一种多光谱无人机遥感影像作物分割方法技术

本发明专利技术提供了一种多光谱无人机遥感影像作物分割方法，包括：步骤一，多光谱遥感影像数据处理。步骤二，植被指数提取。步骤三，构建数据集。步骤四，构建深度语义分割模型：在DeeplabV3+模型中添加卷积注意力模块，获得深度语义分割模型。步骤五，模型训练与保存。步骤六，作物分割。本发明专利技术在光谱信息方面，通过改进DeepLabv3+模型的输入层结构，添加NDVI归一化植被指数和OSAVI优化型土壤调节植被指数通道，增大不同作物间的光谱差异。本发明专利技术在空间信息方面，在空洞空间金字塔池化模块添加包括通道注意力和空间注意力的双通道注意力模块，扩大模型感受野的同时增加像素信息的相关性，优化分类结果的边界，从而提升模型精度。从而提升模型精度。从而提升模型精度。

【技术实现步骤摘要】
一种多光谱无人机遥感影像作物分割方法


[0001]本专利技术属于农业遥感
，涉及作物智能分类技术，具体涉及一种多光谱无人机遥感影像作物分割方法。

技术介绍

[0002]基于遥感影像的作物快速识别对于种植区面积估算、灾害预报预测有着重要的作用。目前，利用遥感技术识别作物主要包括卫星和无人机两种方式。但是高空卫星的重返周期长，噪点较多，必须辅以地面采样调查才能实现农作物分类的精细提取。低空无人机遥感具有机动灵活、时效性强和分辨率高等特点，已被广泛用于农田级区域的农情信息获取。
[0003]传统的农作物遥感分类方法主要是使用最大似然、决策树、支持向量机和随机森林等机器学习方法。目前遥感分割方法除了常规的K均值聚类和最大似然等传统方法，还发展了随机森林和支持向量机等机器学习方法。机器学习方法对农田作物识别主要基于人工选择特征的，对特征通道的依赖性较高，而人工选择特征比较困难，因此，该方法具有一定的局限性。近年来，随着深度学习语义分割技术的发展，其在图像分割领域已经取得较大突破，在农业领域深度学习也得到了广泛应用。但当前无人机遥感影像农作物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多光谱无人机遥感影像作物分割方法，该方法包括以下步骤：步骤一，多光谱遥感影像数据处理；步骤二，植被指数提取；步骤三，构建数据集；步骤四，构建深度语义分割模型：在DeeplabV3+模型中添加卷积注意力模块，获得深度语义分割模型；所述的卷积注意力模块的描述如下：卷积注意力模型对输入的多光谱遥感图像经过植被指数融合和骨干网络处理后得到特征图F，接着对特征图F分别进行最大池化和平均池化，生成两个不同的空间信息描述特征图F
max
和F
avg
，然后将空间信息描述特征图F
max
和F
avg
送入共享网络通过压缩输入特征图的空间维数，逐元素求和合并，再经过ReLU激活函数计算得到通道注意力图At，通道注意力图At的具体计算公式下所示：At(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))＝σ(W1(W0(F
avg
))+W1(W0(F
max
)))式中：σ表示ReLU激活函数；AvgPool表示平均池化操作；MaxPool表示最大池化操作；MLP表示共享网络由多层感知机；W0,W1表示多层感知机的权重；再将输入的特征图F与通道注意力图At进行融合得到带有通道注意力权重的特征通道图F
T
，F
T
在空间注意力模块中首先经过平均池化和最大池化操作来聚合功能映射的通道信息，生成两个2维映射，在将两个2维映射经过1
×
1卷积操作和ReLU激活函数得到空间注意力图A
K
，空间注意力图A
K
的具体计算公式如下所示：A
k
＝σ(f7
×
7(AvgPool(F)；MaxPool(F)))＝σ(f7
×
7(F
avg
；F
max
))式中：f7
×
7表示7
×
7的卷积运算；最后将特征通道图F
T

【专利技术属性】
技术研发人员：张宏鸣，高郑杰，阳光，沈寅威，孙志同，唐恒翱，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：