一种多传感器融合的农作物深度学习识别方法及系统技术方案

本申请涉及用于识别图形技术领域，提供一种多传感器融合的农作物深度学习识别方法，该方法包括：基于第一传感器对应的太阳光谱曲线和光谱响应函数，根据第一传感器采集的初始数据，得到训练区域内的第一大气顶层反射率数据；其中，第一传感器有多个；对第一大气顶层反射率数据和通过大数据运算平台处理得到的第二大气顶层反射率数据进行处理，得到训练区域的晴空影像；其中，第二大气顶层反射率数据来自与第一传感器不同的第二传感器；基于训练后的深度学习模型，对目标区域的农作物进行识别；其中，训练后的深度学习模型为对样本数据进行训练得到；样本数据为对预先获取的农作物标签数据与训练区域的晴空影像进行波段合成得到的。得到的。得到的。

【技术实现步骤摘要】
一种多传感器融合的农作物深度学习识别方法及系统


[0001]本申请涉及用于识别图形
，特别涉及一种多传感器融合的农作物深度学习识别方法、系统、计算机可读存储介质和电子设备。

技术介绍

[0002]近年来，随着图像识别技术的迅速发展，基于深度学习的农作物识别性能得到显著提高。与传统的方法相比，深度学习算法可以较好地识别遥感图像中的农作物，然而，深度学习模型在训练过程中需要大量的训练样本，这些训练样本的获取需要花费大量的人力和时间，此外，农作物具有特定的生长周期，当该生长周期内气候条件不佳时，则难以获取农作物生长期高质量的晴空影像，导致训练样本稀缺，难以快速训练得到识别精度满足要求的作物识别模型。
[0003]因此，需要提供一种针对上述现有技术不足的改进技术方案。

技术实现思路

[0004]本申请的目的在于提供一种多传感器融合的农作物深度学习识别方法、系统、计算机可读存储介质和电子设备，以解决或缓解上述现有技术中存在的问题。
[0005]为了实现上述目的，本申请提供如下技术方案：
[0006]本申请提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多传感器融合的农作物深度学习识别方法，其特征在于，包括：基于第一传感器对应的太阳光谱曲线和光谱响应函数，根据第一传感器采集的初始数据，得到训练区域内的第一大气顶层反射率数据；其中，所述第一传感器有多个；对所述第一大气顶层反射率数据和通过大数据运算平台处理得到的第二大气顶层反射率数据进行处理，得到训练区域的晴空影像；其中，所述第二大气顶层反射率数据来自与所述第一传感器不同的第二传感器；基于训练后的深度学习模型，对目标区域的农作物进行识别；其中，所述训练后的深度学习模型为对样本数据进行训练得到；所述样本数据为对预先获取的农作物标签数据与所述训练区域的晴空影像进行波段合成得到的。2.根据权利要求1所述的多传感器融合的农作物深度学习识别方法，其特征在于，所述基于第一传感器对应的太阳光谱曲线和光谱响应函数，根据第一传感器获取的初始数据，得到训练区域的第一大气顶层反射率数据，具体为：对预先获取的太阳光谱数据进行拟合，得到所述太阳光谱曲线；基于所述太阳光谱曲线和光谱响应函数，计算所述第一传感器的每一个波段的大气层外波段平均太阳光谱辐照度；根据所述大气层外波段平均太阳光谱辐照度和所述第一传感器获取的初始数据，计算所述训练区域的第一大气顶层反射率数据。3.根据权利要求1所述的多传感器融合的农作物深度学习识别方法，其特征在于，所述对所述第一大气顶层反射率数据和预先获取的所述训练区域的第二大气顶层反射率数据进行处理，得到训练区域的晴空影像，具体为：基于预先构建的云检测模型，分别对所述第一大气顶层反射率数据和所述第二大气顶层反射率数据进行云检测处理，对应得到第一云分数影像和第二云分数影像；分别对所述第一云分数影像和所述第二云分数影像进行云修复处理，并将云修复处理结果进行波段合成，得到所述训练区域的晴空影像。4.根据权利要求1所述的多传感器融合的农作物深度学习识别方法，其特征在于，所述基于训练后的深度学习模型，对目标区域的农作物进行识别，具体为：基于支持向量机模型和目视修正法，根据预先获取的农作物标签样本，得到所述农作物标签数据；将所述农作物标签数据与所述训练区域的晴空影像进行波段合成，得到所述样本数据；根据所述样本数据得到所述训练后的深度学习模型；根据预先获取的所述目标区域的测试数据集，基于训练后的深度学习模型，对所述目标区域的测试数据进行逐个像元农作物识别。5.根据...

【专利技术属性】
技术研发人员：刘文达，梁治华，丁志平，
申请(专利权)人：北京艾尔思时代科技有限公司，
类型：发明
国别省市：