【技术实现步骤摘要】
本专利技术涉及深度学习目标检测，具体是一种用深度学习技术对无人机高分辨率影像中农业地膜进行检测的技术。
技术介绍
1、在农业领域，废弃地膜的智能检测对于环境保护和农业可持续发展具有重要意义。由于废弃地膜在自然环境中的降解速度极慢，残留在土壤中的地膜会对土壤结构和作物生长造成不利影响，进而会对生态平衡和农业生产产生影响。传统的检测方法主要依赖于人工巡查，但这种方法无法实现大规模应用且效率低下。人工检测不仅耗时费力，且由于人眼的主观性和环境条件的限制，检测结果的准确性和一致性难以保证。
2、随着无人机技术的发展和深度学习技术的进步，利用无人机获取高分辨率的农田影像，并结合深度学习算法进行智能检测，成为解决废弃地膜检测问题的有效途径。然而使用深度学习的方法对废弃地膜检测方法可能会存在以下问题：
3、1.在实际的农田影像中，废弃地膜(正样本)与背景(负样本)的数量存在显著差异，导致模型训练样本类别出现不平衡的问题，从而影响模型训练效果。
4、2.农业废弃地膜通常尺寸较小，且与农田背景的对比度不高，为小目标的检测带来了挑战，精确地从高分辨率遥感影像中定位废弃地膜的位置，需要进一步研究。
5、针对上述问题，本专利技术基于dino模型，引入特征金字塔网络(fpn)以捕获多尺度特征、采用retinanet检测头以提高检测精度并利用k-means聚类确定锚框尺寸等技术，搭建了一种从无人机高分辨率遥感影像中检测农业废弃地膜的dino-hresnet(highresolution)模型，该模型能够较好地
技术实现思路
1、本专利技术的目的在于提供一种基于无人机遥感影像的农业废弃地膜智能检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于无人机遥感影像的农业废弃地膜智能检测方法，包含以下步骤：
4、步骤1、农业废弃地膜图像数据采集与预处理；
5、步骤2、改进dino-hresnet模型的构建；
6、步骤3、基于dino-hresnet模型的训练；
7、步骤4、dino-hresnet模型的预测与检测结果可视化。
8、作为本专利技术的进一步方案：所述步骤1数据采集具体过程为：首先，作业人员需对农田区域进行全面的环境勘查。通过收集周边地形和地貌的详细信息，为无人机的起飞点选择、降落区域设定以及航拍航线的规划提供必要的前期准备。接着是对无人机的航线以及飞行参数进行设定，规划无人机的飞行航线，确保全面覆盖目标区域，再设定无人机的飞行高度、拍摄角度、航拍速度以及图像采集频率。最后在飞行的过程中，操作人员通过地面站实时的监控无人机捕获的图像，并在飞行结束后实现数据同步。
9、作为本专利技术的进一步方案，所述步骤1数据预处理具体的处理步骤包括：首先应用边缘检测算法突出农业地膜边缘的特征，接着应用直方图均衡化的方法调整图像的对比度和亮度，用以增强图像中地膜与背景的区分度。
10、作为本专利技术的进一步方案，数据预处理的边缘检测算法选择laplacian算子，它是一种具有旋转不变性的各向同性的二阶微分算子。该算子不适合处理噪声强度较大的图像，因此需要先应用低通滤波去除图像噪声。高斯低通滤波器的数学表达式如下：
11、
12、g(x,y)表示高斯函数，σ是高斯核的标准差，(x,y)表示图像空间中的坐标。在离散形式中，对于图像中的每个像素i(i,j)，m和n是整数，表示高斯核中心相对于当前处理像素i(i,j)在水平和垂直方向上的偏移量，经过高斯低通滤波后的值i'(i,j)可以通过以下方式计算：
13、
14、其中，求和是在整个图像空间上进行的，但在应用中通常只考虑高斯核周围的一个小范围内，因为远处的值对中心点的影响非常小。由于高斯滤波器在空间域的平滑处理，在一定程度上保留了图像的边缘信息，使得地膜的纹理特征更加明显。
15、对处理后的图像应用图像函数的laplacian算子，其中是函数f(x,y)相对于x的二阶偏导数，是函数f(x,y)相较于y的偏导数，laplacian算子即图像函数f(x,y)的二阶偏导数之和，其定义为：
16、
17、其中，适用于数字图像处理的离散形式的表达方式为：
18、
19、由上式生成的laplacian算子分为四领域算子s，四领域算子及对中心像素的四个方向求梯度，这是一个3×3的卷积核，用于计算laplacian算子的值：
20、
21、当本身及邻域内像素灰度值相同时，laplacian算子处理之后的运算结果为零，当该像素点本身的灰度值高于其邻域内像素点的灰度均值时，其运算结果为正数，反之则为负数。因此我们可以通过正峰和负峰之间的过零点来确定图像的边缘点。
22、作为本专利技术的进一步方案，数据预处理的直方图均衡化技术，具体步骤如下：
23、首先计算原始图像的灰度直方图，统计每个灰度级在图像中出现的次数h(rk)，rk表示图像中的第k个灰度等级，k∈{0,1,...,l-1}，其中n是图像中的像素总数，l是灰度级的最大数量，k，j为变量，归一化直方图p(rk)的计算表示为：
24、
25、接着对直方图进行累加，得到累计分布函数(cdf)，每个灰度级的cdf值表示该灰度级及以下所有灰度级的累计概率，累计分布函数c(rk)表示为：
26、
27、再构造并应用新的灰度级映射，根据归一化的cdf值，构造新的灰度级映射表，新的灰度级映射表将原始灰度级映射到新的灰度级上，rk表示均衡化后的第k个灰度级。新的灰度级映射sk表示为：
28、sk＝(l-1)·c(rk)
29、将原始图像的每个像素灰度值替换为新的灰度级映射表中的值，得到均衡化后的图像。最后对无人机获取的农业废弃地膜的高分辨率影像数据进行预处理后，再将其裁切，构建数据集，并划分为训练集、预测集和验证集，以便后续进行模型的训练和性能评估。
30、作为本专利技术的进一步方案：所述步骤2对于dino模型的改进包含引入fpn和retinanet的检测头以及选择k-means聚类的方法来确定锚框的最佳尺寸和比例。通过这些改进得到一个从无人机高分辨率遥感影像中进行小目标检测的dino-hresnet模型。
31、作为本专利技术的进一步方案，为了整合不同层级的特征信息，提高小目标检测的准确性，本专利技术首先在dino模型中引入fpn，具体过程如下：
32、dino模型通过其主干网络的编码器提取图像的多尺度特征，接着在dino模型的编码器与解码器之间构建特征金字塔结构，该结构由不同分辨率的特征层组成，每个层级对应于不同大小的目标。通过特征fpn，能将低层和高层的特征进行融合。最本文档来自技高网...
【技术保护点】
1.一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，步骤1所述的数据采集具体过程为：首先，作业人员对农田区域进行全面的环境勘查，收集周边地形和地貌的详细信息；接着设定无人机的飞行高度、拍摄角度、航拍速度以及图像采集频率；最后，操作人员通过地面站实时的监控无人机捕获的图像，并在飞行结束后实现数据同步。
3.根据权利要求1所述一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，所述步骤1中预处理步骤包括，首先应用边缘检测算法突出农业地膜边缘的特征，接着应用直方图均衡化的方法调整图像的对比度和亮度，以增强图像中地膜与背景的区分度；
4.根据权利要求1所述一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，步骤2对于DINO模型的改进包括引入FPN和RetinaNet的检测头以及选择k-means聚类的方法来确定锚框的最佳尺寸和比例；
5.根据权利要求1所述一种基于无人机遥感影像的农业废弃地膜智能检测方法，其
6.根据权利要求1所述一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，在步骤4中，通过使用训练好的DINO-HResNet模型在测试集上的评估，进行预测和结果可视化，并采用评价指标来衡量其性能，进而通过可视化实现结果的直观展示。
...【技术特征摘要】
1.一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，步骤1所述的数据采集具体过程为：首先，作业人员对农田区域进行全面的环境勘查，收集周边地形和地貌的详细信息；接着设定无人机的飞行高度、拍摄角度、航拍速度以及图像采集频率；最后，操作人员通过地面站实时的监控无人机捕获的图像，并在飞行结束后实现数据同步。
3.根据权利要求1所述一种基于无人机遥感影像的农业废弃地膜智能检测方法，其特征在于，所述步骤1中预处理步骤包括，首先应用边缘检测算法突出农业地膜边缘的特征，接着应用直方图均衡化的方法调整图像的对比度和亮度，以增强图像中地膜与背...
【专利技术属性】
技术研发人员：王靖，张晨，车耀伟，江岭，赵明伟，陈西，林天文，
申请(专利权)人：滁州学院，
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。