基于制造技术

本申请实施例提供一种基于

【技术实现步骤摘要】
基于SAR卫星遥感技术的粮食作物监测方法及系统


[0001]本申请涉及基于图像算法的深度学习
，具体而言，涉及一种基于
SAR
卫星遥感技术的粮食作物监测方法及系统
。

技术介绍

[0002]粮食作物的生长监测是农业管理的重要环节，可以为农作物病虫害防控
、
产量预测和粮食安全保障提供关键信息
。
传统的粮食作物监测方法主要依赖于人工田间调查，这种方法耗时耗力且效率低下，不适用于大规模
、
实时的粮食作物监测
。
[0003]随着遥感技术和人工智能的发展，使用卫星遥感图像进行粮食作物监测成为了一种新的趋势
。
然而，由于卫星遥感图像的复杂性，如光照变化
、
大气扰动
、
地物覆盖类型多样等因素，使得从遥感图像中准确识别出粮食作物的分布情况仍然面临挑战
。
此外，大部分现有的方法主要关注图像的全局或局部特征，很少考虑将两者结合起来，这限制了其在处理复杂遥感图像时的表现
。
因此，急需一种能够有效提取和利用遥感图像的细节和整体特征，以及自动
、
准确
、
大规模地监测粮食作物分布情况的方法
。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种基于
SAR
卫星遥感技术的粮食作物监测方法及系统
。
[0005]依据本申请的第一方面，提供一种基于
SAR
卫星遥感技术的粮食作物监测方法，应用于粮食作物监测系统，所述方法包括：获取卫星遥感样例图像序列和所述卫星遥感样例图像序列携带的粮食作物标注数据，将所述卫星遥感样例图像序列加载至第一深度特征描述网络中；依据所述第一深度特征描述网络对所述卫星遥感样例图像序列进行描述，获得样例细节视觉感知向量和样例整体视觉感知向量，并依据所述样例细节视觉感知向量进行粮食作物分布状态检测，获得所述卫星遥感样例图像序列对应的样例粮食作物分布状态；依据所述第一深度特征描述网络将所述样例细节视觉感知向量和所述样例整体视觉感知向量进行集成，获得样例集成感知向量，依据所述样例集成感知向量进行空间关联向量提取，获得空间关联向量，依据所述空间关联向量进行空间关注系数确定，获得空间关注系数，并依据所述空间关注系数更新所述样例集成感知向量，获得样例遥感图像理解向量；依据所述样例整体视觉感知向量
、
所述样例细节视觉感知向量和所述样例遥感图像理解向量进行训练误差值计算，获得目标训练误差值，并依据所述样例粮食作物分布状态和所述粮食作物标注数据进行粮食作物检测误差计算，获得目标粮食作物检测误差；依据所述目标训练误差值和所述目标粮食作物检测误差优化所述第一深度特征描述网络，并返回所述获取卫星遥感样例图像序列和对应的粮食作物标注数据，将所述卫星遥感样例图像序列加载至第一深度特征描述网络继续执行，直到符合网络收敛要求时，
获得第二深度特征描述网络，所述第二深度特征描述网络用于对从卫星遥感采集图像提取的细节视觉感知向量和整体视觉感知向量进行集成，获得目标集成感知向量，并将所述目标集成感知向量作为所述卫星遥感采集图像的图像描述，以及检测所述卫星遥感采集图像所对应的粮食作物分布状态
。
[0006]在第一方面的一种可能的实施方式中，在所述将所述卫星遥感样例图像序列加载至第一深度特征描述网络中之前，还包括：获取初始卫星遥感样例图像序列和携带的初始粮食作物标注数据，将所述初始卫星遥感样例图像序列加载至初始化神经网络中，依据所述初始化神经网络对所述初始卫星遥感样例图像序列进行描述，获得初始样例细节视觉感知向量和初始样例整体视觉感知向量，并依据所述初始样例细节视觉感知向量进行粮食作物分布状态检测，获得所述初始卫星遥感样例图像序列对应的初始样例粮食作物分布状态；依据所述初始样例细节视觉感知向量和初始样例整体视觉感知向量进行训练误差值计算，获得初始样例训练误差值，并依据所述初始样例粮食作物分布状态和所述初始粮食作物标注数据进行粮食作物检测误差计算，获得初始样例粮食作物检测误差；依据所述初始样例训练误差值和所述初始样例粮食作物检测误差优化所述初始化神经网络的网络参数，并返回所述获取初始卫星遥感样例图像序列和对应的初始粮食作物标注数据，将所述初始卫星遥感样例图像序列加载至初始化神经网络继续执行，直到符合初始网络收敛要求时，获得目标初始化神经网络；依据所述目标初始化神经网络得到所述第一深度特征描述网络
。
[0007]在第一方面的一种可能的实施方式中，所述第一深度特征描述网络包括第一卷积特征提取单元
、
第一细节视觉感知单元
、
第一整体视觉感知单元和第一粮食作物检测单元；所述依据所述第一深度特征描述网络对所述卫星遥感样例图像序列进行描述，获得样例细节视觉感知向量和样例整体视觉感知向量，并依据所述样例细节视觉感知向量进行粮食作物分布状态检测，获得所述卫星遥感样例图像序列对应的样例粮食作物分布状态，包括：将所述卫星遥感样例图像序列加载至所述第一卷积特征提取单元中，获得第一卷积特征和第二卷积特征，所述第一卷积特征的维度小于所述第二卷积特征的维度；将所述第一卷积特征加载至所述第一整体视觉感知单元进行整体视觉感知，获得样例整体视觉感知向量；将所述第二卷积特征加载至所述第一细节视觉感知单元进行细节视觉感知，获得样例细节视觉感知向量，并将所述样例细节视觉感知向量加载至所述第一粮食作物检测单元中进行粮食作物分布状态检测，获得所述卫星遥感样例图像序列对应的样例粮食作物分布状态
。
[0008]在第一方面的一种可能的实施方式中，所述依据所述样例集成感知向量进行空间关联向量提取，获得空间关联向量，依据所述空间关联向量进行空间关注系数确定，获得空间关注系数，并依据所述空间关注系数更新所述样例集成感知向量，获得样例遥感图像理解向量，包括：计算所述样例集成感知向量的转换二维矩阵，获得二维矩阵转换向量，将所述二维矩阵转换向量与所述样例集成感知向量进行相乘计算，获得所述空间关联向量；
依据所述空间关联向量进行平均值下采样，获得下采样向量，并获取线性映射参数矩阵，依据所述线性映射参数矩阵对所述下采样向量进行融合，获得空间关注系数；依据所述空间关注系数更新所述样例集成感知向量，获得样例更新感知向量，依据所述样例更新感知向量进行特征相关性交互，获得样例遥感图像理解向量
。
[0009]在第一方面的一种可能的实施方式中，所述第一深度特征描述网络包括第一特征自相关单元和第一特征相关性交互单元；所述获取线性映射参数矩阵，依据所述线性映射参数矩阵对所述下采样向量进行融合，获得空间关注系数，包括：将所述下采样向量加载至所述第一特征自相关单元中，所述第一特征自相关单元获取线性映射参数矩阵，依据所述线性映射参数矩阵对所述下采样向量进行融合，获得空间关注系数；所述依据所述样例更新感知向量进行特征相关性交互，获得样例遥感图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
SAR
卫星遥感技术的粮食作物监测方法，其特征在于，所述方法包括：获取卫星遥感样例图像序列和所述卫星遥感样例图像序列携带的粮食作物标注数据，将所述卫星遥感样例图像序列加载至第一深度特征描述网络中；依据所述第一深度特征描述网络对所述卫星遥感样例图像序列进行描述，获得样例细节视觉感知向量和样例整体视觉感知向量，并依据所述样例细节视觉感知向量进行粮食作物分布状态检测，获得所述卫星遥感样例图像序列对应的样例粮食作物分布状态；依据所述第一深度特征描述网络将所述样例细节视觉感知向量和所述样例整体视觉感知向量进行集成，获得样例集成感知向量，依据所述样例集成感知向量进行空间关联向量提取，获得空间关联向量，依据所述空间关联向量进行空间关注系数确定，获得空间关注系数，并依据所述空间关注系数更新所述样例集成感知向量，获得样例遥感图像理解向量；依据所述样例整体视觉感知向量
、
所述样例细节视觉感知向量和所述样例遥感图像理解向量进行训练误差值计算，获得目标训练误差值，并依据所述样例粮食作物分布状态和所述粮食作物标注数据进行粮食作物检测误差计算，获得目标粮食作物检测误差；依据所述目标训练误差值和所述目标粮食作物检测误差优化所述第一深度特征描述网络，并返回所述获取卫星遥感样例图像序列和对应的粮食作物标注数据，将所述卫星遥感样例图像序列加载至第一深度特征描述网络继续执行，直到符合网络收敛要求时，获得第二深度特征描述网络，所述第二深度特征描述网络用于对从卫星遥感采集图像提取的细节视觉感知向量和整体视觉感知向量进行集成，获得目标集成感知向量，并将所述目标集成感知向量作为所述卫星遥感采集图像的图像描述，以及检测所述卫星遥感采集图像所对应的粮食作物分布状态
。2.
根据权利要求1所述的基于
SAR
卫星遥感技术的粮食作物监测方法，其特征在于，在所述将所述卫星遥感样例图像序列加载至第一深度特征描述网络中之前，还包括：获取初始卫星遥感样例图像序列和携带的初始粮食作物标注数据，将所述初始卫星遥感样例图像序列加载至初始化神经网络中，依据所述初始化神经网络对所述初始卫星遥感样例图像序列进行描述，获得初始样例细节视觉感知向量和初始样例整体视觉感知向量，并依据所述初始样例细节视觉感知向量进行粮食作物分布状态检测，获得所述初始卫星遥感样例图像序列对应的初始样例粮食作物分布状态；依据所述初始样例细节视觉感知向量和初始样例整体视觉感知向量进行训练误差值计算，获得初始样例训练误差值，并依据所述初始样例粮食作物分布状态和所述初始粮食作物标注数据进行粮食作物检测误差计算，获得初始样例粮食作物检测误差；依据所述初始样例训练误差值和所述初始样例粮食作物检测误差优化所述初始化神经网络的网络参数，并返回所述获取初始卫星遥感样例图像序列和对应的初始粮食作物标注数据，将所述初始卫星遥感样例图像序列加载至初始化神经网络继续执行，直到符合初始网络收敛要求时，获得目标初始化神经网络；依据所述目标初始化神经网络得到所述第一深度特征描述网络
。3.
根据权利要求1所述的基于
SAR
卫星遥感技术的粮食作物监测方法，其特征在于，所述第一深度特征描述网络包括第一卷积特征提取单元
、
第一细节视觉感知单元
、
第一整体视觉感知单元和第一粮食作物检测单元；所述依据所述第一深度特征描述网络对所述卫星遥感样例图像序列进行描述，获得样
例细节视觉感知向量和样例整体视觉感知向量，并依据所述样例细节视觉感知向量进行粮食作物分布状态检测，获得所述卫星遥感样例图像序列对应的样例粮食作物分布状态，包括：将所述卫星遥感样例图像序列加载至所述第一卷积特征提取单元中，获得第一卷积特征和第二卷积特征，所述第一卷积特征的维度小于所述第二卷积特征的维度；将所述第一卷积特征加载至所述第一整体视觉感知单元进行整体视觉感知，获得样例整体视觉感知向量；将所述第二卷积特征加载至所述第一细节视觉感知单元进行细节视觉感知，获得样例细节视觉感知向量，并将所述样例细节视觉感知向量加载至所述第一粮食作物检测单元中进行粮食作物分布状态检测，获得所述卫星遥感样例图像序列对应的样例粮食作物分布状态
。4.
根据权利要求1所述的基于
SAR
卫星遥感技术的粮食作物监测方法，其特征在于，所述依据所述样例集成感知向量进行空间关联向量提取，获得空间关联向量，依据所述空间关联向量进行空间关注系数确定，获得空间关注系数，并依据所述空间关注系数更新所述样例集成感知向量，获得样例遥感图像理解向量，包括：计算所述样例集成感知向量的转换二维矩阵，获得二维矩阵转换向量，将所述二维矩阵转换向量与所述样例集成感知向量进行相乘计算，获得所述空间关联向量；依据所述空间关联向量进行平均值下采样，获得下采样向量，并获取线性映射参数矩阵，依据所述线性映射参数矩阵对所述下采样向量进行融合，获得空间关注系数；依据所述空间关注系数更新所述样例集成感知向量，获得样例更新感知向量，依据所述样例更新感知向量进行特征相关性交互，获得样例遥感图像理解向量
。5.
根据权利要求4所述的基于
SAR
卫星遥感技术的粮食作物监测方法，其特征在于，所述第一深度特征描述网络包括第一特征自相关单元和第一特征相关性交互单元；所述获取线性映射参数矩阵，依据所述线性映射参数矩阵对所述下采样向量进行融合，获得空间关注系数，包括：将所述下采样向量加载至所述第一特征自相关单元中，所述第一特征自相关单元获取线性映射参数矩阵，依据所述线性映射参数矩阵对所述下采样向量进行融合，获得空间关注系数；所述依据所述样例更新感知向量进行特征相关性交互，获得样例遥感图像理解向量，包括：将所述样例更新感知向量加载至所述第一特征相关性交互单元中进行特征相关性交互，获得样例遥感图像理解向量
。6.
根据权利要求1所述的基于
SAR
卫星遥感技术的粮食作物监测方法，其特征在于，所述依据所述样例整体视觉感知向量
、
所述样例细节视觉感知向量和所述样例遥感图像理解向量进行训练误差值计算，获得目标训练误差值，包括：依据所述样例整体视觉感知向量进行样例对比学习误差计算，获得第一整体样例对...

【专利技术属性】
技术研发人员：唐骐，常亮，周华，文卓异，覃东，邓皓，杨洪健，
申请(专利权)人：四川傲空航天科技有限公司，
类型：发明
国别省市：