CN110210376A - 一种基于深度学习的高分遥感影像西北地区农膜提取方法 - Google Patents

Abstract

本发明专利提供一种基于深度学习的高分遥感影像西北地区农膜提取方法。本发明基于高分遥感影像的西北地区地膜信息提取方法，利用SSD深度学习模型提取高分辨率影像中的农田地膜信息的方法，可提高农田地膜提取精度；构建了辐射特征损失函数和几何特征损失函数构建方法，结合传统SSD深度学习模型，大幅提高农田地膜提取精度，本发明自动化程度高，无需用户干预，提取效率高；其次基于深度学习目标检测模型，并且构建辐射和几何特征损失函数，农田地膜提取精度高。

Description

一种基于深度学习的高分遥感影像西北地区农膜提取方法

技术领域

本发明专利涉及一种基于深度学习的高分遥感影像西北地区农膜提取方法，适用于小范围地膜提取。

背景技术

地膜覆盖栽培能够明显改善农田温、光、水、气、肥等生境条件，提高土壤墒情，促进作物生长发育，缩短生育期、避免后期病虫害和干、热、风等自然灾害，大幅提高作物产量，并能够提前上市，提高经济收入，是干旱半干旱地区，低温缺水地区、气温降水变化幅度和区域差异较大地区的关键栽培技术之一。但是，农作物收割后，农田内残留的地膜会造成如下不良影响：造成环境污染(田间白色污染 )；土壤通透性、水分和养分输导、土壤肥力降低；隔肥隔水、影响肥效；作物根系发育、产量下降；改变地气间能量平衡：温室气体排放；区域蒸散发。这些不良影响有待于减少或消除，则依赖于对地膜数据的采集、分析。但是，当前我国地膜覆盖农田的空间分布格局、分布面积及其变化特征尚不清楚。因此，就无法为地膜生产、使用以及残膜回收治理等的科学规划管理提供依据，也不能为减轻地膜覆盖技术带来的负面影响以及寻找解决问题的有效途径等提供参考依据。更无法为其他研究(作物物候变迁、地表温湿度、蒸散发等)提供基础数据。因此，当前需要方法来对地膜覆盖农田进行监测。近年来，随着深度学习方法的研究与发展，以及该方法在自然场景图像解译、大数据分析等一系列应用中取得的成功，使得深度学习逐步引起遥感图像解译研究人员的重视，并开始将深度学习算法引入到图像目标提取与检测识别等应用中来。由于遥感图像，尤其是星载遥感图像的成像角度和距离相对固定，同类目标的尺度和外观与自然场景图像目标相比变化较小，因此如何提取和利用遥感图像目标的这些不变特征具有很高的研究价值。深度学习方法可通过学习一种深层非线性网络结构，实现复杂函数逼近和分布式的特征表示，同时深度学习中非监督特征学习方法展现了强大的从样本数据集中学习从低层到高层本质特征的能力。在遥感图像目标检测识别领域中，基于深度学习的高分遥感影像农田地膜提取具有很大的应用前景。深度学习方法一个重要问题是具有较大的计算复杂度，对于遥感图像来说尤其是高分辨率遥感图像，目标检测效率较低，严重限制了深度学习方法在实际系统中的应用。因此，研究基于深度学习的快速遥感图像目标检测方法具有重要意义。

发明内容

为了克服基于影像光谱信息人工目视解译的传统提取方法中影像获取困难、数据处理及信息提取工作量大等缺陷，本发明提供一种基于深度学习的高分遥感影像西北地区农膜提取方法，其步骤包括：

步骤一、构建训练数据集：选择若干高分辨率遥感影像图片，随机分为训练数据集和验证数据集；将训练数据集中包含农田地膜的图片标记为正样本，不包含农田地膜的图片标记为负样本；

步骤二、构建 SSD 神经网络模型：搭建 SSD 神经网络模型训练框架，将标注后的训练数据集输入到 SSD 神经网络模型中进行迭代训练，得到初始农田地膜分类模型和参数；

步骤三、建立辐射特征损失函数：

其中，λ表示设定的常量，l 为预测框，w 当前预测框辐射值，g_w表示当前像素值与预测框内像素均值的比值，x 为当前点像素值，y 为当前点辐射值，取值{0 ,1}；

步骤四、建立几何特征损失函数：

其中，w 表示像素点紧致度，取值(0，1]，C 为该点距预测框左侧距离值，m 为该点距预测框上边框距离值，x、y 为该点坐标值，T 为设定的阈值；所述像素点紧致度 w 的计算公式为：

其中，Area 为区域面积，p 为区域周长；

步骤五、利用训练数据集对步骤二得到的初始农田地膜分类模型进行迭代训练，训练过程中使用步骤三和步骤四建立的损失函数对模型进行评价，改进模型参数，得到优化的农田地膜分类模型；利用优化的农田地膜分类模型对验证数据集进行检测；步骤六、使用优化的农田地膜分类模型对待处理的高分辨率遥感影像进行处理，输出农田地膜数据。所述深度学习的高分辨率遥感农田地膜影像的提取方法，步骤二中，在训练过程中，将位置定位的准确度值和得分置信度融合起来，根据整体损失函数对模型进行评价，所述整体损失函数公式为:

其中，L_conf (x ,c)为置信度的损失，L_conf (x ,l ,g)为位置损失，N 是匹配的默认框的个数，x 表示匹配的默认框是否属于类别 p，取值{0 ,1}；l 是预测框，g 是真实值；c 是指所框选目标属于类别 p 的置信度；L_conf(x ,c)为预测框 l 和真实值 g 的损失函数，α值通过交叉验证设置为 1。优选地，所述置信度损失的公式如下：

其中为第i个默认框和对应的第 j 个真实值，相应的类别为 p；x 表示匹配的默认框是否属于类别 p，取值{0 ,1}。

优选地，所述位置损失的详细公式如下：

其中，N 是匹配的默认框的个数，x 表示匹配的默认框是否属于类别 p，取值{0 ,1}，l为预测框，g 为真实值，d 为默认框，k 表示样本中分类类别数；(cx ,cy)为补偿后的默认框的中心， w、h 分别为为默认框的宽和高。

本发明有益效果：

本发明公开了一种基于深度学习的高分遥感影像西北地区农膜提取方法，利用遥感获得最佳监测时相内清晰的亚米级空间分辨率农田地膜影像，实现了农田地膜影像的自动识别农田的分布情况和种植面积，能够实时监测农田地膜数据，提高了农田地膜空间分布和面积调查精度与效率。本发明的基于高分遥感影像的西北地区地膜信息提取方法，利用SSD 深度学习并不断优化模型提取高分辨率影像中的农田地膜信息的方法，可提高农田地膜提取精度；构建了辐射特征损失函数和几何特征损失函数构建方法，结合传统 SSD 深度学习模型，大幅提高农田地膜提取精度，本发明的优点主要体现在：自动化程度高，无需用户干预，提取效率高；其次基于深度学习目标检测模型，并且构建辐射和几何特征损失函数，农田地膜提取精度高；方法可扩展性好，可适当调整模型参数以适用于不同传感器的遥感卫星图像。

说明书附图

图 1 基于深度学习的高分辨率遥感影像农田地膜提取方法流程图。

具体实施方式

实施例

本实施例提供一种基于深度学习的高分遥感影像西北地区农膜提取方法，其步骤包括：

步骤一：构建训练数据集：选定西北地区民乐县作为研究区，利用正负样本标注后的国产资源三号卫星融合后影像数据(2 .1m 分辨率，300*300，86800 张)作为数据源，供训练及测试使用；

步骤二：利用 Ubuntu14 .04+Python2 .7+caffe+CPU 搭建模型训练框架，将标注后正负样本数据集输入 SSD 深度学习模型进行训练迭代，得到初始农田地膜分类模型参数。

在训练过程使用了 Smooth L1loss+softmax loss，将位置定位的准确度值和得分置信度融合起来，从而使得对农田地膜的检测和识别都表现出较好的效果。

整体损失函数公式如下，第一项为置信度的损失，第二项为位置的损失，N 为匹配的默认边框的数目，a 为平衡因子，交叉验证的时候取值为 1。

其中，L_conf (x ,c)为置信度的损失，L_conf (x ,l ,g)为位置损失，N 是匹配的默认框的个数,x 表示匹配的默认框是否属于类别 p，取值{0 ,1}；l 是预测框 predicted box，g是真实值 ground truth box；c 是指所框选目标属于类别 p 的置信度 confidence。L_conf(x ,c)为预测框 l 和真实值 g 的 Smooth L1loss(损失函数) ,α值通过 crossvalidation(交叉验证)设置为 1。位置损失的详细公式如下：

其中，N 是匹配的默认框的个数，x 表示匹配的默认框是否属于类别 p，取值 {0 ,1}，l 为预测框，g 为真实值，d 为默认框，k 表示样本中分类类别数。(cx ,cy)为补偿后的默认框的中心，w、h 分别为为默认框的宽和高。置信度损失的公式如下：

其中，为第 i 个默认框和对应的第 j 个真实值，相应的类别为 p；x 表示匹配的默认框是否属于类别 p，取值{0 ,1}。

步骤三、建立辐射特征损失函数：农田地膜的铺面材料在影像上的的辐射特征表现为内部辐射度比较均匀、与其相邻区域灰度反差较大，本方法基于此特征构建辐射特征损失函数(公式 5) ，以提高此类材质提取精度。

其中，λ表示设定的常量，l 为预测框，w 当前预测框辐射值，gw 表示当前像素值与预测框内像素均值的比值，x 为当前点像素值，y 为当前点辐射值，取值{0 ,1}；

步骤四、建立几何特征损失函数：

在高分辨率影像上，农田地膜与其他建筑物形状特征区别较明显，呈连续条带状，宽度变化小，且组成连通的拓扑网络。本方法利用能反应此特征的紧致度指数(公式 6)和长宽比特征，构建基于其几何特征构建损失函数，以区分农田地膜和其他类农田地膜，提高农田地膜的提取精度。像素点紧致度 w 的计算公式为：

其中π为圆周率，p 为区域周长，w 为紧致度范围，取值(0，1]，圆的紧致度为 1，正方形的紧致度为π/4，此指数算法简单，运算速度较快。构建的几何特征损失函数如下：

其中，w 表示像素点紧致度，取值(0，1]，C 为该点距预测框左侧距离值，m 为该点距预测框上边框距离值，x、y 为该点坐标值，T 为设定的阈值。

步骤五、利用训练数据集对步骤二得到的初始农田地膜分类模型进行迭代训练，训练 过程中使用步骤三和步骤四建立的损失函数对模型进行评价，改进模型参数，得到优化的 农田地膜分类模型；利用优化的农田地膜分类模型对验证数据集进行检测；其中，训练的迭 代次数是 12w 次，由于只用 CPU 进行运算，一天只可迭代 1w+次，程序共运行 10 天，分 辨率在 300*300 左右，速度为 40ms 左右，帧率可达到 37fps，速度较快。农田地膜检测精 度，在 log 文件里记录 MAP(mean average precision)为 0 .741。训练完成后利用验证 数据集进行农田地膜检测，结果显示本方法在高分辨率影像上提取农田地膜信息精度较高 (MAP＝0 .741) ，且能满足实时应用需要。步骤六、使用优化的农田地膜分类模型对待处理 的高分辨率遥感影像进行处理，输出农田地膜数据。表 1 分类精度

分类器	总体精度	制图精度	用户精度	Kappa 系数
					SVM-L	93.57	90.38	90.38	0.91
SVM-R	93.19	90.18	90.01	0.91
					SVM-S	92.7	89.99	89.56	0.90
SVM-P	93.38	90.18	90.36	0.91
					MLC	93.33	88.63	90.21	0，,91
MDC	92.02	87.66	93.28	0.89

从表 1 看出，不同核函数在地膜覆盖农田遥感监测精度都较理想，总体精度都高于

92 .7％( SVM-S)，对地膜覆盖农田来讲，制图精度都高于 89 .99％( SVM-S)，用户精度高于 89 .56％( SVM-S)。其中最高总体精度达 93 .57％( SVM-L 线性核函数)，最高制图精度和用户精度达 90 .38％( SVM-L)。以上所述仅为本发明的较佳实施例而已，并非用以限定本发明的实质技术内容范围，本发明的实质技术内容是广义地定义于申请的权利要求范围中，任何他人完成的技术实体或方法，若是与申请的权利要求范围所定义的完全相同，也或是一种等效的变更，均将被视为涵盖于该权利要求范围之中。

Claims (4)

1.一种基于深度学习的高分遥感影像西北地区农膜提取方法，其特征在于，包括以下步骤：

步骤一、构建训练数据集：选择若干高分辨率遥感影像图片，随机分为训练数据集和验证数据集；将训练数据集中包含农田地膜的图片标记为正样本，不包含农田地膜的图片标记为负样本；

步骤二、构建 SSD 神经网络模型：搭建 SSD 神经网络模型训练框架，将标注后的训练数据集输入到 SSD 神经网络模型中进行迭代训练，得到初始农田地膜分类模型和参数；

步 骤 三 、 建立辐射特征损失函数 ：

其中，λ表示设定的常量，l 为预测框，w 当前预测框辐射值，g_w 表示当前像素值与预测框内像素均值的比值，x 为当前点像素值，y 为当前点辐射值，取值{0 ,1}； 步骤四、建立几何特征损失函数：

其中，w 表示像素点紧致度，取值(0，1]，C 为该点距预测框左侧距离值，m 为该点距预测框上边框距离值，x、y 为该点坐标值，T 为设定的阈值；所述像素点紧致度 w 的计算公式为：

其中，Area 为区域面积，p 为区域周长；

步骤五、利用训练数据集对步骤二得到的初始农田地膜分类模型进行迭代训练，训练过程中使用步骤三和步骤四建立的损失函数对模型进行评价，改进模型参数，得到优化的农田地膜分类模型；利用优化的农田地膜分类模型对验证数据集进行检测；

步骤六、使用优化的农田地膜分类模型对待处理的高分辨率遥感影像进行处理，输出农田地膜数据。

2.根据权利要求 1所述的 一种基于深度学习的高分遥感影像西北地区农膜提取方法，其特征在于，所述深度学习的高分辨率遥感农田地膜影像的提取方法步骤二中，在训练过程中将位置定位的准确度值和得分置信度融合起来，根据整体损失函数对模型进行评价，其整体损失函数公式为：

其中，L_conf (x ,c)为置信度的损失，L_conf(x ,l ,g)为位置损失，N 是匹配的默认框的个数，x 表示匹配的默认框是否属于类别 p，取值{0 ,1}；l 是预测框，g 是真实值；c 是指所框选目标属于类别 p 的置信度；L_conf(x ,c)为预测框 l 和真实值 g 的损失函数，α 值通过交叉验证设置为 1。

3.根据权利要求 2所述的 一种基于深度学习的高分遥感影像西北地区农膜提取方法，其特征在于，所述置信度损失的公式如下：

配的默认框是否属于类别 p，取值{0 ,1}。

4.根据权利要求 3所述的 一种基于深度学习的高分遥感影像西北地区农膜提取方法，其特征在于，所述位置损失的详细公式如下：

其中，N 是匹配的默认框的个数，x 表示匹配的默认框是否属于类别 p，取值{0 ,1}，l为预测框，g 为真实值，d 为默认框，k 表示样本中分类类别数；(cx ,cy)为补偿后的默认框的中心， w、h 分别为为默认框的宽和高。