一种基于深度学习的农业田块分割方法及系统

本申请涉及深度学习的领域，尤其是涉及一种基于深度学习的农业田块分割方法及系统。

背景技术：

1、农业的自动化生成越来越被人们所重视，而农业田块的分割是农业自动化生成的重要组成部分，它的检测识别以及面积估算是有着重要意义的，目前对农田田块的检测主要是通过卫星遥感进行检测。

2、目前基于卫星遥感农业田块检测识别主要有三种方式，第一种是基于阙值的方法，其分割识别的准确度较高，但对阈值之外的特征信息却考虑较少，外界因素会对而导致相邻类别特征不明显的图片的分割效果不大好。第二种是基于机器学习的分割方法，其优点在于局部特征信息的提取有一定的抗干扰能力，但其缺点是样本空间较狭小、过程繁琐费时。最后一种是基于区域的分割方法，其原理主要通过图像之间的相似性来划分区域，在卫星遥感图像处理中，区域特征判断为相同的时候就会进行合并，当区域判断不相同就会进行分裂，因此其存在着一定的误差。因此，目前现有的卫星遥感农田检测缺乏自动化，高速率，高精度的应用，使得卫星遥感农田检测识别无法大规模普及。

技术实现思路

1、本申请实施例通过提供一种基于深度学习的农业田块分割方法及系统，解决了现有技术中的卫星遥感农田检测缺乏自动化，高速率，高精度的应用的技术问题，实现了农田检测识别速率更快，且将数据进行模型训练，准确度较高。

2、本申请实施例提供了一种基于深度学习的农业田块分割方法，包括以下步骤：获取卫星遥感农田数据中的农业田地图像；对所述农业田地图像进行预处理，得到农田数据集，所述农田数据集划分为训练集和测试集；将所述农田数据集输入至卷积神经网络中，并对所述卷积神经网络进行训练，得到卷积神经网络模型；将所述农田数据集中的测试集输入至所述卷积神经网络模型中，得到农业田块分割图像；其中，所述卷积神经网络以maskr-cnn网络作为框架，且所述卷积神经网络包括卷积层-backbone、候选区域生成网络-rpn以及对候选区域进行分类的网络-three branches。

3、进一步地，对所述农业田地图像进行预处理，包括以下步骤：对所述卫星遥感农田数据中的农业田地图像进行裁剪，得到裁剪图片数据；对所述裁剪图片数据进行滤波处理；利用标注工具对滤波处理后的裁剪图片数据进行标注，得到标注图像数据，所述标注图像数据作为划分训练集和测试集的农田数据。

4、进一步地，所述mask r-cnn网络中的roi align去除了roi align的取整操作，采用双线性插值对每个块对应的特征进行查找，在mask r-cnn中roi align之后设置有head网络，用于扩大roi align的输出维度。

5、进一步地，所述卷积神经网络的训练包括以下步骤：将所述农田数据集对应特征金字塔每一层的规模，生成先验框；根据与真值的测量标准筛选正负样本，生成候选区域生成网络-rpn的训练标签；输入数据经过卷积神经网络包括卷积层-backbone和候选区域生成网络-rpn后，得到每个先验框的分类和回归信息；根据正负样本和候选区域生成网络-rpn的训练标签来计算候选区域生成网络-rpn分类和回归损失，并用来训练候选区域生成网络-rpn。

6、进一步地，所述候选区域生成网络-rpn输出的先验框分类、回归信息输入proposallayer，生成head网络训练标签。

7、本申请还提供了一种基于深度学习的农业田块分割系统，所述农业田块分割系统，包括：获取单元，所述获取单元被配置为获取卫星遥感农田数据中的农业田地图像；预处理单元，所述预处理单元被配置为对所述农业田地图像进行预处理，得到农田数据集，所述农田数据集划分为训练集和测试集；训练单元，所述训练单元被配置为将所述农田数据集输入至卷积神经网络中，并对所述卷积神经网络进行训练，得到卷积神经网络模型；输入单元，所述输入单元被配置为将所述农田数据集中的测试集输入至所述卷积神经网络模型中，得到农业田块分割图像。

8、进一步地，所述预处理单元包括：裁剪子单元，所述裁剪子单元被配置为对所述卫星遥感农田数据中的农业田地图像进行裁剪，得到裁剪图片数据；滤波处理子单元，所述滤波处理子单元被配置为对所述裁剪图片数据进行滤波处理；标注子单元，所述标注子单元被配置为利用标注工具对滤波处理后的裁剪图片数据进行标注，得到标注图像数据，所述标注图像数据作为划分训练集和测试集的农田数据。

9、进一步地，所述训练单元包括：第一生成子单元，所述生成子单元被配置为将所述农田数据集对应特征金字塔每一层的规模，生成先验框；第二生成子单元，所述第二生成子单元被配置为根据与真值的测量标准筛选正负样本，生成候选区域生成网络-rpn的训练标签；输入子单元，所述输入子单元被配置为输入数据经过卷积神经网络包括卷积层-backbone和候选区域生成网络-rpn后，得到每个先验框的分类和回归信息；计算子单元，所述计算子单元被配置为根据正负样本和候选区域生成网络-rpn的训练标签来计算候选区域生成网络-rpn分类和回归损失，并用来训练候选区域生成网络-rpn。

10、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：由于采用标注工具对的卫星遥感农田进行数据标注，将其制作成可以用于模型训练的农田数据集，然后基于mask r-cnn网络对卫星遥感农田数据集进行训练、测试，实现对我们卫星遥感农田的识别检测以及面积估算，从而建立完整的农田检测系统。

技术特征：

1.一种基于深度学习的农业田块分割方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于深度学习的农业田块分割方法，其特征在于，对所述农业田地图像进行预处理，包括以下步骤：

3.如权利要求1所述的一种基于深度学习的农业田块分割方法，其特征在于，所述maskr-cnn网络中的roi align去除了roi align的取整操作，采用双线性插值对每个块对应的特征进行查找，在mask r-cnn中roi align之后设置有head网络，用于扩大roi align的输出维度。

4.如权利要求3所述的一种基于深度学习的农业田块分割方法，其特征在于，所述卷积神经网络的训练包括以下步骤：

5.如权利要求4所述的一种基于深度学习的农业田块分割方法，其特征在于，所述候选区域生成网络-rpn输出的先验框分类、回归信息输入proposallayer，生成head网络训练标签。

6.一种基于深度学习的农业田块分割系统，其特征在于，所述农业田块分割系统，包括：

7.如权利要求6所述的一种基于深度学习的农业田块分割系统，其特征在于，所述预处理单元包括：

8.如权利要求6所述的一种基于深度学习的农业田块分割系统，其特征在于，所述训练单元包括：

技术总结
本申请涉及深度学习的领域，并公开了一种基于深度学习的农业田块分割方法及系统，所述方法包括以下步骤：获取卫星遥感农田数据中的农业田地图像；对所述农业田地图像进行预处理，得到农田数据集，所述农田数据集划分为训练集和测试集；将所述农田数据集输入至卷积神经网络中，并对所述卷积神经网络进行训练，得到卷积神经网络模型；将所述农田数据集中的测试集输入至所述卷积神经网络模型中，得到农业田块分割图像；其中，所述卷积神经网络以Mask R‑CNN网络作为框架，且所述卷积神经网络包括卷积层‑backbone、候选区域生成网络‑RPN以及对候选区域进行分类的网络‑three branches。本申请实现了农田检测识别速率更快，且将数据进行模型训练，准确度较高。

技术研发人员：夏懿,程龙,陈鹏,章军
受保护的技术使用者：安徽大学
技术研发日：
技术公布日：2024/1/13