图像中的作物类型分类制造技术

一种方法，包括：由计算设备接收包含搜索参数的输入，以及呈现描绘基于搜索参数选择的地理区域的一部分的作物指示图像，其包括覆盖有针对特定位置确定的作物类型分类的指示的多频谱和时间序列图像中的至少一个图像；其中针对至少一个图像中的特定位置确定的作物类型分类通过以下确定：获得包括多频谱和时间序列图像的图像集，预测在特定位置中生长的作物类型；以及基于作物类型确定每个特定位置的作物类型分类；其中确定作物类型分类包括：响应于确定针对特定位置预测的作物类型包括主要多数预测的作物类型，选择其作为作物类型分类；以及响应于确定不包括主要多数预测的作物类型：将特定位置划分为多个子特定位置；以及将其分类为相应作物类型。将其分类为相应作物类型。将其分类为相应作物类型。

【技术实现步骤摘要】
图像中的作物类型分类
[0001]本申请是申请日为2019年01月15日、申请号为201980009776.0、专利技术名称为“图像中的作物类型分类”的专利技术专利申请的分案申请。
[0002]相关申请的交叉引用
[0003]本申请要求于2018年1月23日提交的美国临时专利申请No.62/620,939的优先权，其全部公开内容通过引用并入本文。


[0004]本公开一般而言涉及图像特征检测，并且特别地但非排他地涉及机器学习在图像特征检测中的使用。

技术介绍

[0005]目前，约有11％的陆地表面用于作物生产。虽然农业对于人类生存、环境影响、国家影响、商业企业、市场等都具有重要意义，但是对在地理区域、县、州、国家、大陆、星球范围或上述任何部分内生长哪些作物没有一致的、可靠的和/或精确的知识。例如，如果知道更多有关农业田地的信息，那么种子和肥料公司就可以更好地确定其产品在不同地理区域的可用市场；作物保险公司可以更准确且更具成本效益地评估保费；银行可以更准确地提供农场贷款；和/或政府可以更好地评估税收、分配补贴、确定区域粮食容量、规划基础设施，等等。
[0006]在可能存在与农业用地相关的地图数据方面来说，对于许多实际用途，这样的数据往往不一致、不准确、过时和/或不完整。例如，政府实体可能对地理区域内的全部农业用地和/或农民的一小部分进行调查或抽样，并推断出小的数据集来近似地理区域内实际存在的所有农业用地的田地位置、尺寸、形状、作物类型、数量等。由于采集此类数据的劳动密集型性质，农业用地数据往往不经常(或出于许多商业目的而太不经常)进行更新。
[0007]农业用地使用往往随地区或时间而变化。发展中国家的农场规模往往比发达国家的小得多。对于同一田地，作物也可能随季节或年份而有所不同。可以将农业用地重新用于非农业用途(例如，住房开发)。因此，对于一个或多个特定地理区域以及在该农业用地上生长的一种或多种作物，以足够的粒度级别廉价地、准确地且频繁地识别农业用地将是有益的。
附图说明
[0008]参考以下各图描述了本专利技术的非限制性和非穷举性的实施例，其中除非另外指明，否则贯穿各个视图，相同的附图标记指代相同的部分。并非元素的所有实例都一定被标记，以免在适当的地方使附图混乱。附图不一定按比例绘制，而是将重点放在说明所描述的原理上。
[0009]图1描绘了根据一些实施例的图示了结合本公开的作物类型分类技术的示例系统的网络视图的框图。
[0010]图2描绘了根据一些实施例的图示可以由图1的系统实现的示例处理的流程图。
[0011]图3A
‑
3B描绘了根据一些实施例的根据本公开的作物类型分类技术的示例图像。
[0012]图4描绘了根据一些实施例的图示可以由图1的系统实现的另一个示例处理的流程图。
[0013]图5描绘了根据一些实施例的图示可以由图1的系统实现的又一个示例处理的流程图。
[0014]图6描绘了根据一些实施例的可以在本公开的图1的系统中实现的示例设备。
具体实施方式
[0015]本文描述了用于图像中的作物类型分类的系统、装置和方法的实施例。在一些实施例中，一种方法包括：获得与地理区域和时间段相关联的多个图像集，其中所述多个图像集中的每个图像集包括多频谱和时间序列图像，这些图像描绘了在所述时间段期间地理区域的相应特定部分；预测在与所述多个图像集中的图像集相关联的地理区域的特定部分内的每个特定位置中生长的一种或多种作物类型；基于对相应特定位置的预测的一种或多种作物类型，确定每个特定位置的作物类型分类；以及生成作物指示图像，该作物指示图像包括覆盖有针对相应特定位置确定的作物类型分类的指示的图像集的多频谱和时间序列图像中的至少一个图像。
[0016]在以下描述中，阐述了许多具体细节以提供对实施例的透彻理解。但是，相关领域的技术人员将认识到，本文描述的技术可以在没有一个或多个特定细节的情况下，或者通过其它方法、部件、材料等来实践。在其它情况下，为了避免混淆某些方面，未详细示出或描述众所周知的结构、材料或操作。
[0017]在整个说明书中，对“一个实施例”或“实施例”的引用表示结合该实施例描述的特定特征、结构或特性被包括在本专利技术的至少一个实施例中。因此，在整个说明书中各处出现的短语“在一个实施例中”或“在实施例中”不一定都是指同一个实施例。此外，在一个或多个实施例中，可以以任何合适的方式组合特定的特征、结构或特性。
[0018]图1描绘了根据一些实施例的图示了结合本公开的作物类型分类技术的示例系统100的网络视图的框图。系统100可以包括网络102、服务器104、数据库106、服务器108、数据库110、设备112和航拍图像捕获设备116。服务器104、数据库106、服务器108、数据库110、设备112和航拍图像捕获设备116中的一个或多个可以与网络102通信。至少服务器108可以包括本公开的作物类型分类技术，以促进以亚米分辨率自动识别图像中的(一种或多种)作物类型，如下文更全面描述的。
[0019]网络102可以包括一个或多个有线和/或无线通信网络。网络102可以包括一个或多个网络元件(未示出)以物理地和/或逻辑地连接计算机设备以彼此交换数据。在一些实施例中，网络102可以是互联网、广域网(WAN)、个人区域网(PAN)、局域网(LAN)、园区网(CAN)、城域网(MAN)、虚拟局域网(VLAN)、蜂窝网络、运营商网络、WiFi网络、WiMax网络，等等。此外，在一些实施例中，网络102可以是私有、公共和/或安全网络，其可以由单个实体(例如，企业、学校、政府机构、家庭、个人等)使用。虽然未示出，但是网络102可以包括但不限于服务器、数据库、交换机、路由器、网关、基站、中继器、软件、固件、中间服务器和/或其它部件，以促进通信。
[0020]服务器104可以包括一个或多个计算机、处理器、蜂窝基础设施、网络基础设施、回程基础设施、托管服务器、服务器、工作站、个人计算机、通用计算机、膝上型电脑、互联网电器、手持式设备、无线设备、物联网(IoT)设备、便携式设备等，其被配置为促进以一种或多种分辨率收集、管理和/或存储陆地表面的航拍图像(也称为陆地表面图像、陆地图像、影像或图像)。例如，服务器104可以命令设备116获得一个或多个特定地理区域的图像，以遍历特定轨道、以用特定分辨率获得图像、以特定频率获得图像、以获得特定地理区域在特定时间段的图像。作为另一个示例，服务器104可以与设备116通信以接收由设备116获取的图像。作为又一个示例，服务器104可以被配置为从政府来源、用户(例如，诸如用户114)等获得/接收具有包括的相关联的作物相关信息(例如，作物类型标识、作物边界、识别出的道路位置和/或其它注释信息)的图像。如下面将详细讨论的，包括相关联的作物相关信息的图像可以包括人类标记图像、美国农业部(USDA)农田数据层(CDL)数据、美国国家农业服务局(FSA)共同陆地单位(CLU)数据、地面真实数据(gro本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：由计算设备接收包含一个或多个搜索参数的输入，其中所述一个或多个搜索参数包括纬度、经度、县、尺寸、形状和标识符中的一个或多个；以及由所述计算设备呈现描绘地理区域的一部分的作物指示图像，其中地理区域的所述一部分是基于所述一个或多个搜索参数选择的，并且其中作物指示图像包括覆盖有针对至少一个图像中描绘的特定位置确定的作物类型分类的指示的图像集的多频谱和时间序列图像中的至少一个图像；其中针对所述至少一个图像中描绘的特定位置确定的作物类型分类通过以下确定：获得与地理区域和时间段相关联的多个图像集，其中所述多个图像集中的每个图像集包括多频谱和时间序列图像，所述多频谱和时间序列图像描绘在所述时间段期间所述地理区域的相应特定部分；预测在与所述多个图像集中的图像集相关联的地理区域的所述特定部分内的每个特定位置中生长的一种或多种作物类型；以及基于针对相应特定位置的预测的一种或多种作物类型，确定每个特定位置的作物类型分类；其中确定每个特定位置的作物类型分类包括基于图像通过以下对作物地区的作物类型进行分类：响应于确定针对相应特定位置预测的作物类型包括主要多数预测的作物类型，选择主要多数预测的作物类型作为作物类型分类；以及响应于确定针对相应特定位置预测的作物类型不包括主要多数预测的作物类型：将相应特定位置划分为多个子特定位置；以及将每个相应子特定位置分类为针对特定位置预测的作物类型中的相应作物类型。2.如权利要求1所述的方法，还包括提供用户界面，通过该用户界面能够由用户手动修改作物类型分类；接收来自用户的作物类型分类修改；以及用作物类型分类修改来更新存储所述至少一个图像和作物类型分类的数据库。3.如权利要求1所述的方法，其中预测在每个特定位置中生长的所述一种或多种作物类型包括：预测特定位置处的作物的存在；基于特定位置处的作物的预测的存在，确定地理区域的特定部分内的作物边界位置；以及预测在每个确定的作物边界位置内生长的所述一种或多种作物类型。4.如权利要求1所述的方法，还包括由所述计算设备基于针对相应特定位置确定的作物类型分类，呈现对每个特定位置的作物产量的估计。5.如权利要求1所述的方法，还包括由所述计算设备基于针对相应特定位置确定的作物类型分类，呈现关于每个特定位置的作物管理实践的指导。6.如权利要求1所述的方法，其中确定每个特定位置的作物类型分类包括针对每个特定位置将作物类型分类确定至亚米地面分辨率。
7.如权利要求1所述的方法，其中预测在每个特定位置中生长的所述一种或多种作物类型包括将所述图像集应用于一个或多个机器学习系统或卷积神经网络CNN。8.如权利要求7所述的方法，其中所述一个或多个机器学习系统或CNN被配置为在地面真实数据上进行有监督的训练之后，预测在每个特定位置中生长的所述一种或多种作物类型。9.如权利要求8所述的方法，其中所述地面真实数据包括以下各项中的一项或多项：政府作物数据、公共可用的作物数据、具有以低地面分辨率识别出的作物地区的图像、具有以低地面分辨率识别出的作物类型的图像、具有手动识别出的作物边界的图像、具有手动识别出的作物边界和作物类型的图像、作物调查数据、采样的作物数据和农民报告。10.如权利要求8所述的方法，其中所述图像集的第一图像的第一分辨率不同于所述图像集的第二图像的第二分辨率，所述第一分辨率低于所述作物指示图像的第三分辨率，并且所述地面真实数据的至少一部分的第四分辨率低于所述作物指示图像的所述第三分辨率。11.如权利要求1所述的方法，其中预测在每个特定位置中生长的所述一种或多种作物类型包括：对于每个特定位置，分析时间序列图像中与相应特定位置相关联的像素随时间的变化，其中像素的特定变化模式与至少一种作物类型相关联。12.一种用于作物类型分类的方法，包括：获得与地理区域和时间段相关联的多个图像集，其中所述多个图像集中的每个图像集包括多频谱和时间序列图像，所述多频谱和时间序列图像描绘在所述时间段期间所述地理区域的相应特定部分；预测在与所述多个图像集中的图像集相关联的地理区域的所述特定部分内的每个特定位置中生长的一种或多种作物类型；基于针对相应特定位置预测的一种或多种作物类型，确定每个特定位置的作物类型分类；以及生成包括覆盖有针对相应特定位置确定的作物类型分类的指示的所述图像集的多频谱和时间序列图像中的至少一个图像的作物指示图像；其中预测在每个特定位置中生长的所述一种或多种作物类型包括将所述图像集应用于一个或多个机器学习系统，其中所述一个或多个机器学习系统包括卷积神经网络(CNN)；以及其中所述一个或多个机器学习系统被配置为在地面真实数据上进行有监督的训练之后，预测在每个特定位置中生长的所述一种或多种作物类型。13.如权利要求12所述的方法，其中预测在每个特定位置中生长的所述一种或多种作物类型包括：预测特定位置处的作物的存在；基于特定位置处的作物的预测的存在，确定地理区域的特定部分内的作物边界位置；以及预测在每个确定的作物边界位置内生长的所述一种或多种作物类型。14.如权利要求12所述的方法，其中确定每个特定位置的作物类型分类包括：对于每个特定位置，从针对相应特定位置预测的作物类型当中选择主要多数预测的作物类型，其中
主要多数预测的作物类型是作物类型分类。15.如权利要求12所述的方法，其中确定每个特定位置的作物类型分类包括：对于每个特定位置，如果没有主要多数预测的作物类型，则将相应特定位置划分为多个子特定位置，并将所述多个子特定位置中的每个相应子特定位置分类为针对特定位置预测的作物类型中的相应作物类型。...

【专利技术属性】
技术研发人员：C郭，J杨，E格兰特，
申请(专利权)人：X开发有限责任公司，
类型：发明
国别省市：