一种基于卷积神经网络的农作物种植信息提取方法技术

本发明专利技术属于遥感影像作物种植信息提取领域，具体涉及一种基于卷积神经网络并以高分遥感影像为数据源的农作物种植耕地利用信息的提取。本发明专利技术提供一种基于卷积神经网络的农作物种植信息提取方法，该方法融合注意力机制与残差模块的卷积网络模型、协同多光谱遥感影像数据，对农作物种植信息进行提取，提高农作物种植信息提取的效果。一种基于卷积神经网络的农作物种植信息提取方法，包括如下步骤：S1、构建经过处理的原始多光谱卫星遥感影像数据集；S2、数据增强；S3、构建模型；S4、设置参数；S5、获取模型训练结果；S6、得到农田种植信息提取结果。果。果。

【技术实现步骤摘要】
一种基于卷积神经网络的农作物种植信息提取方法


[0001]本专利技术属于遥感影像作物种植信息提取领域，具体涉及一种基于卷积神经网络并以高分遥感影像为数据源的农作物种植耕地利用信息的提取。

技术介绍

[0002]近年来，随着智慧农业技术的快速推进，基于高分辨率遥感影像结合深度学习的技术在产量预测、作物信息提取、种植信息探测等方面变得愈发重要。遥感影像尤其是多光谱的遥感影像可以更好保存地物的光谱特征，同时由于遥感影像数据具有语义特征复杂、影响因素众多的特点。因此，对高分辨率多光谱遥感影像的作物种植信息进行高效的分割成为作物信息提取最具挑战性的研究方向之一。
[0003]作物像素级别的分类问题，作物种植信息的提取通常分为人工设置阈值的NDVI、WNDVI等的传统方法与基于计算机深度学习技术的语义分割方法。
[0004]以往的提取方法多采用数学模型结合遥感数据对作物种植面积信息进行提取，但其存在精度低、效率低等问题。随着计算机技术的发展，使用计算机视觉技术进行相关研究得到了广泛认可。图像语义分割技术是构成计算机视觉技术的基础。目前语义分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的农作物种植信息提取方法，其特征在于：所述方法包括如下步骤：S1、构建经过处理的原始多光谱卫星遥感影像数据集：S1.1、由遥感卫星采集原始遥感影像数据，形成原始多光谱卫星遥感影像数据集；原始多光谱卫星遥感影像数据集中包括农田覆盖区域内的以下三类多光谱遥感影像数据：1、种植作物的农田覆盖区域的多光谱遥感影像数据；2、未种植作物的农田覆盖区域的多光谱遥感影像数据；及3、其它覆盖区域的多光谱遥感影像数据；S1.2、对原始遥感影像数据进行标注种植作物的农田覆盖区域标注为像素值255，未种植作物的农田覆盖区域标注为像素值200，其它覆盖类型区域标注为像素值0；S1.3、将原始多光谱卫星遥感影像数据集中的原始多光谱遥感影像数据进行裁剪，裁剪后图像的像素大小为256
×
256；S1.4、将裁剪后的原始多光谱卫星遥感影像数据集按照8:1:1的比例划分训练集、验证集与测试集，得到经过处理的原始多光谱卫星遥感影像数据集；S2、数据增强：对步骤S1构建的经过处理的原始多光谱遥感影像数据集进行增强，使多光谱卫星遥感影像数据集数据图片数量扩展为原有的4倍，得到包括种植作物的农田覆盖区域、未种植作物的农田覆盖区域、和其它类型覆盖区域的农作物种植信息数据集；S3、构建模型：以U
‑
Net模型结构为基础框架，融合注意力机制与残差模块构建URSE
‑
Net卷积神经网络模型；URSE
‑
Net卷积神经网络模型由编码器、中间层和解码器三部分构成；在编码器部分，使用改进后的残差模块对遥感影像数据进行信息提取；在中间层，使用两种通道注意力机制SE和ECA；在解码器部分，每一层使用一次“卷积
‑
批标准化
‑
激活”操作；步骤S3.1、融合完全预激活残差模块的编码器使用将批标准化与激活操作放于卷积操作之前的完全预激活残差模块进行主干网络的搭建，完全预激活残差模块的结构为：批标准化层、激活层、3
×
3卷积层；在完全预激活残差模块处理过程中，特征图的通道数始终保持一致，如公式1所示计算方法，经过主干网络提取后，得到4个特征图，按照得到的先后顺序依次为编码器第一特征图C1、编码器第二特征图C2、编码器第三特征图C3、编码器第四特征图C4，其尺寸分别为像素值256
×
256
×
64、128
×
128
×
128、64
×
64
×
256、32
×
32
×
512；公式1中：m为输出特征图的尺寸，单位为像素；w为输入特征图的尺寸，单位为像素；f为过滤器尺寸，单位为像素；s为步长，单位为像素；编码器部分共分为五个模块，每一模块包含两次残差模块处理和一次卷积操作，同时结合最大池化，实现对原始图像数据尺寸的压缩和通道数量的增加；
在第一模块，输入图片首先经过一次卷积操作，将通道数量变为64，然后经过两次残差模块操作，得到像素值为256
×
256，通道数为64的特征图，将该特征图作为编码器第一特征图C1，输出到中间层；结合最大池化操作将编码器第一特征图C1的长宽变为原来的二分之一，并以0.25的神经元丢弃概率输入到第二模块中，在第二模块中，特征图经过两次残差操作，得到像素值为128
×
128，通道数为128的特征图，将该特征图作为编码器第二特征图C2，输出到中间层；结合最大池化将编码器第二特征图C2的长宽变为原来的二分之一，并以0.5的神经元丢弃概率输入到第三模块中，在第三模块中，特征图经过两次残差操作，得到像素为64
×
64，通道数为256的特征图，将该特征图作为编码器第三特征图C3，输出到中间层；结合最大池化操作将编码器第三特征图C3的长宽变为原来的二分之一，并以0.5的神经元丢弃概率输入到第四模块，在第四模块中，特征图经过两次残差操作，得到像素值大小为32
×
32，通道数为512的特征图，将该特征图作为第四特征图C4，输出到中间层；结合最大池化，将编码器第四特征图C4的长宽变为原来的二分之一，并以0.5的神经元丢弃概率输入到第五模块；在第五模块中，特征图经过两次残差操作，得到长宽像素值为16
×
16，通道数为1024的编码器第五特征图，输出到解码器部分；步骤S3.2、使用通道注意力机制SE模块和ECA模块的中间层部分对编码器第一模块得到的编码器第...

【专利技术属性】
技术研发人员：陈理，董仁杰，周宇光，杨广，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：