公开/公告号CN112634349A
专利类型发明专利
公开/公告日2021-04-09
原文格式PDF
申请/专利权人 福建省星云大数据应用服务有限公司;
申请/专利号CN202011525013.2
申请日2020-12-22
分类号G06T7/62(20170101);G06T7/11(20170101);G06N3/08(20060101);
代理机构35212 福州市鼓楼区京华专利事务所(普通合伙);
代理人林燕
地址 350000 福建省福州市鼓楼区工业路洪山科技园科研楼5层505室
入库时间 2023-06-19 10:32:14
技术领域
本发明涉及图像处理技术领域,特别指一种基于遥感影像的茶园面积估计方法及系统。
背景技术
茶园面积的估计有助于金融部门对茶园所有人进行偿还能力风险评估,同时有助于茶园所有人对其经营成本及产能进行预估,因此对茶园面积进行估计具有实际意义。
针对茶园面积的估计,传统上存在如下两种方法:其一是实地简单的测量并结合茶园所有人的上报数据进行估计;其二是借助遥感影像,人工目视解译后,对一个区域茶园的面积进行统计。但是,方法一存在茶园面积估计的准确度和效率低下的缺点,方法二虽然无需实地勘测,统计结果也更为客观,但存在人工目视解译工作量大的缺点。
因此,如何提供一种基于遥感影像的茶园面积估计方法及系统,实现提升茶园面积估计的准确度以及效率,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于遥感影像的茶园面积估计方法及系统,实现提升茶园面积估计的准确度以及效率。
第一方面,本发明提供了一种基于遥感影像的茶园面积估计方法,包括如下步骤:
步骤S10、获取大量的茶园遥感样本影像,并对所述茶园遥感样本影像进行标注,得到样本数据集;
步骤S20、创建一茶园识别模型、一茶园分割模型以及一自补偿模型,利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练;
步骤S30、获取待估计的茶园遥感影像以及对应的影像拍摄信息,利用训练后的所述茶园识别模型对茶园遥感影像进行识别,得到待分割子图;
步骤S40、将各所述待分割子图输入训练后的茶园分割模型,分割出茶园子图;
步骤S50、计算各所述茶园子图的总面积为初始面积,将所述初始面积以及影像拍摄信息输入训练后的自补偿模型,得到茶园的修正面积。
进一步地,所述步骤S10中,所述并对所述茶园遥感样本影像进行标注具体为:
并对所述茶园遥感样本影像进行包括茶园区域、茶园边界、影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值的人工标注。
进一步地,所述步骤S20中,所述创建一茶园识别模型、一茶园分割模型以及一自补偿模型具体为:
基于目标检测算法创建一茶园识别模型;创建一包含DeepLab网络、UNet网络、PSPNet网络以及卷积核的茶园分割模型;所述DeepLab网络、UNet网络以及PSPNet网络的输出端均与卷积核的输入端连接;所述DeepLab网络、UNet网络以及PSPNet网络的输出特征尺寸相同;所述卷积核的大小为1×1;基于XGBoost算法创建一自补偿模型。
进一步地,所述步骤S20具体中,所述利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练具体为:
将所述样本数据集按预设比例划分为训练集和验证集;利用所述训练集分别对茶园识别模型、茶园分割模型以及自补偿模型进行训练,再利用所述验证集分别对训练后的茶园识别模型、茶园分割模型以及自补偿模型进行验证。
进一步地,所述步骤S30中,所述影像拍摄信息包括影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值。
第二方面,本发明提供了一种基于遥感影像的茶园面积估计系统,包括如下模块:
茶园遥感样本影像标注模块,用于获取大量的茶园遥感样本影像,并对所述茶园遥感样本影像进行标注,得到样本数据集;
模型训练模块,用于创建一茶园识别模型、一茶园分割模型以及一自补偿模型,利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练;
待分割子图识别模块,用于获取待估计的茶园遥感影像以及对应的影像拍摄信息,利用训练后的所述茶园识别模型对茶园遥感影像进行识别,得到待分割子图;
茶园子图分割模块,用于将各所述待分割子图输入训练后的茶园分割模型,分割出茶园子图;
茶园面积估计模块,用于计算各所述茶园子图的总面积为初始面积,将所述初始面积以及影像拍摄信息输入训练后的自补偿模型,得到茶园的修正面积。
进一步地,所述茶园遥感样本影像标注模块中,所述并对所述茶园遥感样本影像进行标注具体为:
并对所述茶园遥感样本影像进行包括茶园区域、茶园边界、影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值的人工标注。
进一步地,所述模型训练模块具体中,所述创建一茶园识别模型、一茶园分割模型以及一自补偿模型具体为:
基于目标检测算法创建一茶园识别模型;创建一包含DeepLab网络、UNet网络、PSPNet网络以及卷积核的茶园分割模型;所述DeepLab网络、UNet网络以及PSPNet网络的输出端均与卷积核的输入端连接;所述DeepLab网络、UNet网络以及PSPNet网络的输出特征尺寸相同;所述卷积核的大小为1×1;基于XGBoost算法创建一自补偿模型。
进一步地,所述模型训练模块中,所述利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练具体为:
将所述样本数据集按预设比例划分为训练集和验证集;利用所述训练集分别对茶园识别模型、茶园分割模型以及自补偿模型进行训练,再利用所述验证集分别对训练后的茶园识别模型、茶园分割模型以及自补偿模型进行验证。
进一步地,所述待分割子图识别模块中,所述影像拍摄信息包括影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值。
本发明的优点在于:
通过创建并训练茶园识别模型、茶园分割模型以及自补偿模型,利用茶园识别模型识别出茶园遥感影像中矩形的待分割子图,将茶园区域初步区分出来,简化茶园分割模型的任务场景,平衡茶园分割模型的正负样本比例,提高分割准确率;再将各待分割子图输入茶园分割模型分割出茶园子图,通过累加各茶园子图的面积即可得到茶园遥感影像中茶园的初始面积,最后再将初始面积以及影像拍摄信息输入自补偿模型,对初始面积进行修正,克服影像源的质量差异,得到茶园的修正面积,即仅需获取茶园遥感影像以及对应的影像拍摄信息即可对茶园面积进行估计,无需人工目视解译和实地勘测,进而极大的提升了茶园面积估计的准确度以及效率。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于遥感影像的茶园面积估计方法的流程图。
图2是本发明一种基于遥感影像的茶园面积估计系统的结构示意图。
图3是本发明茶园分割模型的分割流程示意图。
图4是本发明茶园遥感影像的示意图。
图5是本发明待分割子图识别的示意图。
图6是本发明茶园子图分割的示意图。
具体实施方式
本申请实施例中的技术方案,总体思路如下:通过创建并训练茶园识别模型、茶园分割模型以及自补偿模型,利用茶园识别模型初步识别出茶园遥感影像中的待分割子图,再将各待分割子图输入茶园分割模型模型精确分割出茶园子图,累加各茶园子图的面积得到茶园遥感影像中茶园的初始面积,再将初始面积以及影像拍摄信息输入自补偿模型,对初始面积进行修正得到茶园的修正面积,实现茶园面积的自动估计,以提升茶园面积估计的准确度以及效率。
请参照图1至图6所示,本发明一种基于遥感影像的茶园面积估计方法的较佳实施例,包括如下步骤:
步骤S10、获取大量的茶园遥感样本影像,并对所述茶园遥感样本影像进行标注,得到样本数据集;
步骤S20、创建一茶园识别模型、一茶园分割模型以及一自补偿模型,利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练;所述茶园识别模型用于利用矩形框对茶园区域进行定位;所述茶园分割模型用于对定位的茶园区域进行分割,即确定茶园的边缘区域;所述自补偿模型用于结合影像拍摄信息对茶园面积进行补偿修正;
步骤S30、获取待估计的茶园遥感影像以及对应的影像拍摄信息,利用训练后的所述茶园识别模型对茶园遥感影像进行识别,得到待分割子图;
步骤S40、将各所述待分割子图输入训练后的茶园分割模型,分割出茶园子图;
步骤S50、计算各所述茶园子图的总面积为初始面积,将所述初始面积以及影像拍摄信息输入训练后的自补偿模型,得到茶园的修正面积。即利用所述自补偿模型对初始面积进行回归处理;由于茶园识别模型和茶园分割模型是靠计算机视觉对面积进行统计,因此采用自补偿模型的回归处理学习计算机视觉难以获知的影像因素。
所述步骤S10中,所述并对所述茶园遥感样本影像进行标注具体为:
并对所述茶园遥感样本影像进行包括茶园区域、茶园边界、影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值的人工标注。
所述步骤S20中,所述创建一茶园识别模型、一茶园分割模型以及一自补偿模型具体为:
基于目标检测算法(RetinaNet)创建一茶园识别模型;创建一包含DeepLab网络、UNet网络、PSPNet网络以及卷积核的茶园分割模型;所述DeepLab网络、UNet网络以及PSPNet网络的输出端均与卷积核的输入端连接;所述DeepLab网络、UNet网络以及PSPNet网络的输出特征尺寸相同;所述卷积核的大小为1×1;基于XGBoost算法创建一自补偿模型。
所述步骤S20具体中,所述利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练具体为:
将所述样本数据集按预设比例划分为训练集和验证集;利用所述训练集分别对茶园识别模型、茶园分割模型以及自补偿模型进行训练,再利用所述验证集分别对训练后的茶园识别模型、茶园分割模型以及自补偿模型进行验证。
对所述自补偿模型进行训练是为了训练出XGBoost算法的参数,即所述影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值的比例阈值,即对茶园面积估计的影像成分比例,进而泛化应用到同一地区更多的茶园进行自补偿。
所述步骤S30中,所述影像拍摄信息包括影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值。
本发明一种基于遥感影像的茶园面积估计系统的较佳实施例,包括如下模块:
茶园遥感样本影像标注模块,用于获取大量的茶园遥感样本影像,并对所述茶园遥感样本影像进行标注,得到样本数据集;
模型训练模块,用于创建一茶园识别模型、一茶园分割模型以及一自补偿模型,利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练;所述茶园识别模型用于利用矩形框对茶园区域进行定位;所述茶园分割模型用于对定位的茶园区域进行分割,即确定茶园的边缘区域;所述自补偿模型用于结合影像拍摄信息对茶园面积进行补偿修正;
待分割子图识别模块,用于获取待估计的茶园遥感影像以及对应的影像拍摄信息,利用训练后的所述茶园识别模型对茶园遥感影像进行识别,得到待分割子图;
茶园子图分割模块,用于将各所述待分割子图输入训练后的茶园分割模型,分割出茶园子图;
茶园面积估计模块,用于计算各所述茶园子图的总面积为初始面积,将所述初始面积以及影像拍摄信息输入训练后的自补偿模型,得到茶园的修正面积。即利用所述自补偿模型对初始面积进行回归处理;由于茶园识别模型和茶园分割模型是靠计算机视觉对面积进行统计,因此采用自补偿模型的回归处理学习计算机视觉难以获知的影像因素。
所述茶园遥感样本影像标注模块中,所述并对所述茶园遥感样本影像进行标注具体为:
并对所述茶园遥感样本影像进行包括茶园区域、茶园边界、影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值的人工标注。
所述模型训练模块具体中,所述创建一茶园识别模型、一茶园分割模型以及一自补偿模型具体为:
基于目标检测算法(RetinaNet)创建一茶园识别模型;创建一包含DeepLab网络、UNet网络、PSPNet网络以及卷积核的茶园分割模型;所述DeepLab网络、UNet网络以及PSPNet网络的输出端均与卷积核的输入端连接;所述DeepLab网络、UNet网络以及PSPNet网络的输出特征尺寸相同;所述卷积核的大小为1×1;基于XGBoost算法创建一自补偿模型。
所述模型训练模块中,所述利用所述样本数据集对茶园识别模型、茶园分割模型以及自补偿模型进行训练具体为:
将所述样本数据集按预设比例划分为训练集和验证集;利用所述训练集分别对茶园识别模型、茶园分割模型以及自补偿模型进行训练,再利用所述验证集分别对训练后的茶园识别模型、茶园分割模型以及自补偿模型进行验证。
对所述自补偿模型进行训练是为了训练出XGBoost算法的参数,即所述影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值的比例阈值,即对茶园面积估计的影像成分比例,进而泛化应用到同一地区更多的茶园进行自补偿。
所述待分割子图识别模块中,所述影像拍摄信息包括影像含云量、影像分辨率、影像拍摄角度以及影像拍摄天气量化值。
综上所述,本发明的优点在于:
通过创建并训练茶园识别模型、茶园分割模型以及自补偿模型,利用茶园识别模型识别出茶园遥感影像中矩形的待分割子图,将茶园区域初步区分出来,简化茶园分割模型的任务场景,平衡茶园分割模型的正负样本比例,提高分割准确率;再将各待分割子图输入茶园分割模型分割出茶园子图,通过累加各茶园子图的面积即可得到茶园遥感影像中茶园的初始面积,最后再将初始面积以及影像拍摄信息输入自补偿模型,对初始面积进行修正,克服影像源的质量差异,得到茶园的修正面积,即仅需获取茶园遥感影像以及对应的影像拍摄信息即可对茶园面积进行估计,无需人工目视解译和实地勘测,进而极大的提升了茶园面积估计的准确度以及效率。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
机译: 一种用于发送基于面积的360度视频的方法,一种用于接收基于面积的360度视频的方法,一种用于发送基于区域的360度视频的设备,一种用于基于区域接收360度视频的设备
机译: 一种基于估计的摩擦转矩斜率的防抱死制动系统,一种确定防抱死制动控制的起点的方法以及一种基于估计的摩擦转矩梯度,起始点的防抱死制动系统防外观制动控制装置,以及具有极限判定装置的车轮性能量伺服控制装置。
机译: 基于非均匀流动的遥感影像流估计方法