[發明專利]一種基于深度學習的多尺度遙感影像目標識別系統及方法

在審

• 申請號: 202110014255.3
• 申請日: 2021-01-06
• 公開（公告）號: CN112329751A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 嚴華;李林錦;劉建明;楊曉冬;任飛龍
• 申請（專利權）人: 北京道達天際科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京華專卓海知識產權代理事務所(普通合伙) 11664
• 代理人: 王一

本發明提供了一種基于深度學習的多尺度遙感影像目標識別系統及方法。所述系統采用服務化的技術架構，將服務進行容器化封裝，包括樣本數據采集服務，用于在遙感圖像中采集樣本標記數據，并獲取樣本標記數據對應的影像瓦片，得到樣本數據集；目標識別模型訓練服務，用于將樣本數據集中的部分樣本數據輸入到深度學習平臺進行模型訓練，生成最優預測模型；目標識別預測服務，用于將待識別的遙感影像輸入到最優預測模型，進行目標識別，得到目標識別結果。以此方式，可以支持在云平臺上進行模型訓練和目標識別任務，方便系統升級、遷移部署，提升了遙感影像目標識別的工程化應用水平，使遙感影像地物自動化解譯的工程化應用易于實現。

技術領域

本發明的實施例一般涉及遙感技術領域，并且更具體地，涉及一種基于深度學習的多尺度遙感影像目標識別系統及方法。

背景技術

隨著空間信息技術的飛速發展，遙感影像的空間分辨率、時間分辨率和光譜分辨率都有了較大的提升；如何利用遙感影像提取目標信息一直是圖像視覺領域的棘手而重要的問題，近年來隨著深度學習技術的理論突破，圖像視覺領域取得了令人矚目的成績，利用深度學習技術進行遙感影像目標識別特點如下：第一、實現了模型訓練和模型應用任務的分離，模型訓練者基于深度學習平臺進行各種目標識別訓練任務，模型應用者基于訓練者提供的識別模型在大規模遙感影像目標識別任務中進行目標識別；第二、深度學習進行特征自學習，不再需要人工提取遙感影像的特征數據作為識別數據源，降低了使用門檻。第三、識別精度高，單個目標識別精度最高可達到98%，大大拓展了工程化應用的領域。

遙感影像目標自動識別的工程化應用中，使用深度學習技術存在如下問題：一、深度學習訓練平臺多，面向遙感影像目標識別訓練任務的端到端的平臺缺失；二、深度學習模型訓練是計算密集型任務，需要單機具備高性能獨立GPU，甚至需要多機環境下使用GPU集群進行模型訓練；深度學習平臺對軟件環境依賴較多，部署遷移困難；三、模型訓練者需要具備較多的深度學習理論知識，并能夠根據系統反饋及時調整訓練參數；從模型預測到平臺應用處理過程復雜，對人員的專業能力要求較高。

發明內容

根據本發明的實施例，提供了一種基于深度學習的多尺度遙感影像目標識別方案。

在本發明的第一方面，提供了一種基于深度學習的多尺度遙感影像目標識別系統。該系統采用服務化的技術架構，將服務進行容器化封裝，包括：

樣本數據采集服務，用于在遙感圖像中采集樣本標記數據，并獲取所述樣本標記數據對應的影像瓦片，得到樣本數據集；

目標識別模型訓練服務，用于將所述樣本數據集中的部分樣本數據輸入到深度學習平臺進行模型訓練，生成最優預測模型；

目標識別預測服務，用于將待識別的遙感影像進行瓦片化后輸入到所述最優預測模型，進行目標識別，得到目標識別結果。

進一步地，所述在遙感圖像中采集樣本標記數據，包括：

在遙感圖像的感興趣區域內，根據地物類別采集所述遙感圖像中標記樣本點的目標位置和屬性信息，作為樣本標記數據；所述樣本標記數據在所述感興趣區域內均勻分布，且其朝向均勻分布在0-360度范圍內。

進一步地，所述獲取所述樣本標記數據對應的影像瓦片，包括：

將所述樣本標記數據柵格化，按照TMS規則，切分成若干個固定大小的注記瓦片，得到對應的影像瓦片；所述影像瓦片包括對應的真彩色圖像和灰度圖像，并將所述真彩色圖像與對應的影像瓦片保存為相同文件名稱。

進一步地，所述樣本數據集包括影像瓦片、目標類別描述文件、含有目標類別屬性的灰度圖像和訓練驗證統計文件。

進一步地，所述樣本數據采集服務，還用于將相同文件名稱的影像瓦片和真色彩圖像中地物不一致的文件刪除。

進一步地，所述目標識別模型訓練服務，進一步用于：