(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 202210383891.8 (22)申请日 2022.04.12 (71)申请人 北京艾尔思时代科技有限公司 地址 100082 北京市西城区新 街口外大街8 号1幢五层5 02号 (72)发明人 刘文达　梁治华　丁志平　 (74)专利代理 机构 北京合创致信专利代理有限 公司 16127 专利代理师 余倩倩 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 20/00(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种多传感器融合的农作物深度学习识别 方法及系统 (57)摘要 本申请涉及用于识别图形技术领域， 提供一 种多传感器融合的农作物深度学习识别方法， 该 方法包括： 基于第一传感器对应的太阳光谱曲线 和光谱响应函数， 根据第一传感器采集的初始数 据， 得到训练区域内的第一大气顶层反射率数 据； 其中， 第一传感器有多个； 对第一大气顶层反 射率数据和通过大数据运算平台处理得到的第 二大气顶层反射率数据进行处理， 得到训练区域 的晴空影像； 其中， 第二大气顶层反射率数据来 自与第一传感器不同的第二传感器； 基于训练后 的深度学习模型， 对目标区域的农作物进行识 别； 其中， 训练后的深度学习模型为对样本数据 进行训练得到； 样本数据为对预先 获取的农作物 标签数据与训练区域的晴空影像进行波段合成 得到的。 权利要求书2页 说明书12页 附图4页 CN 114926732 A 2022.08.19 CN 114926732 A 1.一种多传感器融合的农作物深度学习识别方法， 其特 征在于， 包括： 基于第一传感器对应的太阳光谱曲线和光谱响应函数， 根据第 一传感器采集的初始数 据， 得到训练区域内的第一大气顶层反射 率数据； 其中， 所述第一传感器有 多个； 对所述第一大气顶层反射率数据和通过大数据运算平台处理得到的第二大气顶层反 射率数据进 行处理， 得到训练区域的晴空影像； 其中， 所述第二大气顶层反射率数据来自与 所述第一传感器不同的第二传感器； 基于训练后的深度 学习模型， 对目标区域的农作物进行识别； 其中， 所述训练后的深度 学习模型为对样本数据进 行训练得到； 所述样本数据为对预先获取的农作物 标签数据与所 述训练区域的晴空影 像进行波段合成得到的。 2.根据权利要求1所述的多传感器融合的农作物深度 学习识别方法， 其特征在于， 所述 基于第一传感器对应的太阳光谱曲线和 光谱响应函数， 根据第一传感器获取 的初始数据， 得到训练区域的第一大气顶层反射 率数据， 具体为： 对预先获取的太阳光谱数据进行拟合， 得到所述太阳光谱曲线； 基于所述太阳光谱曲线和光谱响应函数， 计算所述第 一传感器的每一个波段的大气层 外波段平均太阳光谱辐照度； 根据所述大气层外波段平均太阳光谱辐照度和所述第 一传感器获取的初始数据， 计算 所述训练区域的第一大气顶层反射 率数据。 3.根据权利要求1所述的多传感器融合的农作物深度 学习识别方法， 其特征在于， 所述 对所述第一大气顶层反射率数据和预先获取的所述训练区域的第二大气顶层反射率数据 进行处理， 得到训练区域的晴空影 像， 具体为： 基于预先构建的云检测模型， 分别对所述第 一大气顶层反射率数据和所述第 二大气顶 层反射率数据进行云检测处 理， 对应得到第一云 分数影像和第二云 分数影像； 分别对所述第 一云分数影像和所述第 二云分数影像进行云修复处理， 并将云修复处理 结果进行波段合成， 得到所述训练区域的晴空影 像。 4.根据权利要求1所述的多传感器融合的农作物深度 学习识别方法， 其特征在于， 所述 基于训练后的深度学习模型， 对目标区域的农作物进行识别， 具体为： 基于支持向量机模型和目视修正法， 根据预先获取的农作物标签样本， 得到所述农作 物标签数据； 将所述农作物标签数据与所述训练区域的晴空影像进行波段合成， 得到所述样本数 据； 根据所述样本数据得到所述训练后的深度学习模型； 根据预先获取的所述目标区域的测试数据集， 基于训练后的深度学习模型， 对所述目 标区域的测试 数据进行 逐个像元农作物 识别。 5.根据权利要求4所述的多传感器融合的农作物深度 学习识别方法， 其特征在于， 所述 根据预先获取 的农作物标签样本， 基于支持向量机模型和目视修正法， 得到所述农作物标 签数据， 具体为： 基于所述支持向量机模型， 对所述农作物标签样本进行分类， 得到分类结果； 基于预先构建的农作物生长曲线， 通过目视修正法对所述分类结果进行解译， 得到所 述农作物标签数据。权　利　要　求　书 1/2 页 2 CN 114926732 A 26.根据权利要求4所述的多传感器融合的农作物深度 学习识别方法， 其特征在于， 所述 根据所述样本数据得到所述训练后的深度学习模型， 具体为： 对所述样本数据进行剪切处 理， 得到预设尺寸和预设重 叠度的训练斑块； 将所述训练斑块输入预先构建的深度网络模型进行训练， 并基于交叉熵损失函数计算 训练过程中的训练损失和验证损失， 直至所述训练损失和验证损失趋于 收敛， 得到训练后 的深度学习模型。 7.根据权利要求1 ‑6任一所述的多传感器融合的农作物深度学习识别方法， 其特征在 于， 所述第一传感器为搭载在高分系列卫星平台上的宽幅相机， 对应地， 所述初始数据为所 述宽幅相机采集到的影 像数据。 8.一种多传感器融合的农作物深度学习识别系统， 其特 征在于， 包括： 第一数据获取单元， 配置为： 基于第 一传感器对应的太阳光谱曲线和光谱响应函数， 根 据第一传感器采集的初始数据， 得到训练区域内的第一大气顶层反射率数据； 其中， 所述第 一传感器有 多个； 第二数据获取单元， 配置为： 对所述第一大气顶层反射率数据和通过大数据运算平台 处理得到的第二大气顶层反射率数据进 行处理， 得到训练区域的晴空影像； 其中， 所述第二 大气顶层反射 率数据来自与所述第一传感器不同的第二传感器； 作物识别单元， 配置为： 基于训练后的深度学习模型， 对目标区域的农作物进行识别； 其中， 所述训练后的深度学习模型为对样本数据进行训练得到； 所述样本数据为对预先获 取的农作物标签数据与所述训练区域的晴空影 像进行波段合成得到的。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序为 如权利要求1 ‑7任一所述的多传感器融合的农作物深度学习识别方法。 10.一种电子设备， 其特征在于， 包括： 存储器、 处理器、 以及存在所述存储器中并可在 所述处理器上运行 的程序， 所述处理器执行所述程序时实现如权利要求1 ‑7任一所述的多 传感器融合的农作物深度学习识别方法。权　利　要　求　书 2/2 页 3 CN 114926732 A 3