【技术实现步骤摘要】
本专利技术涉及遥感影像提取大棚边界，尤其涉及一种apb优化网络模型提取遥感影像大棚边界的方法。
技术介绍
1、随着全球人口数量的增加，全世界对粮食和其他农产品的需求也在增加，促进了温室大棚的出现，温室大棚能够对温度、湿度、光照和二氧化碳浓度等因素进行控制，为植物提供最适宜的生长环境，在寒冷或炎热的气候条件下，温室大棚可以延长植物的生长季节，甚至实现全年生产。因此，在过去的几十年里，农业温室大棚的数量和占用面积都在增加，现今，超过130个国家使用农业大棚来提高农业生产，被广泛应用于牲畜养殖，林业育苗，果蔬栽培，蔬菜生产等领域，成为了农业的支柱产业，具有极高的社会效益和经济效益。与此同时也带来了一些问题，如农业大棚的建设得不到及时的检测与把控，违规占用基本农田用地等问题，并且存在农业大棚塑料污染的问题，因此及时，准确的获取农业大棚的分布和覆盖面积等信息对农业产值估计，国家农业统筹规划都具有重大意义。
2、而传统的对农业大棚分布信息的获取方式，还停留在人工实地调查，存在人力物力要求较大，耗时长等一系列问题，使用深度学习的方式可以有效准确从遥感影像中提取大棚，能够大大节省人力物力。因此本研究提出一种结合多任务深度学习和边缘处理的遥感影像大棚地块提取方法，能够迅速准确的提取高分辨率遥感影像中大棚位置及范围，统计农业大棚数量，显著提升遥感影像中大棚边界的识别精度和模型的泛化能力，为相关执法部门提供技术和数据支撑。
3、文献号为cn116206210a的专利文献公开一种基于nas-swin的遥感影像农业大棚提取方法，该
技术实现思路
1、本专利技术的目的在于提供一种apb优化网络模型提取遥感影像大棚边界的方法，丰富大棚提取边界信息，让网络模型更好的处理大棚边界，提升遥感影像中大棚边界的识别精度和模型的泛化能力。
2、本专利技术的目的可以通过以下技术方案实现：一种apb优化网络模型提取遥感影像大棚边界的方法，包括步骤：
3、s1、对遥感影像预处理后获取影像样本，对影像样本进行样本标注并划分数据集；
4、s2、使用resnet网络作为模型的基础网络，搭建基于proi特征提取模块和peoi特征提取模块的多任务深度学习大棚边界提取网络模型；
5、s3、使用注意力先验模块apb优化proi特征提取模块，提高网络模型对大棚边界信息的提取能力；
6、s4、利用数据集对对优化后的网络模型进行训练，获取最优权重网络模型；
7、s5、利用最优权重网络模型，采用滑动窗口的方法对遥感影像进行推理拼接，获取遥感影像大棚边界精细化提取。
8、进一步地：所述步骤s1中对遥感影像预处理后获取影像样本，对影像样本进行样本标注并划分数据集，包括步骤：
9、s11、对遥感影像进行辐射校正，正射矫正，影像融合和影像重采样的预处理，获取影像样本；
10、s12、对影像样本使用arcmap软件进行标注，获取矢量标注后的样本标签；
11、s13、获取影像样本和样本标签组成的数据集，对数据集进行数据增强；
12、s14、把数据集按比例划分为训练集和测试集。
13、进一步地：所述s13中数据增强包括：水平翻转，垂直翻转，随机裁剪和中心裁剪。
14、进一步地：所述s14中训练集和测试集的划分比例为7:3。
15、进一步地，所述步骤s2搭建基于多任务深度学习的大棚边界提取网络模型，包括步骤：
16、s21、使用resnet网络作为模型的基础网络，输入图像经基础网络获取多层次不同尺度的特征图；
17、s22、不同尺度的的特征图进入proi特征提取模块和peoi特征提取模块；
18、s23、不同尺度的的特征图进入peoi特征提取模块，经过不同卷积和不同尺度上采样之后进行拼接，再经过一个卷积模块，进行一个特征融合，获取输入图像边界预测信息；
19、s24、不同尺度的的特征图进入proi模块，进行特征信息增强和特征信息融合，获取输入图像的掩码预测信息和距离预测信息。
20、进一步地，所述s21中不同尺度的特征图为5层，包括：
21、特征图c1(特征图大小512*512)；
22、特征图c2(特征图大小256*256)；
23、特征图c3(特征图大小128*128)；
24、特征图c4(特征图大小64*64)；
25、特征图c5(特征图大小32*32)。
26、进一步地，所述使用注意力先验模块apb优化proi特征提取模块，提高网络模型对大棚边界信息的提取能力，包括步骤：
27、s31、输入特征图原始边界先验信息，先经过apb中的cbam模块，cbam模块使用注意力机制，从通道和空间两个层面获取特征图语义信息，得到增强过的全局边界先验信息bg；
28、bg＝ms(mc(b0)·b0)·(mc(b0)·b0) (1)
29、其中，bg表示全局边界先验信息，b0表示特征图原始边界先验信息，mc表示cbam的通道注意力提取模块，ms表示cbam的空间注意力提取模块；
30、s32、特征图特征信息进入apb模块，通过交叉注意力机制，与全局边界先验信息bg进行特征融合，生成融合后的边界先验信息fr；
31、s33、融合后的边界先验信息fr作为增强过的特征输出，同时融合后的边界先验信息fr经过一个卷积模块得到bl，bl与全局边界先验信息bg结合，获取更丰富的全局边界先验信息br：
32、br＝bg+bl (2)
33、其中，bg表示全局边界先验信息，bl表示由fr获取的边界先验信息，br表示融合后更丰富的全局边界先验信息；
34、s34、br作为下一个apb模块的先验部分的输入，fr经过一次解码后会与下一个apb模型输出的特征进行拼接融合，经过三级递进，改进proi特征提取模块。
35、进一步地，所述步骤s4利用数据集对对优化后的网络模型进行训练，获取最优权重网络模型，包括以下步骤：
36、s41、基于优化后大棚边界提取网络模型获取的边界预测信息、掩码预测信息和距离预测信息，获取掩码预测损失，距离预测损失和边界预测损失三个损失函数；
37、s42、结合三个损失函数，计算模型总损失，反向传播进行网络模型优化训练，获取训练后最优权重网络模型。
38、进一步地，所述掩码预测损失函数为：
39、lmask＝0.5·lbce+ldice (3)
40、其中，ldice为dic损失函数，lbce为bce损失函数；...
【技术保护点】
1.一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于：所述步骤S1中对遥感影像预处理后获取影像样本，对影像样本进行样本标注并划分数据集，包括步骤：
3.根据权利要求2所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于：所述S13中数据增强包括：水平翻转，垂直翻转，随机裁剪和中心裁剪。
4.根据权利要求2所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于：所述S14中训练集和测试集的划分比例为7:3。
5.根据权利要求1所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于，所述步骤S2搭建基于多任务深度学习的大棚边界提取网络模型，包括步骤：
6.根据权利要求5所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于，所述S21中不同尺度的特征图为5层，包括：
7.根据权利要求1所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于，所述
8.根据权利要求1所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于，所述步骤S4利用数据集对对优化后的网络模型进行训练，获取最优权重网络模型，包括以下步骤：
9.根据权利要求8所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于，所述掩码预测损失函数为：
10.根据权利要求1所述的一种APB优化网络模型提取遥感影像大棚边界的方法，其特征在于，所述步骤S5利用最优权重网络模型，采用滑动窗口的方法对遥感影像进行推理拼接，获取遥感影像大棚边界精细化提取，包括步骤：
...【技术特征摘要】
1.一种apb优化网络模型提取遥感影像大棚边界的方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种apb优化网络模型提取遥感影像大棚边界的方法，其特征在于：所述步骤s1中对遥感影像预处理后获取影像样本，对影像样本进行样本标注并划分数据集，包括步骤：
3.根据权利要求2所述的一种apb优化网络模型提取遥感影像大棚边界的方法，其特征在于：所述s13中数据增强包括：水平翻转，垂直翻转，随机裁剪和中心裁剪。
4.根据权利要求2所述的一种apb优化网络模型提取遥感影像大棚边界的方法，其特征在于：所述s14中训练集和测试集的划分比例为7:3。
5.根据权利要求1所述的一种apb优化网络模型提取遥感影像大棚边界的方法，其特征在于，所述步骤s2搭建基于多任务深度学习的大棚边界提取网络模型，包括步骤：
6.根据权利要求5所述的一种apb优化网络模型提取...
【专利技术属性】
技术研发人员：丁书培，潘捷，汪绪柱，胡立之，王腾飞，王黎升，
申请(专利权)人：中科星图智慧科技安徽有限公司，
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。