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