本次研究是基于1米分辨率的真彩色影像对农田中所种植的南瓜进行自动识别提取，统计其数量，这是我们实现南瓜估产的第一步。通过深度学习获得田间南瓜的数量与占地面积，基于对南瓜的占地面积大小进行划分，通过实际考察得出特定面积范围大小的南瓜所具备的真实重量，来估算南瓜的产量。

原始数据

图像分辨率：1米

参与波段：红光波段、绿光波段、蓝光波段

矢量文件：“南瓜”样本点

图1 原始影像 （红、绿、蓝）

图2“南瓜”样本点矢量文件

基本技术线路

基于深度学习方法进行图像分类

利用eCognition软件中的深度学习技术来对图像进行数据处理与“南瓜”识别。深度学习方法分类基本流程为：①创建模型；②训练模型；③保存模型；④应用模型。相关图像分析技术流程如下:

图3 eCognition地物深度学习分类方法基本应用流程

数据处理

（一）基于eCognition软件识别“南瓜” 

1. 基于“南瓜”的样本点矢量文件进行缓冲区创建。基于“南瓜”缓冲区进行分割与分类。

图4 基于矢量（缓冲区）分割效果与分类效果

2. 基于生成标签样本算法（generate labeled sample patches），一键式自动化生成“南瓜”的样本图片和非样本图片，主要参数设置与样本情况如下所示：

图5 生成“南瓜”样本参数设置面板

图 6“南瓜”样本展示（局部放大）

图7 非“南瓜”样本展示

3. 开始卷积神经网络模型的创建与应用。主要通过以下四步来实现：创建CNN模型、训练模型、保存模型与应用模型。

图8 卷积神经网络模型应用基本流程

4. 基于“南瓜”热度图使用隶属度函数进行分类，首先创建隶属度函数的阈值范围，选择合适的隶属度函数，设置最大值与最小值。

图9 “南瓜”热度图效果

图10 隶属度函数设置面板

5. 创建多尺度分割算法。尺度设为30，这样可以很好的分割出“南瓜”的现状。

图11 多尺度分割效果

6. 基于classification算法进行“南瓜”地物的分类显示。下面就是我们基于深度学习算法的“南瓜”分类结果。

图12 “南瓜”分类效果

7.将“南瓜”的分类结果斑块转换为矢量点数据，便于统计“南瓜”的数量。成果展示如下：

图13 eCognition软件界面——“南瓜”分类结果

图14 属性表展示

本次数据研究结果向我们展示了农作物的基本识别流程，支持导出“南瓜”的面积特征、各图像波段特征等其它字段组成的属性表，为我们估算农作物产量提供了有效的依据。