概述

每年，农民出于保险原因计算大量幼苗并计算补种要求。在研究试验中，流苏的计算给出了对新兴幼苗百分比的估计。因此，在本季后期，农民倾向于将流苏作为更好的产量预测。

种苗计数技术已经使用了几年。然而，这个过程从未像现在这样快，ATLAS 是一个用于存储和分析地理空间数据的人工智能平台。

本文解释了如何利用无人机的 RGB 图像来计算田间各种植物的大量幼苗。我们使用了一片玉米地的图像，在 0.74Ha 的测试区域内共检测到36,582 个物体。地图的 GSD 为 1 厘米，这对于我们的任务来说已经足够了。总体而言，该项目在 ATLAS 中花费了 25 分钟的手动数据注释和三个小时的云处理时间。

工作流程

在我们的例子中，我们已经在 Pix4D Mapper 中缝合了一个正射马赛克。上传到 ATLAS 的过程很简单，此处不再赘述。那么，当地图在 ATLAS中时，我们会看到什么？

只有地图可见，没有注释。下一步是按上方工具栏中的“新对象搜索”按钮。然后会出现一个对话框，我们可以在其中输入感兴趣对象的名称。

在“搜索”字段中，我们可以创建新的对象名称或从现有对象中进行选择。由于在我们的案例中没有玉米幼苗的现有对象，我们单击“新的感兴趣对象”。

然后我们可以给我们的对象一个“玉米幼苗”的名字，并进入下一个重要阶段 - 手动注释。这包括两个步骤：

• 注释“训练样本”——在我们的例子中，这意味着绿色幼苗的可见足迹

• 注释“训练区域”- ATLAS 使用这些区域进行 AI 训练。该区域显示 ATLAS 什么是感兴趣对象（训练样本）的一部分，什么是背景。因此，唯一要记住的规则是在训练区域内，所有感兴趣的对象都应该被标记为训练样本。不遵循此规则可能会导致生成的结果中缺少对象。

为了注释训练样本和训练区域，我们使用上方工具栏中的相同绘图工具 (1)。右侧面板 (2) 中当前选定的项目定义了上下文。生成的注释可能如下图所示：

虚线多边形定义了训练区域，该多边形内的所有幼苗都有适当的注释。让我们定义“正确注释”的真正含义。强烈建议您尽可能接近对象轮廓。注释工具栏上有三个主要工具：圆形、多边形和矩形。我们通常可以使用多边形获得最佳结果，而圆形和矩形通常会占用过多的背景，这可能会导致过多的误报。但是，圆圈对于注释棕榈树非常方便。注释完成后，我们在窗口中按“继续”或再次按“新对象搜索”，这将打开以下对话框：

下一步是指定在何处进行自动对象搜索。 ATLAS 有两种选择：

• “在整个地图上检测”，当您对检测器质量有信心时，这很好。

• “在工作区域检测”，允许您指定测试检测的区域。当存在不存在感兴趣对象的明显区域时，它也很有用。我们只能指定有植物的田地边界，而在范围之外留出一个空白区域。这可以为大型调查节省数小时的处理时间。

在此特定示例中，我们指定工作区域，其属性由右侧面板显示。要绘制边界，我们可以使用上方工具栏中的所有相同工具，工作区域通过白色虚线显示。

在右侧的属性面板中，我们可以看到其中的区域大小和对象数量。定义完工作区后，我们要么按对话框中的“继续”，要么按上方工具栏中的“新对象搜索”。

出现新对话框后，进行最后检查：

• 搜索：“玉米幼苗”

• 在哪里搜索：“在工作区域检测”

每个幼苗都应注释为简单（凸）多边形。这就是我们为所需的对象形状选择“简单对象”的原因。一切准备就绪后，按“查找对象”。检测过程可能需要一段时间，完成后您将收到电子邮件通知。

检查检测结果：如果结果良好，可用于计数或导出为GeoJSON。如果结果不完美，请检查您的注释。性能不佳有几个常见原因：

• 并非所有训练样本都在训练区域内进行注释。

• 背景对象被注释为感兴趣的对象。

• 注释太少。

查看您的注释，修复它并重复搜索。为了改善检测结果，我们建议您为此对象类型选择先前训练过的检测器。这将防止 ATLAS 必须通过重用在先前检测期间获得的知识从头开始学习。

如有任何疑问,请随时与我们联系

邮件：cn@ugcs.com

微信：+37125774334（销售经理雅娜）