一种基于深度学习的农作物遥感图像语义分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115527119A(43)申请公布日2022.12.27(21)申请号202211246415.8G06N3/04(2006.01)(22)申请日2022.10.12G06N3/08(2006.01)(71)申请人中科合肥智慧农业协同创新研究院地址230031安徽省合肥市长丰县双凤开发区金江路32号合肥智慧农业协同创新研究院(72)发明人孟傲胡宜敏许桃胜王雪王儒敬史杨张永恒(74)专利代理机构合肥国和专利代理事务所(普通合伙)34131专利代理师吴娜张祥骞(51)Int.Cl.G06V20/10(2022.01)G06V10/82(2022.01)G06V10/26(2022.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于深度学习的农作物遥感图像语义分割方法(57)摘要本发明涉及一种基于深度学习的农作物遥感图像语义分割方法，包括：采集哨兵2号卫星的L2A级图像，进行波段提升和波段融合，再进行裁剪、标注后作为数据存储至数据集；将数据集划分为训练集、验证集和测试集，调整卷积神经网络模型的超参数、检验卷积神经网络模型，直至获得一个损失函数收敛的卷积神经网络模型；待测样本采集并完成农作物检测。本发明为遥感影像农作物语义分割提供了新的网络模型，可同时处理遥感影像的多波段信息而非传统图像的RGB三通道信息，针对遥感图像的分割问题具有较强的适用性；本网络模型在原U‑net的模型基础上添加了残差模块，可有效地减少遥感影像在编码过程中丢失的细节，使模型分割准确率更高。CN115527119ACN115527119A权利要求书1/2页1.一种基于深度学习的农作物遥感图像语义分割方法，其特征在于：该方法包括下列顺序的步骤：(1)建立数据集：采集哨兵2号卫星的L2A级图像，对哨兵2号卫星的L2A级图像进行波段提升和波段融合后获得多波段、高分辨率的重建图像，对重建图像进行裁剪、标注后作为数据存储至数据集；(2)训练卷积神经网络模型：将数据集划分为训练集、验证集和测试集，用训练集、验证集和测试集调整卷积神经网络模型的超参数、检验卷积神经网络模型，直至获得一个损失函数收敛的卷积神经网络模型；(3)待测样本采集并完成农作物检测：将待测样本送入卷积神经网络模型进行检测，获得语义分割图像，通过软件ArcGis对语义分割图像和待测样本进行逐像素点对比，计算语义分割图像的全局准确率、平均交并比、召回率的指标，通过评估全局准确率、平均交并比、召回率的指标的结果，实现对卷积神经网络模型性能的评估。2.根据权利要求1所述的基于深度学习的农作物遥感图像语义分割方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)针对每张哨兵2号卫星的L2A级图像，使用SNAP软件对L2A级图像中分辨率为20m×20m的波段进行双线性内插法重采样，获得多张10m×10m分辨率的单通道遥感影像；(1b)使用ENVI软件对多张10m×10m分辨率的单通道遥感影像进行融合，获得相应的高分辨率多光谱遥感影像，再使用ENVI软件对高分辨率多光谱遥感影像进行裁剪，最终获得多张512×512尺寸的小块影像；(1c)使用ArcGis软件对512×512尺寸的小块影像中的不同农作物绘制shape文件并标注，具体为：当农作物目标为油菜时，为其分配类别为1；当农作物目标为小麦时，为其分配类别为2；当农作物目标为水稻时，为其分配类别为3；当农作物目标为大豆时，为其分配类别为4；当农作物目标为除油菜、小麦、水稻、大豆之外的类别时，为其分配类别为0。3.根据权利要求1所述的基于深度学习的农作物遥感图像语义分割方法，其特征在于：所述步骤(2)具体是指：将数据集以7:2:1的比例划分训练集、验证集和测试集；所述卷积神经网络模型采用改进后的U‑net网络，对遥感影像中农作物种植区域进行语义分割，获得农作物的种植种类和种植区域，所述改进后的U‑net网络包括依次相连的编码模块和解码模块；所述编码模块包括依次相连的第一阶段模块、第二阶段模块、第三阶段模块、第四阶段模块和第五阶段模块；所述第一阶段模块由依次相连的一个7×7的卷积模块和一个3×3的最大池化模块组成；所述第二、三、四、五阶段模块均由依次相连的一个带最大池化层的残差模块和一个基础残差模块组成；所述解码模块包括依次相连的第六阶段模块、第一跳跃连接阶段模块、第七阶段模块、第二跳跃连接阶段模块、第八阶段模块、三跳跃连接阶段模块、第九阶段模块和第十阶段模块；所述第六、七、八、九阶段模块均由依次相连的第一1×1卷积模块、第一3×3全卷积模块及第二1×1卷积模块组成；2CN115527119A权利要求书2/2页所述第十阶段模块由依次相连的第二3×3全卷积模块、第五标准卷积模块及2×2全卷积模块组成