一种基于改进的Deeplabv3+的森林场景树种分类方法技术

本发明专利技术公开了一种基于改进的Deeplabv3+的森林场景树种分类方法，涉及计算机视觉、深度学习语义分割领域，其技术方案要点包括以下步骤：S1、数据采集；S2、影像分割；S3、深度学习样本集构建；S4、网络模型改进与训练；S5、研究区树种分类。本发明专利技术基于改进的Deeplabv3+的森林场景树种分类方法针对易获取低成本的无人机林木影像，能够适应各种波段量的影像信息，减少人工操作；该网络能自适应多光谱影像，以挖掘林木在红外波段的特征，相比于仅基于可见光影像，能够较大地提升网络的林木精细识别性能。能。能。

【技术实现步骤摘要】
一种基于改进的Deeplabv3+的森林场景树种分类方法


[0001]本专利技术涉及计算机视觉、深度学习语义分割领域，更具体地说，它涉及一种基于改进的Deeplabv3+的森林场景树种分类方法。

技术介绍

[0002]林木调查是电力工程勘测的重要工作内容，人工实地调查方法费时费力，且所获取的林木信息准确性难以保证，为提高林木调查的自动化、智能化水平，本专利旨在基于多光谱无人机影像数据进行林木的精细化图像分类，以进行林木的自动识别，实现电力工程建设取得生态保护和节省成本的双赢，保障工程运行更加安全可靠。项目主要研究内容为：
[0003]基于不同光谱分辨率的无人机影像数据，进行自适应数据提取，根据各类常见树种和特殊树种的特征，提取树种特征，利用合适的分类算法，对树种进行自动图像分类识别。
[0004]申请号为CN202010434177.8的专利，其题目为：一种基于改进DeepLab的果园场景多类别实时分割方法；该专利提出了一种基于改进DeepLab语义分割模型的果园场景多类别分割方法。为了在果园喷雾机器人上部署，使用轻量化MobileNet V3网络替代原有的Xception网络以减少网络参数，并在空洞空间金字塔池化(Atrous spatial pyramid pooling,ASPP)模块中运用ReLU6激活函数减少部署在移动设备的精度损失，此外结合混合扩张卷积(Hybrid dilated convolution,HDC),以混合扩张卷积替代原有网络中的空洞卷积，将ASPP中的扩张率设为互质以减少空洞卷积的网格效应。
[0005]该专利存在的问题：其没有根据不同光谱分辨率传感器的数据进行自适应，要求输入数据为固定三波段的RGB影像，仅用RGB影像进行树种类别分类会造成识别率低下。
[0006]申请号为：CN202210390641.7的专利，其题目为：一种基于生成对抗网络的高光谱影像树种分类方法、装置；该专利提供的方法，包括：获取高光谱影像数据；将高光谱影像进行影像分割；将分割后的高光谱影像输入预训练好的Vgg网络模型进行图像重构,得到优化后的高光谱影像；对优化后的高光谱影像通过灰度共生矩阵提取得到纹理特征；对优化后的高光谱影像进行独立主成分分析得到不同波段的光谱特征,挑选光谱特征较多的前m个波段的光谱特征作为提取得到的光谱特征；将提取得到的纹理特征和光谱特征输入注意力网络模型,得到输出的带有注意力的图像特征；将带有注意力的图像特征结合设定的服从标准正态分布的随机噪声z作为生成对抗网络中生成器的输入,通过生成网络生成得到未知类图像特征；将带注意力的图像特征及未知类图像特征作为判别器的输入,得到最大化优化后判别器的输出特征；将判别器的输出特征返回输入生成器来优化生成器的生成分布,再将生成器的输出特征输入判别器,重复该步骤N次进行迭代优化直至满足迭代停止条件,得到最终的判别器输出的最大化优化后的带权重的图像特征；把带权重的图像特征作为分类器的输入,得到输出的高光谱影像树种分类结果。
[0007]该专利存在的问题：高光谱影像虽然能够很好的进行树种的精细分类，但是其获取数据的成本是极其昂贵的，并没有能够进行对所有的数据的适应；同时，该基于生成对抗
网络的形式会提高网络的不稳定性，生成对抗网络的形式更加严格要求了数据的可用性和精细度，更加不利于数据的获取。

技术实现思路

[0008]本专利技术的目的是为了解决上述问题，提供一种基于改进的Deeplabv3+的森林场景树种分类方法。
[0009]1.本专利技术的上述技术目的是通过以下技术方案得以实现的：一种基于改进的Deeplabv3+的森林场景树种分类方法，包括以下步骤：
[0010]S1、数据采集，使用无人机进行影像采集，得到多波段无人机影像数据，并通过实地调绘获得林木信息调绘图；
[0011]S2、影像分割，上述步骤S1中所述多波段无人机影像数据处理后获得无人机正射影像，所述无人机正射影像采用多尺度分割算法，使无人机正射影像中不同尺寸的地物目标与多层次空间信息在多尺度下得到充分的表达和详细描述，分割完成后采用VI
’
分离出植被对象与非植被对象；
[0012]VI
′
＝(2g
‑
r
‑
b)
‑
(1.4r
‑
g)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]其中，
[0014][0015]S3、深度学习样本集构建，基于与影像配准后的林木信息调绘图结果进行样本标注，对植被对象赋予更详细的树种类别，得到训练数据集；
[0016]S4、网络模型改进与训练；
[0017]S5、研究区树种分类。
[0018]本专利技术进一步设置为：步骤S4中，所述网络模型改进与训练包括自适应波段模块，所述自适应波段模块通过添加一个可变卷积核来实现对不同光谱分辨率的影像数据自适应，使得其能够在适应光谱波段变化，然后进行批归一化，获得标准输入数据。
[0019]本专利技术进一步设置为：步骤S4中，所述网络模型改进与训练包括模型拟合，所述模型拟合采用SGD优化器和交叉熵损失反向传播算法，将步骤S3中的样本集进行Deeplabv3+语义分割模型训练。
[0020]综上所述，本专利技术具有以下有益效果：
[0021]1.针对易获取低成本的无人机林木影像，包括RGB三波段可见光影像和包含更多波段的多光谱影像，提出了一个数据融合模块，能够适应各种波段量的影像信息，减少人工操作。
[0022]2.该网络能自适应多光谱影像，以挖掘林木在红外波段的特征，相比于仅基于可见光影像，能够较大地提升网络的林木精细识别性能。
附图说明
[0023]图1是本专利技术实施例中总体技术路线图；
[0024]图2是本专利技术实施例中不同尺度分割结果图对比；
[0025]图3是本专利技术实施例中植被遥感监测的物理基础示意图；
[0026]图4是本专利技术实施例中试验区数据剪裁前后图；
[0027]图5是本专利技术实施例中样本区域与像素级标注展示图；
[0028]图6是本专利技术实施例中多源光谱数据融合模块图；
[0029]图7是本专利技术实施例中空洞卷积示意图；
[0030]图8是本专利技术实施例中ASPP模块；
[0031]图9是本专利技术实施例中添加ASPP模块的网络；
[0032]图10是本专利技术实施例中改进的DeepLabv3+编码
‑
解码网络结构。
具体实施方式
[0033]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术的实施例及附图，对本专利技术的技术方案进行进一步详细地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，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，都应当属于本专利技术保护的范围。
[0034]需要说明的是，在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的Deeplabv3+的森林场景树种分类方法，其特征是，包括以下步骤：S1、数据采集，使用无人机进行影像采集，得到多波段无人机影像数据，并通过实地调绘获得林木信息调绘图；S2、影像分割，上述步骤S1中所述多波段无人机影像数据处理后获得无人机正射影像，所述无人机正射影像采用多尺度分割算法，使无人机正射影像中不同尺寸的地物目标与多层次空间信息在多尺度下得到充分的表达和详细描述，分割完成后采用VI
’
分离出植被对象与非植被对象；VI
′
＝(2g
‑
r
‑
b)
‑
(1.4r
‑
g)
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中，S3、深度学习...

【专利技术属性】
技术研发人员：帅滔，燕小芬，程铁洪，朱雄剑，廖永福，史雨川，卢黎明，万伟，刘天逸，
申请(专利权)人：中国电建集团江西省电力设计院有限公司，
类型：发明
国别省市：