[发明专利]一种基于无人机图像及深度学习的小麦倒伏面积估算方法

说明书

本发明涉及一种基于无人机图像及深度学习的小麦倒伏面积估算方法，包括：通过无人机采集麦田图像；进行预处理和数据增强；构建深度学习模型，对Mask R‑CNN模型进行改进，采用评价指标进行评价，对训练参数进行调整；将待评估的麦田图像输入最佳Mask R‑CNN模型，最佳Mask R‑CNN模型输出小麦倒伏的像素点个数；基于小麦倒伏的像素点个数和标定区计算出来的单个像素代表的实际面积，得到小麦倒伏实际面积的估算结果。本发明对小麦倒伏区域进行精准识别与分割，计算出倒伏区域的像素点个数，从而计算出小麦倒伏区域的面积，评估受灾程度，可以满足麦田环境下高通量作业需求，为后续灾情处理以及评估损失提供技术支撑。

技术领域

本发明涉及深度学习和无人机遥感技术领域，尤其是一种基于无人机图像及深度学习的小麦倒伏面积估算方法。

背景技术

传统的作物长势监测是人工进入田间采集信息，这种方法耗时、耗力，并且时效性差，局限于地理、天气和其他因素的影响，无法满足实际需要。一方面测量结果也不一定准确，存在受主观性影响较大，不适合大规模地块倒伏灾害面积评估的实际需要等问题，另一方面人工深入田间进行测量，可能会对小麦造成二次伤害。

此外，现有的基于基于卫星光谱数据的小麦倒伏面积评估、基于无人机的小麦倒伏面积评估、基于传统机器学习的小麦倒伏面积评估同样也存在缺陷：

目前关于作物倒伏遥感监测存在的问题主要是大多数中高分辨率的卫星遥感影像其数据获取的时间受到限制，卫星重访周期长，数据的空间分辨率也在一定程度上受到不同传感器的影响而有所差异。由于受到卫星重返周期、地面分辨率低以及受制于数据获取成本，卫星影像往往无法及时提供精准农业所需的高分辨率数据。此外，卫星图像的获取很容易受到云层厚度的影响，而且在一些农业地区，卫星图像的像素尺度有时会大于单个田地，会导致较大误差，因此，该手段不能很好地实现作物倒伏实时精准监测。

基于无人机平台获取的影像数据易受到太阳角、风速以及是否有云遮挡等因素影响，并且倒伏区域与非倒伏区域边界模糊，难以区分。

传统的作物倒伏信息提取方法均是使用浅层机器学习方法(支持向量机、最大似然法、K均值等)去提取作物倒伏区域，对于农作物品种、种植区、施肥、灌溉以及天气因素产生的不同性状不能良好地适用。

发明内容

为解决现有技术无法实现作物倒伏实时精准监测的的缺陷，本发明的目的在于提供一种减少了倒伏评估成本，并且大大缩减了倒伏评估的时间跨度，提高了灾害监测实时性与准确度的基于无人机图像及深度学习的小麦倒伏面积估算方法。

为实现上述目的，本发明采用了以下技术方案：一种基于无人机图像及深度学习的小麦倒伏面积估算方法，该方法包括下列顺序的步骤：

(1)通过无人机采集麦田图像；

(2)对采集的麦田图像进行预处理；

(3)对预处理后的麦田图像进行数据增强；

(4)经过数据增强后的数据组成数据集，将数据集按照7：2：1划分为训练集、验证集和测试集；

(5)使用Mask R-CNN模型构建用于小麦倒伏分割的深度学习模型，对Mask R-CNN模型进行改进，采用训练集训练改进后的Mask R-CNN模型，得到训练好的Mask R-CNN模型；

(6)采用测试集对训练好的Mask R-CNN模型进行测试，采用评价指标对训练好的Mask R-CNN模型进行评价，根据评价结果对训练好的Mask R-CNN模型的训练参数进行调整，得到最佳Mask R-CNN模型；

(7)将待评估的麦田图像输入最佳Mask R-CNN模型，最佳Mask R-CNN模型输出小麦倒伏的像素点个数；

(8)基于小麦倒伏的像素点个数和标定区计算出来的单个像素代表的实际面积，得到小麦倒伏实际面积的估算结果。