CN109377480A - 基于深度学习的耕地变化检测方法 - Google Patents
基于深度学习的耕地变化检测方法 Download PDFInfo
- Publication number
- CN109377480A CN109377480A CN201811130735.0A CN201811130735A CN109377480A CN 109377480 A CN109377480 A CN 109377480A CN 201811130735 A CN201811130735 A CN 201811130735A CN 109377480 A CN109377480 A CN 109377480A
- Authority
- CN
- China
- Prior art keywords
- layer
- deep learning
- arable land
- remote sensing
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种基于深度学习的耕地变化检测方法,应用于耕地普查任务当中相较于人工现场去调研具有更高的便利性和高效性,同时相比各级部门层层上报的结果,遥感检测结果具有更高的真实性。传统的遥感判读主要以人工目视的方式,人力资源耗费较高,同时也无法满足日益增长的遥感数据量的判读需求。本发明首先对不同时间拍摄的同一区域的遥感影像进行精确配对,接着采用全卷积网络对影像进行耕地区域提取,随后采用差值法直接得到初步耕地变化结果,最终采用腐蚀、膨胀等形态方法进行后处理得到最终变化检测结果。本发明采用深度学习语义分割网络的方法实现耕地资源的自动化提取与变化检测,相比以往方法本发明提出的方法具有更高的检测准确度。
Description
技术领域
本发明属于遥感图像智能地物监测技术领域,更为具体地讲,涉及在地物监测需求下一种基于深度学习方法的耕地变化检测技术,在耕地普查、耕地占用执法等领域,可以使用本方法实现遥感的耕地大范围远程监控。
背景技术
耕地是农业的基础,伴随着信息化时代的到来,应用空间信息化技术进行耕地信息的快速获取与检测己成为时代发展的必然。尤其是近年来,伴随着我国改革开放的深入,准确地掌握区域范围内耕地分布和变化情况,不仅是技术发展的需要,更是开展农业发展宏观管理的必需。遥感影像耕地提取目前在各监管部门主要采用人工目视解译的方法,随着卫星载荷与数据量的逐步增加,特别面对高频率、大区域耕地区域对比时,传统的人工标定的方法难以支撑爆发式增长的任务与需求工作量,因此研究如何采用人工智能的方法实现遥感影像智能化自动处理是一项具有深远意义的重要工作。
目前已有的耕地变化检测方法,
(1)传统大部分方法主要采用人工目视标定的方法,该方法具有任务量大,精确度随着任务量逐步降低的特点,而且随着遥感影像数据量增加,该方法已无法满足当前任务需求。
(2)较为常用的自动化变化检测方法主要是像素差值法,其中像素差值法主要对两幅影像像素值直接进行差分,得到逐像素对比后的结果,随后通过低像素值过滤等处理方法得到变化区域,该方法适用于两幅影像获取条件差距较小的情况,而随着遥感影像来源逐渐增多,该方法针对不同载荷、光照条件下拍摄影像适用性较低。
(3)除了像素差值法之外,对象比较法在变化检测中也较为常用。对象比较法首先对遥感影像进行地物分类得到地物对象,随后对对象进行对比得到变化检测结果。该方法效果受限于地物分类精度,之前的对象比较法多基于传统地物分类结果,分类精度低导致性能较差。
(4)本发明创新性地提出一种基于深度学习的耕地变化检测方法,将应用于语义分割任务的深度学习模型-全卷积深度网络进行改进并应用于高分辨率遥感影像的耕地提取,随后对提取后二值图进行差值,实现了耕地提取与变化检测过程的一体化,取得了良好的检测效果。
发明内容
本发明的目的在于克服现有技术的不足,提出基于深度学习的耕地变化检测方法,来进一步提高检测精度与效率,减少分类误差。
本发明的目的是这样实现的,一种基于深度学习的耕地变化检测方法包括步骤:
(1)采集不同时间、相同区域的高分辨率可见光的遥感图像,对每一张遥感图像中耕地区域进行逐像素标注,标注后的数据组成一幅二值图像,把遥感图像和对应标注图像打包构成训练集和测试集;
(2)设计深度学习全卷积语义分割模型结构;
(3)将训练集中的遥感图像和对应标注图像形成输入图组,作为步骤(2)中深度学习全卷积语义分割模型的输入,进行模型训练,得到耕地提取的深度学习模型;
(4)将测试集中不同时间、相同区域的遥感图像分别采用(3)中得到的深度学习模型进行耕地区域检测提取,提取结果输出为二值图;
(5)通过影像配准对耕地区域检测提取结果进行精确对准,并采用差值法得到耕地变化初步结果,对变化初步结果采用腐蚀、膨胀的形态方法进行处理得到最终变化检测结果。
其中,步骤(2)中深度学习全卷积语义分割模型具体为:
模型分为向下和向上两段,其中向下的通路根据分类强度将VGGnet原有13层卷积层改为6层,输入层经过6层卷积和池化之后得到16×16维特征热度图作为第7层;向上通路中,对第7层反卷积层进行插值上采样恢复至与第6层相同尺寸,对第7层进行上采样后融合第5层多孔卷积生成第8层;对第8层进行上采样后融合第6层多孔卷积生成第9层,对第9层的输出进行尺寸变换还原至原始遥感图像尺寸,得到最终提取结果。
本发明与背景技术相比具有如下优点:
1、本发明提出了深度学习的全卷积网络的方法实现耕地区域的自动化高精度提取,相比对象比较法中采用的传统方法具有更高精度,从而提升了变化检测的准确度;
2、本发明采用像素差值法对深度学习提取后的二值图进行变化区域提取,具有较高的实时性,除此之外,采用后处理的方法可以有效弥补深度学习全卷积网络的多像素碎片的缺点。
附图说明
图1是本发明的流程设计图。
图2是本发明搜集的同区域不同时间的遥感影像图。
图3是本发明采用全卷积深度学习网络结构。
图4是本发明模型训练误差曲线。
图5是本发明耕地区域提取结果。
图6是本发明耕地变化检测结果。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明基于深度学习的耕地变化检测方法一种具体实施下的原理框图。
在本实施例中,如图1所示基于深度学习的耕地变化检测方法包括以下步骤:
1、数据采集与标注
采集不同时间、相同区域的高分辨率可见光的遥感图像,如图2所示,然后对每一张图像中耕地区域进行逐像素标注,标注后的数据组成一幅二值图像,其中0灰度表示背景像素,1灰度表示耕地区域,把遥感图像和对应标注图像打包构成训练集和测试集;发明验证实验中涉及的训练和测试数据为石家庄市藁城区的RGB可见光影像,影像获取主要从googleearth等软件中进行截取,将该区域的宽幅影像裁切为大小为512×512的标准影像块并自行标注,总共约包括500余幅影像块,其中训练集与测试集比为5:2,影像空间分辨率为10m。
2、构建深度学习全卷积语义分割模型;
模型分为向下和向上两段,其中向下的通路根据分类强度将VGGnet原有13层卷积层改为6层,输入层经过6层卷积和池化之后得到16×16维特征热度图作为第7层;向上通路中,对第7层反卷积层进行插值上采样恢复至与第6层相同尺寸,对第7层进行上采样后融合第5层多孔卷积生成第8层;对第8层进行上采样后融合第6层多孔卷积生成第9层,对第9层的输出进行尺寸变换还原至原始遥感图像尺寸,得到最终提取结果。
3、深度学习模型训练
采用深度学习全卷积网络对影像进行网络训练,如图3所示,其中包括卷积特征提取和反卷积映射,通过从下到上的上采样实现对原始图像中每个像素所属类别的概率,最后通过标注影像和网络输出影像对比计算损失函数实现网络模型训练,如图4所示,可以看到随着迭代次数增加,模型的检测精度不断升高,最终得到耕地提取的深度学习模型。
4、耕地区域提取与变化检测
将两幅不同时间相同区域的遥感影像分别采用(2)中得到的深度学习模型进行耕地区域检测提取,提取结果输出为二值图,其中浅色像素位置为耕地区域,深色像素位置为城镇区域,如图5所示。
5、耕地区域变化检测
首先通过影像配准实现分类结果精确对准,然后采用差值法直接得到耕地变化初步结果,由于全卷积网络为像素级分割网络,因此变化对比结果会出现较多像素碎片,本发明采用腐蚀、膨胀等形态方法进行后处理得到最终变化检测结果,如图6所示。
本发明实现深度学习的耕地变化检测方法,传统自动化变化检测方法可以实现精度为85%左右,据统计人工目视判读的平均精度为95%,本文方法最终检测精度为98.02%,已经在一定程度上优于人工判读结果。已达到实际应用的标准。如表1所示。
本发明软件的实现采用Tensorflow架构和Python脚本语言,硬件配置GPU采用NVIDIA Quadro P5000,内存为48GB。基于该硬件配置本文算法运行速率可达到0.2s/幅(512*512尺度影像),一景10000*10000影像的处理时间约为30s左右,用时远低于传统方法和人工判读方法。如表2所示。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
表1不同网络输入分类效果对比表
类别 | 本文方法 |
耕地提取结果 | 98.02% |
变化检测结果 | 94.52% |
表2时间速率对比表
类别 | 人工目视 | 本文方法 |
影像计算时间 | 6h/景 | 30s/景 |
Claims (2)
1.一种基于深度学习的耕地变化检测方法,其特征在于包括以下步骤:
(1)采集不同时间、相同区域的高分辨率可见光的遥感图像,对每一张遥感图像中耕地区域进行逐像素标注,标注后的数据组成一幅二值图像,把遥感图像和对应标注图像打包构成训练集和测试集;
(2)构建深度学习全卷积语义分割模型;
(3)将训练集中的遥感图像和对应标注图像形成输入图组,作为步骤(2)中深度学习全卷积语义分割模型的输入,进行模型训练,得到耕地提取的深度学习模型;
(4)将测试集中不同时间、相同区域的遥感图像分别采用(3)中得到的深度学习模型进行耕地区域检测提取,提取结果输出为二值图;
(5)通过影像配准对耕地区域检测提取结果进行精确对准,并采用差值法得到耕地变化初步结果,对变化初步结果采用腐蚀、膨胀的形态方法进行处理得到最终变化检测结果。
2.根据权利要求1所述的一种基于深度学习的耕地变化检测方法,其特征在于,步骤(2)中深度学习全卷积语义分割模型具体为:
模型分为向下和向上两段,其中向下的通路根据分类强度将VGGnet原有13层卷积层改为6层,输入层经过6层卷积和池化之后得到16×16维特征热度图作为第7层;向上通路中,对第7层反卷积层进行插值上采样恢复至与第6层相同尺寸,对第7层进行上采样后融合第5层多孔卷积生成第8层;对第8层进行上采样后融合第6层多孔卷积生成第9层,对第9层的输出进行尺寸变换还原至原始遥感图像尺寸,得到最终提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811130735.0A CN109377480A (zh) | 2018-09-27 | 2018-09-27 | 基于深度学习的耕地变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811130735.0A CN109377480A (zh) | 2018-09-27 | 2018-09-27 | 基于深度学习的耕地变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109377480A true CN109377480A (zh) | 2019-02-22 |
Family
ID=65401929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811130735.0A Pending CN109377480A (zh) | 2018-09-27 | 2018-09-27 | 基于深度学习的耕地变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377480A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
CN111553222A (zh) * | 2020-04-21 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于迭代超像素分割的遥感地物分类后处理方法 |
CN111815627A (zh) * | 2020-08-24 | 2020-10-23 | 成都睿沿科技有限公司 | 遥感图像变化检测方法、模型训练方法及对应装置 |
CN111860204A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于语义分割技术的多时相遥感影像变化检测方法和介质 |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN112047057A (zh) * | 2019-06-05 | 2020-12-08 | 西安瑞德宝尔智能科技有限公司 | 物料传送设备的安全监控方法及系统 |
CN112967286A (zh) * | 2021-05-19 | 2021-06-15 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
CN113807198A (zh) * | 2021-08-24 | 2021-12-17 | 深圳市魔方卫星科技有限公司 | 道路网变化检测方法、模型训练方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107358625A (zh) * | 2017-06-12 | 2017-11-17 | 西安电子科技大学 | 基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法 |
CN107392940A (zh) * | 2017-06-12 | 2017-11-24 | 西安电子科技大学 | 一种基于堆栈半监督自适应去噪自编码器的sar图像变化检测方法 |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
US20180253980A1 (en) * | 2017-03-03 | 2018-09-06 | Farrokh Mohamadi | Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance |
-
2018
- 2018-09-27 CN CN201811130735.0A patent/CN109377480A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253980A1 (en) * | 2017-03-03 | 2018-09-06 | Farrokh Mohamadi | Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance |
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107358625A (zh) * | 2017-06-12 | 2017-11-17 | 西安电子科技大学 | 基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法 |
CN107392940A (zh) * | 2017-06-12 | 2017-11-24 | 西安电子科技大学 | 一种基于堆栈半监督自适应去噪自编码器的sar图像变化检测方法 |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
Non-Patent Citations (2)
Title |
---|
ZHANGJUNIOR: "从FCN到DeepLab", 《CSDN》 * |
徐真等: "一种基于CNN的SAR图像变化检测方法", 《雷达学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
CN112047057A (zh) * | 2019-06-05 | 2020-12-08 | 西安瑞德宝尔智能科技有限公司 | 物料传送设备的安全监控方法及系统 |
CN111553222A (zh) * | 2020-04-21 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于迭代超像素分割的遥感地物分类后处理方法 |
CN111553222B (zh) * | 2020-04-21 | 2021-11-05 | 中国电子科技集团公司第五十四研究所 | 一种基于迭代超像素分割的遥感地物分类后处理方法 |
CN111860204A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于语义分割技术的多时相遥感影像变化检测方法和介质 |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN111986099B (zh) * | 2020-06-30 | 2022-05-13 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN111815627A (zh) * | 2020-08-24 | 2020-10-23 | 成都睿沿科技有限公司 | 遥感图像变化检测方法、模型训练方法及对应装置 |
CN112967286A (zh) * | 2021-05-19 | 2021-06-15 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
CN113807198A (zh) * | 2021-08-24 | 2021-12-17 | 深圳市魔方卫星科技有限公司 | 道路网变化检测方法、模型训练方法、装置、设备及介质 |
CN113807198B (zh) * | 2021-08-24 | 2023-08-22 | 深圳市魔方卫星科技有限公司 | 道路网变化检测方法、模型训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377480A (zh) | 基于深度学习的耕地变化检测方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN105787937B (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
CN107527352B (zh) | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN105184779B (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN110866494B (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
CN109493320A (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
CN105956557A (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN109034268B (zh) | 一种面向信息素诱捕器的红脂大小蠹检测器优化方法 | |
CN104616026B (zh) | 一种面向智能视频监控的监控场景类型辨识方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN109919944A (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
CN108376247A (zh) | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 | |
CN103955583B (zh) | 一种确定夜晚灯光数据提取城市建成区阈值的方法 | |
CN109871875A (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN112465752A (zh) | 一种基于改进的Faster R-CNN小目标检测方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN107392887B (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |