亚麻倒伏面积的检测方法、装置、设备及存储介质制造方法及图纸

本申请提供一种亚麻倒伏面积的检测方法、装置、设备及存储介质，涉及人工智能技术领域。通过将待检测区域的全景图像输入至图像语义分割模型进行像素类别预测，得到全景图像中各像素的像素类别，像素类别包含亚麻倒伏区域对应的第一像素类别、亚麻未倒伏区域对应的第二像素类别及背景区域对应的第三像素类别中的至少一种；之后，根据像素类别，确定待检测区域的亚麻倒伏面积。其中，图像语义分割模型使用深度学习算法实现对全景图像的像素类别进行精细化分割和理解，提高亚麻倒伏面积检测的准确度，且相较根据构造的特征进行学习得到的检测模型，图像语义分割模型的泛化能力更强，可适用于复杂或大规模数据的预测处理。适用于复杂或大规模数据的预测处理。适用于复杂或大规模数据的预测处理。

【技术实现步骤摘要】
亚麻倒伏面积的检测方法、装置、设备及存储介质


[0001]本申请涉及人工智能技术，尤其涉及一种亚麻倒伏面积的检测方法、装置、设备及存储介质。

技术介绍

[0002]亚麻是密植作物，由于茎秆细弱但冠层较大，受到自然因素或者外力作用时，很容易发生大面积倒伏，倒伏会对亚麻的产量和品质产生极大的影响。因此，及时准确的获得亚麻的倒伏面积，可为确定受灾面积、及时评估损失提供技术支撑。
[0003]传统的人工测量倒伏面积，需要调查人员深入田间对倒伏程度进行判断，测量倒伏面积，随机性及主观性强，对大面积倒伏且倒伏不均的灾害情况，测量费时费力，并且测量误差较大。
[0004]随着人工智能技术的发展，可使用机器视觉技术来检测亚麻倒伏。目前对于亚麻倒伏的检测，多基于传统的机器学习方法。该传统的机器学习方法中，前期依赖人工构造特征，根据构造的特征进行学习训练得到检测模型，导致检测模型的泛化能力较弱，在复杂或大规模数据的预测处理上有一定的局限。

技术实现思路

[0005]本申请提供一种亚麻倒伏面积的检测方法、装置、设备及存储介质，用以改善根据构造的特征进行学习训练得到检测模型存在的泛化能力较弱，在复杂或大规模数据的预测处理上有一定的局限的问题。
[0006]第一方面，本申请提供一种亚麻倒伏面积的检测方法，包括：
[0007]获取待检测区域的全景图像；
[0008]将全景图像输入至图像语义分割模型进行像素类别预测，得到全景图像中各像素的像素类别，像素类别包含亚麻倒伏区域对应的第一像素类别、亚麻未倒伏区域对应的第二像素类别以及背景区域对应的第三像素类别中的至少一种；
[0009]根据像素类别，确定待检测区域的亚麻倒伏面积。
[0010]在一种可能的实施方式中，上述根据像素类别，确定待检测区域的亚麻倒伏面积，包括：
[0011]根据不同像素类别分别对应的像素个数，确定待检测区域的亚麻倒伏面积。
[0012]在一种可能的实施方式中，上述获取待检测区域的全景图像，包括：
[0013]获取针对待检测区域的鸟瞰图像数据；
[0014]根据鸟瞰图像数据，拼接得到全景图像。
[0015]在一种可能的实施方式中，上述将全景图像输入至图像语义分割模型进行像素类别预测，得到全景图像中各像素的像素类别，包括：对全景图像进行分割处理，得到多个设定大小的子图像；针对多个子图像中的每个子图像，将子图像输入至图像语义分割模型进行像素类别预测，得到子图像中各像素的像素类别。
[0016]在一种可能的实施方式中，上述根据像素类别，确定待检测区域的亚麻倒伏面积之后，亚麻倒伏面积的检测方法还可以包括：获取相关人员对待检测区域的亚麻倒伏面积的正确性的确认结果；若上述确认结果指示不正确，则利用人工确认或修正后的结果作为真值优化图像语义分割模型。
[0017]在一种可能的实施方式中，上述图像语义分割模型对应的训练数据是通过以下方式得到的：
[0018]获取样本全景图像；
[0019]对样本全景图像进行图像数据增强处理，得到处理后的图像，其中，训练数据包括处理后的图像以及样本全景图像对应的标注结果，图像数据增强处理包括剪切、旋转/反射/翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动和颜色变换中的至少一种。
[0020]第二方面，本申请提供一种亚麻倒伏面积的检测装置，包括：
[0021]获取模块，用于获取待检测区域的全景图像；
[0022]预测模块，用于将全景图像输入至图像语义分割模型进行像素类别预测，得到全景图像中各像素的像素类别，像素类别包含亚麻倒伏区域对应的第一像素类别、亚麻未倒伏区域对应的第二像素类别以及背景区域对应的第三像素类别中的至少一种；
[0023]确定模块，用于根据像素类别，确定待检测区域的亚麻倒伏面积。
[0024]在一种可能的实施方式中，确定模块可以具体用于：根据不同像素类别分别对应的像素个数，确定待检测区域的亚麻倒伏面积。
[0025]在一种可能的实施方式中，获取模块可以具体用于：获取针对待检测区域的鸟瞰图像数据；根据鸟瞰图像数据，拼接得到全景图像。
[0026]在一种可能的实施方式中，预测模块可以具体用于：对全景图像进行分割处理，得到多个设定大小的子图像；针对多个子图像中的每个子图像，将子图像输入至图像语义分割模型进行像素类别预测，得到子图像中各像素的像素类别。
[0027]在一种可能的实施方式中，获取模块还可以用于：获取相关人员对待检测区域的亚麻倒伏面积的正确性的确认结果；若该确认结果指示不正确，则利用人工确认或修正后的结果作为真值优化图像语义分割模型。
[0028]在一种可能的实施方式中，上述图像语义分割模型对应的训练数据是通过以下方式得到的：
[0029]获取样本全景图像；
[0030]对样本全景图像进行图像数据增强处理，得到处理后的图像，其中，训练数据包括处理后的图像以及样本全景图像对应的标注结果，图像数据增强处理包括剪切、旋转/反射/翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动和颜色变换中的至少一种。
[0031]第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；
[0032]存储器存储计算机程序；
[0033]处理器执行计算机程序，使得处理器执行第一方面任一项所述的亚麻倒伏面积的检测方法。
[0034]第四方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序被执行时，实现如第一方面任一项所述的亚麻倒伏面积的检测方法。
[0035]第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被执行时实现如第一方面任一项所述的亚麻倒伏面积的检测方法。
[0036]本申请提供的一种亚麻倒伏面积的检测方法、装置、设备及存储介质，利用图像语义分割模型，对待检测区域的全景图像进行像素类别预测，得到全景图像中各像素的像素类别，其中，图像语义分割模型使用深度学习算法实现对全景图像的像素类别进行精细化分割和理解，从而确定出待检测区域的亚麻倒伏面积，提高了亚麻倒伏面积检测的准确度，且相较根据构造的特征进行学习得到的检测模型，图像语义分割模型的泛化能力更强，可适用于复杂或大规模数据的预测处理。
附图说明
[0037]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0038]图1为本申请一实施例提供的应用场景示意图；
[0039]图2为本申请一实施例提供的亚麻倒伏面积的检测方法的流程示意图；
[0040]图3为本申请一实施例提供的FCN的结构示意图；
[0041]图4为本申请实施例提供的训练数据生成的流程示意图；
[0042]图5为本申请另一实施例提供的亚麻倒伏面积的检测方法的流程示意图；
[0043]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种亚麻倒伏面积的检测方法，其特征在于，包括：获取待检测区域的全景图像；将所述全景图像输入至图像语义分割模型进行像素类别预测，得到所述全景图像中各像素的像素类别，所述像素类别包含亚麻倒伏区域对应的第一像素类别、亚麻未倒伏区域对应的第二像素类别以及背景区域对应的第三像素类别中的至少一种；根据所述像素类别，确定所述待检测区域的亚麻倒伏面积。2.根据权利要求1所述的检测方法，其特征在于，所述根据所述像素类别，确定所述待检测区域的亚麻倒伏面积，包括：根据不同所述像素类别分别对应的像素个数，确定所述待检测区域的亚麻倒伏面积。3.根据权利要求1所述的方法，其特征在于，所述获取待检测区域的全景图像，包括：获取针对所述待检测区域的鸟瞰图像数据；根据所述鸟瞰图像数据，拼接得到所述全景图像。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述将所述全景图像输入至图像语义分割模型进行像素类别预测，得到所述全景图像中各像素的像素类别，包括：对所述全景图像进行分割处理，得到多个设定大小的子图像；针对多个子图像中的每个子图像，将所述子图像输入至图像语义分割模型进行像素类别预测，得到所述子图像中各像素的像素类别。5.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述像素类别，确定所述待检测区域的亚麻倒伏面积之后，还包括：获取相关人员对所述待检测区域的亚麻倒伏面积的正确性的确认结果；若所述确认结果指示不正确，则利用人工确认或修正后的结果作为真值优化所述图像语义分割模型。...

【专利技术属性】
技术研发人员：柳婷婷，许丽爱，安霞，李文略，骆霞虹，邹丽娜，陈常理，朱关林，
申请(专利权)人：浙江农林大学，
类型：发明
国别省市：