【技术实现步骤摘要】
多模态牧草图像特征提取与识别系统
[0001]本专利技术涉及牧草图像识别处理
,具体为多模态牧草图像特征提取与识别系统
。
技术介绍
[0002]智慧草业是指构建以草业为互联网门户的智慧平台,建立线上线下一体化综合服务,从而构建数字经济新业态,实现草业链多方共赢,努力成为降本增效的好帮手
。
智慧草业将进一步发挥数据的价值,充分挖掘大数据,构建中国草业大数据应用模式,为企业
、
行业
、
政府提供数据支撑,实现草业的智能化
、
智慧化
。
真正为内蒙古牧民提供信息化的科技助力
。
草地是农业行业的一个重要领域,构建面向草地生态系统现代化管理平台,计算机技术
、
网络通信技术
、
人工智能技术
、
大数据
、
云计算与草业科学
、
地理学
、
生态学等多种基础学科,对草地生态系统的环境要素
、
生物要素以及经济要素进行检测
、
管理与控制
。“智慧草业”研究是信息技术应用于草地生态系统管理的新兴研究方向,具有重要的理论研究和实践应用价值
。
[0003]草地图像是“智慧草业”的一个主要来源,其包括可见光图像
、
高光谱图像和遥感图像等,从海量图像中提取主要的草地信息,用于的数字化平台建设,是草地数字化最重要的环节
。
目前,利用图 ...
【技术保护点】
【技术特征摘要】
1.
多模态牧草图像特征提取与识别系统,其特征在于:包括以下步骤,
S1
:确定研究区域,确定草地实验样地;
S2
:采集可见光图像;
S2.1
:图像预处理,通过数码相机拍摄牧草草地的可见光图像;
S2.2
:形态
、
颜色
、
纹理特征提取;
S3
:采集高光谱图像;
S3.1
:
ROI
提取平均光谱反射率;
S3.2
:高光谱数据预处理,采用
PTU
‑
D48E
高光谱仪器对牧草草地进行高光谱采集;高光谱图像大小为
1004
×
1944
像素,数据采用6个像元混合,得出
125
个波段,曝光时间设置为
3ms
,波长范围
400nm
~
1000nm
;
S4
:研究区域多时相遥感影像;
S4.1
:图像剪裁
、
预处理;
S4.2
:形态
、
颜色
、
纹理特征提取;通过无人机获取到研究区域多时相遥感影像,样本为无芒雀麦
、
光穗冰草
、
沙芦草
、
老芒麦和豆科苜蓿共五种;在不同生长阶段,牧草的物理形态差异性很大,群落图像的差异就更为明显,采集的范围可从不足1米延伸至几百米,增加相机和被照植株的固定装置
、
光源设计附属装置,收集
S2、S3、S4
中图像,根据牧草的特点,建立和完善的图像数据库,该数据库中包括单株牧草图像数据库
、
实验样方的牧草图像数据库
、
草原上牧草群落图像数据库,这些图像数据用于分类识别实验,可见光图像包括5类共
12
种牧草,每种
1000
张,共
12000
张图片,高光谱图像用
ENVI
软件以每张选取感兴趣区域
ROI
,校正集的样本个数选取
300
个,预测集的样本个数选取
200
个,总共
500
个样本;
S5
:构建多尺度
、
多空间
、
多角度关键特征集;
S5.1
:可见光图像分割采用不确定性云模型;
S5.2
:底层特征提取,牧草的形态结构特征差异尤为明显,以牧草外形为例,图像中包括外形的长
、
宽
、
面积
、
叶子锯齿的形状以及倾斜方向,这些特征都可以用来识别不同种类的牧草,获取这些参数需要确定图像中的关键点,如牧草的起始点
、
结束点
、
特殊的拐点,高光谱图像采用
ENVI
打开,获取高光谱图像,进行
ROI
提取,大小在
50
个像素点左右,计算其平均反射光谱数据保存为“txt”文档,测量的光谱范围在
400nm
~
1000nm
之间,采集图片有
750
个波段,采集过程中6个波段进行压缩至
125
个波段,采集过程中避免不了外界干扰,需要对其进行预处理
、
降维处理
、
底层特征提取;
S5.3
:多模态多角度多层次特征融合,这些特征称之为底层特征,研究不同空间
、
不同层次
、
不同视角的特征信息对牧草的显著的可区分性,寻找特征之间的相关性,去除冗余特征,通过迭代方式融合与选择最优特征,实现多模态特征融合算法;采用小波和尺度不变特性相结合的算法提取牧草图像的尺度不变
、
光照不变和颜色不变的特征,
S6
:利用信息共享优化深度学习模型;
S6.1
:准备训练数据;
S6.2
:接受命令行参数,深度学习需要调整优化
Hyperparameter
,调整优化算法
、
模型层数和不同模型,
TensorFlow
底层使用
python
‑
gflags
项目,接口封装成
tf.app.flags
,提前定义命令行参数,简化
Hyperparameter
调优;
S6.3
:定义神经网络,创建多个
Variable
且每个都有独立的名字,同时绑定
CPU
,便于修改隐层节点数和网络层数,
TensorFlow
默认使用
GPU
,可能会引起参数更新慢问题,
S6.4
:使用不同的优化算法,选择
Sgd、Rmsprop、Adagrad
和
Ftrl
,
Optimizer
优化模型参数,选用正确的优化算法完成对比实验;
S6.5
:在线数据不断优化,
TensorFlow
通过
tf.train.Saver()
保存和恢复模型,使用
Python
加载模型文件,不断接受在线请求数据,更新模型参数用于下一...
【专利技术属性】
技术研发人员:郜晓晶,杨昊,潘新,张俊敏,郜晓倩,李伟,
申请(专利权)人:内蒙古农业大学,
类型:发明
国别省市:
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。