[發明專利]基于融合殘差修正的卷積神經網絡的耕地監測方法及系統

有效

• 申請號: 202010620615.X
• 申請日: 2020-06-30
• 公開（公告）號: CN111986099B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 邵振峰;王志強;姚遠;程濤
• 申請（專利權）人: 武漢大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/11;G06T7/155;G06T7/30;G06N3/04;G06K9/62;G06V20/10;G06V10/774
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

1.一種基于融合殘差修正的卷積神經網絡的耕地監測方法，其特征在于，包括以下步驟：

步驟1，數據預處理，包括采集相同區域內不同時相高分辨率遙感影像，進行配準預處理，然后，進行影像裁剪得到大小一致的圖像塊；

步驟2，構建樣本庫，包括基于步驟1采集到的影像，提取相應的耕地區域矢量標注真值，得到影像區域內的耕地樣本和背景樣本，構成含有標注信息的耕地樣本庫；

步驟3，構建融合殘差修正的卷積神經網絡，包括基于Unet網絡的基礎上，加入空洞卷積操作，在避免輸入圖像信息丟失的前提下，擴大感受野提取全局特征，然后融合殘差修正模型對耕地提取結果進行修正，取殘差修正后的結果作為耕地提取結果；

所述融合殘差修正的卷積神經網絡包括預測模型和殘差修正模型，預測模型采用encoder-decoder結構，預測模型的編碼器部分和解碼器部分之間設置橋連接部分，預測模型所得預測概率圖輸入到殘差修正模型，將輸入圖像與殘差修正模型得到的特征圖以相加的方式進行融合后輸入到Sigmoid函數中，得到最終的概率結果圖；橋連接部分和殘差修正模型分別采用空洞率依次增大的空洞卷積串聯的結構；

所述編碼器部分選用Unet網絡中的前3個block，在預測模型的橋連接部分采用空洞率依次增大的空洞卷積串聯的結構，結構中卷積核的尺寸為3x3，卷積核的數量都為512，空洞率依次設置為1、2、4、8、16、32，將不同的空洞卷積輸出的不同尺度特征圖以相加方式進行融合，空洞卷積獲取的特征以上采樣的方式與解碼器連接；解碼器部分也是3個block，每個block由尺寸為2x2，步長為2的反卷積層和兩層卷積層組成；在解碼器之后使用了一層尺寸為1x1，卷積核數量為1的卷積將特征圖的通道數轉化為1，接著使用Sigmoid激活函數最終得到預測模型的預測概率圖，并將預測概率圖輸入到殘差修正模型；

殘差修正模型的結構和預測模型中的橋連接部分的結構類似，使用空洞卷積率依次為1、2、4、8、16、32的尺寸為3x3的空洞卷積提取特征并以相加的方式將不同尺度的特征圖進行融合，每個卷積后使用了Batch Bormalization和PReLu激活函數，卷積的卷積核的數量都為64，接著使用1個尺寸為3x3、步長為1的卷積操作，將特征圖的通道數轉換為1；將來自解碼器的輸入圖像與這一階段得到的特征圖以相加的方式進行融合后輸入到Sigmoid函數中得到最終的概率結果圖；

步驟4，訓練耕地提取網絡，包括基于步驟2所得含有標注信息的耕地樣本庫，對步驟3所得融合殘差修正的卷積神經網絡進行訓練；

步驟5，耕地提取，包括針對待提取的高分辨率遙感影像，按照步驟1方式預處理后，分塊通過步驟4訓練所得網絡進行耕地提取，然后將圖像塊拼接還原；

步驟6，變化檢測，包括根據步驟5得到的相同區域不同時相的遙感影像中耕地提取結果，對耕地提取結果相應柵格圖像進行差值運算和形態學濾波后處理，得到耕地區域變化檢測結果。

2.根據權利要求1所述基于融合殘差修正的卷積神經網絡的耕地監測方法，其特征在于：步驟1中，影像裁剪時以256×256像素大小的滑動窗口，得到圖像塊。

3.根據權利要求1或2所述基于融合殘差修正的卷積神經網絡的耕地監測方法，其特征在于：步驟4中，針對到耕地與背景的像素總數差異大，存在數據不平衡的問題，訓練網絡的損失函數采用Dice loss，使得訓練過程中不斷增大預測結果和真實結果的交并比，以提高耕地提取的準確度。

4.根據權利要求1或2所述基于融合殘差修正的卷積神經網絡的耕地監測方法，其特征在于：步驟6中，首先將兩季度影像耕地提取結果相應柵格圖像做差值運算，再采用形態學濾波去除過于細碎的區域，減少偽變化的產生。

5.一種基于融合殘差修正的卷積神經網絡的耕地監測系統，其特征在于：用于執行如權利要求1至4任一項所述的基于融合殘差修正的卷積神經網絡的耕地監測方法。