一种基于深度学习的经济作物信息识别方法及系统技术方案

本发明专利技术提供一种基于深度学习的经济作物信息识别方法及系统，包括：按规定形状对研究区的无人机多光谱遥感影像进行裁剪，得到规则形状影像；对规则形状影像进行样本标注，并划分为训练集

【技术实现步骤摘要】
一种基于深度学习的经济作物信息识别方法及系统


[0001]本专利技术涉及图像处理领域，尤其涉及一种基于深度学习的经济作物信息识别方法及系统
。

技术介绍

[0002]经济作物是农业的重要组成部分，具有较高的经济价值与生态效益，作为国民经济和社会发展的物质基础，同时也对生态环境改善产生良性影响
。
我国幅员辽阔，地形地貌与土壤类型多样，一些地区坡度高
、
土壤相对贫瘠
、
生态环境相对恶劣，不适宜种植粮食作物，但对经济果林具有较好的培养基础
。
经济作物对保障国家生态环境安全
、
丰富林产品供给
、
提高农村收入及改善生活质量等方面具有巨大的作用，因此进行准确的经济作物分类是十分重要的
。
然而传统的经济作物地面调查费时费力，遥感影像的出现为快速识别经济作物成为了可能
。
[0003]随着技术的逐步发展，无人机遥感技术越来越成熟并且在各个领域迅速应用，成为遥感影像的新型获取方式之一
。
无人机遥感有着具大的潜能，主要是利用其灵活
、
效率高
、
方便携带等优势，针对作物识别
、
资源调查等农业领域进行研究，逐渐成为识别分类领域的主力
。
机体轻量化
、
操作使用智能化等大大减少了人力物力，使得影像获取更加方便，相比传统的卫星遥感影像具有更大优势
。
近年来，深度学习逐步发展并趋于成熟，成为图像处理任务的热门研究方向，在各个领域都有十分广泛的应用
。
深度学习模型不依赖人工特征选择工作，通过自动提取特征并进行类别概率计算，大大提高了分类效率
。
在无人机遥感影像分类研究中，采用深度学习算法后分类精度进一步提升
。
目前有些学者研究通过改进深度学习模型，旨在更高效率处理遥感影像分类工作，为无人机及其他类型遥感影像数据处理领域提供新思想，分类的效果比经典模型有明显的提高
。
[0004]在已有的相关研究中，无人机遥感技术用于分类识别领域虽然有很多方法，但目前基于无人机遥感影像针对经济作物分类识别的研究较少，且分类精度受限于经典深度学习模型
。
因此本专利技术选择经济作物作为研究对象，目的在于开发一种改进的深度学习模型，应用于研究不同经济作物之间的特征差异，提高无人机遥感影像经济果林分类精度和提取效率，改进语义分割模型对小样本的识别效果，研究一种基于无人机遥感影像数据的经济作物信息识别方法，为科学
、
便捷
、
高效地识别经济作物空间分布信息提供参考
。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的经济作物信息识别方法及系统，用以解决现有技术针对经济作物无人机遥感影像进行分类识别时，分类精度受限于经典深度学习模型导致分类效果不理想的问题
。
[0006]本专利技术提供的基于深度学习的经济作物信息识别方法，包括：
[0007]按照规定形状对研究区域的无人机多光谱遥感影像进行裁剪，得到规则形状影像；
[0008]对所述规则形状影像进行样本标注，形成样本数据，将所述样本数据划分为训练集
、
验证集和测试集；
[0009]根据所述训练集
、
验证集对深度学习语义分割模型进行训练，所述深度学习语义分割模型为经典语义分割模型
U
‑
Net
模型；
[0010]将训练后的
U
‑
Net
模型作为基础模型，增加
Inception
结构
、
通道注意力机制模块
SE
‑
Block
，并进行网络加深，得到网络加深后的深度学习语义分割模型；
[0011]选取超参数对网络加深后的深度学习语义分割模型进行参数优化，生成改进的深度学习语义分割模型
ISDU
‑
Net
模型，基于所述训练集
、
验证集对
ISDU
‑
Net
模型进行训练，得到训练后的
ISDU
‑
Net
模型；
[0012]利用训练后的
ISDU
‑
Net
模型对待检测区域经济作物多光谱遥感影像进行信息识别
。
[0013]根据本专利技术提供的基于深度学习的经济作物信息识别方法，所述按照规定形状对研究区域的无人机多光谱遥感影像进行裁剪，得到规则形状影像，包括：
[0014]获取研究区无人机多光谱遥感影像；
[0015]对所述多光谱遥感影像进行自动辐射校正
、
形变校正与影像拼接；
[0016]通过
ArcGIS
波段合成工具，将影像拼接后的红
、
绿
、
蓝
、
红边
、
近红外五个单波段影像合成为五波段影像；
[0017]利用栅格数据裁剪工具，对研究区进行按样方裁剪，获得规则形状影像
。
[0018]根据本专利技术提供的基于深度学习的经济作物信息识别方法，所述对所述规则形状影像进行样本标注，形成样本数据，将所述样本数据划分为训练集
、
验证集和测试集，包括：
[0019]对获得的规则形状影像进行裁剪
、
位转换处理；
[0020]对裁剪
、
位转换处理后的影像数据，进行样本标注；
[0021]将进行样本标注后的影像数据按照预定比例随机划分为训练集
、
验证集和测试集
。
[0022]根据本专利技术提供的基于深度学习的经济作物信息识别方法，所述进行样本标注，具体包括：
[0023]根据研究区经济作物类别确定分类体系，为每种类别分配
RGB
标签；
[0024]结合实地样点信息，对每种作物的边界进行勾绘和填色，制作标签图，得到标注后的样本
。
[0025]根据本专利技术提供的基于深度学习的经济作物信息识别方法，将进行样本标注后的影像数据按照预定比例随机划分为训练集
、
验证集和测试集之后，还包括：
[0026]通过几何变换对所述训练集
、
验证集和测试集进行数据增强，得到数据增强后的训练集
、
验证集和测试集
。
[0027]根据本专利技术提供的基于深度学习的经济作物信息识别方法，所述将训练后的
U
‑
Net
模型作为基础模型，增加
Inception
结构
、
通道注意力机制模块
SE
‑
Block
，并进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的经济作物信息识别方法，其特征在于，包括：按照规定形状对研究区域的无人机多光谱遥感影像进行裁剪，得到规则形状影像；对所述规则形状影像进行样本标注，形成样本数据，将所述样本数据划分为训练集
、
验证集和测试集；根据所述训练集
、
验证集对深度学习语义分割模型进行训练，所述深度学习语义分割模型为经典语义分割模型
U
‑
Net
模型；将训练后的
U
‑
Net
模型作为基础模型，增加
Inception
结构
、
通道注意力机制模块
SE
‑
Block
，并进行网络加深，得到网络加深后的深度学习语义分割模型；选取超参数对网络加深后的深度学习语义分割模型进行参数优化，生成改进的深度学习语义分割模型
ISDU
‑
Net
模型，基于所述训练集
、
验证集对
ISDU
‑
Net
模型进行训练，得到训练后的
ISDU
‑
Net
模型；利用训练后的
ISDU
‑
Net
模型对待检测区域经济作物多光谱遥感影像进行信息识别
。2.
根据权利要求1所述的基于深度学习的经济作物信息识别方法，其特征在于，所述按照规定形状对研究区域的无人机多光谱遥感影像进行裁剪，得到规则形状影像，包括：获取研究区无人机多光谱遥感影像；对所述多光谱遥感影像进行自动辐射校正
、
形变校正与影像拼接；通过
ArcGIS
波段合成工具，将影像拼接后的红
、
绿
、
蓝
、
红边
、
近红外五个单波段影像合成为五波段影像；利用栅格数据裁剪工具，对研究区进行按样方裁剪，获得规则形状影像
。3.
根据权利要求1所述的基于深度学习的经济作物信息识别方法，其特征在于，所述对所述规则形状影像进行样本标注，形成样本数据，将所述样本数据划分为训练集
、
验证集和测试集，包括：对获得的规则形状影像进行裁剪
、
位转换处理；对裁剪
、
位转换处理后的影像数据，进行样本标注；将进行样本标注后的影像数据按照预定比例随机划分为训练集
、
验证集和测试集
。4.
根据权利要求3所述的基于深度学习的经济作物信息识别方法，其特征在于，所述进行样本标注，具体包括：根据研究区经济作物类别确定分类体系，为每种类别分配
RGB
标签；结合实地样点信息，对每种作物的边界进行勾绘和填色，制作标签图，得到标注后的样本
。5.
根据权利要求3所述的基于深度学习的经济作物信息识别方法，其特征在于，将进行样本标注后的影像数据按照预定比例随机划分为训练集
、
验证集和测试集之后，还包括：通过几何变换对所述训练集
、
验证集和测试集进行数据增强，得到数据增强后的训练集
、
验证集和测试集
。6.
根据权利要求1所述的基于深度学习的经济作物信息识别方法，其特征在于，所述将训练后的
U
‑
Net
模型作为基础模型，增加
Inception
结构
、
通道注意力机制模块
SE
‑
Block
，并进行网络加深，得到网络加深后的深度学习语义分割模型，具体包括：将
U
‑
Net
模型作为基础模型，所述
U
‑
Net
模型包括模型编码部分
、
模型解码部分；将所述
U
‑
Net
模型编码部分五层下采样结构中，前三层每层设置
Inception
结构，后两
层设置三个卷积层
、
三个
BN
层
、
三个
ReLU
激活层与一个池化层，得到网络加深后的模型编码部分，所述
Inception
模块包含四个部分，分别为
1*1、3*3、5*5
卷积核进行的
2D
卷积与一个
3*3
核大小的最大池化层，在卷积进行中分别进行激活层与
BN
层操作；将所述
U
‑
Net
模...

【专利技术属性】
技术研发人员：杨建宇，吴春晓，张婷婷，代安进，周晗，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：