农业轨迹点识别方法技术

本申请实施例提供了一种农业轨迹点识别方法

【技术实现步骤摘要】
农业轨迹点识别方法、装置和系统


[0001]本申请实施例涉及人工智能领域，更具体地涉及一种农业轨迹点识别方法
、
装置和系统
。

技术介绍

[0002]随着电子信息技术的发展，智能化和信息化逐渐成为未来农业机械的发展方向
。
目前，很多农业任务已经可以通过农用车辆在田间作业，这大大降低了人力成本的同时提高了作业效率
。
[0003]农用车辆在使用过程中会生成很多轨迹信息，有的是在田间作业的田间轨迹，有的是穿梭在不同田块之间的道路轨迹
。
如果对农用车辆的行驶轨迹进行分类识别，对统计作业面积
、
研究农作物分布以及规划作业路线有着重要的意义
。
[0004]因此，如何识别出农用车辆的行驶轨迹的类型是个亟待解决的问题
。

技术实现思路

[0005]本申请实施例提供一种农业轨迹点识别方法
、
装置和系统，可以识别出农用车辆的行驶轨迹的类型
。
[0006]第一方面，提供了一种农业轨迹点识别方法，该方法包括：获取第一图像，第一图像为四通道的图像，四通道包括第一图像对应的卫星地图的红色通道
、
绿色通道
、
蓝色通道以及第一图像中对应的轨迹通道
。
将第一图像，输入农业轨迹点识别模型，输出第一图像中对应的每个轨迹点的类型，轨迹点的类型包括田间类型或道路类型
。
[0007]在上述技术方案中，通过训练好的农业轨迹点识别模型，综合考虑农用车辆产生的轨迹结合轨迹点对应的卫星地图的环境特征，来得到每个轨迹点的类型
。
这样，相比于仅仅考虑田间作业轨迹和道路行驶轨迹之间的差别，将轨迹的环境因素考虑其中，可以提高农业轨迹点类型识别的准确性
。
例如，针对单双垄的田间作业轨迹，本申请实施例的方案相比于传统田间作业轨迹的多条垄线并行排列的规则来确定轨迹点的类型的方案，得到的轨迹点的类型更加准确
。
[0008]结合第一方面，在第一方面的某些实现方式中，农业轨迹点识别模型包括
M
个特征提取层和信息交互层，第
i
个特征提取层的输出为第
i+1
个特征提取层的输入，
M
为大于或等于2的正整数，
i
为正整数，
1≤i≤M
‑1，
M
个特征提取层的下采样倍数逐层递增，将第
M
个特征提取层的输出作为信息交互层的输入
。
将第一图像，输入农业轨迹点识别模型，输出
N
张第一图像中对应的每个轨迹点的类型包括：将第一图像，输入
M
个特征提取层的第1个特征提取层，逐层得到
M
个局部特征信息
。
将第
M
个特征提取层的输出，输入信息交互层，输出
N
张第一图像的全局特征信息，全局特征信息包括卫星图的环境特征
。
根据
M
个局部特征信息和全局特征信息，得到每个轨迹点的类型
。
[0009]在上述技术方案中，基于多层级提取特征的农业轨迹点识别模型可以获得不同下采样尺度下的局部特征信息和全局特征信息，在提取特征时，感受野从小到大，可以兼顾细
节特征和全局特征，可以提取出更多隐藏特征，进一步提高了农业轨迹点类型识别的准确性
。
[0010]结合第一方面，在第一方面的某些实现方式中，农业轨迹点识别模型还包括
M
个解码层，第
i
个解码层的一部分输入为第
i+1
个解码层的输出，第
i
个解码层的另一部分输入为第
i
个特征提取层对应的第
i
个局部特征信息，第
i
个解码层的上采样的倍数和第
i
个特征提取层的下采样倍数相同
。
根据
M
个局部特征信息和全局特征信息，得到每个轨迹点的类型包括：将全局特征信息和第
M
个局部特征信息，输入第
M
个解码层，得到第
M
个分类特征图
。
将第
M
个分类特征图和第
M
‑1个局部特征信息，输入第
M
‑1个解码层，逐层得到除第
M
个分类特征图以外的其他
M
‑1个分类特征图，其中，
M
个分类特征图包括第
M
个分类特征图和其他
M
‑1个分类特征图，第
i+1
个分类特征图的细节信息少于第
i
个分类特征图
。
根据
M
个分类特征图，得到每个轨迹点的类型
。
[0011]在上述技术方案中，靠前的特征提取层可以提取到局部细节，而靠后的特征提取层的感受野更广，用以预测一长段轨迹的类型
。
通过这样先整体，后局部的特征提取和融合方式，也就是是通过先在最后一个特征提取层和信息交互层构建整条轨迹的整体分类“哪一大片是田，哪一大段是路”，然后逐层通过分辨率更高的解码层，逐步优化细节，得到细节程度不同的分类特征图
。
这样，可以进一步提高轨迹点分类的准确性
。
[0012]结合第一方面，在第一方面的某些实现方式中，农业轨迹点识别模型还包括
M
个输出层
。
根据
M
个分类特征图，得到每个轨迹点的类型包括：将第
i
个分类特征图，输入第
i
个输出层，得到第
i
个第一分类结果，第
i
个第一分类结果为在第
i
个特征提取层的下采样尺度下每个像素点的类型的概率
。
每个像素点的类型包括背景类型
、
田间类型和道路类型
。
根据
M
个第一分类结果，得到每个轨迹点的类型，
M
个第一输出结果包括第
i
个第一分类结果
。
[0013]在上述技术方案中，将不同采样尺度下得到的分类特征图，分别输入各自对应的输出层，可以得到更准确的第一分类结果
。
[0014]结合第一方面，在第一方面的某些实现方式中，农业轨迹点识别模型还包括后处理层，后处理层用于分离背景类型和非背景类型的像素点，以确定第一分类结果中轨迹点对应的每个像素点的为田间类型或道路类型
。
将
M
个第一分类结果，输入后处理层，得到每个轨迹点的类型
。
[0015]在上述技术方案中，模型在有轨迹的部分只会分类为田或者路，在无轨迹的部分只会识别出背景，不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种农业轨迹点识别方法，其特征在于，包括：获取第一图像，所述第一图像为四通道的图像，所述四通道包括所述第一图像对应的卫星地图的红色通道
、
绿色通道
、
蓝色通道以及所述第一图像中对应的轨迹通道；将所述第一图像，输入农业轨迹点识别模型，输出所述第一图像中对应的每个轨迹点的类型，所述轨迹点的类型包括田间类型或道路类型
。2.
根据权利要求1所述的方法，其特征在于，所述农业轨迹点识别模型包括
M
个特征提取层和信息交互层，第
i
个特征提取层的输出为第
i+1
个特征提取层的输入，
M
为大于或等于2的正整数，
i
为正整数，
1≤i≤M
‑1，所述
M
个特征提取层的下采样倍数逐层递增，将所述第
M
个特征提取层的输出作为所述信息交互层的输入；所述将所述第一图像，输入农业轨迹点识别模型，输出所述
N
张第一图像中对应的每个轨迹点的类型包括：将所述第一图像，输入所述
M
个特征提取层的第1个特征提取层，逐层得到
M
个局部特征信息；将所述第
M
个特征提取层的输出，输入所述信息交互层，输出所述
N
张第一图像的全局特征信息，所述全局特征信息包括所述卫星图的环境特征；根据所述
M
个局部特征信息和所述全局特征信息，得到所述每个轨迹点的类型
。3.
根据权利要求2所述的方法，其特征在于，所述农业轨迹点识别模型还包括
M
个解码层，第
i
个解码层的一部分输入为第
i+1
个解码层的输出，所述第
i
个解码层的另一部分输入为第
i
个特征提取层对应的第
i
个局部特征信息，所述第
i
个解码层的上采样的倍数和所述第
i
个特征提取层的下采样倍数相同；所述根据所述
M
个局部特征信息和所述全局特征信息，得到所述每个轨迹点的类型包括：将所述全局特征信息和第
M
个局部特征信息，输入所述第
M
个解码层，得到第
M
个分类特征图；将所述第
M
个分类特征图和第
M
‑1个局部特征信息，输入第
M
‑1个所述解码层，逐层得到除所述第
M
个分类特征图以外的其他
M
‑1个分类特征图，其中，
M
个分类特征图包括所述第
M
个分类特征图和所述其他
M
‑1个分类特征图，第
i+1
个所述分类特征图的细节信息少于第
i
个所述分类特征图；根据所述
M
个分类特征图，得到所述每个轨迹点的类型
。4.
根据权利要求3所述的方法，其特征在于，所述农业轨迹点识别模型还包括
M
个输出层；所述根据所述
M
个分类特征图，得到所述每个轨迹点的类型包括：将第
i
个分类特征图，输入第
i
个输出层，得到第
i
个第一分类结果，所述第
i
个第一分类结果为在第
i
个特征提取层的下采样尺度下每个像素点的类型的概率，所述每个像素点的类型包括背景类型
、
田间类型和道路类型；根据
M
个第一分类结果，得到所述每个轨迹点的类型，所述
M
个第一输出结果包括所述第
i
个第一分类结果
。5.
根据权利要求4所述的方法，其特征在于，所述农业轨迹点识别模型还包括后处理层，所述后处理层用于分离背景类型和非背景类型的像素点，以确定所述第一分类结果中
所述轨迹点对应的所述每个像素点的为田间类型或道路类型；将所述
M
个第一分类结果，输入后处理层，得到所述每个轨迹点的类型
。6.
根据权利要求1至5任一项所述的方法，其特征在于，所述获取第一图像包括：获取第一时间内的轨迹点；根据所述轨迹点和所述轨迹点对应的卫星地图，确定第二图像，所述第一图像为所述第二图像的部分图像或全部图像
。7.
根据权利要求6所述的方法，其特征在于，所述第一图像对应的卫星地图等级为
18
级
。8.
一种农业轨迹点的识别装置，其特征在于，所述识别装置包括获取单元和处理单元，所述获取单元用于，获取第一图像，所述第一图像为四通道的图像，所述四通道包括所述第一图像对应的卫星地图的红色通道
、
绿色通道
、
蓝色通道以及所...

【专利技术属性】
技术研发人员：常志中，张宇，
申请(专利权)人：上海寰果信息科技有限公司，
类型：发明
国别省市：