CN110929592A - 一种用于海上养殖区外边界的提取方法及系统 - Google Patents
一种用于海上养殖区外边界的提取方法及系统 Download PDFInfo
- Publication number
- CN110929592A CN110929592A CN201911078286.4A CN201911078286A CN110929592A CN 110929592 A CN110929592 A CN 110929592A CN 201911078286 A CN201911078286 A CN 201911078286A CN 110929592 A CN110929592 A CN 110929592A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- satellite remote
- image
- mariculture
- area
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 129
- 238000009364 mariculture Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 14
- 238000010187 selection method Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000000414 obstructive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000010923 batch production Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种用于海上养殖区外边界的提取方法及系统。该方法包括：获取卫星遥感源数据；将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。本发明实施例通过充分利用卫星遥感技术的监测优势，结合目前被广泛使用的深度学习模型，可达到海上养殖区最大外边界实时、大范围、准确和自动监测的目的。
Description
技术领域
本发明涉及遥感技术领域，尤其涉及一种用于海上养殖区外边界的提取方法及系统。
背景技术
近年来，随着海上船舶通航尺度以及数量的大幅增长和海上养殖业的不断扩张，商船误入水产养殖区的事故时有发生，不仅给船舶公司和养殖业造成很大程度的经济损失，影响船舶航行安全，严重的还会引发治安事故。因此及时、准确地获取海上养殖区位置、范围等信息，对保障海上船舶航行和锚泊安全至关重要。在传统的海事监管中，多通过船舶现场巡视的方式调查养殖区分布，这种方法一方面存在成本高、客观性不足、误闯率大等问题，另一方面容易受到海上天气的影响，难以实现大范围的养殖区调查，且信息更新频率低、准确性低。近期，海上无人机巡视发展迅速，但由于其高昂的成本和严苛的飞行环境，在养殖区调查中发挥的作用有限。而卫星遥感技术以其覆盖范围广、多时相和周期短等优点，是一项逐渐成熟的对地观测技术。而且随着国内外众多系列卫星的逐渐涌现，遥感卫星数据的获取能力也逐步提高，可以弥补传统调查方法的不足，能够实时、客观、大范围地对养殖区动态变化进行监测，不仅可克服现场调查和无人机巡视的不足，也为海事部门监管辖区养殖水域和海上碍航调查工作提供有效参考。
目前利用卫星遥感影像进行海上养殖区提取，常用的方法主要有基于专家知识的目视解译法、植被指数分析法、对应分析纹理信息法、基于空间结构分析的信息提取和基于面向对象的信息提取方法。这些识别方法各有优劣，对一定范围内的海水养殖区有着较高的识别提取精度，但较多侧重于单个养殖区块的识别和提取，而且难以满足大范围养殖区快捷、准确提取的实际要求。而海上养殖区普查侧重于海上养殖区所覆盖的整体范围，一般选择养殖区的最大外边界，对于小块纯水域仍然计入养殖区域。但是遥感影像目标中,养殖区目标具有分布广泛、分散和特征多样等特点,且养殖区周边的海水背景复杂，在风力较大情况下获取的遥感图像会产生细小密集的亮暗条纹，这些现实因素都为大范围、客观、准确、及时提取养殖区范围的最大外边界带来了巨大挑战。对中外文献进行检索，现有技术中鲜有针对海上养殖区普查的相关研究，因此，海上养殖区最大外边界的智能化解译和提取研究是亟待解决的问题。
发明内容
本发明实施例提供一种用于海上养殖区外边界的提取方法及系统，用以解决现有技术中仅能对单个养殖区块进行识别和提取，对大范围的养殖区域识别精度低，效率低下的问题。
第一方面，本发明实施例提供一种用于海上养殖区外边界的提取方法，包括：
获取卫星遥感源数据；
将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
优选地，还包括：
基于地理参考信息生成海上养殖区矢量结果；
获取电子海图，基于GIS技术将所述电子海图中的航道信息和锚地信息进行矢量化，得到航道锚地矢量结果；
将所述航道锚地矢量结果与所述海上养殖区矢量结果进行叠加显示，获得碍航养殖的养殖区信息。
优选地，所述海上养殖区提取模型，通过以下步骤获得：
获取包含海上养殖区的卫星遥感影像集合；
将所述卫星遥感影像集合输入所述预处理程序进行处理，得到卫星遥感影像数据集合；
采用样本标注工具对海上养殖区进行人工目视解译，得到与所述卫星遥感影像数据集合相匹配的海上养殖区真值数据集；
按照预设比例筛选所述卫星遥感影像数据集合，得到所述卫星遥感样本集图像，筛选所述卫星遥感影像数据集合的剩余部分作为卫星遥感测试集图像；
将所述卫星遥感样本集图像和对应的卫星遥感真值集图像通过随机选取法制作训练数据集和验证数据集；
获取至少一种深度学习语义分割模型作为初始模型集合；将所述训练数据集和所述验证数据集输入所述初始模型集合进行训练，得到初始提取模型集合；
将所述卫星遥感测试集图像输入所述初始提取模型集合，按照所述遥感精度识别标准对所述初始提取模型集合进行精度评价，得到所述精度等级标签；
提取满足预设精度等级对应的所述精度等级标签，选择与所述精度等级标签对应的初始提取模型作为所述海上养殖区提取模型。
优选地，所述将所述卫星遥感影像集合输入所述预处理程序处理，得到卫星遥感影像数据集合，具体包括：
基于遥感图像处理平台对所述卫星遥感影像集合进行投影变换、辐射定标、大气校正、重采样、海陆分离和影像增强等处理，得到预处理卫星遥感影像集合；
提取所述预处理卫星遥感影像集合中的RGB真彩色图像集合，获取所述卫星遥感影像数据集合。
优选地，所述按照预设比例筛选所述卫星遥感影像数据集合，得到所述卫星遥感样本集图像，筛选所述卫星遥感影像数据集合的剩余部分作为卫星遥感测试集图像，具体包括：
采用所述随机选取法，按照所述预设比例对所述卫星遥感样本集图像和对应的所述卫星遥感真值集图像进行样本选取，采用预设尺寸进行裁剪，并随机划分得到所述卫星遥感样本集图像；
将所述卫星遥感影像数据集合中除去所述卫星遥感样本集图像，剩余部分作为所述训练数据集和验证数据集。
优选地，所述将所述卫星遥感测试集图像输入所述初始提取模型集合，按照所述遥感精度识别标准对所述初始提取模型集合进行精度评价，得到所述精度等级标签，具体包括：
基于准确率、召回率和综合评价F值，并结合与所述卫星遥感测试集图像相对应的所述卫星遥感真值集图像，对所述初始提取模型集合进行精度评价，得到所述精度等级标签。
第二方面，本发明实施例提供一种用于海上养殖区外边界的提取系统，包括：
获取模块，用于获取卫星遥感源数据；
处理模块，用于将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
优选地，还包括：
提取转换查看模块，用于基于地理参考信息生成海上养殖区矢量结果；获取电子海图，基于GIS技术将所述电子海图中的航道信息和锚地信息进行矢量化，得到航道锚地矢量结果；将所述航道锚地矢量结果与所述海上养殖区矢量结果进行叠加显示，获得碍航养殖的养殖区分布信息。
第三方面，本发明实施例提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述用于海上养殖区外边界的提取方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述用于海上养殖区外边界的提取方法的步骤。
本发明实施例提供的用于海上养殖区外边界的提取方法及系统，通过充分利用卫星遥感技术的监测优势，结合目前被广泛使用的深度学习模型，可达到海上养殖区最大外边界实时、大范围、准确和自动监测的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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为本发明实施例提供的一种用于海上养殖区外边界的提取方法流程图；
图2为本发明实施例提供的海上养殖区提取模型获取流程图；
图3为本发明实施例提供的一种用于海上养殖区外边界的提取系统结构图；
图4为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种用于海上养殖区外边界的提取方法流程图，如图1所示，包括：
S1，获取卫星遥感源数据；
S2，将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
具体地，步骤S1中，获取待识别的源数据，该源数据通过各遥感卫星系统拍摄获取；
步骤S2中，采用大量卫星遥感样本集图像经过预处理程序作相应处理后来训练获得海上养殖区提取模型，其中该提取模型的精度等级由精度等级标签来评价，再将获取的卫星遥感源数据输入至训练好的海上养殖区提取模型，输出得到养殖区提取结果。
本发明实施例通过充分利用卫星遥感技术的监测优势，结合目前被广泛使用的深度学习模型，可达到海上养殖区最大外边界实时、大范围、准确和自动监测的目的。
基于上述实施例，还包括：
基于地理参考信息生成海上养殖区矢量结果；
获取电子海图，基于GIS技术将所述电子海图中的航道信息和锚地信息进行矢量化，得到航道锚地矢量结果；
将所述航道锚地矢量结果与所述海上养殖区矢量结果进行叠加显示，获得碍航养殖的养殖区信息。
具体地，由海上养殖区提取模型输出得到养殖区提取结果之后，进一步地，结合地理参考信息生成海上养殖区矢量结果，该矢量文件为shapefile矢量文件，此处，是美国环境系统研究所公司(ESRI)开发的一种空间数据开放格式，该文件格式已经成为了地理信息软件界的一个开放标准，Shapefile也是一种重要的交换格式，它能够在ESRI与其他公司的产品之间进行数据互操作。shapefile矢量包含面积信息，本发明实施例采用平方千米表示。
然后利用GIS技术，在电子海图中将航道、锚地信息矢量化，与卫星遥感提取出来的海上养殖区矢量结果进行叠加显示，便可判断出侵占航道和锚地的养殖区，获得碍航养殖区分布信息，该信息包括面积和分布图。
本发明实施例通过在提取海上养殖区信息的基础上，进一步通过与电子海图叠加显示，可判断侵占航道或锚地水域的养殖区分布，为海事部门及时了解辖区水域养殖概况提供科学依据。
基于上述任一实施例，图2为本发明实施例提供的海上养殖区提取模型获取流程图，由图2所示，所述海上养殖区提取模型，通过以下步骤获得：
101，获取包含海上养殖区的卫星遥感影像集合；
102，将所述卫星遥感影像集合输入所述预处理程序进行处理，得到卫星遥感影像数据集合；
103，采用样本标注工具对海上养殖区进行人工目视解译，得到与所述卫星遥感影像数据集合相匹配的海上养殖区真值数据集；
104，按照预设比例筛选所述卫星遥感影像数据集合，得到所述卫星遥感样本集图像，筛选所述卫星遥感影像数据集合的剩余部分作为卫星遥感测试集图像；
105，将所述卫星遥感样本集图像和对应的卫星遥感真值集图像通过随机选取法制作训练数据集和验证数据集；
106，获取至少一种深度学习语义分割模型作为初始模型集合；
107，将所述训练数据集和所述验证数据集输入所述初始模型集合进行训练，得到初始提取模型集合；
108，将所述卫星遥感测试集图像输入所述初始提取模型集合，按照所述遥感精度识别标准对所述初始提取模型集合进行精度评价，得到所述精度等级标签；
109，提取满足预设精度等级对应的所述精度等级标签，选择与所述精度等级标签对应的初始提取模型作为所述海上养殖区提取模型。
具体地，步骤101中，首先获取一定数量的卫星遥感影像集合，该影像集合全部为包含海上养殖区的图像，包含多种可免费获取的中-高分辨率卫星遥感影像，主流的数据包括：32景GF-1WFV数据、28景Landast 8OLI数据、29景Sentinel 2A/B数据，本发明实施例以辽宁、山东和福建三个水产养殖区域为主，基本覆盖中国沿海地带。
步骤102中，对卫星遥感影像集合进行一系列的预处理，得到卫星遥感影像数据集合；
步骤103中，利用样本标注工具，这里采用labelme样本标注工具对海上养殖区进行人工目视解译，得到人工目视解译真值。此处，labelme是麻省理工(MIT)的计算机科学和人工智能实验室(CSAIL)研发的图像标注工具，人们可以使用该工具创建定制化标注任务或执行图像标注，项目源代码已经开源。
步骤104中，在经过预处理得到的卫星遥感影像数据集合中，按照一定的预设比例进行筛选，本发明实施例选取95％，得到卫星遥感样本集图像，然后将剩余的5％作为卫星遥感测试集图像；
步骤105中，再将步骤104中筛选出来的卫星遥感样本集图像和对应的卫星遥感真值集图像通过随机选取法分成训练数据集和验证数据集；
步骤106中，搭建MASK-RCNN、FCN、U-Net和Segnet等深度学习网络模型训练框架；
步骤107中，再将步骤104筛选出的卫星遥感样本集图像分别输入到步骤106中构建的几种深度学习网络模型训练框架进行训练，得到初始提取模型的集合；此处，训练模型所采用的具体环境：GPU：1080ti、8G内存，Ubuntu16.04、Python＝3.7、TensorFlow＝1.14.0、Keras＝2.0.8；
步骤108中，将卫星遥感测试集图像输入到步骤107中构建的几种初始提取模型中，按照预定的遥感精度识别标准对初始提取模型集合进行精度评价，得到精度等级标签；
步骤109中，最后按照预设精度等级提取出对应的精度等级标签，将与该精度等级标签对应的初始提取模型作为最终的海上养殖区提取模型。
本发明实施例通过基于多种深度学习网络模型，优选适用的模型，确保海上养殖区提取的可靠性和准确性。
基于上述任一实施例，所述将所述卫星遥感影像集合输入所述预处理程序处理，得到卫星遥感影像数据集合，具体包括：
基于遥感图像处理平台对所述卫星遥感影像集合进行投影变换、辐射定标、大气校正、重采样、海陆分离和影像增强等处理，得到预处理卫星遥感影像集合；
提取所述预处理卫星遥感影像集合中的RGB真彩色图像集合，获取所述卫星遥感影像数据集合。
具体地，采用ENVI/IDL 5.3的相应模型二次开发方法实现批处理，ENVI是一个完整的遥感图像处理平台，应用汇集中的软件处理技术覆盖了图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析。该预处理主要包括投影变换、辐射定标、大气校正、重采样、海陆分离和影像增强等数据操作。
进一步地，由于深度学习主要用于处理RGB图像，本发明实施例选择蓝波段、绿波段和红波段三波段组成的RGB真彩色图像制作样本数据集。
本发明实施例通过对获取的原始卫星遥感影像进行一系列的预处理，转换为便于识别和批处理的标准图像格式，便于实施后续的模型训练和结果识别。
基于上述任一实施例，所述按照预设比例筛选所述卫星遥感影像数据集合，得到所述卫星遥感样本集图像，筛选所述卫星遥感影像数据集合的剩余部分作为卫星遥感测试集图像，具体包括：
采用所述随机选取法，按照所述预设比例对所述卫星遥感影像数据集合和对应的所述卫星遥感真值集图像进行样本选取，采用预设尺寸进行裁剪，并随机划分得到所述训练数据集和所述验证数据集；
将所述卫星遥感影像数据集合中除去所述卫星遥感样本集图像，剩余部分作为所述卫星遥感测试集图像。
具体地，制作样本数据集时，随机选择95％的卫星遥感图像，样本图像统一取预设尺寸的大小，这里取512×512像素大小进行裁剪，同时剩余的5％的卫星遥感图像作为卫星遥感测试机图像。本发明实施例采用的随机选取法进行样本选取，该方法能增强样本随机性，是较为灵活和高效的样本选择方法，同时为了增强样本，防止模型出现过拟合的现象，对随机选取的样本进行随即翻转，即不翻转、水平翻转或者垂直翻转的操作，以达到样本增强的目的，并将制作好的样本数据集随机分为训练数据集和验证数据集，将训练数据集和验证数据集输入到初始模型集合，直到分割精度平稳，损失函数不再下降。
本发明实施例采用的随机筛选样本集的方法，可拓展性好，同时在训练样本集中添加由不同的卫星遥感图像数据制作的样本集，在现有模型的基础上迭代训练新的模型，以适应不同传感器的遥感卫星影像。
基于上述任一实施例，所述将所述卫星遥感测试集图像输入所述初始提取模型集合，按照所述遥感精度识别标准对所述初始提取模型集合进行精度评价，得到所述精度等级标签，具体包括：
基于准确率、召回率和综合评价F值，并结合所述卫星遥感测试集图像相对应的所述卫星遥感真值集图像，对所述初始提取模型集合进行精度评价，得到所述精度等级标签。
具体地，结合人工目视解译真值，利用3个常用的精度指标：准确率，召回率和综合评价F值进行海上养殖区最大外边界提取结果的精度评价，再结合卫星遥感测试集图像相对应的卫星遥感真值集图像，此处，卫星遥感真值集图像也是结合人工目视解译真值得到的，最后通过这三个精度指标优选最适用的海上养殖区提取模型。
本发明实施例通过结合精度指标对初始提取模型进行筛选，选择合适的海上养殖区提取模型，输出更为精确的提取结果。
图3为本发明实施例提供的一种用于海上养殖区外边界的提取系统结构图，如图3所示，包括：获取模块31和处理模块32,；其中：
获取模块31用于获取卫星遥感源数据；处理模块32用于将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
本发明实施例提供的系统用于执行上述对应的方法，其具体的实施方式与方法的实施方式一致，涉及的算法流程与对应的方法算法流程相同，此处不再赘述。
本发明实施例通过充分利用卫星遥感技术的监测优势，结合目前被广泛使用的深度学习模型，可达到海上养殖区最大外边界实时、大范围、准确和自动监测的目的。
基于上述任一实施例，该系统还包括提取转换查看模块33，所述提取转换查看模块33用于基于地理参考信息生成海上养殖区矢量结果；获取电子海图，基于GIS技术将所述电子海图中的航道信息和锚地信息进行矢量化，得到航道锚地矢量结果；将所述航道锚地矢量结果与所述海上养殖区矢量结果进行叠加显示，获得侵占航道养殖区分布信息。
本发明实施例通过在提取海上养殖区信息的基础上，进一步通过与电子海图叠加显示，可判断侵占航道或锚地水域的养殖区分布，为海事部门及时了解辖区水域养殖概况提供科学依据。
基于上述任一实施例，处理模块32中的所述海上养殖区提取模型，包括第一获取子模块321、预处理子模块322、解译子模块323、筛选子模块324、选取子模块325、第二获取子模块326、训练子模块327、评价子模块328和提取子模块329；其中：
第一获取子模块321用于获取包含海上养殖区的卫星遥感影像集合；预处理子模块322用于将所述卫星遥感影像集合输入所述预处理程序进行处理，得到卫星遥感影像数据集合；解译子模块323用于采用样本标注工具对海上养殖区进行人工目视解译，得到与所述卫星遥感影像数据集合相匹配的海上养殖区真值数据集；筛选子模块324用于按照预设比例筛选所述卫星遥感影像数据集合，得到所述卫星遥感样本集图像，筛选所述卫星遥感影像数据集合的剩余部分作为卫星遥感测试集图像；选取子模块325用于将所述卫星遥感样本集图像和对应的卫星遥感真值集图像通过随机选取法制作训练数据集和验证数据集；第二获取子模块326用于获取至少一种深度学习语义分割模型作为初始模型集合；训练子模块327用于将所述训练数据集和所述验证数据集输入所述初始模型集合进行训练，得到初始提取模型集合；评价子模块328用于将所述卫星遥感测试集图像输入所述初始提取模型集合，按照所述遥感精度识别标准对所述初始提取模型集合进行精度评价，得到所述精度等级标签；提取子模块329用于提取满足预设精度等级对应的所述精度等级标签，选择与所述精度等级标签对应的初始提取模型作为所述海上养殖区提取模型。
本发明实施例通过基于多种深度学习网络模型，优选适用的模型，确保海上养殖区提取的可靠性和准确性。
基于上述任一实施例，所述预处理子模块322具体用于基于遥感图像处理平台对所述卫星遥感影像集合进行投影变换、辐射定标、大气校正、重采样、海陆分离和影像增强等处理，得到预处理卫星遥感影像集合；提取所述预处理卫星遥感影像集合中的RGB真彩色图像集合，获取所述卫星遥感影像数据集合。
本发明实施例通过对获取的原始卫星遥感影像进行一系列的预处理，转换为便于识别和批处理的标准图像格式，便于实施后续的模型训练和结果识别。
基于上述任一实施例，所述筛选子模块324具体用于：
采用所述随机选取法，按照所述预设比例对所述卫星遥感影像数据集合和对应的所述卫星遥感真值集图像进行样本选取，采用预设尺寸进行裁剪，并随机划分得到所述卫星遥感样本集图像；将所述卫星遥感影像数据集合中除去所述卫星遥感样本集图像，剩余部分作为所述卫星遥感测试集图像。
本发明实施例采用的随机筛选样本集的方法，可拓展性好，同时在训练样本集中添加由不同的卫星遥感图像数据制作的样本集，在现有模型的基础上迭代训练新的模型，以适应不同传感器的遥感卫星影像。
基于上述任一实施例，所述评价子模块328具体用于基于准确率、召回率和综合评价F值，并结合与所述卫星遥感测试集图像相对应的所述卫星遥感真值集图像，对所述初始提取模型集合进行精度评价，得到所述精度等级标签。
本发明实施例通过结合精度指标对初始提取模型进行筛选，选择合适的海上养殖区提取模型，输出更为精确的提取结果。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：获取卫星遥感源数据；将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
此外，上述的存储器430中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取卫星遥感源数据；将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (10)
1.一种用于海上养殖区外边界的提取方法，其特征在于，包括：
获取卫星遥感源数据；
将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
2.根据权利要求1所述的用于海上养殖区外边界的提取方法，其特征在于，还包括：
基于地理参考信息生成海上养殖区矢量结果；
获取电子海图，基于GIS技术将所述电子海图中的航道信息和锚地信息进行矢量化，得到航道锚地矢量结果；
将所述航道锚地矢量结果与所述海上养殖区矢量结果进行叠加显示，获得碍航养殖的养殖区分布信息。
3.根据权利要求1所述的用于海上养殖区外边界的提取方法，其特征在于，所述海上养殖区提取模型，通过以下步骤获得：
获取包含海上养殖区的卫星遥感影像集合；
将所述卫星遥感影像集合输入所述预处理程序进行处理，得到卫星遥感影像数据集合；
采用样本标注工具对海上养殖区进行人工目视解译，得到与所述卫星遥感影像数据集合相匹配的海上养殖区真值数据集；
按照预设比例筛选所述卫星遥感影像数据集合，得到所述卫星遥感样本集图像，筛选所述卫星遥感影像数据集合的剩余部分作为卫星遥感测试集图像；
将所述卫星遥感样本集图像和对应的卫星遥感真值集图像通过随机选取法制作训练数据集和验证数据集；
获取至少一种深度学习语义分割模型作为初始模型集合；
将所述训练数据集和所述验证数据集输入所述初始模型集合进行训练，得到初始提取模型集合；
将所述卫星遥感测试集图像输入所述初始提取模型集合，按照所述遥感精度识别标准对所述初始提取模型集合进行精度评价，得到所述精度等级标签；
提取满足预设精度等级对应的所述精度等级标签，选择与所述精度等级标签对应的初始提取模型作为所述海上养殖区提取模型。
4.根据权利要求3所述的用于海上养殖区外边界的提取方法，其特征在于，所述将所述卫星遥感影像集合输入所述预处理程序处理，得到卫星遥感影像数据集合，具体包括：
基于遥感图像处理平台对所述卫星遥感影像集合进行投影变换、辐射定标、大气校正、重采样、海陆分离和影像增强等处理，得到预处理卫星遥感影像集合；
提取所述预处理卫星遥感影像集合中的RGB真彩色图像集合，获取所述卫星遥感影像数据集合。
5.根据权利要求3所述的用于海上养殖区外边界的提取方法，其特征在于，所述按照预设比例筛选所述卫星遥感影像数据集合，得到所述卫星遥感样本集图像，筛选所述卫星遥感影像数据集合的剩余部分作为卫星遥感测试集图像，具体包括：
采用所述随机选取法，按照所述预设比例对所述卫星遥感样本集图像和对应的所述卫星遥感真值集图像进行样本选取，采用预设尺寸进行裁剪，并随机划分得到所述训练数据集和验证数据集；
将所述卫星遥感影像数据集合中除去所述卫星遥感样本集图像，剩余部分作为所述卫星遥感测试集图像。
6.根据权利要求3所述的用于海上养殖区外边界的提取方法，其特征在于，所述将所述卫星遥感测试集图像输入所述初始提取模型集合，按照所述遥感精度识别标准对所述初始提取模型集合进行精度评价，得到所述精度等级标签，具体包括：
基于准确率、召回率和综合评价F值，并结合与所述卫星遥感测试集图像相对应的所述卫星遥感真值集图像，对所述初始提取模型集合进行精度评价，得到所述精度等级标签。
7.一种用于海上养殖区外边界的提取系统，其特征在于，包括：
获取模块，用于获取卫星遥感源数据；
处理模块，用于将所述卫星遥感源数据经过预处理程序处理后输入至预先训练好的海上养殖区提取模型，获取所述海上养殖区提取模型输出的养殖区提取结果；其中所述海上养殖区提取模型，是基于卫星遥感样本集图像，以及按照遥感精度识别标准进行分类所得的精度等级标签训练得到的。
8.根据权利要求7所述的用于海上养殖区外边界的提取系统，其特征在于，还包括：
提取转换查看模块，用于基于地理参考信息生成海上养殖区矢量结果；获取电子海图，基于GIS技术将所述电子海图中的航道信息和锚地信息进行矢量化，得到航道锚地矢量结果；将所述航道锚地矢量结果与所述海上养殖区矢量结果进行叠加显示，获得碍航养殖的养殖区分布信息。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述用于海上养殖区外边界的提取方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述用于海上养殖区外边界的提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911078286.4A CN110929592A (zh) | 2019-11-06 | 2019-11-06 | 一种用于海上养殖区外边界的提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911078286.4A CN110929592A (zh) | 2019-11-06 | 2019-11-06 | 一种用于海上养殖区外边界的提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929592A true CN110929592A (zh) | 2020-03-27 |
Family
ID=69853407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911078286.4A Pending CN110929592A (zh) | 2019-11-06 | 2019-11-06 | 一种用于海上养殖区外边界的提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929592A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 一种长时序的河湖围埂养殖区域监测方法 |
| CN112016391A (zh) * | 2020-07-16 | 2020-12-01 | 珠海欧比特宇航科技股份有限公司 | 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质 |
| CN112633171A (zh) * | 2020-12-23 | 2021-04-09 | 北京恒达时讯科技股份有限公司 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
| CN112766155A (zh) * | 2021-01-19 | 2021-05-07 | 山东华宇航天空间技术有限公司 | 一种基于深度学习的海水养殖区提取方法 |
| CN113129248A (zh) * | 2021-04-29 | 2021-07-16 | 中山大学 | 一种海岛遥感影像集获得方法、装置、设备及介质 |
| CN113269028A (zh) * | 2021-04-07 | 2021-08-17 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
| CN113378766A (zh) * | 2021-06-25 | 2021-09-10 | 南通大学 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
| CN113673586A (zh) * | 2021-08-10 | 2021-11-19 | 北京航天创智科技有限公司 | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 |
| CN115170895A (zh) * | 2022-09-09 | 2022-10-11 | 威海经济技术开发区天智创新技术研究院 | 一种基于图像处理的海洋区域分类方法及装置 |
| CN115393884A (zh) * | 2022-09-02 | 2022-11-25 | 华东师范大学 | 一种海图专题信息的提取处理方法、装置及系统 |
| CN115690591A (zh) * | 2023-01-05 | 2023-02-03 | 速度时空信息科技股份有限公司 | 基于深度学习的遥感影像耕地非农变化的检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017040691A1 (en) * | 2015-08-31 | 2017-03-09 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
| CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
-
2019
- 2019-11-06 CN CN201911078286.4A patent/CN110929592A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017040691A1 (en) * | 2015-08-31 | 2017-03-09 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
| CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
Non-Patent Citations (4)
| Title |
|---|
| 何绪文，贾建丽著.: "《矿井水处理及资源化的理论与实践》", 北京：煤炭工业出版社, pages: 48 - 50 * |
| 刘岳明，杨晓梅，王志华: "基于深度学习RCF模型的三都澳筏式养殖区提取研究", 《海洋学报》 * |
| 刘岳明，杨晓梅，王志华: "基于深度学习RCF模型的三都澳筏式养殖区提取研究", 《海洋学报》, 30 April 2019 (2019-04-30), pages 120 * |
| 邴磊，刑前国，林勐，邹娜娜，李圳波，冯莉: "基于卫星遥感的海上碍航养殖调查方法", 《航海技术》, 30 November 2015 (2015-11-30), pages 39 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016391A (zh) * | 2020-07-16 | 2020-12-01 | 珠海欧比特宇航科技股份有限公司 | 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质 |
| CN112016391B (zh) * | 2020-07-16 | 2023-12-08 | 珠海欧比特卫星大数据有限公司 | 基于高分辨率卫星遥感影像的鱼塘识别方法、系统及介质 |
| CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 一种长时序的河湖围埂养殖区域监测方法 |
| CN111881816B (zh) * | 2020-07-27 | 2023-06-09 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 一种长时序的河湖围埂养殖区域监测方法 |
| CN112633171A (zh) * | 2020-12-23 | 2021-04-09 | 北京恒达时讯科技股份有限公司 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
| CN112766155A (zh) * | 2021-01-19 | 2021-05-07 | 山东华宇航天空间技术有限公司 | 一种基于深度学习的海水养殖区提取方法 |
| CN113269028B (zh) * | 2021-04-07 | 2022-02-11 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
| CN113269028A (zh) * | 2021-04-07 | 2021-08-17 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
| CN113129248A (zh) * | 2021-04-29 | 2021-07-16 | 中山大学 | 一种海岛遥感影像集获得方法、装置、设备及介质 |
| CN113129248B (zh) * | 2021-04-29 | 2023-09-12 | 中山大学 | 一种海岛遥感影像集获得方法、装置、设备及介质 |
| CN113378766B (zh) * | 2021-06-25 | 2022-04-05 | 南通大学 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
| CN113378766A (zh) * | 2021-06-25 | 2021-09-10 | 南通大学 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
| CN113673586B (zh) * | 2021-08-10 | 2022-08-16 | 北京航天创智科技有限公司 | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 |
| CN113673586A (zh) * | 2021-08-10 | 2021-11-19 | 北京航天创智科技有限公司 | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 |
| CN115393884A (zh) * | 2022-09-02 | 2022-11-25 | 华东师范大学 | 一种海图专题信息的提取处理方法、装置及系统 |
| CN115393884B (zh) * | 2022-09-02 | 2023-05-02 | 华东师范大学 | 一种海图专题信息的提取处理方法、装置及系统 |
| CN115170895A (zh) * | 2022-09-09 | 2022-10-11 | 威海经济技术开发区天智创新技术研究院 | 一种基于图像处理的海洋区域分类方法及装置 |
| CN115690591A (zh) * | 2023-01-05 | 2023-02-03 | 速度时空信息科技股份有限公司 | 基于深度学习的遥感影像耕地非农变化的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
| Muñoz et al. | From local to regional compound flood mapping with deep learning and data fusion techniques | |
| CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
| CN109376605B (zh) | 一种电力巡检图像防鸟刺故障检测方法 | |
| CN101430195B (zh) | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 | |
| CN108875620B (zh) | 入侵植物的监测方法及系统 | |
| CN110348304A (zh) | 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法 | |
| Gazzea et al. | Automated power lines vegetation monitoring using high-resolution satellite imagery | |
| Andriolo et al. | Drones for litter mapping: An inter-operator concordance test in marking beached items on aerial images | |
| CN109033937B (zh) | 通过无人机影像进行植物数量统计方法及系统 | |
| CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
| CN112766202A (zh) | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 | |
| CN111199195B (zh) | 一种基于遥感图像的池塘状态全自动监测方法和装置 | |
| 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 | |
| CN103049739A (zh) | 一种输电线路智能监控中树木检测方法 | |
| CN114494837A (zh) | 一种渔业资源的密度智能识别方法及系统 | |
| Jossart et al. | Applications of spatial autocorrelation analyses for marine aquaculture siting | |
| CN112990085A (zh) | 养殖塘变化检测方法、装置及计算机可读存储介质 | |
| CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
| CN113378785A (zh) | 森林类型识别方法及装置 | |
| CN106250835A (zh) | 基于特征识别的输电线路上的鸟巢识别方法 | |
| CN116018602A (zh) | 植被管理系统和植被管理方法 | |
| CN101614819A (zh) | 浅水湖泊沉水植物自动识别技术及装置 | |
| CN107886125A (zh) | 基于局部谱分解打分的modis卫星遥感图像标注方法 | |
| CN113673369A (zh) | 遥感图像场景规划方法、装置、电子设备和存储介质 |
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: 20200327 |