CN117114513A - 基于图像的农作物药肥使用评估方法、装置、设备及介质 - Google Patents
基于图像的农作物药肥使用评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117114513A CN117114513A CN202311376753.8A CN202311376753A CN117114513A CN 117114513 A CN117114513 A CN 117114513A CN 202311376753 A CN202311376753 A CN 202311376753A CN 117114513 A CN117114513 A CN 117114513A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic data
- remote sensing
- video image
- fertilizer
- 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
- 239000003337 fertilizer Substances 0.000 title claims abstract description 109
- 239000000575 pesticide Substances 0.000 title claims abstract description 86
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 22
- 239000002689 soil Substances 0.000 claims description 98
- 238000003384 imaging method Methods 0.000 claims description 28
- 230000009418 agronomic effect Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000006399 behavior Effects 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 235000013348 organic food Nutrition 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 241000209094 Oryza Species 0.000 description 29
- 235000007164 Oryza sativa Nutrition 0.000 description 29
- 235000009566 rice Nutrition 0.000 description 29
- 238000012549 training Methods 0.000 description 18
- 239000000126 substance Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 229910052700 potassium Inorganic materials 0.000 description 4
- 239000011591 potassium Substances 0.000 description 4
- 239000002881 soil fertilizer Substances 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000003895 organic fertilizer Substances 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- -1 gronomic Species 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/40—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Abstract
本申请涉及一种基于图像的农作物药肥使用评估方法、装置、设备及介质,涉及数据处理技术领域,方法包括:获取目标区域的遥感图像和视频图像;解析遥感图像和视频图像,提取出具有预设特征信息的区域,基于区域得到遥感图像和视频图像的共同特征,基于共同特征对遥感图像和视频图像进行配准和地理校正;对配准和地理校正校正后的遥感图像和视频图像进行融合,得到目标区域的融合图像;提取融合图像的特征数据,基于特征数据确定目标区域的药肥使用情况。该方法将遥感图像和视频图像相结合,解决了有机食品生产过程药肥使用情况评估效果差的技术问题,实现了图像处理效率、特征识别能力和准确度较高,评估结果更加准确的技术效果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于图像的农作物药肥使用情况的评估方法、装置、设备及介质。
背景技术
近年来,人们对食品安全问题的关注度越来越高,尤其是有机食品,因其倡导无农药化肥的使用理念,受到了许多消费者的喜爱。然而,由于缺乏有效的监管手段,有机食品在生产过程中是否真正遵循了无农药化肥的原则,这一点往往难以保证。因此,如何有效地监管有机食品的生产过程,成为了一个亟待解决的问题。
在现有的技术方案中,主要通过以下三种方式进行有机食品生产过程的监管:
1.人工现场检查,通过工作人员定期对有机食品的生产基地进行现场检查,以确保生产过程符合无农药化肥的要求。
2.依靠第三方检测机构,通过邀请第三方检测机构对生产出的有机食品进行检测,以确定是否符合无农药化肥的标准。
3.使用物联网技术,通过在农业生产现场安装传感器等方式,实时监测土壤、气候等参数,以判断是否使用了农药化肥。
其中,人工抽样检测常常带来不确定性,样本也难以全面代表作物的实际生长情况,第三方认证无法保证认证的公正与客观,物联网虽然可以实时监测,但监测内容并不全面,只能对部分指标进行监测,且当环境发生变化的时候,监测内容并不能随之进行改变,导致监测系统难以及时发现环境异常变化,从而得出不正确的监测结果。
因此,对有机食品的监管方法还有待提升。
发明内容
为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题,本申请提供一种基于图像的农作物药肥使用情况的评估方法、装置、设备及介质,实现对土壤药肥使用情况的实时和准确的评估。
本申请提供了一种基于图像的农作物药肥使用情况的评估方法,包括:
获取目标区域的遥感图像和视频图像,所述遥感图像是在预设成像时间内对所述目标区域进行成像得到的,所述视频图像是在所述预设成像时间内对所述目标区域进行成像得到的;
解析所述遥感图像和所述视频图像,提取出具有预设特征信息的区域,基于所述区域得到所述遥感图像和所述视频图像的共同特征;
基于所述共同特征对所述遥感图像和所述视频图像进行配准和地理校正;
对配准和地理校正后的遥感图像和视频图像进行融合,得到所述目标区域的融合图像;
提取所述融合图像的特征数据,将所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况,其中,所述特征数据包括以下任意项或任意组合:土壤指数特征数据、农作物生成特征数据以及农事行为特征数据。
本申请还提供了一种基于图像的农作物药肥使用情况的评估装置,包括:
图像获取模块,用于获取目标区域的遥感图像和视频图像,所述遥感图像是在预设成像时间内对所述目标区域进行成像得到的,所述视频图像是在所述预设成像时间内对所述目标区域进行成像得到的;
图像解析模块,用于解析所述遥感图像和所述视频图像,提取出具有预设特征信息的区域,基于所述区域得到所述遥感图像和所述视频图像的共同特征;
配准校正模块,用于基于所述共同特征对所述遥感图像和所述视频图像进行配准和地理校正;
图像融合模块,用于对配准和地理校正后的遥感图像和视频图像进行融合,得到所述目标区域的融合图像;
评估模块,用于提取所述融合图像的特征数据,将所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况,其中,所述特征数据包括以下任意项或任意组合:土壤指数特征数据、农作物生成特征数据以及农事行为特征数据。
本申请还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意所述的基于图像的农作物药肥使用情况的评估方法。
本申请还提供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程序代码,所述程序代码用于实现上述任意的基于图像的农作物药肥使用情况的评估方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请利用卫星遥感技术和物联网技术,实现了对有机农作物种植期间是否使用农药化肥的情况进行实时评估,有利于减少人力投入,避免抽检的不确定性,提升监管效率,并且,对遥感图像和视频图像进行配准和地理校正后再进行融合,有利于提取更多更全面的特征数据来确定土壤药肥使用情况,大大提高特征识别能力和准确度,从而可以获得更加准确的评估结果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于图像的农作物药肥使用情况的评估方法的流程示意图。
图2为本申请实施例提供的一种计算机设备的结构框图;
图3为本申请实施例提供的一种基于图像的农作物药肥使用情况的评估装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,下面对本申请实施例提供的一种基于图像的农作物药肥使用情况的评估方法、装置、设备及存储介质进行详细介绍,参见图1,一种基于图像的农作物药肥使用情况的评估方法,包括以下步骤:
步骤S1,获取目标区域的遥感图像和视频图像,所述遥感图像是在预设成像时间内对所述目标区域进行成像得到的(例如,通过卫星、无人机等成像得到遥感图像),所述视频图像是在所述预设成像时间内对所述目标区域进行成像得到的(例如,通过相机、摄像头等视频监控装置成像得到视频图像);
步骤S2,解析所述遥感图像和所述视频图像,提取出具有预设特征信息的区域,基于所述区域得到所述遥感图像和所述视频图像的共同特征;
步骤S3,基于所述共同特征对所述遥感图像和所述视频图像进行配准和地理校正;
步骤S4,对配准和地理校正后的遥感图像和视频图像进行融合,得到所述目标区域的融合图像;
步骤S5,提取所述融合图像的特征数据,将所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况,其中,所述特征数据包括以下任意项或任意组合:土壤指数特征数据、农作物生成特征数据以及农事行为特征数据。
具体实施时,目标区域可以为种植农产品(农作物或有机农作物)的区域。例如,种植有机大米的田地。为了更好评估农产品种植过程中的农药使用情况,可以通过携带高光谱传感器的无人机或高光谱卫星,对目标区域进行图像采集,得到目标区域的遥感图像,以便于通过遥感图像的光谱特征来确定目标区域中的农药使用情况。可以理解的是,有机农作物(比如有机生长的大米)在生长过程中,均是施用有机肥以及一些无害的方式治理病虫害,其特点便是不会导致产区土壤的氮磷钾以及pH值浓度等土壤指数出现剧烈变化,当其中某一项或多项出现剧烈变化,发生异常,则可以确定该区域在种植有机农作物的过程中违规使用了农药化肥。
具体实施时,通过高清摄像机采集目标区域的视频图像。遥感图像和视频图像可以提供不同的特征信息,可获取目标区域的遥感图像的光谱特征和视频图像的灰度特征,通过对遥感图像的光谱特征进行分析,可提取出土壤的反射率、土壤指数等特征;通过对视频图像进行分析,可提取出植物的颜色、形状、纹理、灰度等特征(即农作物生成特征数据),还可以基于视频图像中的农事行为提取出农事行为特征数据。
具体实施时,将遥感图像和视频图像的数据进行融合,可以获得更加全面的信息。例如,可以通过将遥感图像和视频图像进行叠加,将两者的特征信息进行融合,以获得更加准确的评估结果。
具体的,为了提高评估准确度,在融合之前,需要对遥感图像和视频图像进行影像配准和地理校正,以确保它们在空间上准确对应。配准和地理校正的过程可以通过以下步骤实现:
首先,确定共同特征:在遥感图像和视频图像中,寻找具有明显特征的区域,如农田、道路、土地利用类型等。这些共同特征可以用于配准和校正。
图像变换:使用图像变换算法,如仿射变换或透视变换,将遥感图像和视频图像进行空间变换,使其在位置、方向和比例上与另一幅图像匹配。
数据融合:将进行空间变换后的遥感图像和视频图像进行数据融合,以提取更多的特征数据来确定药肥的使用情况(例如,是否使用了药肥,土壤中药肥的含量)。
具体实施时,本申请提供的基于图像的农作物药肥使用情况的评估方法,通过确定遥感图像和视频图像的共同特征,并以共同特征为参考,两种图像互相以对方为参考,自动对图像进行配准和地理校正后再进行图像融合,一方面,对图像的配准和校正处理过程无需人工干预,大大提高处理效率,是本申请的创新点之一。另一方面,将遥感图像和视频图像两者相结合,融合图像包含更多更全面的特征数据,通过提取融和图像的特征数据来确定土壤药肥含量,可以大大提高特征识别能力和准确度,从而可以获得更加准确的评估结果,是本申请的又一创新点之一。
一种实现方式中,提取所述融合图像的特征数据,并基于所述特征数据确定所述目标区域的药肥使用情况,具体可以包括以下步骤:
从遥感图像和视频图像中提取与土壤药肥含量相关的土壤指数特征数据、农作物生成特征数据以及农事行为特征数据,并与预存特征数据进行比较和分析,具体的:
土地利用类型:通过遥感图像可以确定土地利用类型的信息,如农田、林地、城市等。这些信息可以与土壤药肥含量相关联,从而通过遥感图像提取土壤药肥含量等土壤指数特征数据的线索。
土壤纹理:遥感图像中的土壤纹理可以反映土壤药肥含量的差异。通过计算纹理的统计特征,如对比度、均值、方差等,可以提取土壤药肥含量等土壤指数特征数据的相关信息。
光谱特征:高光谱遥感图像中从近红外到短波红外有大量的植被光谱信息,不同土壤药肥含量信息有着特定的光谱信息,通过对光谱信息进行一阶导数、二阶导数及主成分分析等算法计算,可精确提高土壤药肥信息等土壤指数特征数据的提取。
车流量和人流量:视频图像可以提供车流量和人流量的数据,这些数据可以反映区域的交通状况和人口密度。这些信息可以与土壤药肥含量等相关联,从而通过视频图像提取土壤药肥含量等土壤指数特征数据的线索。
还可以提取出植物的颜色、形状、纹理、灰度等特征,以获得农作物生成特征数据,还可以基于视频图像中的农事行为提取出农事行为特征数据。
通过将从遥感图像和视频图像中提取的特征数据与预存特征数据进行比对,可以更全面地了解土壤药肥含量的分布和变化情况,农作物生长情况、农事行为等,从而可以更快速且准确地基于特征数据来确定是否使用了药肥、土壤药肥含量等。
一种实现方式中,在对配准和地理校正后的遥感图像和视频图像进行融合之前,还包括:
通过比较遥感图像和视频图像的共同特征,确定配准和地理校正的误差,若所述误差在预设范围内,则对经过配准和地理校正的遥感图像和视频图像进行融合。若所述误差不在预设范围内,则对经过配准和地理校正的遥感图像和视频图像进行图像补全后再进行融合。其中图像补全方法可以参见现有技术,这里不做赘述。
在图像融合前通过误差筛选能够提高图像融合的数据准确性,有利于提高评估准确度。
为了提高图像融合的准确度。一种实现方式中,在比较遥感图像和视频图像的共同特征之前,还包括:
使用图像变换算法将遥感图像和视频图像进行空间变换,以使变换后的遥感图像和视频图像的位置、方向、比例和尺寸一致。
具体的,使用图像变换算法,如仿射变换或透视变换,将遥感图像和视频图像进行空间变换,使其在位置、方向和比例上与另一幅图像匹配。
一种实现方式中,对配准和地理校正后的遥感图像和视频图像进行融合,具体包括:
将配准和校正后的遥感图像和视频图像的像素进行加权平均或按像素融合。
将图像的像素进行加权平均或按像素融合,生成一个新的图像。这个新图像可以包含两幅图像的共同特征,从而更全面地反映土壤药肥含量的信息。
一种实现方式中,对配准和地理校正后的遥感图像和视频图像进行融合,具体包括:
使用图像变换算法将配准和地理校正后的遥感图像和视频图像进行融合。
使用变换算法,如小波变换或经验模态分解,将遥感图像和视频图像进行融合。这种融合方法可以保留不同图像的独立信息,同时增强融合后的图像的视觉效果。
一种实现方式中,对配准和地理校正的遥感图像和视频图像进行融合,具体包括:
分别提取经过配准和地理校正的遥感图像和视频图像的特征,使用特征匹配或聚类的方法将两类图像的特征进行融合。
提取遥感图像和视频图像的特征,如纹理、颜色、光谱、形状等,然后使用特征匹配或聚类的方法将两幅图像的特征进行融合。这种方法可以提供更丰富的特征信息,有助于准确判断土壤药肥含量。
一种实现方式中,解析所述遥感图像和所述视频,提取出具有预设特征信息的区域之前,还包括:
调整遥感图像和视频图像的分辨率、色彩饱和度和对比度,对遥感图像和视频图像进行图像预处理。
遥感图像和视频图像在分辨率、色彩饱和度等方面可能存在差异,因此可以在处理之前对两种图像进行预处理,以使其更加匹配。例如,可以通过调整分辨率、色彩饱和度和对比度等参数,使遥感图像和视频图像在视觉效果上更加接近。
具体的,为了提高数据的准确性和可靠性,一种实现方式中,对收集到的遥感图像数据需要进行预处理,以去除噪声和畸变,预处理方法包括图像滤波、图像增强和辐射定标等。
其中,图像滤波可采用均值滤波或者中值滤波,图像增强可采用对比度增强,例如,对比度增强可以通过扩大像素值的范围,增强图像中的细节和清晰度。亮度增强可以通过调整像素的亮度,使图像整体变亮或变暗。直方图均衡化可以通过重新分配像素值,使图像的对比度更好。辐射定标可采用绝对辐射定标,相对辐射定标可以通过选取一个已知辐射值的区域或图像作为标准,计算该区域或图像的像素值与实际辐射值的比例作为定标系数。辐射定标是一种将遥感图像的像素值与实际辐射值相对应的过程。通过辐射定标,可以确保不同波段的图像可以在辐射值上配准,从而提高数据的准确性和可靠性。
上述图像的预处理方法可以根据具体的遥感图像数据类型和需求进行选择和组合。例如,对于高分辨率的遥感图像,可能需要进行图像滤波和图像增强来去除噪声和畸变,而对于多波段的图像,可能需要进行辐射定标来确保数据的准确性,预处理方法不做具体限制。
具体实施时,为了高效、准确地评估目标区域的药肥使用情况,提出了通过以下步骤实现基于所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况:
在出现以下任意情况或任意情况组合时,判断所述目标区域存在使用药肥的情况:
所述土壤指数特征数据大于所述预存特征数据中的土壤指数特征数据;
所述农作物生成特征数据与所述预存特征数据中的农作物生成特征数据不符;
所述农事行为特征数据为所述预存特征数据中施用药肥的预设特征数据。
具体实施时,一种实现方式中,所述方法还包括:通过以下方式获得预存特征数据:
采集所述目标区域所在区域的历史遥感图像和历史视频图像;
从所述历史遥感图像中提取历史农作物生成特征数据和历史土壤指数特征数据;
从所述历史视频图像中提取历史农事行为特征数据;
将所述历史农作物生成特征数据、所述历史土壤指数特征数据和所述历史农事行为特征数据形成初始特征数据;
将所述历史遥感图像输入已训练的预测模型,获得历史土壤药肥含量预测数据;
根据所述历史土壤药肥含量预测数据调整所述初始特征数据中的所述历史土壤指数特征数据,得到调整后的特征数据,将调整后的特征数据作为所述预存特征数据。
具体的,在提取所述历史农作物生成特征数据、所述历史土壤指数特征数据和所述历史农事行为特征数据的过程中,可以使用已训练的模型来提取各个特征数据。例如,可以使用训练后的深度学习模型提取所述历史农作物生成特征数据、所述历史土壤指数特征数据和所述历史农事行为特征数据,可以进一步提高评估的准确性。例如,深度学习模型可以使用卷积神经网络(CNN)、循环神经网络(RNN)、支持向量机(SVM)或随机森林(RandomForest)等模型,通过以历史遥感图像和历史视频图像为样本进行联合训练,得到训练后的深度学习模型,以提取出更加准确的特征信息。
具体的,可以使用机器学习算法建立上述预测模型,为了提高预测模型的准确度,可使用训练数据集对模型进行训练,以更准确的预测土壤药肥含量,作为一个示例,可使用监督学习算法,例如线性回归、岭回归和朴素贝叶斯等。这些算法可以根据已知的土壤化肥农药含量和遥感数据之间的关系,建立一个预测模型。为了便于理解,以下对这些算法进行具体说明和补充:
线性回归:
线性回归是一种用于预测数值型数据的监督学习算法。在模型训练中,线性回归可以通过最小化实际值与预测值之间的误差平方和来拟合数据。具体而言,对于每个样本(x i ,y i),其中x i为遥感数据,y i为对应的土壤化肥农药含量,线性回归模型可以表示为:
y
i
=θT
xi
+θ
0
其中θ为模型的参数向量,θ 0为偏移量。通过最小化训练数据集的损失函数(例如均方误差),可以求解出最优的参数向量θ,用于预测新的样本的土壤化肥农药含量。
岭回归:
岭回归是一种用于处理多重共线性的线性回归算法。在模型训练中,当遥感数据存在多重共线性(即特征之间具有较强的相关性)时,使用普通线性回归可能会导致模型的不稳定或过拟合。岭回归通过在损失函数中加入正则化项来限制参数的范数,从而解决这个问题。具体而言,岭回归的模型可以表示为:
y
i
=θT
xi
+θ
0
其中θ为模型的参数向量,θ 0为偏移量。通过最小化训练数据集的损失函数(例如均方误差)并加入正则化项(例如L2正则化),可以求解出最优的参数向量θ,用于预测新的样本的土壤化肥农药含量。
朴素贝叶斯:
朴素贝叶斯是一种用于分类和概率估计的监督学习算法。在模型训练中,朴素贝叶斯可以根据训练数据集中的遥感数据和相应的土壤化肥农药含量,学习出条件概率分布模型。
这些算法的具体实现和参数设置需要根据实际情况进行调整和优化。在实际应用中,还需要考虑数据的特点、数据量、噪声等因素,以及选择合适的特征提取方法和算法组合,以提高训练的准确性和可靠性。同时,还需要进行模型的评估和调整,例如使用交叉验证、测试集等方法来评估模型的性能并进行优化。
一种实现方式中,训练完模型后,对模型进行评估和优化。评估可以通过使用测试数据集来计算模型的准确性和误差。优化可以通过调整模型的参数来提高模型的性能和准确性。以下是对模型评估和优化的具体说明和补充:
模型评估:
模型评估是通过使用测试数据集来评估模型的性能和误差的一种方法。测试数据集是独立于训练数据集的数据集,用于测试模型的泛化能力和预测准确性。
具体而言,模型评估可以使用以下指标来衡量模型的性能和误差:
(1)预测误差:预测误差是模型对测试数据集中样本的预测值与真实值之间的差异。
(2)准确率:准确率是模型对测试数据集中样本的预测准确率的衡量指标。准确率可以定义为模型正确预测的样本数与总样本数之比。
(3) 精确率和召回率:精确率和召回率是用于分类问题中的指标,以此表示模型正确分类为正例的样本数与总正例的样本数之比。
通过使用这些指标,可以对模型的性能和准确性进行评估,并判断模型是否需要进行优化。
模型优化:
模型优化是通过调整模型的参数来提高模型的性能和准确性的方法。常用的模型优化方法包括以下几种:
(1) 参数调整:参数调整是通过调整模型的参数来改善模型的性能和准确性的一种方法。常见的参数调整包括调整学习率、正则化系数等。
(2) 特征选择:特征选择是通过选择最相关的特征来减少特征的维度,从而提高模型的准确性和泛化能力的一种方法。常见的特征选择方法包括特征重要性选择、特征过滤选择等。
(3) 数据增强:数据增强是通过增加训练数据集的样本量来提高模型的泛化能力和准确性的一种方法。可以通过对原始数据进行变换或者生成新的样本来实现数据增强。
(4) 集成学习:集成学习是通过将多个不同的基学习器组合成一个强分类器来提高模型的准确性和泛化能力的一种方法。常见的集成学习方法包括随机森林、Boosting等。具体而言,随机森林通过随机选择样本和特征来构建多个决策树,然后使用投票法或平均法等方式对样本进行分类或预测。Boosting是一种基于弱分类器的集成学习方法,通过逐步调整训练数据集的权重来构建多个弱分类器,并将它们组合起来来提高模型的准确性和泛化能力。具体而言,Boosting算法首先将训练数据集赋予相同的权重,然后对于每个弱分类器,根据上一轮分类的误差来调整样本的权重。每次迭代后,将弱分类器的结果进行加权和,得到最终的分类结果。
通过进行模型优化,可以提高模型的性能和准确性,从而提高模型的预测能力和泛化能力。在优化过程中,需要根据具体的数据集和模型特点选择合适的优化方法,并进行反复的实验和验证,以达到最佳的优化效果。同时,还需要注意防止过拟合和欠拟合等问题,确保优化的稳定性和可靠性。
为了便于理解,上述农作物以有机大米为例,进而以有机大米的生长过程为例,对本申请提供的一种基于图像的农作物药肥使用情况的评估方法的应用场景和工作原理进行说明。
首先:建立有机大米产区本地土壤数据库(即上述预存特征数据中的土壤指数特征数据),具体包括:
支持以地块为单位查询相应的土壤信息,以田间测土配方数据为基础,构建包括但不限于全氮、速效磷、速效钾、PH、有机质、机械组成的有机大米产区土壤本底数据库。实现区域土壤质量、土壤类型的查询。
其次:建立有机大米产区卫星遥感系统,具体包括:
基于多源遥感数据,汇总近三年有机大米产区作物长势、土壤墒情、病虫害监测等数据(即上述预存特征数据中的农作物生成特征数据),每周更新现在的有机大米的作物长势情况及产地土壤环境变化情况,实现区域作物及土壤质量动态变化分析、历史地块大米种植环节追溯等功能,具体可以包括:
1. 数据收集:首先,需要收集农田土壤的遥感数据。这可以通过卫星遥感技术实现,例如使用高光谱卫星图像或者无人机图像。这些数据可以包括农田土壤的光谱、纹理和植被指数等信息。
2. 数据预处理:收集到的遥感数据需要进行预处理,以便去除噪声和畸变,提高数据的准确性和可靠性。预处理方法包括图像滤波、图像增强和辐射定标等。
3. 特征提取:通过对遥感数据进行光谱特征提取,可以获得农田土壤的化肥农药含量等土壤指数特征。特征提取可以使用机器学习算法,例如支持向量机(SVM)和随机森林(Random Forest)等。这些算法可以通过训练数据集来学习如何从遥感数据中提取有用的特征。
4. 模型训练:使用训练数据集,训练一个模型(即上述预测模型)来预测农田土壤的化肥农药含量。可以使用监督学习算法,例如线性回归、岭回归和朴素贝叶斯等。这些算法可以根据已知的土壤化肥农药含量和遥感数据之间的关系,建立一个预测模型。
5. 模型评估和优化:训练完模型后,需要对模型进行评估和优化。评估可以通过使用测试数据集来计算模型的准确性和误差。优化可以通过调整模型的参数来提高模型的性能和准确性。
6. 应用:使用训练后的模型来预测农田土壤的化肥农药含量。可以将遥感数据输入到模型中,输出土壤化肥农药含量的预测值,。
再次:搭建有机大米综合监测模型,开始常态化监管,具体包括:
首先将有机大米产区本底土壤数据库、卫星遥感近三年有机大米产区作物长势、土壤墒情、病虫害监测等数据录入平台作为数据底座(即上述预存特征数据)。通过以下几种功能辨别产地是否施用农药化肥:
卫星遥感功能:每星期卫星遥感采集产期作物及土壤质量,将遥感数据同往年土壤、作物生长的数据进行交叉对比(即将土壤指数特征数据与所述预存特征数据中的土壤指数特征数据进行比对、将所述农作物生成特征数据与所述预存特征数据中的农作物生成特征数据进行比对),发现异常值自动进行标记,同时进行报警。
最后:建立农田AI识别功能:围绕农田布设高架视频监控,采集视频图像,基于视频图像进行农事行为特征数据识别,并根据往年记录的作物生长形态、病虫害、农事作业的数据为基础,或者,将农事行为特征数据与所述预存特征数据中施用药肥的预设特征数据进行比对,判断当前农事作业是否合理,若存在多次或者夜间进行施肥打药的疑似行为,自动记录并进行报警联动。
有机大米在生长过程中,均是施用有机肥以及一些无害的方式治理病虫害,其特点便是不会导致产区土壤的氮磷钾以及pH值浓度等出现剧烈变化,保护产区土壤环境。当其中某一项出现报警,将自动关联其他功能,查看变化趋势,若多项均出现异常报警,则判断该有机大米产地违规使用农药化肥。
通过卫星遥感近红外光谱分析技术以及高光谱成像技术,对有机大米农田进行多方位实时立体常态化评估、监测,区别传统人工抽样检测的弊端,减少人力投入,提升监管效率,为有机大米产区创新性的提供全程农药化肥监管方法。
其中,卫星遥感通过近红外光谱分析技术可识别有机大米土壤中的特定化合物和物质。近红外波段是光谱中紧邻可见光波段的一部分,具有一些独特的功能和应用,通过分析土壤在近红外波段的光谱反射特征,可以获取土壤的质地、含水量、有机质含量、养分含量等信息。通过收集土壤的近红外光谱数据,可以分析土壤中的化学成分,从而确定化肥和农药的含量,判断该地块是否施用农药化肥。
卫星遥感通过高光谱成像技术可确定有机大米土壤中的化肥和农药含量。高光谱成像技术利用多个光谱带来获取土壤的详细信息,可识别土壤中的特定物质,如氮、磷、钾等营养元素,以及农药和有机污染物等。同时高光谱遥感技术被广泛地用于反演土壤中有机质含量、含水量、重金属及土壤质地等方面的研究应用,以此可以从而确定化肥和农药的含量,判断该地块是否施用农药化肥。
利用高光谱卫星等,对目标区域进行多次成像,获取目标区域的光谱立体成像数据。
利用图像处理软件对获取的图像数据进行处理,提取出有机食品的种植区域和生长状况等信息。通过与已知的有机大米种植区域的地理信息系统数据、农场AI视频监控数据进行比对,判断有机食品的种植状况以及土壤变化情况。
最后输出评估结果:将处理后的数据以图表或报告的形式输出,为相关部门或企业提供参考依据。
在本申请的又一些具体实施例中,基于上述基于图像的农作物药肥使用情况的评估方法,还提供了一种基于卫星遥感的有机大米药肥使用情况评估方法,包括对卫星遥感数据采集、数据处理和监测结果输出三个部分。
区别传统人工抽检送样,该有机大米药肥使用情况评估方法实现了有机大米全程种植期间是否使用农药化肥的评估功能,减少人力投入,避免抽检的不确定性,提升评估效率;
该有机大米药肥使用情况评估方法利用卫星遥感大数据和物联网技术,实现了对有机大米生产过程的实时评估,提高了评估效率。
该有机大米药肥使用情况评估方法还可通过机器学习等算法,较为准确地判断有机大米生产过程中是否使用了农药化肥,以及使用量是否超标。
该有机大米药肥使用情况评估方法能够在发现违规使用农药化肥时,及时发出警告并反馈给生产者和消费者,高效反馈,有助于提高生产者的自觉性。
在本实施例中,提供了一种计算机设备,如图2所示,包括存储器201、处理器202及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的基于图像的农作物药肥使用情况的评估方法。
具体的,该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中,提供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执行上述任意的基于图像的农作物药肥使用情况的评估方法的计算机程序。
具体的,计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
基于同一发明构思,本发明实施例中还提供了一种基于图像的农作物药肥使用情况的评估装置,如下面的实施例所述。由于基于图像的农作物药肥使用情况的评估装置解决问题的原理与基于图像的农作物药肥使用情况的评估方法相似,因此基于图像的农作物药肥使用情况的评估装置的实施可以参见基于图像的农作物药肥使用情况的评估方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是本发明实施例的基于图像的农作物药肥使用情况的评估装置的一种结构框图,如图3所示,该装置包括:
图像获取模块301,用于获取目标区域的遥感图像和视频图像,所述遥感图像是在预设成像时间内对所述目标区域进行成像得到的,所述视频图像是在所述预设成像时间内对所述目标区域进行成像得到的;
图像解析模块302,用于解析所述遥感图像和所述视频图像,提取出具有预设特征信息的区域,基于所述区域得到所述遥感图像和所述视频图像的共同特征;
配准校正模块303,用于基于所述共同特征对所述遥感图像和所述视频图像进行配准和地理校正;
图像融合模块304,用于对配准和地理校正后的遥感图像和视频图像进行融合,得到所述目标区域的融合图像;
评估模块305,用于提取所述融合图像的特征数据,将所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况,其中,所述特征数据包括以下任意项或任意组合:土壤指数特征数据、农作物生成特征数据以及农事行为特征数据。
在一个实施例中,图像融合模块,还用于在所述对配准和地理校正后的遥感图像和视频图像进行融合之前,通过比较遥感图像和视频图像的共同特征,确定配准和地理校正的误差,若所述误差在预设范围内,则对配准和地理校正后的遥感图像和视频图像进行融合。
在一个实施例中,图像融合模块,还用于在比较遥感图像和视频图像的共同特征之前,使用图像变换算法将遥感图像和视频图像进行空间变换,以使变换后的遥感图像和视频图像的位置、方向、比例和尺寸一致。
在一个实施例中,图像融合模块,还用于将配准和地理校正后的遥感图像和视频图像的像素进行加权平均或按像素融合。
在一个实施例中,图像融合模块,还用于使用图像变换算法将配准和地理校正后的遥感图像和视频图像进行融合;或者,
分别提取配准和地理校正后的遥感图像和视频图像的特征,使用特征匹配或聚类的方法将两类图像的特征进行融合。
在一个实施例中,评估模块,用于在出现以下任意情况或任意情况组合时,判断所述目标区域存在使用药肥的情况:所述土壤指数特征数据大于所述预存特征数据中的土壤指数特征数据;所述农作物生成特征数据与所述预存特征数据中的农作物生成特征数据不符;所述农事行为特征数据为所述预存特征数据中施用药肥的预设特征数据。
在一个实施例中,还包括:
数据处理模块,用于采集所述目标区域所在区域的历史遥感图像和历史视频图像;从所述历史遥感图像中提取历史农作物生成特征数据和历史土壤指数特征数据;从所述历史视频图像中提取历史农事行为特征数据;将所述历史农作物生成特征数据、所述历史土壤指数特征数据和所述历史农事行为特征数据形成初始特征数据;将所述历史遥感图像输入已训练的预测模型,获得历史土壤药肥含量预测数据;根据所述历史土壤药肥含量预测数据调整所述初始特征数据中的所述历史土壤指数特征数据,得到调整后的特征数据,将调整后的特征数据作为所述预存特征数据。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于图像的农作物药肥使用情况的评估方法,其特征在于,包括:
获取目标区域的遥感图像和视频图像,所述遥感图像是在预设成像时间内对所述目标区域进行成像得到的,所述视频图像是在所述预设成像时间内对所述目标区域进行成像得到的;
解析所述遥感图像和所述视频图像,提取出具有预设特征信息的区域,基于所述区域得到所述遥感图像和所述视频图像的共同特征;
基于所述共同特征对所述遥感图像和所述视频图像进行配准和地理校正;
对配准和地理校正后的遥感图像和视频图像进行融合,得到所述目标区域的融合图像;
提取所述融合图像的特征数据,将所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况,其中,所述特征数据包括以下任意项或任意组合:土壤指数特征数据、农作物生成特征数据以及农事行为特征数据。
2.根据权利要求1所述的基于图像的农作物药肥使用情况的评估方法,其特征在于,在所述对配准和地理校正后的遥感图像和视频图像进行融合之前,还包括:
通过比较遥感图像和视频图像的共同特征,确定配准和地理校正的误差,若所述误差在预设范围内,则对配准和地理校正后的遥感图像和视频图像进行融合。
3.根据权利要求2所述的基于图像的农作物药肥使用情况的评估方法,其特征在于,在比较遥感图像和视频图像的共同特征之前,还包括:
使用图像变换算法将遥感图像和视频图像进行空间变换,以使变换后的遥感图像和视频图像的位置、方向、比例和尺寸一致。
4.根据权利要求1所述的基于图像的农作物药肥使用情况的评估方法,其特征在于,所述对配准和地理校正后的遥感图像和视频图像进行融合,包括:
将配准和地理校正后的遥感图像和视频图像的像素进行加权平均或按像素融合。
5.根据权利要求1所述的基于图像的农作物药肥使用情况的评估方法,其特征在于,所述对配准和地理校正后的遥感图像和视频图像进行融合,包括:
使用图像变换算法将配准和地理校正后的遥感图像和视频图像进行融合;或者,
分别提取配准和地理校正后的遥感图像和视频图像的特征,使用特征匹配或聚类的方法将两类图像的特征进行融合。
6.根据权利要求1至5中任一项所述的基于图像的农作物药肥使用情况的评估方法,其特征在于,基于所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况,包括:
在出现以下任意情况或任意情况组合时,判断所述目标区域存在使用药肥的情况:
所述土壤指数特征数据大于所述预存特征数据中的土壤指数特征数据;
所述农作物生成特征数据与所述预存特征数据中的农作物生成特征数据不符;
所述农事行为特征数据为所述预存特征数据中施用药肥的预设特征数据。
7.根据权利要求1至5中任一项所述的基于图像的农作物药肥使用情况的评估方法,其特征在于,还包括:
采集所述目标区域所在区域的历史遥感图像和历史视频图像;
从所述历史遥感图像中提取历史农作物生成特征数据和历史土壤指数特征数据;
从所述历史视频图像中提取历史农事行为特征数据;
将所述历史农作物生成特征数据、所述历史土壤指数特征数据和所述历史农事行为特征数据形成初始特征数据;
将所述历史遥感图像输入已训练的预测模型,获得历史土壤药肥含量预测数据;
根据所述历史土壤药肥含量预测数据调整所述初始特征数据中的所述历史土壤指数特征数据,得到调整后的特征数据,将调整后的特征数据作为所述预存特征数据。
8.一种基于图像的农作物药肥使用情况的评估装置,其特征在于,包括:
图像获取模块,用于获取目标区域的遥感图像和视频图像,所述遥感图像是在预设成像时间内对所述目标区域进行成像得到的,所述视频图像是在所述预设成像时间内对所述目标区域进行成像得到的;
图像解析模块,用于解析所述遥感图像和所述视频图像,提取出具有预设特征信息的区域,基于所述区域得到所述遥感图像和所述视频图像的共同特征;
配准校正模块,用于基于所述共同特征对所述遥感图像和所述视频图像进行配准和地理校正;
图像融合模块,用于对配准和地理校正后的遥感图像和视频图像进行融合,得到所述目标区域的融合图像;
评估模块,用于提取所述融合图像的特征数据,将所述特征数据和预存特征数据进行比对,根据比对结果确定所述目标区域的药肥使用情况,其中,所述特征数据包括以下任意项或任意组合:土壤指数特征数据、农作物生成特征数据以及农事行为特征数据。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于图像的农作物药肥使用情况的评估方法。
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存储有程序代码,所述程序代码用于实现如权利要求1至7中任一项所述的基于图像的农作物药肥使用情况的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376753.8A CN117114513A (zh) | 2023-10-24 | 2023-10-24 | 基于图像的农作物药肥使用评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376753.8A CN117114513A (zh) | 2023-10-24 | 2023-10-24 | 基于图像的农作物药肥使用评估方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114513A true CN117114513A (zh) | 2023-11-24 |
Family
ID=88800607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376753.8A Pending CN117114513A (zh) | 2023-10-24 | 2023-10-24 | 基于图像的农作物药肥使用评估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114513A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN108318071A (zh) * | 2017-12-26 | 2018-07-24 | 潘荣兰 | 一种监测准确的农作物生长监测系统 |
CN108990944A (zh) * | 2018-06-27 | 2018-12-14 | 浙江大学 | 基于可见光热红外图像融合的无人机遥感喷药一体化方法及装置 |
CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测系统及方法 |
CN114241208A (zh) * | 2021-12-25 | 2022-03-25 | 南京理工大学 | 图像间变化检测的局部和全局深度对比特征学习网络构建方法 |
CN114280276A (zh) * | 2021-12-23 | 2022-04-05 | 青岛农业大学 | 一种农业监测系统及方法 |
CN115731141A (zh) * | 2021-08-27 | 2023-03-03 | 中国科学院国家空间科学中心 | 面向机动目标动态监测的天基遥感图像时空融合方法 |
CN116580318A (zh) * | 2023-05-11 | 2023-08-11 | 中山大学 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
CN116630825A (zh) * | 2023-06-09 | 2023-08-22 | 北京佳格天地科技有限公司 | 一种卫星遥感数据与监控视频融合方法及系统 |
-
2023
- 2023-10-24 CN CN202311376753.8A patent/CN117114513A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN108318071A (zh) * | 2017-12-26 | 2018-07-24 | 潘荣兰 | 一种监测准确的农作物生长监测系统 |
CN108990944A (zh) * | 2018-06-27 | 2018-12-14 | 浙江大学 | 基于可见光热红外图像融合的无人机遥感喷药一体化方法及装置 |
CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测系统及方法 |
CN115731141A (zh) * | 2021-08-27 | 2023-03-03 | 中国科学院国家空间科学中心 | 面向机动目标动态监测的天基遥感图像时空融合方法 |
CN114280276A (zh) * | 2021-12-23 | 2022-04-05 | 青岛农业大学 | 一种农业监测系统及方法 |
CN114241208A (zh) * | 2021-12-25 | 2022-03-25 | 南京理工大学 | 图像间变化检测的局部和全局深度对比特征学习网络构建方法 |
CN116580318A (zh) * | 2023-05-11 | 2023-08-11 | 中山大学 | 作物覆盖区域的土壤养分反演方法、装置、设备及介质 |
CN116630825A (zh) * | 2023-06-09 | 2023-08-22 | 北京佳格天地科技有限公司 | 一种卫星遥感数据与监控视频融合方法及系统 |
Non-Patent Citations (1)
Title |
---|
赵小川编著: "《MATLAB图像处理——能力提高与应用案例(第2版)》", 北京航空航天大学出版社, pages: 86 - 87 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11751499B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects disease in crops | |
Selvaraj et al. | Machine learning for high-throughput field phenotyping and image processing provides insight into the association of above and below-ground traits in cassava (Manihot esculenta Crantz) | |
US20180330245A1 (en) | Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform | |
Rußwurm et al. | Breizhcrops: A satellite time series dataset for crop type identification | |
Zhang et al. | Bayesian calibration of AquaCrop model for winter wheat by assimilating UAV multi-spectral images | |
Jeffries et al. | Mapping sub-field maize yields in Nebraska, USA by combining remote sensing imagery, crop simulation models, and machine learning | |
Raab et al. | Target‐oriented habitat and wildlife management: estimating forage quantity and quality of semi‐natural grasslands with Sentinel‐1 and Sentinel‐2 data | |
US20190107521A1 (en) | System and method for field test management | |
Mohammed et al. | A blended census and multiscale remote sensing approach to probabilistic cropland mapping in complex landscapes | |
US11562563B2 (en) | Automatic crop classification system and method | |
de Beurs et al. | Disturbance analyses of forests and grasslands with MODIS and Landsat in New Zealand | |
De Vroey et al. | Mowing detection using Sentinel-1 and Sentinel-2 time series for large scale grassland monitoring | |
Ohana-Levi et al. | Time-series clustering of remote sensing retrievals for defining management zones in a vineyard | |
Mishra et al. | Crop classification by using dual-pol SAR vegetation indices derived from Sentinel-1 SAR-C data | |
Aboutalebi et al. | Downscaling UAV land surface temperature using a coupled wavelet-machine learning-optimization algorithm and its impact on evapotranspiration | |
Casa et al. | Early stage variable rate nitrogen fertilization of silage maize driven by multi-temporal clustering of archive satellite data | |
US20230320253A1 (en) | Tillage Identification and Verification Tool Using Satellite Time Series Imagery | |
Torres‐Sánchez et al. | Detection of Ecballium elaterium in hedgerow olive orchards using a low‐cost uncrewed aerial vehicle and open‐source algorithms | |
CN117114513A (zh) | 基于图像的农作物药肥使用评估方法、装置、设备及介质 | |
CN115526713A (zh) | 一种农户贷款的授信额度确定方法及装置 | |
KR20220168169A (ko) | 조화 분석과 머신 러닝을 이용한 유휴 농지 탐지 방법 및 장치 | |
CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
Christiansen et al. | Preprocessed sentinel-1 data via a web service focused on agricultural field monitoring | |
Terliksiz et al. | A Simple and Efficient Deep Learning Architecture for Corn Yield Prediction | |
Azzari et al. | Understanding the requirements for surveys to support satellite-based crop type mapping |
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 |