一种基于多深度模型集成学习的棉花苗识别方法技术

本发明专利技术提出了一种基于多深度模型集成学习的棉花苗识别方法，涉及深度学习目标识别领域。一种基于多深度模型集成学习的棉花苗识别方法，包括以下步骤：使用无人机采集棉花苗影像；对棉花苗影像进行图像处理，得到棉花苗数据集；构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；搭建云环境，将最佳深度学习模型配置在云环境上；使用云环境下的最佳深度学习模型进行棉花苗识别。本发明专利技术使用深度学习数据处理技术，有效地提高了作物分类识别精度，使用云计算平台解决了影像数据量大、模型训练时间长、实际应用时效性差的弊端，协同深度学习与云计算，充分发挥二者优势，可以实现对棉花苗的高精度、大面积、快速自动化监测识别。监测识别。监测识别。

【技术实现步骤摘要】
一种基于多深度模型集成学习的棉花苗识别方法


[0001]本专利技术涉及深度学习目标识别领域，具体而言，涉及一种基于多深度模型集成学习的棉花苗识别方法。

技术介绍

[0002]棉花出苗数量和质量是棉花生长发育和产量形成的基础，同时也是棉花生长发育后期田间机械化调控管理的关键因素。棉花苗准确识别提取后可及时进行补苗以保证成苗数量，同时提高棉田因苗管理效率，进而实现经济效益最大化，促进农业增产增收。
[0003]传统的棉花苗情调查监测往往采用人工的方式，主要通过田间手工记录、纸质数据上报、人工统计汇总等方式进行，存在调查工作量大、周期长、财力物力耗费高、数据难以做进一步深入分析处理等诸多缺陷，且由于调查人员业务水平各不相同，难以做到统一、规范地收集和处理信息。面对更高分辨率的无人机遥感影像，如何有效提高作物识别准确度和普适性，成为了无人机遥感在精准农业应用中的新挑战。作物苗识别提取存在影像数据大、模型精度差、普适性弱、应用时效慢等弊端。卫星遥感影像易受到影像时空分辨率、获取成本、大气效应等因素的影响，无法识别精细尺度下的农作物空间特征，且影像受卫星重访周期的限制，可能无法及时地获取特定区域的遥感影像，进而导致遥感影像的数据处理受到诸多限制，难以满足实际应用需求。

技术实现思路

[0004]本专利技术的目的在于提供一种基于多深度模型集成学习的棉花苗识别方法，其能够实现对棉花苗的高精度、大面积、快速自动化监测识别。
[0005]本专利技术是这样实现的：
[0006]第一方面，本申请提供一种基于多深度模型集成学习的棉花苗识别方法，包括以下步骤：
[0007]S1、使用无人机采集棉花苗影像；
[0008]S2、对棉花苗影像进行图像处理，得到棉花苗数据集；
[0009]S3、构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；
[0010]S4、搭建云环境，将最佳深度学习模型配置在云环境上；
[0011]S5、使用云环境下的最佳深度学习模型进行棉花苗识别。
[0012]基于第一方面，上述步骤S1中所述无人机包括ParrotSequoia传感器。
[0013]进一步的，上述步骤S2中的图像处理包括通过Pix4Dmapper对棉花苗影像进行拼接、校正，得到高分辨率的无人机遥感影像，即棉花苗数据集。
[0014]进一步的，上述步骤S3包括以下步骤：
[0015]S3
‑
1、将棉花苗数据集分为训练集和测试集；
[0016]S3
‑
2、使用训练集分别对U
‑
Net模型、ResNet模型、VGG模型、GoogLeNet模型进行训练；
[0017]S3
‑
3、对训练后的U
‑
Net模型、训练后的ResNet模型、训练后的VGG模型、训练后的GoogLeNet模型的参数进行调整，分别得到最优模型；
[0018]S3
‑
4、根据测试集分别使用最优的U
‑
Net模型、最优的ResNet模型、最优的VGG模型和最优的GoogLeNet模型得到预测结果；
[0019]S3
‑
5、使用硬投票的方法对各个预测结果进行表决，得到分类结果；
[0020]S3
‑
6、根据分类结果和最优的U
‑
Net模型、最优的ResNet模型、最优的VGG模型和最优的GoogLeNet模型得到最佳深度学习模型。
[0021]进一步的，上述步骤S3
‑
5包括以下子步骤：
[0022]S3
‑5‑
1、分别获取最优的U
‑
Net模型、最优的ResNet模型、最优的VGG模型和最优的GoogLeNet模型的预测结果；
[0023]S3
‑5‑
2、统计测试集为棉花苗的预测结果的数量和测试集不为棉花苗的预测结果的数量，将数量最多的预测结果作为分类结果。
[0024]进一步的，上述云环境使用ENVIServicesEngine云端。
[0025]第二方面，本申请提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器；当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项所述的方法。
[0026]相对于现有技术，本专利技术至少具有如下优点或有益效果：
[0027]本专利技术提出了一种基于多深度模型集成学习的棉花苗识别方法，使用深度学习数据处理技术，有效地提高了作物分类识别精度；构建多个模型以集成方式完成分类识别任务，实现各模型之间的优势互补，获得比单一模型更高的精度，还能减少模型训练对所需数据的依赖程度发挥各深度学习模型的性能优势；使用云计算平台解决了影像数据量大、模型训练时间长、实际应用时效性差的弊端，协同深度学习与云计算，充分发挥二者优势，可以实现对棉花苗的高精度、大面积、快速自动化监测识别。
附图说明
[0028]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0029]图1为本专利技术流程图；
[0030]图2为本专利技术技术流程图；
[0031]图3为本专利技术得到最佳深度学习模型的具体流程图；
[0032]图4为本专利技术实施例提供的研究区示意图；
[0033]图5为本专利技术实施例提供的一种电子设备的结构框图。
[0034]图标：101、存储器；102、处理器；103、通信接口。
具体实施方式
[0035]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
[0036]实施例
[0037]如图4所示，研究区主要位于新疆生产建设兵团第八师石河子市垦区，该区位于天山北麓中段，古尔班通古特沙漠南缘，其地势平坦，平均海拔高度450.8m，属于典型的温带大陆性气候，平均气温在6.5～7.2℃之间，年降水量在125.0～207.7mm之间，无霜期168～171d，日照充沛，年日照时数为2721～2818h。研究区的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，包括以下步骤：S1、使用无人机采集棉花苗影像；S2、对棉花苗影像进行图像处理，得到棉花苗数据集；S3、构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；S4、搭建云环境，将最佳深度学习模型配置在云环境上；S5、使用云环境下的最佳深度学习模型进行棉花苗识别。2.如权利要求1所述的一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，步骤S1中所述无人机包括ParrotSequoia传感器。3.如权利要求1所述的一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，步骤S2中的图像处理包括通过Pix4Dmapper对棉花苗影像进行拼接、校正，得到高分辨率的无人机遥感影像，即棉花苗数据集。4.如权利要求1所述一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，步骤S3包括以下步骤：S3
‑
1、将棉花苗数据集分为训练集和测试集；S3
‑
2、使用训练集分别对U
‑
Net模型、ResNet模型、VGG模型、GoogLeNet模型进行训练；S3
‑
3、对训练后的U
‑
Net模型、训练后的ResNet模型、训练后的VGG模型、训练后的GoogLeNet模型的参数进行调整，分别得到最优模型；S3
‑
...

【专利技术属性】
技术研发人员：金梦婷，徐权，韩风，郭俊杰，张云飞，
申请(专利权)人：中国地质调查局乌鲁木齐自然资源综合调查中心，
类型：发明
国别省市：