基于机器学习的农作物识别方法、装置、存储介质及终端制造方法及图纸

本发明专利技术提供基于机器学习的农作物识别方法、装置、存储介质及终端。所述方法包括：获取目标区域内农作物的物候期遥感影像，以合成相应的时间序列图像；对所述时间序列图像进行多尺度分割，以获得影像对象；选取多个弱分类器，并按所述影像对象的分类体系和分类特征集，对所述影像对象进行分类，以获取每个分类器在每个尺度下的分类结果；对所述分类结果进行分类精度评价，并根据所述分类精度评价结果进行加权计算，以识别每个像素的归属类别。本发明专利技术方案克服了单一最优尺度在凸显某种类别信息时对其它类别信息的损害，避免了分类器模型的参数选取和优化问题，提高了农作物遥感影像的分类精度。

Crop recognition method, device, storage medium and terminal based on machine learning

【技术实现步骤摘要】
基于机器学习的农作物识别方法、装置、存储介质及终端
本专利技术涉及农业遥感领域，特别是涉及基于机器学习的农作物识别方法、装置、存储介质及终端。
技术介绍
地表作物覆盖信息对于粮食安全和作物监测非常重要，准确及时的对地表作物类型分布进行测绘并制定健全的管理政策，有助于粮食的生产和预测。伴随着互联网大数据和高性能图形处理器GPU的出现，机器学习已经被广泛应用于专家系统、认知模拟、数据挖掘、自然语言理解、网络信息服务、遥感图像分类等领域。并且，随着近些年大量高分辨率遥感卫星的升空，遥感技术也得到了巨大得发展，扩大了农业基础数据的获取途径，减少了数据获取成本，让农业遥感测绘的普及变成了可能。因此，在现有的地表作物类型分布测绘的方法中，基于遥感技术和机器学习理论的分类识别的方法已经逐步取代了传统的实地测量的方法。基于遥感影像对地表覆盖类型进行分类识别的方法可以分为两大类：基于像素分析(PixelBasedImageAnalysis，PBIA)的分类识别方法和基于对象分析(ObjectOrientedImageAnalysis，OBIA)的分类识别方法。两者最大的区别在于进行图像处理时的单位不同：前者以像素作为单位；后者以像素聚集后的具有均一性，一致性的斑块作为单位。长期以来，基于像素的分析方法一直是遥感图像分类的主要方法，但是基于对象的图像分析方法在过去十年中已经变得越来越普遍。相比于PBIA分类识别方法，OBIA分类识别方法能获取对象更多的空间信息，并有效减少光谱异质性问题和图像分类后的椒盐效应。随着高分辨影像的发展，OBIA分类识别方法在地表覆盖监测上的优势会越来越明显。图像分割作为OBIA分类识别方法的核心技术，主要采用试错法和主观感知法获取分割尺度参数，容易导致过分割和欠分割现象，即分割出来的对象特征并不能代表地表真实对象的属性，从而影响分类精度。因此，许多研究提出基于单一最优分割尺度的方法，包括监督的方法和非监督的方法。然而，由于地表覆盖类型往往非常复杂，不同地表覆盖类型对应的分割尺度大多都有所不同，当使用某单一最优尺度时，在凸显某种地类信息时不可避免会损伤到其它地类的信息，从而降低分类精度。此外，基于机器学习理论的地表作物类型分类识别的方法中，不同分类器性能对于不同研究区、不同影像、不同样本可能表现不一，如何选择分类器和参数一直是分类问题中的难点。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供基于机器学习的农作物识别方法、装置、存储介质及终端，用于解决现有技术中的问题。为实现上述目的及其他相关目的，本专利技术的第一方面提供一种基于机器学习的农作物识别方法。该方法首先获取目标区域内农作物的物候期遥感影像，以合成相应的时间序列图像；然后，对所述时间序列图像进行多尺度分割，以获得影像对象；其次，选取多个弱分类器，并按所述影像对象的分类体系和分类特征集，对所述影像对象进行分类，以获取每个分类器在每个尺度下的分类结果；最后，对所述分类结果进行分类精度评价，并根据所述分类精度评价结果进行加权计算，以识别每个像素的归属类别。于本专利技术的第一方面的一些实施例中，所述对所述分类结果进行分类精度评价，其包括：选取各尺度下精度最高的分类器，以作为各尺度的最优分类器；对每个农作物类别在各个尺度下的基于该尺度的最优分类器的分类结果进行分类精度评价；其中，所述分类精度评价的评价值与分类结果的精度值正相关。于本专利技术的第一方面的一些实施例中，所述精度评价的方式包括：构建精度打分表；其中，所述精度打分表以农作物类别作为第一维度并以分割尺度作为第二维度，且各分割尺度和各农作物类别所对应形成的评分随着精度的变化做同向变化。于本专利技术的第一方面的一些实施例中，所述根据所述分类精度评价结果进行加权计算，包括：获取一像素对应于各农作物类别的一或多个相关的分割尺度；计算该像素对应于各农作物类别的所述一或多个相关的分割尺度的精度评价值之和；选取精度评价值之和最高的农作物类别作为该像素的归属类别。于本专利技术的第一方面的一些实施例中，所述影像对象的分类特征集，包括对特征集进行特征筛选，其包括同时采用基于主观的选择和采取特征选择算法的选择；所述特征选择算法包括Scikit-learn库中的SelectKBest法。于本专利技术的第一方面的一些实施例中，所述多尺度分割，包括运用ESP工具计算不同分割尺度参数下影像对象同质性的局部变化的变化率值，得到多个峰值对应的尺度作为优选分割尺度。于本专利技术的第一方面的一些实施例中，所述图像分割方法包括Multi-resolution算法；所述分类器包括随机森林、支持向量机和多层感知器神经网络。为实现上述目的及其他相关目的，本专利技术的第二方面提供一种基于机器学习的农作物识别装置，包括：图像输入模块，获取目标区域内农作物的物候期遥感影像，以合成相应的时间序列图像；图像分割模块，对所述时间序列图像进行多尺度分割，以获得影像对象；对象分类模块，选取多个弱分类器，并按所述影像对象的分类体系和分类特征集，对所述影像对象进行分类，以获取每个分类器在每个尺度下的分类结果；尺度加权模块，对所述分类结果进行分类精度评价，并根据所述分类精度评价结果进行加权计算，以识别每个像素的归属类别。为实现上述目的及其他相关目的，本专利技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法。为实现上述目的及其他相关目的，本专利技术的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述方法。如上所述，本专利技术涉及的基于机器学习的农作物识别方法、装置、存储介质及终端，具有以下有益效果：本专利技术方案通过对多个尺度进行加权的分类方法，克服了单一最优尺度在凸显某种类别信息时对其它类别信息的损害，通过对多个简单参数的分类器的分类结果进行加权分类，避免了分类器模型的参数选取和优化问题，提高了农作物遥感影像的分类精度。附图说明图1显示为本专利技术一实施例中一应用场景示意图。图2显示为本专利技术一实施例中基于机器学习的农作物识别方法流程示意图。图3显示为本专利技术一实施例中ESP尺度优选结果示意图。图4显示为本专利技术一实施例中图像的像素基于精度打分表分类的方法流程示意图。图5显示为本专利技术一实施例中基于机器学习的农作物识别装置结构示意图。图6显示为本专利技术一实施例中基于模型框架的农作物识别方法流程示意图。图7显示为本专利技术一实施例中电子终端的结构示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本文档来自技高网...

【技术保护点】
1.一种基于机器学习的农作物识别方法，其特征在于，包括：/n获取目标区域内农作物的物候期遥感影像，以合成相应的时间序列图像；/n对所述时间序列图像进行多尺度分割，以获得影像对象；/n选取多个弱分类器，并按所述影像对象的分类体系和分类特征集，对所述影像对象进行分类，以获取每个分类器在每个尺度下的分类结果；/n对所述分类结果进行分类精度评价，并根据所述分类精度评价结果进行加权计算，以识别每个像素的归属类别。/n

【技术特征摘要】
1.一种基于机器学习的农作物识别方法，其特征在于，包括：
获取目标区域内农作物的物候期遥感影像，以合成相应的时间序列图像；
对所述时间序列图像进行多尺度分割，以获得影像对象；
选取多个弱分类器，并按所述影像对象的分类体系和分类特征集，对所述影像对象进行分类，以获取每个分类器在每个尺度下的分类结果；
对所述分类结果进行分类精度评价，并根据所述分类精度评价结果进行加权计算，以识别每个像素的归属类别。


2.根据权利要求1所述的方法，其特征在于，所述对所述分类结果进行分类精度评价，包括：
选取各尺度下精度最高的分类器，以作为各尺度的最优分类器；
对每个农作物类别在各个尺度下的基于该尺度的最优分类器的分类结果进行分类精度评价；其中，所述分类精度评价的评价值与分类结果的精度值正相关。


3.根据权利要求2所述的方法，其特征在于，所述精度评价的方式包括：
构建精度打分表；
其中，所述精度打分表以农作物类别作为第一维度并以分割尺度作为第二维度，且各分割尺度和各农作物类别所对应形成的评分随着精度的变化做同向变化。


4.根据权利要求2所述的方法，其特征在于，所述根据所述分类精度评价结果进行加权计算，包括：
获取一像素对应于各农作物类别的一或多个相关的分割尺度；
计算该像素对应于各农作物类别的所述一或多个相关的分割尺度的精度评价值之和；
选取精度评价值之和最高的农作物类别作为该像素的归属类别。


5.根据权利要求1所述的方法，其特征在于，所述影像对象的分类特征...

【专利技术属性】
技术研发人员：王宏，汤曾伟，李晓兵，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11