[發(fā)明專利]一種基于高分辨率遙感影像的溫室大棚智能提取方法

在審

• 申請?zhí)枺?/td>: 202210025730.1
• 申請日: 2022-01-11
• 公開（公告）號: CN114387517A
• 公開（公告）日: 2022-04-22
• 發(fā)明（設計）人: 陳偉;徐雅夢
• 申請（專利權）人: 中國礦業(yè)大學（北京）
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/82;G06V10/774;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于高分辨率遙感影像的溫室大棚智能提取方法，其過程包括以下步驟：

A、對樣本區(qū)域內的蔬菜大棚類型進行調查統計，根據調查結果結合高分辨率影像對溫室大棚進行標注，獲得標注圖像

B、標注圖像與原始影像按照10：1的比例劃分為訓練集和測試集，其中為增加訓練集數據量，裁剪時按照512的寬度和256的步長進行裁剪。

C、為增加數據多樣性和避免過擬合情況，對訓練集進行數據增強；

D、將訓練集輸入深度學習模型中進行迭代訓練，獲得最佳權重模型；

E、使用該模型對其他區(qū)域影像進行預測，獲得初步預測結果；

F、針對預測結果中出現的錯分多分問題進行去除最小連通域的后處理，獲得最終預測結果。

2.如權利要求1所述的一種基于高分辨率遙感影像的溫室大棚智能提取方法，其特征在于，所述步驟A具體包括：

A1、選擇蔬菜大棚類型較多，影像呈現有明顯差異的區(qū)域作為樣本區(qū)域；

A2、對樣本區(qū)域內蔬菜大棚類型進行統計，并使用ArcMap進行矢量化標注；

A3、標注的矢量結果進行二值圖的轉化，生成格式為png的標注文件。

3.如權利要求1所述的一種基于高分辨率遙感影像的溫室大棚智能提取方法，其特征在于，所述步驟B具體包括：

B1、將部分原始影像和標注圖像以512為大小，256為步長，重疊裁剪，作為訓練集；

B2、剩余原始影像和標注圖像裁剪后作為測試集，訓練集和測試集的數據量大致為10：1的比例。

4.如權利要求1所述的一種基于高分辨率遙感影像的溫室大棚智能提取方法，其特征在于，所述步驟C具體包括：

C1、對訓練集數據隨即進行增強，這里采用隨機水平翻轉、垂直翻轉、對角線翻轉和旋轉90°等操作。

5.如權利要求1所述的一種基于高分辨率遙感影像的溫室大棚智能提取方法，其特征在于，所述步驟C具體包括：

D1、以Pytorch為框架，編寫語義分割模型U-Net，以交叉熵作為損失函數：

式中，q_i(x)表示神經網絡輸出中類別概率值中最大值，此時p_i(x)＝1；

Adam方法為優(yōu)化器：

式中，W_t為t次迭代時的權重值，η為動量向量，m_t和v_t分別為一階動量項和二階動量，和分別為各自的修正值，∈為取值極小的數，為防止出現分母為0的情況；

D2、訓練數據按照模型格式要求進行輸入，迭代100次進行訓練；

D3、以獲得的模型再對訓練集和測試集進行精度評價，對此訓練并對比之后，選擇在訓練集和測試集均表現良好的模型作為最佳模型。

6.如權利要求1所述的一種基于高分辨率遙感影像的溫室大棚智能提取方法，其特征在于，所述步驟D具體包括：

E1、下載其他地區(qū)影像，進行數據格式由tiff到jpg的轉換，以滿足深度學習模型的數據要求；

E2、以上一步獲得的最佳模型對影像進行預測，可獲得初步預測結果。

7.如權利要求1所述的一種基于高分辨率遙感影像的溫室大棚智能提取方法，其特征在于，所述步驟E具體包括：

F1、初預測結果中存在錯分和多分的小斑塊，使用opencv中的構造連通域方法，使像素以八連通方式進行標記，以使各區(qū)域內像素獨立；

F2、對連通域較小的區(qū)域，以合適的閾值進行去除，可獲得最終分割結果。