【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及一種基于可見光圖像的耕地檢測方法、系統(tǒng)和可讀介質(zhì)，屬于視頻圖像處理。
技術(shù)介紹
1、為了促進(jìn)農(nóng)業(yè)和農(nóng)村經(jīng)濟(jì)發(fā)展、保障農(nóng)民利益，近些年耕地保護(hù)動態(tài)監(jiān)測愈加精細(xì)，利用人工智能技術(shù)自動的、精準(zhǔn)的監(jiān)測耕地變化，對于耕地資源監(jiān)測和保護(hù)具有重要作用。
2、目前耕地監(jiān)測技術(shù)是基于遙感圖像，例如公開號為cn116994025a的專利：一種利用影像超分技術(shù)提高耕地識別精度的方法及裝置以及公開號為cn115661655a的專利：高光譜和高分影像深度特征融合的西南山區(qū)耕地提取方法均基于遙感圖像做耕地檢測。受衛(wèi)星重訪周期影響遙感圖像技術(shù)監(jiān)測的周期長、時效性差。另外，遙感圖像受天氣因素制約較大，例如云層會阻擋遙感傳感器對地面的視線，雨滴或雪花會散射和吸收光線，降低圖像的對比度和清晰度，因此遙感圖像數(shù)據(jù)質(zhì)量較差，導(dǎo)致檢測精度不高。
3、近年來人工智能的發(fā)展，使得基于深度學(xué)習(xí)的變化檢測迅速發(fā)展起來，利用深度學(xué)習(xí)方法從影像提取地物，再進(jìn)行變化檢測也成為耕地檢測的常用解決方法。例如公開號為cn111986099a的專利：基于融合殘差修正的卷積神經(jīng)網(wǎng)絡(luò)的耕地監(jiān)測方法及系統(tǒng)，公開了一種基于融合殘差修正的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行耕地提取，再利用不同時相的遙感影像中耕地提取結(jié)果對比的耕地監(jiān)測方案。但是現(xiàn)有的耕地變化檢測技術(shù)受天氣變化以及動目標(biāo)例如人、車、動物以及農(nóng)作物物候變化影響較大，導(dǎo)致模型的魯棒性不足。
技術(shù)實現(xiàn)思路
1、針對上述問題，本專利技術(shù)的目的是提供一種基于可見光圖像的耕地檢測方法
2、為實現(xiàn)上述目的，本專利技術(shù)提出了以下技術(shù)方案：一種基于可見光圖像的耕地檢測方法，包括以下步驟：讀取高點攝像頭圖像數(shù)據(jù)和歷史圖像庫中同一區(qū)域不同時期的圖像；將所述高點攝像頭圖像和歷史圖像庫圖像輸入去霧去雨去雪網(wǎng)絡(luò)模型中，獲得去除了霧、雨和雪影響的高點攝像頭圖像和歷史圖像庫圖像；將去除了霧、雨和雪影響的高點攝像頭圖像和歷史圖像庫圖像輸入動目標(biāo)檢測算法模型中，獲得高點攝像頭圖像和歷史圖像庫圖像中的動目標(biāo)，并去除所述動目標(biāo)；將去除了動目標(biāo)的高點攝像頭圖像和歷史圖像庫圖像進(jìn)行圖像分割，獲得所述高點攝像頭圖像和歷史圖像庫圖像中的耕地范圍；將所述高點攝像頭圖像的耕地范圍與歷史圖像庫圖像的耕地范圍進(jìn)行對比，得到耕地檢測結(jié)果。
3、進(jìn)一步，所述去霧去雨去雪網(wǎng)絡(luò)模型包括特征提取模塊、編碼-解碼模塊和輸出模塊，所述特征提取模塊，用于對高點攝像頭圖像數(shù)據(jù)和歷史圖像庫圖像進(jìn)行低維特征提取；所述編碼-解碼模塊，用于對所述低維特征學(xué)習(xí)，獲得高維抽象特征與圖像內(nèi)容細(xì)節(jié)的映射關(guān)系；所述輸出模塊，用于輸出解碼層獲得的圖像內(nèi)容細(xì)節(jié)。
4、進(jìn)一步，所述特征提取模塊采用膨脹卷積作為特征塊網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)，在所述特征塊網(wǎng)絡(luò)中，采用以下不同尺度的膨脹卷積；df=1表示卷積時相鄰像素之間沒有空隙，df=2表示卷積時相鄰像素之間kernel間隔一個像素，df=3表示卷積時相鄰像素之間kernel間隔兩個像素，df=4表示卷積時相鄰像素之間kernel間隔三個像素，間隔的像素點處卷積核的值填充為0。
5、進(jìn)一步，所述編碼-解碼模塊包括編碼特征聚集密集卷積塊和解碼特征聚集密集卷積塊，其中，編碼部分和解碼部分成對出現(xiàn)，編碼部分，用于對圖像內(nèi)容的特征信息進(jìn)行編碼，包括若干對依次連接的編碼特征聚集密集卷積塊，解碼部分，用于解碼高維抽象的圖像特征，以恢復(fù)圖像內(nèi)容細(xì)節(jié)，包括若干對依次連接的解碼特征聚集密集卷積塊，每一對所述編碼特征聚集密集卷積塊的下采樣最大池化層和解碼特征聚集密集卷積塊上采樣最大池化層之間通過pooling?indices進(jìn)行短連接。
6、進(jìn)一步，在所述編碼特征聚集密集卷積塊中，輸入所述特征提取模塊中提取的df=1、df=2和?df=3三種特征，將所述三種特征聚合，將聚合特征輸入到密集連接卷積塊中，所述密集連接卷積塊包括兩個或兩個以上卷積層，聚合特征以及每一層的輸出特征均通過短連接輸入到其后的每一個卷積層中，通過連接層將所有特征連接聚合，通過卷積層，將輸入的三種特征與輸出特征相加，然后輸入到下采樣最大池化層maxpooling生成最終的輸出結(jié)果。
7、進(jìn)一步，在所述解碼特征聚集密集卷積塊中，輸入所述特征提取模塊中提取的df=1、df=2和?df=3三種特征，將所述三種特征聚合，將聚合特征輸入到密集連接卷積塊中，所述密集連接卷積塊包括兩個或兩個以上卷積層，聚合特征以及每一層的輸出特征均通過短連接輸入到其后的每一個卷積層中，通過連接層將所有特征連接聚合，通過卷積層，將輸入的三種特征與輸出特征相加，然后輸入到上采樣最大池化層upmaxpooling生成最終的輸出結(jié)果。
8、進(jìn)一步，所述動目標(biāo)檢測算法模型中首先通過幀間差分法獲取運動目標(biāo)可能存在的運動區(qū)域，再通過vibe背景建模算法對運動區(qū)域進(jìn)行背景建模，從而將目標(biāo)從圖像中提取出來。
9、進(jìn)一步，基于可變核卷積的u-net語義分割模型進(jìn)行圖像分割，可變核卷積的u-net語義分割模型中，通過輸入特征圖，提取用于生成動態(tài)卷積核的信息；基于輸入特征，通過坐標(biāo)生成算法為卷積核中的每個點生成采樣坐標(biāo)，結(jié)合目標(biāo)特性，計算每個采樣點的偏移量；通過所述采樣坐標(biāo)和偏移量，生成具有自適應(yīng)大小和形狀的卷積核，使用生成的動態(tài)卷積核在輸入特征圖上進(jìn)行卷積操作，從而產(chǎn)生輸出特征圖，得到圖像中的耕地區(qū)域。
10、進(jìn)一步，將所述高點攝像頭圖像的耕地范圍與歷史圖像庫圖像的耕地范圍進(jìn)行對比，得到耕地檢測結(jié)果的方法為：通過掩膜在所述高點攝像頭圖像和歷史圖像庫圖像中的耕地范圍中識別耕地區(qū)域，去除所述耕地區(qū)域內(nèi)的動目標(biāo)區(qū)域；通過形態(tài)學(xué)操作對所述掩膜進(jìn)行優(yōu)化，進(jìn)一步優(yōu)化耕地區(qū)域，消除噪聲；找出掩膜中的連通區(qū)域，對每個所述連通區(qū)域，計算所述耕地區(qū)域的面積和位置；根據(jù)匈牙利算法根據(jù)所述連通區(qū)域的iou，匹配高點攝像頭圖像與歷史圖像庫圖像中的連通區(qū)域，得到配對的連通區(qū)域?qū)Γ粚λ鲞B通區(qū)域?qū)χ袃蓚€連通區(qū)域面積做差值，當(dāng)差值大于閾值，就認(rèn)為耕地發(fā)生變化。
11、本專利技術(shù)還公開了一種基于可見光圖像的耕地檢測系統(tǒng)，包括：圖像獲取模塊，用于讀取高點攝像頭圖像數(shù)據(jù)和歷史圖像庫中同一區(qū)域不同時期的圖像；去霧去雨去雪模塊，用于將所述高點攝像頭圖像和歷史圖像庫圖像輸入去霧去雨去雪網(wǎng)絡(luò)模型中，獲得去除了霧、雨和雪影響的高點攝像頭圖像和歷史圖像庫圖像；動目標(biāo)去除模塊，用于將去除了霧、雨和雪影響的高點攝像頭圖像和歷史圖像庫圖像輸入動目標(biāo)檢測算法模型中，獲得高點攝像頭圖像和歷史圖像庫圖像中的動目標(biāo)，并去除所述動目標(biāo)；圖像分割模塊，用于將去除了動目標(biāo)的高點攝像頭圖像和歷史圖像庫圖像進(jìn)行圖像分割，獲得所述高點攝像頭圖像和歷史圖像庫圖像中的耕地范圍；圖像對比模塊，用于將所述高點攝像頭圖像的耕地范圍與歷史圖像庫圖像的耕地范圍進(jìn)行對比，得到耕地檢測結(jié)果。
12、本專利技術(shù)還公開了一種計算機(jī)可讀存儲介質(zhì)，所本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
1.一種基于可見光圖像的耕地檢測方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于可見光圖像的耕地檢測方法，其特征在于，所述去霧去雨去雪網(wǎng)絡(luò)模型包括特征提取模塊、編碼-解碼模塊和輸出模塊，所述特征提取模塊，用于對高點攝像頭圖像數(shù)據(jù)和歷史圖像庫圖像進(jìn)行低維特征提取；所述編碼-解碼模塊，用于對所述低維特征學(xué)習(xí)，獲得高維抽象特征與圖像內(nèi)容細(xì)節(jié)的映射關(guān)系；所述輸出模塊，用于輸出解碼層獲得的圖像內(nèi)容細(xì)節(jié)。
3.如權(quán)利要求2所述的基于可見光圖像的耕地檢測方法，其特征在于，所述特征提取模塊采用膨脹卷積作為特征塊網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)，在所述特征塊網(wǎng)絡(luò)中，采用以下不同尺度的膨脹卷積；DF=1表示卷積時相鄰像素之間沒有空隙，DF=2表示卷積時相鄰像素之間Kernel間隔一個像素，DF=3表示卷積時相鄰像素之間Kernel間隔兩個像素，DF=4表示卷積時相鄰像素之間Kernel間隔三個像素，間隔的像素點處卷積核的值填充為0。
4.如權(quán)利要求3所述的基于可見光圖像的耕地檢測方法，其特征在于，所述編碼-解碼模塊包括編碼特征聚集密集卷積塊和解碼特征聚集密集卷積塊，其中
5.如權(quán)利要求4所述的基于可見光圖像的耕地檢測方法，其特征在于，在所述編碼特征聚集密集卷積塊和解碼特征聚集密集卷積塊中，輸入所述特征提取模塊中提取的DF=1、DF=2和?DF=3三種特征，將所述三種特征聚合，將聚合特征輸入到密集連接卷積塊中，所述密集連接卷積塊包括兩個或兩個以上卷積層，聚合特征以及每一層的輸出特征均通過短連接輸入到其后的每一個卷積層中，通過連接層將所有特征連接聚合，通過卷積層，將輸入的三種特征與輸出特征相加生成最終的輸出結(jié)果。
6.如權(quán)利要求1-5任一項所述的基于可見光圖像的耕地檢測方法，其特征在于，所述動目標(biāo)檢測算法模型中首先通過幀間差分法獲取運動目標(biāo)可能存在的運動區(qū)域，再通過VIBE背景建模算法對運動區(qū)域進(jìn)行背景建模，從而將目標(biāo)從圖像中提取出來。
7.如權(quán)利要求1-5任一項所述的基于可見光圖像的耕地檢測方法，其特征在于，基于可變核卷積的U-Net語義分割模型進(jìn)行圖像分割，可變核卷積的U-Net語義分割模型中，通過輸入特征圖，提取用于生成動態(tài)卷積核的信息；基于輸入特征，通過坐標(biāo)生成算法為卷積核中的每個點生成采樣坐標(biāo)，結(jié)合目標(biāo)特性，計算每個采樣點的偏移量；通過所述采樣坐標(biāo)和偏移量，生成具有自適應(yīng)大小和形狀的卷積核，使用生成的動態(tài)卷積核在輸入特征圖上進(jìn)行卷積操作，從而產(chǎn)生輸出特征圖，得到圖像中的耕地區(qū)域。
8.如權(quán)利要求1-5任一項所述的基于可見光圖像的耕地檢測方法，其特征在于，將所述高點攝像頭圖像的耕地范圍與歷史圖像庫圖像的耕地范圍進(jìn)行對比，得到耕地檢測結(jié)果的方法為：通過掩膜在所述高點攝像頭圖像和歷史圖像庫圖像中的耕地范圍中識別耕地區(qū)域，去除所述耕地區(qū)域內(nèi)的動目標(biāo)區(qū)域；通過形態(tài)學(xué)操作對所述掩膜進(jìn)行優(yōu)化，進(jìn)一步優(yōu)化耕地區(qū)域，消除噪聲；找出掩膜中的連通區(qū)域，對每個所述連通區(qū)域，計算所述耕地區(qū)域的面積和位置；根據(jù)匈牙利算法根據(jù)所述連通區(qū)域的IOU，匹配高點攝像頭圖像與歷史圖像庫圖像中的連通區(qū)域，得到配對的連通區(qū)域?qū)Γ粚λ鲞B通區(qū)域?qū)χ袃蓚€連通區(qū)域面積做差值，當(dāng)差值大于閾值，就認(rèn)為耕地發(fā)生變化。
9.一種基于可見光圖像的耕地檢測系統(tǒng)，其特征在于，包括：
10.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，所述計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行以實現(xiàn)如權(quán)利要求1-8任一項所述的基于可見光圖像的耕地檢測方法。
...【技術(shù)特征摘要】
1.一種基于可見光圖像的耕地檢測方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于可見光圖像的耕地檢測方法，其特征在于，所述去霧去雨去雪網(wǎng)絡(luò)模型包括特征提取模塊、編碼-解碼模塊和輸出模塊，所述特征提取模塊，用于對高點攝像頭圖像數(shù)據(jù)和歷史圖像庫圖像進(jìn)行低維特征提取；所述編碼-解碼模塊，用于對所述低維特征學(xué)習(xí)，獲得高維抽象特征與圖像內(nèi)容細(xì)節(jié)的映射關(guān)系；所述輸出模塊，用于輸出解碼層獲得的圖像內(nèi)容細(xì)節(jié)。
3.如權(quán)利要求2所述的基于可見光圖像的耕地檢測方法，其特征在于，所述特征提取模塊采用膨脹卷積作為特征塊網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)，在所述特征塊網(wǎng)絡(luò)中，采用以下不同尺度的膨脹卷積；df=1表示卷積時相鄰像素之間沒有空隙，df=2表示卷積時相鄰像素之間kernel間隔一個像素，df=3表示卷積時相鄰像素之間kernel間隔兩個像素，df=4表示卷積時相鄰像素之間kernel間隔三個像素，間隔的像素點處卷積核的值填充為0。
4.如權(quán)利要求3所述的基于可見光圖像的耕地檢測方法，其特征在于，所述編碼-解碼模塊包括編碼特征聚集密集卷積塊和解碼特征聚集密集卷積塊，其中，編碼部分和解碼部分成對出現(xiàn)，編碼部分，用于對圖像內(nèi)容的特征信息進(jìn)行編碼，包括若干對依次連接的解碼特征聚集密集卷積塊，解碼部分，用于解碼高維抽象的圖像特征，以恢復(fù)圖像內(nèi)容細(xì)節(jié)，包括若干對依次連接的解碼特征聚集密集卷積塊，每一對編碼特征聚集密集卷積塊的下采樣最大池化層和解碼特征聚集密集卷積塊的上采樣最大池化層之間通過池化索引poolingindices進(jìn)行短連接。
5.如權(quán)利要求4所述的基于可見光圖像的耕地檢測方法，其特征在于，在所述編碼特征聚集密集卷積塊和解碼特征聚集密集卷積塊中，輸入所述特征提取模塊中提取的df=1、df=2和?df=3三種特征，將所述三種特征聚合，將聚合特征輸入到密集連接卷積塊中，所述密集連接卷積塊包括兩個或兩個以上卷積層，聚合特征以及每一層的輸出特征均通過短連接輸...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：羅靜，張麗，王曉，毛少將，郭宇鵬，任峰，孫嘉琪，李沛然，李雪，孫芯彤，
申請(專利權(quán))人：通號通信信息集團(tuán)有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。