[發明專利]基于時空深度學習融合技術的農作物全自動化分類方法

有效

• 申請號: 202110279564.3
• 申請日: 2021-03-16
• 公開（公告）號: CN112861802B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 顧玲嘉;楊舒婷;任瑞治
• 申請（專利權）人: 吉林大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06V10/774;G06V10/82;G06V10/764;G06N3/08;G06N3/04
• 代理公司: 吉林省中玖專利代理有限公司 22219
• 代理人: 李泉宏

本發明公開了一種基于時空深度學習融合技術的農作物全自動化分類方法，屬于衛星遙感圖像處理與應用的技術領域。本發明目的是解決現有高分辨率遙感影像在對農作物分類中存在的地物邊界模糊或椒鹽噪聲現象、算法復雜度高且時間開銷大、忽略特征信息對作物識別結果的影響，以及目前深度學習方法無法對高分辨率遙感影像進行及時、準確的農作物識別等問題。本發明提出全自動化的訓練樣本選擇方法，融合地理信息的Geo?3D CNN網絡與Geo?Conv1D網絡，并采用Active Learning策略實現兩種分類方法分類結果的融合。利用本發明提出的基于時空深度學習融合技術的農作物全自動化分類方法可以實現對大面積農作物的高效、準確的識別。

技術領域

本發明屬于衛星遙感圖像處理與應用的技術領域。

背景技術

農作物分類信息的準確獲取在預估產量、加強作物生產管理、農業保險與災害評估等諸多方面中具有十分重要的科學與實踐意義，近年來是遙感領域的研究熱點之一。在諸多基于遙感影像的農作物分類算法中，深度學習方法被認為是一項突破性技術并以高效學習的特點在遙感農業識別領域掀起一陣熱潮。近年來，國內外的研究學者提出了許多基于深度學習高分辨率遙感影像的作物分類方法。代表研究如下：

不同于傳統的機器學習分類方法，深度學習方法的引入對遙感影像的識別準確率有明顯的提高，Zhong等人采用EVI時序序列與時序特征表征網絡Conv1D進行基于像素點的大面積作物分類，獲得的總體分類精度為85.54％，高于LSTM網絡3.1％(參見Zhong L,HuL,Zhou H,Deep learning based multi-temporal crop classification,RemoteSensing of Environment 221:430-443(2019))。Castelluccio等人使用GoogLeNet和CaffeNet對農作物進行了分類，其準確度分別為91.83％和90.94％(參見Castelluccio M,Poggi G,Sansone C,Land use classification in remote sensing images byconvolutional neural networks,arXiv preprint arXiv:1508.00092(2015))。Xu等人采用雙通道卷積神經網絡(CNN)提取時空特征聯合從LiDAR數據提取的特征對土地覆蓋類型進行基于影像塊的分類，在四種數據集上均實現較高的作物識別精度(參見Xu X,Li W,Ran Q,Multisource remote sensing data classification based on convolutionalneural network,IEEE Transactions on Geoscience and Remote Sensing,56(2):937-949(2018))。Guidici等人應用多時相Conv1D網絡對高光譜影像中的土地覆蓋類型進行分類，其準確度為89.9％，SVM(89.5％)，RF(82.2％)(參見Guidici D,Clark M L,One-Dimensional convolutional neural network land-cover classification of multi-seasonal hyperspectral imagery in the San Francisco Bay Area,California,Remote Sensing,9(6):629(2017))。Ji等人將多時相GF-2影像輸入3D CNN網絡提取時空特征并對作物進行基于影像塊的分類，獲得95.9％的分類精度，優于2D CNN網絡5.9％(參見Ji S,Zhang C,Xu A,Shi Y,Duan Y,3D Convolutional Neural Networks for CropClassification with Multi-Temporal Remote Sensing Images,Remote Sensing,10(1):75(2018))。Romero等人采用非監督的神經網絡用于對高光譜遙感影像的分析，避免了有監督方法訓練時高光譜影像的Hudge現象和小樣本造成的過擬合問題，但與監督分類方法相比不能對影像特征進行有效的提取(參見Romero A,Gatta C,Camps-Valls G,Unsupervised deep feature extraction for remote sensing imageclassification,IEEE Transactions on Geoscience and Remote Sensing,54(3):1349-1362(2016))。Yang等人提出了CNN-RF協同作用的混合模型，利用CNN網絡提取高維特征，利用機器學習分類器的優勢來代替全連接層做最后的分類決策(參見Yang S,Gu L,LiX,Jiang T,Ren R,Crop Classification Method Based on Optimal FeatureSelection and Hybrid CNN-RF Networks for Multi-Temporal Remote SensingImagery,Remote Sensing,12(19):3119(2020))。隨著深度學習方法不斷的發展與進步，多種改進的深度學習方法被逐漸應用到遙感領域中，包括建筑物提取，目標檢測，土地利用與災害評估等諸多方面。