Artificial intelligence

中科赛诺—耕地地块识别

精确的耕地地块识别和分割在农业生产中有非常重要的意义，传统的解决方法主要依靠遥感影像的光谱分析来做地块识别，对数据要求高，前期需要采集大量的样本数据，不同地区的同种作物需要重复采集，且识别的精度不高。

多光谱遥感图像

中科赛诺应用飞桨深度学习开源框架中的 PaddleSeg 图像分割开发套件对农业遥感数据进行处理，提取耕地面积，从而辅助相关部门和从业者进行估产。

技术方案 

方案思路

• 优选模型，注重预测精度

在地块分割这一场景中，更着重于预测精度，因此模型选型采用 DeepLabv3+和 Xcep-tion65骨干网络的组合。

• 四通道图像增强数据信息

为弥补普通 RGB 图像的不足，PaddleSeg 可以支持四通道光谱照片训练，除了 RGB 三个图像通道，额外拼接 NIR(近红外通道)，最后生成四通道的图片。

• 训练调优实现精度提升

通过在配置文件中配置让模型支持四通道的图片格式，基于 DeepLabV3+ 模型对地块图片进行训练，学习近红外(NIR)的光谱反射特征鉴别植被信息，对最终地块分割精度能带来 5% 的提升，达到 90%。

DeepLapv3+网络结构图

上线效果 

中科赛诺将算法上线后，相对传统方法取得了一系列优化。

• 耕地地块识别准确率提高至 90%以上。
• 模型适应性强，即使区域变化也不需重新采集数据，大大减少了人力投入，将地块信息采集和分析变得简单。
• 通过对遥感影像耕地信息智能提取，实现了农业遥感数据实时监测分析。
• 对作物病虫害分析，识别精度达到 90% 以上。

耕地地块识别示意图

企业简介

中科赛诺成立于 2014 年，秉承“科技服务三农、数据创造价值”的理念，在国家 863、973 计划支持下，基于卫星 + 气象 + 地面光谱 + 作物模型对作物实时 CT 监测、预测、决策，打造全维度、高精度精准农业数字地图应用引擎平台。