CN116307170A - 农作物产量预测方法和装置、电子设备及存储介质 - Google Patents
农作物产量预测方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116307170A CN116307170A CN202310251398.5A CN202310251398A CN116307170A CN 116307170 A CN116307170 A CN 116307170A CN 202310251398 A CN202310251398 A CN 202310251398A CN 116307170 A CN116307170 A CN 116307170A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- crop planting
- crop
- sensing image
- longitude
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 244000038559 crop plants Species 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000002234 Allium sativum Species 0.000 description 1
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
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)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本申请实施例提供了一种农作物产量预测方法和装置、电子设备及存储介质。该方法包括:获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。基于此,本申请实施例通过将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,预测精度高。
Description
技术领域
本申请涉及农作物产量预测技术领域,尤其涉及一种农作物产量预测方法和装置、电子设备及存储介质。
背景技术
在现有技术中,主要是根据作物的长势来小面积的预测部分区域的作物产量,即目前的方法仅能小范围的预测某种农作物的产量,对于大范围区域的农作物并不适用,因此,现有的农作物产量预测方法并不能预测某种作物在大范围区域的年产量,且预测精度不高。
发明内容
本申请实施例的主要目的在于提出一种农作物产量预测方法和装置、电子设备及存储介质,能够将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,预测精度高。
为实现上述目的,本申请实施例的第一方面提出了一种农作物产量预测方法,所述方法包括:
获取所有作物种植地的遥感图像以及所述遥感图像的经纬度信息;
通过无人机巡航并标注所述所有作物种植地中作物种植区域的经纬度信息;
根据所述遥感图像的经纬度信息和所述作物种植区域的经纬度信息进行经纬度匹配,以确定在所述遥感图像上标注的所述作物种植区域;
以所述遥感图像上标注的所述作物种植区域作为深度学习的训练集,通过轻量级网络对所述训练集进行训练,得到网络模型;
基于所述网络模型对获取的目标作物种植区域的遥感图像进行所述目标作物种植区域的目标作物年产量预测。
在一些实施例,所述获取所有作物种植地的遥感图像以及所述遥感图像的经纬度信息,包括:
以卫星遥感采集所有作物种植地的遥感图像;
对所述遥感图像进行图像预处理,将所述遥感图像分割成按比例尺分割成固定大小的图块,其中,所述图块附带有分配的经纬度信息。
在一些实施例,所述通过无人机巡航并标注所述所有作物种植地中作物种植区域的经纬度信息,包括:
采用无人机搭载相机进行对所述作物种植区域航拍;
收集所述作物种植区域的图片;
根据GPS定位平台来记录所述图片的经纬度信息。
在一些实施例,所述根据所述遥感图像的经纬度信息和所述作物种植区域的经纬度信息进行经纬度匹配,以确定在所述遥感图像上标注的所述作物种植区域,包括:
通过定位匹配方法将经纬度信息进行点对点的匹配,其中,所述定位匹配方法采用最近邻定位匹配法,标注无人机GPS定位点距离最近的遥感图像像素点;
将作物种植区域的标注信息从无人机影像转到遥感影像以标注遥感影像的每一个像素点的类别,并记录比例尺,以获得遥感图像的像素与真实作物种植区域的面积对应关系。
在一些实施例,所述以所述遥感图像上标注的所述作物种植区域作为深度学习的训练集,通过轻量级网络对所述训练集进行训练,得到网络模型,包括:
对所述遥感图像进行大小规则化的裁剪;
对规则化裁剪的所述遥感图像进行标注,以矩形框为标注框标注到所述作物种植区域;
将标注完成的所述遥感图像分为训练集和验证集,以训练集在YoLo V3网络上进行模型训练,得到网络模型。
在一些实施例,所述基于所述网络模型对获取的目标作物种植区域的遥感图像进行所述目标作物种植区域的目标作物年产量预测,包括:
将标注有目标作物种植区域的遥感图像输入预先训练好的网络模型,分割出多个目标作物种植区域,其中,所述网络模型基于带有标注的所述遥感影像进行深度学习的模型训练而得到;
统计多个所述目标种植作物区域的种植区域总大小;
根据所述目标种植区域总大小和比例尺计算种植作物区域的总面积;
根据往年的气候、往年的产量和本年度的气候来进行预测目标作物的亩产量;
根据所述总面积和所述亩产量计算得到本年度目标作物年产量的预测值。
在一些实施例,所述将标注有目标作物种植区域的遥感图像输入预先训练好的网络模型,分割出多个目标作物种植区域,包括:
基于网络模型的上下文分支使用MobileNetV3轻量级网络提取特征,使用图卷积进行全局信息的提取,得到包含远程信息的第一特征;
基于网络模型的空间分支使用三个卷积进行特征提取,得到包含原始信息的第二特征;
将所述第一特征和所述第二特征进行融合,经过分割得到所述目标作物种植区域的语义分割图;
基于所述语义分割图分割出多个目标作物种植区域。
为实现上述目的,本申请实施例的第二方面提出了一种农作物产量预测装置,所述装置包括:
获取模块,用于获取所有作物种植地的遥感图像以及所述遥感图像的经纬度信息;
标注模块,用于通过无人机巡航并标注所述所有作物种植地中作物种植区域的经纬度信息;
匹配模块,用于根据所述遥感图像的经纬度信息和所述作物种植区域的经纬度信息进行经纬度匹配,以确定在所述遥感图像上标注的所述作物种植区域;
训练模块,用于以所述遥感图像上标注的所述作物种植区域作为深度学习的训练集,通过轻量级网络对所述训练集进行训练,得到网络模型;
预测模块,用于基于所述网络模型对获取的目标作物种植区域的遥感图像进行所述目标作物种植区域的目标作物年产量预测。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了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程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的农作物产量预测方法和装置、电子设备及存储介质,获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。基于此,本申请实施例采用无人机去识别农作物的种植,可精准地对遥感图像进行标注,最终对标注的遥感图像进行深度学习的模型训练,得到网络模型,基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。因此,本申请实施例通过将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,预测精度高。
附图说明
图1是本申请实施例提供的农作物产量预测方法的流程图;
图2是本申请实施例提供的农作物产量预测方法的子流程图;
图3是本申请实施例提供的农作物产量预测方法的子流程图;
图4是本申请实施例提供的农作物产量预测方法的子流程图;
图5是本申请实施例提供的农作物产量预测方法的子流程图;
图6是本申请实施例提供的农作物产量预测方法的子流程图;
图7是本申请实施例提供的农作物产量预测方法的子流程图;
图8是本申请实施例提供的农作物产量预测装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。
针对现有技术中人力检测效率低下且存在用户隐私泄露的风险的技术问题,本申请实施例提供了一种农作物产量预测方法和装置、电子设备及存储介质,获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。基于此,本申请实施例采用无人机去识别农作物的种植,可精准地对遥感图像进行标注,最终对标注的遥感图像进行深度学习的模型训练,得到网络模型,基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。因此,本申请实施例通过将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,预测精度高。
本申请实施例提供的农作物产量预测方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的农作物产量预测方法。
图1是本申请实施例提供的农作物产量预测方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101,获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;
步骤S102,通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;
步骤S103,根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;
步骤S104,以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;
步骤S105,基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。
在一些实施例中,本方法可针对农作物进行产量预测,得到农作物年产量预测值。其中,农作物包括但不限于小麦、玉米、大蒜、水稻、大豆、花生等。
在一些实施例中,以卫星遥感采集所有作物种植地的遥感图像,然后进行图像预处理,将种植作物的区域的遥感图像分割成按比例尺分割成固定大小的块,并附带分配的经纬度信息。在种植作物区域以无人机进行巡航,检查作物种植区域种植为作物的土地,并标记种植作物部分土地的经纬度。由于在作物种植区域也有其他作物的种植,因此需要在遥感图像的基础上进行二次的无人机GPS定位匹配修正。根据遥感图像经纬度和无人机标注种植作物区域的经纬度进行经纬度匹配,在遥感图像上标注作物的种植区域作为深度学习的训练集。根据本发明所提供方法制作训练集,以轻量级网络对遥感图像的训练集进行训练,得到可以分割遥感图像作物种植区域的网络模型。基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。基于此,本申请实施例采用无人机去识别农作物的种植,可精准地对遥感图像进行标注,最终对标注的遥感图像进行深度学习的模型训练,得到网络模型,基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。因此,本申请实施例通过将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,且预测精度高。
在一些实施例中,对于无人机进行作物识别,由于人力标注会耗费大量的时间以及资金,为了节省时间以及资金,对遥感图像进行标注,以无人机作为工具来对遥感图像进行解译,以作物种植区的低空照片为训练集进行训练,以YoLo检测网络为深度学习模型来进行目标检测的训练。
请参阅图2,在一些实施例中,步骤S101可以包括但不限于包括步骤S201至步骤S202:
步骤S201,以卫星遥感采集所有作物种植地的遥感图像;
步骤S202,对遥感图像进行图像预处理,将遥感图像分割成按比例尺分割成固定大小的图块,其中,图块附带有分配的经纬度信息。
在一些实施例中,对于遥感图像的预处理,得到遥感数据集,以高分辨率对地观测卫星获取作物种植区域的地貌特征图,这些图片是大尺度的不规则图像,本系统首先对这些不规则图片进行裁剪操作,将图片裁剪成固定的大小,并记录每张图片的GPS定位信息。然后对这些裁剪之后的图片进行旋转、反转、添加噪声等各种操作以此来增加数据集的泛化性能,减少不同地区地貌信息的影响。做完这些处理之后的遥感数据集是带有定位标注的大小统一的规则图片。高分卫星采集的遥感数据集经过处理后为固定大小的图像,以此数据集作为训练集,但仍需像素级的标注信息(像素代表的类别)才能够进行深度学习的模型训练。
请参阅图3,在一些实施例中,步骤S102可以包括但不限于包括步骤S301至步骤S303:
步骤S301,采用无人机搭载相机进行对作物种植区域航拍;
步骤S302,收集作物种植区域的图片;
步骤S303,根据GPS定位平台来记录图片的经纬度信息。
在一些实施例中,采用大疆S900六悬翼无人机搭载尼康D7000数码相机进行农作物特征图片的航拍,无人机装载高清摄像头进行田间飞行,并且同时收集无人机相应高度的作物种植区域的图片,同时根据GPS定位平台来记录拍摄图片的经纬度信息,然后对这些图片进行大小规则化的裁剪,在收集农作物图片时,我们选择不同环境,不同角度的农作物图像来增加模型的泛化性能,使本系统可以在各个复杂环境下均可以对农作物进行高精度的识别。
在一些实施例中,为了减少飞行时所带来的震动干扰,可以在无人机与相机摄像头的连接处加入减震球来减少相机摄像头的震动,以此来提高无人机图像的拍摄质量。由于相机不具备GPS定位功能,因此可以加入GPS定位器提供经纬度来实现定位,并将其记录在EXI F信息中,以备后期图像处理所需。
请参阅图4,在一些实施例中,步骤S103可以包括但不限于包括步骤S401至步骤S402:
步骤S401,通过定位匹配方法将经纬度信息进行点对点的匹配,其中,定位匹配方法采用最近邻定位匹配法,标注无人机GPS定位点距离最近的遥感图像像素点;
步骤S402,将作物种植区域的标注信息从无人机影像转到遥感影像以标注遥感影像的每一个像素点的类别,并记录比例尺,以获得遥感图像的像素与真实作物种植区域的面积对应关系。
在一些实施例中,获取带有GPS定位信息的作物种植区域的遥感影像,影像无标注,携带GPS定位信息和检测到种植作物区域的无人机图像(带有GPS定位信息),将定位信息进行点对点的匹配,将作物种植区域的标注信息从无人机影像转到遥感影像以标注遥感影像的每一个像素点的类别,并记录比例尺,以获得遥感图像的像素与真实作物种植区域的面积对应关系,并将遥感影像分割为训练集和验证集,以适合进行大范围(例如全国作物种植区域)的作物种植区域检测。其中,定位匹配方法采用最近邻定位匹配法,以无人机GPS定位信息和遥感GPS定位信息为数据,标记无人机GPS定位点距离最近的遥感图像像素点。最近临距离我们选择为其中,T1和N1代表遥感图像像素点的经度和纬度,T2和N2代表无人机图像的经度和纬度。定位匹配修正为因为遥感图像尺度较大,一个像素点就代表一部分区域,而无人机图像GPS定位信息距离密切,和遥感图像像素点区域不一定能完全匹配,于是选择相对距离最近的点为匹配点来匹配遥感图像区域。
请参阅图5,在一些实施例中,步骤S104可以包括但不限于包括步骤S501至步骤S503:
步骤S501,对遥感图像进行大小规则化的裁剪;
步骤S502,对规则化裁剪的遥感图像进行标注,以矩形框为标注框标注到作物种植区域;
步骤S503,将标注完成的遥感图像分为训练集和验证集,以训练集在YoLo V3网络上进行模型训练,得到网络模型。
在一些实施例中,对规则化裁剪的图片进行标注,以矩形框为标注框标注到种植有作物的区域,标签设置为两类,一类为背景,另一类为作物。对于标注为植物的类别。以这些带检测框的图片为数据集,来对当前作物进行检测。将这些标注完成作物检测标注框的图像分为训练集和验证集,以训练集在YoLo V3网络上进行模型训练,使其得到模型能对作物的种植区域进行检测。需要说明的是,YoLo V3网络为单阶段检测网络,对比Faster RCNN虽然效果差一点,但实现速度更快。YoLo V3网络输入为固定大小的图片,输出为检测框以及物体的类别。对YoLo V3网络进行调优,使其达到对作物识别准确度较高,然后以无人机进行航空巡检,对地面作物进行摄像,使用GPS定位系统定位拍摄照片的位置并记录。对拍摄的照片进行处理,对于识别为作物的图片,记录其照片的定位信息。
请参阅图6,在一些实施例中,步骤S105可以包括但不限于包括步骤S601至步骤S605:
步骤S601,将标注有目标作物种植区域的遥感图像输入预先训练好的网络模型,分割出多个目标作物种植区域,其中,网络模型基于带有标注的遥感影像进行深度学习的模型训练而得到;
步骤S602,统计多个目标种植作物区域的种植区域总大小;
步骤S603,根据目标种植区域总大小和比例尺计算种植作物区域的总面积;
步骤S604,根据往年的气候、往年的产量和本年度的气候来进行预测目标作物的亩产量;
步骤S605,根据总面积和亩产量计算得到本年度目标作物年产量的预测值。
在一些实施例中,根据本发明所提供方法制作训练集,以轻量级网络对遥感图像的训练集进行训练,得到可以分割遥感图像作物种植区域的网络模型。将所有作物种植区域的遥感图像馈入网络模型,分割出作物的种植区域,然后统计分割为种植作物区域种植区域的总大小,根据比例尺计算种植作物区域的总面积。根据往年的气候及产量,以本年度的气候来进行预测作物的亩产量。根据种植区域以及亩产量,预测本年度的作物的预测产值,进而可以有效地预估小麦的价格,在期货市场买卖时可以提前布局以进行商业盈利。
在一些实施例中,统计作物种植区域语义分割图中所有识别为作物种植区域的像素点的数量,然后根据像素点数量和遥感图像和真实区域之间的比例尺来得到本年度所有地区作物种植区域的面积。可以根据气候因素来预测作物的种植面积,例如,由于作物种植的亩产量受气候影响偏大,根据往年的气候和和今年气候的相关性以及往年的年产量来预测今年的亩产值;根据实际调研,实际采样不同地方单位平方米的作物产量,然后根据不同地方的作物单位面积产量的平均值来确定单位平方米的作物产量,根据单位面积作物的产量计算作物的亩产量。本申请根据以上两种方法取平均综合得到作物的亩产量。根据得到的作物的种植面积和得到的作物的亩产量,计算得到作物年产量的预测值。
请参阅图7,在一些实施例中,步骤S601可以包括但不限于包括步骤S701至步骤S704:
步骤S701,基于网络模型的上下文分支使用MobileNetV3轻量级网络提取特征,使用图卷积进行全局信息的提取,得到包含远程信息的第一特征;
步骤S702,基于网络模型的空间分支使用三个卷积进行特征提取,得到包含原始信息的第二特征;
步骤S703,将第一特征和第二特征进行融合,经过分割得到目标作物种植区域的语义分割图;
步骤S704,基于语义分割图分割出多个目标作物种植区域。
在一些实施例中,获得作物种植区域遥感图像像素级别的标注图,并包含遥感图像与真实区域的比例尺。由于是对大范围的作物种植区域进行产量预测,计算量较大,因此选择轻量级的语义分割网络来进行作物种植区域遥感图像的分割,经过对比,选择MobileNet V3轻量级网络来进行遥感数据的分割,但考虑到Mobile Net V3轻量级网络性能可能不达预期,以此考虑到将Mobile Net V3轻量级网络融合另外一个轻量级卷积分支来进行调优。具体为使用上下文分支和空间分支两个分支,上下文分支使用MobileNetV3轻量级网络提取特征,使用图卷积进行全局信息的提取,得到一个包含远程信息的特征;空间分支使用三个卷积进行特征提取,保留更多原始信息,最后将两个包含不同信息的特征进行融合,经过分割头得到最终的作物种植区域语义分割图。
在一些实施例中,上下文分支使用Mobile Net V3轻量级网络来作为主干网络,以有效且高效的对输入图像进行下采样以提供丰富的高级语义特征。使用图卷积模块来进行远距离信息的推理。图卷积模块为十字交叉采样图卷积。十字交叉注意力会计算水平和竖直方向的注意力,根据像素水平和竖直方向的注意力的指导来进行图节点的聚合。具体采用方案是针对上下文聚合分支主干网络提取的特征X∈Rc×h×w,十字交叉注意力模块会首先使用两个1×1卷积层生成两个特征图K和Q,{K,Q}∈Rc1×h×w,其中,C1是降维后的通道数,通道数小于C。为了减少计算量,将C个通道分为G组来进行全局特征的推理,G组卷积层组内共享参数,可以大大减少图卷积模块的计算量。
在一些实施例中,在得到K和Q两个降维特征图之后,通过十字交叉注意力计算操作进一步生成注意力图A∈R(h+w-1)×h×w。具体为对于特征图Q的空间维度上的每个位置u,都可以得到一个向量Qu∈Rc1;同时通过抽取K中与u相同位置的特征向量来得到集合Ωu∈R(h +w-1)×c1。Ωi,u∈Rc1是Ωu中的第i个元素。十字交叉注意力的亲和力定义为:di,u=QuΩi,uT。其中,di,u∈D表示Qu与Ωi,u的相似程度,i=[1,...,Ωu],D∈R(h+w-1)×h×w。然后,然后在D的通道维度上应用一个softmax层来计算注意力图Au。另外对特征X使用一个1×1卷积层生成特征V∈Rc×h×w,在特征图V空间维度中每个位置u,我们可以得到一个向量Vu∈Rc和一个集合Φu∈Rc×(h+w-1)。集合Φu是特征V中特征向量的集合,元素与u在同一行或者同一列,上下文节点信息聚合操作为:其中Hu是特征图X∈Rc ×h×w在位置的u处特征节点聚合后的特征向量,Ai,u是通道i和在注意力矩阵A中位置u处的注意力标量值,SPL代表对节点特征进行采样,p代表对十字型节点特征的采样率。因此全局上下文信息被添加到X的局部特征用以增强局部特征对全局特征的像素级表示。因此输出特征Hu具有更加广泛的全局上下文表示,可以选择性的根据节点的亲和力关系来进行节点的聚合。
在一些实施例中,空间分支包括四个卷积层,其中第一层卷积选择较大的内核,然后是批量归一化层和ReLU激活函数,然后使用两个分组卷积层,后接批量归一化层和Relu,分组卷积层产生与传统卷积相似的结果,但计算量却更少,计算成本更低。为了解决分组卷积不同组之间参数不交互的问题,使用通道打乱策略,使的不同分组间的卷积层参数可以互相交互。最后一层是内核大小为1的卷积层,用于改变通道数。其中前三个卷积层的步长均为2,最后一个卷积层步长为1。空间细节分支可以保留更多空间细节信息,使网络对局部信息的具有更好的理解能力。另外,空间细节分支所包含的运算量较小,对整体的运算速度影响较小,但却添加了更多空间细节信息。
在一些实施例中,特征融合空间分支和上下文分支,但两个分支中提取的特征表示尺度不相同,需要进行尺度归一化后才能进行有效的特征融合。但由于简单的进行两个尺度的特征相加并不能产生完美的效果,达不到理想性能。因此,设计一个基于加权注意力的特征融合技术来进行两个分支提取特征的融合。
在一些实施例中,经过调优,在测试集得到分割准确度较高的作物种植区域语义分割模型。获得作物种植区域的语义分割模型,使用卫星获得所有作物种植区域的遥感图像且均带有GPS定位信息,将这些大尺度遥感图像切割成不重复的固定大小,将这些固定大小的遥感图像输入作物种植区域语义分割模型,得到作物种植区域的语义分割图。
基于此,本申请具有以下优点:
1)农作物适宜种植的区域较少且比较集中,使我们可以经济的进行前行数据准备时期的工作,工作量和人力物力的消耗较小,对全种植范围内的农作物产量进行预估,可以准确地预估全球内的某一年的农作物的产量,有效的提前掌握了农作物的年产,而农作物的消耗量每年几乎保持不变。根据供需关系,使我们在期货市场有一个比较准确的价格的预估,在这种前提下实现商业盈利。
2)遥感数据与无人机数据进行结合(因为二者均可以实现拍摄影像的同时定位到拍摄地的经纬度),可以准确的利用数据上所携带的定位信息定位到农作物的种植区域,精准的对遥感数据进行标注,以进行后续的产量预估
3)以深度学习方法来对标注的遥感数据进行分割,来实现深度学习模型的训练和测试,因为农作物的长势信息每年都进行轮回,所以是我们可以一劳永逸的使用此模型来对每年的遥感数据进行分析,并可以通过第二年的预测量来对产量预测模型进行修正,实现高准确率产量预测的更新。
4)深度学习方法本发明选择以MobileNetV3为主干网络的语义分割网络,采用双分支的网络架构,一个分支以MobileNetV3为主干网络,加入图卷积融合模块,另一个分支采用三个卷积来提取空间信息,最终两个分支的特征进行特征融合,得到最终的语义分割网络。这部分网络的优点是训练速度快,可以快速进行不同区域遥感数据的分割,以此来实现所有地区农作物种植区域的快速计算。
本申请与现有技术相比,解决了某种农作物大范围内的种植面积统计,并且结合遥感数据与气候数据以及往年作物产量的统计数据统一预测作物的年产量。目前的方法仅能小范围的预测某种农作物的产量,或者仅根据统计数据以及气候数据来预测某种农作物的年产量,还未有使用无人机数据及遥感数据结合统计数据综合预测某种农作物年总产量的方法。
请参阅图8,本申请实施例还提供一种农作物产量预测装置,可以实现上述农作物产量预测方法,该装置包括:
获取模块810,用于获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;
标注模块820,用于通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;
匹配模块830,用于根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;
训练模块840,用于以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;
预测模块850,用于基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。
基于此,本申请实施例的农作物产量预测装置,获取模块810获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;标注模块820通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;匹配模块830根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;训练模块840以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;预测模块850基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。本申请实施例通过获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。基于此,本申请实施例采用无人机去识别农作物的种植,可精准地对遥感图像进行标注,最终对标注的遥感图像进行深度学习的模型训练,得到网络模型,基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。因此,本申请实施例通过将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,预测精度高。
该农作物产量预测装置的具体实施方式与上述农作物产量预测方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述农作物产量预测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案。
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的农作物产量预测方法,即通过获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。基于此,本申请实施例采用无人机去识别农作物的种植,可精准地对遥感图像进行标注,最终对标注的遥感图像进行深度学习的模型训练,得到网络模型,基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。因此,本申请实施例通过将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,预测精度高。
输入/输出接口903,用于实现信息输入及输出。
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WI F I、蓝牙等)实现通信。
总线,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息。
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述农作物产量预测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的农作物产量预测方法、农作物产量预测装置、电子设备及存储介质,通过获取所有作物种植地的遥感图像以及遥感图像的经纬度信息;通过无人机巡航并标注所有作物种植地中作物种植区域的经纬度信息;根据遥感图像的经纬度信息和作物种植区域的经纬度信息进行经纬度匹配,以确定在遥感图像上标注的作物种植区域;以遥感图像上标注的作物种植区域作为深度学习的训练集,通过轻量级网络对训练集进行训练,得到网络模型;基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。基于此,本申请实施例采用无人机去识别农作物的种植,可精准地对遥感图像进行标注,最终对标注的遥感图像进行深度学习的模型训练,得到网络模型,基于网络模型对获取的目标作物种植区域的遥感图像进行目标作物种植区域的目标作物年产量预测。因此,本申请实施例通过将无人机图像和遥感图像结合起来进行大范围农作物年产量的预测,预测精度高。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读程序、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读程序、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。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实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明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,以便这里描述的本申请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。此外,术语“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,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,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,上述单元的划分,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,例如多个单元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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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或者该技术方案的全部或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,包括多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)执行本申请各个实施例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、只读存储器(Read-On ly Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种农作物产量预测方法,其特征在于,所述方法包括:
获取所有作物种植地的遥感图像以及所述遥感图像的经纬度信息;
通过无人机巡航并标注所述所有作物种植地中作物种植区域的经纬度信息;
根据所述遥感图像的经纬度信息和所述作物种植区域的经纬度信息进行经纬度匹配,以确定在所述遥感图像上标注的所述作物种植区域;
以所述遥感图像上标注的所述作物种植区域作为深度学习的训练集,通过轻量级网络对所述训练集进行训练,得到网络模型;
基于所述网络模型对获取的目标作物种植区域的遥感图像进行所述目标作物种植区域的目标作物年产量预测。
2.根据权利要求1所述的方法,其特征在于,所述获取所有作物种植地的遥感图像以及所述遥感图像的经纬度信息,包括:
以卫星遥感采集所有作物种植地的遥感图像;
对所述遥感图像进行图像预处理,将所述遥感图像分割成按比例尺分割成固定大小的图块,其中,所述图块附带有分配的经纬度信息。
3.根据权利要求1所述的方法,其特征在于,所述通过无人机巡航并标注所述所有作物种植地中作物种植区域的经纬度信息,包括:
采用无人机搭载相机进行对所述作物种植区域航拍;
收集所述作物种植区域的图片;
根据GPS定位平台来记录所述图片的经纬度信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述遥感图像的经纬度信息和所述作物种植区域的经纬度信息进行经纬度匹配,以确定在所述遥感图像上标注的所述作物种植区域,包括:
通过定位匹配方法将经纬度信息进行点对点的匹配,其中,所述定位匹配方法采用最近邻定位匹配法,标注无人机GPS定位点距离最近的遥感图像像素点;
将作物种植区域的标注信息从无人机影像转到遥感影像以标注遥感影像的每一个像素点的类别,并记录比例尺,以获得遥感图像的像素与真实作物种植区域的面积对应关系。
5.根据权利要求1所述的方法,其特征在于,所述以所述遥感图像上标注的所述作物种植区域作为深度学习的训练集,通过轻量级网络对所述训练集进行训练,得到网络模型,包括:
对所述遥感图像进行大小规则化的裁剪;
对规则化裁剪的所述遥感图像进行标注,以矩形框为标注框标注到所述作物种植区域;
将标注完成的所述遥感图像分为训练集和验证集,以训练集在YoLo V3网络上进行模型训练,得到网络模型。
6.根据权利要求1所述的方法,其特征在于,所述基于所述网络模型对获取的目标作物种植区域的遥感图像进行所述目标作物种植区域的目标作物年产量预测,包括:
将标注有目标作物种植区域的遥感图像输入预先训练好的网络模型,分割出多个目标作物种植区域,其中,所述网络模型基于带有标注的所述遥感影像进行深度学习的模型训练而得到;
统计多个所述目标种植作物区域的种植区域总大小;
根据所述目标种植区域总大小和比例尺计算种植作物区域的总面积;
根据往年的气候、往年的产量和本年度的气候来进行预测目标作物的亩产量;
根据所述总面积和所述亩产量计算得到本年度目标作物年产量的预测值。
7.根据权利要求6所述的方法,其特征在于,所述将标注有目标作物种植区域的遥感图像输入预先训练好的网络模型,分割出多个目标作物种植区域,包括:
基于网络模型的上下文分支使用MobileNetV3轻量级网络提取特征,使用图卷积进行全局信息的提取,得到包含远程信息的第一特征;
基于网络模型的空间分支使用三个卷积进行特征提取,得到包含原始信息的第二特征;
将所述第一特征和所述第二特征进行融合,经过分割得到所述目标作物种植区域的语义分割图;
基于所述语义分割图分割出多个目标作物种植区域。
8.一种农作物产量预测装置,其特征在于,所述装置包括:
获取模块,用于获取所有作物种植地的遥感图像以及所述遥感图像的经纬度信息;
标注模块,用于通过无人机巡航并标注所述所有作物种植地中作物种植区域的经纬度信息;
匹配模块,用于根据所述遥感图像的经纬度信息和所述作物种植区域的经纬度信息进行经纬度匹配,以确定在所述遥感图像上标注的所述作物种植区域;
训练模块,用于以所述遥感图像上标注的所述作物种植区域作为深度学习的训练集,通过轻量级网络对所述训练集进行训练,得到网络模型;
预测模块,用于基于所述网络模型对获取的目标作物种植区域的遥感图像进行所述目标作物种植区域的目标作物年产量预测。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的农作物产量预测方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的农作物产量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251398.5A CN116307170A (zh) | 2023-03-15 | 2023-03-15 | 农作物产量预测方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251398.5A CN116307170A (zh) | 2023-03-15 | 2023-03-15 | 农作物产量预测方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307170A true CN116307170A (zh) | 2023-06-23 |
Family
ID=86831929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310251398.5A Pending CN116307170A (zh) | 2023-03-15 | 2023-03-15 | 农作物产量预测方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307170A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292281A (zh) * | 2023-10-11 | 2023-12-26 | 南京农业大学 | 基于无人机图像的露地瓜菜检测方法、装置、设备及介质 |
-
2023
- 2023-03-15 CN CN202310251398.5A patent/CN116307170A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292281A (zh) * | 2023-10-11 | 2023-12-26 | 南京农业大学 | 基于无人机图像的露地瓜菜检测方法、装置、设备及介质 |
CN117292281B (zh) * | 2023-10-11 | 2024-06-11 | 南京农业大学 | 基于无人机图像的露地瓜菜检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carlevaris-Bianco et al. | University of Michigan North Campus long-term vision and lidar dataset | |
Lam et al. | An open source workflow for weed mapping in native grassland using unmanned aerial vehicle: Using Rumex obtusifolius as a case study | |
CN111582043A (zh) | 基于多任务学习的高分辨率遥感影像地物变化检测方法 | |
Soares et al. | Cattle counting in the wild with geolocated aerial images in large pasture areas | |
CN112801158A (zh) | 基于级联融合和注意力机制的深度学习小目标检测方法及装置 | |
CN112419374A (zh) | 一种基于图像配准的无人机定位方法 | |
CN116307170A (zh) | 农作物产量预测方法和装置、电子设备及存储介质 | |
Pi et al. | Desertification glassland classification and three-dimensional convolution neural network model for identifying desert grassland landforms with unmanned aerial vehicle hyperspectral remote sensing images | |
Zhaosheng et al. | Rapid detection of wheat ears in orthophotos from unmanned aerial vehicles in fields based on YOLOX | |
Song et al. | Small UAV-based multi-temporal change detection for monitoring cultivated land cover changes in mountainous terrain | |
Kluger et al. | Temporally consistent horizon lines | |
Cabrera-Ponce et al. | Convolutional neural networks for geo-localisation with a single aerial image | |
Zou et al. | Density estimation method of mature wheat based on point cloud segmentation and clustering | |
CN104463962A (zh) | 基于gps信息视频的三维场景重建方法 | |
Yin et al. | Multimodal fusion of satellite images and crowdsourced GPS traces for robust road attribute detection | |
CN103870847A (zh) | 一种低照度环境下对地监控的运动目标检测方法 | |
CN116403071B (zh) | 基于特征重构的少样本混凝土缺陷检测方法及装置 | |
CN111950524A (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统 | |
Koshelev et al. | Drone-Aided Detection of Weeds: Transfer Learning for Embedded Image Processing | |
Hänsch | The trap of random sampling and how to avoid it-alternative sampling strategies for a realistic estimate of the generalization error in remote sensing | |
Ramachandran et al. | Tiny Criss-Cross Network for segmenting paddy panicles using aerial images | |
Wilkinson et al. | A new approach for pass-point generation from aerial video imagery | |
Liang et al. | Efficient match pair selection for matching large-scale oblique UAV images using spatial priors | |
Agarwal et al. | An Efficient Application of Machine Learning for Assessment of Terrain 3D Information Using Drone Data | |
Deng et al. | A paddy field segmentation method combining attention mechanism and adaptive feature fusion |
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 |