中科賽諾—耕地地塊識(shí)別

精確的耕地地塊識(shí)別和分割在農(nóng)業(yè)生產(chǎn)中有非常重要的意義，傳統(tǒng)的解決方法主要依靠遙感影像的光譜分析來(lái)做地塊識(shí)別，對(duì)數(shù)據(jù)要求高，前期需要采集大量的樣本數(shù)據(jù)，不同地區(qū)的同種作物需要重復(fù)采集，且識(shí)別的精度不高。

多光譜遙感圖像

中科賽諾應(yīng)用飛槳深度學(xué)習(xí)開(kāi)源框架中的 PaddleSeg 圖像分割開(kāi)發(fā)套件對(duì)農(nóng)業(yè)遙感數(shù)據(jù)進(jìn)行處理，提取耕地面積，從而輔助相關(guān)部門和從業(yè)者進(jìn)行估產(chǎn)。

技術(shù)方案 

方案思路

• 優(yōu)選模型，注重預(yù)測(cè)精度

在地塊分割這一場(chǎng)景中，更著重于預(yù)測(cè)精度，因此模型選型采用 DeepLabv3+和 Xcep-tion65骨干網(wǎng)絡(luò)的組合。

• 四通道圖像增強(qiáng)數(shù)據(jù)信息

為彌補(bǔ)普通 RGB 圖像的不足，PaddleSeg 可以支持四通道光譜照片訓(xùn)練，除了 RGB 三個(gè)圖像通道，額外拼接 NIR(近紅外通道)，最后生成四通道的圖片。

• 訓(xùn)練調(diào)優(yōu)實(shí)現(xiàn)精度提升

通過(guò)在配置文件中配置讓模型支持四通道的圖片格式，基于 DeepLabV3+ 模型對(duì)地塊圖片進(jìn)行訓(xùn)練，學(xué)習(xí)近紅外(NIR)的光譜反射特征鑒別植被信息，對(duì)最終地塊分割精度能帶來(lái) 5% 的提升，達(dá)到 90%。

DeepLapv3+網(wǎng)絡(luò)結(jié)構(gòu)圖

上線效果 

中科賽諾將算法上線后，相對(duì)傳統(tǒng)方法取得了一系列優(yōu)化。

• 耕地地塊識(shí)別準(zhǔn)確率提高至 90%以上。
• 模型適應(yīng)性強(qiáng)，即使區(qū)域變化也不需重新采集數(shù)據(jù)，大大減少了人力投入，將地塊信息采集和分析變得簡(jiǎn)單。
• 通過(guò)對(duì)遙感影像耕地信息智能提取，實(shí)現(xiàn)了農(nóng)業(yè)遙感數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)分析。
• 對(duì)作物病蟲(chóng)害分析，識(shí)別精度達(dá)到 90% 以上。

耕地地塊識(shí)別示意圖

企業(yè)簡(jiǎn)介

中科賽諾成立于 2014 年，秉承“科技服務(wù)三農(nóng)、數(shù)據(jù)創(chuàng)造價(jià)值”的理念，在國(guó)家 863、973 計(jì)劃支持下，基于衛(wèi)星 + 氣象 + 地面光譜 + 作物模型對(duì)作物實(shí)時(shí) CT 監(jiān)測(cè)、預(yù)測(cè)、決策，打造全維度、高精度精準(zhǔn)農(nóng)業(yè)數(shù)字地圖應(yīng)用引擎平臺(tái)。