[发明专利]基于无人机和全卷积神经网络的小麦倒伏区域识别方法

说明书

本发明为一种基于无人机和全卷积神经网络的小麦倒伏区域识别方法，在无人机平台上搭载可见光传感器；通过无人机平台对研究区域进行拍摄；对获取到的所有可见光遥感影像进行筛选或剪裁；使用labelme将所有遥感影像中的倒伏区域圈画出来，生成数据集；在python平台上搭建FCN网络结构，构建训练平台和调用测试平台；将数据集分为两部分：80％为样本集，20％为测试集，将样本集输入到训练平台上进行训练得到FCN模型，并用测试集测试模型精度；在调用测试平台上调用训练完成的FCN模型，对待处理遥感影像进行语义分割，提取出倒伏区域。统计倒伏区域像元的个数，通过换算求得倒伏区域的面积。

技术领域

本发明涉及图像语义分割、深度学习和无人机遥感领域，特别涉及一种基于无人机和全卷积神经网络的小麦倒伏区域识别方法。

背景技术

目前各个地方的农业部门收集受灾农田信息的主要方式是：由专门的工作人员使用专门的工具来获取倒伏区域的地理坐标信息，而后再在地理信息处理软件/平台上进行后处理，统计或计算得到倒伏区域的面积和位置信息。

这种方式过度依赖人员操作，存在极大的主观不确定性，测量结果容易引起争议。而且这种测量方式，时效性低、易产生误差、容易对倒伏小麦造成二次伤害。

当前有部分学者和机构提出基于地面遥感来获取倒伏区域，其原理是：雷达特有的极化方式和作物天然的结构特点导致了雷达在HH和VV极化时会接收到不同的反馈电磁波，借助这种反馈的不同可以监测作物倒伏。

但是由于雷达影像实质上由一块一块的信息栅格组成，当目标区域面积小于信息栅格所对应的实地面积时，将难以精准的从栅格中获取信息。再考虑到倒伏区域出现的随机性、雨水飓风行道树等的影响,雷达也难以做到对倒伏区域准确的提取。

无人机具有续航时间长、操作简单、视野宽阔等优点，无人机遥感具有良好的空间分辨率和实时监测能力，因此非常适合被用于监测不同时空下作物特征变化。可见光传感器是无人机遥感中成本最低、最易获取的传感器，因此国内外有许多基于可见光传感器进行作物倒伏区域识别或提取的研究。

全卷积神经网络(Fully Convolutional Networks for SemanticSegmentation，FCN)具有可以接受数据集中任意尺寸大小的图片、能够实现对目标图像像素级别的分类——即图像语义分割、可以实现结构化输出等一系列优点。但目前还没有相关研究将其应用到倒伏区域提取的研究中。

基于此，本发明的目的是提供一种基于无人机和全卷积神经网络的小麦倒伏区域识别方法，用以对小麦倒伏区域进行高精准监测。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于无人机和全卷积神经网络的小麦倒伏区域识别方法，用以对小麦倒伏区域进行高精准监测。

为达到以上目的，本发明采取的技术方案是：

一种基于无人机和全卷积神经网络的小麦倒伏区域识别方法，包括以下步骤：

步骤1，在无人机平台上搭载可见光传感器；

步骤2，通过无人机平台对研究区域进行拍摄；

步骤3，对获取到的所有可见光遥感影像进行筛选或剪裁，确保新生成的每一幅遥感影像中都既包含有倒伏区域也包含有非倒伏区域，同时应确保每一幅遥感影像对应的地物视场没有重叠；

步骤4，使用labelme将所有遥感影像中的倒伏区域圈画出来，生成数据集；

步骤5，在python平台上搭建FCN网络结构，构建训练平台和调用测试平台；

步骤6，将数据集分为两部分：80％为样本集，20％为测试集，将样本集输入到训练平台上进行训练得到FCN模型，并用测试集测试模型精度；