摘 要: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。
技术要点
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。
6.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:
获取样本全景图像;
对所述样本全景图像进行图像数据增强处理,得到处理后的图像,所述训练数据包括处理后的图像以及所述样本全景图像对应的标注结果,所述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。
7.一种亚麻倒伏面积的检测装置,其特征在于,包括:
获取模块,用于获取待检测区域的全景图像;
预测模块,用于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;
确定模块,用于根据所述像素类别,确定所述待检测区域的亚麻倒伏面积。
8.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机程序;
所述处理器执行所述计算机程序,以实现如权利要求1至6中任一项所述的亚麻倒伏面积的检测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被执行时,实现如权利要求1至6中任一项所述的亚麻倒伏面积的检测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1至6中任一项所述的亚麻倒伏面积的检测方法。
技术领域
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。
背景技术
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。
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。
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。
发明内容
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。
第一方面,本申请提供一种亚麻倒伏面积的检测方法,包括:
获取待检测区域的全景图像;
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;
根据像素类别,确定待检测区域的亚麻倒伏面积。
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:
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。
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:
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。
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。
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。
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:
获取样本全景图像;
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。
第二方面,本申请提供一种亚麻倒伏面积的检测装置,包括:
获取模块,用于获取待检测区域的全景图像;
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;
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。
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。
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。
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。
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。
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:
获取样本全景图像;
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。
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;
存储器存储计算机程序;
存储器存储计算机程序;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。
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。
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。
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
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。
图1为本申请一实施例提供的应用场景示意图;
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;
图3为本申请一实施例提供的FCN的结构示意图;
图4为本申请实施例提供的训练数据生成的流程示意图;
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;
图6为本申请一实施例提供的亚麻倒伏面积的检测装置的结构示意图;
图7为本申请一实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请涉及的亚麻(LinumusitatissimumL.)是亚麻科(Linaceae)亚麻属(Linum)草本植物,种植历史悠久,是人类最早使用的天然纤维植物之一。利用亚麻纤维生产、制作的高档纺织品、服装面料等具有凉爽、吸湿、透气的特点,深受现代人们的喜爱。亚麻也是重要的油料作物,亚麻籽油也称亚麻油。现代科学研究发现,亚麻籽油中含有人体必需的不饱和脂肪酸—α‐亚麻酸,其含量高达53%,α‐亚麻酸具有益智健脑、改善视力,以及降低血脂、降低血糖、降低血黏度、预防心脑血管疾病等多种保健功效,营养价值和经济价值都很高。
但亚麻很容易发生倒伏,因此倒伏也是制约亚麻纤维和种子产量和品质的重要因素。特别是在我国南方地区,在亚麻收获期前降水量大,且伴随刮风,很容易出现大面积倒伏,对亚麻产量影响极大。因此,及时准确的获知亚麻倒伏面积,可为确定受灾面积、及时评估损失提供技术支撑。
在实际大田环境中,针对倒伏程度不同、倒伏区域不均匀、倒伏区域广等特点,传统的人工测量倒伏面积存在随机性强、主观性强等问题,不仅费时费力、效率还低。此外,现有的亚麻倒伏面积检测方法使用的机器视觉技术,多基于传统的机器学习方法,依赖人工构造特征,检测方法鲁棒性和可迁移性弱,且由于图像拍摄方式的多样化(例如卫星数码相机拍摄、遥感影像等)、周围环境的干扰及天气或者地形因素等均会导致图像的质量差异性较大,都会导致传统机器学习算法对特征值无法准确的提取,从而预测结果不够精准。另外,传统机器学习算法过度依赖人工的特征选择,会失去特征之间的关联性和待测数据的大局特征,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。
针对上述技术问题,本申请提供的亚麻倒伏面积的检测方法、装置、设备及存储介质,旨在利用图像语义分割模型使用深度学习方法自动检测亚麻倒伏区域,从而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。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请一实施例提供的应用场景示意图。请参见图1,用户101可以通过例如无人机等图像采集设备102采集待检测区域的鸟瞰图像数据,并通过图像处理设备103根据鸟瞰图像数据得到待检测区域的全景图像,然后,将该全景图像输入到部署有图像语义分割模型的计算设备104中,计算设备通过图像语义分割模型对全景图像进行逐像素级的像素类别预测,输出待检测区域对应的亚麻倒伏面积。
需说明的是,图1所示的应用场景仅为示例说明。其中,图像采集设备、图像处理设备和计算设备中的任意两种或三种可为同一设备,且对各种设备的个数不进行限制,例如,对同一图像采集设备采集得到的鸟瞰图像数据,可通过多个图像处理设备共同处理得到待检测区域的全景图像;或者,对同一全景图像,可通过多个计算设备进行逐像素级的像素类别预测,并分别输出对应待检测区域对应的亚麻倒伏面积,等等,具体需根据实际需求进行设置。
另外,图1中计算设备也仅以计算机为例进行示例说明,该计算设备还可以为蜂窝电话、智能电话、可穿戴设备、膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、服务器集群,等等。
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。
请参见图2,该亚麻倒伏面积的检测方法包括:
S201、获取待检测区域的全景图像。
其中,对于待检测区域,可以理解为待进行亚麻倒伏面积检测的区域。
在本申请实施例中,全景图像可以是在线实时生成的,也可以是预先生成的,例如,预先生成后存储至一存储设备中,在对待检测区域的亚麻倒伏面积进行检测时,执行本申请实施例提供的亚麻倒伏面积的检测方法的执行主体,从该存储设备中读取该全景图像。
至于全景图像的生成方式,本申请实施例不对其进行限制。例如,可以利用无人机或手机拍摄的图像采集方法,采集待检测区域中包含的子区域的鸟瞰图像数据,并拼接各子区域的鸟瞰图像数据生成全景图像。可选地,若全景图像是图像拼接得到的,则S201可以进一步包括: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。其中,图像拼接方法不限,可以使用全景图像拼接软件Hugin或MicrosoftICE软件,也可以基于opencv(计算机视觉领域一个图像和视频处理库)或其他方法或框架实现相关算法。
又例如,也可以使用无人机等图像采集设备自带的全景功能进行全景图像的采集。
S202、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,该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。
其中,图像语义分割是一种基于像素级别对图像进行语义理解和分类的技术,它使用深度学习算法对每一个像素预测类别,实现对图像的精细化分割和理解。图像语义分割可以给机器以语义理解的视觉能力。图像语义分割在自动驾驶、医疗影像分析等领域有重要应用,本申请将其应用在亚麻倒伏面积的检测中。
可选地,常用的图像语义分割模型,例如可以包括:用于语义分割(SemanticSegmentation)的全卷积网络(FullyConvolutionalNetworks,简称FCN),用于生物医学图像分割的卷积网络(ConvolutionalNetworksforBiomedicalImageSegmentation,或称为“U‐Net”),基于深度卷积网络的语义图像分割(SemanticImageSegmentationwithDeepConvolutionalNetworks,或称为“DeepLab”),以及,金字塔场景解析网络(PyramidSceneParsingNetwork,简称PSPNet)等。
示例地,若使用用于语义分割的FCN对全景图像进行预测,以下结合图3所示结构对用于语义分割的FCN的工作流程进行说明:
用于语义分割的FCN的网络结构可以分为两个部分:全卷积部分和反卷积部分。其中,全卷积部分借用经典的分类神经网络模型,例如(VisualGeometryGroupNetwork,VGG)、AlexNet、GoogLeNet,并把经典的分类网络模型最后的全连接层换成卷积,用于提取特征,从而获得一张2维的特征图(featuremap)。
在卷积过程中,卷积操作和池化操作会使特征图的尺寸变小,为了使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生一个类别预测,则需要采用反卷积层对最后一个卷积层输出的特征图进行上采样,通过上采样获得原尺寸的语义分割图像,得到全景图像中各像素的像素类别。
通常情况下,待检测区域可以包含亚麻倒伏区域、亚麻未倒伏区域以及背景区域中的至少一种,其中,背景区域即未种植亚麻的区域。这样,根据待检测区域的实际情况,经过S202得到的像素类别可以包括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。
S203、根据像素类别,确定待检测区域的亚麻倒伏面积。
在S202已得到全景图像中各像素的像素类别的基础上,可根据多种方式确定待检测区域的亚麻倒伏面积。
示例地,一种实现方式中,该步骤可以包括: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。该实现方式中,待检测区域的总面积S是已知的,该待检测区域对应的总像素个数N是已知的,若某一待检测区域对应第一像素类别的像素个数为N1,则该待检测区域的亚麻倒伏面积(亚麻倒伏区域的面积)为N1*S/N。
或者,待检测区域的总面积S是已知的,该待检测区域对应的总像素个数N是已知的,若该待检测区域对应第二像素类别的像素个数为N2,对应第三像素类别的像素个数为N3,根据N=N1+N2+N3,可得到该待检测区域对应第一像素类别的像素个数N1,进而确定该待检测区域的亚麻倒伏面积为N1*S/N。
类似地,还可以确定该待检测区域的亚麻未倒伏面积(亚麻未倒伏区域的面积)和/或背景面积(背景区域的面积)。
或者,还可以理解为:先根据待检测区域的总面积和该待检测区域对应的总像素个数,确定单个像素对应的面积;之后,再将单个像素对应的面积与该待检测区域对应第一像素类别的像素个数相乘,得到该待检测区域的亚麻倒伏面积。
本申请实施例提供的亚麻倒伏面积的检测方法,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自动进行特征提取,实现对全景图像的像素类别进行精细化分割和理解,从而准确确定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,具有更好的鲁棒性,可以适用于更复杂多变的环境,满足更多样的用户需求,例如适应不同的倒伏界限。
在上述实施例的基础上,考虑到全景图像可能存在较大的情况,也就是说,单个电子设备不具备同时处理整个全景图像的算力,和/或,图像语义分割模型不具备处理整个全景图像的能力,此时,可以将全景图像分割为电子设备和图像语义分割模型可处理的图像大小,进行分批次处理。因此,
一些实施例中,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,可以包括:
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,其中,全景图像中各像素的像素类别包括各子图像对应的像素类别。另外,子图像尺寸大小主要由电子设备性能及选择的网络模型决定。例如,在搭载1080Ti显卡的电子设备上,使用用于语义分割的FCN,可以使用512x512的设定大小的子图像。
上述方法实施例是对图像语义分割模型的应用,接下来,通过具体实施例说明如何训练得到图像语义分割模型。
在训练得到图像语义分割模型之前,首先要获得图像语义分割模型对应的训练数据。图4为本申请一实施例提供的训练数据生成的流程示意图。请参见图4,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:
S401、获取样本全景图像。
该步骤中,样本全景图像的获取与S201中待检测区域的全景图像的获取方式类似,此处不作赘述。
之后,对样本全景图像进行图像标注。该步骤可由人工实现。具体地,人工标注出全景图像中的背景区域,亚麻伏倒区域和亚麻未伏倒区域。对应地,设备存储标注结果;或人工作用的设备响应标注操作,存储标注结果。然后,设备利用样本全景图像和该样本全景图像对应的标注结果,训练得到一个可输出如前所述的第一像素类别、第二像素类别和第三像素类别的图像语义分割模型。
示例地,对样本全景图像进行图像标注,例如,可以使用labelme图像语义分割标注工具对全景图像进行标注,标记出亚麻倒伏区域、亚麻未倒伏区域和背景区域。
可选地,为减少需要标注的样本全景图像的数量,可以将加载在通用数据集(例如ImageNet、coco等)上的预训练模型作为模型初始参数。
另外,还可以随机将全景图像随机分割成固定尺寸的子图像,组成训练批次。其中,子图像的尺寸大小、批次大小主要由运行设备性能及选择的网络模型决定。例如,在搭载1080Ti显卡的设备上,使用用于语义分割的FCN,可以使用512x512大小的子图像,每个批次包含16张子图像。
进一步地,还可以通过S402进行图像数据增强处理。
S402、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。
可选地,图像数据增强处理例如包括剪切、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,通过图像数据增强处理的方式可以增加训练数据集的大小。
可选的,训练数据生成可以是在线(online)的,即实时生成数据,不需要存储;也可以是离线(offline)的,即提前生成。其中,在线方式生成训练数据可以减少硬盘存储空间消耗。
本申请实施例通过图像数据增强技术,有效地扩大了训练数据集,使得训练出的图像语义分割模型的预测效果更加准确。
另外,在图像语义分割模型的应用阶段,还可以对图像语义分割模型进行优化。一些实施例中,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。
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。如图5所示,在图2所示流程的基础上,亚麻倒伏面积的检测方法还可以包括以下步骤:
S501、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。
具体地,可视化待检测区域的亚麻倒伏面积,以人工确认待检测区域的亚麻倒伏面积是否准确。
若是,即相关人员认为待检测区域的亚麻倒伏面积是正确(准确)的,则执行S502;若否,即相关人员认为待检测区域的亚麻倒伏面积是不正确的,即错误的,则执行S503。
S502、输出待检测区域的亚麻倒伏面积比例。
可选地,亚麻倒伏面积比例(ratio)可通过以下方式得到:
上式中,“亚麻倒伏面积”还可以替换为“第一像素类别的像素面积”,“亚麻未倒伏面积”还可以替换为“第二像素类别的像素面积”。
S503、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。
人工调整分割结果,并把修正后的结果作为真值继续优化图像语义分割模型。
本申请实施例,可视化分割结果,加入了人工确认步骤,不仅可以提升图像语义分割模型的可靠性,还可以减少训练阶段的数据标注量。且,若发现模型预测错误,继续优化图像语义分割模型,其模型预测的性能可不断得以提升。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图6为本申请一实施例提供的亚麻倒伏面积的检测装置的结构示意图。如图6所示,该亚麻倒伏面积的检测装置600包括获取模块601、预测模块602和确定模块603。其中:
获取模块601,用于获取待检测区域的全景图像。
预测模块602,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。
确定模块603,用于根据像素类别,确定待检测区域的亚麻倒伏面积。
在一种可能的实施方式中,确定模块603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。
在一种可能的实施方式中,获取模块601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。
在一种可能的实施方式中,预测模块602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。
在一种可能的实施方式中,获取模块601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。
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:
获取样本全景图像;
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。
本申请实施例提供的亚麻倒伏面积的检测装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此次不再进行赘述。
图7为本申请一实施例提供的电子设备的结构示意图。如图7所示,本实施例的电子设备包括:
至少一个处理器701;以及与所述至少一个处理器通信连接的存储器702;
其中,所述存储器702存储有计算机程序,该计算机程序被所述至少一个处理器701执行,以使电子设备700执行如上述任一实施例所述的亚麻倒伏面积的检测方法。
可选地,存储器702既可以是独立的,也可以跟处理器701集成在一起。
存储器702可能包含高速随机存取存储器(RandomAccessMemory,简称RAM),也可能还包括非易失性存储器(non‐volatilememory),例如至少一个磁盘存储器。
处理器701可能是一个中央处理器(CentralProcessingUnit,简称CPU),或者是专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。具体的,在实现前述方法实施例所描述的程序运行权限处理方法时,该电子设备例如可以是服务器等具有处理功能的电子设备。
可选的,该电子设备700还可以包括通信接口703。在具体实现上,如果通信接口703、存储器702和处理器701独立实现,则通信接口703、存储器702和处理器701可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(IndustryStandardArchitecture,简称ISA)总线、外部设备互连(PeripheralComponent,简称PCI)总线或扩展工业标准体系结构(ExtendedIndustryStandardArchitecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果通信接口703、存储器702和处理器701集成在一块芯片上实现,则通信接口703、存储器702和处理器701可以通过内部接口完成通信。
本实施例提供的电子设备的实现原理和技术效果可以参见前述各实施例,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述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,实现前述任一实施例所述的亚麻倒伏面积的检测方法。
上述的计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(StaticRandomAccessMemory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasableProgrammableReadOnlyMemory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammableReadOnlyMemory,简称EPROM),可编程只读存储器(ProgrammableReadOnlyMemory,简称PROM),只读存储器(ReadOnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路中。当然,处理器和可读存储介质也可以作为分立组件存在于程序运行权限处理装置中。
本申请实施例还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前述任一实施例所述的亚麻倒伏面积的检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
摘自国家发明专利,发明人:王炜,叶春雷,陈军,张朝巍,李静雯,徐银萍,陈子萱,申请号:202310729020.1,申请日:2023.06.19