[發明專利]一種基于深度學習的農作物災害鑒別分級方法及裝置

在審

• 申請號: 202210105931.2
• 申請日: 2022-01-28
• 公開（公告）號: CN114429471A
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 李慧盈;劉暢;高晨光
• 申請（專利權）人: 吉林大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06N3/08;G06N3/04
• 代理公司: 長春中科長光知識產權代理事務所(普通合伙) 22218
• 代理人: 郭婷

1.基于深度學習的農作物災害鑒別分級方法，其特征在于，所述方法包括：

采集農作物災害圖像數據作為預訓練數據和測試數據，所述農作物災害圖像數據為四通道多光譜圖像；

對所述預訓練數據進行預處理得到帶標注信息的訓練數據，所述訓練數據的標注步驟包括提取每張農作物災害圖像數據中目標農作物所在區域的歸一化植被指數NDVI，所述歸一化植被指數NDVI的計算公式為:NDVI＝(NIR-R)/(NIR+R)，其中NIR指遙感圖像的近紅外波段的反射率，R指紅色波段的反射率，對所述歸一化植被指數NDVI進行均值平滑處理后確定每張農作物災害圖像數據中目標農作物所在區域的災害等級標簽，災害等級標簽至少包括未受災農作物、輕度災害農作物、中度災害農作物、重度災害農作物中兩項；

利用所述訓練數據對預先配置的農作物災害鑒別分級模型進行訓練直至收斂得到訓練好的農作物災害鑒別分級模型，利用所述測試數據對所述農作物災害鑒別分級模型進行測試，所述農作物災害鑒別分級模型采用DeepLabv3+為基礎網絡架構，采用SE-restNeXt-50作為骨干網絡，在上采樣部分的所有上采樣操作均使用轉置卷積方法，損失函數采用Jaccard損失函數；

獲取待鑒別地區的圖像數據，輸入至所述訓練好的農作物災害鑒別分級模型得到所述待鑒別區域的農作物災害鑒別分級結果。

2.根據權利要求1所述的基于深度學習的農作物災害鑒別分級方法，其特征在于，對所述歸一化植被指數NDVI進行均值平滑處理后確定每張農作物災害圖像數據中目標農作物所在區域的災害等級標簽，包括：

在所述農作物災害圖像數據上對計算出的歸一化植被指數NDVI

進行均值平滑操作，公式如下：

其中，Q為以點(x,y)為中心的3×3區域中屬于玉米類別的像素點的集合，NUM為Q中元素的個數。

3.根據權利要求2所述的基于深度學習的農作物災害鑒別分級方法，其特征在于，所述方法還包括：

在t為60時，對歸一化植被指數NDVI平滑處理60輪。

4.根據權利要求1所述的基于深度學習的農作物災害鑒別分級方法，其特征在于，所述訓練數據采用512×512像素的圖像，重疊16像素，所述訓練數據和所述測試數據的比例為4:1。

5.根據權利要求1所述的基于深度學習的農作物災害鑒別分級方法，其特征在于，所述利用所述訓練數據對預先配置的農作物災害鑒別分級模型進行訓練直至收斂得到訓練好的農作物災害鑒別分級模型，包括：

所述農作物災害鑒別分級模型使用Tensorflow框架，Adam作為優化器，初始學習率為0.001，每當訓練損失值的當前最小值在最近8個epoch內沒有變化時，學習率下降0.5倍，25個epoch損失值的當前最小值沒有變化或訓練超過500個時期epoch數時，停止訓練，并保存損失loss最小的網絡權重，完成訓練過程得到訓練好的農作物災害鑒別分級模型。

6.根據權利要求1所述的基于深度學習的農作物災害鑒別分級方法，其特征在于，所述測試數據和所述訓練的目標農作物所在區域不相同。

7.根據權利要求1或6所述的基于深度學習的農作物災害鑒別分級方法，其特征在于，所述測試數據采用交疊裁剪的方法，在對所述農作物災害圖像數據進行切片之前將每個邊緣鏡像復制50像素作為鏡像填充，推理過程使用有重疊的滑動窗口切片作為輸入，邊緣重疊100像素，裁剪512×512大小的圖片輸入網絡，網絡推理輸出尺寸也為512×512，舍棄邊緣的50像素，留下中間區域的尺寸為412×412，并將結果拼接起來。

8.根據權利要求1所述的基于深度學習的農作物災害鑒別分級方法，其特征在于，農作物災害圖像數據為RGB+NIR多光譜圖像，所述方法還包括：

在訓練過程中，使用所述農作物災害圖像數據中的RGB三個通道作為所述農作物災害鑒別分級模型的輸入，NIR通道用于輔助標簽的制作。