一种基于改进DeepLabV3+的无人机影像植被分类方法技术

本发明专利技术公开了一种基于改进DeepLabV3+的无人机影像植被分类方法，该方法准备无人机影像数据集，经Python编程以水平翻转、垂直翻转、对角镜像扩充样本，按7:2:1划分训练集并裁剪图像，接着构建植被特征工程，用灰度共生矩阵提取纹理特征，选取特定可见光植被指数，经ReliefF算法筛选出VDVI指数与G_Entropy并融合，然后构建植被分类模型，以MobileNetV2替换主干网络，调整ASPP模块空洞率，添加改进注意力模块ECBAM，之后融合特征进行模型训练，用SGD优化器和余弦退火算法调整学习率至网络收敛，最后用测试集测试，进行植被分类逐层实验。该方法有效解决无人机影像植被分类难题，通过多方面改进，提升了分类精度和模型性能。

【技术实现步骤摘要】

本专利技术涉及无人机影像植被分类领域,尤其涉及一种基于改进deeplabv3+的无人机影像植被分类方法。

技术介绍

1、随着生态环境监测、精准农业等领域的快速发展，无人机影像植被分类技术成为获取植被信息的重要手段。无人机凭借其灵活便捷、可获取高分辨率影像的特点，能为植被研究提供丰富数据。然而，传统基于深度学习的植被分类方法，尤其是采用原始deeplabv3+模型的技术，难以满足日益增长的高精度分类需求，在实际应用中暴露出明显缺陷。

2、现有技术的首要缺点体现在数据处理环节的不完善。传统方法缺乏高效的数据增强策略，仅依赖有限的原始数据集，样本数量匮乏且多样性不足。这使得模型在训练时无法充分学习各类植被特征，面对复杂多变的实际场景，模型泛化能力薄弱，导致分类准确率大幅降低。并且，其特征提取方式较为单一，未能充分挖掘无人机影像中植被的纹理、光谱等多维度信息，不能有效区分不同植被类型，限制了分类效果的提升。

3、另一大缺点在于模型构建与优化方面的不足。原始deeplabv3+模型采用的xception主干网络结构复杂，计算量庞大，在硬件资源本文档来自技高网...

【技术保护点】

1.一种基于改进DeepLabV3+的无人机影像植被分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进DeepLabV3+的无人机影像植被分类方法，其特征在于，所述步骤S1，对数据集进行水平镜像变换、垂直镜像变换以及对角线镜像变换的样本扩充操作，是在Python环境下调用OpenCV库函数进行，通过编写自动化脚本对原始数据集中的每一张影像执行相应变换操作，生成扩充后的数据集。

3.根据权利要求1所述的一种基于改进DeepLabV3+的无人机影像植被分类方法，其特征在于，所述步骤S2，基于灰度共生矩阵原理提取纹理特征时，通过调整灰度量化级数、...

【技术特征摘要】

1.一种基于改进deeplabv3+的无人机影像植被分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进deeplabv3+的无人机影像植被分类方法，其特征在于，所述步骤s1，对数据集进行水平镜像变换、垂直镜像变换以及对角线镜像变换的样本扩充操作，是在python环境下调用opencv库函数进行，通过编写自动化脚本对原始数据集中的每一张影像执行相应变换操作，生成扩充后的数据集。

3.根据权利要求1所述的一种基于改进deeplabv3+的无人机影像植被分类方法，其特征在于，所述步骤s2，基于灰度共生矩阵原理提取纹理特征时，通过调整灰度量化级数、偏移方向和距离参数，在不同参数组合下计算纹理特征，获取多组纹理特征数据，再通过主成分分析方法对多组数据进行降维处理，得到最终的24个纹理特征。

4.根据权利要求1所述的一种基于改进deeplabv3+的无人机影像植被分类方法，其特征在于，所述步骤s3，mobilenetv2网络在替换xception主干特征提取网络时，对mobilenetv2网络中的深度可分离卷积层的卷积核尺寸、通道数进行对性调整，使其与deeplabv3+网络后续结构的输入输出维度相匹配，保证特征提取与传递的连贯性。

5.根据权利要求1所述的一种基于改进deeplabv3+的无人机影像植被分类方法，其特征在于，所述步骤s3，对aspp模块改进后，在网络训练过程中，采用自适应权重调整策略，根据不同训练阶段的损失函数变化情况，动态调整新增卷积层与原有卷积层的权重占比，优化网络对不同尺度特征的学习能力。

6.根据权利要...

【专利技术属性】
技术研发人员：黄进，周倬成，黄钰，张万强，李剑波，李克东，万新宇，高鑫钊，任帅帆，王宗伟，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：