[發(fā)明專利]基于無人機和全卷積神經(jīng)網(wǎng)絡的小麥倒伏區(qū)域識別方法

在審

• 申請?zhí)枺?/td>: 202110683898.7
• 申請日: 2021-06-21
• 公開（公告）號: CN113537293A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設計）人: 田菲;曹文軒;魯賽紅;喬澤宇
• 申請（專利權）人: 中國農業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/11;G06T7/62
• 代理公司: 北京衛(wèi)平智業(yè)專利代理事務所(普通合伙) 11392
• 代理人: 閆萍

本發(fā)明為一種基于無人機和全卷積神經(jīng)網(wǎng)絡的小麥倒伏區(qū)域識別方法，在無人機平臺上搭載可見光傳感器；通過無人機平臺對研究區(qū)域進行拍攝；對獲取到的所有可見光遙感影像進行篩選或剪裁；使用labelme將所有遙感影像中的倒伏區(qū)域圈畫出來，生成數(shù)據(jù)集；在python平臺上搭建FCN網(wǎng)絡結構，構建訓練平臺和調用測試平臺；將數(shù)據(jù)集分為兩部分：80％為樣本集，20％為測試集，將樣本集輸入到訓練平臺上進行訓練得到FCN模型，并用測試集測試模型精度；在調用測試平臺上調用訓練完成的FCN模型，對待處理遙感影像進行語義分割，提取出倒伏區(qū)域。統(tǒng)計倒伏區(qū)域像元的個數(shù)，通過換算求得倒伏區(qū)域的面積。

技術領域

本發(fā)明涉及圖像語義分割、深度學習和無人機遙感領域，特別涉及一種基于無人機和全卷積神經(jīng)網(wǎng)絡的小麥倒伏區(qū)域識別方法。

背景技術

目前各個地方的農業(yè)部門收集受災農田信息的主要方式是：由專門的工作人員使用專門的工具來獲取倒伏區(qū)域的地理坐標信息，而后再在地理信息處理軟件/平臺上進行后處理，統(tǒng)計或計算得到倒伏區(qū)域的面積和位置信息。

這種方式過度依賴人員操作，存在極大的主觀不確定性，測量結果容易引起爭議。而且這種測量方式，時效性低、易產生誤差、容易對倒伏小麥造成二次傷害。

當前有部分學者和機構提出基于地面遙感來獲取倒伏區(qū)域，其原理是：雷達特有的極化方式和作物天然的結構特點導致了雷達在HH和VV極化時會接收到不同的反饋電磁波，借助這種反饋的不同可以監(jiān)測作物倒伏。

但是由于雷達影像實質上由一塊一塊的信息柵格組成，當目標區(qū)域面積小于信息柵格所對應的實地面積時，將難以精準的從柵格中獲取信息。再考慮到倒伏區(qū)域出現(xiàn)的隨機性、雨水颶風行道樹等的影響,雷達也難以做到對倒伏區(qū)域準確的提取。

無人機具有續(xù)航時間長、操作簡單、視野寬闊等優(yōu)點，無人機遙感具有良好的空間分辨率和實時監(jiān)測能力，因此非常適合被用于監(jiān)測不同時空下作物特征變化。可見光傳感器是無人機遙感中成本最低、最易獲取的傳感器，因此國內外有許多基于可見光傳感器進行作物倒伏區(qū)域識別或提取的研究。

全卷積神經(jīng)網(wǎng)絡(Fully Convolutional Networks for SemanticSegmentation，F(xiàn)CN)具有可以接受數(shù)據(jù)集中任意尺寸大小的圖片、能夠實現(xiàn)對目標圖像像素級別的分類——即圖像語義分割、可以實現(xiàn)結構化輸出等一系列優(yōu)點。但目前還沒有相關研究將其應用到倒伏區(qū)域提取的研究中。

基于此，本發(fā)明的目的是提供一種基于無人機和全卷積神經(jīng)網(wǎng)絡的小麥倒伏區(qū)域識別方法，用以對小麥倒伏區(qū)域進行高精準監(jiān)測。

發(fā)明內容

針對現(xiàn)有技術中存在的缺陷，本發(fā)明的目的在于提供一種基于無人機和全卷積神經(jīng)網(wǎng)絡的小麥倒伏區(qū)域識別方法，用以對小麥倒伏區(qū)域進行高精準監(jiān)測。

為達到以上目的，本發(fā)明采取的技術方案是：

一種基于無人機和全卷積神經(jīng)網(wǎng)絡的小麥倒伏區(qū)域識別方法，包括以下步驟：

步驟1，在無人機平臺上搭載可見光傳感器；

步驟2，通過無人機平臺對研究區(qū)域進行拍攝；

步驟3，對獲取到的所有可見光遙感影像進行篩選或剪裁，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，同時應確保每一幅遙感影像對應的地物視場沒有重疊；

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

步驟5，在python平臺上搭建FCN網(wǎng)絡結構，構建訓練平臺和調用測試平臺；

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