农作物种植区域监测与识别方法、装置、设备及存储介质与流程

本发明涉及智慧农业，尤其涉及到一种农作物种植区域监测与识别方法、装置、设备及存储介质。

背景技术：

1、对农业用地的监控和监督，有利于作物制图、作物产量估算、耕地保护以及可持续农业规划。

2、对农作物的种植情况进行现场测量会耗费很大的人力和物力。利用无人机遥感图像对耕地面积进行计算是一种高效的解决方法。但是，现有的基于无人机遥感图像的方法存在以下问题：一是试图用基于深度学习的图像处理技术获取面积，逻辑复杂，计算复杂度高。二是没有考虑地面的崎岖以及无人机的高度、角度带来的图像畸变影响，计算误差较大。

技术实现思路

1、本发明的主要目的在于提供一种农作物种植区域监测与识别方法、装置、设备及存储介质，旨在通过无人机拍摄的遥感图片，自动识别农作物种植类型、面积，边界信息，高效实现对农作物种植面积和边界的预测。

2、为实现上述目的，本发明提供一种农作物种植区域监测与识别方法，包括以下步骤：

3、将监控区域转换为具有若干个大小不同网格构成的监控网络，并在监控网络的每个网格设置定位标记板；

4、利用无人机拍摄监控网络中每个网格的遥感图像，根据每个网格中的定位标记板的标识信息，确定定位标记板的编号；

5、使用训练好的语义分割模型对遥感图像进行语义分割，将监控区域转换为农作物分布图；其中，所述农作物分布图具有若干种颜色的图斑，每个图斑表征监控区域中的一种农作物类型；

6、根据定位标记板在遥感图像上所占的像素数量和中心位置的像素的经纬度，计算出每个像素的尺寸和经纬度坐标，遍历每张农作物分布图中每个像素的经纬度坐标，拼接获得最终农作物分布图；

7、基于所述最终农作物分布图，确定监控区域中每种农作物类型的种植面积和种植周长。

8、可选的，将监控区域转换为具有若干个大小不同网格构成的监控网络，并在监控网络的每个网格设置定位标记板步骤，具体包括：

9、将监控区域按地面类型和地面坡度不同，划分为大小不同的网格，获得由若干个大小不同网格构成的监控网络；

10、在每个网格的中心位置设置一个长n米、宽n米的正方形定位标记板；其中，每个定位标记板具有标识二维码；其中，所述标识二维码被识别时生成定位标记板预先设置的编号和中心位置的经纬度坐标。

11、可选的，利用无人机拍摄监控网络中每个网格的遥感图像，根据每个网格中的定位标记板的标识信息，确定定位标记板的编号步骤，具体包括：

12、利用无人机以每个网格的定位标记板为画面的中心，拍摄遥感图像；

13、提取并识别每张遥感图像中定位标记板上的标识二维码，获取每个网格对应的定位标记板的编号和中心位置的经纬度坐标。

14、可选的，使用训练好的语义分割模型对遥感图像进行语义分割，将监控区域转换为农作物分布图步骤，具体包括：

15、利用现有的农作物图片集或收集标记的农作物图片集，使用unet或者ocrnet网络，训练语义分割模型；

16、利用训练好的语义分割模型对遥感图像进行语义分割，将监控区域转换为具有若干种表征对应农作物类型的颜色图斑的农作物分布图。

17、可选的，根据定位标记板在遥感图像上所占的像素数量和中心位置的像素的经纬度，计算出每个像素的尺寸和经纬度坐标，遍历每张农作物分布图中每个像素的经纬度坐标，拼接获得最终农作物分布图步骤，具体包括：

18、根据所述定位标记板在所述遥感图像上所占的像素数量，计算每个像素所占的尺寸以及面积；

19、以定位标记板的中心位置的像素的经纬度为原点，基于计算获得的每个像素所占的尺寸，计算出每张农作物分布图中每个像素定位标记板的中心像素的距离，根据所述距离计算出每个像素的经纬度坐标；

20、遍历监控区域中的每张农作物分布图，比较每个像素的经纬度坐标，将经纬度坐标相同的像素作为农作物分布图之间的重合位置，删除经纬度坐标相同的像素后，将剩余像素按经纬度位置拼接在一起，形成所述监控区域的最终农作物分布图。

21、可选的，基于所述最终农作物分布图，确定监控区域中每种农作物类型的种植面积和种植周长步骤，具体包括：

22、统计最终农作物分布图中不同颜色的图斑的像素数量，计算出每种颜色对应图斑的面积，将该面积作为监控区域中对应农作物类型的种植面积；

23、其中，所述种植面积的表达式，具体为：

24、

25、其中，为某种农作物类型的种植面积，为某种农作物类型对应图斑颜色像素数量，为每个像素所占的面积；

26、将监控区域的最终农作物分布图转换为分布矩阵，利用所述分布矩阵提取最终农作物分布图中每种农作物的边界轮廓，基于所述边界轮廓，确定监控区域中每种农作物类型的种植周长。

27、可选的，将监控区域的最终农作物分布图转换为分布矩阵，利用所述分布矩阵提取最终农作物分布图中每种农作物的边界轮廓，基于所述边界轮廓，确定监控区域中每种农作物类型的种植周长步骤，具体包括：

28、将最终农作物分布图中的每一个像素作为矩阵元素，矩阵的坐标对应像素坐标，矩阵元素的值对应农作物分布图中对应的颜色值，构建分布矩阵；

29、遍历分布矩阵中的每一个元素，提取最终农作物分布图中每种农作物的边界轮廓，基于所述边界轮廓，确定监控区域中每种农作物类型的种植周长；

30、其中，遍历分布矩阵中的每一个元素，提取最终农作物分布图中每种农作物的边界轮廓步骤，具体包括：

31、步骤a1：从分布矩阵中获取一个元素，设置为a；

32、步骤a2：判断a的坐标是否是矩阵的边缘，如果是，则转到步骤a5，表示a是矩阵的边界元素；如果不是，则转到步骤a3；

33、步骤a3：读取a的相邻元素b；

34、步骤a4：判断a和b的值是否相同，如果相同，则说明a和b是同类型元素，则转到步骤a1，读取下一个元素，如果a和b的值不相同，则转到步骤a5；

35、步骤a5：则说明a是种植范围的边界元素；

36、步骤a6：将记录a这个元素的坐标和值，作为该类型的种植范围的边界；

37、步骤a7：判断矩阵是否遍历完毕，如果遍历完毕，则退出，否则，转到步骤a1继续读取分布矩阵的下一个元素；

38、其中，所述种植周长的表达式，具体为：

39、

40、其中，为每种农作物的边界周长，为每个像素所占的尺寸，为每种农作物的边界轮廓的像素个数。

41、此外，为了实现上述目的，本发明还提供了一种农作物种植区域监测与识别装置，包括：

42、转换模块，用于将监控区域转换为具有若干个大小不同网格构成的监控网络，并在监控网络的每个网格设置定位标记板；

43、拍摄模块，用于利用无人机拍摄监控网络中每个网格的遥感图像，根据每个网格中的定位标记板的标识信息，确定定位标记板的编号；

44、语义分割模块，用于使用训练好的语义分割模型对遥感图像进行语义分割，将监控区域转换为农作物分布图；其中，所述农作物分布图具有若干种颜色的图斑，每个图斑表征监控区域中的一种农作物类型；

45、计算模块，用于根据定位标记板在遥感图像上所占的像素数量和中心位置的像素的经纬度，计算出每个像素的尺寸和经纬度坐标，遍历每张农作物分布图中每个像素的经纬度坐标，拼接获得最终农作物分布图；

46、确定模块，用于基于所述最终农作物分布图，确定监控区域中每种农作物类型的种植面积和种植周长。

47、此外，为了实现上述目的，本发明还提供了一种农作物种植区域监测与识别设备，所述农作物种植区域监测与识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的农作物种植区域监测与识别程序，所述农作物种植区域监测与识别程序被所述处理器执行时实现如上所述的农作物种植区域监测与识别方法的步骤。

48、此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有农作物种植区域监测与识别程序，所述农作物种植区域监测与识别程序被处理器执行时实现上述的农作物种植区域监测与识别方法的步骤。

49、相对于现有的计算农作物面积和边界的方案，本发明的有益效果在于：

50、（1）计算复杂度低。语义分割可以使用预训练模型，并且语义分割完成以后，计算面积仅需要做加法和乘法运算，计算简单，可以快速获得面积、边界数据。（2）计算精度高。根据区域进行分割并通过标记板进行比例映射，降低地面崎岖对比例隐射的影响，无需考虑飞行高度、角度导致的畸变对后续计算的影响。（3）操作简便。无人机以标记点为参考，每个网格一张遥感图片，一次拍摄可以获得一个较大区域的图像。（4）算法性能可以随技术的发展而进步。未来更先进准确的语义分割技术，使用本发明获得的面积和边界将更精确。（5）另外，伴随语义分割支持更多的地面物体类型，本方法还可以延伸到建筑物，荒地，道路，广场，游泳池等面积和边界的预测。