[發明專利]基于注意力機制與輕量級全卷積網絡的農業大棚提取方法

在審

• 申請號: 202310295481.2
• 申請日: 2023-03-17
• 公開（公告）號: CN116385907A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 萬昊明;唐攀攀;趙博;張磊;周敏;廖佳純;羅小燕
• 申請（專利權）人: 南湖實驗室
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/40;G06V10/82;G06N3/0464;G06N3/045;G06N3/048;G06N3/0455;G06N3/084
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

本發明涉及一種基于注意力機制與輕量級全卷積網絡的農業大棚提取方法。它解決了現有技術中農業大棚的提取速度慢、提取效率低的問題。它包括S1、目標區域的影像數據獲取并進行數據預處理；S2、制作目標區域的二分類大棚樣本；S3、構建大棚識別模型；S4、使用大棚樣本對構建的大棚識別模型進行訓練；S5、使用訓練后的模型對目標區域內的影像進行大棚的提取。本發明的優點在于：提取速度快，提取精度高，解決了常用全卷積神經網絡方法下提取精度、速度不平衡，對計算資源需求過大的問題。

技術領域

本發明涉及遙感信息與圖像處理技術領域，具體涉及一種基于注意力機制與輕量級全卷積網絡的農業大棚提取方法。

背景技術

農業大棚是現階段農業活動中常見的設施，大棚以可以保護農作物、非常顯著的提高作物產量的兩大顯著優勢迅速被廣泛使用。大棚主要種植各種經濟作物，及時了解大棚的數量、分布可以從側面估計農業活動產生的經濟效益；另一方面，農業大多使用塑料大棚，而目前大多數塑料是不可降解的，處理不當會對環境造成污染。因此，繪制大棚對農業政策、土地生態環境的保護與農業的可持續發展有著重要的意義。

隨著商業無人機的發展，目前已經能夠以較低的成本使用小型多旋翼無人機或固定翼無人機靈活獲取目標區域的高分辨率影像。但在數據獲取方式多樣化的今天，對數據中的信息，尤其是遙感圖像中的大部分感興趣信息的自動化提取尚不能滿足實際需求。目前針對農業大棚的提取可以以其方法分為三大類：1、人工目視解譯；2、傳統機器學習的方法；3、基于全卷積神經網絡的方法。

1、人工目視解譯

人工目視解譯方法即使用人在獲得的影像上確定并勾畫大棚的區域，通常來講，該方法可以取得最佳的效果，但是該方法具有耗時大的顯著缺點，如果使用該方法則整個任務周期時常將顯著增加，不能滿足即飛即檢的需求。

2、傳統機器學習的方法

傳統機器學習方法可以分為兩大類，一類是無監督提取方法，該方法以多光譜指數計算方法為主，其缺點為需要多光譜的數據，結果也只是定性反應大棚分布；另一類是監督學習的方法，該方法需要“特征工程”設計用于分類的特征，總的來說，傳統機器學習的方法因其固有的特性而存在精度有限、環境魯棒性不強的問題，不滿足大面積快速高精度提取的實際需求從而使得應用受限。

3、基于深度卷積神經網絡的方法

計算機視覺的發展帶動了人工智能在遙感解譯中的應用，由計算機視覺領域提出的深度學習方法在圖像識別上展現出了巨大的潛力。目前利用深度學習中的全卷積網絡可以以完全滿足實際需求的精度提取大棚。但全卷積網絡有一個難以克服的問題--精度、速度、所需計算資源的平衡，如果使用經典的、效果好的模型意味著需要很大的計算資源同時有著較慢的模型訓練與模型推理提取速度，如果使用參數量少的網絡則會使得精度較大模型有很大將降低提取效果可能不能滿足實際的需求。

發明內容

本發明的目的是針對上述問題，提供基于注意力機制與輕量級全卷積網絡的農業大棚提取方法。

為達到上述目的，本發明采用了下列技術方案：本基于注意力機制與輕量級全卷積網絡的農業大棚提取方法，本方法包括以下步驟：

S1、目標區域的影像數據獲取并進行數據預處理；

S2、制作目標區域的二分類大棚樣本；

S3、構建大棚識別模型；

S4、使用大棚樣本對構建的大棚識別模型進行訓練；

S5、使用訓練后的模型對目標區域內的影像進行大棚的提取。