模型训练方法、地物分类模型的应用方法、系统及介质技术方案

本发明专利技术公开了一种模型训练方法、地物分类模型的应用方法、系统及介质。该模型训练方法包括获取监测区域的目标影像数据；从预设的规则库中筛选出与目标影像数据对应的目标地物数据；将目标地物数据作为输入，将目标影像作为输出训练卷积神经网络模型，以生成地物分类模型。本发明专利技术基于人工智能机器学习算法训练地物分类模型，对高分遥感影像进行自动处理并提取数据信息，将提取到的数据信息与规则库中规则数据进行比较，能够较精确的获得目标地物的数据信息，通过损失函数计算对比结果的误差并进一步降低损失，从而得到最终的高准确度的地物分类信息。物分类信息。物分类信息。

【技术实现步骤摘要】
模型训练方法、地物分类模型的应用方法、系统及介质


[0001]本专利技术属于人工智能和卫星遥感监测
，具体涉及一种模型训练方法、地物分类模型的应用方法、系统及介质。

技术介绍

[0002]传统的遥感影像处理方法为人机交互，例如基于元光谱统计特征的无监督机器学习分类识别技术，一般包含三个主要步骤：要素数字化采集、卫片立体像对测图以及传统的遥感影像分类。在要素数字化采集阶段，需要耗费大量的人力与时间，更新频率低；在卫片立体像对测图阶段，其专业性强，操作复杂，耗时耗力；在传统遥感影像分类阶段，主要使用半自动化/自动化方式，可迁移性较差，解译结果精度也比较低。无法较好地处理高分遥感影像，目标识别精度较低，耗时长，地物分类结果不精确。

技术实现思路

[0003]本专利技术要解决的技术问题是为了克服现有技术中对高分遥感影像中的地物分类结果不精确的缺陷，提供一种模型训练方法、地物分类模型的应用方法、系统及介质。
[0004]本专利技术是通过下述技术方案来解决上述技术问题：
[0005]第一方面，本专利技术提供了一种模型训练方法，所述模型训练方法包括：
[0006]获取监测区域的目标影像数据；
[0007]从预设的规则库中筛选出与所述目标影像数据对应的目标地物数据；
[0008]将所述目标地物数据作为输入，将目标影像作为输出训练卷积神经网络模型，以生成地物分类模型；所述地物分类模型用于对监测区域的影像数据的提取，所述目标影像用于表征具有地物分类信息和目标识别特征信息的图像；
[0009]其中，所述卷积神经网络模型利用损失函数进行反向传播，并通过学习率控制所述损失函数的变化，以更新网络结构的参数值。
[0010]较佳地，所述将所述目标地物数据作为输入，将具有地物分类信息和目标识别特征信息的图像作为输出训练卷积神经网络模型，以生成地物分类模型的步骤，包括：
[0011]利用损失函数基于所述目标地物数据计算损失值；
[0012]基于随机梯度下降算法调整所述损失值，并将所述损失值回传；
[0013]通过学习率控制所述损失值的调整，以得到最优的网络结构的参数值；
[0014]基于所述网络结构的参数值训练所述卷积神经网络模型，以得到所述地物分类模型。
[0015]较佳地，所述规则库通过以下步骤建立：
[0016]获取训练样区文件；
[0017]将所述训练样区文件输入至所述卷积神经网络模型，并基于所述训练样区文件建立图像的网络结构；
[0018]基于预设的表达规则调整所述网络结构的权值；
[0019]基于所述网络结构的权值对所述卷积神经网络模型进行训练，以获得所述规则库。
[0020]较佳地，所述获取监测区域的目标影像数据的步骤，包括：
[0021]对获取的遥感影像进行预处理，所述预处理包括正射校正、拼接以及融合中的至少一种。
[0022]较佳地，所述训练样区文件包括监测区域的高分遥感影像、典型区域的AOI以及典型地物类型描述文件中的至少一种。
[0023]第二方面，本专利技术提供了一种模型训练系统，所述模型训练系统包括：
[0024]目标影像数据获取模块，用于获取监测区域的目标影像数据；
[0025]目标地物数据获取模块，用于从预设的规则库中筛选出与所述目标影像数据对应的目标地物数据；
[0026]模型训练模块，用于将所述目标地物数据作为输入，将目标影像作为输出训练卷积神经网络模型，以生成地物分类模型；所述地物分类模型用于对监测区域的影像数据的提取，所述目标影像用于表征具有地物分类信息和目标识别特征信息的图像；
[0027]其中，所述卷积神经网络模型利用损失函数进行反向传播，并通过学习率控制所述损失函数的变化，以更新网络结构的参数值。
[0028]第三方面，本专利技术提供了一种地物分类模型的应用方法，所述应用方法包括：
[0029]获取待测区域的遥感影像；
[0030]将所述遥感影像输入至地物分类模型，以获得目标影像，所述目标影像用于表征具有地物分类信息和目标识别特征信息的图像；
[0031]其中，所述地物分类模型通过本专利技术的第一方面提供的模型训练方法得到。
[0032]第四方面，本专利技术提供了一种地物分类模型的应用系统，所述应用系统包括：
[0033]数据获取模块，用于获取待测区域的遥感影像；
[0034]应用处理模块，用于将所述遥感影像输入至地物分类模型，以获得目标影像，所述目标影像用于表征具有地物分类信息和目标识别特征信息的图像；
[0035]其中，所述地物分类模型通过本专利技术的第二方面提供的模型训练系统得到。
[0036]第五方面，本专利技术提供了一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术的模型训练方法或者地物分类模型的应用方法。
[0037]第六方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术的模型训练方法或者地物分类模型的应用方法。
[0038]在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本专利技术各较佳实例。
[0039]本专利技术的积极进步效果在于：基于人工智能机器学习算法训练地物分类模型，对高分遥感影像进行自动处理并提取数据信息，将提取到的数据信息与规则库中规则数据进行比较，能够较精确的获得目标地物的数据信息，通过损失函数计算对比结果的误差并进一步降低损失，从而得到最终的高准确度的地物分类信息。
附图说明
[0040]图1为本实施例1提供的模型训练方法的流程示意图。
[0041]图2为本实施例1提供的卷积神经网络模型的框架示意图。
[0042]图3为本实施例2提供的模型训练系统的模块示意图。
[0043]图4为本实施例3提供的地物分类模型的应用方法的流程示意图。
[0044]图5为本实施例4提供的地物分类模型的应用系统的模块示意图。
[0045]图6为本实施例5提供的电子设备的结构示意图。
具体实施方式
[0046]下面通过实施例的方式进一步说明本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。
[0047]实施例1
[0048]本实施例提供了一种模型训练方法，如图1所示，该模型训练方法包括：
[0049]步骤S11、获取监测区域的目标影像数据。
[0050]本实施例中，获取监测区域的高分遥感影像，对高分遥感影像进行预处理，以获得监测区域的目标影像数据；其中，对高分遥感影像进行预处理，可以是对高分遥感影像进行正射校正、拼接或者融合等，也可以是其他影像处理方式，此处不作具体限定。
[0051]步骤S12、从预设的规则库中筛选出与目标影像数据对应的目标地物数据。
[0052]本实施例中，通过建立规则库并将获取到的待测区域的影像数据本文档来自技高网...

【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，所述模型训练方法包括：获取监测区域的目标影像数据；从预设的规则库中筛选出与所述目标影像数据对应的目标地物数据；将所述目标地物数据作为输入，将目标影像作为输出训练卷积神经网络模型，以生成地物分类模型；所述地物分类模型用于对监测区域的影像数据的提取，所述目标影像用于表征具有地物分类信息和目标识别特征信息的图像；其中，所述卷积神经网络模型利用损失函数进行反向传播，并通过学习率控制所述损失函数的变化，以更新网络结构的参数值。2.如权利要求1所述的模型训练方法，其特征在于，所述将所述目标地物数据作为输入，将具有地物分类信息和目标识别特征信息的图像作为输出训练卷积神经网络模型，以生成地物分类模型的步骤，包括：利用损失函数基于所述目标地物数据计算损失值；基于随机梯度下降算法调整所述损失值，并将所述损失值回传；通过学习率控制所述损失值的调整，以得到最优的网络结构的参数值；基于所述网络结构的参数值训练所述卷积神经网络模型，以得到所述地物分类模型。3.如权利要求1所述的模型训练方法，其特征在于，所述规则库通过以下步骤建立：获取训练样区文件；将所述训练样区文件输入至所述卷积神经网络模型，并基于所述训练样区文件建立图像的网络结构；基于预设的表达规则调整所述网络结构的权值；基于所述网络结构的权值对所述卷积神经网络模型进行训练，以获得所述规则库。4.如权利要求1所述的模型训练方法，其特征在于，所述获取监测区域的目标影像数据的步骤，包括：对获取的遥感影像进行预处理，所述预处理包括正射校正、拼接以及融合中的至少一种。5.如权利要求3所述的模型训练方法，其特征在于，所述训练样区文件包括监测区域的高分遥感影像、典型区域的AOI以及典型地物类型描述文件中的至少一种。6.一种模型训练系统，其特征在于，所述模型训练系统包括：目标影...

【专利技术属性】
技术研发人员：杨冰，肖振强，
申请(专利权)人：上海星空逻辑航天科技有限公司，
类型：发明
国别省市：