秸秆类型识别方法、装置、电子设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965954A(43)申请公布日2023.04.14(21)申请号202310251813.7G06V20/70(2022.01)(22)申请日2023.03.16(71)申请人北京市农林科学院信息技术研究中心地址100097北京市海淀区曙光花园中路11号农科大厦A座1107(72)发明人周静平顾晓鹤潘瑜春(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师李文清(51)Int.Cl.G06V20/60(2022.01)G06V10/774(2022.01)G06V10/80(2022.01)G06V20/17(2022.01)权利要求书2页说明书12页附图3页(54)发明名称秸秆类型识别方法、装置、电子设备及存储介质(57)摘要本发明提供一种秸秆类型识别方法、装置、电子设备及存储介质，涉及农业信息技术领域，该方法包括：获取待识别多光谱影像；将待识别多光谱影像输入秸秆类型识别模型，获取秸秆类型识别模型输出的秸秆类型识别结果；其中，秸秆类型识别模型是以样本影像为样本，以样本影像的秸秆类型识别结果为样本标签，进行训练后得到的；样本影像是基于原始样本影像红光波段、红边波段和近红外波段的光谱信息生成的。本发明提供的秸秆类型识别方法、装置、电子设备及存储介质，能提高秸秆类型识别的智能化水平和自动化水平，能提高秸秆类型识别的识别准确率和识别效率，能为秸秆资源的高效管理利用以及秸秆焚烧的防控等提供数据支撑。CN115965954ACN115965954A权利要求书1/2页1.一种秸秆类型识别方法，其特征在于，包括：获取待识别多光谱影像；将所述待识别多光谱影像输入秸秆类型识别模型，获取所述秸秆类型识别模型输出的秸秆类型识别结果；其中，所述秸秆类型识别模型是以样本影像为样本，以所述样本影像的秸秆类型识别结果为样本标签，进行训练后得到的；所述样本影像是基于原始样本影像红光波段、红边波段和近红外波段的光谱信息生成的；所述原始样本影像中包含秸秆。2.根据权利要求1所述的秸秆类型识别方法，其特征在于，所述秸秆类型识别模型基于如下步骤训练得到：获取原始样本影像；基于所述原始样本影像红边波段的光谱信息，生成所述原始样本影像对应的红边影像，基于所述原始样本影像近红外波段的光谱信息，生成所述原始样本影像对应的红外影像，基于所述原始样本影像红光波段和近红外波段的光谱信息，生成所述原始样本影像对应的叠积近红秸秆指数影像；融合所述红边影像、所述红外影像和所述叠积近红秸秆指数影像，获得融合影像；基于所述融合影像，获取所述样本影像和所述样本影像的秸秆类型识别结果；以所述样本影像为样本，以所述样本影像的秸秆类型识别结果为样本标签，对初始模型进行训练，获得所述秸秆类型识别模型。3.根据权利要求2所述的秸秆类型识别方法，其特征在于，所述基于所述融合影像，获取所述样本影像和所述样本影像的秸秆类型识别结果，包括：在所述融合影像中确定每一秸秆类型对应的区域；将所述融合影像裁剪为多个融合子影像；基于每一所述区域，确定每一所述融合子影像对应的秸秆类型；将仅对应一种秸秆类型的融合子影像确定为所述样本影像，并将所述样本影像对应的秸秆类型确定为所述样本影像的秸秆类型识别结果。4.根据权利要求2所述的秸秆类型识别方法，其特征在于，所述获取原始样本影像，包括：利用无人机获取样本区域的多光谱影像；对所述多光谱影像进行图像处理，获得所述原始样本影像；其中，所述图像处理包括异常影像剔除、影像拼接、波段组合以及影像裁剪中的至少一种；所述波段组合包括单波段分离和各单波段组合。5.根据权利要求2所述的秸秆类型识别方法，其特征在于，所述初始模型是基于ResNet‑50深度学习分类算法构建的。6.根据权利要求1至5任一所述的秸秆类型识别方法，其特征在于，所述将所述待识别多光谱影像输入秸秆类型识别模型，获取所述秸秆类型识别模型输出的秸秆类型识别结果，包括：将所述待识别多光谱影像输入所述秸秆类型识别模型，由所述秸秆类型识别模型对待识别多光谱影像进行秸秆类型识别，并基于每一秸秆类型对应的颜色以及所述待识别多光谱影像中每一像元对应的秸秆类型，为每一所述像元标注颜色，获得秸秆类型分布图作为2CN115965954A权利要求书2/2页所述秸秆类型识别结果。7.根据权利要求6所述的秸秆类型识别方法，其特征在于，所述获取所述秸秆类型识别模型输出的秸秆类型识别结果之后，所述方法还包括：编辑所述秸秆类型分布图，在所述秸秆类型分布图中添加标识信息，获得秸秆类型分布遥感监测专题图；其中，所述标识信息包括图名、图例、指北针、比例尺以及导出参数中的至少一种。8.一种秸秆类型识别装置，其特征在于，包括：影像获取模块，用于获取待识别多光谱影像；类型识别模块，