【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 ...
【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。...
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。