一种基于多深度模型集成学习的棉花苗识别方法与流程

1.本发明涉及深度学习目标识别领域，具体而言，涉及一种基于多深度模型集成学习的棉花苗识别方法。


背景技术：

2.棉花出苗数量和质量是棉花生长发育和产量形成的基础，同时也是棉花生长发育后期田间机械化调控管理的关键因素。棉花苗准确识别提取后可及时进行补苗以保证成苗数量，同时提高棉田因苗管理效率，进而实现经济效益最大化，促进农业增产增收。
3.传统的棉花苗情调查监测往往采用人工的方式，主要通过田间手工记录、纸质数据上报、人工统计汇总等方式进行，存在调查工作量大、周期长、财力物力耗费高、数据难以做进一步深入分析处理等诸多缺陷，且由于调查人员业务水平各不相同，难以做到统一、规范地收集和处理信息。面对更高分辨率的无人机遥感影像，如何有效提高作物识别准确度和普适性，成为了无人机遥感在精准农业应用中的新挑战。作物苗识别提取存在影像数据大、模型精度差、普适性弱、应用时效慢等弊端。卫星遥感影像易受到影像时空分辨率、获取成本、大气效应等因素的影响，无法识别精细尺度下的农作物空间特征，且影像受卫星重访周期的限制，可能无法及时地获取特定区域的遥感影像，进而导致遥感影像的数据处理受到诸多限制，难以满足实际应用需求。


技术实现要素：

4.本发明的目的在于提供一种基于多深度模型集成学习的棉花苗识别方法，其能够实现对棉花苗的高精度、大面积、快速自动化监测识别。
5.本发明是这样实现的：
6.第一方面，本技术提供一种基于多深度模型集成学习的棉花苗识别方法，包括以下步骤：
7.s1、使用无人机采集棉花苗影像；
8.s2、对棉花苗影像进行图像处理，得到棉花苗数据集；
9.s3、构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；
10.s4、搭建云环境，将最佳深度学习模型配置在云环境上；
11.s5、使用云环境下的最佳深度学习模型进行棉花苗识别。
12.基于第一方面，上述步骤s1中所述无人机包括parrotsequoia传感器。
13.进一步的，上述步骤s2中的图像处理包括通过pix4dmapper对棉花苗影像进行拼接、校正，得到高分辨率的无人机遥感影像，即棉花苗数据集。
14.进一步的，上述步骤s3包括以下步骤：
15.s3-1、将棉花苗数据集分为训练集和测试集；
16.s3-2、使用训练集分别对u-net模型、resnet模型、vgg模型、googlenet模型进行训练；
17.s3-3、对训练后的u-net模型、训练后的resnet模型、训练后的vgg模型、训练后的googlenet模型的参数进行调整，分别得到最优模型；
18.s3-4、根据测试集分别使用最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型得到预测结果；
19.s3-5、使用硬投票的方法对各个预测结果进行表决，得到分类结果；
20.s3-6、根据分类结果和最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型得到最佳深度学习模型。
21.进一步的，上述步骤s3-5包括以下子步骤：
22.s3-5-1、分别获取最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型的预测结果；
23.s3-5-2、统计测试集为棉花苗的预测结果的数量和测试集不为棉花苗的预测结果的数量，将数量最多的预测结果作为分类结果。
24.进一步的，上述云环境使用enviservicesengine云端。
25.第二方面，本技术提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器；当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项所述的方法。
26.相对于现有技术，本发明至少具有如下优点或有益效果：
27.本发明提出了一种基于多深度模型集成学习的棉花苗识别方法，使用深度学习数据处理技术，有效地提高了作物分类识别精度；构建多个模型以集成方式完成分类识别任务，实现各模型之间的优势互补，获得比单一模型更高的精度，还能减少模型训练对所需数据的依赖程度发挥各深度学习模型的性能优势；使用云计算平台解决了影像数据量大、模型训练时间长、实际应用时效性差的弊端，协同深度学习与云计算，充分发挥二者优势，可以实现对棉花苗的高精度、大面积、快速自动化监测识别。
附图说明
28.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
29.图1为本发明流程图；
30.图2为本发明技术流程图；
31.图3为本发明得到最佳深度学习模型的具体流程图；
32.图4为本发明实施例提供的研究区示意图；
33.图5为本发明实施例提供的一种电子设备的结构框图。
34.图标：101、存储器；102、处理器；103、通信接口。
具体实施方式
35.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
36.实施例
37.如图4所示，研究区主要位于新疆生产建设兵团第八师石河子市垦区，该区位于天山北麓中段，古尔班通古特沙漠南缘，其地势平坦，平均海拔高度450.8m，属于典型的温带大陆性气候，平均气温在6.5～7.2℃之间，年降水量在125.0～207.7mm之间，无霜期168～171d，日照充沛，年日照时数为2721～2818h。研究区的生态气候条件独特，耕地平整连片，条田建设规范，农作物种植的规模化和机械化水平较高，较为适宜开展无人机遥感监测和精准农业。无人机遥感影像采集于5月上旬棉花出苗后进行，选择无云晴朗的天气。
38.请参阅图1和图2，该一种基于多深度模型集成学习的棉花苗识别方法包括以下步骤：
39.s1、使用无人机采集棉花苗影像；
40.步骤s1中所述无人机包括parrotsequoia传感器。
41.示范性地，本发明选用ebeesq无人机作为飞行平台，搭载parrot sequoia传感器。ebeesq无人机能够顺利地在丘陵、山区、树林等地势复杂或障碍物密集的区域开展工作，极大地提高了无人机的应用范围。parrot sequoia传感器为五通道相机，包括可见光rgb图像和绿光、红光、红边、近红外单通道波段，其中rgb分辨率为1600万，单波段分辨率为120万，能够准确的采集研究区的遥感图像。根据无人机不同飞行高度、不同时相影像对棉花苗提取精度的影响，确定无人机航拍的最佳飞行高度和采集时间，初步建立无人机遥感影像数据采集标准，规范化无人机影像棉花苗提取流程。
42.s2、对棉花苗影像进行图像处理，得到棉花苗数据集；
43.步骤s2中的图像处理包括通过pix4dmapper对棉花苗影像进行拼接、校正，得到高分辨率的无人机遥感影像，即棉花苗数据集。
44.示范性地，航片通过pix4dmapper软件进行快速拼接和正射校正，处理后影像以tiff格式存储，每个通道包含8bit信息，空间分辨率为2.5cm，投影方式wgs_1984_utm_zone_45n。pix4dmapper软件进行快速拼接和正射校正，得到更准确的无人机遥感影像，有利于提高识别精度。
45.s3、构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；
46.如图3所示，步骤s3包括以下步骤：
47.s3-1、将棉花苗数据集分为训练集和测试集；
48.示范性地，训练集一般用于训练模型，测试集一般用于对训练好的模型进行测试。训练集和测试集同时使用棉花苗数据，可以有效控制棉花苗识别的精度，减少模型识别时的参数的调整次数，能够取得更好的识别效果。
49.s3-2、使用训练集分别对u-net模型、resnet模型、vgg模型、googlenet模型进行训练；
50.示范性地，深度学习可以通过组织多层神经元从大量数据中自动学习特征，深入挖掘数据潜在信息，在分类准确度和计算效率方面有着明显的优势。目标检测是在给定的图片中精确找到物体所在位置，并标注出物体的类别。u-net模型、resnet模型、vgg模型、googlenet模型为深度学习目标检测网络，每个模型有不同的结构和参数设置，根据识别棉花苗不同的特征来进行目标检测。
51.s3-3、对训练后的u-net模型、训练后的resnet模型、训练后的vgg模型、训练后的googlenet模型的参数进行调整，分别得到最优模型；
52.示范性地，针对模型的参数的不断调试直接关系到棉花苗提取的质量和精度，将模型调整到最优模型，可以更加准确的对棉花苗进行识别。
53.s3-4、根据测试集分别使用最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型得到预测结果；
54.示范性地，使用调整参数后得到的最优模型对测试集进行识别，可以防止直接使用棉花苗数据集进行训练和测试导致的测试结果不准确，分为训练集和测试集可以避免同一数据集重复使用无法准确的测试出模型的效果的问题。
55.s3-5、使用硬投票的方法对各个预测结果进行表决，得到分类结果；
56.步骤s3-5包括以下子步骤：
57.s3-5-1、分别获取最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型的预测结果；
58.示范性地，如图2所示，样本数据可以为进行影像拼接，处理后的数据，也可以为历史数据，样本数据的作用和用无人机采集棉花苗影像的作用类似，根据预测结果对模型进行精度评价，根据精度进进行模型的选择，充分发挥各深度学习模型的性能优势，进而完成模型分类任务。
59.s3-5-2、统计测试集为棉花苗的预测结果的数量和测试集不为棉花苗的预测结果的数量，将数量最多的预测结果作为分类结果。
60.示范性地，通过构建多个模型以投票方式完成分类识别任务，其中，不同的模型之间独立且不相似，不仅能够实现各模型之间的优势互补，获得比单一模型更高的精度，还能减少模型训练对所需数据的依赖程度。将模型的预测结果进行多数表决，取得得票最高的类别作为最终分类结果，投票可以通过去掉误差来提高模型的稳健性。
61.s3-6、根据分类结果和最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型得到最佳深度学习模型。
62.示范性地，本发明使用了4个深度学习模型，将4个不同的深度学习模型进行组合，通过综合深度学习模型的预测结果，获得更优的性能，在实际操作中，可以选择多个不同的深度学习模型进行预测，根据预测结果对深度学习模型进行集成，丢弃预测结果不准确的模型，有利于降低系统损耗并提高最佳深度学习模型的识别精度。
63.s4、搭建云环境，将最佳深度学习模型配置在云环境上；
64.云环境使用enviservicesengine云端。
65.s5、使用云环境下的最佳深度学习模型进行棉花苗识别。
66.示范性地，搭建云平台和部署深度学习模型是实现棉花苗高效、自动化提取的重要环节。本发明中的envi为ese提供的遥感图像处理能力作为服务，支持在线、按需遥感图
像应用。用户可以通过各种终端(如桌面端、移动端、网页端等)按需获取并充分利用遥感图像提取的信息。将训练后的深度学习模型部署到enviservicesengine云端，即可实现大面积、快速自动化的棉花苗提取。借助云平台强大的计算能力，将构建的最佳深度学习模型部署在云端，提高模型检测效率，消除无人机遥感影像数据量庞大、深度学习模型训练分类时间过长的弊端，实现对无人机遥感影像大面积、自动化、快速化棉花苗提取，花苗准确识别提取后可及时进行补苗以保证成苗数量，同时提高棉田因苗管理效率，进而实现经济效益最大化，促进农业增产增收。
67.请参阅图5，图5为本发明实施例提供的一种电子设备的结构框图。该电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本技术实施例所提供的一种基于多深度模型集成学习的棉花苗识别方法对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
68.其中，存储器101可以是但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。
69.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(application specificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
70.可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
71.综上所述，本技术实施例提供的一种基于多深度模型集成学习的棉花苗识别方法，使用深度学习数据处理技术，有效地提高了作物分类识别精度；构建多个模型以集成方式完成分类识别任务，实现各模型之间的优势互补，获得比单一模型更高的精度，还能减少模型训练对所需数据的依赖程度发挥各深度学习模型的性能优势；使用云计算平台解决了影像数据量大、模型训练时间长、实际应用时效性差的弊端，协同深度学习与云计算，充分发挥二者优势，可以实现对棉花苗的高精度、大面积、快速自动化监测识别。
72.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，包括以下步骤：s1、使用无人机采集棉花苗影像；s2、对棉花苗影像进行图像处理，得到棉花苗数据集；s3、构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；s4、搭建云环境，将最佳深度学习模型配置在云环境上；s5、使用云环境下的最佳深度学习模型进行棉花苗识别。2.如权利要求1所述的一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，步骤s1中所述无人机包括parrotsequoia传感器。3.如权利要求1所述的一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，步骤s2中的图像处理包括通过pix4dmapper对棉花苗影像进行拼接、校正，得到高分辨率的无人机遥感影像，即棉花苗数据集。4.如权利要求1所述一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，步骤s3包括以下步骤：s3-1、将棉花苗数据集分为训练集和测试集；s3-2、使用训练集分别对u-net模型、resnet模型、vgg模型、googlenet模型进行训练；s3-3、对训练后的u-net模型、训练后的resnet模型、训练后的vgg模型、训练后的googlenet模型的参数进行调整，分别得到最优模型；s3-4、根据测试集分别使用最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型得到预测结果；s3-5、使用硬投票的方法对各个预测结果进行表决，得到分类结果；s3-6、根据分类结果和最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型得到最佳深度学习模型。5.如权利要求4所述的一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，步骤s3-5包括以下子步骤：s3-5-1、分别获取最优的u-net模型、最优的resnet模型、最优的vgg模型和最优的googlenet模型的预测结果；s3-5-2、统计测试集为棉花苗的预测结果的数量和测试集不为棉花苗的预测结果的数量，将数量最多的预测结果作为分类结果。6.如权利要求1所述的一种基于多深度模型集成学习的棉花苗识别方法，其特征在于，所述云环境使用enviservicesengine云端。7.一种电子设备，其特征在于，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。

技术总结
本发明提出了一种基于多深度模型集成学习的棉花苗识别方法，涉及深度学习目标识别领域。一种基于多深度模型集成学习的棉花苗识别方法，包括以下步骤：使用无人机采集棉花苗影像；对棉花苗影像进行图像处理，得到棉花苗数据集；构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；搭建云环境，将最佳深度学习模型配置在云环境上；使用云环境下的最佳深度学习模型进行棉花苗识别。本发明使用深度学习数据处理技术，有效地提高了作物分类识别精度，使用云计算平台解决了影像数据量大、模型训练时间长、实际应用时效性差的弊端，协同深度学习与云计算，充分发挥二者优势，可以实现对棉花苗的高精度、大面积、快速自动化监测识别。监测识别。监测识别。


技术研发人员：金梦婷 徐权 韩风 郭俊杰 张云飞
受保护的技术使用者：中国地质调查局乌鲁木齐自然资源综合调查中心
技术研发日：2023.06.01
技术公布日：2023/8/4