分割模块402,用于将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果,所述地块分割结果包括所述目标地块的所有分割实例;
填充模块403,用于对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模;
划分模块404,用于对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分。
进一步的,所述获取模401块包括:
采集子模块4011,用于通过无人机采集目标地块的多张地块图像并拼接成目标地块的鸟瞰图;
裁剪子模块4012,用于对所述目标地块的鸟瞰图进行重叠裁剪得到裁剪图,并记录裁剪图在鸟瞰图中的位置信息。
本发明实施例中的上述基于无人机鸟瞰图的地块划分装置能够实现对应上述基于无人机鸟瞰图的地块划分方法的功能并带来相同的有益效果,为避免重复此处不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是,图中仅示出了具有组件51-53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件,例如基于无人机鸟瞰图的地块划分方法的计算机可读指令等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据,例如运行所述基于无人机鸟瞰图的地块划分方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于无人机鸟瞰图的地块划分方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于无人机鸟瞰图的地块划分方法,其特征在于,包括下述步骤:
通过无人机获取目标地块的鸟瞰图并进行预处理;
将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果,所述地块分割结果包括所述目标地块的所有分割实例;
对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模;
对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分。
2.根据权利要求1所述的基于无人机鸟瞰图的地块划分方法,其特征在于,所述通过无人机获取目标地块的鸟瞰图并进行预处理包括:
通过无人机采集目标地块的多张地块图像并拼接成目标地块的鸟瞰图;
对所述目标地块的鸟瞰图进行重叠裁剪得到裁剪图,并记录裁剪图在鸟瞰图中的位置信息。
3.根据权利要求2所述的基于无人机鸟瞰图的地块划分方法,其特征在于,所述将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果的步骤包括:
基于HTC实例分割算法构建地块分割模型;
获取预构建的无人机地块鸟瞰图数据集并进行数据预处理,利用预处理后的数据训练所述地块分割模型,得到训练好的地块分割模型;
获取所述预处理后的目标地块鸟瞰图的裁剪图,将所述裁剪图依次输入所述训练好的地块分割模型,得到对应地块的分割实例。
4.根据权利要求3所述的基于无人机鸟瞰图的地块划分方法,其特征在于,所述获取预构建的无人机地块鸟瞰图数据集并进行数据预处理的步骤之前,还包括:
从生产环境中采集不同场景下的农田地块的无人机可见光图像,将采集的图像拼成一张地块鸟瞰图并进行标注;
对标注好的地块鸟瞰图数据集进行掩模和裁剪预处理;
将预处理后的地块鸟瞰图数据集转换成标准的数据格式,得到标准无人机地块鸟瞰图数据集。
5.根据权利要求3所述的基于无人机鸟瞰图的地块划分方法,其特征在于,在所述获取所述预处理后的目标地块鸟瞰图的裁剪图,将所述裁剪图依次输入所述训练好的地块分割模型,得到对应地块的分割实例的步骤之后,还包括:
将所有的分割实例进行实例编码后与其位置信息相绑定。
6.根据权利要求5所述的基于无人机鸟瞰图的地块划分方法,其特征在于,所述对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模的步骤包括:
新建与所述目标地块鸟瞰图大小一致的全零掩模;
根据分割实例的编码与其位置信息,将所有的分割实例在所述全零掩模上对应的位置处对所述分割实例重新进行掩模填充,得到所有分割实例的掩模。
7.根据权利要求6所述的基于无人机鸟瞰图的地块划分方法,其特征在于,所述对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分包括:
对分割实例的掩模进行边界线检测,得到分割实例的边界线;
对所述分割实例的边界线进行膨胀操作,将边界线重合的分割实例的编码统一;
将编码相同的分割实例进行融合,并根据融合结果对所述目标地块进行地块划分。
8.一种基于无人机鸟瞰图的地块划分装置,其特征在于,包括:
获取模块,用于通过无人机获取目标地块的鸟瞰图并进行预处理;
分割模块,用于将预处理后的目标地块的鸟瞰图输入训练好的地块分割模型,得到地块分割结果,所述地块分割结果包括所述目标地块的所有分割实例;
填充模块,用于对所述目标地块的所有分割实例进行掩模填充,对应得到所有分割实例的掩模;
划分模块,用于对所有分割实例的掩模进行边界融合,并根据融合结果对所述目标地块进行地块划分。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的基于无人机鸟瞰图的地块划分方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的基于无人机鸟瞰图的地块划分方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430930.1A CN115760886B (zh) | 2022-11-15 | 2022-11-15 | 基于无人机鸟瞰图的地块划分方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430930.1A CN115760886B (zh) | 2022-11-15 | 2022-11-15 | 基于无人机鸟瞰图的地块划分方法、装置及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115760886A true CN115760886A (zh) | 2023-03-07 |
CN115760886B CN115760886B (zh) | 2024-04-05 |
Family
ID=85371514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430930.1A Active CN115760886B (zh) | 2022-11-15 | 2022-11-15 | 基于无人机鸟瞰图的地块划分方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760886B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952978A (zh) * | 2024-03-27 | 2024-04-30 | 安徽蔚来智驾科技有限公司 | 路口检测方法、计算机可读存储介质及智能设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862101A (zh) * | 2020-07-15 | 2020-10-30 | 西安交通大学 | 一种鸟瞰图编码视角下的3d点云语义分割方法 |
CN113052369A (zh) * | 2021-03-15 | 2021-06-29 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
CN113936139A (zh) * | 2021-10-29 | 2022-01-14 | 江苏大学 | 一种视觉深度信息与语义分割相结合的场景鸟瞰图重构方法及系统 |
CN114693672A (zh) * | 2022-04-26 | 2022-07-01 | 杭州电子科技大学 | 一种基于图像处理的乳腺钼靶图像皮肤腺及乳头去除方法 |
CN114972492A (zh) * | 2021-02-24 | 2022-08-30 | 中国科学院微电子研究所 | 一种基于鸟瞰图的位姿确定方法、设备和计算机存储介质 |
CN115131787A (zh) * | 2022-07-12 | 2022-09-30 | 合众新能源汽车有限公司 | 一种多视角输入的鸟瞰图语义分割方法及装置 |
-
2022
- 2022-11-15 CN CN202211430930.1A patent/CN115760886B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862101A (zh) * | 2020-07-15 | 2020-10-30 | 西安交通大学 | 一种鸟瞰图编码视角下的3d点云语义分割方法 |
CN114972492A (zh) * | 2021-02-24 | 2022-08-30 | 中国科学院微电子研究所 | 一种基于鸟瞰图的位姿确定方法、设备和计算机存储介质 |
CN113052369A (zh) * | 2021-03-15 | 2021-06-29 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及系统 |
CN113936139A (zh) * | 2021-10-29 | 2022-01-14 | 江苏大学 | 一种视觉深度信息与语义分割相结合的场景鸟瞰图重构方法及系统 |
CN114693672A (zh) * | 2022-04-26 | 2022-07-01 | 杭州电子科技大学 | 一种基于图像处理的乳腺钼靶图像皮肤腺及乳头去除方法 |
CN115131787A (zh) * | 2022-07-12 | 2022-09-30 | 合众新能源汽车有限公司 | 一种多视角输入的鸟瞰图语义分割方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952978A (zh) * | 2024-03-27 | 2024-04-30 | 安徽蔚来智驾科技有限公司 | 路口检测方法、计算机可读存储介质及智能设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115760886B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091167B (zh) | 标志识别训练数据合成方法、装置、电子设备及存储介质 | |
CN110163188B (zh) | 视频处理以及在视频中嵌入目标对象的方法、装置和设备 | |
US11830103B2 (en) | Method, apparatus, and computer program product for training a signature encoding module and a query processing module using augmented data | |
CN111369581A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111754541A (zh) | 目标跟踪方法、装置、设备及可读存储介质 | |
CN111160360B (zh) | 图像识别方法、装置及系统 | |
CN112348885A (zh) | 视觉特征库的构建方法、视觉定位方法、装置和存储介质 | |
CN112686243A (zh) | 智能识别图片文字的方法、装置、计算机设备及存储介质 | |
CN115760886B (zh) | 基于无人机鸟瞰图的地块划分方法、装置及相关设备 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 | |
CN116258976A (zh) | 一种分层次Transformer的高分辨率遥感图像语义分割方法及系统 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN113592720B (zh) | 图像的缩放处理方法、装置、设备、存储介质 | |
CN112381118B (zh) | 一种大学舞蹈考试测评方法及装置 | |
CN114092670A (zh) | 一种虚拟现实显示方法、设备以及存储介质 | |
CN113191355A (zh) | 文本图像合成方法、装置、设备及存储介质 | |
CN111741329A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN115620378A (zh) | 多视角牛脸智能采集方法、装置、系统及相关设备 | |
CN112016503B (zh) | 人行道检测方法、装置、计算机设备及存储介质 | |
CN114494302A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112309181A (zh) | 一种舞蹈教学辅助方法及装置 | |
CN112911169A (zh) | 视频图像分割方法、装置和视频图像控制方法及装置 | |
CN112434698A (zh) | 字符识别方法、装置、电子设备及存储介质 | |
CN112215205A (zh) | 目标识别方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |