[發(fā)明專(zhuān)利]基于無(wú)人機(jī)和全卷積神經(jīng)網(wǎng)絡(luò)的小麥倒伏區(qū)域識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110683898.7
• 申請(qǐng)日: 2021-06-21
• 公開(kāi)（公告）號(hào): CN113537293A
• 公開(kāi)（公告）日: 2021-10-22
• 發(fā)明（設(shè)計(jì)）人: 田菲;曹文軒;魯賽紅;喬澤宇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)農(nóng)業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/04;G06N3/08;G06T7/11;G06T7/62
• 代理公司: 北京衛(wèi)平智業(yè)專(zhuān)利代理事務(wù)所(普通合伙) 11392
• 代理人: 閆萍

1.一種基于無(wú)人機(jī)和全卷積神經(jīng)網(wǎng)絡(luò)的小麥倒伏區(qū)域識(shí)別方法，其特征在于，包括以下步驟：

步驟1，在無(wú)人機(jī)平臺(tái)上搭載可見(jiàn)光傳感器；

步驟2，通過(guò)無(wú)人機(jī)平臺(tái)對(duì)研究區(qū)域進(jìn)行拍攝；

步驟3，對(duì)獲取到的所有可見(jiàn)光遙感影像進(jìn)行篩選或剪裁，確保新生成的每一幅遙感影像中都既包含有倒伏區(qū)域也包含有非倒伏區(qū)域，同時(shí)應(yīng)確保每一幅遙感影像對(duì)應(yīng)的地物視場(chǎng)沒(méi)有重疊；

步驟4，使用labelme將所有遙感影像中的倒伏區(qū)域圈畫(huà)出來(lái)，生成數(shù)據(jù)集；

步驟5，在python平臺(tái)上搭建FCN網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建訓(xùn)練平臺(tái)和調(diào)用測(cè)試平臺(tái)；

步驟6，將數(shù)據(jù)集分為兩部分：80％為樣本集，20％為測(cè)試集，將樣本集輸入到訓(xùn)練平臺(tái)上進(jìn)行訓(xùn)練得到FCN模型，并用測(cè)試集測(cè)試模型精度；

步驟7，在調(diào)用測(cè)試平臺(tái)上調(diào)用訓(xùn)練完成的FCN模型，對(duì)待處理遙感影像進(jìn)行語(yǔ)義分割，提取出倒伏區(qū)域；

步驟8，統(tǒng)計(jì)倒伏區(qū)域像元的個(gè)數(shù)，通過(guò)換算求得倒伏區(qū)域的面積。

2.如權(quán)利要求1所述的基于無(wú)人機(jī)和全卷積神經(jīng)網(wǎng)絡(luò)的小麥倒伏區(qū)域識(shí)別方法，其特征在于，步驟3具體包括：

步驟31：根據(jù)目視估計(jì)的方法，人為對(duì)獲取到的所有可見(jiàn)光遙感影像進(jìn)行剪裁，確保新生成的每一幅遙感圖像對(duì)應(yīng)的地物視場(chǎng)完全不重合；

步驟32：確保在剪裁結(jié)果中，每一幅遙感圖像里既包含有倒伏區(qū)域又包含有非倒伏區(qū)域。

3.如權(quán)利要求1所述的基于無(wú)人機(jī)和全卷積神經(jīng)網(wǎng)絡(luò)的小麥倒伏區(qū)域識(shí)別方法，其特征在于，步驟5具體包括：

步驟51：首先在python平臺(tái)上面搭建全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟52：在python平臺(tái)上搭建訓(xùn)練平臺(tái)，訓(xùn)練平臺(tái)負(fù)責(zé)接收輸入的樣本集同時(shí)承接并存儲(chǔ)訓(xùn)練完成后生成的FCN模型；

步驟53：在python平臺(tái)上搭建調(diào)用測(cè)試平臺(tái)，調(diào)用測(cè)試平臺(tái)負(fù)責(zé)調(diào)用訓(xùn)練完成的FCN模型對(duì)待處理遙感影像進(jìn)行語(yǔ)義分割。

4.如權(quán)利要求1所述的基于無(wú)人機(jī)和全卷積神經(jīng)網(wǎng)絡(luò)的小麥倒伏區(qū)域識(shí)別方法，其特征在于，步驟6具體包括：

步驟61：在用labelme選取出倒伏區(qū)域后，將所有已選取感興趣區(qū)域的圖片不修改文件名另存到另一個(gè)文件夾中；

步驟62：將選取過(guò)感興趣區(qū)的圖片所在的文件夾和初始圖片所在的文件夾作為數(shù)據(jù)集輸入到訓(xùn)練平臺(tái)，隨機(jī)選取20％作為測(cè)試集，用于測(cè)試模型提取精度，80％作為樣本集，用于訓(xùn)練模型。

5.如權(quán)利要求1所述的基于無(wú)人機(jī)和全卷積神經(jīng)網(wǎng)絡(luò)的小麥倒伏區(qū)域識(shí)別方法，其特征在于，步驟8具體包括：

步驟81：調(diào)用訓(xùn)練完成的FCN模型對(duì)待處理遙感影像進(jìn)行像素級(jí)分類(lèi)，倒伏區(qū)域和非倒伏區(qū)域分別用白色和黑色表示；

步驟83：統(tǒng)計(jì)倒伏區(qū)域的像元總數(shù)，根據(jù)公式計(jì)算得到每個(gè)像元對(duì)應(yīng)的實(shí)地面積S，公式如下所示：

式中：n代表圖像的分辨率；s代表傳感器的尺寸面積；f代表傳感器獲取影像時(shí)的焦距；u代表獲取影像時(shí)的物距。