[發(fā)明專利]一種基于遙感圖像的設(shè)施農(nóng)用地多類別識(shí)別與分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210406400.7
• 申請(qǐng)日: 2022-04-18
• 公開（公告）號(hào): CN114494910B
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計(jì)）人: 鐘新利;劉思杰;王小剛;上偉;李宗澍
• 申請(qǐng)（專利權(quán)）人: 陜西自然資源勘測(cè)規(guī)劃設(shè)計(jì)院有限公司;劉思杰
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V20/17;G06V10/26;G06V10/44;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安智邦專利商標(biāo)代理有限公司 61211
• 代理人: 汪海艷

本發(fā)明屬于設(shè)施農(nóng)用地分布形態(tài)研究與優(yōu)化領(lǐng)域，具體涉及一種基于遙感圖像的設(shè)施農(nóng)用地多類別識(shí)別與分類方法，解決現(xiàn)有神經(jīng)網(wǎng)絡(luò)對(duì)設(shè)施農(nóng)用地識(shí)別精度低的問題。方法基于語義分割神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，語義分割神經(jīng)網(wǎng)絡(luò)包括依次設(shè)置的初始化模塊、Encoder模塊、金字塔池化模塊和解碼模塊；利用該網(wǎng)絡(luò)，對(duì)遙感圖像進(jìn)行設(shè)施農(nóng)用地分類定位，實(shí)現(xiàn)了對(duì)于多分類結(jié)果準(zhǔn)確率65％以上，單分類結(jié)果準(zhǔn)確率90％以上的分類定位，減少了設(shè)施農(nóng)用地實(shí)地調(diào)查所需人力物力，加快了設(shè)施農(nóng)用地調(diào)查速度。

技術(shù)領(lǐng)域

本發(fā)明屬于設(shè)施農(nóng)用地分布形態(tài)研究與優(yōu)化領(lǐng)域，具體涉及一種基于遙感圖像的設(shè)施農(nóng)用地多類別識(shí)別與分類方法，該方法通過對(duì)遙感衛(wèi)星圖像及無人機(jī)航拍圖像進(jìn)行語義分割，自動(dòng)劃分不同類別，作為統(tǒng)計(jì)與規(guī)劃的輔助手段。

背景技術(shù)

設(shè)施農(nóng)業(yè)是采用具有特定結(jié)構(gòu)和性能的設(shè)施，運(yùn)用先進(jìn)的工程技術(shù)和管理技術(shù)改善或創(chuàng)造局部環(huán)境，為種植業(yè)、養(yǎng)殖業(yè)及其產(chǎn)品的儲(chǔ)藏保鮮等提供相對(duì)可控制的環(huán)境條件，以充分利用土壤、氣候和生物潛能，在一定程度上擺脫對(duì)自然環(huán)境的依賴而進(jìn)行有效生產(chǎn)的農(nóng)業(yè)，是一種高投入高產(chǎn)出，資金、技術(shù)、勞動(dòng)力密集型的產(chǎn)業(yè)。其利用人工建造的設(shè)施，使傳統(tǒng)農(nóng)業(yè)逐步擺脫自然的束縛，走向現(xiàn)代工廠化農(nóng)業(yè)生產(chǎn)之路，同時(shí)使農(nóng)產(chǎn)品打破傳統(tǒng)農(nóng)業(yè)的季節(jié)性，實(shí)現(xiàn)農(nóng)產(chǎn)品的反季節(jié)上市，進(jìn)一步滿足多元化、多層次消費(fèi)需求。其作為一種獲得速生、高產(chǎn)、優(yōu)質(zhì)、高效的農(nóng)產(chǎn)品的新型生產(chǎn)方式，已經(jīng)成為世界各國(guó)用以提供新鮮農(nóng)產(chǎn)品的主要技術(shù)措施。

設(shè)施農(nóng)業(yè)是目前現(xiàn)代農(nóng)業(yè)發(fā)展的主要方向之一。為此，科學(xué)、準(zhǔn)確、快速的進(jìn)行土地調(diào)查數(shù)據(jù)處理成為現(xiàn)有設(shè)施農(nóng)用地調(diào)查統(tǒng)計(jì)的首要問題，分地區(qū)實(shí)地考察測(cè)繪是現(xiàn)今設(shè)施農(nóng)用地調(diào)查的主流方法。

隨著遙感技術(shù)日趨成熟，遙感圖像中所包含的語義更加豐富，對(duì)遙感圖像進(jìn)行語義分割，快速準(zhǔn)確的提取重要信息，在多種遙感圖像檢測(cè)領(lǐng)域正在快速發(fā)展。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，全卷積神經(jīng)網(wǎng)絡(luò)的提出為圖像語義分割提供了全新的基礎(chǔ)模型，將圖像語義分割帶入新的發(fā)展階段。設(shè)施農(nóng)用地的地塊劃分，現(xiàn)在主要基于人工標(biāo)注的方法進(jìn)行分類，因此，將先進(jìn)語義分割技術(shù)引入該領(lǐng)域，將會(huì)帶來巨大的實(shí)用價(jià)值。

基于遙感圖像的設(shè)施農(nóng)用地識(shí)別與分類，表觀上屬于遙感圖像語義分割大類，遙感圖像語義分割自2015年起，作為像素級(jí)圖像識(shí)別的最有效方案，已經(jīng)產(chǎn)生了多種類型的網(wǎng)絡(luò)，優(yōu)秀網(wǎng)絡(luò)在相關(guān)研究中，均對(duì)特定數(shù)據(jù)表現(xiàn)出良好效果。但是針對(duì)農(nóng)村地區(qū)遙感圖像數(shù)據(jù)，如圖4所示，設(shè)施農(nóng)用地邊界不明晰，與自然背景對(duì)比不突出，邊界模糊與常見城市或海洋遙感圖像相比更加突出，像素涵蓋區(qū)間也遠(yuǎn)超一般遙感圖像語言分割網(wǎng)絡(luò)驗(yàn)證數(shù)據(jù)區(qū)間。導(dǎo)致在針對(duì)農(nóng)村地區(qū)遙感圖像識(shí)別任務(wù)中，現(xiàn)有神經(jīng)網(wǎng)絡(luò)識(shí)別精度低，難以達(dá)到實(shí)際工程所需的標(biāo)注精度。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)對(duì)設(shè)施農(nóng)用地識(shí)別精度低的問題，本發(fā)明提供一種基于遙感圖像的設(shè)施農(nóng)用地多類別識(shí)別與分類方法，通過結(jié)合基于特征融合方法與編解碼方法，提供一種全新的語義分割神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用來針對(duì)農(nóng)用地圖像邊界特點(diǎn)、像素上下文特點(diǎn)進(jìn)行特征提取與融合。基于實(shí)用角度，采用較大的編碼器與較小的解碼器結(jié)構(gòu)，保證分割準(zhǔn)度的情況下，減少模型參數(shù)量，為實(shí)際應(yīng)用環(huán)節(jié)減小計(jì)算壓力。

為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種基于遙感圖像的設(shè)施農(nóng)用地多類別識(shí)別與分類方法，其特殊之處在于，基于語義分割神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)；

上述語義分割神經(jīng)網(wǎng)絡(luò)包括依次設(shè)置的初始化模塊、Encoder模塊、金字塔池化模塊和解碼模塊；

上述初始化模塊包括第一卷積單元和第二卷積單元；上述第一卷積單元為多通道卷積層，第二卷積單元為最大池化層；

上述Encoder模塊采用VGG19網(wǎng)絡(luò)encoder模塊的1層、2層、3層、4層、5層，將2層、3層、4層、5層提取的結(jié)果分別作為金字塔池化模塊的四層輸入；