System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及耕地管理,特别是涉及一种基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质。
技术介绍
1、随着科技的发展和全球人口的增长,耕地资源的有效管理和利用变得越来越重要。现有的耕地监管方法主要依赖人工巡查和拍摄图像,通过人工分析图像来判断耕地的利用状态,这种方法不仅效率低下,而且由于人的视觉疲劳和主观性,往往会造成误判。
2、遥感技术为耕地的监测和管理提供了强大的技术支撑,但现有的基于遥感技术的耕地监管仍存在一些问题,例如数据处理的自动化程度不高,耕地利用状态的实时性和准确性不足,以及缺乏对耕地利用状态变化的及时反馈等。
3、因此,如何对耕地状态变化进行自动、高效、准确的监测,是目前亟待解决的问题。
技术实现思路
1、为解决上述技术问题,本申请提供一种基于遥感图像自动解译的耕地监管方法,能够对耕地状态变化进行自动、高效、准确的监测。本申请还提供一种基于遥感图像自动解译的耕地监管装置、设备及存储介质,具有相同的技术效果。
2、本申请的第一个目的为提供一种基于遥感图像自动解译的耕地监管方法。
3、本申请的上述申请目的一是通过以下技术方案得以实现的:
4、一种基于遥感图像自动解译的耕地监管方法,所述方法包括:
5、获取目标监管区域的当期遥感图像和目标解译任务信息;
6、基于所述目标解译任务信息和预设的文本模板生成所述目标解译任务信息对应的任务描述文本;
7、基于所述当期遥感图像和任务
8、在所述目标监管区域的二值掩码图像中提取耕地图斑得到所述目标监管区域的当期耕地图斑,其中,所述当期耕地图斑中携带有对应耕地图斑的耕地位置信息和耕地面积信息;
9、基于所述目标监管区域的当期耕地图斑和耕地图斑底库中该区域的前一期耕地图斑,得到所述目标监管区域的耕地变化信息。
10、优选地,所述基于所述目标监管区域的当期耕地图斑和耕地图斑底库中该区域的前一期耕地图斑,得到所述目标监管区域的耕地变化信息包括:
11、基于所述目标监管区域的当前耕地图斑中各耕地图斑携带的耕地位置信息和该区域的前一期耕地图斑中各耕地图斑携带的耕地位置信息,将所述目标监管区域的当前耕地图斑和前一期耕地图斑对齐;
12、基于对齐后的当前耕地图斑和前一期耕地图斑,分析所述目标监管区域的耕地变化情况,得到所述目标监管区域的耕地变化信息。
13、优选地,所述基于对齐后的当前耕地图斑和前一期耕地图斑,分析所述目标监管区域的耕地变化情况,得到所述目标监管区域的耕地变化信息包括:
14、基于对齐后的当前耕地图斑和前一期耕地图斑,分析所述目标监管区域中由耕地变为非耕地的区域位置和面积,得到所述目标监管区域的耕地变化信息。
15、优选地,在获取目标监管区域的当期遥感图像和目标解译任务信息之前,所述方法还包括:
16、基于基期地类图斑中的耕地图斑信息构建所述目标监管区域的耕地图斑底库。
17、优选地,在获取目标监管区域的当期遥感图像和目标解译任务信息之前,所述方法还包括:
18、构建所述耕地解译模型;
19、采集包含耕地的遥感图像,并对收集的遥感图像进行预处理,得到耕地图像样本数据集,其中,所述耕地图像样本数据集中的每一条样本数据均包括一张预处理后的遥感图像、对该遥感图像进行二值化处理后得到的二值掩码图像以及解译任务描述文本;
20、利用所述耕地图像样本数据集对所述耕地解译模型进行训练,得到训练后的耕地解译模型。
21、优选地,所述耕地解译模型包括:
22、视觉编码器模块、多模态大语言模型编码器模块、多层神经网络模块和视觉文本分割解码器模块,所述多模态大语言模型编码器模块和所述多层神经网络模块连接,所述视觉编码器模块和所述多层神经网络模块分别与所述视觉文本分割解码器模块连接,其中,
23、所述视觉编码器模块具有一个提前训练好的视觉模型,所述视觉模型用于将输入的图像进行编码,得到该图像对应的视觉编码向量;
24、所述多模态大语言模型编码器模块具有一个提前训练好的多模态大语言模型和一个lora微调单元,所述多模态大语言模型用于对输入的图像文本对进行编码,得到该图像文本对的多模态融合的特征编码向量,所述lora微调单元用于基于lora微调方法对所述多模态融合的特征编码向量进行微调训练,其中,所述图像文本对包括一张图像和一句该图像对应的解译任务描述文本;
25、所述多层神经网络模块,用于将所述多模态大语言模型编码器模块输出的多模态融合的特征编码向量进行投影处理,得到更高维度的多模态融合的特征编码向量;
26、所述视觉文本分割解码器模块,用于将所述视觉编码器模块输出的图像的视觉编码向量和所述多层神经网络模块输出的多模态融合的特征编码向量进行图像分割解码,得到输入图像的分割掩码图和对应的指导图像分割的描述文本。
27、优选地,所述利用所述耕地图像样本数据集对所述耕地解译模型进行训练包括:
28、将所述耕地图像样本数据集输入所述耕地解译模型;
29、通过所述多模态大语言模型编码器模块中的多模态大语言模型对所述样本数据集中每条样本数据中的预处理后的遥感图像和解译任务描述文本构成的图像文本对进行编码,得到该图像文本对的多模态融合的特征编码向量;
30、通过所述多层神经网络模块将所述多模态大语言模型编码器模块输出的多模态融合的特征编码向量进行投影处理,得到更高维度的多模态融合的特征编码向量;
31、通过所述视觉编码器模块的视觉模型对所述样本数据集中每条样本数据中的预处理后的遥感图像进行编码,得到该图像对应的视觉编码向量;
32、通过所述视觉文本分割解码器模块将所述视觉编码器模块输出的图像的视觉编码向量和所述多层神经网络模块输出的多模态融合的特征编码向量进行图像分割解码,得到该条样本数据对应的分割掩码图和指导图像分割的描述文本;
33、基于该条样本数据对应的分割掩码图和该条样本数据中的二值掩码图像,以及该条样本数据对应的指导图像分割的描述文本和该条样本数据中的解译任务描述文本,分别计算所述耕地解译模型的文本损失和分割掩码损失;
34、基于计算得到的文本损失和分割掩码损失,通过将两种损失按照预设的权重比例以加权方式进行组合,得到所述耕地解译模型的总损失;
35、基于计算得到总损失对所述耕地解译模型中的lora微调单元和视觉文本分割解码器模块的参数进行调整,并重新对所述耕地解译模型进行训练,直到所述总损失小于预设损失阈值,则得到训练后的耕地解译模型。
36、本申请的第二个目的为提供一种基于遥感图像自动解译的耕地监管装置。
37、本申请本文档来自技高网...
【技术保护点】
1.一种基于遥感图像自动解译的耕地监管方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于遥感图像自动解译的耕地监管方法,其特征在于,所述基于所述目标监管区域的当期耕地图斑和耕地图斑底库中该区域的前一期耕地图斑,得到所述目标监管区域的耕地变化信息包括:
3.根据权利要求2所述的基于遥感图像自动解译的耕地监管方法,其特征在于,所述基于对齐后的当前耕地图斑和前一期耕地图斑,分析所述目标监管区域的耕地变化情况,得到所述目标监管区域的耕地变化信息包括:
4.根据权利要求1所述的基于遥感图像自动解译的耕地监管方法,其特征在于,在获取目标监管区域的当期遥感图像和目标解译任务信息之前,所述方法还包括:
5.根据权利要求1-4任一项所述的基于遥感图像自动解译的耕地监管方法,其特征在于,在获取目标监管区域的当期遥感图像和目标解译任务信息之前,所述方法还包括:
6.根据权利要求5所述的基于遥感图像自动解译的耕地监管方法,其特征在于,所述耕地解译模型包括:
7.根据权利要求6所述的基于遥感图像自动解译的耕地监管方法,其特
8.一种基于遥感图像自动解译的耕地监管装置,其特征在于,所述装置包括:
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储于所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的基于遥感图像自动解译的耕地监管方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的基于遥感图像自动解译的耕地监管方法的步骤。
...【技术特征摘要】
1.一种基于遥感图像自动解译的耕地监管方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于遥感图像自动解译的耕地监管方法,其特征在于,所述基于所述目标监管区域的当期耕地图斑和耕地图斑底库中该区域的前一期耕地图斑,得到所述目标监管区域的耕地变化信息包括:
3.根据权利要求2所述的基于遥感图像自动解译的耕地监管方法,其特征在于,所述基于对齐后的当前耕地图斑和前一期耕地图斑,分析所述目标监管区域的耕地变化情况,得到所述目标监管区域的耕地变化信息包括:
4.根据权利要求1所述的基于遥感图像自动解译的耕地监管方法,其特征在于,在获取目标监管区域的当期遥感图像和目标解译任务信息之前,所述方法还包括:
5.根据权利要求1-4任一项所述的基于遥感图像自动解译的耕地监管方法,其特征在于,在获取目标监管区域的当期遥感图像和目标解译任务信息之前...
【专利技术属性】
技术研发人员:丁洪富,明泓,刘俸材,廖玉佳,柯虹羽,蒋励,蒋进钦,苗连朋,赵克会,
申请(专利权)人:重庆欣荣土地房屋勘测技术研究所有限责任公司,
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。