(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 202210820978.7 (22)申请日 2022.07.13 (71)申请人 河南省农业科 学院农业经济与信息 研究所 地址 450000 河南省郑州市金 水区花园路 116号河南省农科院综合楼 915室 (72)发明人 臧贺藏　申华磊　李国强　苏歆琪　 周萌　刘栋　郑国清　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 周艳巧 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/68(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/26(2022.01) G06T 7/62(2017.01) (54)发明名称 基于深度学习的无人机遥感小麦新品种倒 伏面积提取方法及系统 (57)摘要 本发明属于对地作物数据 识别技术领域， 特 别涉及一种基于深度学习的无人机遥感小麦新 品种倒伏 面积提取方法及系统， 利用搭载有影像 传感器的无人机采集小麦影像数据， 并对采集的 小 麦 影 像 数 据进 行 裁 剪 ； 利 用已 训练的 Attention_U2‑Net分割模型对裁剪后的小麦影 像数据进行语义分割， 提取出小麦影像数据中的 倒伏区域； 通过统计掩模图中倒伏区域像素点数 目， 依据像素点与面积之间换算映射关系来得到 影像数据中小麦实际倒伏面积 。 本发明利用深层 神经网络Attention_U2‑Net来实现倒伏区域细 粒度分割及面积估算， 能够满足不同光照、 分辨 率以及不同小麦新品种倒伏区域自动分割， 能够 准确提取出小麦新品种倒伏面积， 可满足麦田环 境下的高通量作业需求， 为后续确定受灾面积及 评估损失提供技 术支撑。 权利要求书2页 说明书13页 附图5页 CN 115223063 A 2022.10.21 CN 115223063 A 1.一种基于深度学习的无人机遥感小麦新品种倒伏面积提取方法， 其特征在于， 包含 如下内容： 利用搭载有影像传感器的无人机采集小麦影像数据， 并对采集的小麦影像数据进行裁 剪； 利用已训练的Attention_U2‑Net分割模型对裁剪后的小麦影像数据进行语义分割， 提 取出影像数据中的小麦倒伏 区域， 其中， Attention_U2‑Net分割模型将输入的小麦影像裁 剪数据映射到隐层特征 空间来捕获小麦影像中相应尺度图像特征信息， 通过编 码器下采样 提取特征， 对编码器输出进行级联并上采样至原分辨 率生成掩膜图； 通过统计掩模图中倒伏区域像素点数目， 依据像素点数目与面积之间换算映射关系得 到影像数据中小麦实际倒伏面积。 2.根据权利要求1所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方法， 其特征在于， 利用搭载有GPS/GLONASS双模定位系统的无人机在多个规划航线上来采集预 设时间段及环境因素下的小麦倒伏影像数据， 且在 采集过程中设定在等时间间隔内利用影 像传感器拍照采集相应航线内的小麦倒伏影 像。 3.根据权利要求1或2所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方 法， 其特征在于， 数据采集过程中， 将影像数据的图像裁剪为固定比例、 边缘重叠且预设分 辨率大小的图像， 并同时记录 重叠区域及该重 叠区域长 宽数值。 4.根据权利要求1所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方法， 其特征在于， Attention_U2‑Net分割模型采用由编码器、 解码器和显著图融合模块组成的 嵌套U型网络架构， 并利用通道注意力机制对提取 的小麦倒伏影像相邻图像特征层进行级 联， 使用Non ‑local注意力机制计算输入的小麦倒伏影像图像特征中任意两个位置之间的 交互信息。 5.根据权利要求1或4所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方 法， 其特征在于， 通过样本数据对Attention_U2‑Nett分割模型进行训练和评估来获取已训 练的模型结构， 其中， 将不同航迹下采集的小麦无遮挡 数据作为样本数据中用于模型训练 的训练样本和用于模型评估的测试样本， 且在训练样本和测试样本中将采集数据中的小麦 倒伏区域作为前景、 其余区域作为背景来进行人工标注， 将标注后的小麦倒伏数据转换为 二值图， 以该二 值图作为样本数据的标签。 6.根据权利要求5所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方法， 其特征在于， 在进 行模型训练和评估时， 首先对训练样本和测试样本进 行数据预 处理， 该数 据预处理至少包 含： 等比例采样、 背景填充及数据增强。 7.根据权利要求5所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方法， 其特征在于， 利用样本数据对Attention_U2‑Net分割模型进行训练和评估的目标损失函数 表示为： 其中， M为嵌套U ‑Net层数， m为当前嵌套数， 为第m层 loss项对应权重值， 为第m层loss值， ξf为特征融合后多掩膜图loss值， wf为特征融合后 loss项对应权 重值。 8.根据权利要求7所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方法， 其特征在于， 依据目标损失函数对Attention_U2‑Net分割模型完成多轮次训练， 在训练过权　利　要　求　书 1/2 页 2 CN 115223063 A 2程中， 通过倒伏区域特征矩阵和非倒伏区域特征矩阵之 间的差异性来捕获小麦倒伏图像特 征。 9.根据权利要求1所述的基于深度学习的无人机遥感小麦新品种倒伏面积提取方法， 其特征在于， 利用已训练的模型Attention_U2‑Net对待提取目标范围内的小麦影像数据进 行语义分割时， 依据语义的可解释性将每个像素链接到类标签， 根据每个像素类别概率取 概率最高值生成特征图， 依据特征图内每一像素点概率是否大于预设阈值来进行二值化处 理， 将二值化处理后的像素点按顺序拼接获取对应输入的掩 模图。 10.一种基于深度学习的无人机遥感小麦新品种倒伏面积提取系统， 其特征在于， 包 含： 数据采集模块、 语义分割模块和面积提取模块， 其中， 数据采集模块， 用于利用搭载有影像传感器的无人机采集小麦影像数据， 并对采集的 小麦影像数据进行裁 剪； 语义分割模块， 用于利用已训练的Attention_U2‑Net分割模型对裁剪后的小麦影像数 据进行语义分割， 提取出影像数据中的倒 伏区域， 其中， Attention_U2‑Net分割模型将输入 的小麦倒伏影像裁剪数据映射到隐层特征空间来捕获小麦倒伏影像中相 应尺度图像特征 信息， 通过编码器下采样提取特征， 对编码器输出进行级联并上采样至原分辨率生成掩膜 图； 面积提取模块， 用于通过统计掩模图中倒伏区域像素点数目， 依据像素点数目与面积 之间换算映射关系得到影 像数据中小麦实际倒伏面积。权　利　要　求　书 2/2 页 3 CN 115223063 A 3