CN116168301B - 一种基于嵌套编码器网络的农田施肥栅格检测方法 - Google Patents
一种基于嵌套编码器网络的农田施肥栅格检测方法 Download PDFInfo
- Publication number
- CN116168301B CN116168301B CN202310449493.6A CN202310449493A CN116168301B CN 116168301 B CN116168301 B CN 116168301B CN 202310449493 A CN202310449493 A CN 202310449493A CN 116168301 B CN116168301 B CN 116168301B
- Authority
- CN
- China
- Prior art keywords
- representing
- output
- liquid crystal
- display device
- crystal display
- 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
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
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Abstract
本发明涉及数据处理技术领域,公开了一种基于嵌套编码器网络的农田施肥栅格检测方法,包括:获取农田遥感图像;根据嵌套编码器网络得到特征图像;将所述特征图像输入至栅格检测网络,得到栅格检测结果。基于嵌套UNet网络的农田遥感图像施肥均匀性栅格检测方法凭借深度学习技术,具有从遥感影像中有效提取有用信息的能力,克服了传统影像分析方法的局限性;本发明可以以百分数的栅格形式给出所测试农田遥感图像的施肥均匀性分布。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于嵌套编码器网络的农田施肥栅格检测方法。
背景技术
遥感是指通过远离地球表面的传感设备获取有关地球表面和大气的信息。遥感技术已广泛应用于环境监测、资源管理和城市规划等各个领域。近年来,随着遥感技术的发展和遥感仪器的进步,遥感图像已成为对地观测的宝贵数据来源。近年来,遥感图像在农业领域的应用受到越来越多的关注,尤其是在农田管理领域。施肥是农田管理的重要环节,均匀施肥对于保证农作物健康生长,提高农产品产量和品质至关重要。然而,传统的施肥方式往往面临施肥过度、分配不均等挑战,导致土壤退化和资源浪费。利用遥感图像检测农田区域施肥均匀度已成为提高农田管理效率和效果的重要手段。利用遥感图像检测农田施肥均匀度的意义在于能够对施肥状况进行全面、客观的评价。遥感图像可以提供大量的地表信息,如植被覆盖度、土壤水分、养分含量等,可以在一定程度上反映农田的施肥状况。利用遥感图像检测施肥均匀度,也有助于降低传统田间调查的劳动强度和成本,为农田管理决策提供及时、准确的信息。
然而,由于遥感图像中包含的信息复杂且多维,因此通过分析遥感图像来检测施肥的均匀性是一项具有挑战性的任务。传统的图像分析方法,如人工解译和统计分析,在准确有效地从遥感图像中提取有用信息方面存在局限性。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题,提供一种基于嵌套编码器网络的农田施肥栅格检测方法。
为实现上述目的,本发明提供的一种基于嵌套编码器网络的农田施肥栅格检测方法,包括:
获取农田遥感图像;
根据嵌套编码器网络得到特征图像;
将所述特征图像输入至栅格检测网络,得到栅格检测结果。
根据本发明的一个方面,所述嵌套编码器网络包含五个微型编码器模块和一个栅格检测模块,将所述农田遥感图像依次输入五个微型编码器模块,其中公式为,
根据本发明的一个方面,微型编码器模块包括三步下阶梯式处理和三步上阶梯式处理,对所述农田遥感图像进行三步下阶梯式处理,其公式为,
根据本发明的一个方面,对通过第三步下阶梯式处理后的输出进行三步上阶梯式处理,其中公式为,
根据本发明的一个方面,所述栅格检测模块包括五个转置卷积,使用栅格检测模块对通过微型编码器模块后的输出进行处理,其公式为,
根据本发明的一个方面,叠加通过转置卷积后的输出并对其进行精细化处理,其公式为,
对精细化后的特征进行函数计算得到特征图像,其公式为,
根据本发明的一个方面,使用交叉熵损失对所述嵌套编码器网络进行训练,其中公式为,
为实现上述目的,本发明提供一种基于嵌套编码器网络的农田施肥栅格检测系统,包括:
农田遥感图像获取模块:获取农田遥感图像;
特征图像获取模块:根据嵌套编码器网络得到特征图像;
栅格检测结果获取模块:将所述特征图像输入至栅格检测网络,得到栅格检测结果。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述针对一种基于嵌套编码器网络的农田施肥栅格检测方法。
为实现上述目的,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述针对一种基于嵌套编码器网络的农田施肥栅格检测方法。
基于此,本发明的有益效果在于:基于嵌套UNet网络的农田遥感图像施肥均匀性栅格检测方法凭借深度学习技术,具有从遥感影像中有效提取有用信息的能力,克服了传统影像分析方法的局限性;还可以以百分数的栅格形式给出所测试农田遥感图像的施肥均匀性分布。
附图说明
图1示意性表示根据本发明的一种基于嵌套编码器网络的农田施肥栅格检测方法的流程图;
图2示意性表示根据本发明的一种基于嵌套编码器网络的农田施肥栅格检测系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示本发明的一种基于嵌套编码器网络的农田施肥栅格检测方法的流程图,如图1所示,本发明的一种基于嵌套编码器网络的农田施肥栅格检测方法,包括:
获取农田遥感图像;
根据嵌套编码器网络得到特征图像;
将特征图像输入至栅格检测网络,得到栅格检测结果。
根据本发明的一个实施方式,嵌套编码器网络包含五个微型编码器模块和一个栅格检测模块,将农田遥感图像依次输入五个微型编码器模块,其中公式为,
根据本发明的一个实施方式,微型编码器模块包括三步下阶梯式处理和三步上阶梯式处理,对农田遥感图像进行三步下阶梯式处理,其公式为,
根据本发明的一个实施方式,对通过第三步下阶梯式处理后的输出进行三步上阶梯式处理,其中公式为,
根据本发明的一个实施方式,栅格检测模块包括五个转置卷积,使用栅格检测模块对通过微型编码器模块后的输出进行处理,其公式为,
根据本发明的一个实施方式,叠加通过转置卷积后的输出并对其进行精细化处理,其公式为,
对精细化后的特征进行函数计算得到特征图像,其公式为,
根据本发明的一个实施方式,使用交叉熵损失对嵌套编码器网络进行训练,其中公式为,
不仅如此,为实现上述发明目的,本发明还提供一种基于嵌套编码器网络的农田施肥栅格检测系统,图2示意性表示根据本发明的一种基于嵌套编码器网络的农田施肥栅格检测系统的流程图,如图2所示,根据本发明的一种基于嵌套编码器网络的农田施肥栅格检测系统,该系统包括:
农田遥感图像获取模块:获取农田遥感图像;
特征图像获取模块:根据嵌套编码器网络得到特征图像;
栅格检测结果获取模块:将特征图像输入至栅格检测网络,得到栅格检测结果。
根据本发明的一个实施方式,嵌套编码器网络包含五个微型编码器模块和一个栅格检测模块,将农田遥感图像依次输入五个微型编码器模块,其中公式为,
根据本发明的一个实施方式,微型编码器模块包括三步下阶梯式处理和三步上阶梯式处理,对农田遥感图像进行三步下阶梯式处理,其公式为,
根据本发明的一个实施方式,对通过第三步下阶梯式处理后的输出进行三步上阶梯式处理,其中公式为,
根据本发明的一个实施方式,栅格检测模块包括五个转置卷积,使用栅格检测模块对通过微型编码器模块后的输出进行处理,其公式为,
根据本发明的一个实施方式,叠加通过转置卷积后的输出并对其进行精细化处理,其公式为,
对精细化后的特征进行函数计算得到特征图像,其公式为,
根据本发明的一个实施方式,使用交叉熵损失对嵌套编码器网络进行训练,其中公式为,
为实现上述发明目的,本发明还提供一种电子设备,该电子设备包括:处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述一种基于嵌套编码器网络的农田施肥栅格检测方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述一种基于嵌套编码器网络的农田施肥栅格检测方法。
基于此,本发明的有益效果在于,基于嵌套UNet网络的农田遥感图像施肥均匀性栅格检测方法凭借深度学习技术,具有从遥感影像中有效提取有用信息的能力,克服了传统影像分析方法的局限性;还可以以百分数的栅格形式给出所测试农田遥感图像的施肥均匀性分布。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,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节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对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。
Claims (5)
1.一种基于嵌套编码器网络的农田施肥栅格检测方法,其特征在于,包括:
获取农田遥感图像;
根据嵌套编码器网络得到特征图像;
所述嵌套编码器网络包含五个微型编码器模块和一个栅格检测模块,将所述农田遥感图像依次输入五个微型编码器模块,其中公式为,
微型编码器模块包括三步下阶梯式处理和三步上阶梯式处理,对所述农田遥感图像进行三步下阶梯式处理,其公式为,
对通过第三步下阶梯式处理后的输出进行三步上阶梯式处理,其中公式为,
所述栅格检测模块包括五个转置卷积,使用栅格检测模块对通过微型编码器模块后的输出进行处理,其公式为,
叠加通过转置卷积后的输出并对其进行精细化处理,其公式为,
对精细化后的特征进行函数计算得到特征图像,其公式为,
将所述特征图像输入至栅格检测网络,得到栅格检测结果。
3.一种基于嵌套编码器网络的农田施肥栅格检测系统,其特征在于,包括:
农田遥感图像获取模块:获取农田遥感图像;
特征图像获取模块:根据嵌套编码器网络得到特征图像;
所述嵌套编码器网络包含五个微型编码器模块和一个栅格检测模块,将所述农田遥感图像依次输入五个微型编码器模块,其中公式为,
微型编码器模块包括三步下阶梯式处理和三步上阶梯式处理,对所述农田遥感图像进行三步下阶梯式处理,其公式为,
对通过第三步下阶梯式处理后的输出进行三步上阶梯式处理,其中公式为,
所述栅格检测模块包括五个转置卷积,使用栅格检测模块对通过微型编码器模块后的输出进行处理,其公式为,
叠加通过转置卷积后的输出并对其进行精细化处理,其公式为,
对精细化后的特征进行函数计算得到特征图像,其公式为,
栅格检测结果获取模块:将所述特征图像输入至栅格检测网络,得到栅格检测结果。
4.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至2中任一项所述的一种基于嵌套编码器网络的农田施肥栅格检测方法。
5.一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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的一种基于嵌套编码器网络的农田施肥栅格检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449493.6A CN116168301B (zh) | 2023-04-25 | 2023-04-25 | 一种基于嵌套编码器网络的农田施肥栅格检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449493.6A CN116168301B (zh) | 2023-04-25 | 2023-04-25 | 一种基于嵌套编码器网络的农田施肥栅格检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168301A CN116168301A (zh) | 2023-05-26 |
CN116168301B true CN116168301B (zh) | 2023-07-11 |
Family
ID=86420450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310449493.6A Active CN116168301B (zh) | 2023-04-25 | 2023-04-25 | 一种基于嵌套编码器网络的农田施肥栅格检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168301B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733952A (zh) * | 2018-05-30 | 2018-11-02 | 山东省农业科学院科技信息研究所 | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 |
CN113239736A (zh) * | 2021-04-16 | 2021-08-10 | 广州大学 | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986099B (zh) * | 2020-06-30 | 2022-05-13 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN112529788B (zh) * | 2020-11-13 | 2022-08-19 | 北京航空航天大学 | 一种基于薄云厚度图估计的多光谱遥感图像薄云去除方法 |
CN113160177A (zh) * | 2021-04-23 | 2021-07-23 | 杭州电子科技大学 | 一种基于超像素和图卷积网络的平面分割方法 |
WO2023000159A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
CN113569772A (zh) * | 2021-08-01 | 2021-10-29 | 中科星辰(苏州)信息科技有限公司 | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 |
CN113673586B (zh) * | 2021-08-10 | 2022-08-16 | 北京航天创智科技有限公司 | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 |
CN114120125A (zh) * | 2021-11-30 | 2022-03-01 | 中国地质大学(武汉) | 基于双流深度网络的农田识别方法、装置及存储介质 |
CN115861837A (zh) * | 2022-12-02 | 2023-03-28 | 湖南省第二测绘院 | 基于Ares-UNet++网络的耕地识别方法及相关装置 |
-
2023
- 2023-04-25 CN CN202310449493.6A patent/CN116168301B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733952A (zh) * | 2018-05-30 | 2018-11-02 | 山东省农业科学院科技信息研究所 | 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 |
CN113239736A (zh) * | 2021-04-16 | 2021-08-10 | 广州大学 | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116168301A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pace et al. | Analysis of maize (Zea mays L.) seedling roots with the high-throughput image analysis tool ARIA (Automatic Root Image Analysis) | |
Zheng et al. | Segmentation of green vegetation of crop canopy images based on mean shift and fisher linear discriminant | |
Jiang et al. | Quantitative analysis of cotton canopy size in field conditions using a consumer-grade RGB-D camera | |
Narisetti et al. | Semi-automated root image analysis (saRIA) | |
Smith et al. | Scaling up high-throughput phenotyping for abiotic stress selection in the field | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
WO2021133310A1 (en) | Agricultural decision support system | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
DoVale et al. | Root phenomics | |
Rappazzo et al. | EeLISA: Combating global warming through the rapid analysis of eelgrass wasting disease | |
Yessenova et al. | Features of growth of agricultural crops and factors negatively affecting their growth | |
CN116168301B (zh) | 一种基于嵌套编码器网络的农田施肥栅格检测方法 | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
Chen et al. | Role of the genomics–phenomics–agronomy paradigm in plant breeding | |
Speranza et al. | Delineating Management Zones with Different Yield Potentials in Soybean–Corn and Soybean–Cotton Production Systems | |
CN115147730A (zh) | 一种联合全卷积神经网络和集成学习的遥感分类方法 | |
Xu et al. | Soybean seedling root segmentation using improved U-net network | |
Mangla et al. | Statistical growth prediction analysis of rice crop with pixel-based mapping technique | |
CN113240340A (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
CN102313518A (zh) | 一种微生物菌丝生长状况定量获取方法 | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time | |
Mishra et al. | Unsupervised Image Super-Resolution for Root Hair Enhancement and Improved Root Traits Measurements | |
CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
CN117173122B (zh) | 一种基于轻量级ViT的图像叶密度测定方法及装置 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 |
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 |