[发明专利]基于无人机和全卷积神经网络的小麦倒伏区域识别方法

权利要求书

1.一种基于无人机和全卷积神经网络的小麦倒伏区域识别方法，其特征在于，包括以下步骤：

步骤1，在无人机平台上搭载可见光传感器；

步骤2，通过无人机平台对研究区域进行拍摄；

步骤3，对获取到的所有可见光遥感影像进行筛选或剪裁，确保新生成的每一幅遥感影像中都既包含有倒伏区域也包含有非倒伏区域，同时应确保每一幅遥感影像对应的地物视场没有重叠；

步骤4，使用labelme将所有遥感影像中的倒伏区域圈画出来，生成数据集；

步骤5，在python平台上搭建FCN网络结构，构建训练平台和调用测试平台；

步骤6，将数据集分为两部分：80％为样本集，20％为测试集，将样本集输入到训练平台上进行训练得到FCN模型，并用测试集测试模型精度；

步骤7，在调用测试平台上调用训练完成的FCN模型，对待处理遥感影像进行语义分割，提取出倒伏区域；

步骤8，统计倒伏区域像元的个数，通过换算求得倒伏区域的面积。

2.如权利要求1所述的基于无人机和全卷积神经网络的小麦倒伏区域识别方法，其特征在于，步骤3具体包括：

步骤31：根据目视估计的方法，人为对获取到的所有可见光遥感影像进行剪裁，确保新生成的每一幅遥感图像对应的地物视场完全不重合；

步骤32：确保在剪裁结果中，每一幅遥感图像里既包含有倒伏区域又包含有非倒伏区域。

3.如权利要求1所述的基于无人机和全卷积神经网络的小麦倒伏区域识别方法，其特征在于，步骤5具体包括：

步骤51：首先在python平台上面搭建全卷积神经网络结构；

步骤52：在python平台上搭建训练平台，训练平台负责接收输入的样本集同时承接并存储训练完成后生成的FCN模型；

步骤53：在python平台上搭建调用测试平台，调用测试平台负责调用训练完成的FCN模型对待处理遥感影像进行语义分割。

4.如权利要求1所述的基于无人机和全卷积神经网络的小麦倒伏区域识别方法，其特征在于，步骤6具体包括：

步骤61：在用labelme选取出倒伏区域后，将所有已选取感兴趣区域的图片不修改文件名另存到另一个文件夹中；

步骤62：将选取过感兴趣区的图片所在的文件夹和初始图片所在的文件夹作为数据集输入到训练平台，随机选取20％作为测试集，用于测试模型提取精度，80％作为样本集，用于训练模型。

5.如权利要求1所述的基于无人机和全卷积神经网络的小麦倒伏区域识别方法，其特征在于，步骤8具体包括：

步骤81：调用训练完成的FCN模型对待处理遥感影像进行像素级分类，倒伏区域和非倒伏区域分别用白色和黑色表示；

步骤83：统计倒伏区域的像元总数，根据公式计算得到每个像元对应的实地面积S，公式如下所示：

式中：n代表图像的分辨率；s代表传感器的尺寸面积；f代表传感器获取影像时的焦距；u代表获取影像时的物距。