[發(fā)明專利]一種基于卷積神經(jīng)的公益林地類圖像智能識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010330987.9
• 申請日: 2020-04-24
• 公開（公告）號: CN111563430A
• 公開（公告）日: 2020-08-21
• 發(fā)明（設(shè)計(jì)）人: 高海力;蔣仲龍;王增;張超;張勇;任佳倫;吳翠蓉
• 申請（專利權(quán)）人: 浙江省公益林和國有林場管理總站
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 浙江千克知識產(chǎn)權(quán)代理有限公司 33246
• 代理人: 冷紅梅

1.一種基于卷積神經(jīng)的公益林地類圖像智能識別方法，其特征在于，包括步驟：

S1.獲取項(xiàng)目區(qū)的公益林矢量邊界圖，并生成覆蓋項(xiàng)目區(qū)的矢量格網(wǎng)分布圖；

S2.獲取項(xiàng)目區(qū)的高分辨率遙感圖像，并采用生成的矢量格網(wǎng)分布圖對遙感圖像進(jìn)行裁切，把獲取的遙感圖像分割為若干正方形圖片，并將若干正方形圖片作為卷積神經(jīng)網(wǎng)絡(luò)算法的輸入數(shù)據(jù)；

S3.基于所述卷積神經(jīng)網(wǎng)絡(luò)算法，對輸入的若干正方形圖片進(jìn)行特征參數(shù)提取，提取的特征參數(shù)與預(yù)先對樣本庫進(jìn)行深度學(xué)習(xí)訓(xùn)練獲得的特征參數(shù)進(jìn)行相似度匹配，并對匹配后的數(shù)據(jù)進(jìn)行自動(dòng)識別，獲得輸入數(shù)據(jù)的地類分類結(jié)果；

S4.所述得到地類分類結(jié)果后，將不同地類的屬性標(biāo)記到相應(yīng)的矢量格網(wǎng)數(shù)據(jù)庫中，生成項(xiàng)目區(qū)公益林范圍內(nèi)不同地類面積統(tǒng)計(jì)結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)的公益林地類圖像智能識別方法，其特征在于，所述步驟S3中進(jìn)行自動(dòng)識別是基于TensorFlow深度學(xué)習(xí)框架下的卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行地類識別的。

3.根據(jù)權(quán)利要求2所述的一種基于卷積神經(jīng)的公益林地類圖像智能識別方法，其特征在于，所述步驟S3中的卷積神經(jīng)網(wǎng)絡(luò)算法包括輸入層、隱藏層和輸出層，其中輸入層包括卷積層、池化層和全連接層；

所述輸入層，用于接收待識別的高分辨遙感圖像；

所述卷積層，用于提取輸入層接收待識別的高分辨遙感圖像的特征；

所述池化層，用于提取高分辨遙感圖像中的地類圖像的特征，包括圖像的色調(diào)、紋理、形狀、清晰度；

所述全連接層，用于連接所有同地類圖像的特征，得到特征向量，并根據(jù)特征向量得到待識別地類圖像是各種地類類別的概率；

所述隱藏層，用于通過非線性函數(shù)將圖像映射為神經(jīng)元的輸出，為下一步輸出識別結(jié)果奠定基礎(chǔ)；

所述輸出層，用于輸出地類識別結(jié)果。

4.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)的公益林地類圖像智能識別方法，其特征在于，所述步驟S1中生成覆蓋項(xiàng)目區(qū)的矢量格網(wǎng)分布圖中的矢量格網(wǎng)為4種格網(wǎng)尺寸，所述4種格網(wǎng)尺寸為25m×25m、50m×50m、100m×100m、200m×200m，將所述4種格網(wǎng)尺寸作為遙感圖像分割單元，用戶可根據(jù)時(shí)間及精度要求，選擇其中1種或多種格網(wǎng)尺寸進(jìn)行識別分析。

5.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)的公益林地類圖像智能識別方法，其特征在于，所述步驟S2中獲取項(xiàng)目區(qū)的高分辨率遙感圖像，所述遙感圖像的空間分辨率為0.3m×0.3m或0.5m×0.5m，所述遙感圖像的坐標(biāo)投影信息與所述項(xiàng)目區(qū)公益林矢量邊界圖的數(shù)據(jù)相同。

6.一種基于卷積神經(jīng)的公益林地類圖像智能識別系統(tǒng)，其特征在于，包括：

格網(wǎng)處理模塊，用于獲取項(xiàng)目區(qū)的公益林矢量邊界圖，并生成覆蓋項(xiàng)目區(qū)的矢量格網(wǎng)分布圖；

圖像獲取裁切模塊，用于獲取項(xiàng)目區(qū)的高分辨率遙感圖像，并采用生成的矢量格網(wǎng)分布圖對遙感圖像進(jìn)行裁切，把獲取的遙感圖像分割為若干正方形圖片，并將若干正方形圖片作為卷積神經(jīng)網(wǎng)絡(luò)算法的輸入數(shù)據(jù)；

卷積神經(jīng)網(wǎng)絡(luò)地類識別模塊，用于基于所述卷積神經(jīng)網(wǎng)絡(luò)算法，對輸入的若干正方形圖片進(jìn)行特征參數(shù)提取，提取的特征參數(shù)與預(yù)先對樣本庫進(jìn)行深度學(xué)習(xí)訓(xùn)練獲得的特征參數(shù)進(jìn)行相似度匹配，并對匹配后的數(shù)據(jù)進(jìn)行自動(dòng)識別，獲得輸入數(shù)據(jù)的地類分類結(jié)果；

生成模塊，用于所述得到地類分類結(jié)果后，將不同地類的屬性標(biāo)記到相應(yīng)的矢量格網(wǎng)數(shù)據(jù)庫中，生成項(xiàng)目區(qū)公益林范圍內(nèi)不同地類面積統(tǒng)計(jì)結(jié)果。

7.根據(jù)權(quán)利要求6所述的一種基于卷積神經(jīng)的公益林地類圖像智能識別系統(tǒng)，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)地類識別模塊中進(jìn)行自動(dòng)識別是基于TensorFlow深度學(xué)習(xí)框架下的卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行地類識別的。