【技术实现步骤摘要】
本专利技术涉及遥感监测领域，具体涉及一种甘蔗识别方法。
技术介绍
1、甘蔗是世界上重要的糖类作物之一，约占全球食糖产量的80％左右。岭南地区地处热带及亚热带地区，有着种植甘蔗天然的优势。其中广东2022年播种面积220.79万亩，总产量1292.05万吨。随着国内外对甘蔗需求的逐渐增大，甘蔗的生产对经济效益不断的提高，促使了岭南地区对发展经济作物甘蔗的积极性，因此对经济作物甘蔗的监测对提高农民收入以及稳定农业生产等有着重要的作用。
2、随着遥感技术的发展，目前快速获取耕地内种植信息的方法转变为通过识别遥感卫星影像中耕地的范围，再利用各种分类算法对耕地进行分类，该方法改变了传统的作业模式，可以快速提取耕地内信息。但是由于岭南地区耕地种植结构破碎，气候多云多雨多雾，导致遥感技术在识别岭南地区甘蔗存在困难。yolov8(you only look once)模型以其高效的单步检测方式著称，可以实现物体的实时快速检测，端到端的训练方式简化了训练和推理流程，使用单一网络结构同时进行特征提取和检测，提高了模型的简洁性和效率，且能达到较高的检测精度。但是由于yolov8模型在影像上进行粗略网格划分进行检测，在小物体的定位上精度可能偏低，且容易出现检测框偏移情况，而在物体密集的场景中，yolov8的检测性能可能会出现重叠框或漏检的情况。u-net模型擅长对地物进行精细化分割，能够精确地分割出目标物体的边界，对于小体量数据集也能进行有效训练，具备良好的泛化能力，但是u-net网络由于含有大量的卷积操作和特征图融合，对硬件条件要求较高、
技术实现思路
1、本专利技术的目的在于克服上述现有技术的不足，提供一种甘蔗识别方法，以实现对甘蔗现状和变化的快速、精准监测。
2、为实现上述目的，本专利技术的技术方案是：
3、一种甘蔗识别方法，包括：
4、获取待识别区域的遥感影像并输入至甘蔗识别模型中，所述甘蔗识别模型输出甘蔗空间分布监测识别结果；
5、所述甘蔗识别模型由甘蔗识别yolov8模型和甘蔗识别u-net模型耦合而成；所述甘蔗识别yolov8模型用于检测识别甘蔗种植粗边界；所述甘蔗识别u-net模型用于在甘蔗种植粗边界的基础上进行第二次识别，以识别提取甘蔗精细边界。
6、优选地，所述甘蔗识别yolov8模型通过如下方式训练而成：
7、获取含有甘蔗的遥感影像，对含有甘蔗的遥感影像进行几何校正与正射校正，提取样本图斑并进行分类，形成矢量样本库；
8、按设定的尺寸对矢量样本分别进行分割，以形成训练样本对，部分训练样本作为训练样本数据集
9、将训练样本数据集输入至原始yolov8模型中进行训练，以训练得到甘蔗识别yolov8模型。
10、优选地，使用甘蔗识别yolov8模型对甘蔗种植地影像进行检测，得到甘蔗地的粗边界结果框样本数据。
11、优选地，所述将训练样本数据集输入至原始yolov8模型中进行训练过程中使用反转、平移、旋转、倾斜、缩放5种数据增强方式扩充训练样本。
12、优选地，所述甘蔗识别u-net模型通过如下方式训练得到：
13、对所得到的甘蔗地的粗边界结果框样本数据进行地理编码，从训练样本对中裁剪出对应区域，生成甘蔗识别专用独立训练样本对
14、将作物精细边界样本输入至改进u-net模型中进行训练，以得到训练好的作物分类u-net模型；所述作物精细边界样本包括甘蔗作物精细边界样本以及非甘蔗农作物精细边界样本；
15、对所述蔗识别专用独立训练样本对进行数据增强，并输入已经训练好的作物分类u-net模型中训练多个轮次，以得到甘蔗识别u-net模型。
16、优选地，所述甘蔗识别u-net模型的网络结构包括编码器、解码器以及连接跳跃连接；所述跳跃连接用于将编码器每层的输出特征图传递到解码器对应层，以在解码阶段逐步恢复目标的边界。
17、优选地，所述编码器包括卷积层和池化层，每个卷积层包括两个3x3卷积，紧跟relu激活函数，用以提取空间特征，池化使用2x2的最大池化。
18、优选地，所述解码器包括上采样层和卷积层，上采样层增加特征图的空间维度，逐步恢复到输入图像的大小，卷积层包含两个3x3卷积，用于细化特征。
19、优选地，在每次跳跃连接之前，使用2x2、3x3和4x4的卷积核对编码器部分的高分辨率特征进行不同尺度的特征提取，再将这些不同尺度的特征拼接在一起，形成融合了多尺度信息的特征图
20、优选地，在训练得到甘蔗识别u-net模型的过程中：
21、对输入的训练样本图像应用canny边缘检测算法及二值化处理，生成二值真实边缘图像，其中边缘像素的值为1，非边缘像素的值为0，记为gedge；
22、所输入的训练样本图像经过多层卷积操作后，得到输出的分割结果，对此输出结果也进行canny边缘检测及二值化处理；生成一个与真实边缘图类似的预测边缘图，记为pedge；
23、计算真实边缘图和边缘预测图的交集与并集，来度量它们的重叠程度；边缘损失函数具体公式如下：
24、
25、其中分子∑igedge,ipedge,i表示真实边缘图和预测边缘图在每个像素上的交集，分母∑igedge,i+∑ipedge,i表示两个边缘图的像素总和；
26、最后将ledge与主分割损失函数lseg结合作为模型训练的最终损失函数，以λ系数控制边界损失的权重：
27、ltotal＝lseg+λledge
28、本专利技术与现有技术相比，其有益效果在于：
29、本专利技术使用甘蔗识别yolov8提取甘蔗结果框，实现甘蔗粗边界提取；再使用甘蔗识别u-net模型精确识别甘蔗种植地精细边界，实现对甘蔗现状和变化的快速、精准监测，从而实现高标准农田范围内糖料作物的监测需求，为农业保护管理工作提供数据支撑。
本文档来自技高网...【技术保护点】
1.一种甘蔗识别方法，其特征在于，包括：
2.如权利要求1所述的甘蔗识别方法，其特征在于，所述甘蔗识别YOLOv8模型通过如下方式训练而成：
3.如权利要求1或2所述的甘蔗识别方法，其特征在于，使用所述甘蔗识别YOLOv8模型对甘蔗种植地影像进行检测，得到甘蔗地的粗边界结果框样本数据。
4.如权利要求2所述的甘蔗识别方法，其特征在于，所述将训练样本数据集输入至原始YOLOv8模型中进行训练过程中使用反转、平移、旋转、倾斜、缩放5种数据增强方式扩充训练样本。
5.如权利要求3所述的甘蔗识别方法，其特征在于，所述甘蔗识别U-Net模型通过如下方式训练得到：
6.如权利要求1或5所述的甘蔗识别方法，其特征在于，所述甘蔗识别U-Net模型的网络结构包括编码器、解码器以及连接跳跃连接；所述跳跃连接用于将编码器每层的输出特征图传递到解码器对应层，以在解码阶段逐步恢复目标的边界。
7.如权利要求6所述的甘蔗识别方法，其特征在于，所述编码器包括卷积层和池化层，每个卷积层包括两个3x3卷积，紧跟ReLU激活函数，用以提取空间特
8.如权利要求6所述的甘蔗识别方法，其特征在于，所述解码器包括上采样层和卷积层，上采样层增加特征图的空间维度，逐步恢复到输入图像的大小，卷积层包含两个3x3卷积，用于细化特征。
9.如权利要求6所述的甘蔗识别方法，其特征在于，在每次跳跃连接之前，使用2x2、3x3和4x4的卷积核对编码器部分的高分辨率特征进行不同尺度的特征提取，再将这些不同尺度的特征拼接在一起，形成融合了多尺度信息的特征图
10.如权利要求5所述的甘蔗识别方法，其特征在于，在训练得到甘蔗识别U-Net模型的过程中：
...【技术特征摘要】
1.一种甘蔗识别方法，其特征在于，包括：
2.如权利要求1所述的甘蔗识别方法，其特征在于，所述甘蔗识别yolov8模型通过如下方式训练而成：
3.如权利要求1或2所述的甘蔗识别方法，其特征在于，使用所述甘蔗识别yolov8模型对甘蔗种植地影像进行检测，得到甘蔗地的粗边界结果框样本数据。
4.如权利要求2所述的甘蔗识别方法，其特征在于，所述将训练样本数据集输入至原始yolov8模型中进行训练过程中使用反转、平移、旋转、倾斜、缩放5种数据增强方式扩充训练样本。
5.如权利要求3所述的甘蔗识别方法，其特征在于，所述甘蔗识别u-net模型通过如下方式训练得到：
6.如权利要求1或5所述的甘蔗识别方法，其特征在于，所述甘蔗识别u-net模型的网络结构包括编码器、解码器以及连接跳跃连接；所述跳跃连接用于将编码器每层的...
【专利技术属性】
技术研发人员：许伟杰，宋肖峰，汪嘉霖，郭梓威，石晓春，朱紫阳，郑华健，常中兵，李炘妍，欧先萍，王思敏，王荣浩，
申请(专利权)人：广东省国土资源测绘院，
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。