【技术实现步骤摘要】
本专利技术涉及深度学习和植被检测，尤其是涉及一种复杂环境下基于深度迁移学习的植被检测方法。
技术介绍
1、通过深度学习技术对获取到的野外植被图像进行检测，可以分析当地局部环境，统计分析植被数量；对土地荒漠化防治、物种多样性保护及生态资源利用开发等工作都具有非常的重要意义。但是野外环境参数是高度随机的，无论是地面获取的局部环境图像数据，还是无人机低空遥感技术获取的区域数据，甚至是高空卫星获取的遥感图像都具有明显的时空差异性。复杂的环境植被在视觉特征差异下，很可能出现预训练的深度学习模型的测试准确率和分割精度受影响。
2、训练深度学习模型的过程需要大量的标记数据和较长的训练时间，众所周知，训练深度学习的数据量需要足够大才，模型的深度越深、训练的网络越大。而作为训练和测试的数据本身需要准确无误，因此现阶段一般由人工操作来完成，该过程需要耗费大量的人工成本和时间成本。
技术实现思路
1、本专利技术的目的是提供一种复杂环境下基于深度迁移学习的植被检测方法，可以解决复杂环境下的植被检测问题。
2、为实现上述目的，本专利技术提供了一种复杂环境下基于深度迁移学习的植被检测方法，包括以下步骤：
3、s1、获取第一目标区域的图像，对第一目标区域的图像进行预处理；
4、s2、对预处理后的图像进行局部区域裁剪，并进行数据增强，组合成数据集a，将数据集a划分为第一训练集、第一验证集和第一测试集；
5、s3、使用第一训练集数据搭建深度学习模型进行训练
6、s4、获取第二目标区域的图像，对第二目标区域的图像进行预处理，得到数据集b，将数据集b划分为第二训练集、第二验证集、第二测试集；
7、s5、计算步骤s3得到的最优植被检测模型的网络层总数，将每一个网络激活层都另外连接上输出层，使得输入到每一个输出之间都能组成有不同的网络层数的子深度网络；
8、s6、将第一测试集和第二测试集输入到步骤s5所建立的所有子深度网络中，得到每一个子深度网络的植被检测结果，选取植被检测结果最优的子深度网络所对应的网络层为图像特征深度估算的结果，即为迁移训练的目标层；
9、s7、定义网络层数小于或等于步骤s6的目标层为浅层网络，对浅层参数进行冻结，得到冻结浅层网络的新模型，其中，冻结的浅层参数包括浅层网络中的所有卷积核权重和偏差，此外，每一个浅层学习率修改为0；
10、s8、利用步骤s4中的数据集b进行迁移训练，得到新的植被检测模型；其中，迁移训练的网络对象为步骤s7中建立的冻结浅层网络的新模型；
11、s9、对新的植被检测模型进行测试及固化，输出最终的植被检测模型。
12、优选的，步骤s1中，对第一目标区域的图像进行预处理包括：图像去噪、数据筛选、亮度调整、对比度调整、算法去雾。
13、优选的，步骤s2中，数据增强包括：随机翻转、随机缩放、随机裁剪、随机亮度调整。
14、优选的，数据集b大小为数据集a大小的1/100～1/5。
15、优选的，步骤s6中，特征深度的估算裕度为2～5。
16、因此，本专利技术采用上述一种复杂环境下基于深度迁移学习的植被检测方法，其技术效果如下：可以解决深度植被分割模型在不同数据集之间迁移消耗人工标记成本或时间成本的问题，能有效减少深度模型迁移的数据量和时间消耗。
17、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种复杂环境下基于深度迁移学习的植被检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种复杂环境下基于深度迁移学习的植被检测方法，其特征在于，步骤S1中，对第一目标区域的图像进行预处理包括：图像去噪、数据筛选、亮度调整、对比度调整、算法去雾。
3.根据权利要求1所述的一种复杂环境下基于深度迁移学习的植被检测方法，其特征在于，步骤S2中，数据增强包括：随机翻转、随机缩放、随机裁剪、随机亮度调整。
4.根据权利要求1所述的一种复杂环境下基于深度迁移学习的植被检测方法，其特征在于，数据集B大小为数据集A大小的1/100～1/5。
5.根据权利要求1所述的一种复杂环境下基于深度迁移学习的植被检测方法，其特征在于，步骤S6中，特征深度的估算裕度为2～5。
【技术特征摘要】
1.一种复杂环境下基于深度迁移学习的植被检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种复杂环境下基于深度迁移学习的植被检测方法，其特征在于，步骤s1中，对第一目标区域的图像进行预处理包括：图像去噪、数据筛选、亮度调整、对比度调整、算法去雾。
3.根据权利要求1所述的一种复杂环境下基于深度迁移学习的植被检测方法，其特...
【专利技术属性】
技术研发人员：陈亚勇，周蓓蓓，韩小杰，叶大鹏，陈晓鹏，马昌坤，吴山山，范东亮，
申请(专利权)人：福建农林大学，
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。