[发明专利]图像中的作物类型分类

权利要求书

1.一种用于作物类型分类的方法，包括：

获得与地理区域和时间段相关联的多个图像集，其中所述多个图像集中的每个图像集包括多频谱和时间序列图像，所述多频谱和时间序列图像描绘在所述时间段期间所述地理区域的相应特定部分；

预测在与所述多个图像集中的图像集相关联的地理区域的所述特定部分内的每个特定位置中生长的一种或多种作物类型；

基于针对相应特定位置的预测的一种或多种作物类型，确定每个特定位置的作物类型分类；以及

生成包括覆盖有针对相应特定位置确定的作物类型分类的指示的多频谱和时间序列图像中的至少一个图像的作物指示图像；

其中确定每个特定位置的作物类型分类包括基于图像对作物地区的作物进行分类，通过：

响应于确定针对相应特定位置预测的作物类型包括主要多数预测的作物类型，选择主要多数预测的作物类型作为作物类型分类；以及

响应于确定针对相应特定位置预测的作物类型不包括主要多数预测的作物类型：

将相应特定位置划分为多个子特定位置；以及

将每个相应子特定位置分类为针对特定位置预测的作物类型的相应作物类型。

2.如权利要求1所述的方法，其中预测在每个特定位置中生长的一种或多种作物类型包括：

预测特定位置处的作物的存在；

基于特定位置处的作物的预测的存在，确定地理区域的特定部分内的作物边界位置；以及

预测在每个确定的作物边界位置内生长的一种或多种作物类型。

3.如权利要求1所述的方法，还包括基于针对相应特定位置确定的作物类型分类，估计每个特定位置的作物产量。

4.如权利要求1所述的方法，还包括基于针对相应特定位置确定的作物类型分类，为每个特定位置确定作物管理实践。

5.如权利要求1所述的方法，其中确定每个特定位置的作物类型分类包括针对每个特定位置将作物类型分类确定至亚米地面分辨率。

6.如权利要求1所述的方法，其中预测在每个特定位置中生长的一种或多种作物类型包括将所述图像集应用于一个或多个机器学习系统或卷积神经网络CNN。

7.如权利要求6所述的方法，其中所述一个或多个机器学习系统或CNN被配置为在对地面真实数据进行有监督的训练之后，预测在每个特定位置中生长的一种或多种作物类型。

8.如权利要求7所述的方法，其中所述地面真实数据包括以下各项中的一项或多项：政府作物数据、公共可用的作物数据、具有以低地面分辨率识别出的作物地区的图像、具有以低地面分辨率识别出的作物类型的图像、具有手动识别出的作物边界的图像、具有手动识别出的作物边界和作物类型的图像、作物调查数据、采样的作物数据和农民报告。

9.如权利要求7所述的方法，其中所述图像集的第一图像的第一分辨率不同于所述图像集的第二图像的第二分辨率，所述第一分辨率低于所述作物指示图像的第三分辨率，并且所述地面真实数据的至少一部分的第四分辨率低于所述作物指示图像的所述第三分辨率。

10.如权利要求1所述的方法，其中预测在每个特定位置中生长的一种或多种作物类型包括：对于每个特定位置，分析时间序列图像中与相应特定位置相关联的像素随时间的变化，其中像素的特定变化模式与至少一种作物类型相关联。

11.如权利要求1所述的方法，还包括：

使作物指示图像显示在用户可访问的设备上；以及

从用户接收针对相应特定位置确定的作物类型分类的指示当中的特定指示的修改，其中所述修改包括针对与特定指示相关联的特定位置的作物类型的手动重新分类。

12.一种用于作物类型分类的装置，包括一个或多个处理器和存储多条指令的计算机可读存储介质，所述指令使装置响应于所述一个或多个处理器的执行而执行权利要求1至11中任一项所述的方法。