[发明专利]一种基于深度学习自动确定打点位置的方法

权利要求书

1.一种基于深度学习自动确定打点位置的方法，其特征在于，包括以下步骤：

S1：建立样本库；

S2：查询中国统计年鉴，得到采样区作物种类，从样本库中获取对应种类的作物样本；

S3：将各类作物样本输入多分类神经网络，自动化训练最优模型，转化最优模型为轻量级模型；

S4：无人机到采样区开始航飞，获得无人机航飞影像；

S5：模型实时解译无人机航飞影像，其中，实时解译的方式有三种，为方式一、方式二或方式三；

S6：对解译结果进行置信度分析，依据分析结果，自动确定打点位置，指导外业人员打点，其中，置信度低的区域即需要打点的位置；

所述步骤S5中解译的方式一包括以下步骤：

S51：在无人机云台上装载一个图像深度学习开发板；

S52：将用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件加载到深度学习开发板上；

S53：无人机航飞过程中，实时传入航飞影像到深度学习开发板；

S54：基于轻量化深度学习框架，采用轻量级模型，实时解译获得的航飞影像；

所述步骤S5中解译的方式二包括以下步骤：

S55：携带移动设备，加载用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件到移动设备；

S56：给无人机加上无线网卡，采用局域网将无人机航飞影像实时传回移动设备；

S57：基于轻量化深度框架，采用轻量级模型实时解译航飞影像。

2.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤S1中，每次打点采样后获得的样本都可以放进样本库以扩充样本库。

3.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤S3包括以下步骤：

S31：输入样本到多分类神经网络；

S32：采用本地服务器在深度学习框架上训练模型；

S33：采用自动化调参算法自动选出最优模型，其中，最优模型为多分类模型；

S34：采用轻量级模型转换器将模型文件转换成轻量级模型文件。

4.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤S5中，解译的方式三为在5G基站建好后，利用5G通信实时将航飞影像实时传回本地服务器，本地服务器对航飞影像实时解译。

5.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤S6中，对解译结果进行置信度分析，将分类结果最大概率的前两类概率差小于某个阈值的区域判定为置信度低的区域。