[發明專利]一種面向容器云的卷積神經網絡水體提取方法

有效

• 申請號: 202010789924.X
• 申請日: 2020-08-07
• 公開（公告）號: CN111985368B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 張東映;梁忠壯;黃偉;洪志明
• 申請（專利權）人: 武漢善睞科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 上海思牛達專利代理事務所(特殊普通合伙) 31355
• 代理人: 雍常明

1.一種面向容器云的卷積神經網絡水體提取方法，其特征在于，包括以下步驟：

預先獲取水體的光譜特性，選取波段組成光譜向量；

對光譜向量進行轉換獲取光譜特征矩陣，并作為卷積神經網絡模型的輸入特征；

標定光譜特征矩陣為樣本；

以7：3的比例隨機將樣本分為訓練樣本數據和驗證樣本數據；

以訓練樣本數據訓練卷積神經網絡水體模型；

以驗證樣本數據對卷積神經網絡水體模型進行驗證；

以多分辨分割算法對需要進行水體提取的遙感影像進行對象分割，并使用唯一ID標識每個對象；

將需要進行水體提取的遙感影像的數據格式轉換成parquet的數據格式，使用Spark的Read方法將轉換后的數據以Spark DataSet類型進行讀取，并對讀取的DataSet按照行的方式進行重新分區；

將訓練完成的卷積神經網絡水體模型和打包好的Spark應用程序，通過Dockerfile的腳本將訓練好的模型拷貝至Docker容器中；調用卷積神經網絡模型的接口對每一個分區的DataSet中每一個像元進行影像分類，并輸出分類結果的DataSet；

在分類結果的DataSet中遍歷每一個對象，提取對象范圍內的像素的分類的信息，根據投票法求出得票最多的類別，并將該類別作為該對象的分類結果；

在任務提交腳本中隨意組合Spark的執行器個數和數據分區的個數進行提交任務，并執行結果，通過多次實驗得到的數據分區大小和執行器個數的執行時間消耗情況；

對每個容器運行所需要的資源進行估算，然后根據集群中的所有資源來計算最大支持的容器個數；

其計算Matser提交的待分類影像的數據分區大小和執行器個數，并在任務提交腳本中設置Spark Executor的個數、數據分區的大小，待處理遙感影像的存儲位置；

通過Local模式的Spark和單機的運行方式進行對比。

2.根據權利要求1所述的面向容器云的卷積神經網絡水體提取方法，其特征在于，所述組成光譜向量，包括以下步驟:

預先獲取地物的光譜反射率曲線；

篩選影像中用于水體提取的波段，并將波段合成多波段影像；

進行對合成多波段影像采集水體和其他地物的像素，并對所選取的像素進行類別標記；

確定像素包含多個影像波段值，共同構成該像素的光譜向量。

3.根據權利要求1所述的面向容器云的卷積神經網絡水體提取方法，其特征在于，所述光譜特征矩陣，進一步包括以下步驟：

光譜向量乘以該光譜向量的轉置，獲取光譜特征矩陣；

光譜特征矩陣，表示為：

S＝s^T·s

其中，s為地物像素中的光譜向量，s^T為該光譜向量的轉置向量，S為每個像素的光譜特征矩陣。