本发明涉及遥感信息技术领域，具体来说，涉及一种基于深度学习自动确定打点位置的方法。
背景技术：
传统方法中，无人机航飞与外业打点是独立的，无人机航飞不能给外业打点提供任何指导性的建议，确定打点位置的方法是靠外业人员去采样区现场实地考察凭经验判断确定的。这种方法的弊端是采样区的面积非常大，外业人员想要考察完采样区的每一块区域非常耗费人力、物力、财力，因此外业人员往往只会挑选采样区的部分区域进行打点位置的判断，因此打点位置的确定是不全面的，具有随机性，且耗费人力，打点效率也比较低。
技术实现要素：
针对相关技术中的上述技术问题，本发明提出一种基于深度学习自动确定打点位置的方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于深度学习自动确定打点位置的方法，该方法包括以下步骤：
s1：建立样本库；
s2：查询中国统计年鉴，得到采样区作物种类，从样本库中获取对应种类的作物样本；
s3：将各类作物样本输入多分类神经网络，自动化训练最优模型，转化最优模型为轻量级模型；
s4：无人机到采样区开始航飞，获得无人机航飞影像；
s5：模型实时解译无人机航飞影像，其中，实时解译的方式有三种，为方式一、方式二或方式三；
s6：对实时解译后的解译结果进行置信度分析，依据分析结果，指导外业人员打点，其中，置信度低的区域即需要打点的位置；
所述步骤s5中解译的方式一包括以下步骤：
s51：在无人机云台上装载一个图像深度学习开发板；
s52：将用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件加载到深度学习开发板上；
s53：无人机航飞过程中，实时传入航飞影像到深度学习开发板；
s54：基于轻量化深度学习框架，采用轻量级模型，实时解译获得的航飞影像；
所述步骤s5中解译的方式二包括以下步骤：
s55：携带移动设备，加载用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件到移动设备；
s56：给无人机加上无线网卡，采用局域网将无人机航飞影像实时传回移动设备；
s57：基于轻量化深度框架，采用轻量级模型实时解译航飞影像。
进一步的，所述步骤s1包括以下步骤：
s11：获得每次采样样本；
s12：存入采样样本到样本库。
进一步的，所述步骤s1中，每次获得作物样本都应该放进样本库以丰富样本库。
进一步的，所述步骤s2中，从样本库中获取相应种类作物最近期或往年同期的样本。
进一步的，所述步骤s3包括以下步骤：
s31：输入各类样本到多分类神经网络；
s32：采用本地服务器在深度学习框架上训练模型；
s33：采用自动化调参算法自动选出最优模型，其中，最优模型为多分类模型；
s34：采用轻量级模型转换器将模型文件转换成轻量级模型文件。
进一步的，所述步骤s5中，解译的方式三为在5g基站建好后，利用5g通信实时将航飞影像实时传回本地服务器，本地服务器对航飞影像实时解译。
进一步的，所述步骤s6中，对解译结果进行置信度分析，将分类结果最大概率的前两类概率差小于某个阈值的区域判定为置信度低的区域。
本发明的有益效果：通过该方法，不仅自动确定了打点位置，减轻了外业人员的负担，而且全面的涵盖了所有区域，提高了无人机航飞的利用率，提高了外业打点的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于深度学习自动确定打点位置的方法的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，根据本发明实施例所述的一种基于深度学习自动确定打点位置的方法，包括以下步骤：
s1：建立样本库；
s2：查询中国统计年鉴，获取采样区作物种类，从样本库中获取对应种类的作物样本；
s3：将各类作物样本输入多分类神经网络，自动化训练最优模型，自动选出最优模型，转化最优模型为轻量级模型；
s4：无人机到采样区开始航飞，获得无人机航飞影像；
s5：模型实时解译无人机航飞影像，其中，实时解译的方式有三种，为方式一、方式二或方式三；
s6：对解译结果进行置信度分析，依据分析结果，指导外业人员打点，其中，置信度低的区域即需要打点的位置；
所述步骤s5中解译的方式一包括以下步骤：
s51：在无人机云台上装载一个图像深度学习开发板；
s52：将用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件加载到深度学习开发板上；
s53：无人机航飞过程中，实时传入航飞影像到深度学习开发板；
s54：基于轻量化深度学习框架，采用轻量级模型，实时解译获得的航飞影像；
所述步骤s5中解译的方式二包括以下步骤：
s55：携带移动设备，加载用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件到移动设备；
s56：给无人机加上无线网卡，采用局域网将无人机航飞影像实时传回移动设备；
s57：基于轻量化深度框架，采用轻量级模型实时解译航飞影像。
步骤s1包括以下步骤：
s11：获得每次采样样本；
s12：存入采样样本到样本库。
在本发明的一个具体实施例中，所述步骤s1中，每次获得作物样本都应该放进样本库以丰富样本库。
在本发明的一个具体实施例中，所述步骤s2中，从样本库中获取相应种类作物最近期或往年同期的样本。
步骤s3包括以下步骤：
s31：输入各类样本到多分类神经网络；
s32：采用本地服务器在深度学习框架上训练模型；
s33：采用自动化调参算法自动选出最优模型，其中，最优模型为多分类模型；
s34：采用轻量级模型转换器将模型文件转换成轻量级模型文件。
在本发明的一个具体实施例中，所述步骤s5中，解译的方式三为在5g基站建好后，利用5g通信实时将航飞影像实时传回本地服务器，本地服务器对航飞影像实时解译。
在本发明的一个具体实施例中，所述步骤s6中，对解译结果进行置信度分析，将分类结果最大概率的前两类概率差小于某个阈值的区域判定为置信度低的区域。
本发明一些点解释说明：
（1）将传统的人工现场考察判定打点位置的人工方法变成基于深度学习自动判定打点位置的自动化方法，大大减轻了外业人员的负担；
（2）采样区面积往往比较大，传统方法中外业人员是不可能考察完采样区所有区域的，因为太费时费力，外业人员往往只会挑选采样区的部分区域进行打点位置的判断，因此打点位置的确定具有随机性，也不全面，而我们自动化确定打点位置的方法基于深度学习对采样区所有区域进行解译，不会有任何遗漏，是非常全面的；
（3）本发明将无人机航飞与外业打点相结合，根据航飞影像实时解译，自动确定打点位置，大大提高了无人机航飞的利用率；
（4）本发明通过实时解译保证了遥感解译的时效性，能够快速确定好打点位置，大大提高了外业打点的效率（这种具有高时效性的遥感解译也能在其他遥感应用中提高效率）。
综上所述，借助于本发明的上述技术方案，通过该方法，减轻了外业人员的负担，全面地涵盖了所有区域，自动确定了打点位置，提高了无人机航飞的利用率，提高了外业打点的效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于深度学习自动确定打点位置的方法，其特征在于，包括以下步骤：
s1：建立样本库；
s2：查询中国统计年鉴，得到采样区作物种类，从样本库中获取对应种类的作物样本；
s3：将各类作物样本输入多分类神经网络，自动化训练最优模型，转化最优模型为轻量级模型；
s4：无人机到采样区开始航飞，获得无人机航飞影像；
s5：模型实时解译无人机航飞影像，其中，实时解译的方式有三种，为方式一、方式二或方式三；
s6：对解译结果进行置信度分析，依据分析结果，自动确定打点位置，指导外业人员打点，其中，置信度低的区域即需要打点的位置；
所述步骤s5中解译的方式一包括以下步骤：
s51：在无人机云台上装载一个图像深度学习开发板；
s52：将用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件加载到深度学习开发板上；
s53：无人机航飞过程中，实时传入航飞影像到深度学习开发板；
s54：基于轻量化深度学习框架，采用轻量级模型，实时解译获得的航飞影像；
所述步骤s5中解译的方式二包括以下步骤：
s55：携带移动设备，加载用于移动端和嵌入式设备的轻量化深度学习框架和轻量级模型文件到移动设备；
s56：给无人机加上无线网卡，采用局域网将无人机航飞影像实时传回移动设备；
s57：基于轻量化深度框架，采用轻量级模型实时解译航飞影像。
2.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤s1中，每次打点采样后获得的样本都可以放进样本库以扩充样本库。
3.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤s3包括以下步骤：
s31：输入样本到多分类神经网络；
s32：采用本地服务器在深度学习框架上训练模型；
s33：采用自动化调参算法自动选出最优模型，其中，最优模型为多分类模型；
s34：采用轻量级模型转换器将模型文件转换成轻量级模型文件。
4.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤s5中，解译的方式三为在5g基站建好后，利用5g通信实时将航飞影像实时传回本地服务器，本地服务器对航飞影像实时解译。
5.根据权利要求1所述的一种基于深度学习自动确定打点位置的方法，其特征在于，所述步骤s6中，对解译结果进行置信度分析，将分类结果最大概率的前两类概率差小于某个阈值的区域判定为置信度低的区域。
技术总结