[发明专利]一种基于深度学习自动确定打点位置的方法

说明书

本发明公开了一种基于深度学习自动确定打点位置的方法，该方法包括以下步骤：建立样本库；查询中国统计年鉴，获取采样区作物种类，从样本库中获取对应种类的作物样本；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；无人机到采样区开始航飞，获得无人机航飞影像；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；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。通过该方法，不仅自动确定了打点位置，减轻了外业人员的负担，而且全面的涵盖了所有区域，提高了无人机航飞的利用率，提高了外业打点的效率。

技术领域

本发明涉及遥感信息技术领域，具体来说，涉及一种基于深度学习自动确定打点位置的方法。

背景技术

传统方法中，无人机航飞与外业打点是独立的，无人机航飞不能给外业打点提供任何指导性的建议，确定打点位置的方法是靠外业人员去采样区现场实地考察凭经验判断确定的。这种方法的弊端是采样区的面积非常大，外业人员想要考察完采样区的每一块区域非常耗费人力、物力、财力，因此外业人员往往只会挑选采样区的部分区域进行打点位置的判断，因此打点位置的确定是不全面的，具有随机性，且耗费人力，打点效率也比较低。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于深度学习自动确定打点位置的方法，能够克服现有技术的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于深度学习自动确定打点位置的方法，该方法包括以下步骤：

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：对实时解译后的解译结果进行置信度分析，依据分析结果，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。

进一步的，所述步骤S1包括以下步骤：

S11：获得每次采样样本；

S12：存入采样样本到样本库。

进一步的，所述步骤S1中，每次获得作物样本都应该放进样本库以丰富样本库。

进一步的，所述步骤S2中，从样本库中获取相应种类作物最近期或往年同期的样本。