(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211114957.X (22)申请日 2022.09.14 (71)申请人 浙江禹贡信息科技有限公司 地址 310000 浙江省杭州市上城区凯旋路 137号三楼-61 (72)发明人 张仁贡　郑重　金晶　 (74)专利代理 机构 绍兴市寅越专利代理事务所 (普通合伙) 33285 专利代理师 潘敏 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/10(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于多类型遥感图像的农作物智能识 别方法 (57)摘要 本发明公开了一种基于多类型遥感图像的 农作物智能识别方法， 属于图像技术领域， 包括： 获取针对目标灌区内植物的多个类型的遥感图 像， 汇总到灌区数据库中； 根据遥感图像， 构建各 种农作物的识别训练集； 对识别训练集中的遥感 图像进行预处理； 构建灌区农作物识别模型； 将 遥感图像输入至灌区农作物识别模 型； 输出遥感 图像中包含的各种农作物的种类以及种植区域； 计算当前灌区农作物识别模型的损失函数， 判断 灌区农作物识别模型的是否训练完毕； 在灌区农 作物识别模 型训练完毕的情况下， 将待识别多源 遥感图像输入至灌区农作物识别模 型， 输出各种 农作物的种类以及农作物目标框； 输出待识别多 源遥感图像的各种农作物的种类以及种植 面积。 权利要求书3页 说明书6页 附图1页 CN 115457403 A 2022.12.09 CN 115457403 A 1.一种基于多类型遥感图像的农作物智能识别方法， 其特 征在于， 包括： S101： 获取针对目标灌区内植物的多个 类型的遥感图像， 汇总到灌区数据库中； S102： 根据所述遥感图像， 构建各种农作物的识别训练集； S103： 对所述识别训练集中的所述遥感图像进行 校正； S104： 将校正后的遥感图像调整为同一尺寸； S105： 构建灌区农作物 识别模型； S106： 将同一种植区域的多个类型的所述遥感图像作为一个样本单元输入至所述灌区 农作物识别模型； S107： 输出 所述遥感图像中包 含的各种农作物的种类以及种植区域； S108： 通过输出的各种农作物的种类以及种植区域， 计算当前所述灌区农作物识别模 型的损失函数， 根据所述损失函数， 判断所述灌区农作物 识别模型的是否训练完毕； S109： 在所述灌区农作物识别模型未训练完毕的情况下， 利用梯度优化算法更新灌区 农作物识别模型参数， 进行 下一次迭代， 直至所述灌区农作物 识别模型训练完毕； S110： 在所述灌区农作物识别模型训练完毕的情况下， 将待识别多源遥感图像输入至 所述灌区农作物 识别模型， 输出 各种农作物的种类以及 农作物目标框； S111： 根据所述农作物目标框， 在所述待识别多源遥感图像中分割出各种农作物的种 植区域， 并换算成实际面积； S112： 输出所述待识别多源遥感图像的各种农作物的种类以及种植 面积。 2.根据权利要求1所述的农作物智能识别方法， 其特 征在于， 所述S102具体包括： S1021： 从所述灌区数据库中读取 各种农作物的种植区域对应的遥感子图像； S1022： 采用ODK软件对各种农作物对应的灌区区域进行实地调查， 记录各种农作物的 种类、 种植区域和生长周期； S1023： 根据所述ODK软件 的记录， 在每张所述遥感子图像上添加包含有农作物种类和 生长周期的标签， 形成包 含有多源遥感图像集和标签集的所述识别训练集； 其中， 所述多源遥感图像集P可表示 为： 其中， 表示第一卫星对种植区域j采集的遥感图像， 表示第二卫星对种植区域j 采集的遥感图像， 表示第三卫星对种植区域j采集的遥感图像， 所述第一卫星为 Sentinel‑1卫星， 所述第二 卫星为Senti nel‑2卫星， 所述第三 卫星为Landsat‑8卫星； 其中， 标签集Y可表示 为： 其中， Yj表示与种植区域j的遥感子图像对应的标签集， classji表示种植区域j的遥感 子图像中第i个目标的标签。 3.根据权利要求2所述的农作物智能识别方法， 其特 征在于， 所述S10 3具体包括： S1031： 判断所述遥感图像的类型； S1032： 在所述遥感图像由所述第一卫星拍摄的情况下， 通过主成分分析方法和阈值设 定， 选取同一区域的两个时相遥感图像中具有稳定光谱性质的地物样本点， 利用灰度值的权　利　要　求　书 1/3 页 2 CN 115457403 A 2线性相关性对所述遥感图像进行辐射校正； S1033： 在所述遥感图像由所述第二卫星拍摄的情况下， 对所述遥感图像进行大气校 正； S1034： 在所述遥感图像由所述第三卫星拍摄的情况下， 对所述遥感图像进行大气校 正， 并采用卡尔曼 滤波方法对所述遥感图像进行几何校正。 4.根据权利要求1所述的农作物智能识别方法， 其特 征在于， 所述S10 5具体包括： S1051： 通过应用于视觉的基于自注意力机制的深度神经网络、 区域提取网络和残差 网 络构建构建灌区农作物 识别模型。 5.根据权利要求4所述的农作物智能识别方法， 其特征在于， 所述灌区农作物识别模型 包括： 图像分割层、 向量 化层、 线性层、 编码器、 目标检测网络； 所述图像分割层用于将输入的遥感图像分割成尺寸相同的块； 所述向量 化层用于将分割后的块 转化为向量； 所述线性层用于对向量进行线性映射并对向量 顺序位置进行编码； 所述编码器用于提取向量特 征； 所述目标检测网络用于农作物种类的识别和种植区域的检测。 6.根据权利要求5所述的农作物智能识别方法， 其特 征在于， 所述S107 具体包括： S1071： 所述图像分割层将一个样本单元中的三张不同类型的遥感图像分割得到3n张 切块图， 其中， 每张遥感图像分割为n张切块图， 每张切块图尺 寸为d×d×3， d表示切块图尺 寸参数。 S1072： 所述向量化层将每一张切块图转换为维度 为d×d×3的token， 添加一个分类头 得到3n+1个to ken， 记第k个to ken为xk， 则向量X＝[x1,x2,...,xk,...,x3n+1]； S1073： 所述线性层对3n+1个to ken进行线性变换并进行顺序位置编码； S1074： 所述编码器 计算3n+1个to ken的多头注意力机制输出 其中， 表示缩放因子， 用于克服梯度消失， Q、 E和V分别表示多注意力机制中每个 head的维度为(3n+1) ×(d×d×3/12)的查询向量、 关键向量和待提取向量， ET表示对向量E 做转置， softmax为归一 化函数； 所述查询向量 Q的计算公式为： Q＝WQ×X                   公式4 其中， 表示 查询向量变换的权 重参数； 所述关键向量E的计算公式为： E＝WE×X                   公式5 其中， 表示关键向量变换的权 重参数； 所述待提取向量V的计算公式为： V＝WV×X                   公式6 其中， WV表示待提取向量变换的权 重参数； S1075： 所述目标检测网络在token上的映射区域得到多个目标候选框， 输出遥感图像权　利　要　求　书 2/3 页 3 CN 115457403 A 3