基于深度学习的秸秆覆盖率检测方法及系统

技术领域

本申请涉及图像处理领域，尤其涉及一种基于深度学习的秸秆覆盖率检测方法及系统。

背景技术

保护性耕地对于生态平衡、水资源管理、土壤保持和气候调节都至关重要。可通过少耕、免耕、地表微地形改造技术及秸秆覆盖、合理种植等综合配套措施，减少农田土壤侵蚀，保护农田生态环境，以确保耕地的可持续利用和保护。

其中，秸秆覆盖是有效实现农业可持续生产力的途径之一，可有效的抑制土壤水分的流失，增强蓄水保墒能力，调节土壤温度，防止土壤沙化，对促进作物的增产具有积极作用。秸秆覆盖率检测是有效开展保护性耕作的一项重要技术指标。

相关技术中，可以通过采集秸秆区域的目标图像，并根据目标图像计算秸秆区域的秸秆覆盖率。但在获取目标图像时，因受到天气原因、拍摄角度等客观因素的影响，目标图像的质量随之受到影响，导致影响秸秆覆盖率计算的准确率。

发明内容

本申请提供一种基于深度学习的秸秆覆盖率检测方法及系统，以解决因包含秸秆的图像质量不佳导致秸秆覆盖率准确性低的问题。

本申请第一方面提供一种基于深度学习的秸秆覆盖率检测方法，包括：

获取目标图像，所述目标图像为带有秸秆的图像；

将所述目标图像转换为RGB三通道图像；

提取所述RGB三通道图像的特征，所述特征至少包括颜色特征；

生成第一处理图像，所述第一处理图像为调整所述RGB三通道图像至预设比例，并将所述RGB三通道图像的尺寸调整至预设尺寸生成的图像；

得到第二处理图像，所述第二处理图像为利用特征融合将所述第一处理图像与所述特征融合处理后的图像；

按照尺寸分割所述第二处理图像，以得到第三处理图像，所述第三处理图像的数量为预设份数；

根据秸秆覆盖率范围将预设份数的所述第三处理图像分为多个类型；

将多个类型的所述第三处理图像划分为训练集和测试集；

利用卷积网络执行特征提取，并利用所述训练集对卷积网络训练，以得到训练完成的模型；

将所述测试集输入至所述训练完成的模型，以进行验证，并得到推理结果，所述推理结果为所述第三处理图像的秸秆覆盖率；

通过所述预设份数的第三处理图像以及所述第三处理图像的秸秆覆盖率计算所述目标图像的秸秆覆盖率。

可选的，所述方法还包括：

获取所述目标图像包含的通道数量；

若所述通道数量为一时，将所述通道的亮度值赋值给RGB三个通道；

若所述通道数量为四时，将所述通道中除RGB三个通道以外的其他通道删除。

可选的，所述训练集包含的图像数量与所述测试集包含的图像数量的比例为10:1。

可选的，调整所述RGB三通道图像至预设比例，并将所述RGB三通道图像的尺寸调整至预设尺寸，以生成第一处理图像，包括：

根据所述RGB三通道图像的长度和宽度计算缩放系数；

利用所述缩放系数与所述RGB三通道图像宽度的乘积得到预设宽度；

利用所述缩放系数与所述RGB三通道图像长度的乘积得到预设长度；

通过所述缩放系数、RGB三通道图像长度以及预设长度，填充灰色区域，以生成第一处理图像，所述第一处理图像包括预设长度图像区域以及所述灰色区域。

可选的，提取所述RGB三通道图像的特征，包括：

将所述RGB三通道图像由RGB颜色空间转换为HSV空间；

根据所述HSV空间，将所述RGB三通道图像划分为多个区域；

计算每个所述区域的颜色直方图，所述颜色直方图中记录每个通道中不同颜色出现的频率；

根据所述颜色直方图，计算颜色特征；

将所有区域的所述颜色特征组合成一个特征向量。

可选的，将所述第一处理图像与所述特征融合，得到第二处理图像，包括：

调整特征向量的长度；

利用特征融合，将调整后的特征向量与所述第一处理图像融合处理以生成第二处理图像。

可选的，所述目标图像的拍摄方向与秸秆所在的地面垂直。

可选的，所述方法还包括：

将所述RGB三通道图像根据像素值范围划分为三个区域，所述区域分别为秸秆区域、土壤区域以及曝光区域；

对所述区域的像素颜色执行聚类，以得到不同的颜色类别；

提取质心，所述质心为每个所述颜色类别中的颜色最接近预设颜色的颜色，所述秸秆区域对应的预设颜色为秸秆颜色，所述土壤区域对应的预设颜色为土壤颜色，所述曝光区域对应的预设颜色为光照秸秆颜色；

将所述带有光照秸秆颜色的所在区域去除。

本申请第二方面提供一种基于深度学习的秸秆覆盖率检测系统，所述系统用于执行第一方面所述的基于深度学习的秸秆覆盖率检测方法，所述系统包括：获取模块、调整模块、训练模块以及计算模块；

所述获取模块用于获取目标图像，所述目标图像为带有秸秆的图像；

所述调整模块用于将所述目标图像转换为RGB三通道图像；提取所述RGB三通道图像的特征，所述特征至少包括颜色特征；生成第一处理图像，所述第一处理图像为调整所述RGB三通道图像至预设比例，并将所述RGB三通道图像的尺寸调整至预设尺寸生成的图像；得到第二处理图像，所述第二处理图像为利用特征融合将所述第一处理图像与所述特征融合处理后的图像；按照尺寸分割所述第二处理图像，以得到第三处理图像，所述第三处理图像的数量为预设份数；根据秸秆覆盖率范围将预设份数的所述第三处理图像分为多个类型；

所述训练模块用于将多个类型的所述第三处理图像划分为训练集和测试集；利用卷积网络执行特征提取，并利用所述训练集对卷积网络训练，以得到训练完成的模型；将所述测试集输入至所述训练完成的模型，以进行验证，并得到推理结果，所述推理结果为所述第三处理图像的秸秆覆盖率；

所述计算模块用于通过所述预设份数的第三处理图像以及所述第三处理图像的秸秆覆盖率计算所述目标图像的秸秆覆盖率。

由以上技术方案可知，本申请提供一种基于深度学习的秸秆覆盖率检测方法及系统，所述方法包括：首先获取目标图像，所述目标图像为带有秸秆的图像；再将所述目标图像转换为RGB三通道图像；并提取所述RGB三通道图像的特征；生成第一处理图像，所述第一处理图像为调整所述RGB三通道图像至预设比例，并将所述RGB三通道图像的尺寸调整至预设尺寸生成的图像；得到第二处理图像，所述第二处理图像为利用特征融合将所述第一处理图像与所述特征融合处理后的图像；按照尺寸分割所述第二处理图像，以得到预设份数的第三处理图像；根据秸秆覆盖率范围将预设份数的所述第三处理图像分为多个类型；将多个类型的所述第三处理图像划分为训练集和测试集；利用卷积网络执行特征提取，并利用所述训练集对卷积网络训练，以得到训练完成的模型；将所述测试集输入至所述训练完成的模型，以进行验证，并得到推理结果，所述推理结果为所述第三处理图像的秸秆覆盖率；通过所述预设份数的第三处理图像以及所述第三处理图像的秸秆覆盖率计算所述目标图像的秸秆覆盖率，以解决因包含秸秆的图像质量不佳导致秸秆覆盖率准确性低的问题。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本实施例示出的基于深度学习的秸秆覆盖率检测方法流程示意图；

图2为本实施例示出的模型训练过程示意图；

图3为本实施例示出的秸秆高度获取流程示意图；

图4为本实施例示出的基于深度学习的秸秆覆盖率检测系统结构示意图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。

秸秆覆盖是有效实现农业可持续生产力的途径之一，可有效的抑制土壤水分的流失，增强蓄水保墒能力，调节土壤温度，防止土壤沙化，对促进作物的增产具有积极作用。秸秆覆盖率检测是有效开展保护性耕作的一项重要技术指标。

为了提高秸秆覆盖率的检测效率，可以通过拍摄目标区域（秸秆覆盖的区域）的目标图像（秸秆覆盖的区域的图像），并基于目标图像计算目标区域的秸秆覆盖率。在相关技术中，可以结合神经网络基于目标图像识别目标区中的秸秆，并计算秸秆覆盖率。

在相关技术中，神经网络处理目标图像时，可以基于RGB（Red Green Blue）颜色空间对目标图像进行处理。RGB颜色空间通过三个通道表示一幅图像，即通过R（Red 红色），G（Green 绿色），B（Blue 蓝色）配合不同的权重形成的线性组合表示其它颜色，进而完整描述目标图像。

但RGB颜色空间的三个分量均与亮度密切相关，亮度发生改变时，三个分量都会随之改变。且秸秆在亮度不足的情况下，图像质量（亮度）本就不足，基于RGB颜色空间处理亮度不足的图像时，容易将秸秆误识别为阴影、背景，进而导致秸秆识别率、覆盖率的准确率不足。

参见图1，本申请部分实施例提供一种基于深度学习的秸秆覆盖率检测方法，包括：

S100：获取目标图像。

其中，目标图像为带有秸秆的图像，并且，在拍摄过程中，目标图像的拍摄方向与秸秆所在的地面垂直。其中，秸秆可以为水稻、小麦、玉米等农作物。

S200：将目标图像转换为RGB三通道图像。

在获取完成目标图像后，若目标图像为灰度图像，灰度图像为单通道图像，或者目标图像为RGBA（Red Green Blue Alpha）图像，RGBA图像为四通道图像，为使目标图像的通道数量统一，在一些实施例中，可先获取目标图像的通道数量；若目标图像的通道数量为一时，将一个通道的亮度值赋值给RGB三个通道；若目标图像的通道数量为四时，将除RGB三个通道以外的其他通道删除。

在拍摄目标图像的过程中，由于拍摄角度，拍摄时的光照，拍摄的天气等其他情况，可能导致同一片田地内的秸秆颜色不同，为矫正颜色。其中，拍摄角度、拍摄光照、拍摄天气直接影响秸秆图像质量的共同点在于对图像质量的亮度产生了影响。

在一些实施例中，将RGB三通道图像根据像素值范围划分为三个区域，区域分别为秸秆区域、土壤区域以及曝光区域；对区域的像素颜色执行聚类，以得到不同的颜色类别；提取质心，质心为每个颜色类别中的颜色最接近预设颜色的颜色，秸秆区域对应的预设颜色为秸秆颜色，土壤区域对应的预设颜色为土壤颜色，曝光区域对应的预设颜色为光照秸秆颜色；将带有光照秸秆颜色的所在区域去除。

在一些实施例中，将RGB三通道图像根据像素值范围划分为三个区域，分别为秸秆区域、土壤区域以及曝光区域。这种划分是通过将像素值范围设定为秸秆、土壤和曝光区域，并使用阈值将像素分类到这三个区域中的一种。

在对这些区域进行像素颜色执行聚类后，可以得到不同的颜色类别。聚类算法可以使用诸如K-means（k-均值）或DBSCAN（Density-Based Spatial Clustering ofApplications with Noise 基于密度对噪声鲁棒的空间聚类算法）等算法来实现。在每个颜色类别中，质心被提取出来，这个质心是颜色类别中最接近预设颜色的颜色。

通过比较每个像素的颜色距离预设的秸秆颜色和光照秸秆颜色的距离来实现将带有光照秸秆颜色的所在区域去除。如果一个像素更接近光照秸秆颜色，那么这个像素就被认为是带有光照秸秆颜色的，并在处理过程中被去除。这种处理方法可以有效去除图像中的光照秸秆颜色，使图像易于分析。

示例性的，首先获取目标图像中不同像素点中的颜色，根据像素值范围将不同像素点中的颜色分为三个区域，即秸秆颜色区域，土壤颜色区域，曝光过度颜色区域，在此过程中，可将曝光过度的颜色区域去除，以减少对后续提取特征的影响。

将曝光过度的颜色区域去除后，还可以将不同拍摄天气拍摄的目标图像中像素点中的颜色矫正，可选择基于色度空间变换法或基于神经网络法来矫正颜色，以便将不同的目标图像拼接。

因在提取特征的过程中，也需要将RGB颜色空间转换为HSV（Hue SaturationValue）空间，因此，在本实施例中选择基于色度空间变换法来矫正颜色。其中，HSV空间表达彩色图像时，由三个部分组成：Hue（色相），Saturation（饱和度），Value（明度）。

在一些实施例中，将RGB三通道图像由RGB颜色空间转换为HSV空间；对色调、饱和度、亮度根据预设值调整；将调整后的HSV颜色空间转换为RGB颜色空间。其中，预设值可以是预设的秸秆颜色。

基于HSV空间可以在提取目标图像的特征时，更准确的表征目标图像中的秸秆，以及目标图像中的秸秆的特征。进而再将HSV空间转换为RGB空间时，基于特征的充分表征，使用RGB空间处理秸秆图像时，可以兼具使用了HSV空间的特征，以使得模型充分提取目标图像中秸秆的特征，进而提高秸秆识别率以及覆盖率。其中，HSV空间的组成部分：色相、饱和度、明度不受亮度影响，进而在基于RGB处理秸秆图像时，加入HSV空间的转换以充分提取秸秆特征，有利于降低因天气、拍摄角度等客观因素对图像亮度的影响，进而提高秸秆识别准确率和秸秆覆盖率。

S300：提取RGB三通道图像的特征。

其中，特征至少包括颜色特征，还可以包括纹理特征。对于纹理特征，首先需要提取出图像中的纹理特征，然后使用适当的分类器（例如支持向量机或神经网络）进行训练和识别纹理特征。

此外，还可以包括形状特征。对于形状特征，需要提取出图像中的形状特征，然后使用适当的分类器进行训练和识别形状特征。在提取形状特征时，可以使用边缘检测算法或形状匹配算法来实现。

在训练分类器时，需要将特征数据与标签数据一起输入到分类器中。分类器会根据特征数据和标签数据来学习和预测新的数据。在预测时，只需要将新的数据输入到分类器中，就可以得到预测结果。需要注意的是，在使用分类器时，可能会出现过拟合现象，即分类器在训练数据上表现很好，但在测试数据上表现不佳。为解决这个问题，可以使用正则化方法或交叉验证等技术来优化模型的性能。

根据上述提到的，对转换完成的RGB颜色空间提取特征。在一些实施例中，包括：将RGB三通道图像由RGB颜色空间转换为HSV空间；根据HSV空间，将RGB三通道图像划分为多个区域；计算每个区域的颜色直方图，颜色直方图中记录每个通道中不同颜色出现的频率；根据颜色直方图，计算颜色特征；将所有区域的颜色特征组合成一个特征向量。

特征提取可以从图像中提取出秸秆或土壤特征。本实施例提出的颜色特征是通过统计图像中不同颜色的像素数量来描述图像的特征。上述得到的特征向量即代表RGB三通道图像的秸秆特征或土壤特征。

S400：生成第一处理图像。

在本实施例中，第一处理图像为调整RGB三通道图像至预设比例，并将RGB三通道图像的尺寸调整至预设尺寸生成的图像。

在一些实施例中，根据RGB三通道图像的长度和宽度计算缩放系数；利用缩放系数与RGB三通道图像宽度的乘积得到预设宽度；利用缩放系数与RGB三通道图像长度的乘积得到预设长度；通过缩放系数、RGB三通道图像长度以及预设长度，填充灰色区域，以生成第一处理图像，第一处理图像包括预设长度图像区域以及灰色区域。

缩放系数是一个用于调整图像大小的标量，可以根据图像的实际尺寸中宽度或长度的比例关系得出。再将缩放系数与RGB三通道图像的宽度相乘，以得到预设宽度。同理，通过缩放系数与RGB三通道图像的长度相乘，以得到预设长度。

通过计算缩放系数并填充灰色区域，可以将RGB三通道图像调整到预设的宽度和长度，同时还能保持图像的整体结构和比例不变。此外，通过填充灰色区域，还可以对超出预设长度的图像进行有效的处理，从而避免图像信息的丢失或失真。

示例性的，可将RGB三通道图像的宽度设置为x，将长度设置为y，通过下式计算缩放系数：

；

其中，X为预设宽度，Y为预设长度。

缩放图像宽度为缩放系数与RGB三通道图像的宽度的乘积，因对RGB三通道图像缩放，在长度方向上，会出现灰色区域，在输出第一处理图像前，需要对灰色区域填充，通过下式计算填充灰色区域的长度：

；

S500：得到第二处理图像。

在输出第一处理图像后，将第一处理图像与特征执行特征融合，在一些实施例中，包括：调整特征向量的长度；利用特征融合，将调整后的特征向量与第一处理图像融合处理以生成第二处理图像。将RGB三通道图像由RGB颜色空间转换为HSV空间后，图像的颜色信息会与其强度信息分开。再根据HSV空间的特性，将RGB三通道图像划分为多个区域，并计算每个区域的颜色直方图。颜色直方图中记录了每个通道中不同颜色出现的频率，从而描绘出了图像颜色的直观特性。将所有区域的颜色特征组合成一个特征向量，并对这个特征向量进行长度的调整。利用特征融合，将调整后的特征向量与第一处理图像及特征向量融合在一起，生成第二处理图像。相较于第一处理图像，第二处理图像的利用HSV空间下的颜色信息和直方图特性来增强了图像的质量并扩充了图像的信息量，也就是说，增强了图像的色度和饱和度信息，以及亮度信息的表征能力，进一步丰富了图像的颜色信息并改进了其对比度，使颜色的分布情况更为明确，并且通过改进对比度能够调整图像的明暗程度，使图像的明暗更加明显，便于分辨图像中的秸秆覆盖区域。例如，如果特征向量的元素值为a，图像像素值为p，则融合后的像素值为a×p=f。如果融合后的像素值为f，特征向量的元素值为a，则融合后的像素值为f+a，因不同的像素值代表不同的亮度信息，那么第二处理图像的像素值也代表不同的亮度信息，也可便于分辨图像中的秸秆覆盖区域。

示例性的，在某些情况下，例如：若第一处理图像与第二处理图像所需的大小不同，可能需要调整特征向量的长度以满足输入需求，可通过全连接层来调整特征向量的长度。

其中，生成器模型可选择对抗网络或变分自编码器，还可以使用UNet网络模型。在生成第二处理图像的过程中，还可以使用适当的损失函数来训练生成器模型，直至生成器模型可生成第二处理图像为止。

S600：按照尺寸分割第二处理图像，以得到第三处理图像。

其中一份第三处理图像的尺寸为

S700：根据秸秆覆盖率范围将预设份数的第三处理图像分为多个类型。

在本实施例中，多个类型为五个类型，五个类型根据秸秆覆盖率分类，分别为0%、大于0%且小于等于25%、大于25%且小于等于50%、大于50%且小于等于75%、大于75%且小于等于100%。

可以理解的是，还可以设置十一个类型，十一个类型也根据秸秆覆盖率分类，分别为0%、大于0%且小于等于10%、大于10%且小于等于20%、大于20%且小于等于30%、大于30%且小于等于40%、大于40%且小于等于50%、大于50%且小于等于60%、大于60%且小于等于70%、大于70%且小于等于80%、大于80%且小于等于90%、大于90%且小于等于100%。

还可以为了能得到更准确的覆盖率，多个类型为101个类型，101个类型为0%-100%。

S800：将多个类型的第三处理图像划分为训练集和测试集。

在一些实施例中，训练集与测试集的比例为10:1。

在训练过程中，使用训练集来训练模型，使用测试集来评估模型的性能。在本实施例中，训练集和测试集的比例为10:1，训练集的数量是测试集的10倍，模型可以在训练集上更好地学习和适应数据，那么模型在训练集上的性能可能会稍微高于其在测试集上的性能，在测试集上可能会有更好的泛化性能。

在本实施例中，训练集与测试集使用的划分方法为分层抽样。分层抽样是一种常用的数据划分方法，它可以将数据划分为不同的子集，并保证每个子集中的数据具有相似的性质和分布。采用分层抽样，训练集和测试集的比例是训练集的数量比测试集的数量多一些，以更好地评估模型的性能。

在将训练集与测试集分配完成比例后，可对训练集与测试集执行预处理，例如：数据清洗、特征提取等预处理过程，以使训练集与测试集里的数据更加适合卷积网络模型的输入。

参见图2，S810：利用卷积网络执行特征提取，并利用训练集对卷积网络训练，以得到训练完成的模型。

在本实施例中卷积网络为MobileNet（MobileNet Convolutional NeuralNetwork 轻量级卷积神经网络）V1网络，MobileNet V1网络是一种轻量级的卷积神经网络，能够在保持较高准确率的情况下具有较少的参数量和计算时间。具体的，MobileNet V1网络是通过深度分离卷积来减少模型的参数量和计算时间。与标准卷积不同，深度分离卷积将空间卷积和通道卷积分为两个独立的卷积层，这使得网络更加高效。具体来说，在深度分离卷积中，首先使用一个空间卷积，然后使用一个通道卷积来提取特征。

MobileNetV1网络可以根据需要使用不同的输入分辨率，其超参数取决于输入分辨率和需要的精度。

在对训练集训练之前，需要对训练集中的第三处理图像转换为MobileNet V1可以处理的格式，例如：JPEG（Joint Photographic Experts Group 联合图像专家组格式）、PNG（Portable Network Graphics 便携式网络图形格式）、BMP（Bitmap 位图格式）、GIF（Graphics Interchange Format 图形交换格式）、TIFF（Tag Image File Format 标签图像文件格式）。调整格式完成后，将预训练模型加载到模型中微调，根据需求，调整模型的参数，例如：训练率，批量大小等。将调整完成的数据集与调整后的模型参数加载到MobileNetV1模型中训练，在训练完成后，还可以使用测试集对训练完成的模型测试，并评估模型的性能。

S820：将测试集输入至训练完成的模型，以进行验证，并得到推理结果。

其中，推理结果为第三处理图像的秸秆覆盖率。

推理结果对应秸秆覆盖率，覆盖率为0%的对应推理结果为0，覆盖率大于0%且小于等于25%对应推理结果为0.25，覆盖率大于25%且小于等于50%对应推理结果为0.5、覆盖率大于50%且小于等于75%对应推理结果为0.75、覆盖率大于75%且小于等于100%对应推理结果为1。

S900：通过预设份数的第三处理图像以及第三处理图像的秸秆覆盖率计算目标图像的秸秆覆盖率。

通过下式计算秸秆覆盖率：

；

其中，

在计算完成覆盖率，还可以通过可见光图像获取秸秆的高度，在一些实施例中，参见图3，还包括：

S910：获取不同角度的可见光图像。

其中，可见光图像可以与目标图像为同一图像，不同角度的可见光图像存在重叠区域。

S920：使用三维重建的离线算法计算不同角度的可见光图像中的拍摄位姿和特征点。

S930：根据拍摄位姿和特征点，建立三维点云模型。

S940：根据三维点云模型，得到秸秆的3D坐标。

S950：根据3D坐标计算秸秆的株高。

不仅可以了解秸秆的覆盖率，还通过计算得到秸秆的株高，可便于后续分析田地与秸秆之间的关系，例如：一号田地的秸秆株高较高，但覆盖率低；二号田地的秸秆株高较低，但覆盖率高；三号田地的秸秆株高较低，覆盖率也较低。可通过株高以及覆盖率来统计田地的产量，以及，还可以根据株高以及覆盖率来分析株高较低或覆盖率较低是否与田地的成分或田地相对于其他田地的海拔存在一定的联系。

对于秸秆为水稻的情况，由于水稻生长在水里，为减少水对覆盖率检测的影响，还可以提前对水稻秸秆的目标图像处理，水稻与土壤的颜色不同，在一些实施例中，可筛选需要计算覆盖率的水稻秸秆的遥感图像数据，再将遥感图像数据转换为栅格数据，获取栅格数据中的像元颜色，将颜色分为三类，包括水稻颜色，水颜色以及土壤颜色，将水的像元颜色和土壤像元颜色由其他颜色覆盖，可以理解的是，覆盖的颜色可以与水稻颜色的对比度相差较大的，便于水稻的像元颜色被分辨，并计算水稻、水和土壤的像元面积，从而计算水稻的覆盖率。

对于秸秆覆盖率的水稻遥感图像，除了进行目标图像处理，还可以采用一些其他的处理方法。例如，可以采用滤波技术来消除图像中的噪声，使用分割技术将图像中的不同部分分离出来，或者使用形态学运算来对图像进行膨胀和腐蚀等操作。

此外，还可以使用深度学习算法训练分类器，用于将水稻秸秆、水和土壤的像元分类。可以使用卷积神经网络等算法来训练分类器，通过大量的标注数据来训练分类器，使其能够准确地识别出水稻秸秆、水和土壤的像元。在分类器训练完成后，可以将遥感图像输入到分类器中，得到每个像元的分类结果。然后，可以计算水稻秸秆、水和土壤的像元面积，从而计算出水稻的覆盖率。

需要注意的是，由于水稻生长在水里，水的颜色与水稻的颜色可能存在较大的差异，因此在进行目标图像处理时需要注意水的像元颜色。可以使用一些算法来将水的像元颜色进行过滤或者修正，例如：使用Sea-thru（Sea Surface Transmission 海面透射）算法。能够通过逐像素的操作来消除由水扭曲和水中光线影响带来的图像失真，恢复水中物体本来的颜色，使水下图像更加清晰和真实，进而避免其对水稻覆盖率的计算产生干扰。

本实施例提供的基于深度学习的秸秆覆盖率检测方法，以秸秆覆盖率分类，将第二处理图像分割为多种类型，并通过将若干个第三处理图像加权计算覆盖率，可提高秸秆覆盖率的准确性与鲁棒性。

基于上述基于深度学习的秸秆覆盖率检测方法，本申请部分实施例还提供一种基于深度学习的秸秆覆盖率检测系统，参见图4，系统包括：获取模块、调整模块、训练模块以及计算模块。

获取模块用于获取目标图像，目标图像为带有秸秆的图像。

所述调整模块用于将目标图像转换为RGB三通道图像；提取RGB三通道图像的特征，特征至少包括颜色特征；生成第一处理图像，第一处理图像为调整RGB三通道图像至预设比例，并将RGB三通道图像的尺寸调整至预设尺寸生成的图像；得到第二处理图像，第二处理图像为利用特征融合将所述第一处理图像与特征融合处理后的图像；按照尺寸分割第二处理图像，以得到第三处理图像，第三处理图像的数量为预设份数；根据秸秆覆盖率范围将预设份数的第三处理图像分为多个类型。

训练模块用于将多个类型的第三处理图像划分为训练集和测试集；利用卷积网络执行特征提取，并利用训练集对卷积网络训练，以得到训练完成的模型；将测试集输入至训练完成的模型，以进行验证，并得到推理结果，推理结果为所述第三处理图像的秸秆覆盖率。

计算模块通过预设份数的第三处理图像以及第三处理图像的秸秆覆盖率计算目标图像的秸秆覆盖率。

由以上技术方案可知，本申请提供一种基于深度学习的秸秆覆盖率检测方法及系统，所述方法包括：首先获取目标图像，目标图像为带有秸秆的图像；再将目标图像转换为RGB三通道图像；并提取RGB三通道图像的特征；生成第一处理图像，第一处理图像为调整RGB三通道图像至预设比例，并将RGB三通道图像的尺寸调整至预设尺寸生成的图像；得到第二处理图像，第二处理图像为利用特征融合将第一处理图像与特征融合处理后的图像；按照尺寸分割第二处理图像，以得到预设份数的第三处理图像；根据秸秆覆盖率范围将预设份数的第三处理图像分为多个类型；将多个类型的第三处理图像划分为训练集和测试集；利用卷积网络执行特征提取，并利用训练集对卷积网络训练，以得到训练完成的模型；将测试集输入至训练完成的模型，以进行验证，并得到推理结果，推理结果为第三处理图像的秸秆覆盖率；通过预设份数的第三处理图像以及第三处理图像的秸秆覆盖率计算所述目标图像的秸秆覆盖率，以解决因包含秸秆的图像质量不佳导致秸秆覆盖率准确性低的问题。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。