一种结合注意力机制和空间特征融合算法的水田分割方法技术

本发明专利技术涉及一种结合注意力机制和空间特征融合算法的水田分割方法，包括：构建低空水田图像数据集，对所述数据集中的数据进行标注，并划分为训练集和验证集；搭建语义分割网络模型，基于所述训练集训练所述语义分割网络模型，得到训练后的语义分割网络模型；基于所述验证集对所述训练后的语义分割网络模型进行验证，得到验证结果。本发明专利技术对水田预测结果更为高效、准确，这为进一步获取高精度水田边界定位信息和构建较大区域若干水田的高精度地图提供了重要基础，对推动高效、精确的水田耕地信息化管理起到积极促进作用。耕地信息化管理起到积极促进作用。耕地信息化管理起到积极促进作用。

【技术实现步骤摘要】
一种结合注意力机制和空间特征融合算法的水田分割方法


[0001]本专利技术涉及智慧农业
，特别是涉及一种结合注意力机制和空间特征融合算法的水田分割方法。

技术介绍

[0002]智慧农业是现代农业发展的必然趋势，为了帮助农业机械更好地理解农田环境，实现智能农机作业，对于推动智慧农业发展具有重要作用，目前基于高分辨率无人机低空遥感的耕地影像数据多为平原地区大面积农田提取，对于丘陵地区水田地类的提取存在较大难度且解译精度相对较低的情况。本专利技术提供一种结合注意力机制和空间特征融合算法的SA
‑
DeepLabv3+的深度神经网络结构，实现对南方丘陵地区水田地类的提取。

技术实现思路

[0003]本专利技术的目的是为了帮助农业机械更好地理解农田环境，实现智能农机作业，提供了一种结合注意力机制和空间特征融合算法的水田分割方法。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种结合注意力机制和空间特征融合算法的水田分割方法，包括：
[0006]构建低空水田图像数据集，对所述数据集中的数据进行标注，并划分为训练集和验证集；
[0007]搭建语义分割网络模型，基于所述训练集训练所述语义分割网络模型，得到训练后的语义分割网络模型；
[0008]基于所述验证集对所述训练后的语义分割网络模型进行验证，得到验证结果。
[0009]优选地，利用无人机平台采集低空水田图像，选用图像数据宽度为4864像素，高度为3648像素的水田图像，构建所述低空水田图像数据集。
[0010]优选地，基于标注工具对采集的所述低空水田图像通过人工目视打点方式进行标注，生成格式相同的标签图，对所述标签图进行数据处理，得到能够输入进所述语义分割网络模型的数据格式。
[0011]优选地，所述语义分割网络模型为SA
‑
DeepLabv3+语义分割网络模型，包括编码器和解码器，所述编码器包括卷积层、Xception
‑
65特征提取网络、注意力机制scSE、空洞空间金字塔池化ASPP模块；所述解码器包括特征图连接层、反卷积层、自适应空间特征融合ASFF模块。
[0012]优选地，通过图像中水田的形状及周边物种种类对图像进行分类，根据图像的不同类型对所述标注好的图像文件进行划分，将每类图像随机划分成若干等分，得到训练集和验证集，将所述训练集输入到所述语义分割网络模型中进行训练，取结果的平均值作为训练结果，并基于所述验证集对所述训练结果进行验证。
[0013]优选地，将所述训练集输入到所述语义分割网络模型中进行训练的过程包括：
[0014]基于ReLu激活函数，设定所述语义分割网络的训练参数；
[0015]采用五折交叉验证法对所述语义分割网络模型进行训练及测试；
[0016]设置交叉熵损失函数作为所述语义分割网络模型的损失函数，计算所述特征图与标签图之间的损失数，使用Momentum优化算法和基于动量因子随机梯度下降算法对网络参数进行优化。
[0017]优选地，计算所述特征图与标签图之间的损失数的方法如下式：
[0018][0019]其中，N为一个批尺寸中像素数的总和，m为类别数；y
ij
表示像素点i对类别j的标注；表示像素点i为类别j的概率。
[0020]优选地，基于所述验证集对所述训练结果进行验证的过程包括：
[0021]首先，采用迁移学习方法，通过加载基于Pascal VOC 2012公共数据集预训练的Xception
‑
65权重初始化网络，接着对输入的验证集中的水田数据进行场景分析，将样本空间变换至特征空间，利用增加了scSE模块的Xception
‑
65骨干网络的编码器和空间金字塔提取像素特征，再通过融合了自适应空间特征融合模块ASFF的解码器将特征图恢复至原始大小，输出特征图；
[0022]比较所述特征图中同一像素点在不同类别下的预测概率，若水田块的预测概率大，则该像素被判定为水田像素，否则为背景像素，输出分割掩码；
[0023]采用图像分割评价指标mIoU平均交并比，对SA
‑
DeepLabv3+语义分割模型输出的所述分割掩码进行验证，得到验证结果。
[0024]优选地，采用图像分割评价指标平均交并比mIoU，对所述SA
‑
DeepLabv3+语义分割模型输出的所述分割掩码进行评价的计算方法如下：
[0025][0026]其中，FN为假负，表示真实为1，预测为0；TP为真正，表示真实为1，预测为1；FP为假正，表示真实为0，预测为1。
[0027]本专利技术的有益效果为：
[0028]本专利技术基于DeepLabv3+语义分割网络模型提出改进，应用水田图像分割，一定程度上提高了分割效率和解译精度；智能程度高，普适性好，缓解了现有的水田分割方法效率低、耗时长，且准确度差的技术问题；
[0029]本专利技术对水田预测结果更为高效、准确，这为进一步获取高精度水田边界定位信息和构建较大区域若干水田的高精度地图提供了重要基础，对推动高效、精确的水田耕地信息化管理起到积极促进作用。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术实施例的方法流程图；
[0032]图2为本专利技术实施例的SA
‑
DeepLabv3+网络结构示意图；
[0033]图3为本专利技术实施例类型1水田及分割效果示意图；
[0034]图4为本专利技术实施例类型2水田及分割效果示意图；
[0035]图5为本专利技术实施例类型3水田及分割效果示意图；
[0036]图6为本专利技术实施例类型4水田及分割效果示意图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0039]本专利技术提供一种结合注意力机制和空间特征融合算法的水田分割方法，参照图1所示，包括：
[0040]步骤一、低空水田图片数据采集和标注；
[0041]S11.数据采集：在本实施例中，利用大疆Phantom 4RTK专业版无人机采集低空水田图片样本，样本场景尽可能多，样本类型包括4种：类型1水田形状不规则，田内少植被；类型2水田形状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合注意力机制和空间特征融合算法的水田分割方法，其特征在于，包括：构建低空水田图像数据集，对所述数据集中的数据进行标注，并划分为训练集和验证集；搭建语义分割网络模型，基于所述训练集训练所述语义分割网络模型，得到训练后的语义分割网络模型；基于所述验证集对所述训练后的语义分割网络模型进行验证，得到验证结果。2.根据权利要求1所述的结合注意力机制和空间特征融合算法的水田分割方法，其特征在于，利用无人机平台采集低空水田图像，选用图像数据宽度为4864像素，高度为3648像素的水田图像，构建所述低空水田图像数据集。3.根据权利要求2所述的结合注意力机制和空间特征融合算法的水田分割方法，其特征在于，基于标注工具对采集的所述低空水田图像通过人工目视打点方式进行标注，生成格式相同的标签图，对所述标签图进行数据处理，得到能够输入进所述语义分割网络模型的数据格式。4.根据权利要求3所述的结合注意力机制和空间特征融合算法的水田分割方法，其特征在于，所述语义分割网络模型为SA
‑
DeepLabv3+语义分割网络模型，包括编码器和解码器，所述编码器包括卷积层、Xception
‑
65特征提取网络、注意力机制scSE、空洞空间金字塔池化ASPP模块；所述解码器包括特征图连接层、反卷积层、自适应空间特征融合ASFF模块。5.根据权利要求4所述的结合注意力机制和空间特征融合算法的水田分割方法，其特征在于，通过图像中水田的形状及周边物种种类对图像进行分类，根据图像的不同类型对所述标注好的图像文件进行划分，将每类图像随机划分成若干等分，得到训练集和验证集，将所述训练集输入到所述语义分割网络模型中进行训练，取结果的平均值作为训练结果，并基于所述验证集对所述训练结果进行验证。6.根据权利要求5所述的结合注意力机制和空间特征融合算法的水田分割方法，其特征在于，将所述训练集输入到所述语义分割网络模型中进行训练的过程包括：基于ReLu激活函数，设定所述语义分割网络的训练...

【专利技术属性】
技术研发人员：刘兆朋，杨滢婷，李智香，黄大康，刘星，刘木华，邓泓，余佳佳，
申请(专利权)人：江西农业大学，
类型：发明
国别省市：