[發明專利]一種大尺度農作物遙感分類方法及系統

有效

• 申請號: 201811183899.X
• 申請日: 2018-10-11
• 公開（公告）號: CN109145885B
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 張錦水;劉紅利;潘耀忠;楊珺雯;許晴
• 申請（專利權）人: 北京師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 張海青

本發明公開了一種大尺度農作物遙感分類方法及系統。所述方法及系統根據殘差網絡模型以及金字塔池化網絡模型建立遷移遙感網絡RSNet模型，并根據歷史年份大范圍農作物標記樣本中的歷史訓練樣本對所述遷移RSNet模型進行預訓練，建立預訓練遷移RSNet模型；基于隨機分布和獨立分布的現勢小區域高精度農作物標記樣本對預訓練模型進行微調，然后基于微調模型對現勢影像實現了大尺度農作物的快速自動化分類。本發明提供的現勢小區域農作物標記樣本微調模型整體上大幅度提高了大尺度農作物的分類精度，實現了農作物標記樣本空間尺度的遷移，解決了傳統農作物分類中標記樣本受限于“特定區域、特定影像、特定目標”的問題，提高了大尺度農作物分類精度及分類效率。

技術領域

本發明涉及農作物分類技術領域，特別是涉及一種大尺度農作物遙感分類方法及系統。

背景技術

高效、準確的大尺度遙感影像分類是一個長期的遙感科學難題。農作物遙感分類及其空間分布監測是農業研究的主要切入點，更是農業遙感推廣過程的關鍵問題之一。隨著遙感數據源和遙感技術的發展，傳統的遙感影像大尺度農作物遙感分類方法在分類精度和效率方面均已取得了巨大進展。根據數據源的不同，傳統大尺度農作物遙感大尺度農作物遙感分類方法可以分為基于單時相影像的分類、基于時間序列影像的分類以及多源復合的分類，這些大尺度農作物遙感分類方法在特定區域取得較大成就。但是，傳統特征提取和訓練樣本選擇方法的區域局限性制約著傳統大尺度農作物遙感分類方法在大尺度農作物遙感識別中的應用。

近年來，隨著深度學習的發展，遙感影像中不同類別的多層次特征被自動提取，使得高效地進行大尺度農作物空間分布成為可能，深度學習方法在遙感影像分類中已逐漸展現出應用潛力。然而，深度學習得到一個高準確性模型的條件之一是需要大量標記樣本，但在實際應用中，有標記樣本的獲取往往費時、費力，有標記訓練樣本的實時快速采集成為遙感大規模應用的瓶頸問題。而事實上，歷史采集的標記樣本和分類專題圖可以為新的分類任務提供豐富的先驗知識，同時，根據農作物種植特點，每年的耕地范圍基本不會變化，因此歷史的標記樣本數據的空間位置對現勢影像的目標分類是非常有幫助的。傳統的深度學習算法沒有很好地將這些具有先驗知識的歷史樣本數據應用到新的遙感信息自動提取中，因此傳統大尺度農作物大尺度農作物遙感分類方法中往往存在“樣本數據饑餓”問題，限制了遙感影像大尺度自動化分類的應用。

發明內容

本發明的目的是提供一種大尺度農作物遙感分類方法及系統，以提高大尺度遙感影像分類的分類精度和效率，并解決傳統大尺度農作物遙感分類方法中的“數據饑餓”問題。

為實現上述目的，本發明提供了如下方案：

一種大尺度農作物遙感分類方法，包括：

獲取歷史年份大范圍農作物標記樣本和現勢小區域農作物標記樣本；

根據所述歷史年份大范圍農作物標記樣本確定歷史訓練樣本和歷史驗證樣本；

根據所述現勢小區域農作物標記樣本確定隨機分布現勢訓練樣本、隨機分布現勢驗證樣本、獨立分布現勢訓練樣本以及獨立分布現勢驗證樣本；

獲取殘差網絡模型和金字塔池化網絡模型；

根據所述殘差網絡模型以及所述金字塔池化網絡模型建立遷移RSNet模型；

根據所述歷史訓練樣本對所述遷移RSNet模型進行預訓練，建立預訓練遷移RSNet模型；

根據所述隨機分布現勢訓練樣本對所述預訓練遷移RSNet模型進行微調，建立第一微調遷移RSNet模型；

根據所述獨立分布現勢訓練樣本對所述預訓練遷移RSNet模型進行微調，建立第二微調遷移RSNet模型；

采用所述預訓練遷移RSNet模型、所述第一微調遷移RSNet模型和所述第二微調遷移RSNet模型對現勢影像進行省級農作物分類。