[go: up one dir, main page]

CN117095299B - 破碎化耕作区的粮食作物提取方法、系统、设备及介质 - Google Patents

破碎化耕作区的粮食作物提取方法、系统、设备及介质 Download PDF

Info

Publication number
CN117095299B
CN117095299B CN202311345594.5A CN202311345594A CN117095299B CN 117095299 B CN117095299 B CN 117095299B CN 202311345594 A CN202311345594 A CN 202311345594A CN 117095299 B CN117095299 B CN 117095299B
Authority
CN
China
Prior art keywords
sample
remote sensing
sensing image
extraction
extraction model
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.)
Active
Application number
CN202311345594.5A
Other languages
English (en)
Other versions
CN117095299A (zh
Inventor
詹远增
王兴坤
冯存均
周伟
李晓天
张艳
刘晓忠
邓小渊
马彦
赵建雪
徐盼
朱校娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Institute Of Surveying And Mapping Science And Technology
Original Assignee
Zhejiang Institute Of Surveying And Mapping Science And Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Institute Of Surveying And Mapping Science And Technology filed Critical Zhejiang Institute Of Surveying And Mapping Science And Technology
Priority to CN202311345594.5A priority Critical patent/CN117095299B/zh
Publication of CN117095299A publication Critical patent/CN117095299A/zh
Application granted granted Critical
Publication of CN117095299B publication Critical patent/CN117095299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种破碎化耕作区的粮食作物提取方法，包括以下步骤：利用训练后的第一提取模型，对工作区第一遥感影像进行目标作物的第一次提取，获得所述目标作物的第一提取结果；所述第一提取结果为所述第一遥感影像中被判定为所述目标作物的各初始图斑；获取所述第一提取结果对应的第二遥感影像；所述第二遥感影像为所述第一遥感影像的光学影像特征与纹理特征融合后形成的遥感影像；利用训练后的第二提取模型，对所述第二遥感影像进行所述目标作物的第二次提取，获取所述目标作物的最终提取结果。本发明的破碎化耕作区的粮食作物提取方法、系统、设备及介质，可实现在种植结构复杂的场景下，准确、动态的提取粮食作物。

Description

破碎化耕作区的粮食作物提取方法、系统、设备及介质
技术领域
本申请属于遥感图像处理与应用技术领域，特别是涉及一种破碎化耕作区的粮食作物提取方法、系统、设备及介质。
背景技术
随着科学技术的发展，基于遥感影像的深度学习粮食作物提取方法为粮食作物提取工作开拓了新的研究方向。
目前基于遥感影像的深度学习粮食作物提取方法仍存在下述问题：1、忽略了种植环境和种植结构对粮食作物提取的影响，在种植结构复杂的应用场景下，易受非目标作物的干扰，导致模型的提取精度下降；2、模型泛化能力不强，对于种植环境和/或种植结构差异较大的新区域，需要重新构建训练样本，并基于新构建的训练样本，重新训练模型，使模型适用于新区域的粮食作物提取工作。
基于上述问题，如何提供一种在种植结构复杂的场景下，准确提取目标作物，且适宜大规模推广使用的粮食作物提取方法是目前亟需解决的重要问题。
发明内容
鉴于上述现有技术的缺点，本申请的目的在于提供一种破碎化耕作区的粮食作物提取方法、系统、设备及介质，用于解决目前种植结构复杂的场景下，粮食作物提取方法不适宜大规模推广使用以及难以准确、动态地提取粮食作物的问题。
为实现上述目的及其他相关目的，本发明提供一种破碎化耕作区的粮食作物提取方法，包括以下步骤：
利用训练后的第一提取模型，对工作区第一遥感影像进行目标作物的第一次提取，获得所述目标作物的第一提取结果；所述第一提取结果为所述第一遥感影像中被判定为所述目标作物的各初始图斑；所述第一遥感影像为所述工作区的光学遥感影像；
获取所述第一提取结果对应的第二遥感影像；所述第二遥感影像为所述第一遥感影像的光学影像特征与纹理特征融合后形成的遥感影像；
利用训练后的第二提取模型，对所述第二遥感影像进行所述目标作物的第二次提取，获取所述目标作物的最终提取结果。
于本发明的一实施例中，所述方法还包括：基于第一样本集，对原始的第一提取模型进行训练，和基于第二样本集，对原始的第二提取模型进行训练，以对应获得训练后的第一提取模型和第二提取模型；
其中，所述第一样本集包括基于第一样本遥感影像提取的目标作物图斑和其它地物图斑；所述第一样本遥感影像为光学遥感影像；
所述第二样本集包括基于第二样本遥感影像提取的所述目标作物图斑和难分作物图斑；所述第二样本遥感影像为光学特征与纹理特征融合后形成的遥感影像，且所述第二样本遥感影像对应的样本区的种植结构与所述工作区的种植结构相同。
于本发明的一实施例中，所述第一样本集的构建方式包括：
确定所述目标作物的目标观测窗口期，获取采集时间位于所述目标观测窗口期内，且包含所述目标作物的第一样本遥感影像；
于所述第一样本遥感影像中，提取所述目标作物图斑和所述其它地物图斑；
基于各所述目标作物图斑和所述其它地物图斑，构建第一样本集。
于本发明的一实施例中，当同一区域对应的第一样本遥感影像为多期时，所述目标作物图斑和所述其它地物图斑的获取方式包括：
采用预设的图斑分割模板，对各所述第一样本遥感影像进行分割，以获取各所述目标作物图斑和其它地物图斑；所述图斑分割模板为所述第一样本遥感影像中各图斑对应的矢量边界所组成的矢量数据。
于本发明的一实施例中，所述第二样本集的构建方式包括：
利用所述第一提取模型，获取所述样本区内的所述目标作物的第一样本结果；基于所述第一样本结果，采用对比筛查的方式，将所述第一样本结果中，被误判为所述目标作物的图斑，设为初始误判图斑；
判断各所述初始误判图斑与所述目标作物图斑的距离是否超过预设第一距离阈值；将与所述目标作物图斑的距离不超过预设第一距离阈值的误判图斑，作为最终误判图斑；基于所述最终误判图斑和目标作物图斑，构建第二样本集。
于本发明的另一实施例中，所述基于第一样本集，对原始的第一提取模型进行训练，包括：
基于第一样本遥感影像集，构建初始的第一样本集；
基于所述初始的第一样本集，对原始的第一提取模型进行预训练，以获得预训练后的第一提取模型；所述预训练后的第一提取模型为模型精度达到预设第一精度阈值的第一提取模型；
利用新的第一样本遥感影像集，采用迭代优化的方式对预训练后的第一提取模型进行训练，以获得训练后的所述第一提取模型；
所述利用新的第一样本遥感影像集，采用迭代优化的方式对预训练后的第一提取模型进行训练，包括：
获取新的第一样本遥感影像；
利用当前的第一提取模型，对所述新的第一样本遥感影像进行所述目标作物的提取，获得新增的第一样本；
基于所述新增的第一样本，更新当前的第一样本集，获得新的第一样本集；
基于所述新的第一样本集，对所述当前的第一提取模型进行训练，以获得新的第一提取模型；
重复执行以上步骤，直至所述第一提取模型的模型精度达到预设第二精度阈值。
于本发明的另一实施例中，所述基于第一样本集，对原始的第一提取模型进行训练，和基于第二样本集，对原始的第二提取模型进行训练，包括：
基于第一样本遥感影像集，构建初始的第一样本集；基于第二样本遥感影像集，构建初始的第二样本集；
基于所述初始的第一样本集，对原始的第一提取模型进行预训练，以获得预训练后的第一提取模型；基于所述初始的第二样本集，对原始的第二提取模型进行预训练，以获得预训练后的第二提取模型；其中，所述预训练后的第一提取模型为模型精度达到预设第三精度阈值的第一提取模型；所述预训练后的第二提取模型为模型精度达到预设第四精度阈值的第二提取模型；
利用第三样本遥感影像集，采用双模型迭代优化的方式，对所述预训练后的第一提取模型和第二提取模型进行训练，以对应获得训练后的所述第一提取模型和第二提取模型；
所述利用第三样本遥感影像集，采用双模型迭代优化的方式，对所述预训练后的第一提取模型和第二提取模型进行训练，包括：
提取所述第三样本遥感影像集中，新的第三样本遥感影像；
利用当前的第一提取模型，对所述新的第三样本遥感影像，进行所述目标作物的第一次提取，获得第一样本结果；
获取与所述第一样本结果对应的第三遥感影像；所述第三遥感影像为所述第三样本遥感影像中光学影像特征与纹理特征融合后形成的遥感影像；
利用当前的第二提取模型，对所述第三遥感影像进行所述目标作物的第二次提取，获得第二样本结果；
检测所述第二样本结果是否准确；将准确的所述第二样本结果，设为新增第一样本；以及，基于错误的所述第二样本结果，构建新增的第二样本，以分别获得新增的第一样本和第二样本；
基于所述新增的第一样本，更新当前的第一样本集，获得新的第一样本集；以及，基于所述新增的第二样本，更新当前的第二样本集，获得新的第二样本集；
基于所述新的第一样本集，对所述当前的第一提取模型进行训练，以获得新的第一提取模型；以及，基于所述新的第二样本集，对所述当前的第二提取模型进行训练，以获得新的第二提取模型；
重复执行以上步骤，直至所述第一提取模型的模型精度达到预设第五精度阈值，和所述第二提取模型的模型精度达到预设第六精度阈值；
其中，所述第三样本遥感影像为所述样本区内，且与所述第一样本遥感影像和第二样本遥感影像不同的遥感影像。
对应地，本发明提供一种破碎化耕作区的粮食作物提取系统，其特征在于，包括：
第一提取结果获取模块，用于基于训练后的第一提取模型，对工作区第一遥感影像进行所述目标作物的第一次提取，获得所述目标作物的第一提取结果；所述第一提取结果为所述第一遥感影像中被判定为所述目标作物的各初始图斑；所述第一遥感影像为所述工作区的光学遥感影像；
第二遥感影像获取模块，用于获取与所述第一提取结果对应的第二遥感影像；所述第二遥感影像为光学影像特征与纹理特征融合后形成的遥感影像；
最终提取结果获取模块，用于基于训练后的第二提取模型，对所述第二遥感影像进行所述目标作物的第二次提取，获取所述目标作物的最终提取结果。
对应地，本发明提供一种破碎化耕作区的粮食作物提取设备，其特征在于，所述设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行上述基于设备的粮食作物提取方法。
对应地，本发明提供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计算机程序，所述计算机程序被处理器执行时实现如上所述，应用于所述设备的，所述粮食作物提取方法。
如上所述，本申请所述的一种破碎化耕作区的粮食作物提取方法、系统、设备和介质，具有以下有益效果：
仅将与所述第一提取结果对应的第二遥感影像输入所述第二提取模型，避免其它无效信息的输入，对第二提取模型的推理过程造成干扰，提高了第二提取模型的推理速度；以及，由于第一提取模型未对目标作物与难分作物进行区分，即第一提取模型易将目标作物和难分作物均识别为目标作物，保证了对目标作物提取的查全率，第二提取模型基于光学影像特征、纹理特征及各作物之间的空间关系，对第一提取结果中查全的目标作物提取区域，进行目标作物与难分作物的区分，提高了所述目标作物提取结果的准确性；此外，由于第一提取模型与第二提取模型是两个独立的模型，因此，本申请中的粮食作物提取方法用于在种植结构完全不同的其它场景下，提取相同的所述目标作物时，只需要针对第二提取模型进行优化，而无需重新训练第一提取模型，具有更强的泛化能力，适合大规模推广使用。
附图说明
图1显示为本申请于第一方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图。
图2显示为本申请于第二方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图。
图3显示为本申请于第三方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图。
图4显示为本申请于第四方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图。
图5显示为本申请于第五方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图。
图6显示为本申请于第一方面提供的所述破碎化耕作区的粮食作物提取系统于一实施例中的模块示意图。
图7显示为本申请于第二方面提供的所述破碎化耕作区的粮食作物提取系统于一实施例中的模块示意图。
图8显示为本申请于第三方面提供的所述破碎化耕作区的粮食作物提取系统于一实施例中的模块示意图。
图9显示为本申请于第四方面提供的所述破碎化耕作区的粮食作物提取系统于一实施例中的模块示意图。
图10显示为本申请于第五方面提供的所述破碎化耕作区的粮食作物提取系统于一实施例中的模块示意图。
图11显示为本申请提供的所述破碎化耕作区的粮食作物提取设备于一实施例中的结构示意图。
附图标记说明
S100~S500 步骤；S100’ 步骤；S100’’ 步骤；S500’ 步骤；300 粮食作物提取系统；301 第一提取结果获取模块；302 第二遥感影像获取模块；303 最终提取结果获取模块；304 第一样本集构建模块；3041 图斑分割模板构建子模块；305 第二样本集构建模块；306 第一提取模型迭代优化模块；307 双模型迭代优化模块；400 粮食作物提取设备；401存储器；402 处理器。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
术语的解释：
物候期：为目标作物随着气候的变化而发生的萌芽、抽枝、展叶、开花、结果及落叶等规律性变化所对应的生物气候学时期；
NDVI：即归一化植被指数，其通过近红外（植被强烈反射）和红光（植被吸收）之间的差异来量化植被，范围在-1至+1之间；
NDVI时序分布：基于时间先后顺序，对从多期遥感影像中获取的所述目标作物的NDVI特征进行排序，获取的排序后包含时间特征的NDVI序列，即为NDVI时序分布。
为了解决现有的粮食作物提取方法易受场景干扰，无法准确、动态地提取目标作物，在种植结构复杂的场景下无法大规模推广使用的问题，本申请以下实施例提供了一种破碎化耕作区的粮食作物提取方法、系统、设备及介质，通过获取用于识别目标作物和其它地物的第一提取模型，和获取用于识别所述目标作物和难分作物的第二提取模型；基于所述第一提取模型对所述工作区遥感影像进行目标作物提取，获得第一提取结果，和基于所述第二提取模型对所述第一提取结果进行第二提取，以获得所述工作区内的所述目标作物最终的提取结果。
其中，所述目标作物为待识别的粮食作物；示例性的，所述目标作物包括小麦、水稻、油菜、玉米或其他粮食作物中的一种或多种；
所述难分作物为与所述目标作物，于光学影像特征上难以区分的作物；示例性的，所述难分作物包括蔬菜、草皮、苗木、水生作物或其它作物中的一种或多种。
请参阅图1，示出为本发明于第一方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图。
如图1所示，于本实施例中，所述破碎化耕作区的粮食作物提取方法包括以下步骤：
步骤S200、获取训练后的第一提取模型；利用所述第一提取模型，对工作区第一遥感影像进行目标作物的第一次提取，获得所述目标作物的第一提取结果；所述第一提取结果为所述第一遥感影像中被判定为所述目标作物的各初始图斑；所述第一遥感影像为所述工作区的光学遥感影像；
其中，所述第一提取模型为基于光学影像特征，识别所述目标作物和其它地物的深度学习模型；
所述工作区为利用训练后的模型进行所述目标作物提取的区域；
可选的，所述工作区影像为2~2.5米卫星遥感影像，其更新周期为两个月。
可选的，所述其它地物包括房屋、道路以及桥梁等人工地物，和/或林地、湿地、滩涂以及湖泊等自然地物。
于本实施例中，所述第一提取模型包括全卷积神经网络（FCN）、卷积神经网络（CNN）或其它现有的深度学习网络模型。
于一具体实施例中，所述第一提取模型将FCN模型作为基网络，在所述FCN模型的第一层卷积层前增加尺度采样层；示例性的，所述多尺度采样层为特征金字塔。
其中，所述FCN模型包括全卷积部分和反卷积部分，所述全卷积部分用于提取特征；所述反卷积部分用于通过上采样得到原尺寸的语义分割图像。示例性的，所述FCN模型为FCN-8s模型，所述FCN-8s模型包括5个卷积层和3个反卷积层，所述卷积层设置为前2个卷积层执行2次卷积，后3个卷积层执行3次卷积，各所述卷积层采用3×3的卷积核，并分别连接有激活层和池化层，各所述反卷积层对应加入经前述池化操作后获取的与所述反卷积层分辨率尺寸相同的特征图。
可选的，所述全卷积部分为VGG或ResNet网络。
具体的，获取训练后的所述第一提取模型；将所述工作区影像输入所述第一提取模型中，所述第一提取模型基于光学影像特征，对所述工作区影像的各像素进行所述目标作物和其它地物类别的分类预测，基于各像素的分类结果，提取所述分类结果为所述目标作物的图斑，作为所述目标作物的第一提取结果。
步骤S300、获取所述第一提取结果对应的第二遥感影像；所述第二遥感影像为所述第一遥感影像的光学影像特征与纹理特征融合后形成的遥感影像；
具体的，所述步骤S300于执行时，包括：
获取所述第一提取结果，基于所述第一提取结果中提取出的所述目标作物的区域，对所述第一遥感影像进行掩膜处理，获取掩膜后的影像数据；提取所述掩膜后的影像数据的纹理特征，将所述纹理特征与所述掩膜后的影像数据的光学影像特征进行波段合成，获得波段合成后形成的所述第二遥感影像；
具体的，所述掩膜处理为将所述第一提取结果中的所述目标作物的提取区域作为感兴趣区，以使所述第二提取模型仅基于所述目标作物的提取区域进行模型计算。
步骤S400、获取训练后的第二提取模型；利用所述第二提取模型，对所述第二遥感影像进行所述目标作物的第二次提取，获取所述目标作物的最终提取结果。
其中，所述第二提取模型为基于所述光学影像特征、纹理特征和各作物之间的空间关系，识别出所述目标作物和难分作物的深度学习模型；
于一具体实施例中，所述第二提取模型为Transformer模型。
其中，所述Transformer模型包括编码组件和解码组件；所述编码组件包括6层编码器；所述解码组件包括6层解码器；各所述编码器包括自注意力层和前馈网络，各所述解码器包括自注意力层、注意力层和前馈网络。
具体的，所述步骤S400于执行时，包括：
将所述第二遥感影像输入第二提取模型，所述第二提取模型基于所述目标作物的光学影像特征、纹理特征和各作物之间的空间关系，对所述第二遥感影像中的各像素进行分类预测，以识别出所述目标作物和难分作物；基于各像素的分类结果，提取所述分类结果为所述目标作物的图斑，作为所述目标作物的最终提取结果。
可选的，所述方法于执行步骤S200之前，还包括：
步骤S100、基于第一样本集，对原始的第一提取模型进行训练，和基于第二样本集，对原始的第二提取模型进行训练，以对应获得训练后的第一提取模型和第二提取模型。
其中，所述第一样本集中的正样本是目标作物图斑，负样本是其它地物图斑。
所述第二样本集中的正样本是目标作物图斑，负样本是难分作物图斑，除目标作物和难分作物外的其它地物为背景；所述第二样本集中的遥感影像为样本区遥感影像；所述样本区为与所述工作区种植结构相同的区域；所述种植结构包括：作物种类和各种类作物占比。
其中，所述样本区与所述工作区种植结构相同是指所述样本区种植结构满足预设条件；示例性的，所述预设条件包括：1、所述样本区内的所述目标作物数量与总作物数量的比值，与所述工作区内的所述目标作物数量与总作物数量的比值之间的差值小于预设第一比例阈值；2、所述样本区内，与所述工作区中相同的其它作物类型的数量，与所述样本区内的总的其它作物类型的数量的比值大于预设第二比例阈值；所述其它作物为非所述目标作物的作物。
于一具体实施例中，所述预设第一比例阈值为20%，所述预设第二比例阈值为80%。
其中，所述目标作物数量与总作物数量分别基于对应作物的种植面积确定，所述种植面积分别通过所述样本区或所述工作区的统计年鉴或其它历史资料获取。
具体的，基于第一样本集，对原始的第一提取模型进行训练，获取训练后的第一提取模型；和对所述第二样本的光学影像进行纹理特征提取，将所述纹理特征与对应的第二样本的光学影像特征进行波段合成，获取合成的样本数据，基于所述合成的样本数据，对原始的第二提取模型进行训练，获取训练后的第二提取模型。
本申请中提供的粮食作物提取方法，仅将与所述第一提取结果对应的第二遥感影像输入所述第二提取模型，避免其它无效信息的输入，对第二提取模型的推理过程造成干扰，提高了第二提取模型的推理速度；以及，由于第一提取模型未对目标作物与难分作物进行区分，即第一提取模型易将目标作物和难分作物均识别为目标作物，保证了对目标作物提取的查全率，第二提取模型基于光学影像特征、纹理特征及各作物之间的空间关系，对第一提取结果中查全的目标作物提取区域，进行目标作物与难分作物的区分，提高了所述目标作物提取结果的准确性；此外，由于第一提取模型与第二提取模型是两个独立的模型，因此，本申请中的粮食作物提取方法用于在种植结构完全不同的其它场景下，提取相同的所述目标作物时，只需要针对第二提取模型进行优化，而无需重新训练第一提取模型，具有更强的泛化能力，适合大规模推广使用。
请参阅图2，示出为本发明于第二方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图；
如图2所示，于本实施例中，所述破碎化耕作区的粮食作物提取方法与图1示出方法的不同之处在于，所述方法于执行步骤S100之前，还包括：
步骤S500、构建第一样本集；
具体的，所述第一样本集的构建方式，包括：
步骤S510、确定所述目标作物的目标观测窗口期，获取采集时间位于所述目标观测窗口期内，且包含所述目标作物的第一样本遥感影像；
具体的，确定所述目标作物的物候期；获取所述目标作物于所述物候期内的NDVI变化趋势；基于所述NDVI变化趋势，确定所述目标作物的目标观测窗口期。
其中，所述NDVI变化趋势是指所述目标作物于物候期内反映的NDVI特征变化趋势，包括NDVI起始值、最大值和结束值；所述NDVI起始值为：于所述目标作物物候期内最早观测到的所述目标作物的NDVI值；所述NDVI最大值为：于所述目标作物物候期内获取的所述目标作物的NDVI最大值；所述NDVI结束值为：于所述目标作物物候期内最晚观测到的所述目标作物的NDVI值；对应的，所述最早观测到所述目标作物NDVI值的时间为最早观测时间点，所述目标作物NDVI最大值的获取时间为目标观测时间点，所述最晚观测到所述目标作物NDVI值的时间为最晚观测时间点；
所述目标观测窗口期是指从所述最早观测时间点至所述最晚观测时间点的时间段；
所述第一样本遥感影像为光学遥感影像；示例性的，所述第一样本遥感影像为2~2.5米分辨率的遥感影像。
步骤S520、于所述第一样本遥感影像中提取所述目标作物图斑和其它地物图斑后，基于各所述目标作物图斑和其它地物图斑，构建第一样本集。
具体的，采用面向对象分割方法对所述第一样本遥感影像进行分割，获取分割后的各图斑；提取各图斑对应的NDVI时序分布；采用特征匹配的方式，将所述NDVI时序分布符合所述目标作物NDVI变化趋势的图斑，作为所述目标作物图斑；采用对比筛查的方式，获取新的所述目标作物图斑，将其它非所述目标作物的图斑作为其它地物图斑；基于新的所述目标作物图斑和其它地物图斑，构建第一样本集。
可选的，所述特征匹配的方式包括但不限于：决策树、随机森林和/或支持向量机等算法。
可选的，所述面向对象分割方法包括但不限于：多尺度分割算法。
可选的，所述对比筛查的方式包括但不限于：以优于0.8米分辨率的遥感影像、摄像头获取的影像和/或外业调查结果为参照，快速识别符合所述目标作物NDVI变化趋势的图斑中的非作物图斑，并将所述非作物图斑筛除；所述优于0.8米分辨率的遥感影像的更新周期为六个月。
于一具体实施方式中，所述NDVI时序分布符合所述目标作物NDVI变化趋势的实现方式，包括：
判断所述NDVI时序分布曲线中的所述NDVI的起始值获取时间、最大值获取时间和结束值获取时间，对应与所述目标作物NDVI变化趋势中的所述最早观测时间点、目标观测时间点和最晚观测时间点之间的差值，是否均小于第一时间阈值；若是，则判定所述NDVI时序分布符合所述目标作物NDVI变化趋势。示例性的，所述第一时间阈值为15天。
其中，所述NDVI的起始值获取时间为所述NDVI时序分布曲线中最早获取到所述目标作物NDVI的时间；所述NDVI的最大值获取时间为所述NDVI时序分布曲线中的所述NDVI最大值的获取时间；所述NDVI的结束值获取时间为所述NDVI时序分布曲线中最晚获取到所述目标作物NDVI的时间。
当同一区域对应的第一样本遥感影像为多期时，为确保各期第一样本遥感影像中图斑的分割区域相同，进而确保各图斑对应的NDVI时序分布的准确性以及样本标注的统一性，于一具体实施方式中，所述于所述第一样本遥感影像中获取各图斑的实现方式，包括：采用预设的图斑分割模板，对各期第一样本遥感影像进行分割。
其中，所述图斑分割模板为：遥感影像中各图斑对应的矢量边界所组成的矢量数据。
优选的，所述图斑分割模板的获取方式，包括：
步骤S521、基于目标观测时间点，获取目标第一样本遥感影像；
步骤S522、采用采用面向对象分割方法，对所述目标第一样本遥感影像进行分割，基于分割后各图斑的矢量边界，获取所述图斑分割模板。
本实施例中的粮食作物提取方法通过采用分割模板，对各期第一样本遥感影像进行分割，对分割的图斑采用特征匹配的方式获取目标作物图斑，以构建第一样本，不仅可在短时间内快速获取大量样本，还可以确保各图斑对应的NDVI时序分布的准确性以及样本标注的统一性；以及筛除非作物图斑的速度相较于勾画选取目标图斑的速度更快，提高了所述第一样本的获取效率，进而实现快速开展第一提取模型的训练。
请参阅图3，示出为本发明于第三方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图；
如图3所示，于本实施例中，所述破碎化耕作区的粮食作物提取方法与图1示出方法的不同之处在于，所述方法于执行步骤S100之前，还包括：
步骤S500’、构建第二样本集；
具体的，所述第二样本集的构建方式，包括：
步骤S510’、利用所述第一提取模型，获取所述样本区内的所述目标作物的第一样本结果；基于所述第一样本结果，采用对比筛查的方式，将所述第一样本结果中，被误判为所述目标作物的图斑，设为初始误判图斑；
其中，所述第一样本结果包括基于所述样本区的遥感影像提取的所述目标作物图斑和其它地物图斑；
所述对比筛查的方式包括但不限于：以优于0.8米分辨率的遥感影像、摄像头获取的影像和/或外业调查结果为参照，对所述目标作物的第一样本结果进行核对，将所述第一样本结果中误判为所述目标作物的图斑，标注为初始误判图斑，获取初始误判图斑集合。
步骤S520’、判断各所述初始误判图斑与所述目标作物图斑的距离是否小于预设第一距离阈值；将与所述目标作物图斑的距离小于预设第一距离阈值的误判图斑，作为最终误判图斑；将筛除所述最终误判图斑后的目标作物图斑，作为判定准确的目标作物图斑；基于所述最终误判图斑和判定准确的目标作物图斑，构建第二样本集；
其中，所述第二样本集中的正样本是所述判定准确的目标作物图斑，负样本是所述最终误判图斑，即难分作物图斑，其它地物为背景；所述背景是除所述目标作物和难分作物外的其它地物，其在所述第二提取模型的训练过程中，不参与训练。
本实施例中的所述粮食作物提取方法，考虑到了种植结构对深度学习模型提取粮食作物的影响（根据地理学第三定律-地理相似性定律：地理环境越相似，地理目标特征越相近），因此，仅针对第一提取模型提取错误的结果，即难以区分的作物进行细化标注，进而构建第二样本集；基于上述构建的第二样本集对所述第二提取模型进行训练，一是可避免第二提取模型基于海量的样本进行训练而难以拟合；二是可提高样本中的场景特征于第二提取模型训练过程中的贡献度。
请参阅图4，示出为本发明于第四方面提供的所述破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图。
如图4所示，于本实施例中，所述破碎化耕作区的粮食作物提取方法与图1示出方法的不同之处在于，所述方法于执行步骤S100时，还包括：
步骤S100’、 基于第一样本遥感影像集，构建初始的第一样本集；基于所述初始的第一样本集，对所述原始的第一提取模型进行预训练，以获得预训练后的第一提取模型；利用新的第一样本遥感影像集，采用迭代优化的方式对预训练后的第一提取模型进行训练，以获得训练后的所述第一提取模型。
其中，所述新的第一样本遥感影像集包括各新的第一样本遥感影像；所述新的第一样本遥感影像为与所述第一样本遥感影像不同的影像，包括采集时间不同和/或采集区域不同；所述预训练后的第一提取模型为模型精度达到预设第一精度阈值的第一提取模型。
具体的，所述采用迭代优化的方式对预训练后的第一提取模型进行训练，于执行单次训练时，包括以下子步骤：
步骤S110’、获取当前的所述第一提取模型；
其中，所述当前的第一提取模型为执行当前训练之前所能获得的最新的第一提取模型。
步骤S120’、利用所述当前的第一提取模型，对所述新的第一样本遥感影像进行所述目标作物的提取，以获取所述新的第一样本遥感影像中的所述目标作物图斑和其它地物图斑；
步骤S130’、对所述目标作物图斑进行判定，筛除其中的非作物图斑，获取新的所述目标作物图斑和其它地物图斑；基于新的所述目标作物图斑和其它地物图斑，构建新增第一样本；
其中，所述新增第一样本的构建方式与前述第一样本的构建方式相同，在此不再赘述。
步骤S140’、判断所述新增第一样本的样本数量是否达到预设第一数量阈值，若是，则基于所述新增第一样本，更新所述第一样本集，基于更新后的第一样本集，对所述第一提取模型进行优化训练，以获得当前训练后的第一提取模型；若否，则更新所述新的第一样本遥感影像，基于更新的所述新的第一样本遥感影像，重新执行步骤S110’~步骤S140’；
步骤S150’、获取优化训练后的所述第一提取模型的当前模型精度，判定所述当前模型精度是否达到预设第二精度阈值，若是，则退出所述第一提取模型的迭代优化过程；若否，则重复执行步骤S110’~步骤S150’。
需要说明的是，构建完备的训练样本，其样本的构建时间长；其次，由于初步训练好的模型已学习到部分特征，因此相较于未经训练的模型，初步训练好的模型于训练过程中更易收敛，其训练速度更快。
本实施例提供的粮食作物提取方法，考虑了不同区域中的同一种目标作物，其自身的特征差异性不大的因素，因此，本实施例中采用循环迭代的方式快速获取新增第一样本，进而基于更新的第一样本集迭代优化第一提取模型，使得模型可以先开展初步训练，于迭代优化过程中，基于新增训练样本以及初步训练后的模型，快速提升模型精度。
请参阅图5，示出为本发明于第五方面提供的一种破碎化耕作区的粮食作物提取方法于一实施例中的流程示意图；
如图5所示，于本实施例中，于执行步骤S100时，还包括：
步骤S100’’、基于第一样本遥感影像集，构建初始的第一样本集；基于第二样本遥感影像集，构建初始的第二样本集；基于初始的第一样本集，对原始的第一提取模型进行预训练，获取预训练后的第一提取模型；基于初始的第二样本集，对原始的第二提取模型进行预训练，获取预训练后的第二提取模型；以及，利用第三样本遥感影像集，采用双模型迭代优化的方式，对所述预训练后的第一提取模和第二提取模型进行训练，以对应获得训练后的所述第一提取模型和第二提取模型；
其中，所述预训练后的第一提取模型为模型精度达到预设第三精度阈值的第一提取模型；所述预训练后的第二提取模型为模型精度达到预设第四精度阈值的第二提取模型；所述第三样本遥感影像集包括各第三样本遥感影像；所述第三样本遥感影像为所述样本区内，且与所述第一样本遥感影像和第二样本遥感影像不同的影像，包括采集时间不同和/或采集区域不同。
具体的，所述采用双模型迭代优化的方式，对所述预训练后的第一提取模型和第二提取模型进行训练，于执行单次双模型优化时，包括：
步骤S110’’、获取当前的所述第一提取模型和第二提取模型；利用所述当前的第一提取模型，对第三样本遥感影像进行所述目标作物的第一次提取，以获取所述目标作物的第一样本结果；获取与所述第一样本结果对应的第三遥感影像；利用所述当前的第二提取模型，对所述第三遥感影像进行第二次提取，以获得第二样本结果；
其中，所述当前的第一提取模型和第二提取模型分别为执行当前训练之前所能获得的最新的第一提取模型和第二提取模型；
所述第三遥感影像为所述第三样本遥感影像中光学影像特征与纹理特征融合后形成的遥感影像；
所述第一样本结果包括基于第三样本遥感影像提取的所述目标作物图斑；所述第二样本结果包括基于所述第三遥感影像提取的所述目标作物图斑和难分作物图斑。
步骤S120’’、检测所述第二样本结果是否准确；将准确的所述第二样本结果，设为新增第一样本；以及，基于错误的所述第二样本结果，判断所述第二样本结果中，提取正确的图斑数量与提取错误的图斑数量的比例是否达到预设第三比例阈值，若是，则采用所述第二样本的构建方式，构建新增第二样本；
其中，所述采用所述第二样本的构建方式，构建新增第二样本的具体实现方式，与上述图3所示实施例中所述第二样本的构建方式相同，在此不再赘述。
步骤S130’’、检测所述新增第一样本的样本数量是否大于预设第二数量阈值，和所述新增第二样本的样本数量是否达到预设第三数量阈值，若是，则执行当前的双模型优化，获得当前优化后的第一提取模型的模型精度和第二提取模型的模型精度；若否，则更新所述第三样本遥感影像，基于新的所述第三样本遥感影像，重新执行步骤S110’’~步骤S130’’；
其中，所述双模型优化的实现方式，包括：
基于所述新增的第一样本，更新所述第一样本集，基于更新后的第一样本集，对所述第一提取模型进行优化训练；以及，基于所述新增的第二样本，更新所述第二样本集，基于更新后的第二样本集，对所述第二提取模型进行优化训练；
步骤S140’’、检测所述当前优化后的第一提取模型的模型精度是否达到预设第五精度阈值，和所述当前优化后第二提取模型的模型精度是否达到预设第六精度阈值，若是，则退出双模型优化过程；若否，则重复执行步骤S110’’~步骤S140’’；
本实施例中的粮食作物提取方法，基于第二提取模型获取的提取结果准确率较高，因此，基于所述第二样本结果，获取新增样本的速度快，可快速获取大量训练样本；以及，基于新增的第一样本和第二样本，分别对所述第一提取模型和第二提取模型采用迭代优化的方式进行训练，可快速提升所述第一提取模型和第二提取模型的精度。
需要说明的是，于本申请的上述各实施例中所使用的遥感影像均为所述目标作物于所述物候期内的遥感影像。
为解决上述现有技术中存在的问题，本申请实施例还提供一种破碎化耕作区的粮食作物提取系统，如图6所示，于本实施例中，本发明提供的所述破碎化耕作区的粮食作物提取系统，包括：
第一提取结果获取模块301，用于基于训练后的第一提取模型，对工作区第一遥感影像进行所述目标作物的第一次提取，获得所述目标作物的第一提取结果；所述第一提取结果为所述第一遥感影像中被判定为所述目标作物的各初始图斑；所述第一遥感影像为所述工作区的光学遥感影像；
第二遥感影像获取模块302，用于获取与所述第一提取结果对应的第二遥感影像；所述第二遥感影像为所述第一遥感影像的光学影像特征与纹理特征融合后形成的遥感影像；
最终提取结果获取模块303，用于基于训练后的第二提取模型，对所述第二遥感影像进行所述目标作物的第二次提取，获取所述目标作物的最终提取结果。
如图7所示，于本实施例中，本发明提供的所述破碎化耕作区的粮食作物提取系统，还包括：
第一样本集构建模块304，用于获取第一样本遥感影像，于所述第一样本遥感影像中提取所述目标作物图斑和其它地物图斑，并基于各所述目标作物图斑和其它地物图斑，构建第一样本集；
于本实施例中，所述第一样本集构建模块还包括以下子模块：
图斑分割模板构建子模块3041，用于对所述目标第一样本遥感影像进行分割，基于分割后各图斑的矢量边界，获取所述图斑分割模板；
如图8所示，于本实施例中，本发明提供的所述破碎化耕作区的粮食作物提取系统，还包括：
第二样本集构建模块305，用于基于第一提取模型，获取所述样本区内的所述目标作物的第一样本结果，将所述第一样本结果中被误判为所述目标作物的图斑，设为初始误判图斑，并判断各所述初始误判图斑与所述目标作物图斑的距离是否超过预设第一距离阈值；将与所述目标作物图斑的距离不超过预设第一距离阈值的误判图斑，作为最终误判图斑；基于所述最终误判图斑和所述目标作物图斑，构建第二样本集。
如图9所示，于本实施例中，本发明提供的所述破碎化耕作区的粮食作物提取系统，还包括：
第一提取模型迭代优化模块306，用于基于第一样本遥感影像集，构建初始的第一样本集；基于所述初始的第一样本集，对所述原始的第一提取模型进行预训练，以获得预训练后的第一提取模型；利用新的第一样本遥感影像集，采用迭代优化的方式对预训练后的第一提取模型进行训练，以获得训练后的所述第一提取模型；
如图10所示，于本实施例中，本发明提供的所述破碎化耕作区的粮食作物提取系统，还包括：
双模型迭代优化模块307，用于基于第一样本遥感影像集，构建初始的第一样本集；基于第二样本遥感影像集，构建初始的第二样本集；基于所述初始的第一样本集，对原始的第一提取模型进行预训练，以获得预训练后的第一提取模型；基于所述初始的第二样本集，对原始的第二提取模型进行预训练，以获得预训练后的第二提取模型；利用第三样本遥感影像集，采用双模型迭代优化的方式，对所述预训练后的第一提取模和第二提取模型进行训练，以对应获得训练后的所述第一提取模型和第二提取模型。
其中，所述预训练后的第一提取模型为为模型精度达到预设第三精度阈值的第一提取模型；所述预训练后的第二提取模型为模型精度达到预设第四精度阈值的第二提取模型。
如图11所示，于本实施例中，本发明提供一种破碎化耕作区的粮食作物提取设备，设备400包括存储器401及处理器402，存储器401用于存储计算机程序；处理器402用于执行存储器401存储的计算机程序，以使设备400执行本申请上述任一实施例的破碎化耕作区的粮食作物提取方法。由于破碎化耕作区的粮食作物提取方法的步骤的具体实施过程已经在上述实施例中进行了详细说明，在此不再赘述。
存储器401包括：ROM(Read Only Memory image)、RAM(Random Access Memory)、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
处理器402与存储器401相连，用于执行存储器401存储的计算机程序，以使设备400执行上述的粮食作物提取方法。
优选的，处理器402可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(ApplicationSpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable GateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性（non-transitory）介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带（magnetic tape），软盘（floppy disk），光盘（optical disc）及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如数字视频光盘（digital video disc，DVD））、或者半导体介质（例如固态硬盘（solid state disk，SSD））等。
本申请实施例还可以提供一种计算机程序产品，所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时，所述计算机执行前述方法实施例所述的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (9)

1.一种破碎化耕作区的粮食作物提取方法，其特征在于，包括：
基于第一样本集，对原始的第一提取模型进行训练，和基于第二样本集，对原始的第二提取模型进行训练，以对应获得训练后的第一提取模型和第二提取模型；
利用所述训练后的第一提取模型，对工作区第一遥感影像进行目标作物的第一次提取，获得所述目标作物的第一提取结果；所述第一提取结果为所述第一遥感影像中被判定为所述目标作物的各初始图斑；所述第一遥感影像为所述工作区的光学遥感影像；所述第一提取模型为基于光学影像特征，识别所述目标作物和其它地物的深度学习模型；
获取所述第一提取结果对应的第二遥感影像；所述第二遥感影像为所述第一遥感影像的光学影像特征与纹理特征融合后形成的遥感影像；
利用所述训练后的第二提取模型，对所述第二遥感影像进行所述目标作物的第二次提取，获取所述目标作物的最终提取结果；所述第二提取模型为基于所述光学影像特征、纹理特征和各作物之间的空间关系，识别出所述目标作物和难分作物的深度学习模型；
所述第二样本集包括基于第二样本遥感影像提取的目标作物图斑和难分作物图斑；所述第二样本遥感影像为光学特征与纹理特征融合后形成的遥感影像，且所述第二样本遥感影像对应的样本区的种植结构与所述工作区的种植结构相同；其中，所述第二样本集的构建方式包括：
利用所述第一提取模型，获取所述样本区内的所述目标作物的第一样本结果；基于所述第一样本结果，采用对比筛查的方式，将所述第一样本结果中，被误判为所述目标作物的图斑，设为初始误判图斑：
判断各所述初始误判图斑与所述目标作物图斑的距离是否超过预设第一距离阈值；将与所述目标作物图斑的距离不超过预设第一距离阈值的误判图斑，作为最终误判图斑；基于所述最终误判图斑和目标作物图斑，构建第二样本集。
2.根据权利要求1所述的方法，其特征在于，还包括：
所述第一样本集包括基于第一样本遥感影像提取的所述目标作物图斑和其它地物图斑；所述第一样本遥感影像为光学遥感影像。
3.根据权利要求1所述的方法，其特征在于，所述第一样本集的构建方式包括：
确定所述目标作物的目标观测窗口期，获取采集时间位于所述目标观测窗口期内，且包含所述目标作物的第一样本遥感影像；
于所述第一样本遥感影像中，提取所述目标作物图斑和所述其它地物图斑；
基于各所述目标作物图斑和所述其它地物图斑，构建第一样本集。
4.根据权利要求3所述的方法，其特征在于，当同一区域对应的第一样本遥感影像为多期时，所述目标作物图斑和其它地物图斑的获取方式包括：
采用预设的图斑分割模板，对各所述第一样本遥感影像进行分割，以获取各所述目标作物图斑和所述其它地物图斑；所述图斑分割模板为所述第一样本遥感影像中各图斑对应的矢量边界所组成的矢量数据。
5.根据权利要求1所述的方法，其特征在于，所述基于第一样本集，对原始的第一提取模型进行训练，包括：
基于第一样本遥感影像集，构建初始的第一样本集；
基于所述初始的第一样本集，对原始的第一提取模型进行预训练，以获得预训练后的第一提取模型；所述预训练后的第一提取模型为模型精度达到预设第一精度阈值的第一提取模型；
利用新的第一样本遥感影像集，采用迭代优化的方式对预训练后的第一提取模型进行训练，以获得训练后的所述第一提取模型；
所述利用新的第一样本遥感影像集，采用迭代优化的方式对预训练后的第一提取模型进行训练，包括：
获取新的第一样本遥感影像；
利用当前的第一提取模型，对所述新的第一样本遥感影像进行所述目标作物的提取，获得新增的第一样本；
基于所述新增的第一样本，更新当前的第一样本集，获得新的第一样本集；
基于所述新的第一样本集，对所述当前的第一提取模型进行训练，以获得新的第一提取模型；
重复执行所述迭代优化的方式，对第一提取模型进行训练，直至所述第一提取模型的模型精度达到预设第二精度阈值。
6.根据权利要求1所述的方法，其特征在于，所述基于第一样本集，对原始的第一提取模型进行训练，和基于第二样本集，对原始的第二提取模型进行训练，包括：
基于第一样本遥感影像集，构建初始的第一样本集；基于第二样本遥感影像集，构建初始的第二样本集；
基于所述初始的第一样本集，对原始的第一提取模型进行预训练，以获得预训练后的第一提取模型；基于所述初始的第二样本集，对原始的第二提取模型进行预训练，以获得预训练后的第二提取模型；其中，所述预训练后的第一提取模型为模型精度达到预设第三精度阈值的第一提取模型；所述预训练后的第二提取模型为模型精度达到预设第四精度阈值的第二提取模型；
利用第三样本遥感影像集，采用双模型迭代优化的方式，对所述预训练后的第一提取模和第二提取模型进行训练，以对应获得训练后的所述第一提取模型和第二提取模型；
所述利用第三样本遥感影像集，采用双模型迭代优化的方式，对所述预训练后的第一提取模型和第二提取模型进行训练，包括：
获取所述第三样本遥感影像集中，新的第三样本遥感影像；
利用当前的第一提取模型，对所述新的第三样本遥感影像，进行所述目标作物的第一次提取，获得第一样本结果；
获取与所述第一样本结果对应的第三遥感影像；所述第三遥感影像为所述第三样本遥感影像中光学影像特征与纹理特征融合后形成的遥感影像；
利用当前的第二提取模型，对所述第三遥感影像进行所述目标作物的第二次提取，获得第二样本结果；
检测所述第二样本结果是否准确；将准确的所述第二样本结果，设为新增第一样本；以及，基于错误的所述第二样本结果，构建新增的第二样本，以分别获得新增的第一样本和第二样本；
基于所述新增的第一样本，更新当前的第一样本集，获得新的第一样本集；以及，基于所述新增的第二样本，更新当前的第二样本集，获得新的第二样本集；
基于所述新的第一样本集，对所述当前的第一提取模型进行训练，以获得新的第一提取模型；以及，基于所述新的第二样本集，对所述当前的第二提取模型进行训练，以获得新的第二提取模型；
重复执行所述双模型迭代优化的方式，对第一提取模型和第二提取模型进行训练，直至所述第一提取模型的模型精度达到预设第五精度阈值，和所述第二提取模型的模型精度达到预设第六精度阈值；
其中，所述第三样本遥感影像为所述样本区内，且与所述第一样本遥感影像和第二样本遥感影像不同的遥感影像。
7.一种破碎化耕作区的粮食作物提取系统，其特征在于，所述系统包括：
第一提取结果获取模块，用于基于训练后的第一提取模型，对工作区第一遥感影像进行目标作物的第一次提取，获得所述目标作物的第一提取结果；所述第一提取结果为所述第一遥感影像中被判定为所述目标作物的各初始图斑；所述第一遥感影像为所述工作区的光学遥感影像；所述第一提取模型为基于光学影像特征，识别所述目标作物和其它地物的深度学习模型；
第二遥感影像获取模块，用于获取与所述第一提取结果对应的第二遥感影像；所述第二遥感影像为光学影像特征与纹理特征融合后形成的遥感影像；
最终提取结果获取模块，用于基于训练后的第二提取模型，对所述第二遥感影像进行所述目标作物的第二次提取，获取所述目标作物的最终提取结果；所述第二提取模型为基于所述光学影像特征、纹理特征和各作物之间的空间关系，识别出所述目标作物和难分作物的深度学习模型；
其中，所述训练后的第一提取模型和所述训练后的第二提取模型的获取方式包括：
基于第一样本集，对原始的第一提取模型进行训练，和基于第二样本集，对原始的第二提取模型进行训练，以对应获得训练后的第一提取模型和第二提取模型；所述第二样本集包括基于第二样本遥感影像提取的目标作物图斑和难分作物图斑；所述第二样本遥感影像为光学特征与纹理特征融合后形成的遥感影像，且所述第二样本遥感影像对应的样本区的种植结构与所述工作区的种植结构相同；其中，所述第二样本集的构建方式包括：
利用所述第一提取模型，获取所述样本区内的所述目标作物的第一样本结果；基于所述第一样本结果，采用对比筛查的方式，将所述第一样本结果中，被误判为所述目标作物的图斑，设为初始误判图斑；
判断各所述初始误判图斑与所述目标作物图斑的距离是否超过预设第一距离阈值；将与所述目标作物图斑的距离不超过预设第一距离阈值的误判图斑，作为最终误判图斑；基于所述最终误判图斑和目标作物图斑，构建第二样本集。
8.一种破碎化耕作区的粮食作物提取设备，其特征在于，所述设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行权利要求1至6中任一项所述的粮食作物提取方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被破碎化耕作区的粮食作物提取设备执行时实现权利要求1至6中任一项所述的方法。
CN202311345594.5A 2023-10-18 2023-10-18 破碎化耕作区的粮食作物提取方法、系统、设备及介质 Active CN117095299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311345594.5A CN117095299B (zh) 2023-10-18 2023-10-18 破碎化耕作区的粮食作物提取方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311345594.5A CN117095299B (zh) 2023-10-18 2023-10-18 破碎化耕作区的粮食作物提取方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN117095299A CN117095299A (zh) 2023-11-21
CN117095299B true CN117095299B (zh) 2024-01-26

Family

ID=88775415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311345594.5A Active CN117095299B (zh) 2023-10-18 2023-10-18 破碎化耕作区的粮食作物提取方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN117095299B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118470092B (zh) * 2024-06-04 2024-11-26 航天宏图信息技术股份有限公司 作物种植面积提取方法、装置、设备及介质
CN120236096B (zh) * 2025-05-29 2025-08-29 浙江省测绘科学技术研究院 复杂耕作区闲置耕地提取方法、模型训练方法及装置、存储介质和终端

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507211A (zh) * 2017-07-24 2017-12-22 中国科学院合肥物质科学研究院 基于多Agent和MRF的遥感图像分割方法
CN107578447A (zh) * 2017-09-26 2018-01-12 北京师范大学 一种基于无人机影像的作物垄位置确定方法及系统
CN110163868A (zh) * 2019-04-17 2019-08-23 安阳师范学院 一种遥感图像分割方法
CN110728658A (zh) * 2019-09-16 2020-01-24 武汉大学 一种基于深度学习的高分辨率遥感影像弱目标检测方法
WO2020143323A1 (zh) * 2019-01-08 2020-07-16 平安科技（深圳）有限公司 遥感影像分割方法、装置及存储介质、服务器
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN112287871A (zh) * 2020-11-12 2021-01-29 广东海洋大学 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法
CN112906455A (zh) * 2020-12-28 2021-06-04 国家海洋信息中心 一种海岸带生态系统遥感识别方法
CN113033453A (zh) * 2021-04-06 2021-06-25 北京艾尔思时代科技有限公司 一种适用于景观破碎区作物类型遥感识别的方法及系统
CN113255452A (zh) * 2021-04-26 2021-08-13 中国自然资源航空物探遥感中心 一种目标水体的提取方法及提取系统
CN113673358A (zh) * 2021-07-28 2021-11-19 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于卫星遥感影像的高原盐湖范围提取方法及系统
CN113705523A (zh) * 2021-09-06 2021-11-26 青岛星科瑞升信息科技有限公司 一种基于光学和双极化sar融合的分层城市不透水面提取方法
CN113920420A (zh) * 2020-07-07 2022-01-11 香港理工大学深圳研究院 一种建筑物提取方法、装置、终端设备及可读存储介质
CN114972191A (zh) * 2022-04-25 2022-08-30 航天宏图信息技术股份有限公司 一种耕地变化检测方法和装置
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法
WO2023000159A1 (zh) * 2021-07-20 2023-01-26 海南长光卫星信息技术有限公司 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN115690130A (zh) * 2022-12-30 2023-02-03 杭州咏柳科技有限公司 一种图像处理方法和装置
CN115953612A (zh) * 2022-10-14 2023-04-11 航天宏图信息技术股份有限公司 一种基于ConvNeXt的遥感影像植被分类方法和装置
CN115995005A (zh) * 2023-03-22 2023-04-21 航天宏图信息技术股份有限公司 基于单期高分辨率遥感影像的农作物的提取方法和装置
CN116246161A (zh) * 2022-12-06 2023-06-09 中国科学院空天信息创新研究院 领域知识引导下的遥感图像目标精细类型识别方法及装置
CN116309136A (zh) * 2023-02-27 2023-06-23 武汉大学 一种基于sar先验知识引导的遥感影像云区重建方法
CN116363522A (zh) * 2023-02-14 2023-06-30 国家海洋信息中心 一种基于深度学习的海岸带围填海变化遥感监测方法
CN116503733A (zh) * 2023-04-25 2023-07-28 北京卫星信息工程研究所 遥感图像目标检测方法、设备及存储介质

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507211A (zh) * 2017-07-24 2017-12-22 中国科学院合肥物质科学研究院 基于多Agent和MRF的遥感图像分割方法
CN107578447A (zh) * 2017-09-26 2018-01-12 北京师范大学 一种基于无人机影像的作物垄位置确定方法及系统
WO2020143323A1 (zh) * 2019-01-08 2020-07-16 平安科技（深圳）有限公司 遥感影像分割方法、装置及存储介质、服务器
CN110163868A (zh) * 2019-04-17 2019-08-23 安阳师范学院 一种遥感图像分割方法
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN110728658A (zh) * 2019-09-16 2020-01-24 武汉大学 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN113920420A (zh) * 2020-07-07 2022-01-11 香港理工大学深圳研究院 一种建筑物提取方法、装置、终端设备及可读存储介质
CN112287871A (zh) * 2020-11-12 2021-01-29 广东海洋大学 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法
CN112906455A (zh) * 2020-12-28 2021-06-04 国家海洋信息中心 一种海岸带生态系统遥感识别方法
CN113033453A (zh) * 2021-04-06 2021-06-25 北京艾尔思时代科技有限公司 一种适用于景观破碎区作物类型遥感识别的方法及系统
CN113255452A (zh) * 2021-04-26 2021-08-13 中国自然资源航空物探遥感中心 一种目标水体的提取方法及提取系统
WO2023000159A1 (zh) * 2021-07-20 2023-01-26 海南长光卫星信息技术有限公司 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN113673358A (zh) * 2021-07-28 2021-11-19 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于卫星遥感影像的高原盐湖范围提取方法及系统
CN113705523A (zh) * 2021-09-06 2021-11-26 青岛星科瑞升信息科技有限公司 一种基于光学和双极化sar融合的分层城市不透水面提取方法
CN114972191A (zh) * 2022-04-25 2022-08-30 航天宏图信息技术股份有限公司 一种耕地变化检测方法和装置
CN115223054A (zh) * 2022-07-15 2022-10-21 国家林业和草原局西南调查规划院 一种基于分区聚类与卷积的遥感影像变化检测方法
CN115953612A (zh) * 2022-10-14 2023-04-11 航天宏图信息技术股份有限公司 一种基于ConvNeXt的遥感影像植被分类方法和装置
CN116246161A (zh) * 2022-12-06 2023-06-09 中国科学院空天信息创新研究院 领域知识引导下的遥感图像目标精细类型识别方法及装置
CN115690130A (zh) * 2022-12-30 2023-02-03 杭州咏柳科技有限公司 一种图像处理方法和装置
CN116363522A (zh) * 2023-02-14 2023-06-30 国家海洋信息中心 一种基于深度学习的海岸带围填海变化遥感监测方法
CN116309136A (zh) * 2023-02-27 2023-06-23 武汉大学 一种基于sar先验知识引导的遥感影像云区重建方法
CN115995005A (zh) * 2023-03-22 2023-04-21 航天宏图信息技术股份有限公司 基于单期高分辨率遥感影像的农作物的提取方法和装置
CN116503733A (zh) * 2023-04-25 2023-07-28 北京卫星信息工程研究所 遥感图像目标检测方法、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dual Attention Based Multi-scale Feature Fusion Network for Indoor RGBD Semantic Segmentation;Zhongwei Hua等;2022 26th International Conference on Pattern Recognition (ICPR);3639-3644 *
一种基于自适应 M-S 模型的遥感影像分割方法;赵明衍等;测绘科学技术学报;第36卷(第2期);155-160 *
农作物种植结构遥感提取研究进展;胡琼;吴文斌;宋茜;余强毅;杨鹏;唐华俊;;中国农业科学(10);1900-1914 *

Also Published As

Publication number Publication date
CN117095299A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
US11521380B2 (en) Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
CN117095299B (zh) 破碎化耕作区的粮食作物提取方法、系统、设备及介质
Hong et al. Globenet: Convolutional neural networks for typhoon eye tracking from remote sensing imagery
Bhatt et al. Detection of diseases and pests on images captured in uncontrolled conditions from tea plantations
Byun et al. Deep learning-based rainfall prediction using cloud image analysis
CN113033453A (zh) 一种适用于景观破碎区作物类型遥感识别的方法及系统
Luo et al. New deep learning method for efficient extraction of small water from remote sensing images
Guo et al. Identifying rice field weeds from unmanned aerial vehicle remote sensing imagery using deep learning
Bajpai et al. Deep learning model for plant-leaf disease detection in precision agriculture
CN119445257A (zh) 基于多尺度卷积傅里叶和双分支自注意力的高光谱图像分类方法
Jia et al. YOLOF-Snake: An efficient segmentation model for green object fruit
You et al. Sugarcane nitrogen nutrition estimation with digital images and machine learning methods
Correa Martins et al. Identifying plant species in kettle holes using UAV images and deep learning techniques
CN117237729A (zh) 一种农作物分类方法、装置、存储介质及电子设备
CN114324336B (zh) 一种大豆全生育期生物量无损测量方法
Li et al. Wheat ear detection based on FasterCANet-YOLOv8s algorithm
Simou et al. Using Yolov5 to detect plastic greenhouses in morocco
CN109344837B (zh) 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法
Dhande et al. Design of a high-efficiency temporal engine for real-time spatial satellite image classification using augmented incremental transfer learning for crop analysis
CN117011710A (zh) 基于多源数据融合的遥感数据精度分析方法、电子设备及存储介质
CN116580229A (zh) 一种基于深度学习的水稻叶龄检测方法
Usman et al. Eggplant Leaf Semantic Segmentation in Aerial Imagery for Precision Agriculture
CN113469011A (zh) 一种基于遥感图像分类算法的规划地地物识别方法和装置
CN112949726A (zh) 基于fy-4a卫星的isccp云分类方法、系统、介质及终端
Carneiro et al. Deep Learning and Machine Learning for Automatic Grapevine Varieties Identification: A Brief Review

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
GR01 Patent grant
GR01 Patent grant