[發明專利]一種基于深度學習的海水養殖區提取方法

在審

• 申請號: 202110069017.2
• 申請日: 2021-01-19
• 公開（公告）號: CN112766155A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 馬佩坤;刁奇;曹萬云;夏夢瑩;劉玉梅;孫祥飛;盧飛霞;李波
• 申請（專利權）人: 山東華宇航天空間技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/08
• 代理公司: 北京中索知識產權代理有限公司 11640
• 代理人: 陳賓賓

1.一種基于深度學習的海水養殖區提取方法，其特征在于：包括如下步驟：

步驟1：獲取海水養殖區高分辨率衛星遙感影像的原始數據，所述原始數據來自高分1號、高分6號、高分2號和哨兵2號四種衛星數據，對原始衛星遙感影像數據進行預處理；

步驟2：根據步驟1得到的預處理后的圖像，從已有的波段中選擇紅、綠和藍三個波段進行真彩色合成，得到真彩色圖像；

步驟3：利用ARCGIS軟件工具對步驟2得到的真彩色圖像進行訓練標簽制作；

步驟4：對步驟2和步驟3得到的真彩色圖像和對應的標簽圖進行預處理；

步驟5：對步驟4得到的訓練樣本和標簽進行訓練集、驗證集、測試集分割，分割比例為8:1:1；

步驟6：建立深度學習網絡模型，模型采用DeeplabV3+的語義分割網絡結構，以Resnet50作為特征提取器，分割輸出類別為3類；

步驟7：將步驟5得到的訓練集和驗證集樣本和標簽輸入到步驟6建立的網絡模型中以softmax交叉熵函數作為Loss損失函數，進行模型訓練，其中訓練參數batchsize為6，初始學習率為0.01，迭代次數為300，通過觀察訓練過程中訓練集及驗證集的Loss值曲線及評估指標MIOU曲線達到收斂狀態時，得到海水養殖區提取模型；

步驟8：將步驟5得到的測試集樣本輸入到步驟7所得的海水養殖區提取模型中，得到養殖區提取結果，并將提取結果與測試集標簽進行精度評價，評價指標選擇為MIoU,在每個類上計算IoU，然后取平均。

2.根據權利要求1所述的基于深度學習的海水養殖區提取方法，其特征在于，步驟1的具體操作步驟如下：

對原始衛星遙感影像數據進行輻射定標、大氣校正、幾何校正、全色波段和多光譜波段融合的預處理。

3.根據權利要求1所述的基于深度學習的海水養殖區提取方法，其特征在于，步驟2中從已有的波段選出的波段有三個，分別為紅：0.66μm、綠：0.555μm和藍：0.485μm。

4.根據權利要求1所述的基于深度學習的海水養殖區提取方法，其特征在于，步驟3包括如下步驟：

步驟31，建立shp文件，按照養殖區類型對真彩色圖像進行矢量化標記，其中筏式養殖區標記為1，網箱養殖區標記為2；

步驟32，對步驟31中得到的shp文件進行矢量轉柵格，其處理范圍與圖像范圍一致，得到一個柵格類型的標簽圖；

步驟33，對步驟32中得到的標簽圖，通過柵格計算器將標簽圖中的空值設置為0，則0對應為背景標簽值。由此得到一個由0、1、2值構成的海水養殖區訓練樣本標簽圖。

5.根據權利要求1所述的基于深度學習的海水養殖區提取方法，其特征在于，步驟4包括如下步驟：

步驟41，采用滑動裁剪方法，以10％的滑動重疊率將上述得到的大尺寸真彩色圖像和標簽圖裁剪為512*512像素大小的樣本；

步驟42，對步驟41中裁剪得到的樣本進行樣本擴增處理，處理方法包括進行水平及垂直翻轉、隨機旋轉和色彩擾動的預處理。

6.根據權利要求1所述的基于深度學習的海水養殖區提取方法，其特征在于，所述softmax交叉熵損失函數如下式：

其中表示像元i的真實值，為像元i的預測值。

7.根據權利要求1所述的基于深度學習的海水養殖區提取方法，其特征在于，所述MIoU的表達式如下：

其中k代表共有k類，p_ij表示本屬于類i但被預測為類j的像素數量，p_ii表示預測正確的像素數量，p_ji表示本屬于類j但被預測為類i的像素數量。

8.根據權利要求1所述的基于深度學習的海水養殖區提取方法，其特征在于，所述高分1號和高分6號遙感影像分辨率為2米。