【技术实现步骤摘要】
一种基于语义分割与超像素分割融合的农田作物识别方法
[0001]本专利技术属于图像处理与应用
，具体涉及一种基于语义分割与超像素分割融合的农田作物识别方法。
技术介绍
[0002]现有主流的获取农情数据的途径是使用遥感卫星，利用遥感图像进行农情监测，具有范围广、高动态和速度快等特点。但是，耕地地形复杂多样、耕地分布零散、作物种类复杂等因素导致了卫星遥感图像无法提供十分精细化的农业图像，为了实现精准农业，需要更加精细化的农情数据作为卫星遥感图像的补充，以保证每一寸耕地都能被合理的利用。随着物联网、LBS、大数据等技术的快速发展，农情监测也早已进入大数据时代。普通用户也能够十分方便地使用手机、汽车、无人机等具有定位功能的终端设备帮助采集与上传农田图像及地理信息，这种获取信息的方式被称为自发地理信息(Volunteered Geographic Information，简称VGI)，通过这种方式获取的农情图像具有获取方便、数据量大、位置精确、分辨率高的优点，能够为基于卫星遥感图像的农情检测工作提供非常丰富的数据补充。>[0003]自发地本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于语义分割与超像素分割融合的农田作物识别方法，其特征在于，该方法包括以下具体步骤：步骤一、图像预处理：对iCrop农田图像数据集进行筛选，使用图像标注工具对筛选过后的农田图像中需要识别的农作物种类进行标注，并将数据集划分为训练集、验证集和测试集；步骤二、语义分割模型训练：利用步骤一标注好的训练集和验证集训练语义分割模型，使用准确率Precision、召回率Recall、平均交并比mIoU、系数F1
‑
score和系数Kappa数个评估指标作为依据，选择最优的语义分割模型参数；语义分割模型使用DeepLabV3+作为基础框架，模型包括编码器与解码器；当把一张农田图像输入到语义分割模型后，先使用编码器对图像进行特征提取，编码器包括：（1）骨干网络Aligned Xception：骨干网络对输入图像进行多层卷积和下采样，得到若干层尺寸不同的图像特征；（2）纹理特征增强：纹理特征增强用于提取输入图像的纹理特征，并与骨干网络提取的图像特征相融合，得到纹理特征增强后的特征图；（3）多层注意力融合：利用骨干网络提取到的不同尺寸的特征图，提取农田图像的多层注意力特征；（4）空洞空间卷积池化金字塔ASPP：利用不同采样率的空洞空间卷积，提取输入图像的上下文信息；编码器提取完图像特征之后，解码器会对编码器提取到的图像特征进行两次上采样解码，得到语义粗分割结果；步骤三、语义分割：使用步骤二训练好的语义分割模型对步骤一得到的测试集进行语义分割，得到语义粗分割结果；步骤四、超像素分割：使用SLIC超像素分割算法对步骤一得到的测试集进行超像素分割，得到超像素分割结果；步骤五、结果融合：使用Threshold Voting算法融合步骤三得到的语义粗分割结果与步骤四得到的超像素分割结果，最终得到农田图像语义细分割识别结果。2.根据权利要求1所述的基于语义分割与超像素分割融合的农田作物识别方法，其特征在于，步骤二中所述纹理特征增强，具体步骤如下：（1）使用卷积核尺寸kernel_size分别为7、11、15以及旋转角度θ分别为0，π/2，π，3π/2的12种Gabor滤波器提取输入图像的纹理特征，得到12张尺寸为512
×
512的纹理特征图，将这12张纹理特征图拼接到一起，得到尺寸为12
×
512
×
512的纹理特征图；（2）将第（1）步得到的尺寸为12
×
512
×
512纹理特征图输入到可分离卷积层，可分离卷积层的输出维度为24，卷积核尺寸为3
×
3，再依次输入到激活层和最值池化层，得到尺寸为24
×
256
×
256特征图；（3）将第（2）步得到的特征图依次输入到维度为32，kernel_size为3
×
3的可分离卷积层，激活层以及最值池化层，得到尺寸为32
×
64
×
64特征图；（4）将第（3）步得到的特征图依次输入到维度为32，kernel_size为3
×
3的可分离卷积层，激活层以及最值池化层，得到32
×
33
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。