简介这套基于Java开发的高标准农田监管平台源码面向农业信息化、遥感监测及AI地物分类方向的开发者与研究人员聚焦于解决传统农田监管中遥感数据人工判读效率低、地物识别精度不足等问题。压缩包共26个文件总大小28.23MB包含6个Java源文件、4个XML与4个YAML配置文件、7张PNG效果图、Git忽略文件及说明文档其中Java源码实现遥感影像分析与地物分类核心逻辑XML与YAML配置覆盖项目依赖、运行环境和AI模型参数PNG图片可预览界面或分类结果。平台通过AI识别技术自动提取作物长势、土壤湿度、病虫害等关键信息并对水体、植被、建筑物等地表覆盖物进行分类为精准农田监管提供数据支撑。目前已有356人学习/下载。通过完整源码与工程组织方式可直观理解遥感监测从数据接入、AI推理到监管应用的全流程掌握Java环境下模型集成、配置管理和业务整合的实操思路适合作为农业遥感项目二次开发、课程设计或方案验证的参考资料。1. 高标准农田监管的遥感监测为什么选 Java 做 AI 识别落地高标准农田建设的验收、管护、占补平衡核查最终都要落到地块尺度。几千上万亩项目区全靠人工巡查既追不上作物茬口变化也统一不了田埂、沟渠、大棚等细节的判断标准。遥感影像按周更新AI 识别从影像里分出地物类型后台再算面积、查长势这是目前最高效的监测路径。Java 在整个平台里承担的并非训练模型而是把 Python 训练好的模型包装成高并发、可审计、能对接政务系统的服务。这条“影像获取—预处理—AI 识别—入库—展示”链路每一段都有明确的参数与取舍下面按工程顺序展开。2. 地物分类的核心遥感影像预处理与 AI 识别算法选型遥感影像能不能被分割模型正确识别大半取决于前期预处理和波段组织小半才取决于网络结构。这里讲的预处理不是让影像肉眼看着舒服而是要让模型输入的光谱分布尽量贴近训练时的状态。常见做法是先做辐射定标和大气校正再做正射校正消除地形误差最后把多波段影像统一到同一个网格。业务上最常用的底图是 Sentinel-2 L2A 产品L2A 已经完成大气校正省去一大段野外同步采样的麻烦国产高分系列则必须先用 RPC 做正射校正再进入识别流程。2.1 Sentinel-2 遥感影像预处理流程波段重采样与统一网格Sentinel-2 的波段分辨率不一致B2、B3、B4、B8 是 10m红边与短波红外是 20m气溶胶和水汽波段是 60m。多数地物分类模型只取 6 到 8 个波段所以第一步是把波段统一到同一分辨率网格。我一般把 20m 波段用最邻近法重采样到 10m不用双线性或三次卷积。原因是分类任务需要保留像元原始值插值会造出真实地物光谱里不存在的新组合最邻近法虽然让边界看着有锯齿分类结果却更稳。下表是高标准农田监管常用的波段组合与用途波段中心波长分辨率在地物分类中的作用B2 蓝490nm10m水体识别大气散射校正参考B3 绿560nm10m植被绿度田块分界B4 红665nm10m叶绿素吸收作物健康B8 近红外842nm10m植被高反射道路与水面对比最强B11 短波红外1610nm20m土壤湿度辅助区分裸土与建筑B12 短波红外2190nm20m区分干草、裸土和建设用地Java 侧读取这些波段绕不开 GDAL。org.gdal:gdal 的 API 风格接近 C 语言但读写 GeoTIFF、重投影、重采样的稳定性足够生产使用。下面这段代码把 10m 的 B8 重采样到 20m用于和 B11/B12 组成同一张特征图import org.gdal.gdal.Dataset; import org.gdal.gdal.gdal; import org.gdal.gdalconst.gdalconstConstants; public class BandResample { public static void main(String[] args) { gdal.AllRegister(); Dataset src gdal.Open(/data/s2/B8_10m.tif, gdalconstConstants.GA_ReadOnly); int w src.getRasterXSize() / 2; int h src.getRasterYSize() / 2; Dataset dst gdal.GetDriverByName(GTiff).Create( /data/s2/B8_20m.tif, w, h, 1, gdalconstConstants.GDT_Float32); dst.SetGeoTransform(src.GetGeoTransform()); dst.SetProjection(src.GetProjection()); src.GetRasterBand(1).Resample(dst, 1.0, 1.0, 0.0, 0.0, gdalconstConstants.GRA_NearestNeighbour); src.delete(); dst.delete(); } }Resample 方法的参数里前两个 1.0 是 x/y 方向的比例因子0.0/0.0 表示从影像左上角开始GRA_NearestNeighbour 指定最近邻算法。实际工程中这里还要判断源数据是否带 NoData 值否则云和影像缺口的 NoData 会以 0 值参与特征计算模型很容易把云影误判为水体。2.2 地物分类模型选型SegFormer 与 U-Net 的边界在哪里语义分割网络近几年从纯 CNN 向 Transformer 演进明显。U-Net 的编码器-解码器结构对小样本数据集友好收敛快部署也轻但在山区或城乡交错地带道路、田埂和建筑阴影纠缠在一起时局部感受野容易被纹理带偏。SegFormer 这类分层 Transformer 能建模全局上下文对“远处有连片大棚、近处是水田”这类空间关系敏感的识别场景更稳定。选型不是越贵越好应按项目区复杂度来定。50 平方公里以下的平原项目区U-Net 配合数据增强就够超过 100 平方公里或地形破碎的区域建议上 SegFormer-B2/B3但显存和推理耗时会同步上升。下表是项目里的经验对比模型建议输入尺寸单图推理显存估算边界精细度适用场景U-Net ResNet-34256×2563–4GB一般大田块、类别少于 5 类SegFormer-B2512×5126–8GB较好破碎地块、城乡结合部SegFormer-B4512×51210GB 以上最好最终复核、高精度成果SegFormer 在训练和推理时要特别注意输出张量的布局差异。同一个模型从 PyTorch 导出 ONNX输出可能是 [B, C, H, W]也可能被转成 [B, H, W, C]不同导出参数不一样。Java 推理侧拿到结果后必须先确认轴顺序再取 argmax一旦轴搞反整个分类图都会错位这是 ONNX 接 SegFormer 最常见的坑。2.3 Java 影像处理库的取舍GDAL、GeoTools、OpenCV 各管一段Java 生态里能处理遥感影像的库不算少关键是别选错。JAI 从 JDK 9 起就明显掉队不建议新项目再用。实践中更常见的组合是GDAL 负责栅格读写、重投影和切片GeoTools 负责矢量建模、坐标参考系统以及 WMS 服务OpenCV Java 接口负责滤波、连通域分析和形态学操作。三者各管一段比硬找一个全能遥感库可靠得多。OpenCV 接大影像要格外注意内存释放。Mat 的 finalize 机制并不可靠大尺寸影像的 native memory 不会立刻归还跑几个批次就可能 OOM。我通常这样封装形态学操作import org.opencv.core.Mat; import org.opencv.core.Size; import org.opencv.imgproc.Imgproc; public class MorphOp { public void open(Mat binaryMask) { Mat kernel Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(3, 3)); try { // MORPH_OPEN 先腐蚀后膨胀去掉孤立噪声点 Imgproc.morphologyEx(binaryMask, binaryMask, Imgproc.MORPH_OPEN, kernel); } finally { kernel.release(); } } }3×3 的结构元在 10m 分辨率影像上约等于抹掉 900 平方米以下的零散斑点。处理道路或沟渠这类线性地物时3×3 已经偏大会把细田埂一并抹掉建议降到 2×2 或改用只做一次腐蚀。2.4 模型输出到监管数据的通道类别映射与矢量化约定分割模型推理出来的是一张类别索引矩阵每个像元对应一个 0–5 的编号。平台侧不能直接用数字写逻辑建议用枚举把类别固定下来避免代码里到处是魔法数public enum LandClass { BACKGROUND(0, 非农田, #000000), PADDY(1, 水田, #1a9641), DRY(2, 旱地, #a6d96a), ROAD(3, 道路, #f4a582), DITCH(4, 沟渠, #92c5de), FACILITY(5, 设施大棚, #d7191c); final int id; final String label; final String hexColor; LandClass(int id, String label, String hexColor) { this.id id; this.label label; this.hexColor hexColor; } }颜色值采用色盲友好的最小可辨识配色前端拿到带类别属性的 GeoJSON 后直接按 hexColor 渲染不需要每次回查数据库。更多类别时同一个表可以继续扩展但要记住模型输出层的类别数必须和这个枚举严格对齐训模型时多一个类、Java 这边少一个类会导致索引整体错位。3. 监管平台的 Java 工程架构与数据流设计遥感 AI 识别不是单机脚本是要放进政务平台里持续运行的服务。工程结构必须把影像存储、任务调度、模型推理、空间数据库和前端展示拆开否则单机处理好一张 5000×5000 的影像整个服务就卡死了。下面按四层架构拆分职责每层都可以独立扩容。3.1 四层架构采集、存储、计算、展示层职责常用组件采集层定时拉取卫星影像、无人机正射影像XXL-Job、Apache NiFi存储层原始影像、分类栅格、图斑矢量、任务状态MinIO、PostGIS、Redis计算层预处理、AI 推理、矢量化、面积统计Spring Boot、ONNX Runtime展示层地块浏览、图层叠加、监管报表ArcGIS JS API、OpenLayers采集层和存储层相对独立。影像文件建议落对象存储而不是直接塞数据库数据库里只留存影像的元数据以及处理任务的状态PostGIS 只存两类东西最终图斑矢量和统计分析结果。计算层是无状态的可以水平扩展所有任务都通过 Redis 记录中间状态节点宕掉后由 XXL-Job 重新拉起。展示层的图层服务可以用 GeoTools 把 PostGIS 图斑直接发布成 WMS也可以导出 GeoJSON 交给前端渲染视并发量决定。3.2 Spring Boot 异步编排识别任务的调度与线程隔离计算层的核心入口是 Spring Boot 服务接收前端或定时任务发起的识别请求。影像识别是耗时操作不能做成同步接口常见做法是立即返回“任务已启动”后台线程池执行前端轮询任务状态。线程池要和业务线程隔离否则一次全片推理把连接池打满其他接口全部超时。RestController RequestMapping(/api/supervision) public class AiRecognitionController { private static final ExecutorService INFER_POOL Executors.newFixedThreadPool(Integer.getInteger(infer.threads, 4)); PostMapping(/recognize/{regionId}) public ResponseEntityString startRecognition( PathVariable String regionId, RequestParam String imageId) { INFER_POOL.submit(() - { RecognitionConfig config RecognitionConfig.builder() .modelPath(/models/segformer_b2.onnx) .tileSize(512) .overlap(64) .batchSize(8) .build(); recognitionService.run(regionId, imageId, config); }); return ResponseEntity.accepted().body({\status\:\started\}); } }线程数通过 JVM 参数-Dinfer.threads4注入不上线改代码就能调。tileSize 取 512 是显存和效率的平衡点overlap 取 64 是为了消除切块边缘的预测突变后面在拼接时会做多数投票。batchSize 8 表示每次向 GPU 提交 8 个 512×512 切片过小的 batch 发挥不出 GPU 吞吐过大则排队延迟明显。3.3 图斑入库GeoJSON 转 PostGIS 与空间索引分类结果一旦转成矢量图斑就要写进 PostGIS。常见做法是把 GeoJSON FeatureCollection 逐条解析用 ST_GeomFromGeoJSON 把几何送进数据库而不是在 Java 侧拼 WKT。GeoJSON 的坐标顺序和坐标系在转 WKT 时容易出错直接交给数据库解析更稳。一个简洁的 JDBC 写入片段try (PreparedStatement ps conn.prepareStatement( INSERT INTO field_parcel(region_id, class_id, geom) VALUES (?, ?, ST_GeomFromGeoJSON(?)))) { for (Feature f : featureCollection) { ps.setString(1, regionId); ps.setInt(2, (Integer) f.getProperty(class_id)); ps.setString(3, f.getGeometry().toString()); ps.addBatch(); } ps.executeBatch(); }这里用批量提交而不是单条 execute图斑量在十万级时能省下大量网络往返。写完后记得执行VACUUM ANALYZE field_parcel更新统计信息否则优化器可能放弃走空间索引。3.4 场景化功能占补平衡分析与作物长势监测有了稳定的图斑数据和植被指数监管平台的核心功能才能真正落地。占补平衡分析用两期图斑做空间叠加把上一期分类结果和本期分类结果相交找出“新增耕地”和“流失耕地”的图斑及面积。长势监测则基于多期影像计算 NDVI再按田块聚合出时间序列。NDVI 的阈值得按作物物候标定NDVI 区间物候含义低于 0.2裸土、已收割或受灾0.2–0.4苗期覆盖率低0.4–0.6营养生长盛期0.6 以上最大覆盖茂盛期只用一期影像的绝对 NDVI 判断很容易误判更可靠的做法是比较同一田块三期以上的 NDVI 曲线如果曲线没有出现应有的平台期再标记为预警。4. 地物分类 AI 识别的 Java 实现从模型推理到结果落图模型选型定了架构定了剩下的关键工作就是把 ONNX 模型接进 Java、切图并发推理、后处理再导出成数据库能用的矢量。这一段直接决定平台“能不能用”。下面按单条流水线逐步说明。4.1 Java 加载 ONNX 模型推理路径与张量布局确认Java 推理 ONNX 模型最常用的依赖是com.microsoft.onnxruntime:onnxruntime。模型训练完成后用 Python 导出为 ONNXJava 侧创建 OrtSession 并执行推理。第一步不是写业务代码而是确认模型输入输出的张量形状和布局。import ai.onnxruntime.*; public class OnnxInference { OrtEnvironment env OrtEnvironment.getEnvironment(); OrtSession session; public void load(String modelPath) throws Exception { OrtSession.SessionOptions options new OrtSession.SessionOptions(); options.setOptimizationLevel(OrtSession.SessionOptions.OptLevel.ALL_OPT); session env.createSession(modelPath, options); // 打印输入输出名确认布局后再写业务代码 session.getInputNames().forEach(System.out::println); session.getOutputNames().forEach(System.out::println); } public OnnxTensor buildInput(float[] pixelValues, int channels, int height, int width) throws Exception { return OnnxTensor.createTensor(env, java.nio.FloatBuffer.wrap(pixelValues), new long[]{1, channels, height, width}); } }打印输入输出名是必须的第一步。同名模型从不同框架导出输入名可能是 images、pixel_values、input输出轴顺序可能是 [1, C, H, W] 也可能是 [1, H, W, C]。拿到输出后先置一个单像素测试确认 argmax 的轴正确再进入批量推理。4.2 大影像切片与并发推理整景影像直接送进模型既不现实也没必要推理前要切成固定尺寸的切片。切片尺寸取 512×512重叠 64 像素。重叠区在拼接时参与多数投票能明显减少接缝处出现的条带状错分。切图不是把整张影像读进内存再切而是用 GDAL 按窗口读取这样一景 5 万×5 万的影像内存占用也能压住。public void processTiles(Dataset ds, RecognitionConfig cfg, ResultSink sink) throws Exception { int width ds.getRasterXSize(); int height ds.getRasterYSize(); int stride cfg.tileSize() - cfg.overlap(); int cols (int) Math.ceil((width - cfg.overlap()) / (double) stride); int rows (int) Math.ceil((height - cfg.overlap()) / (double) stride); for (int r 0; r rows; r) { for (int c 0; c cols; c) { int x c * stride; int y r * stride; int tw Math.min(cfg.tileSize(), width - x); int th Math.min(cfg.tileSize(), height - y); // 实际代码中把 x/y/tw/th 提交到阻塞队列由多个 worker 并行处理 inferOneTile(ds, x, y, tw, th, cfg); } } }这里 cols 和 rows 的计算要加上 overlap否则最后一列会漏掉影像右边缘。stride 448 时512×512 的实际步长是 448保证相邻切片有 64 像素重叠。全部切片交给 ExecutorService 并发执行注意每个切片用完的 GDAL Dataset 对象要尽早 delete释放 native 句柄。4.3 分类后处理连通域分析与边界平滑模型输出的类别矩阵直接转形状会有大量椒盐噪声必须先做后处理。顺序固定先做开运算去掉孤立噪点再用连通域分析删除小于面积阈值的碎斑最后做一次平滑。连通域分析本质是给每个连通区域编号再统计面积Mat labels new Mat(); Mat stats new Mat(); Mat centroids new Mat(); int count Imgproc.connectedComponentsWithStats(binaryMask, labels, stats, centroids, 8, CvType.CV_32S); for (int i 1; i count; i) { double area stats.get(i, Imgproc.CC_STAT_AREA)[0]; if (area 50) { for (int row 0; row labels.rows(); row) { for (int col 0; col labels.cols(); col) { if (labels.get(row, col)[0] i) { binaryMask.put(row, col, 0); } } } } } labels.release(); stats.release(); centroids.release();这个双重循环在切片上是可接受的但不要在整景影像上跑。先在小切片上做连通域再拼回完整分类图。面积阈值 50 对应 512×512 切片里 50 个像元换算到 10m 分辨率约为 5000 平方米具体阈值要根据项目区的地块碎片程度调地块破碎地区调低到 20平原大田块调高到 100。4.4 导出可用图斑GeoJSON 流式写出与简化后处理完成后的栅格需要转成矢量才能进 PostGIS。这里不引入重型 GIS 框架直接用栅格转面算法逐类提取再输出 GeoJSON。图斑数据可能超过十万条不能一次性拼成字符串再写要用 Jackson 的 Streaming API 流式写出JsonGenerator gen new JsonFactory().createGenerator(outputStream); gen.writeStartObject(); gen.writeStringField(type, FeatureCollection); gen.writeArrayFieldStart(features); for (SimpleFeature feature : polygonFeatures) { gen.writeStartObject(); gen.writeEndObject(); } gen.writeEndArray(); gen.writeEndObject(); gen.close();转矢量的过程中要顺手做 Douglas-Peucker 简化。10m 分辨率的分类栅格转出来的边界是锯齿状折线直接入库不仅占空间前端渲染也卡。简化容差设 5 米即可既能去掉锯齿又不会把狭窄的田埂兜没。导出的 GeoJSON 记得带上 class_id 和 area 属性前端不再需要请求后端算面积。5. 遥感监测平台的性能调优与精度提升平台上线后的两个主要矛盾图斑数量大了查询慢分类精度在跨区域时下跌。这两类问题分别靠存储层优化和模型迭代解决。下面四条是实际工程里最常用的手段。5.1 PostGIS 百万图斑查询GIST 索引与分区高标准农田监管平台运行几年后字段表图斑量普遍在百万到千万级。纯靠 GIST 索引还不够建议同时做两步几何列索引和按区域分区。区域分区通常按区县或项目区编号这样“查某个项目区”的 SQL 只扫描对应分区。建表语句示范CREATE TABLE field_parcel ( id BIGSERIAL PRIMARY KEY, region_id VARCHAR(32) NOT NULL, class_id SMALLINT NOT NULL, geom geometry(Polygon, 4326) ) PARTITION BY LIST (region_id); CREATE INDEX idx_field_parcel_geom ON field_parcel USING GIST (geom); CREATE INDEX idx_field_parcel_class ON field_parcel (class_id) WHERE class_id 0;注意第二个索引是部分索引只包含非背景类图斑。背景类通常占一半以上把它排除掉索引体积能省一半查询也更快。建立多级分区后连接池、JVM 堆、数据库 work_mem 三处要同步调大否则图斑量一上来最卡的往往是分区路由本身。5.2 分布式调度把推理任务分发给多节点单台 Java 服务最多同时跑 4 到 8 个推理线程再往上就得横向扩展。横向扩展最常用的是“任务分片 消息队列”调度中心把影像切成若干区块的元数据投递给 RabbitMQ每台推理节点消费消息并执行。消息体保持轻量{ imageId: S2A_20250101_T50R, tileX: 12, tileY: 8, offsetX: 5376, offsetY: 3584, width: 512, height: 512 }消费者拿到消息后从对象存储加载对应区块推理再把结果写到临时目录最后统一合并。节点数增加时不需要改代码只需要增加消费者实例。这里的任务队列要配死信队列某个切片反复失败超过 3 次就转到死信避免坏影像阻塞整个队列。5.3 高精度遥感的模型迭代迁移学习与水印样本跨区域识别精度下降在遥感里是常态因为不同地区的种植结构、土壤底色、大气条件差异太大。有效做法是冻结预训练模型浅层只微调深层和分割头。比如 SegFormer前 2 个 stage 的参数不动后 3 个 stage 和 decode head 参与训练学习率设在 1e-4 到 5e-5样本量不大时也不容易过拟合。训练数据里要保证每个类别都有足够的边界样本一张只拍田块内部的影像会模型学会“见绿就是田”完全认不出半撂荒状态。精度验证用混淆矩阵而不是只看总体准确率。总体上 90% 的准确率可能只是把大面积旱地分对沟渠和道路却完全没有召回。分水岭是要看逐类的 IoU道路 IoU 低于 0.5 就说明线性地物被断成碎片应该从后处理平滑参数找问题。5.4 Python 与 Java 混编的边界训练、数据增强、模型蒸馏这些工作在 Java 里做非常痛苦PyTorch 生态和 MMSegmentation 等工具链在 Java 里没有对应物。线上推理则相反Java 服务能直接嵌入政务系统的权限体系、日志链路和监控请求量大时扩容也更顺手。最省心的分工是Python 负责训练和导出 ONNXJava 负责推理和业务编排。偶尔需要把 Python 的预处理脚本合入 Java 服务不要用 subprocess 一次一调性能和稳定性都不可控应当用 gRPC 或 HTTP 把 Python 包成独立服务只接受影像路径和参数。6. 效果自查地物分类精度评价与三处后处理细节模型上线前一定要做一次精度自查建议每个区县挑 3 到 5 个验证区用目视解译或野外采集的样本构建混淆矩阵。统计总体精度、Kappa 系数、每个类别的 IoU再看是哪一类拖了后腿。一个可以抄的简单验证逻辑是用样本点对比预测结果int total 0; int correct 0; double[][] confusion new double[6][6]; for (SamplePoint p : validationPoints) { int predicted rasterValue(p.x(), p.y()); int truth p.classId(); // 样本点要避开切片边界和 overlap 区域 if (predicted ! truth) { confusion[truth][predicted] 1; } else { correct; } total; } double oa correct / (double) total;如果总体精度在水田、旱地和道路上都能超过 90%就可以进入下一步调优否则先把混淆矩阵里互相混淆的类别找出来。最常出现的三处问题对应三个后处理细节。第一切片接缝处的细线状错分。多数投票只在 overlap 区域做还不够建议在投票时把中心像元的权重设为重叠区的 2 倍否则 64 像素的重叠区里一旦模型双边界都不确定投票结果会偏向某一侧形成规则条带。第二微小图斑的误保留。完全依赖连通域面积阈值容易把真实的小水塘和沟渠片段一起删掉更稳妥的做法是先按类别设阈值背景类连通域面积小于 100 删道路类连通域面积小于 20 删。线性地物和面状地物的噪声特征不一样统一阈值必然顾此失彼。第三分类图斑更新时的时间一致性。监管平台通常每两周或每月出一次新专题图单期识别结果直接替换上一期会出现田块来回跳变的情况。通常做法是保留上一期分类结果作为先验新一期像元类别仅在高置信度且与先验不一致时才被覆盖这样既保留了快速检测变化的敏感性又不会让图斑像动画一样抖。最后看成果文件postgres 里抽查三个图斑的 geometry 是否闭合、坐标边界是否在项目区范围内、面积和周长的比例是否合理。矢量数据这关过了平台前端加载的图斑才能拿去和测绘成果对照后面的面积核算和占补平衡分析才不会返工。本文还有配套的精品资源点击获取