一种基于卷积神经网络的田块信息提取方法技术

本发明专利技术公开了一种基于卷积神经网络的田块信息提取方法，包括的步骤为：构建经过处理的原始多光谱卫星遥感影像数据集；数据增强；构建U2‑

【技术实现步骤摘要】
一种基于卷积神经网络的田块信息提取方法


[0001]本专利技术属于利用遥感数据对耕地范围提取
，具体为一种基于卷积神经网络的田块信息提取方法。

技术介绍

[0002]利用遥感数据对耕地范围进行提取一直是热门的研究课题，精准的提取出耕地的边界对提高耕地普查效率、实现精准农业管理、改善农民生产条件、保护生态环境、促进地方经济发展具有十分重要的意义。目前有大量基于耕地范围的农业、水利行业的算法，快速、精准获取耕地范围显得尤为重要，而耕地面积广，传统普查的方式确定耕地面积及分布耗时耗力。遥感技术具有快速、有效、实时、范围广等特点，利用遥感技术开展耕地范围提取绘制工作，不仅能够自动多时相监测耕地面积变化，还可以快速更新耕地信息，为耕地资源管理提供有效的技术支持和决策依据。以往基于遥感技术绘制的耕地边界精度不佳，这是因为Sentinel
‑
2(30m)和Landsat(10m)系列等卫星在空间分辨率上太粗糙，且无法排除地形、植被等因素影响。随着卫星遥感技术发展，高分辨率遥感数据获取便利，如GF
‑
7(0.8米至3.2米)，可能能够克服这些因素，在大规模、多时相的提取耕地范围，但仍然需要进一步的研究。
[0003]在过去几十年，相关研究人员进行了大量的工作：如基于阈值分割的方法，利用遥感影像中的灰度值对图像进行分割，将田块和背景区分开来，通过调整阈值，可以得到不同的田块提取结果。基于区域生长的方法，从一个种子点开始，通过生长算法逐渐将相邻的像素点合并成一个区域，从而得到田块的边界。基于边缘检测的方法，通过检测遥感影像中的边缘信息，利用边缘之间的关系来提取田块边界。这些方法虽然都简单易行，但是都有一定的局限性。基于阈值分割需要合适的阈值设置，同时受到噪声、遮挡等因素的影响。基于区域生长的方法易过分生长、受噪声干扰且参数选择困难。基于边缘检测的方法噪声敏感、边缘断裂、精度不高且对参数敏感。为了解决这些难点，研究人员尝试混合使用，先用基于区域生长的方法对遥感影像进行初步的分割和提取，然后再使用基于边缘检测的方法对提取结果进行修正和完善，最后再结合人工干预对结果进行进一步的调整和优化，但是准确性和效率还是有限。
[0004]随着深度学习的发展，为田块提取工作提供了一种解决方法。深度学习通过分层抽象的方式，从低层次的特征逐步提取出更高层次的抽象特征，从而实现对数据的高效表达。近年来用于遥感的深度学习方法有很多，如全卷积神经网络(FCN)、Deeplab_V3和U型卷积神经网络(U
‑
Net)。FNC使用卷积层进行特征提取和反卷积操作对特征图进行上采样，同时使用跳跃连接进行融合，实现像素级别的分类。Deeplab_V3采用了空洞卷积、ASPP模块和多尺度输入等技术，提高了模型对不同尺度物体的感知能力和分割精度。U
‑
Net使用对称的编码器
‑
解码器结构，将高分辨率的输入图像逐步降采样为低分辨率的特征图，再将特征图逐步上采样恢复为高分辨率的输出图像，同时使用跳跃连接(skip connection)进行特征融合，能够有效提高模型的分割精度。这些技术都在一定程度上提升了分割精度，但是耕地
边界在遥感影像中特征不如建筑、道路明显，所以这些网络在耕地提取应用上的精度一直不高。
[0005]U
‑
Net神经网络自研发出来至今在图像分割领域都有很强的应用，还演变出了一系列改进模型，如U
‑
NET++、ResU
‑
Net、SegNet、U2‑
Net等。U
‑
Net++采用了更加复杂的U形网络结构，引入了多层级的特征融合机制，以达到更好的特征表达能力和更强的泛化能力。ResU
‑
Net在U
‑
Net的基础上加入了残差块，并使用全卷积结构，以增强模型的非线性拟合能力和鲁棒性。SegNet在网络的编码器和解码器部分使用了对称的结构，从而实现了对输入图像的精确分割和重建。U2‑
Net将U
‑
Net中的编码器和解码器替换为不同深度u型残差块RSU，重新搭建成u型网络。U
‑
NET++、ResU
‑
Net、SegNet都在耕地提取方面进行了应用，但都存在精度不佳，边界错误等问题。U2‑
Net是为了显著性物体检测(SOD)而提出的，在遥感应用中较少。

技术实现思路

[0006]本专利技术的目的在于提供一种基于卷积神经网络的田块信息提取方法，能够在大规模、多时相的提取耕地范围，且能有效的提升耕地提取的分割精度。本专利技术对U2网络进行改进，并加入可分离式卷积(DSC)和空间和通道注意力机制(CBAM)以适应其在遥感分类及耕地提取的应用。
[0007]本专利技术的目的是通过以下技术方案实现的：
[0008]一种基于卷积神经网络的田块信息提取方法，所述方法包括如下步骤：
[0009]S1、构建经过处理的原始多光谱卫星遥感影像数据集：获取原始多光谱卫星遥感影像数据集，并对其中田块覆盖区域和其它覆盖类型区域分别进行标注；对数据集中原始卫星多光谱遥感影像数据图片进行裁剪；将裁剪后的原始多光谱卫星遥感影像数据集按划分训练集、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；
[0010]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，使数据集中多光谱卫星遥感影像数据图片进行匀色、随机旋转，得到包括田块覆盖区域、其它覆盖区域的田块信息数据集；
[0011]S3、构建模型：以U2‑
Net及U
‑
Net++模型结构为基础框架，融合深度可分离式卷积与空间通道注意力机制构建U2‑
Net++卷积神经网络模型；U2‑
Net++由输入层，多个嵌套的、跳跃路径相连的RSU模块，聚合不同阶段输出的空间通道注意力模块组成，并将传统卷积方式更换为深度可分离式卷积；整体框架由RSU模块组成不同深度编码器和解码器；在编码器部分，使用不同深度的RSU模块对输入的遥感影像数据进行提取；在解码器部分，使用相同深度的RSU模块进行解码操作，经过空间通道注意力机制后进行“卷积
‑
批标准化
‑
激活”操作得到这一深度的输出，再融合不同深度编码器和解码器的输出田块区域图，得到最终的田块信息；
[0012]S4、设置参数：以步骤S2处理后的训练集数据为数据源，对模型的运行参数进行调整，使得模型达到最佳的运行表现，得到模型训练设置参数；
[0013]S5、获取模型训练结果及数据集特征提取：
[0014]对模型训练后得到的权重参数进行保存，并利用S3构建的模型及S4获取的训练参数对S2处理后的验证集和测试集数据进行特征提取；
[0015]S6、得到田块信息提取结果：
[0016]通过对模型预测结果的可视化方法，利用像素转换技术对S5获得的特征提取结果进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的田块信息提取方法，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：获取原始多光谱卫星遥感影像数据集，并对其中田块覆盖区域和其它覆盖类型区域分别进行标注；对数据集中原始多光谱遥感影像数据图片进行裁剪；将裁剪后的原始多光谱卫星遥感影像数据集按划分训练集、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卫星遥感影像数据集进行增强，使数据集中多光谱卫星遥感影像数据图片进行匀色、随机旋转，得到包括田块覆盖区域、其它覆盖区域的田块信息数据集；S3、构建模型：以U2‑
Net及U
‑
Net++模型结构为基础框架，融合深度可分离式卷积与空间通道注意力机制构建U2‑
Net++卷积神经网络模型；U2‑
Net++由输入层、嵌套的跳跃路径相连的RSU模块及聚合不同阶段输出的空间通道注意力模块组成，并将传统卷积方式更换为深度可分离式卷积；整体框架由RSU模块组成不同深度编码器和解码器；在编码器部分，使用不同深度的RSU模块对输入的遥感影像数据进行提取；在解码器部分，使用相同深度的RSU模块进行解码操作，经过空间通道注意力机制后进行“卷积
‑
批标准化
‑
激活”操作得到这一深度的输出，融合不同深度编码器和解码器的输出田块区域图，得到最终的田块信息；S4、设置参数：以步骤S2处理后的训练集数据为数据源，对模型的运行参数进行调整，使得模型达到最佳的运行表现，得到模型训练设置参数；S5、获取模型训练结果及数据集特征提取：对模型训练后得到的参数进行保存，并利用S3构建的模型及S4获取的训练参数对S2处理后的验证集和测试集数据进行特征提取；S6、得到田块信息提取结果：通过对模型预测结果的可视化方法，利用像素转换技术对S5获得的特征提取结果进行转换，得到田块信息提取的可视化结果并展示...

【专利技术属性】
技术研发人员：宋文龙，王瑞，陈龙，卢奕竹，刘宏洁，陈敏，谭舒之，叶茂，段媛媛，桂荣洁，冯天时，
申请(专利权)人：宿迁市宿城区水利局，
类型：发明
国别省市：