CN112329751A - 一种基于深度学习的多尺度遥感影像目标识别系统及方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的多尺度遥感影像目标识别系统及方法。所述系统采用服务化的技术架构，将服务进行容器化封装，包括样本数据采集服务，用于在遥感图像中采集样本标记数据，并获取样本标记数据对应的影像瓦片，得到样本数据集；目标识别模型训练服务，用于将样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型；目标识别预测服务，用于将待识别的遥感影像输入到最优预测模型，进行目标识别，得到目标识别结果。以此方式，可以支持在云平台上进行模型训练和目标识别任务，方便系统升级、迁移部署，提升了遥感影像目标识别的工程化应用水平，使遥感影像地物自动化解译的工程化应用易于实现。

Description

一种基于深度学习的多尺度遥感影像目标识别系统及方法

技术领域

本发明的实施例一般涉及遥感技术领域，并且更具体地，涉及一种基于深度学习的多尺度遥感影像目标识别系统及方法。

背景技术

随着空间信息技术的飞速发展，遥感影像的空间分辨率、时间分辨率和光谱分辨率都有了较大的提升；如何利用遥感影像提取目标信息一直是图像视觉领域的棘手而重要的问题，近年来随着深度学习技术的理论突破，图像视觉领域取得了令人瞩目的成绩，利用深度学习技术进行遥感影像目标识别特点如下：第一、实现了模型训练和模型应用任务的分离，模型训练者基于深度学习平台进行各种目标识别训练任务，模型应用者基于训练者提供的识别模型在大规模遥感影像目标识别任务中进行目标识别；第二、深度学习进行特征自学习，不再需要人工提取遥感影像的特征数据作为识别数据源，降低了使用门槛。第三、识别精度高，单个目标识别精度最高可达到98%，大大拓展了工程化应用的领域。

遥感影像目标自动识别的工程化应用中，使用深度学习技术存在如下问题：一、深度学习训练平台多，面向遥感影像目标识别训练任务的端到端的平台缺失；二、深度学习模型训练是计算密集型任务，需要单机具备高性能独立GPU，甚至需要多机环境下使用GPU集群进行模型训练；深度学习平台对软件环境依赖较多，部署迁移困难；三、模型训练者需要具备较多的深度学习理论知识，并能够根据系统反馈及时调整训练参数；从模型预测到平台应用处理过程复杂，对人员的专业能力要求较高。

发明内容

根据本发明的实施例，提供了一种基于深度学习的多尺度遥感影像目标识别方案。

在本发明的第一方面，提供了一种基于深度学习的多尺度遥感影像目标识别系统。该系统采用服务化的技术架构，将服务进行容器化封装，包括：

样本数据采集服务，用于在遥感图像中采集样本标记数据，并获取所述样本标记数据对应的影像瓦片，得到样本数据集；

目标识别模型训练服务，用于将所述样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型；

目标识别预测服务，用于将待识别的遥感影像进行瓦片化后输入到所述最优预测模型，进行目标识别，得到目标识别结果。

进一步地，所述在遥感图像中采集样本标记数据，包括：

在遥感图像的感兴趣区域内，根据地物类别采集所述遥感图像中标记样本点的目标位置和属性信息，作为样本标记数据；所述样本标记数据在所述感兴趣区域内均匀分布，且其朝向均匀分布在0-360度范围内。

进一步地，所述获取所述样本标记数据对应的影像瓦片，包括：

将所述样本标记数据栅格化，按照TMS规则，切分成若干个固定大小的注记瓦片，得到对应的影像瓦片；所述影像瓦片包括对应的真彩色图像和灰度图像，并将所述真彩色图像与对应的影像瓦片保存为相同文件名称。

进一步地，所述样本数据集包括影像瓦片、目标类别描述文件、含有目标类别属性的灰度图像和训练验证统计文件。

进一步地，所述样本数据采集服务，还用于将相同文件名称的影像瓦片和真色彩图像中地物不一致的文件删除。

进一步地，所述目标识别模型训练服务，进一步用于：

选择训练模型，设置迭代次数和步长参数；

按照预设比例从所述样本数据集中选取样本数据，将所选取的样本数据输入到训练模型进行训练；

判断识别精度是否超过预设阈值，如果是，则完成训练；否则继续判断当前是否达到迭代次数，如果未达到迭代次数，则调整步长参数继续迭代训练，如果达到迭代次数，则结束训练。

进一步地，还包括目标识别后处理服务；

所述目标识别后处理服务，用于将所述目标识别结果进行矢量化，并将矢量化数据从像素坐标系转换为地理坐标系，将转换后的目标识别数据存储到分布式数据库；所述目标识别后处理服务，还用于将所述存储在分布式数据库中的目标识别数据发布到GIS平台，供查询浏览。

在本发明的第二方面，提供了一种基于深度学习的多尺度遥感影像目标识别方法。该方法包括：

在遥感图像中采集样本标记数据，并获取所述样本标记数据对应的影像瓦片，得到样本数据集；

将所述样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型；

将待识别的遥感影像进行瓦片化后输入到所述最优预测模型，进行目标识别，得到目标识别结果。

在本发明的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如本发明的第二方面所述的方法。

在本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如本发明的第二方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

本发明通过服务的容器化封装，能够支持在云平台上进行模型训练和目标识别任务，方便系统升级、迁移部署，提升了遥感影像目标识别的工程化应用水平，使遥感影像地物自动化解译的工程化应用易于实现。

附图说明

结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了本发明的基于深度学习的多尺度遥感影像目标识别系统的架构图；

图2示出了本发明的基于深度学习的多尺度遥感影像目标识别方法的流程图；

图3示出了能够实施本发明的实施例的示例性电子设备的方框图。

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作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1示出了本发明的基于深度学习的多尺度遥感影像目标识别系统的架构图。

所述系统100通过采用服务化的技术架构，将服务进行容器化的封装，生成样本数据采集服务101、目标识别模型训练服务102和目标识别预测服务103。

所述样本数据采集服务101，用于在遥感图像中采集样本标记数据，并获取所述样本标记数据对应的影像瓦片，得到样本数据集。其结合地图数据的地物类别属性随机采集样本标签数据，按照深度学习平台要求从遥感影像中获取样本标签对应的影像瓦片，并基于所述影像瓦片生成样本数据。

作为本发明的一种实施例，样本采集过程被封装为gather-sample服务，主要提供人机交互的软件界面，支持用户标注样本，生成样本数据集。

通过人机交互界面，用户可以以遥感图像作为底图，通过人机交互的方式对样本点进行标注。具体包括标注样本点的目标位置和属性信息，所述属性信息，例如目标类别、目标编码信息等。

作为本实施例的一种可选实施方式，将人工标记的目标样本数据进行扩展，将样本数据随机的撒放到整个遥感影像覆盖的区域，确保遥感影像上目标样本分布均匀，并且其朝向均匀分布在0-360度范围。例如目标样本为车或船，则可以将车或船的朝向进行旋转360度，得到其在0-360度范围内的全部朝向数据，达到生成更多数据的目的。

在遥感图像中采集样本标记数据，将样本标记数据栅格化，按照TMS规则，切分成固定大小的注记瓦片，并将瓦片保存为深度学习平台支持的样本数据。所述深度学习平台支持的样本数据包括影像瓦片、目标类别描述文件、含有目标类别属性的灰度图像和训练验证统计文件。

在本实施例中，具体的，可以下载开源地图的全球矢量数据，通过输入区域范围作为样本采集的感兴趣区域。

设置地图瓦片的采集规则，明确需要采集的地物类别。

作为本实施例的一种实施例方式，可选的，所述瓦片大小为256*256像素；地物类别的数量可以根据需要进行设定，但每次采集一般保持在1-3种地物。

在所述样本采集的感兴趣区域内随机选择大量地图矢量瓦片，例如选择50000个地图矢量瓦片；根据用户配置自动完成采集，并生成瓦片描述文件；所述瓦片描述文件用于描述采集样本的瓦片信息。

基于地图矢量瓦片，生成每个瓦片对应的真彩色图像和灰度图像，作为训练样本的标签，真彩色图像中能清晰的看到地物分布，而深度卷积神经网络的样本输入必须是灰度图像。

参照瓦片描述文件，从原始遥感影像或者将遥感影像瓦片化后得到的遥感影像图中提取每个矢量瓦片对应的影像瓦片，得到样本数据集。所述样本数据集包括：影像瓦片、目标类别描述文件、含有目标类别属性的灰度图像和训练验证统计文件。

作为本发明的一种实施例，可以将每个影像瓦片与其对应的真彩色图像保存为相同文件名称，方便对应影像瓦片与真彩色图像的映射关系，故上述样本数据集中的影像瓦片包括其对应的真彩色图像。

在本实施例中，可选的，当接收到操作指令后，响应于所述操作指令，对于相同文件名的真彩色图像和影像瓦片，删除同名文件中地物不一致的文件，以避免错误的训练样本标记对模型训练的影响。所述操作指令可由人工逐一对照真彩色图像和影像瓦片发出。

作为本发明的一种实施例，可选的，在得到样本数据集后，将全部样本数据按一定比例分配到训练、验证、测试阶段，并存储在一个描述文件中。所述一定比例，例如2:2:1。所述描述性文件，例如训练验证统计文件。

所述目标识别模型训练服务102用于将所述样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型。

作为本发明的一种实施例，样本训练过程被封装为model-train服务，在深度学习平台，例如pytorch平台的基础上集成SSD算法后提供训练工具，支持用户通过输入样本数据，填写训练参数进行模型训练，根据训练反馈结果不断调整参数，生成最优预测模型。具体包括：

首先，选择训练模型，设置迭代次数和步长参数。

由深度学习平台执行模型训练，所述深度学习平台集成了卷积神经网络的SSD、YOLO等目标检测算法模型可供选择。

其次，按照预设比例从所述样本数据集中选取样本数据，将所选取的样本数据输入到训练模型进行训练。

在上述实施例中，将所述样本数据集中2/5比例的样本数据输入到已选的训练模型中进行训练。

最后，判断识别精度是否超过预设阈值，如果是，则完成训练；否则继续判断当前是否达到迭代次数，如果未达到迭代次数，则调整步长参数继续迭代训练，如果达到迭代次数，则结束训练。

在验证过程中，对参数的调整是由用户观察训练过程中的曲线，并根据反馈结果不断调整的。所述预设阈值为用户的心理预期值，即用户可接受的自动识别经度。

深度学习在模型训练阶段是一边训练、一边验证；验证过程为通过反复迭代的正向推、逆向推，最终推出一个最优解的过程。

在本实施例中，训练结束退出条件有两个，分别为识别经度超过阈值，以及达到迭代次数。当满足两个条件的其中之一，即可判断当前模型训练结束，并在训练结束后输出训练出的预测模型作为最优预测模型。设置迭代次数上限为了兼顾效率，防止训练过程较长。

所述目标识别预测服务103用于将待识别的遥感影像进行瓦片化后输入到所述最优预测模型，进行目标识别，得到目标识别结果。

作为本发明的一种实施例，目标识别过程被封装为target_predict服务，用户输入原始遥感影像和最优预测模型，服务将原始影像数据瓦片化后进行识别处理，获取目标识别结果。

target_predict服务实现目标识别，包括：

输入需要识别的遥感影像，对该遥感影像进行瓦片化处理，生成标准瓦片大小为256*256像素的影像瓦片。

使用得到的最优预测模型对生成的影像瓦片进行目标识别预测，输出目标识别子数据，该目标识别子数据为栅格化图片。

所述系统100还封装有目标识别预测后处理服务，用于对目标识别结果进行后续处理，将识别结果存储、发布后，可与遥感影像叠加显示。

所述目标识别后处理被封装为predict_post服务，主要负责目标识别结果进行坐标转换、预测结果存储和发布、预测结果显示。具体包括：

栅格矢量化和坐标转换：将所述目标识别结果进行矢量化，并将矢量化数据从像素坐标系转换为地理坐标系；

数据存储和发布：将转换后的目标识别数据存储到分布式数据库；并提供根据指定范围、指定类别查询预测结果的外部接口；

数据叠加显示：将所述存储在分布式数据库中的目标识别数据发布到GIS平台，并在GIS平台中叠加显示遥感影像和目标预测结果，提供目标识别的结果实时浏览及查询。

本发明的实施例提供了一个面向终端用户的、基于遥感影像目标识别任务的端到端的平台，支持从样本数据采集、模型训练学习、目标识别预测、识别后处理等全流程处理；将服务进行容器化封装，同时搭建了分布式环境下的多任务训练框架，支持pytorch深度学习平台在分布式集群环境下进行模型训练和预测发布，因此该平台不再拘泥于单机环境，可支持在多种云平台环境下运行。

本发明的实施例，采用服务容器化的技术架构，支持在云平台上进行模型训练和目标识别任务，方便系统升级、迁移部署，提升了遥感影像目标识别的工程化应用水平。通过服务的容器化封装，解决了软件迁移部署困难问题；通过目标识别、目标识别后处理等服务封装，解决了从识别预测到平台应用的流程化处理问题，从而使得遥感影像地物自动化解译的工程化应用易于实现。

以上是关于系统实施例的介绍，以下通过方法实施例，对本发明所述方案进行进一步说明。

如图2所示为本发明的基于深度学习的多尺度遥感影像目标识别方法的流程图。

该方法包括：

S201、在遥感图像中采集样本标记数据，并获取所述样本标记数据对应的影像瓦片，得到样本数据集。

作为本发明的一种实施例，样本采集过程被封装为gather-sample服务，主要提供人机交互的软件界面，支持用户标注样本，生成样本数据集。

通过人机交互界面，用户可以以遥感图像作为底图，通过人机交互的方式对样本点进行标注。具体包括标注样本点的目标位置和属性信息，所述属性信息，例如目标类别、目标编码信息等。

作为本实施例的一种可选实施方式，将人工标记的目标样本数据进行扩展，将样本数据随机的撒放到整个遥感影像覆盖的区域，确保遥感影像上目标样本分布均匀，并且其朝向均匀分布在0-360度范围。例如目标样本为车或船，则可以将车或船的朝向进行旋转360度，得到其在0-360度范围内的全部朝向数据，达到生成更多数据的目的。

在遥感图像中采集样本标记数据，将样本标记数据栅格化，按照TMS规则，切分成固定大小的注记瓦片，并将瓦片保存为深度学习平台支持的样本数据。所述深度学习平台支持的样本数据包括影像瓦片、目标类别描述文件、含有目标类别属性的灰度图像和训练验证统计文件。

在本实施例中，具体的，可以下载开源地图的全球矢量数据，通过输入区域范围作为样本采集的感兴趣区域。

设置地图瓦片的采集规则，明确需要采集的地物类别。

作为本实施例的一种实施例方式，可选的，所述瓦片大小为256*256像素；地物类别的数量可以根据需要进行设定，但每次采集一般保持在1-3种地物。

在所述样本采集的感兴趣区域内随机选择大量地图矢量瓦片，例如选择50000个地图矢量瓦片；根据用户配置自动完成采集，并生成瓦片描述文件；所述瓦片描述文件用于描述采集样本的瓦片信息。

基于地图矢量瓦片，生成每个瓦片对应的真彩色图像和灰度图像，作为训练样本的标签，真彩色图像中能清晰的看到地物分布，而深度卷积神经网络的样本输入必须是灰度图像。

参照瓦片描述文件，从原始遥感影像或者将遥感影像瓦片化后得到的遥感影像图中提取每个矢量瓦片对应的影像瓦片，得到样本数据集。所述样本数据集包括：影像瓦片、目标类别描述文件、含有目标类别属性的灰度图像和训练验证统计文件。

作为本发明的一种实施例，可以将每个影像瓦片与其对应的真彩色图像保存为相同文件名称。方便对应影像瓦片与真彩色图像的映射关系。

在本实施例中，可选的，当接收到操作指令后，响应于所述操作指令，对于相同文件名的真彩色图像和影像瓦片，删除同名文件中地物不一致的文件，以避免错误的训练样本标记对模型训练的影响。所述操作指令可由人工逐一对照真彩色图像和影像瓦片发出。

作为本发明的一种实施例，可选的，在得到样本数据集后，将全部样本数据按一定比例分配到训练、验证、测试阶段，并存储在一个描述文件中。所述一定比例，例如2:2:1。所述描述性文件，例如训练验证统计文件。

S202、将所述样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型。

作为本发明的一种实施例，样本训练过程被封装为model-train服务，在深度学习平台，例如pytorch深度学习平台的基础上集成SSD算法后提供训练工具，支持用户通过输入样本数据，填写训练参数进行模型训练，根据训练反馈结果不断调整参数，生成最优预测模型。具体包括：

首先，选择训练模型，设置迭代次数和步长参数。

由深度学习平台执行模型训练，所述深度学习平台集成了卷积神经网络的SSD、YOLO等目标检测算法模型可供选择。

其次，按照预设比例从所述样本数据集中选取样本数据，将所选取的样本数据输入到训练模型进行训练。

在上述实施例中，将所述样本数据集中2/5比例的样本数据输入到已选的训练模型中进行训练。

最后，判断识别精度是否超过预设阈值，如果是，则完成训练；否则继续判断当前是否达到迭代次数，如果未达到迭代次数，则调整步长参数继续迭代训练，如果达到迭代次数，则结束训练。

对参数的调整是由用户观察训练过程中的曲线，并根据反馈结果不断调整的。所述预设阈值为用户的心理预期值，即用户可接受的自动识别经度。

在本实施例中，训练结束退出条件有两个，分别为识别经度超过阈值，以及达到迭代次数。当满足两个条件的其中之一，即可判断当前模型训练结束，并在训练结束后输出训练出的预测模型作为最优预测模型。设置迭代次数上限为了兼顾效率，防止训练过程较长。

S203、将待识别的遥感影像进行瓦片化后输入到所述最优预测模型，进行目标识别，得到目标识别结果。

作为本发明的一种实施例，目标识别过程被封装为target_predict服务，用户输入原始遥感影像和最优预测模型，服务将原始影像数据瓦片化后进行识别处理，获取目标识别结果。

target_predict服务实现目标识别，包括：

输入需要识别的遥感影像，对该遥感影像进行瓦片化处理，生成标准瓦片大小为256*256像素的影像瓦片。

使用得到的最优预测模型对生成的影像瓦片进行目标识别预测，输出目标识别子数据，该目标识别子数据为栅格化图片。

作为本发明的一种实施例，可选的，在目标识别过程之后，还包括目标识别后处理。所述目标识别后处理被封装为predict_post服务，主要负责目标识别结果进行坐标转换、预测结果存储和发布、预测结果显示。具体包括：

栅格矢量化和坐标转换：将所述目标识别结果进行矢量化，并将矢量化数据从像素坐标系转换为地理坐标系；

数据存储和发布：将转换后的目标识别数据存储到分布式数据库；并提供根据指定范围、指定类别查询预测结果的外部接口；

数据叠加显示：将所述存储在分布式数据库中的目标识别数据发布到GIS平台，并在GIS平台中叠加显示遥感影像和目标预测结果，提供目标识别的结果实时浏览及查询。

本发明的实施例，提供了一个面向终端用户的、基于遥感影像目标识别任务的端到端的平台，支持从样本数据采集、模型训练学习、目标识别预测、识别后处理等全流程处理；将服务进行容器化封装，同时搭建了分布式环境下的多任务训练框架，支持pytorch深度学习平台在分布式集群环境下进行模型训练和预测发布，因此该平台不再拘泥于单机环境，可支持在多种云平台环境下运行。

本发明的实施例，采用服务容器化的技术架构，支持在云平台上进行模型训练和目标识别任务，方便系统升级、迁移部署，提升了遥感影像目标识别的工程化应用水平。通过服务的容器化封装，解决了软件迁移部署困难问题；通过目标识别、目标识别后处理等服务封装，解决了从识别预测到平台应用的流程化处理问题，从而使得遥感影像地物自动化解译的工程化应用易于实现。

如图3所示，设备包括中央处理单元（CPU），其可以根据存储在只读存储器（ROM）中的计算机程序指令或者从存储单元加载到随机访问存储器（RAM）中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。

设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元执行上文所描述的各个方法和处理，例如方法S201~S203。例如，在一些实施例中，方法S201~S203可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法S201~S203的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法S201~S203。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）等等。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种基于深度学习的多尺度遥感影像目标识别系统，其特征在于，采用服务化的技术架构，将服务进行容器化封装，包括：

样本数据采集服务，用于在遥感图像中采集样本标记数据，并获取所述样本标记数据对应的影像瓦片，得到样本数据集；

目标识别模型训练服务，用于将所述样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型；

目标识别预测服务，用于将待识别的遥感影像进行瓦片化后输入到所述最优预测模型，进行目标识别，得到目标识别结果。

2.根据权利要求1所述的系统，其特征在于，所述在遥感图像中采集样本标记数据，包括：

在遥感图像的感兴趣区域内，根据地物类别采集所述遥感图像中标记样本点的目标位置和属性信息，作为样本标记数据；所述样本标记数据在所述感兴趣区域内均匀分布，且其朝向均匀分布在0-360度范围内。

3.根据权利要求1或2所述的系统，其特征在于，所述获取所述样本标记数据对应的影像瓦片，包括：

将所述样本标记数据栅格化，按照TMS规则，切分成若干个固定大小的注记瓦片，得到对应的影像瓦片；所述影像瓦片包括对应的真彩色图像和灰度图像，并将所述真彩色图像与其对应的影像瓦片以相同文件名称保存。

4.根据权利要求1所述的系统，其特征在于，所述样本数据集包括影像瓦片、目标类别描述文件、含有目标类别属性的灰度图像和训练验证统计文件。

5.根据权利要求3所述的系统，其特征在于，所述样本数据采集服务，还用于将相同文件名称的影像瓦片和真色彩图像中地物不一致的文件删除。

6.根据权利要求1所述的系统，其特征在于，所述目标识别模型训练服务，进一步用于：

选择训练模型，设置迭代次数和步长参数；

按照预设比例从所述样本数据集中选取样本数据，将所选取的样本数据输入到训练模型进行训练；

判断识别精度是否超过预设阈值，如果是，则完成训练；否则继续判断当前是否达到迭代次数，如果未达到迭代次数，则调整步长参数继续迭代训练，如果达到迭代次数，则结束训练。

7.根据权利要求1所述的系统，其特征在于，还包括目标识别后处理服务；

所述目标识别后处理服务，用于将所述目标识别结果进行矢量化，并将矢量化数据从像素坐标系转换为地理坐标系，将转换后的目标识别数据存储到分布式数据库；所述目标识别后处理服务，还用于将所述存储在分布式数据库中的目标识别数据发布到GIS平台，供查询浏览。

8.一种基于权利要求1~7任一项所述系统的多尺度遥感影像目标识别方法，其特征在于，包括：

在遥感图像中采集样本标记数据，并获取所述样本标记数据对应的影像瓦片，得到样本数据集；

将所述样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型；

将待识别的遥感影像进行瓦片化后输入到所述最优预测模型，进行目标识别，得到目标识别结果。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求8所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求8所述的方法。

Images