基于特征强化提取农作物种植面积的深度学习方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984686A(43)申请公布日2023.04.18(21)申请号202211573902.5G06N3/0464(2023.01)(22)申请日2022.12.08G06N3/08(2023.01)(71)申请人合肥深蓝空间智能科技有限公司地址230000安徽省合肥市高新区望江西路900号中安创谷科技园A3A栋6楼649室(72)发明人杨辉吴艳兰王彪(74)专利代理机构安徽顺超知识产权代理事务所(特殊普通合伙)34120专利代理师陈慕(51)Int.Cl.G06V20/10(2022.01)G06V10/20(2022.01)G06V10/40(2022.01)G06V10/82(2022.01)权利要求书2页说明书5页附图2页(54)发明名称基于特征强化提取农作物种植面积的深度学习方法(57)摘要本发明属于卫星遥感数据处理技术领域，具体涉及一种基于特征强化提取农作物种植面积的深度学习方法，该方法包括以下步骤：针对作为研究对象的农作物，收集所需多分辨率卫星遥感影像并进行预处理；识别地物类型，提取其光谱特征，并做敏感性分析；基于深度学习的卷积神经网络的特征提取；设计卷积层层数以及网络结构，最终输出分类结果；统计输出后影像上的农作物种植面积。本发明方法设计科学合理，以冬小麦为例，设计冬小麦等地物类型的光谱特征分析、深入提取整合特征信息，进一步增强光谱特征对冬小麦分类提取的能力的网络结构，实现掌握冬小麦种植区的分布以及种植面积的统计计算。CN115984686ACN115984686A权利要求书1/2页1.基于特征强化提取农作物种植面积的深度学习方法，其特征在于：包括以下步骤：步骤一、针对作为研究对象的农作物，收集所需多分辨率卫星遥感影像并进行预处理；步骤二、识别上述农作物的地物类型，提取其光谱特征，并做敏感性分析；步骤三、基于深度学习的卷积神经网络的特征提取；步骤四、设计卷积层层数以及网络结构，最终输出分类结果；步骤五、统计输出后影像上的农作物种植面积。2.根据权利要求1所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤一中，包括，1)在精细农业方面，需进行大气校正，去除大气对影像的影响；2)正射校正，纠正影像几何变形；3)确定参考影像为基础，将多幅影像进行镶嵌，并根据所需区域进行影像裁剪。3.根据权利要求2所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤二中，依据野外调查或人工目视解译经验确定地物类型，并对应建立农作物样本库，通过分析步骤一后的影像特征，提取相关地物类型的光谱信息，并以此统计分析农作物地物类型的光谱曲线图，进行波段信息的敏感度分析，筛除对各类地物区分度较低的波段，并加入对农作物分类提取有益的植被指数，增强农作物与其他地物类型的区分度，以此增强整体的光谱特征，作为农作物识别的主要数据来源。4.根据权利要求3所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤三中，在多层神经网络的基础上，选择用于进行分类任务的卷积神经网络作为主要深度学习模型；卷积神经网络包含由卷积层和子采样层构成的特征抽取器。5.根据权利要求4所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤四中，所述卷积神经网络共设有四层卷积层，卷积神经网络的卷积层包含若干个特征平面，每个特征平面由多个矩形排列的的神经元组成；在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接；同一特征平面的神经元共享权值，共享的权值即为卷积核；卷积核以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。6.根据权利要求5所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，所述卷积神经网络选用1×1的卷积核进行特征提取，特征映射结构采用使其具有位移不变性的激活函数。7.根据权利要求6所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，所述卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层。8.根据权利要求7所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，在所述卷积层后添加用于执行的全连接层，全连接层能够将所得信息进行融合，增强信息表达并减少特征信息的损失，最后以网络输出图像形式的农作物地物类型的提取结果。9.根据权利要求1所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，步骤五中，利用卫星遥感影像预处理后的空间分辨率来计算统计农作物的种植面积，最终得出所需区域内农作物的整体种植面积。2CN115984686A权利要求书2/2页10.根据权利要求1所述的基于特征强化提取农作物种植面积的深度学习方法，其特征在于，作为研究对象的农作物为冬小麦