一种基于深度学习的田间地块分割算法制造技术

本发明专利技术公开了一种基于深度学习的田间地块分割算法，其技术方案是S1数据获取、S2数据预处理、S3制作训练样本、S4网络模型、S5一次计算分析、S6地块分割模型训练测试、S7二次计算分析。本发明专利技术中通过采集海量卫星遥感数据，基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U‑net)对其卫星遥感数据进行模型训练，将生成的网络模型应用于地块分割，同时在此基础上精准地提取出各个地块的矢量边界、面积等有效参数，以此更加精确地监测到每一块土地的使用情况，通过大量数据试验证明本发明专利技术的方法可准确、有效地应用于田间地块管理和规划，相比传统的传统的卫星遥感图像分割方法其准确率得到了的极大地提升。

【技术实现步骤摘要】
一种基于深度学习的田间地块分割算法
本专利技术涉及土地规划
，具体涉及一种基于深度学习的田间地块分割算法。
技术介绍
中国是传统的农业大国，目前正处在城市化加速进程，在这场传统农业到现代农业进化过程中，如何合理高效的规划和利用土地对人类的能力提出了更高的要求，针对土地的利用管理，传统的方法通常为人工亲自进行勘察，其缺点是耗时耗人力成本很大，随着卫星遥感技术的发展，萌生了通过卫星影像进行土地监测管理和规划的技术，同时人工智能技术的兴起对卫星影像的处理起到了自动化高效处理的作用，由此将卫星影像+AI技术中的图像分割技术结合应用于土地监测管理和规划成为一种基于深度学习的田间地块分割算法可能。但是对于卫星遥感图像，因其错综复杂的区域交叉特性和不规则的连接，其分割难度极高，传统的卫星遥感图像分割方法容易受分割阈值、局部相近但不同类信息的干扰从而导致分割准确率不高或多分、重分等问题，同时传统的卫星遥感图像分割方法对卫星离地距离、拍摄角度特别敏感。因此，专利技术一种基于深度学习的田间地块分割算法很有必要。
技术实现思路
为此，本专利技术提供一种基于深度学习的田间地块分割算法，通过采集海量卫星遥感数据，基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U-net)对其卫星遥感数据进行模型训练，将生成的网络模型应用于地块分割，同时在此基础上精准地提取出各个地块的矢量边界、面积等有效参数，以解决传统的卫星遥感图像分割方法容易受分割阈值、局部相近但不同类信息的干扰从而导致分割准确率不高或多分、重分等问题，同时传统的卫星遥感图像分割方法对卫星离地距离、拍摄角度特别敏感的问题。为了实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的田间地块分割算法，包括以下具体步骤：S1数据获取：利用卫星地图加载器获取的遥感影像；S2数据预处理：通过打点方式采集我国多个县、市的大量的土地卫星遥感数据图像，并按照一定的分辨率进行尺寸切割预处理；S3制作训练样本：利用标注工具将地块区域和非地块区域进行标注形成标签文件，并由此制作完成训练数据样本集；S4网络模型：对于田间地块分割网络模型，选择U-net语义分割网络，U-net包括第一部分特征提取部分和第二部分上采样部分；S5一次计算分析：基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U-net)对其卫星遥感数据进行计算分析；S6地块分割模型训练测试：使用U-net网络对S3中的训练数据样本集进行训练测试学习，得到田间地块分割模型；S7二次计算分析：将S6中的模型田间地块分割模型，应用到实际图像测试中，分割出卫星影像中的田间地块，并在此基础上提取出各个地块的有效具体参数。优选的，所述步骤S1数据获取中加载器获取分辨率为2m的遥感影像，采用的卫星地图不仅限于谷歌卫星地图，也可使用高德、百度等卫星地图。优选的，所述步骤S2数据预处理中采集土地卫星遥感数据图像为不同距离、不同拍摄角度、不同时段的县、市的数据图像。优选的，所述步骤S2数据预处理中通过客户端将数据图像按照分辨率1024*1024的尺寸进行切割。优选的，所述步骤S3制作训练样本中地块区域和非地块区域使用不同的颜色值进行标注。优选的，所述步骤S4网络模型中特征提取部分：主要是卷积层和池化层；上采样部分：主要是反卷积层和反卷积层。优选的，所述步骤S5一次计算分析中通过客户端计算每个特征提取部分在concatenate到对应的上采样层，每个卷积层得到的特征图都会concatenate到对应的上采样层，同时对每层特征图都有效使用到后续计算，并制成相应的数据集。优选的，所述步骤S7二次计算分析中地块的具体参数包括矢量边界、面积等有效参数。本专利技术的有益效果是：本专利技术中通过采集海量卫星遥感数据，基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U-net)对其卫星遥感数据进行模型训练，将生成的网络模型应用于地块分割，同时在此基础上精准地提取出各个地块的矢量边界、面积等有效参数，以此更加精确地监测到每一块土地的使用情况，通过大量数据试验证明本专利技术的方法可准确、有效地应用于田间地块管理和规划，相比传统的传统的卫星遥感图像分割方法其准确率得到了的极大地提升，且通过基于海量的大数据学习有效地解决了对不同距离、拍摄角度的卫星遥感图像分割效果的不适用性，可有效地监控土地使用不规整、不合理等问题，极大地提高了土地的利用率。附图说明图1为本专利技术提供的U-net网络模型结构图；图2为本专利技术提供的原始卫星图像图；图3为本专利技术提供的田间地块分割结果图；图4为本专利技术提供的各个地块的矢量边界图。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。实施例1，参照附图1，本专利技术提供的一种基于深度学习的田间地块分割算法，包括以下具体步骤：S1数据获取：利用卫星地图加载器获取的遥感影像；S2数据预处理：通过打点方式采集我国多个县、市的大量的土地卫星遥感数据图像，并按照一定的分辨率进行尺寸切割预处理；S3制作训练样本：利用标注工具将地块区域和非地块区域进行标注形成标签文件，并由此制作完成训练数据样本集；S4网络模型：对于田间地块分割网络模型，选择U-net语义分割网络，U-net包括第一部分特征提取部分和第二部分上采样部分，S5一次计算分析：基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U-net)对其卫星遥感数据进行计算分析；S6地块分割模型训练测试：使用U-net网络对S3中的训练数据样本集进行训练测试学习，得到田间地块分割模型；S7二次计算分析：将S6中的模型田间地块分割模型，应用到实际图像测试中，分割出卫星影像中的田间地块，并在此基础上提取出各个地块的有效具体参数。本专利技术中通过采集海量卫星遥感数据，基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U-net)对其卫星遥感数据进行模型训练，将生成的网络模型应用于地块分割，同时在此基础上精准地提取出各个地块的矢量边界、面积等有效参数，以此更加精确地监测到每一块土地的使用情况，通过大量数据试验证明本专利技术的方法可准确、有效地应用于田间地块管理和规划，相比传统的传统的卫星遥感图像分割方法其准确率得到了的极大地提升，且通过基于海量的大数据学习有效地解决了对不同距离、拍摄角度的卫星遥感图像分割效果的不适用性，可有效地监控土地使用不规整、不合理等问题，极大地提高了土地的利用率。进一步地，步骤S1数据获取中加载器获取分辨率为2m的遥感影像，采用的卫星地图不仅限于谷歌卫星地图，也可使用高德、百度等卫星地图；进一步地，步骤S2数据预处理中采集土地卫本文档来自技高网...

【技术保护点】
1.一种基于深度学习的田间地块分割算法，其特征在于：包括以下具体步骤：/nS1数据获取：利用卫星地图加载器获取的遥感影像；/nS2数据预处理：通过打点方式采集我国多个县、市的大量的土地卫星遥感数据图像，并按照一定的分辨率进行尺寸切割预处理；/nS3制作训练样本：利用标注工具将地块区域和非地块区域进行标注形成标签文件，并由此制作完成训练数据样本集；/nS4网络模型：对于田间地块分割网络模型，选择U-net语义分割网络，U-net包括第一部分特征提取部分和第二部分上采样部分；/nS5一次计算分析：基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U-net)对其卫星遥感数据进行计算分析；/nS6地块分割模型训练测试：使用U-net网络对S3中的训练数据样本集进行训练测试学习，得到田间地块分割模型；/nS7二次计算分析：将S6中的模型田间地块分割模型，应用到实际图像测试中，分割出卫星影像中的田间地块，并在此基础上提取出各个地块的有效具体参数。/n

【技术特征摘要】
1.一种基于深度学习的田间地块分割算法，其特征在于：包括以下具体步骤：
S1数据获取：利用卫星地图加载器获取的遥感影像；
S2数据预处理：通过打点方式采集我国多个县、市的大量的土地卫星遥感数据图像，并按照一定的分辨率进行尺寸切割预处理；
S3制作训练样本：利用标注工具将地块区域和非地块区域进行标注形成标签文件，并由此制作完成训练数据样本集；
S4网络模型：对于田间地块分割网络模型，选择U-net语义分割网络，U-net包括第一部分特征提取部分和第二部分上采样部分；
S5一次计算分析：基于Pytorch深度学习框架调用适用于遥感图像分割应用的U型结构语义分割网络(U-net)对其卫星遥感数据进行计算分析；
S6地块分割模型训练测试：使用U-net网络对S3中的训练数据样本集进行训练测试学习，得到田间地块分割模型；
S7二次计算分析：将S6中的模型田间地块分割模型，应用到实际图像测试中，分割出卫星影像中的田间地块，并在此基础上提取出各个地块的有效具体参数。


2.根据权利要求1所述的一种基于深度学习的田间地块分割算法，其特征在于：所述步骤S1数据获取中加载器获取分辨率为2m的遥感影像，采用的卫星地图不仅限于谷歌卫星地图，也可使用高德、百度等卫星地图。


3.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：高旭敏，刘龙，宫华泽，陈祺，张晟楠，
申请(专利权)人：北京麦飞科技有限公司，
类型：发明
国别省市：北京;11