【技术实现步骤摘要】
作物连通域的识别方法、装置及作业系统
[0001]本专利技术涉及作物识别领域，具体而言，涉及一种作物连通域的识别方法、装置及作业系统。
技术介绍
[0002]随着计算机技术的发展，农田也采用了自动化设备，例如，使用田间机器人巡查的方式来确定农田中的作物区域；又例如，使用无人机巡视，通过无人机观察拍到的照片来确定农田中的作物区域，然而，现有的通过图像分析来确定作物区域的方式，需要人工干预的环节较多，鲁棒性差。另外，现有技术还可通过神经网络模型对农田图像进行识别处理来确定作物区域，但现有技术通常是通过人工标注数据的方式来训练神经网络模型，而且，现有的神经网络模型严重依赖于标注数据的质量与数量。如果需要获得高鲁棒性、精度高的神经网络模型，则需要大量的标注数据，增加了数据标注的工作量。
[0003]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种作物连通域的识别方法、装置及作业系统，以至少解决现有技术中直接人工标记作物所导致的数据标注工作量较大的的技术问题。<...
【技术保护点】
【技术特征摘要】
1.一种作物连通域的识别方法，其特征在于，包括：获取目标区域的至少一个样本图像；确定所述至少一个样本图像中的作物连通域，并生成与所述作物连通域对应的第一二值化图像；建立所述第一二值化图像与所述至少一个样本图像的映射关系，以得到样本数据集，其中，该样本数据集中包括多组数据，且所述多组数据中的每组数据中均包括：样本图像和用于对所述样本图像中的作物连通域进行标注的二值化图像；基于所述样本数据集中的数据对神经网络模型进行训练，得到训练后的神经网络模型，其中，所述训练后的神经网络模型用于识别目标图像中的作物连通域。2.根据权利要求1所述的方法，其特征在于，确定所述至少一个样本图像中的作物连通域，并生成与所述作物连通域对应的第一二值化图像，包括：从所述样本图像中提取多个植被连通域；从所述植被连通域中筛选出作物连通域，并保留所述作物连通域和删除所述多个植被连通域中的非作物连通域，以得到包含所述作物连通域的图像；对包含所述作物连通域的图像进行二值化处理，得到所述第一二值化图像。3.根据权利要求2所述的方法，其特征在于，所述样本数据集中的二值化图像通过以下方式对所述样本图像进行标注：确定二值化图像中与所述作物连通域对应的图形元素，基于所述图形元素和所述图形元素在所述二值化图像中的位置对所述样本图像中的作物连通域进行标注，其中，所述图形元素包括：与所述作物连通域对应的白色像素区域或黑色像素区域。4.根据权利要求2所述的方法，其特征在于，从所述样本图像中提取多个植被连通域，包括：确定所述样本图像中各个像素点的超绿指数；对于每个像素点，比较所述超绿指数和预设阈值的大小；依据比较结果确定所述像素点是否为所述植被区域中的像素点；统计属于所述植被区域中的像素点，并基于统计结果确定所述样本图像中的植被连通域。5.根据权利要求2所述的方法，其特征在于，从所述植被连通域中筛选出作物连通域，包括：比较所述植被连通域的面积与预设的作物连通域面积范围，若所述植被连通域的面积在预设的作物苗连通域面积范围之内，则确定所述植被连通域为所述作物苗连通域。6.根据权利要求1所述的方法，其特征在于，基于所述样本数据集中的数据对神经网络模型进行训练，得到训练后的神经网络模型，包括：将所述数据集中的数据划分为训练数据和测试数据；基于所述训练数据对所述神经网络模型进行训练，得到预训练的神经网络模型；基于所述测试数据对所述预训练的神经网络模型模型进行测试，得到测试结果；基于所述测试结果对所述预训练的神经网络模型进行参数优化，得到所述训练后的神经网络模型。7.根据权利要求6所述的方法，其特征在于，所述神经网络模型包括语义分割神经网络
模型；基于所述训练数据对所述神经网络模型进行训练，得到预训练的神经网络模型，包括：基于所述训练数据训练所述语义分割神经网络模型，其中，所述语义分割神经网络模型包括编码器网络和解码器网络；采用所述训练数据训练所述编码器网络，以生成用于辨别所述作物连通域的可辨别特征；采用所述解码器网络将所述作物连通域的可辨别特征映射至像素空间，以得到所述预训练的神经网络模型。8.根据权利要求7所述的方法，其特征在于，基于所述测试数据对所述预训练的神经网络模型模型进行测试，包括：将所述测试数据输入至所述预训练的神经网络模型，直到所述测试数据的交并比的准确度满足预设条件。9.一种作物连通域的...
【专利技术属性】
技术研发人员：黄敬易，
申请(专利权)人：广州极飞科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。