(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 202210580517.7 (22)申请日 2022.05.25 (71)申请人 农业农村 部大数据发展中心 地址 100026 北京市朝阳区东 三环北路16 号全国农业展览馆2号楼 申请人 北京师范大学 (72)发明人 胡华浪　韩旭　韩巍　申克建　 裴志远　张锦水　皮轶轩　杨泽迁　 王丹琼　贾少荣　 (74)专利代理 机构 北京五洲洋和知识产权代理 事务所(普通 合伙) 11387 专利代理师 刘春成 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/17(2022.01)G06V 10/44(2022.01) G06V 10/30(2022.01) G06T 7/62(2017.01) G06T 5/00(2006.01) (54)发明名称 一种基于改进EUnet网络的大棚识别方法及 系统 (57)摘要 本申请涉及精 准农业技术领域， 提供一种基 于改进EUnet网络的大棚识别方法及系统， 该方 法包括： 对大棚训练数据进行边缘特征提取， 得 到边缘特征图像； 然后， 通过EUnet网络中的第一 编码器和第二编码器， 分别对大棚训练数据、 边 缘特征图像进行多层下采样处理， 对应得到大棚 训练数据的编码特征图、 边缘特征图像的编码特 征图； 通过EUnet网络的解码器对大棚训练数据 的编码特征图依次进行多层上采样处理， 并将上 采样处理的结果与当前层数对应的大棚训练数 据的编码特征图、 边缘特征图像的编码特征图进 行跳跃连接， 得到大棚识别输出图像； 根据大棚 识别输出图像的精度对EUnet网络进行迭代训 练， 以基于EUnet网络对大棚进行识别。 权利要求书2页 说明书9页 附图4页 CN 115187872 A 2022.10.14 CN 115187872 A 1.一种基于改进EUnet网络的大棚识别方法， 其特 征在于， 包括： 对大棚训练数据进行边 缘特征提取， 得到边 缘特征图像； 通过所述EUnet网络中的第一编码器和第二编码器， 分别 对所述大棚训练数据、 所述边 缘特征图像进行多层下采样处理， 对应得到所述大棚训练数据的编码特征图、 所述边缘特 征图像的编码特征图； 其中， 所述EUnet网络中的第一编码 器和第二编码 器均为Unet网络的 编码器； 通过所述EUnet网络的解码器对大棚训练数据的编码特征图依次进行多层上采样处 理， 并将上采样处理的结果与当前层数对应的所述大棚训练数据的编码特征图、 所述边缘 特征图像的编码特 征图进行跳跃 连接， 得到大棚识别输出图像； 基于所述大棚识别输出图像的精度对所述EUnet网络进行迭代训练， 直至所述EUnet网 络的精度收敛， 以基于所述EUnet网络对大棚进行识别。 2.根据权利要求1所述的基于改进EUnet网络的大棚识别方法， 其特征在于， 所述对大 棚训练数据进行边 缘特征提取， 得到边 缘特征图像， 具体为： 按照预设尺寸对所述大棚训练数据进行裁 剪， 得到裁剪后的大棚训练数据； 基于高斯滤波器和拉普拉斯算子， 对所述裁剪后的大棚训练数据进行边缘特征提取， 得到所述 边缘特征图像。 3.根据权利要求2所述的基于改进EUnet网络的大棚识别方法， 其特征在于， 所述按照 预设尺寸对所述大棚训练数据进行裁 剪， 得到裁剪后的大棚训练数据之后， 还 包括： 对所述裁 剪后的大棚训练数据进行 数据增广， 得到增广训练数据； 对应地， 所述基于高斯滤波器和拉普拉斯算子， 对所述裁剪后的大棚训练数据进行边 缘特征提取， 得到所述 边缘特征图像， 具体为： 基于高斯滤波器和拉普拉斯算子， 对所述增广训练数据进行边缘特征提取， 得到所述 边缘特征图像。 4.根据权利 要求2或3所述的基于改进EUnet网络的大棚识别方法， 其特征在于， 所述预 设尺寸为： 256像元×256像元。 5.根据权利要求1所述的基于改进EUnet网络的大棚识别方法， 其特征在于， 在对大棚 训练数据进行边 缘特征提取之前， 所述方法还 包括： 获取目标地区的影 像数据和标签数据； 提取所述目标地区的预定区域内所述影像数据和标签数据， 得到大棚测试数据； 所述 大棚测试 数据用于 评价所述EUnet网络的预测精度； 按照预设比例将所述目标地区除预定区域之外的其他所述影像数据和标签数据划分 为大棚训练数据和验证数据， 其中， 所述大棚训练数据用于对所述EUnet网络进行训练， 所 述验证数据用于对所EUnet网络的每一批次训练结果进行损失计算。 6.根据权利要求1所述的基于改进EUnet网络的大棚识别方法， 其特征在于， 所述影像 数据为多光谱数据； 对应地， 在所述对大棚训练数据进行边 缘特征提取之前， 所述方法还 包括： 根据所述影像数据中所述大棚的光谱特征以及形状特征， 对所述大棚中的废弃大棚进 行类别归属， 得到大棚训练数据。权　利　要　求　书 1/2 页 2 CN 115187872 A 27.根据权利要求1所述的基于改进EUnet网络的大棚识别方法， 其特征在于， 所述基于 所述EUnet网络对大棚进行识别， 具体为： 基于所述EUnet网络， 对待预测大棚数据进行识别， 得到所述待预测大棚数据的预测结 果； 根据所述待预测大棚数据的预测结果， 对所述待预测大棚数据进行分水岭分割， 并基 于形态学算法对分割后的待预测大棚数据进 行处理， 以计算得到待预测大棚数据的面积和 数量。 8.一种基于改进EUnet网络的大棚识别系统， 其特 征在于， 包括： 边缘特征提取单元， 配置为： 对大棚训练数据进行边 缘特征提取， 得到边 缘特征图像； 下采样单元， 配置为： 通过所述EUnet网络的第一编码器和第二编码器， 分别对所述大 棚训练数据、 所述边缘特征图像进行多层下采样处理， 对应得到所述大棚训练数据的编码 特征图、 所述边缘特征图像的编码特征图； 其中， 所述EUnet网络的第一编码器和第二编码 器均为Unet网络的编码器； 上采样单元， 配置为： 通过所述EUnet网络的解码器对大棚训练数据的编码特征图依次 进行多层上采样处理， 并将上采样处理的结果与当前层数对应的所述大棚训练数据的编码 特征图、 所述 边缘特征图像的编码特 征图进行跳跃 连接， 得到大棚识别输出图像； 识别单元， 配置为： 根据所述大棚识别输出图像的精度对所述EUnet网络进行迭代训 练， 直至所述EUnet网络的精度收敛， 以基于所述EUnet网络对大棚进行识别。权　利　要　求　书 2/2 页 3 CN 115187872 A 3