本发明专利技术涉及遥感大数据解译技术领域，公开了耕地非粮化检测的遥感样本库构建及迁移学习解译方法，步骤1：构建“非粮化”样本分类体系；步骤2：制作源域和目标域的训练样本；步骤3：迁移学习模型搭建和训练，将源域样本输入到深度残差网络ResNet50进行训练，将训练好的模型作为编码器，将Unet解码器部分作为网络解码器，采用目标域样本对模型进行训练；步骤4：“非粮化”检测，基于训练好的模型完成待检测影像的分类。本方案利用两期变更调查成果的可靠性、全面性，构建海量“非粮化”样本分类数据库；在不同阶段、不同区域的“非粮化监测过程中，只需要获取小样本调用已经训练好的编码器参数，既能加快网络速度又能提高精度。
【技术实现步骤摘要】
本专利技术涉及遥感大数据解译，具体涉及耕地非粮化检测的遥感样本库构建及迁移学习解译方法。
技术介绍
1、耕地“非粮化”简而言之就是耕地变为了其它农用地。目前，国内基于遥感影像的耕地变化检测仍以人工解译为主，难以高质量高效地响应全国紧迫、繁重的耕地“非粮化”检测要求，开展自动检测方法研究很有必要。深度学习遥感影像变化检测取得了良好的效果，但是基于深度学习构建变化检测模型，需要以海量遥感样本数据为输入，样本的数量和质量决定了监测模型的检测精测，训练样本本身的质量对分类精度的影响比分类技术本身对测量精度的影响还要大。而且耕地“非粮化”类型多样复杂，缺乏“非粮化”遥感监测样本分类体系，同时由于“非粮化”是一个长期检测工作，不同时间段成像时间、成像质量会有所不同，因此亟需要一种遥感样本库构建及跨时序、跨区域的智能解译方法。
技术实现思路
1、本专利技术意在提供耕地非粮化检测的遥感样本库构建及迁移学习解译方法，用以解决传统训练样本准确性低和不同时间遥感成像质量不同影响非粮化监测结果的问题。
>2、为达到上述目的本文档来自技高网...
【技术保护点】
1.耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤2中基于多期国土的变更调查数据和相应的下发正射影像基于空间分析法完成源域样本的制作。
3.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤3中Mish函数对Unet解码器进行优化，采用新函数Mish作为激活函数代替原Relu函数，所述Mish函数定义为f(x)＝xtanh(ln(1+ex))。
4.根据权利要求3所述的耕地非粮化检测的遥感...
【技术特征摘要】
1.耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤2中基于多期国土的变更调查数据和相应的下发正射影像基于空间分析法完成源域样本的制作。
3.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤3中mish函数对unet解码器进行优化，采用新函数mish作为激活函数代替原relu函数，所述mish函数定义为f(x)＝xtanh(ln(1+ex))。
4.根据权利要求3所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤3中采用组归一化法(cn)和mish函数对深度残差网络resnet50的第一层卷积神经网络进行优化，采用组归一化法(gn)代替第一层卷积神经网络中原有批归一化(bn)，将通道划分组计算每组内用于归一化的均值，采用新函数mish作为激活函数代替第一层卷积神经网络中原relu函数，所述mish函数定义为f(x)＝xtanh(ln(1+ex))。
5.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述其它农用地包括林地、园地、草地与坑塘水面。
6.根据权利要求1所述的耕地非粮化检测的遥感样本库构建及迁移学习解译方法，其特征在于：所述步骤2中基于国土变更调查数据及相应的下发正射影像基于空间分析法完成源域样本的制作具体包括：基于多期变更调查矢量数据库，基于制作的“非粮化耕地流出分类体系”筛选出耕转为其它农用地的图斑；将耕地...
【专利技术属性】
技术研发人员：周珉羽，王宴会，张海龙，周瑜，田茂强，韩文友，杨作练，罗蓉，高强国，周鹏，刘成德，文军，
申请(专利权)人：重庆地质矿产研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。