CN110309809A - 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 - Google Patents
基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 Download PDFInfo
- Publication number
- CN110309809A CN110309809A CN201910616243.0A CN201910616243A CN110309809A CN 110309809 A CN110309809 A CN 110309809A CN 201910616243 A CN201910616243 A CN 201910616243A CN 110309809 A CN110309809 A CN 110309809A
- Authority
- CN
- China
- Prior art keywords
- sugarcane
- image
- remote sensing
- pixel
- resolution remote
- 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
- 240000000111 Saccharum officinarum Species 0.000 title claims abstract description 62
- 235000007201 Saccharum officinarum Nutrition 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000003550 marker Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，主要包括组织高分辨率遥感影像甘蔗地样本库、清洗甘蔗地样本库获得数据集文件、通过深度卷积神经网络算法对甘蔗数据集文件训练计算获得甘蔗模型参数、导入甘蔗模型文件对高分辨率遥感影像进行地物识别、提取甘蔗地范围并导出。本发明能够辅助糖料蔗生产、管理部门及企业，对高分辨率遥感影像进行快速检索，识别甘蔗种植区，为糖料蔗种植区域划定、糖料蔗估产提供可靠的参考。
Description
技术领域
本发明属于遥感信息提取技术领域，具体涉及了一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法。
背景技术
机器学习通过分析大量数据进行学习，寻找数据中的特征模式并进行预测，数据丰富度的提升和数据量的积累可以不断提高其预测准确性，且在应对复杂情况的数据具有较强的学习能力和包容性。其中，深度学习作为近几年机器学习领域中的一个重要研究内容，已在图像识别、智能搜索、语言处理、智能控制等领域发挥了巨大作用。
随着国产卫星的不断发展，高分辨率遥感卫星影像资源愈加丰富，对于海量、多源的高分辨率遥感卫星影像的快速处理和目标要素的准确提取成为了又一亟待解决的技术难题。在高分辨率遥感影像解译中，甘蔗易与同时期其他作物混淆，人工目视解译准确率低。
甘蔗作为一种特色农作物，是南方地区糖业生产的主要原料。糖料蔗的种植面积和亩产量会直接影响地区本年度的产糖量。目前划定糖料蔗种植区域的主要方式是野外测量核查，工作量大、效率低下，目前尚无一种自动化识别甘蔗地的方法。为了推进糖业信息化、精准化管理，政府和涉糖企业需要以智能化技术方式方法，通过信息采集、核实、传输、处理、汇总、分析、应用，满足行业管理部门、企业、农户、合作社、社会组织等对涉糖涉蔗（生产、经营、市场）数据的即时性、动态性、精准性、安全性等信息服务需求，开展糖业全产业链各环节精准化管理，服务糖业发展，推动糖业二次创业，充分利用地理信息支持服务全区糖业精准化管理，实现糖业转型升级、节本增效。
发明内容
本发明的目的在于针对现有技术中存在的不足，提供了一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法。该方法能够从高分辨率遥感卫星影像中快速提取甘蔗种植区域，识别效率高。
为了实现上述目的，本发明采用了以下技术方案：
一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，包括以下步骤：
步骤一，收集大量高分辨率遥感卫星影像图片，按照影像的匀色标准对图片进行处理、编码、标记，区分甘蔗地、非甘蔗地，建立样本库，包括甘蔗样本数据集和非甘蔗样本数据集；
步骤二，利用样本库进行模型训练，将甘蔗影像样本图片和标记样本图片输入甘蔗分类模型中，甘蔗分类模型多多层卷积网络组成，输入的甘蔗遥感影像样本的大小为512像素*512像素，像素的值在0～255范围内，影像的图像通道为4个，输入的矩阵形状为4*512*512，输入的图像经过多层卷积计算后得到一个多维的矩阵数据，并将这个多维的矩阵数据与标记样本进行差值计算，求出预测的损失值，将求出的损失值反向传播回每一层卷积网络中，更新卷积网络中的计算参数，重复上述操作，反复求出损失值，直到损失值不再变小为止，即表示拟合，模型参数训练完成；
步骤三，按照给定高分辨率遥感卫星影像，将影像数据导入上一步训练好的模型中，具体为：
1）将高分辨率遥感卫星影像的图片按照512*512像素规格进行裁切；
2）将裁切后的图片重新输入到步骤二中训练好的模型中，模型根据输入的影像数据进行卷积运算，得到输入图片每个像素点的概率值，最终得到的结果为4*512*512的概率矩阵；
3）步骤2）的计算结果为每个像素点的概率多维的矩阵数据，这些矩阵数据为相应像素点的概率，概率值为0～1，当概率值大于0.5时，则表明相应的像素点为甘蔗，否则不是；通过行列循环迭代之后，得出图片中所有的多维的矩阵数据中是甘蔗的像素点，从而达到图片像素点分类的目的；
步骤四，根据步骤三中获得的是甘蔗的像素点，导出甘蔗地范围。
本发明的优点：
1.本发明能够辅助政府部门及涉糖企业对区域糖料蔗种植面积进行估算，实现糖业转型升级、节本增效。
2.本发明充分利用图像卷积的优势，降低了季节、光照变化、卫星传感器差异对甘蔗地识别的影响，提高了抗干扰能力，识别准确率高，误识别率低。
附图说明
图1是本发明一实施例应用中实现图片识别的流程图。
具体实施方式
下面结合附图对本发明进一步说明。
实施例1：
如图1所示，一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，包括以下步骤：
步骤一，收集大量高分辨率遥感卫星影像图片，按照影像的匀色标准对图片进行处理、编码、标记，区分甘蔗地、非甘蔗地，建立样本库，包括甘蔗样本数据集和非甘蔗样本数据集；
步骤二，利用样本库进行模型训练，将甘蔗影像样本图片和标记样本图片输入甘蔗分类模型中，甘蔗分类模型多多层卷积网络组成，输入的甘蔗遥感影像样本的大小为512像素*512像素，像素的值在0～255范围内，影像的图像通道为4个，输入的矩阵形状为4*512*512，输入的图像经过多层卷积计算后得到一个多维的矩阵数据，并将这个多维的矩阵数据与标记样本进行差值计算，求出预测的损失值，将求出的损失值反向传播回每一层卷积网络中，更新卷积网络中的计算参数，重复上述操作，反复求出损失值，直到损失值不再变小为止，即表示拟合，模型参数训练完成；
步骤三，按照给定高分辨率遥感卫星影像，将影像数据导入上一步训练好的模型中，具体为：
1）将高分辨率遥感卫星影像的图片按照512*512像素规格进行裁切；
2）将裁切后的图片重新输入到步骤二中训练好的模型中，模型根据输入的影像数据进行卷积运算，得到输入图片每个像素点的概率值，最终得到的结果为4*512*512的概率矩阵；
3）步骤2）的计算结果为每个像素点的概率多维的矩阵数据，这些矩阵数据为相应像素点的概率，概率值为0～1，当概率值大于0.5时，则表明相应的像素点为甘蔗，否则不是；通过行列循环迭代之后，得出图片中所有的多维的矩阵数据中是甘蔗的像素点，从而达到图片像素点分类的目的；
步骤四，根据步骤三中获得的是甘蔗的像素点，导出甘蔗地范围。
Claims (1)
1.一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，其特征在于，包括以下步骤：
步骤一，收集大量高分辨率遥感卫星影像图片，按照影像的匀色标准对图片进行处理、编码、标记，区分甘蔗地、非甘蔗地，建立样本库，包括甘蔗样本数据集和非甘蔗样本数据集；
步骤二，利用样本库进行模型训练，将甘蔗影像样本图片和标记样本图片输入甘蔗分类模型中，甘蔗分类模型多多层卷积网络组成，输入的甘蔗遥感影像样本的大小为512像素*512像素，像素的值在0～255范围内，影像的图像通道为4个，输入的矩阵形状为4*512*512，输入的图像经过多层卷积计算后得到一个多维的矩阵数据，并将这个多维的矩阵数据与标记样本进行差值计算，求出预测的损失值，将求出的损失值反向传播回每一层卷积网络中，更新卷积网络中的计算参数，重复上述操作，反复求出损失值，直到损失值不再变小为止，即表示拟合，模型参数训练完成；
步骤三，按照给定高分辨率遥感卫星影像，将影像数据导入上一步训练好的模型中，具体为：
1）将高分辨率遥感卫星影像的图片按照512*512像素规格进行裁切；
2）将裁切后的图片重新输入到步骤二中训练好的模型中，模型根据输入的影像数据进行卷积运算，得到输入图片每个像素点的概率值，最终得到的结果为4*512*512的概率矩阵；
3）步骤2）的计算结果为每个像素点的概率多维的矩阵数据，这些矩阵数据为相应像素点的概率，概率值为0～1，当概率值大于0.5时，则表明相应的像素点为甘蔗，否则不是；通过行列循环迭代之后，得出图片中所有的多维的矩阵数据中是甘蔗的像素点，从而达到图片像素点分类的目的；
步骤四，根据步骤三中获得的是甘蔗的像素点，导出甘蔗地范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910616243.0A CN110309809A (zh) | 2019-07-09 | 2019-07-09 | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910616243.0A CN110309809A (zh) | 2019-07-09 | 2019-07-09 | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309809A true CN110309809A (zh) | 2019-10-08 |
Family
ID=68079782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910616243.0A Pending CN110309809A (zh) | 2019-07-09 | 2019-07-09 | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309809A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144487A (zh) * | 2019-12-27 | 2020-05-12 | 二十一世纪空间技术应用股份有限公司 | 一种遥感影像样本库的建立与更新方法 |
| CN111476197A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 |
| CN112085731A (zh) * | 2020-09-18 | 2020-12-15 | 深圳市易图资讯股份有限公司 | 基于卫星图的安全预警方法、装置、设备及存储介质 |
| CN112634349A (zh) * | 2020-12-22 | 2021-04-09 | 福建省星云大数据应用服务有限公司 | 一种基于遥感影像的茶园面积估计方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2954625A1 (en) * | 2014-06-18 | 2015-12-23 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
| CN106339423A (zh) * | 2016-08-14 | 2017-01-18 | 李宇翔 | 一种甘蔗种植信息动态更新方法及装置 |
| CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
| CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统 |
| CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
| CN109255294A (zh) * | 2018-08-02 | 2019-01-22 | 中国地质大学（北京） | 一种基于深度学习的遥感图像云识别方法 |
| CN109325395A (zh) * | 2018-04-28 | 2019-02-12 | 二十世纪空间技术应用股份有限公司 | 图像的识别方法、卷积神经网络模型的训练方法及装置 |
| CN109508633A (zh) * | 2018-09-30 | 2019-03-22 | 广州地理研究所 | 一种基于光学遥感数据的甘蔗分布识别方法 |
| CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
| CN109754022A (zh) * | 2019-01-24 | 2019-05-14 | 河池学院 | 一种基于卷积神经网络的甘蔗胚芽分类系统 |
-
2019
- 2019-07-09 CN CN201910616243.0A patent/CN110309809A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2954625A1 (en) * | 2014-06-18 | 2015-12-23 | Innopix, Inc. | Spectral imaging system for remote and noninvasive detection of target substances using spectral filter arrays and image capture arrays |
| CN106339423A (zh) * | 2016-08-14 | 2017-01-18 | 李宇翔 | 一种甘蔗种植信息动态更新方法及装置 |
| CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
| CN109325395A (zh) * | 2018-04-28 | 2019-02-12 | 二十世纪空间技术应用股份有限公司 | 图像的识别方法、卷积神经网络模型的训练方法及装置 |
| CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统 |
| CN109255294A (zh) * | 2018-08-02 | 2019-01-22 | 中国地质大学（北京） | 一种基于深度学习的遥感图像云识别方法 |
| CN109117802A (zh) * | 2018-08-21 | 2019-01-01 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
| CN109508633A (zh) * | 2018-09-30 | 2019-03-22 | 广州地理研究所 | 一种基于光学遥感数据的甘蔗分布识别方法 |
| CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
| CN109754022A (zh) * | 2019-01-24 | 2019-05-14 | 河池学院 | 一种基于卷积神经网络的甘蔗胚芽分类系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杨鑫: "基于"3S"的广西甘蔗种植信息提取技术研究", 《PROCEEDINGS OF 2012 INTERNATIONAL CONFERENCE ON EARTH SCIENCE AND REMOTE SENSING(ESRS 2012)INFORMATION ENGINEERING RESEARCH INSTITUTE会议论文集》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144487A (zh) * | 2019-12-27 | 2020-05-12 | 二十一世纪空间技术应用股份有限公司 | 一种遥感影像样本库的建立与更新方法 |
| CN111144487B (zh) * | 2019-12-27 | 2023-09-26 | 二十一世纪空间技术应用股份有限公司 | 一种遥感影像样本库的建立与更新方法 |
| CN111476197A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 |
| CN112085731A (zh) * | 2020-09-18 | 2020-12-15 | 深圳市易图资讯股份有限公司 | 基于卫星图的安全预警方法、装置、设备及存储介质 |
| CN112634349A (zh) * | 2020-12-22 | 2021-04-09 | 福建省星云大数据应用服务有限公司 | 一种基于遥感影像的茶园面积估计方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309809A (zh) | 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法 | |
| CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
| CN110414577A (zh) | 一种基于深度学习的激光雷达点云多目标地物识别方法 | |
| CN103577581B (zh) | 农产品价格趋势预测方法 | |
| CN102208099A (zh) | 一种抗光照变化的作物彩色图像分割方法 | |
| CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
| CN117540908B (zh) | 基于大数据的农业资源整合方法和系统 | |
| CN113610035B (zh) | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 | |
| CN112232387B (zh) | 基于lselm-rfe的粮食作物病害症状的有效特征识别方法 | |
| CN116681929A (zh) | 一种麦类作物病害图像识别方法 | |
| CN115376008A (zh) | 病虫害识别方法、装置、电子设备和存储介质 | |
| CN116739868A (zh) | 基于人工智能的园林绿化管理系统及其方法 | |
| CN115861831A (zh) | 基于作物物候知识的时间序列遥感数据农作物识别方法 | |
| Liu et al. | Tomato detection based on convolutional neural network for robotic application | |
| CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
| CN112734120A (zh) | 一种基于动态网格划分的玉米虫害预警方法 | |
| Williams et al. | A machine learning approach to finding weather regimes and skillful predictor combinations for short-term storm forecasting | |
| CN115205701A (zh) | 一种基于水稻物候特征提取样本的方法 | |
| CN105373583A (zh) | 基于数据压缩的支撑向量机建模方法 | |
| CN112329697B (zh) | 一种基于改进YOLOv3的树上果实识别方法 | |
| Li et al. | Early drought plant stress detection with bi-directional long-term memory networks | |
| Hu | A rice pest identification method based on a convolutional neural network and migration learning | |
| Ma et al. | Target Detection for Coloring and Ripening Potted Dwarf Apple Fruits Based on Improved YOLOv7-RSES | |
| CN113989506B (zh) | 基于卷积神经网络的半自动植被遥感样本选取的方法 | |
| Yao | Identification of Grape Leaf Diseases and Insect Pests Based on Artificial Intelligence |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |