大棚房风险识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供的大棚房风险识别方法、装置、电子设备及存储介质，属于图像处理技术领域，包括：获取目标温室内的待识别图像；将待识别图像输入至图像检测模型，确定由图像检测模型输出的目标温室内的违禁物品的位置信息和种类信息，以及便道比例数据；根据违禁物品的位置信息和种类信息，以及便道比例数据，确定目标温室为大棚房的风险等级。本发明专利技术提供的大棚房风险识别方法、装置、电子设备及存储介质，通过对温室图像中的图像中的违禁物品和非耕种面积进行识别，进而自动根据识别结果高效地确定温室的大棚房风险等级，进而实现温室内撂荒、大棚房问题等自动预警，为蔬菜稳产保供、设施产业结构调整等提供数据支持。施产业结构调整等提供数据支持。施产业结构调整等提供数据支持。

【技术实现步骤摘要】
大棚房风险识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种大棚房风险识别方法、装置、电子设备及存储介质。

技术介绍

[0002]由于温室中私自占用耕地、农田，违法违规建设非农设施的现象泛滥，例如温室中的大棚房，严重侵占了耕地。因此，需要加强耕地保护，坚决遏制，是现阶段迫在眉睫的任务。
[0003]现有对农地非农化的违建现象的识别，主要是基于遥感技术实现对大棚房所在区域的监测。
[0004]然而，上述方法并不能识别温室内部的违建情况，进而确定是否存在大棚房。

技术实现思路

[0005]本专利技术提供的大棚房风险识别方法、装置、电子设备及存储介质，用以解决现有技术中遥感技术不能识别温室内部的违建情况的缺陷，实现自动根据识别结果高效地确定温室的大棚房风险等级。
[0006]本专利技术提供一种大棚房风险识别方法，包括：获取目标温室内的待识别图像；将所述待识别图像输入至图像检测模型，确定由所述图像检测模型输出的目标温室内的违禁物品的位置信息和种类信息，以及便道比例数据；根据所述违禁物品的位置信息和种类信息，以及所述便道比例数据，确定所述目标温室为大棚房的风险等级；所述图像检测模型，是基于带有所述违禁物品的位置标签和种类标签，以及种植区域面积和非种植区域面积标签的样本图像训练后得到的。
[0007]根据本专利技术提供的一种大棚房风险识别方法，所述图像检测模型包括：物品检测模型和比例识别模型；所述物品检测模型是基于目标检测模型构建的，用于对所述待识别图像进行目标检测，生成所述违禁物品的位置信息和种类信息；所述比例识别模型是基于图像分割模型构建的，具体用于：对所述待识别图像进行分割，确定所述待识别图像中的种植区域面积和非种植区域面积；根据所述种植区域面积和所述非种植区域面积，生成所述便道比例数据。
[0008]根据本专利技术提供的一种大棚房风险识别方法，所述物品检测模型包括：骨干网络、特征金字塔网络和输出层；所述骨干网络包括多个CSP模块，所述CSP模块，用于对所述待识别图像进行下采样；所述骨干网络，用于对所述待识别图像进行特征提取，确定多个层次的主干特征映射；
特征金字塔网络，用于对所述多个层次的主干特征映射进行上采样和特征融合，在所述待识别图像中包括违禁物品信息的情况下，生成所述违禁物品的位置信息和种类信息；所述输出层，用于输出所述违禁物品的位置信息和种类信息。
[0009]根据本专利技术提供的一种大棚房风险识别方法，所述根据所述违禁物品的位置信息和种类信息，以及所述便道比例数据，确定所述目标温室为大棚房的风险等级，包括：根据所述违禁物品的位置信息和种类信息，确定第一级别，并根据所述便道比例数据，确定第二级别；所述第一级别表征所述违禁物品导致所述目标温室为大棚房的风险，所述第二级别表征便道比例导致所述目标温室为大棚房的风险；基于风险矩阵表，根据所述第一级别和第二级别，生成风险值；根据所述风险值，确定所述目标温室为大棚房的风险等级。
[0010]根据本专利技术提供的一种大棚房风险识别方法，在所述将所述待识别图像输入至图像检测模型，确定由所述图像检测模型输出的违禁物品的位置信息和种类信息，以及便道比例数据之前，还包括：获取多个样本图像；在任一样本图像中包括违禁物品信息的情况下，确定所述任一样本图像中违禁物品的位置标签、种类标签，并确定所述任一样本图像中的样本种植区域面积和样本非种植区域面积标签；将所述任一样本图像，以及所述任一样本图像的位置标签、种类标签，以及样本种植区域面积和样本非种植区域面积标签的组合作为一个训练样本，以获取多个训练样本；利用所述多个训练样本分别对所述物品检测模型和所述比例识别模型进行训练。
[0011]根据本专利技术提供的一种大棚房风险识别方法，利用所述多个训练样本分别对所述物品检测模型和所述比例识别模型进行训练，包括：利用所述多个训练样本对待训练模型进行预训练，获取预训练模型；将所述预训练模型的权重参数迁移至目标神经网络；利用所述多个训练样本对所述目标神经网络进行训练，获取再训练模型，所述再训练模型为所述物品检测模型和所述比例识别模型中的任一个。
[0012]根据本专利技术提供的一种大棚房风险识别方法，所述获取多个样本图像，包括：获取温室内的多个初始图像；对每个初始图像进行样本扩增，获取多个扩增图像；在至少一个扩增图像中加入高斯噪声，获取多个样本图像。
[0013]本专利技术还提供一种大棚房风险识别装置，包括：获取模块，用于获取目标温室内的待识别图像；第一确定模块，用于将所述待识别图像输入至图像检测模型，确定由所述图像检测模型输出的目标温室内的违禁物品的位置信息和种类信息，以及便道比例数据；第二确定模块，用于根据所述违禁物品的位置信息和种类信息，以及所述便道比例数据，确定所述目标温室为大棚房的风险等级；所述图像检测模型，是基于带有所述违禁物品的位置标签和种类标签，以及种植区域面积和非种植区域面积标签的样本图像训练后得到的。
[0014]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述大棚房风险识别方法。
[0015]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述大棚房风险识别方法。
[0016]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述大棚房风险识别方法。
[0017]本专利技术提供的大棚房风险识别方法、装置、电子设备及存储介质，通过对温室图像中的图像中的违禁物品和非耕种面积进行识别，进而自动根据识别结果高效地确定温室的大棚房风险等级，进而实现温室内撂荒、大棚房问题等自动预警，为蔬菜稳产保供、设施产业结构调整等提供数据支持。
附图说明
[0018]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本专利技术提供的大棚房风险识别方法的流程示意图之一；图2是本专利技术提供的土壤
‑
便道比例数据分布示意图；图3是本专利技术提供的YOLOv5模型的mAP结果示意图；图4是本专利技术提供的deeplabv3+模型的mIOU结果示意图；图5是本专利技术提供的大棚房风险识别方法的流程示意图之二；图6是本专利技术提供的大棚房风险识别装置的结构示意图；图7是本专利技术提供的电子设备的结构示意图。
[0020]附图标记：A Map Curve：平均精度均值曲线；Map 0.5：平均精度均值0.5；Epoch：训练轮次；train map：训练平均精度均值；A Miou Curve：均交并比曲线；Miou：均交并比（Mean intersection over union，Miou）；tra本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大棚房风险识别方法，其特征在于，包括：获取目标温室内的待识别图像；将所述待识别图像输入至图像检测模型，确定由所述图像检测模型输出的目标温室内的违禁物品的位置信息和种类信息，以及便道比例数据；根据所述违禁物品的位置信息和种类信息，以及所述便道比例数据，确定所述目标温室为大棚房的风险等级；所述图像检测模型，是基于带有所述违禁物品的位置标签和种类标签，以及种植区域面积和非种植区域面积标签的样本图像训练后得到的。2.根据权利要求1所述的大棚房风险识别方法，其特征在于，所述图像检测模型包括：物品检测模型和比例识别模型；所述物品检测模型是基于目标检测模型构建的，用于对所述待识别图像进行目标检测，生成所述违禁物品的位置信息和种类信息；所述比例识别模型是基于图像分割模型构建的，具体用于：对所述待识别图像进行分割，确定所述待识别图像中的种植区域面积和非种植区域面积；根据所述种植区域面积和所述非种植区域面积，生成所述便道比例数据。3.根据权利要求2所述的大棚房风险识别方法，其特征在于，所述物品检测模型包括：骨干网络、特征金字塔网络和输出层；所述骨干网络包括多个CSP模块，所述CSP模块，用于对所述待识别图像进行下采样；所述骨干网络，用于对所述待识别图像进行特征提取，确定多个层次的主干特征映射；特征金字塔网络，用于对所述多个层次的主干特征映射进行上采样和特征融合，在所述待识别图像中包括违禁物品信息的情况下，生成所述违禁物品的位置信息和种类信息；所述输出层，用于输出所述违禁物品的位置信息和种类信息。4.根据权利要求1
‑
3任一项所述的大棚房风险识别方法，其特征在于，所述根据所述违禁物品的位置信息和种类信息，以及所述便道比例数据，确定所述目标温室为大棚房的风险等级，包括：根据所述违禁物品的位置信息和种类信息，确定第一级别，并根据所述便道比例数据，确定第二级别；所述第一级别表征所述违禁物品导致所述目标温室为大棚房的风险，所述第二级别表征便道比例导致所述目标温室为大棚房的风险；基于风险矩阵表，根据所述第一级别和第二级别，生成风险值；根据所述风险值，确定所述目标温室为大棚房的风险等级。5.根据权利要求2或3所述的大棚房风险识别方法，其特征在于，在所述将所述待识别图像输入至图像检测模型，确定由所述图像...

【专利技术属性】
技术研发人员：张钟莉莉，吕芯悦，芦天罡，魏晓明，于景鑫，刘长斌，
申请(专利权)人：北京市农林科学院智能装备技术研究中心，
类型：发明
国别省市：