[發明專利]一種高精度的農田植被信息提取方法

在審

• 申請號: 202111001811.X
• 申請日: 2021-08-30
• 公開（公告）號: CN113920441A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 劉大召;劉秋斌;郭碧峰;李卓
• 申請（專利權）人: 廣東海洋大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/40;G06V10/764
• 代理公司: 重慶信必達知識產權代理有限公司 50286
• 代理人: 劉竹

本發明公開一種高精度的農田植被信息提取方法，涉及農業遙感技術領域，其技術方案要點是：包括以下步驟：S1、采集農田原始圖像；S2、對農田原始圖像進行平場校正處理；S3、將平場校正處理后的圖像數據導入Pix4Dmapper或ENVI軟件，進行圖像的拼接和裁剪；S4、將圖像數據標定標簽，通過數據增強、圖像切割的預處理方式，制定神經網絡數據集；S5、構建并訓練Unet神經網絡模型；S6、保存模型，將待識別的農田圖像輸入保存的模型中，得提取的農田植被紋理、空間分布信息結果。本發明能從農田的遙感影像中快速準確獲取作物的紋理和空間分布信息，解決面向衛星遙感解譯農田影像中存在的人工篩選特征復雜、識別精度低問題，為無人機遙感解譯農田作物信息提供參考方法。

技術領域

本發明涉及農業遙感技術領域，更具體地說，它涉及一種高精度的農田植被信息提取方法。

背景技術

隨著信息技術與工業的發展，遙感信息在農業領域有著廣泛的應用，如農作物分類、災害預測、耕地監測、產量預測等。傳統對農田作物的信息獲取與研究主要有手工選取特征，支持向量機等機器學習的方法，但具有一定的局限性。近年來，深度學習語義分割在圖像分類領域有著較大的突破，比人工特征分類的方法有著較為明顯的優勢。通過無人機采集農田數據對農業生產進行科學的分析與決策已成為較常見的一種技術手段。然而，沿用面向衛星遙感影像的解譯方法處理無人機航拍影像，存在人工篩選特征復雜、識別精度低等問題。針對這些現象，本發明提出一種基于平場校正和神經網絡的無人機影像農田植被信息提取的方法。

目前，現有技術主要集中對神經網絡的模型結構上做改進，而較少地關注圖像的質量。然而，神經網絡的模型是基于大規模的圖像數據集訓練得到的，訓練集質量的優劣對結果有著重要的影響。在采集原始農田圖像過程中，我們需要考慮光線、陰影、設備等方面，減弱無關因素的影響，獲得較優質量的農田圖像，從而更好地構建訓練集以提升訓練結果。實際上，由于存在光源的不均勻性、像元響應的不一致性、暗電流偏置等因素的影響，或者光路中存在一些影響成像的因素(如探測器表面粘有灰塵)，無人機的相機對于一個灰度均勻的目標，可能會輸出強度不均勻的圖像，不利于后續圖像處理中目標特征的提取與監測，使得對農田植被信息提取的精度低。

因此，本發明旨在設計提供一種高精度的農田植被信息提取方法，以解決上述問題。

發明內容

本發明的目的是提供一種高精度的農田植被信息提取方法，本發明的方法能夠從農田作物的遙感影像中學習到表達力更強的語義特征，獲得更加準確的作物信息提取結果。

本發明的上述技術目的是通過以下技術方案得以實現的：一種高精度的農田植被信息提取方法，具體包括以下步驟：

S1、采集數據，利用無人機采集農田原始圖像；

S2、對步驟S1采集的農田原始圖像進行平場校正處理；

S3、將步驟S2中平場校正處理后的圖像數據導入Pix4Dmapper或ENVI軟件中，根據研究區域進行圖像的拼接和裁剪；

S4、利用目視解譯法將圖像數據標定標簽，并將其通過數據增強、圖像切割的預處理方式，制定神經網絡數據集；

S5、構建并訓練Unet神經網絡模型，將神經網絡數據集代入Unet神經網絡模型中進行訓練，根據訓練結果調整超參數，并進行精度評價，得到提取效果最佳的模型；

S6、保存模型，將待識別的無人機采集的農田圖像輸入保存的模型中，得到提取的農田植被紋理、空間分布信息結果。

進一步地，步驟S2中對農田原始圖像進行平場校正處理的具體方法為：

A、獲取系統的暗本底圖像B(x，y)，將相機的快門時間設置為1/8000s，拍取10張圖像，并對這批10張圖像內的像素值取中值,輸出的圖像作為暗本底圖像B(x，y)，然后通過以下公式(1)：