基于遥感影像识别圆形喷灌地的方法、计算机设备和介质技术

本申请公开了一种基于遥感影像识别圆形喷灌地的方法、计算机设备和介质，该识别圆形喷灌地的方法包括：获取待识别区域的遥感影像；将遥感影像输入第一U形神经网络模型，以由第一U形神经网络模型输出遥感影像的预测图片，预测图片标记了遥感影像中各像素点的预测结果，预测结果为每个像素点是否为圆形喷灌地像素点；根据预测图片生成圆形喷灌地的位置信息；其中，第一U形神经网络模型为第二U形神经网络模型经增量学习后得到，第二U型形神经网络模型为已完成训练的U形神经网络模型，且增量学习样本取自待识别区域的背景影像。本申请能够大范围、高效和准确地识别圆形喷灌地。

【技术实现步骤摘要】
基于遥感影像识别圆形喷灌地的方法、计算机设备和介质
本公开涉及人工智能领域，更具体而言，涉及一种基于遥感影像识别圆形喷灌地的方法、计算机设备和介质。
技术介绍
灌溉是农业生产的根本保障，为了使人们从繁重的移动管道灌溉作业中解放出来，圆形喷灌机应运而生。圆形喷灌机又称中心支轴式喷灌机，显著特点是喷灌区域为圆形，即形成围绕中心支轴的圆形喷灌地。圆形喷灌地的准确定位在农业生产中具有重要作用，包括确定喷灌地面积以及判断农作物生长情况等。目前，通过遥感影像提取地表信息是一种十分高效的方法，已有最大似然法、基于专家知识的决策树分类方法以及面向对象的分类方法等各种方法所构建的提取模型，其中，面向对象的分类方法在通过遥感影像提取圆形喷灌地方面取得了一定进展。然而，一个个圆形喷灌地在遥感影像中的占有面积非常小；并且，遥感影像会因接收辐射能量的差异而出现图像灰度值变化的现象，因而现有面向对象的分类方法存在一个区域训练得到的提取模型仅适用于该区域的技术问题，这使得大范围、高效和准确地识别圆形喷灌地仍为现阶段面临的一个难题。公开内容有鉴于此，本公开提供了一种基于遥感影像识别圆形喷灌地的方法、计算机设备和介质，旨在大范围、高效和准确地识别圆形喷灌地。为了达到这个目的，根据本公开的一个方面，提供了一种基于遥感影像识别圆形喷灌地的方法，包括：获取待识别区域的遥感影像；将所述遥感影像输入第一U形神经网络模型，以由所述第一U形神经网络模型输出所述遥感影像的预测图片，所述预测图片标记了所述遥感影像中各像素点的预测结果，所述预测结果为每个像素点是否为圆形喷灌地像素点；根据所述预测图片生成圆形喷灌地的位置信息；其中，所述第一U形神经网络模型为第二U形神经网络模型经增量学习后得到，所述第二U型形神经网络模型为已完成训练的U形神经网络模型，且增量学习样本取自所述待识别区域的背景影像。可选地，所述遥感影像为所述待识别区域的初始遥感影像经预处理后得到的，所述预处理包括对所述初始遥感影像的近红外、红、绿三个波段分别赋予红色、绿色、蓝色。可选地，所述第二U形神经网络模型的下采样结构中每个下采样单元包括下采样层和第一残差块，所述下采样层的输出作为所述第一残差块的输入；所述第二U形神经网络模型的上采样结构中每个上采样单元包括上采样层和第二残差块，所述上采样层的输出作为所述第二残差块的输入。可选地，所述第一残差块和所述第二残差块各自包括：输入层，用于接收输入数据；第一BN层，连接所述输入层；第一卷积层，为3×3的卷积层，连接所述第一BN层；第二BN层，连接所述第一卷积层；第一激励函数层，连接所述第二BN层；第二卷积层，为3×3的卷积层，连接所述第一激励函数层；第三卷积层，为1×1的卷积层，连接所述输入层；输出层，连接所述第二卷积层和所述第三卷积层，用于将所述第二卷积层和所述第三卷积层的输出相加结果进行输出。可选地，所述第二U形神经网络模型通过以下步骤进行增量学习：将增量学习样本输入当前第二U形神经网络模型，以由所述当前第二U形神经网络模型给出对应增量学习样本是否为圆形喷灌地的第一判定结果；根据各增量学习样本的所述第一判定结果和认定标签，确定所述当前第二U形神经网络模型的准确率；若所述准确率不收敛则调整所述当前第二U形神经网络模型中的权重；将权重调整后的第二U形神经网络模型确定为当前第二U形神经网络模型，并返回执行将增量学习样本输入当前第二U形神经网络模型的步骤，直到所述当前第二U形神经网络模型的准确率收敛。可选地，所述增量学习样本包括取自所述背景影像的初始影像块样本以及至少部分初始影像块样本的变换样本；其中，初始影像块样本的所述变换样本至少包括以下一种：初始影像块样本经旋转处理后得到的样本、初始影像块样本经平移处理后得到的样本、影像块样本经加噪声处理后得到的样本、初始影像块样本经色彩变换后得到的样本。可选地，在所述当前第二U形神经网络模型的准确率收敛后，所述第二U形神经网络模型的增量学习过程还包括：将验证样本集中各影像块样本输入当前第二U形神经网络模型，以由所述当前第二U形神经网络模型给出对应影像块样本是否为圆形喷灌地的第二判定结果，所述验证样本集中各影像块样本取自所述背景影像；根据所述验证样本集中各影像块样本的所述第二判定结果和认定标签，确定所述当前第二U形神经网络模型的精度；若所述精度不大于预设阈值则调整所述当前第二U形神经网络模型的超参数；将调整后的第二U形神经网络模型确定为当前第二U形神经网络模型，并返回执行将增量学习样本输入当前第二U形神经网络模型的步骤，直到所述当前第二U形神经网络模型的精度大于预设阈值。可选地，将所述遥感影像输入第一U形神经网络模型，包括：将所述遥感影像拆分得到的待测影像块输入第一U形神经网络模型，所述待测影像块和所述增量学习样本的大小相同；由所述第一U形神经网络模型输出所述遥感影像的预测图片，包括：由所述第一U形神经网络模型输出各个所述待测影像块是否为圆形喷灌地的测试结果，多个所述测试结果拼接为所述预测图片。可选地，所述遥感影像中相邻的所述待测影像块具有预设数量个像素点的重合。可选地，所述遥感影像的分辨率高于分辨率阈值，所述分辨率阈值根据圆形喷灌地在所述待识别区域中的辨识度预先设定。可选地，在由U形神经网络模型输出所述遥感影像的预测图片后，还包括：对所述预测图片中圆形喷灌地像素点的连通域进行校正处理，得到校正后的预测图片；其中，所述校正处理包括：将所包括像素点数量小于预设下限值的所述连通域校正为背景区域，将所包括像素点数量不小于预设下限值的所述连通域进行内部非圆形喷灌地像素点校正为圆形喷灌地像素点的处理。根据本公开的一个方面，提供了一种计算机设备，包括：存储器，用于存储计算机可执行代码；处理器，用于执行所述计算机可执行代码，以实现如上所述的方法。根据本公开的一个方面，提供了一种计算机可读介质，包括计算机可执行代码，所述计算机可执行代码被处理器执行时实现如上所述的方法。本公开实施例的有益效果：本公开实施例提供的基于遥感影像识别圆形喷灌地的方法，是将待识别区域的遥感影像输入第一U形神经网络模型，以由第一U形神经网络模型输出遥感影像的预测图片，其中，第一U形神经网络模型是第二U形神经网络模型经增量学习后得到的，第二U型形神经网络模型为已完成训练的U形神经网络模型，且增量学习样本取自所述待识别区域的背景影像。该识别过程为第二U形神经网络模型由训练样本所处区域到待识别区域的跨区域应用，第二U形神经网络模型经上述增量学习样本进行增量学习后得到第一U形神经网络模型，因而第一U形神经网络模型能够避免对待识别区域内圆形喷灌地的误判性；并且，由于增量学些样本只取自待识别区域的背景影像，因而无需在待识别区域内勾选圆形喷灌地来构建正样本，这本文档来自技高网...

【技术保护点】
1.一种基于遥感影像识别圆形喷灌地的方法，其特征在于，包括：/n获取待识别区域的遥感影像；/n将所述遥感影像输入第一U形神经网络模型，以由所述第一U形神经网络模型输出所述遥感影像的预测图片，所述预测图片标记了所述遥感影像中各像素点的预测结果，所述预测结果为每个像素点是否为圆形喷灌地像素点；/n根据所述预测图片生成圆形喷灌地的位置信息；/n其中，所述第一U形神经网络模型为第二U形神经网络模型经增量学习后得到，所述第二U型形神经网络模型为已完成训练的U形神经网络模型，且增量学习样本取自所述待识别区域的背景影像。/n

【技术特征摘要】
1.一种基于遥感影像识别圆形喷灌地的方法，其特征在于，包括：
获取待识别区域的遥感影像；
将所述遥感影像输入第一U形神经网络模型，以由所述第一U形神经网络模型输出所述遥感影像的预测图片，所述预测图片标记了所述遥感影像中各像素点的预测结果，所述预测结果为每个像素点是否为圆形喷灌地像素点；
根据所述预测图片生成圆形喷灌地的位置信息；
其中，所述第一U形神经网络模型为第二U形神经网络模型经增量学习后得到，所述第二U型形神经网络模型为已完成训练的U形神经网络模型，且增量学习样本取自所述待识别区域的背景影像。


2.根据权利要求1所述的识别圆形喷灌地的方法，其特征在于，所述遥感影像为所述待识别区域的初始遥感影像经预处理后得到的，所述预处理包括对所述初始遥感影像的近红外、红、绿三个波段分别赋予红色、绿色、蓝色。


3.根据权利要求1所述的识别圆形喷灌地的方法，其特征在于，
所述第二U形神经网络模型的下采样结构中每个下采样单元包括下采样层和第一残差块，所述下采样层的输出作为所述第一残差块的输入；
所述第二U形神经网络模型的上采样结构中每个上采样单元包括上采样层和第二残差块，所述上采样层的输出作为所述第二残差块的输入。


4.根据权利要求3所述的识别圆形喷灌地的方法，其特征在于，所述第一残差块和所述第二残差块各自包括：
输入层，用于接收输入数据；
第一BN层，连接所述输入层；
第一卷积层，为3×3的卷积层，连接所述第一BN层；
第二BN层，连接所述第一卷积层；
第一激励函数层，连接所述第二BN层；
第二卷积层，为3×3的卷积层，连接所述第一激励函数层；
第三卷积层，为1×1的卷积层，连接所述输入层；
输出层，连接所述第二卷积层和所述第三卷积层，用于将所述第二卷积层和所述第三卷积层的输出相加结果进行输出。


5.根据权利要求4所述的识别圆形喷灌地的方法，其特征在于，所述第二U形神经网络模型通过以下步骤进行增量学习：
将增量学习样本输入当前第二U形神经网络模型，以由所述当前第二U形神经网络模型给出对应增量学习样本是否为圆形喷灌地的第一判定结果；
根据各增量学习样本的所述第一判定结果和认定标签，确定所述当前第二U形神经网络模型的准确率；
若所述准确率不收敛则调整所述当前第二U形神经网络模型中的权重；
将权重调整后的第二U形神经网络模型确定为当前第二U形神经网络模型，并返回执行将增量学习样本输入当前第二U形神经网络模型的步骤，直到所述当前第二U形神经网络模型的准确率收敛。


6.根据权利要求5所述的识别圆形喷灌地的方法，其特征在于，
所述增量学习样本包括取自所述背景影像的初始影像块样本以及至少部分初始影像块样本的变换样本；
其中，初始影像...

【专利技术属性】
技术研发人员：田富有，吴炳方，曾红伟，张淼，王正东，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：北京;11