用于农业覆盖材料的识别方法、系统、存储介质及设备与流程

本发明涉及图像识别和深度学习，尤其涉及用于农业覆盖材料的识别方法、系统、存储介质及设备。

背景技术：

1、在农业覆盖材料识别领域，传统的识别方法主要依赖于人工解译和手工绘制，这种方法效率低下，且易受到主观误差的影响，难以满足大规模土地面积的监测和管理需求，随着遥感技术的飞速发展，高质量、高分辨率的遥感图像为农业覆盖材料和隐患监测提供了新的机遇，然而，从遥感图像中准确识别和分类农业覆盖材料，特别是在多样化的地形条件下，仍然是一个技术挑战。

2、sam(segment anything model)作为一种基于深度学习的遥感图像分割模型，展现出对遥感图像中任意目标进行零样本分割的能力，sam无需任何标注数据，仅通过点或框的提示即可对目标进行分割，这一特点为那些标注数据稀缺或质量不佳的场景提供了新的解决方案；然而，如何结合sam的优势，设计一种既能充分利用弱标注数据，又能有效利用标注数据，且兼顾成本和准确性的农业覆盖材料识别算法，仍然是一个待解决的技术问题。

技术实现思路

1、基于此，有必要针对上述问题，提出了用于农业覆盖材料的识别方法。

2、一种用于农业覆盖材料的识别方法，所述方法包括下列步骤：

3、采集农业覆盖材料的遥感图像，并对所述遥感图像进行增强，确定数据集；

4、根据所述数据集对第一识别模型进行训练，直至完成训练；

5、根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型；

6、根据所述第二识别模型对待检测的农业覆盖材料的遥感图像进行识别。

7、上述方案中，所述根据所述数据集对第一识别模型进行训练，直至完成训练，之后，该方法还包括：

8、利用所述第一识别模型对所述数据集进行识别，获取粗略分割结果；

9、对所述粗略分割结果进行二值化处理，得到对应的二值掩膜；

10、在所述二值掩膜中识别若干个点和若干个框，作为sam模型的第一空间提示。

11、上述方案中，所述在所述二值掩膜中识别若干个点和若干个框，具体包括：

12、在所述二值掩膜中随机选择m个点，放置在集合sp中：

13、sp＝[(xp1,yp1),...,(xpm,ypm)]；

14、根据所述二值掩膜中的连通区域的大小确定若干个框，放置在集合sb中：

15、sb＝[sb1,...,sbq]

16、

17、sbi＝[(xbi,ybi,hbi,wbi)]。

18、上述方案中，所述根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型，具体包括：

19、将所述数据集和/或所述第一空间提示输入sam模型，生成第一编码特征zi和第二编码特征zs；

20、根据所述sam模型生成细化掩膜及对应的置信度分数；

21、根据所述置信度分数、所述粗略分割结果和所述细化掩膜，得到最终细粒度分割结果。

22、上述方案中，所述根据所述置信度分数、所述粗略分割结果和所述细化掩膜，得到最终细粒度分割结果，具体包括：

23、将每个矩形框产生的三个细化掩膜结果预设为：

24、

25、将不同的所述置信度分数预设为：

26、

27、将所述粗略分割结果和所述细化掩膜结果根据不同的置信度分数进行融合，得到最终的细粒度分割结果ofinal：

28、

29、其中，norm表示归一化操作。

30、上述方案中，所述根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型，具体包括：

31、利用所述第一识别模型对所述数据集进行识别，获取粗略分割结果；

32、利用所述粗略分割结果和点标注、掩膜框生成规则生成第二空间提示，输入到sam模型中得到半监督分割结果；

33、利用所述数据集和半监督分割结果对所述第一识别模型进行半监督训练，确定第二识别模型。

34、上述方案中，所述根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型，具体包括：

35、根据二元交叉熵损失函数和焦点损失函数确定焦点二元交叉熵损失函数：

36、

37、式中，n为样本的总数，yi是第i个样本的真实标签，pi是模型预测第i个样本为类别1的概率，为针对正确类别的调整后的预测概率，γ调节参，为针对每个类别的权重；

38、根据所述焦点二元交叉熵损失函数与阈值的比较关系确定所述第二识别模型是否训练完成；

39、若所述第二识别模型训练完成，根据所述第二识别模型对待检测的农业覆盖材料的遥感图像进行识别。

40、本技术还提出了一种用于农业覆盖材料的识别系统，所述系统包括：数据集获取单元、模型训练单元和识别单元；

41、所述数据集获取单元，用于采集农业覆盖材料的遥感图像，并对所述遥感图像进行增强，确定数据集；

42、所述模型训练单元，用于根据所述数据集对第一识别模型进行训练，直至完成训练；根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型；

43、所述识别单元，用于根据所述第二识别模型对待检测的农业覆盖材料的遥感图像进行识别。

44、本技术还提出了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

45、采集农业覆盖材料的遥感图像，并对所述遥感图像进行增强，确定数据集；

46、根据所述数据集对第一识别模型进行训练，直至完成训练；

47、根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型；

48、根据所述第二识别模型对待检测的农业覆盖材料的遥感图像进行识别。

49、本技术还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行如下步骤：

50、采集农业覆盖材料的遥感图像，并对所述遥感图像进行增强，确定数据集；

51、根据所述数据集对第一识别模型进行训练，直至完成训练；

52、根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型；

53、根据所述第二识别模型对待检测的农业覆盖材料的遥感图像进行识别。

54、采用本发明实施例，具有如下有益效果：采集农业覆盖材料的遥感图像，并对所述遥感图像进行增强，确定数据集；根据所述数据集对第一识别模型进行训练，直至完成训练；根据sam掩膜优化半监督训练方法对训练完成后的第一识别模型进行优化，并确定第二识别模型；根据所述第二识别模型对待检测的农业覆盖材料的遥感图像进行识别。本发明结合了遥感图像处理和机器学习技术，大幅度降低了标注成本，能够实现农业覆盖材料的自动化识别，提高了识别效率和准确性。