CN110751019A

CN110751019A - 基于深度学习的高分辨率影像农作物自动提取方法及装置

Info

Publication number: CN110751019A
Application number: CN201910827204.5A
Authority: CN
Inventors: 杨泽宇; 明金; 冷伟
Original assignee: JIAHE TECHNOLOGY Co Ltd WUHAN
Current assignee: JIAHE TECHNOLOGY Co Ltd WUHAN
Priority date: 2019-09-03
Filing date: 2019-09-03
Publication date: 2020-02-04
Anticipated expiration: 2039-09-03
Also published as: CN110751019B

Abstract

本发明提出一种基于深度学习的高分辨率影像农作物自动提取方法及装置，所述方法包括：获取目标农作物不同物候期的高分辨率影像，制作标准样本并保存为矢量格式，得到标记的矢量样本；构建卷积神经网络模型，通过每个物候期的高分辨率影像以及对应的矢量样本分别训练所述卷积神经网络模型，得到不同物候期的分类模型；根据待分类数据的类型，从不同物候期的分类模型中匹配出与待分类数据相对应的物候期的分类模型；根据待分类数据的类型及匹配到相应的物候期的分类模型进行目标农作物分布提取。本发明可大幅度提升农作物分类识别的效率，分类过程中不需要人工进行干预，且可提高准确率。

Description

基于深度学习的高分辨率影像农作物自动提取方法及装置

技术领域

本发明属于测绘遥感领域，具体涉及一种基于深度学习的高分辨率遥感影像农作物自动提取方法及装置。

背景技术

随着遥感技术的发展，遥感数据获取向着高时间、高空间、高光谱分辨率的方向发展，为农作物分类提供了丰富的数据源。早期的农作物分类识别，大多基于低分辨率遥感影像(如MODIS数据)和中高分辨率影像数据(如Landsat系列)。通过构建低分辨率影像的多时序影像，利用农作物物候期内作物表征的不同光谱特性提取农作物。传统的中高分辨率解译方法通常应用单时相和多时相数据进行监督分类，如最大似然分类、SVM分类、专家决策树分类。最大似然法和SVM法需要人工勾画出不同地物的感兴趣区域，专家决策树分类则是通过归一化植被指数，近红外波段等建立约束规则，从而获得最终分类结果。

近年来深度学习在各行各业应用广泛，尤其是遥感这种带有大数据特征的领域。应用深度学习方法对农作物分类，大多研究多时相数据进行分类，利用单时相遥感数据进行作物提取的研究较少。而在业务化过程中，受到获取的遥感影像质量(如云覆盖等)，以及高分辨率卫星重访周期等影响，很难获取到合适时间的多时相数据，并且在山区等变形比较大的区域，几何配准也存在一定难度，进一步增加了利用多时相进行农作物分类的耗时以及人工成本。

国内种植地块破碎，低分辨率影像的空间分辨率较低，存在混合像元相应问题，识别精度较低，无法满足县市级行政区划作物提取。中高分辨率影像常用的监督分类方法等传统的分布提取，在生产实践过程中需要通过人工进行目视解译，过于依赖人工经验，其提取精度结果取决于作业人员专业水平程度，而且需要消耗大量时间，不能满足业务化需求。

发明内容

本发明提出一种基于深度学习的高分辨率影像农作物自动提取方法及装置，用于提取目标农作物的分布区域。

本发明第一方面，提出一种基于深度学习的高分辨率影像农作物自动提取方法，所述方法包括：

S1、获取目标农作物不同物候期的高分辨率影像，制作标准样本并保存为矢量格式，得到标记的矢量样本；

S2、构建卷积神经网络模型，通过每个物候期的高分辨率影像以及对应的矢量样本分别训练所述卷积神经网络模型，得到不同物候期的分类模型；

S3、根据待分类数据的类型，从不同物候期的分类模型中匹配出与待分类数据相对应的物候期的分类模型；

S4、根据待分类数据的类型及匹配到的物候期的分类模型进行目标农作物分布提取。

优选的，所述步骤S1中，所述目标农作物包括油菜，油菜的不同物候期包括现蕾、抽薹、开花、成熟时期。

优选的，所述步骤S2中，模型优化器选择Adam，激活函数选择softmax函数，损失函数选择均方根误差函数，学习率为1×10^-5。

优选的，所述步骤S3的具体过程为：

若输入的待分类数据中包括标记的矢量样本、待预测影像，计算待分类的矢量样本和所述不同物候期的矢量样本的欧式距离，通过相似度匹配获得与待分类矢量样本相似度最高的分类模型；

若输入的待分类数据为待预测影像，根据待分类的高分辨率影像的日期，匹配获得与该日期最接近的物候期的分类模型；

优选的，所述步骤S4的具体过程为：

若输入的待分类数据为待预测影像和标记的矢量样本，通过匹配到的物候期的分类模型对待分类数据进行预测，得到初步分类结果，使用归一化植被指数进行阈值约束，得到最终分类结果；

若输入的待分类数据为待预测影像，通过匹配到的物候期的分类模型对待预测影像进行预测，得到最终分类结果。

优选的，如果存在多时相数据，根据待分类数据的不同类型，循环对单期影像进行预测，最后对多个分类结果进行求交，获得最终的分类结果。

本发明第二方面，公开一种基于深度学习的高分辨率影像农作物自动提取装置，所述装置包括：

样本制作模块：用于获取目标农作物不同物候期的高分辨率影像，制作标准样本并保存为矢量格式，得到标记的矢量样本；

模型训练模块：用于构建卷积神经网络模型，通过每个物候期的高分辨率影像以及对应的矢量样本分别训练所述卷积神经网络模型，得到不同物候期的分类模型；

模型匹配模块：用于根据输入的待分类数据的类型，从不同物候期的分类模型中匹配出与待分类数据对应的物候期的分类模型；

分类预测模块：用于根据待分类数据的类型及匹配到的物候期的分类模型进行目标农作物分布提取。

优选的，所述模型匹配模块具体包括：

第一匹配单元：若输入的待分类数据中包括标记的矢量样本、待预测影像，计算待分类的矢量样本和所述不同物候期的矢量样本的欧式距离，通过相似度匹配获得与待分类矢量样本相似度最高的分类模型；

第二匹配单元：若输入的待分类数据为待预测影像，根据待分类的高分辨率影像的日期，匹配获得与该日期最接近的物候期的分类模型。

优选的，所述分类预测模块具体包括：

第一预测单元：若输入的待分类数据为待预测影像和标记的矢量样本，通过匹配到的相应物候期的分类模型对待分类数据进行预测，得到初步分类结果，使用归一化植被指数进行阈值约束，得到最终分类结果；

第二预测单元：若输入的待分类数据为待预测影像，通过匹配到的物候期的分类模型对待预测影像进行预测，得到最终分类结果。

优选的，所述分类预测模块中，如果存在多时相数据，根据待分类数据的不同类型，循环对单期影像进行预测，最后对多个分类结果进行求交，获得最终的分类结果。

本发明的有益效果是：

1.不依赖于人工经验，结果可信度更高。

2.自动化运行。输入需要进行目标农作物提取的影像，不需要调节参数，就可以完成自动化运行，得到分类结果。

3.大量降低了人工成本，提高了时间效率使得目标农作物提取业务化运行，成为了可能。

附图说明

为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于深度学习的农作物自动提取方法流程示意图；

图2为本发明提供的模型训练和分情况预测的流程框图；

图3为本发明提供的基于深度学习的农作物自动提取装置结构示意图。

具体实施方式

本发明从深度学习算法出发，通过训练目标农作物多个典型物候期的样本，生成不同物候期的分类模型。根据输入的数据类型，选择不同的业务流程，得到目标农作物识别结果。输入数据如果含有少量的矢量样本，则通过相似度算法，自动选择合适的分类模型，并且加入归一化植被指数(NDVI)进行约束，得到最终分布结果。如果仅输入待预测影像，则通过影像日期，选择日期最近的分类模型，得到分类结果。过程中不需要调节相关参数，也不依赖人工经验，结果具有一定的可信度。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明提出的一种基于深度学习的高分辨率影像农作物自动提取方法流程示意图，所述方法包括：

所述目标农作物是需要进行分类识别的某一种农作物，在农作物的生长周期中，其外部形态特征总是呈现若干次显著的变化，根据这些变化可将农作物划分为几个典型的物候期，以油菜为例，油菜的不同物候期包括现蕾、抽薹、开花、成熟时期。本发明所述目标农作物可以是油菜，但不限于油菜，也可以是其他具有典型物候期的农作物，比如禾谷类，禾谷类的典型物候期可以包括出苗期、分蘖期、拨节期、抽穗期、开花期、成熟期等；比如豆类的典型物候期可以包括出苗期、分枝期、开花期、结荚期、鼓粒期、成熟期等；比如棉花的典型物候期可以包括出苗期、现蕾期、花铃期、吐絮期等。

本发明以油菜为例，来说明进行农作物分布自动提取的原理。首先准备油菜不同物候期高质量的高分1号影像，以湖北省为例，日期选取在2月下旬至5月中旬，分别对应油菜的现蕾、抽薹、开花、成熟、收获时期。在常见的GIS相关软件中勾绘出图像内油菜及其他地物(如建筑物、水体、林地等)的标准样本，并标记为不同属性，最后将成果保存为矢量格式。

建立卷积神经网络模型CNN，通过每个物候期的高分辨率影像以及其对应的矢量样本，分别训练得到每个物候期的模型。训练时，按照9:1的比例将影像和矢量样本分为训练样本和验证样本。其中，优化器选择Adam，激活函数选择softmax函数，损失函数选择均方根误差函数，学习率为1×10^-5。

S3、根据待分类数据的类型，从不同物候期的分类模型中匹配出与待分类数据相对应的物候期的分类模型；进一步的，若输入的待分类数据中包括标记的矢量样本、待预测影像，通过相似度匹配获得与待分类矢量样本相似度最高的分类模型；若输入的待分类数据为待预测影像，根据待分类的高分辨率影像的日期，匹配获得与该日期最接近的物候期的分类模型；

S4、根据待分类数据的类型及匹配到的物候期的分类模型进行目标农作物分布提取。进一步的，若输入的待分类数据为待预测影像和标记的矢量样本，通过匹配到的物候期的分类模型对待分类数据进行预测，得到初步分类结果，使用归一化植被指数进行阈值约束，得到最终分类结果；若输入的待分类数据为待预测影像，通过匹配到的物候期的分类模型对待预测影像进行预测，得到最终分类结果。

步骤S3、S4根据输入数据的不同类型，选择不同的匹配方法，各自从多个物候期的分类模型中匹配得到最佳的分类模型，最后通过不同的分类流程各自得到最终分类结果。根据输入的待分类数据的类型，可以分为两种情况进行预测，一种是输入的待分类数据中有高分辨率影像数据和少量矢量类型的标记样本，另一种是只输入高分辨率影像数据。请参阅图2，图2为模型训练和分情况预测的流程示意图，通过模型训练得到多个不同物候期的分类模型后，分两种情况进行预测。将输入的待分类数据中有影像数据和少量矢量类型的标记样本的情况记为预测1，将只输入高分辨率影像数据的情况记为预测2，则分情况预测的实现方法为：

预测1：若待分类数据为目标农作物的高分辨率影像和标记的矢量样本，则计算待分类的矢量样本和所述不同物候期的分类模型的矢量样本的欧式距离，通过相似度匹配，获得相似度最高的物候期的分类模型；通过所述相似度最高的物候期的分类模型对待分类数据进行分类，获得初步分类结果；再分析输入的矢量样本的归一化植被指数的最大最小值，设定阈值对最大最小值范围进行约束，得到最终的分类结果；本发明中可设定阈值为0.05。

预测2：若待分类数据为目标农作物的高分辨率影像，则根据待分类的高分辨率影像的日期，匹配获得与该日期最接近的物候期的分类模型，通过所述最接近的物候期分类模型预测待分类数据，得到最终分类结果。

此外，如果输入的待分类数据中存在多时相数据，则根据待分类数据的不同类型，循环对单期影像进行预测，最后对多个分类结果进行求交，获得最终的分类结果。即根据待分类数据的不同类型采用步骤S3、S4相同的方法对单期影像进行预测，然后对多个分类结果进行求交，获得最终的分类结果。

请参阅图3，本发明提供一种基于深度学习的高分辨率影像农作物自动提取装置，所述装置包括：

样本制作模块310：用于获取目标农作物不同物候期的高分辨率影像，制作标准样本并保存为矢量格式，得到标记的矢量样本；

进一步的，所述样本制作模块210中，所述目标农作物包括油菜，油菜的不同物候期包括现蕾、抽薹、开花、成熟时期。

模型训练模块320：用于构建卷积神经网络模型，通过每个物候期的高分辨率影像以及对应的矢量样本分别训练所述卷积神经网络模型，得到不同物候期的分类模型；进一步的，所述模型训练模块320中，模型优化器选择Adam，激活函数选择softmax函数，损失函数选择均方根误差函数，学习率为1×10^-5。

模型匹配模块330：用于根据输入的待分类数据的类型，从不同物候期的分类模型中匹配出与待分类数据对应的物候期的分类模型；所述模型匹配模块330具体包括：

第一匹配单元：若输入的待分类数据中包括标记的矢量样本，计算待分类的矢量样本和所述不同物候期的矢量样本的欧式距离，通过相似度匹配获得与待分类矢量样本相似度最高的分类模型；

分类预测模块340：用于根据待分类数据的类型及匹配到的物候期的分类模型进行目标农作物分布提取。所述分类预测模块具体包括：

进一步的，所述预测分类模块中，如果输入的待分类数据中存在多时相数据，根据待分类数据的不同类型，循环对单期影像进行预测，最后对多个分类结果进行求交，获得最终的分类结果。

本发明从深度学习算法出发，通过训练目标农作物多个典型物候期的样本，生成不同物候期的分类模型。根据输入的数据类型，选择不同的业务流程，得到农作物识别结果。过程中不需要调节相关参数，也不依赖人工经验，结果具有较好的可信度。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述，在此不再赘述。本发明中其他没有详述的技术特征为本领域公知常识，不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种基于深度学习的高分辨率影像农作物自动提取方法，其特征在于，所述方法包括：

S4、根据待分类数据的类型及匹配到相应的物候期的分类模型进行目标农作物分布提取。

2.根据权利要求1所述基于深度学习的高分辨率影像农作物自动提取方法，其特征在于，所述步骤S1中，所述目标农作物包括油菜，油菜的不同物候期包括现蕾、抽薹、开花、成熟时期。

3.根据权利要求1所述基于深度学习的高分辨率影像农作物自动提取方法，其特征在于，所述步骤S2中，模型优化器选择Adam，激活函数选择softmax函数，损失函数选择均方根误差函数，学习率为1×10^-5。

4.根据权利要求1所述基于深度学习的高分辨率影像农作物自动提取方法，其特征在于，所述步骤S3的具体过程为：

若输入的待分类数据为待预测影像，根据待分类的高分辨率影像的日期，匹配获得与该日期最接近的物候期的分类模型。

5.根据权利要求4所述基于深度学习的高分辨率影像农作物自动提取方法，其特征在于，所述步骤S4的具体过程为：

6.根据权利要求5所述基于深度学习的高分辨率影像农作物自动提取方法，其特征在于，如果存在多时相数据，根据待分类数据的不同类型，循环对单期影像进行预测，最后对多个分类结果进行求交，获得最终的分类结果。

7.一种基于深度学习的高分辨率影像农作物自动提取装置，其特征在于，所述装置包括：

8.根据权利要求7所述基于深度学习的高分辨率影像农作物自动提取装置，其特征在于，所述模型匹配模块具体包括：

9.根据权利要求8所述基于深度学习的高分辨率影像农作物自动提取装置，其特征在于，所述分类预测模块具体包括：

10.根据权利要求7所述基于深度学习的高分辨率影像农作物自动提取装置，其特征在于，所述分类预测模块中，如果存在多时相数据，根据待分类数据的不同类型，循环对单期影像进行预测，最后对多个分类结果进行求交，获得最终的分类结果。