一种环境土壤检测方法及装置制造方法及图纸

本发明专利技术实施例提供一种环境土壤检测方法及装置，通过获取无人机拍摄到的环境土壤图像集合并提取环境土壤图像集合中每张环境土壤图像的土壤初始区域，并根据预先训练的神经网络模型提取土壤初始区域中土壤边界的关键特征点，并根据每个关键特征点对应区域的深度特征检测到土壤初始区域中存在误检土壤区域时将该误检土壤区域中该张环境土壤图像中移除，并将该张环境土壤图像和拍摄该张环境土壤图像时的拍摄信息进行检测标记，以得到误检优化后的环境土壤图像集合。由此，能够有效控制土壤检测的误解率，避免当出现大量误检土壤图像时影响后续的土壤边界区域比对和识别功能，以降低人工排查的成本。

A Method and Device for Environmental Soil Detection

【技术实现步骤摘要】
一种环境土壤检测方法及装置
本专利技术涉及计算机
，具体而言，涉及一种环境土壤检测方法及装置。
技术介绍
目前，加强对环境的土壤的检测很有必要，对环境的土壤检测可指导农民选择合适的肥料来使树苗、庄稼生长的更好，还能开发未知的场地用来种植，使土壤资源得以充分利用。而土壤污染严重的地区，则要加强管理和污染防治，使土壤污染逐步缓解。目前在土壤检测过程中，如何控制土壤检测的误检率一直是重大难题，当出现大量误检土壤图像时，会极大影响后续的土壤边界区域比对和识别功能，增加人工排查的成本。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种环境土壤检测方法及装置，能够有效控制土壤检测的误解率，避免当出现大量误检土壤图像时影响后续的土壤边界区域比对和识别功能，以降低人工排查的成本。根据本专利技术实施例的一个方面，提供一种环境土壤检测方法，其特征在于，应用于电子设备，所述方法包括：获取无人机拍摄到的环境土壤图像集合并提取所述环境土壤图像集合中每张环境土壤图像的土壤初始区域；根据预先训练的神经网络模型提取所述土壤初始区域中土壤边界的关键特征点，并根据每个关键特征点对应区域的深度特征检测所述土壤本文档来自技高网...

【技术保护点】
1.一种环境土壤检测方法，其特征在于，应用于电子设备，所述方法包括：获取无人机拍摄到的环境土壤图像集合并提取所述环境土壤图像集合中每张环境土壤图像的土壤初始区域；根据预先训练的神经网络模型提取所述土壤初始区域中土壤边界的关键特征点，并根据每个关键特征点对应区域的深度特征检测所述土壤初始区域中是否存在误检土壤区域；若检测到所述土壤初始区域中存在误检土壤区域，则将该误检土壤区域中该张环境土壤图像中移除，并将该张环境土壤图像和拍摄该张环境土壤图像时的拍摄信息进行检测标记，以得到误检优化后的环境土壤图像集合。

【技术特征摘要】
1.一种环境土壤检测方法，其特征在于，应用于电子设备，所述方法包括：获取无人机拍摄到的环境土壤图像集合并提取所述环境土壤图像集合中每张环境土壤图像的土壤初始区域；根据预先训练的神经网络模型提取所述土壤初始区域中土壤边界的关键特征点，并根据每个关键特征点对应区域的深度特征检测所述土壤初始区域中是否存在误检土壤区域；若检测到所述土壤初始区域中存在误检土壤区域，则将该误检土壤区域中该张环境土壤图像中移除，并将该张环境土壤图像和拍摄该张环境土壤图像时的拍摄信息进行检测标记，以得到误检优化后的环境土壤图像集合。2.根据权利要求1所述的环境土壤检测方法，其特征在于，所述提取所述环境土壤图像集合中每张环境土壤图像的土壤初始区域的步骤，包括：将所述环境土壤图像集合中的每帧图像转换为灰度图像；提取所述灰度图像的类Haar特征；利用adaboost级联分类器对提取出的类Haar特征进行推理，根据所述类Haar特征从所述灰度图像中提取得到对应的土壤初始区域。3.根据权利要求1所述的环境土壤检测方法，其特征在于，所述神经网络模型包括依次连接的基础卷积特征提取网络和神经卷积特征提取网络，所述根据预先训练的神经网络模型提取所述土壤初始区域中土壤边界的关键特征点，并根据每个关键特征点对应区域的深度特征检测所述土壤初始区域中是否存在误检土壤区域的步骤，包括：将所述土壤初始区域输入到所述神经网络模型中，通过所述基础卷积特征提取网络提取所述土壤初始区域中土壤边界的关键特征点；通过神经卷积特征提取网络提取每个关键特征点对应区域的深度特征；根据提取出的每个关键特征点对应区域的深度特征检测所述土壤初始区域中是否存在误检土壤区域。4.根据权利要求1所述的环境土壤检测方法，其特征在于，所述通过神经卷积特征提取网络提取每个关键特征点对应区域的深度特征的步骤，包括：分别通过每个卷积层组合提取每个关键特征点对应区域的特征图；通过ROI池化层从每个关键特征点对应区域的特征图中提取出目标特征图，并按照线性插值方法对提取出的目标特征图进行池化操作得到池化后的每个关键特征点对应区域的池化深度特征；将每个关键特征点对应区域的池化深度特征输入到对应的全连接层组合中，得到每个关键特征点对应区域的深度特征。5.根据权利要求4所述的环境土壤检测方法，其特征在于，所述根据提取出的每个关键特征点对应区域的深度特征检测所述土壤初始区域中是否存在误检土壤区域的步骤，包括：将每个关键特征点对应区域的深度特征进行特征合并，得到合并后的深度特征；根据所述合并后的深度特征检测所述土壤初始区域中是否存在误检土壤区域，输出误检判断结果。6.根据权利要求1-5中任意一项所述的环境土壤检测方法，其特征在于，所述方法还包括：训练所述神经网络模型；所述训练所述神经网络模型的方式，包括：配置所述神经网络模型的网络结构，其中，所述网络结构包括基础卷积特征提取网络和神经卷积特征提取网络，所述基础卷积特征提取网络用于提取土壤初始区域中的关键特征点，所述神经卷积特征提取网络用于提取每个关键特征点对应区域的深度特征，所述神经卷积特征提取网络包括与所述基础卷积特征提取网络相连的ROI池化层、与所述ROI池化层相连的多个卷积层组合以及与所述ROI池化层相连的多个全连接层组合，每个卷积层组合与相应的全连接层组合存在对应关系，每个卷积层组合提取对应的关键特征点对应区域的深度特征后由所述ROI池化层进行池化操作后输入到对应的全连接层组合中；对配置好的上述网络结构的神经网络模型的网络权重参数进行随机初始化，并基于输入的训练样本集对所述神经网络模型进行训练，计算得到对应的损失函数值，其中，所述训练样本集包括土壤边界区域图像数据集和非土壤边界区域图像数据集，所述损失函数值的计算公式为：L(θ)＝ηL1(θ)+λL2(θ)＝η∑l1(θ)+λ∑l2(θ),其中，其中，L(θ)表示每个类别的损失函数；L1表示关键特征点的损失函数值；L2表示利用关键特征点对应区域的深度特征进行误检判别的损失函数值；Ylandmark表示每个关键特征点；x表示输入的训练样本集，y表示输出的分类结果；N表示输入的数据个数，S表示类别个数；η表示关键特征点的权重，λ表示关键特征点对应区域的深度特征的权重；i、j分别表示数据序号；根据所述损失函数值利用预先配置的反向传播阈值策略计算对应的反向梯度值，所述反向梯度值对应的计算公式为：其中，表示反向梯度值；L1表示关键特征点的损失函数值；L2表示利用关键特征点对应区域的深度特征进行误检判别的损失函数值；...

【专利技术属性】
技术研发人员：赵维俊，马剑，刘贤德，王顺利，成彩霞，杨逍虎，
申请(专利权)人：甘肃省祁连山水源涵养林研究院，
类型：发明
国别省市：甘肃,62