【技术实现步骤摘要】
一种模型训练方法、装置、电子设备及存储介质
[0001]本申请涉及遥感图像识别领域，具体而言，涉及一种模型训练方法、 装置、电子设备及存储介质。
技术介绍
[0002]杨柳是很常见的植被，到了夏天，杨柳所产生的杨柳飞絮容易飞入市 民眼睛、鼻孔，从而引起身体不适甚至炎症，导致过敏人群皮肤过敏，刺 激加重哮喘、慢性支气管炎等呼吸道疾病；杨柳飞絮会遮挡行人和车辆视 线，对交通安全和公共安全造成影响；更严重的，杨柳飞絮在高温天气还 可能会引发火灾。因此，准确掌握杨柳的分布十分必要。
[0003]目前，获取杨柳分布的方式包括人工获取杨柳分布以及利用遥感图像 识别杨柳分布。其中，遥感图像识别是一种利用计算机对遥感图像中各类 地物的光谱信息和空间信息进行分析，将图像中各个像元划分到各自地物 类型的技术，遥感图像识别杨柳分布则是根据杨柳的光谱信息和空间信息 等特征从而对遥感图像中杨柳的位置分布进行识别。
[0004]然而，传统的依靠人工获取杨柳分布的方法耗时费力，且工作周期长， 对于杨柳分布的动态变化不能及时更新，而现有利用...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取目标区域的彩色遥感图像，其中，所述彩色遥感图像为所述目标区域的含云遥感图像经过去云处理后得到的；根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，其中，所述杨柳样本点位于所述目标区域内；将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像；按照预设分割尺度，对所述合成图像进行面向对象分割处理，得到多个分割图像区域，其中，同一分割图像区域中所包括的对象的类型相同且任意两个分割图像区域中包括的对象是不同的；对于多个分割图像区域中的每个目标图像区域，将该目标图像区域作为训练数据输入到深度学习模型中进行模型训练，得到本次训练后的深度学习模型，其中，所述目标图像区域为多个分割图像区域中包括的对象为杨柳的分割图像区域；使用本次训练后的深度学习模型对预设彩色遥感图像进行杨柳区域的识别，得到用于表示杨柳分布的识别结果，以将所述识别结果中精度最高的识别结果对应的训练后的深度学习模型作为完成训练的深度学习模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述根据指定杨柳样本点处杨柳对应的全年增强植被指数EVI时序曲线反映的杨柳处于不同时间点时的EVI数值，确定杨柳的多个物候时期，包括：从杨柳的第一生长周期中，选取杨柳的EVI数值小于或等于第一数值的时间段作为杨柳的无叶期，所述第一生长周期为1月1日至3月31日；从杨柳的第二生长周期中，选取杨柳的EVI数值大于或等于第二数值的时间段作为杨柳的叶片生长期，所述第二生长周期为4月1日至7月31日；从杨柳的第三生长周期中，选取杨柳的EVI数值大于或等于第三数值的时间段作为杨柳的叶片成熟期，所述第三生长周期为8月1日至12月31日。3.根据权利要求1所述的模型训练方法，其特征在于，同一物候时期的EVI遥感图像包括多张，所述将所述目标区域的处于不同物候时期的EVI遥感图像和所述彩色遥感图像进行叠加，得到合成图像，包括：针对处于同一物候时期的每一张EVI遥感图像，获取该张EVI遥感图像中每一像元的EVI数值；从所述多张EVI遥感图像中位于相同坐标的像元里，将EVI数值为中值的像元作为该坐标的拼接像元，其中，每一像元对应一个坐标；将每一拼接像元按照原坐标进行拼接，得到拼接图像；将不同物候时期对应的拼接图像和所述彩色遥感图像进行叠加，得到所述合成图像。4.根据权利要求1所述的模型训练方法，其特征在于，所述预设分割尺度的确定方法，包括：从第一分割尺度和第二分割尺度之间选取多个间距相等的候选分割尺度；计算每一候选分割尺度的全局得分GS，...
【专利技术属性】
技术研发人员：田金炎，李向彩，李小娟，宫辉力，陈蓓蓓，周丙锋，倪荣光，王小娜，张婕，谢军飞，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。