CN113139511B - 水土保持生产建设项目扰动图斑提取方法、介质和设备 - Google Patents
水土保持生产建设项目扰动图斑提取方法、介质和设备 Download PDFInfo
- Publication number
- CN113139511B CN113139511B CN202110521382.2A CN202110521382A CN113139511B CN 113139511 B CN113139511 B CN 113139511B CN 202110521382 A CN202110521382 A CN 202110521382A CN 113139511 B CN113139511 B CN 113139511B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- disturbance
- fragment data
- model
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 47
- 238000010276 construction Methods 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 239000002689 soil Substances 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 239000012634 fragment Substances 0.000 claims abstract description 98
- 230000011218 segmentation Effects 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了水土保持生产建设项目扰动图斑提取方法、介质和设备,获取已知区域遥感影像及对应标签数据,生成四波段遥感影像并进行多尺度分割,得到各种尺度的碎片数据集;通过各种尺度的碎片数据集分别对卷积神经网络模型进行训练,确定最优分割尺度;通过多尺度样本集SDall对卷积神经网络模型进行训练得到模型MO;针对需要提取扰动图斑的遥感影像,生成四波段遥感影像并最优分割尺度进行分割,得碎片数据;将各碎片数据输入到模型MO进行预测分类;针对被判定为扰动区域的碎片数据提取扰动图斑矢量文件,然后进行合并得到对应区域的扰动图斑矢量文件。本发明方法实现了扰动图斑自动识别提取的自动化、批量化作业,提升了工作效率和成果质量。
Description
技术领域
本发明涉及图像处理技术,特别涉及一种水土保持生产建设项目扰动图斑提取方法、介质和设备。
背景技术
水土保持监管是水土保持工作的重要组成部分,是法律赋予水行政主管部门的重要职责,是遏制水土流失、保护生态环境的重要行政手段。开展生产建设项目水土保持监管应用技术研究、提升监管信息化能力是贯彻落实水利发展改革总基调—“水利工程补短板、水利行业强监管”的一项重要工作。
生产建设项目扰动图斑是生产建设项目信息化监管的基础数据和工作依据。2019年中国生产建设项目信息化监管覆盖592万Km2国土面积,涉及25个省(自治区、直辖市)全域及其余6省的13个地市,共解译扰动图斑60.16万个,其中需要重点关注面积大于1Km2的扰动图斑约41.8万个。生产建设项目信息化监管是水行政主管部门一项长期性任务,随着社会经济飞速发展和生态文明建设的持续推进,生产建设项目信息化监管工作任务将日趋繁重,特别是信息化监管基础性工作—扰动图斑解译生产。但目前,扰动图斑解译生产仍以“传统的人机交互目视解译”为主,其突出的工作效率低、成果标准不统一等问题难以满足新形势下水利行业发展要求。要实现生产建设项目水土保持“强监管”,首先必须在技术手段上“补短板”,实现扰动图斑解译生产的自动化、智能化,在提高效率的同时保证成果质量。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种水土保持生产建设项目扰动图斑提取方法,该方法实现了生产建设项目扰动图斑识别提取的自动化、批量化作业,提升了工作效率和成果质量。
本发明的第二目的在于提供一种水土保持生产建设项目扰动图斑提取装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种水土保持生产建设项目扰动图斑提取方法,步骤包括:
S1、获取多个已知区域遥感影像以及对应区域的标签类别,标签类别包括扰动区域和非扰动区域;
S2、针对S1获取到的各遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像,针对各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集,基于遥感影像的标签类别得到各种尺度的样本集;
S3、通过各种尺度的样本集分别对各卷积神经网络模型进行训练,对训练后的各模型进行评价,根据综合评价指标确定遥感影像最优分割尺度;
将各种尺度的样本集合并为一个多尺度样本集SDall;通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;
S4、获取需要生产扰动图斑区域的遥感影像,并且计算植被指数,基于植被指数融合形成四波段遥感影像,将上述四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据;
S5、将各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;
S6、针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据属性进行合并,得到对应区域的扰动图斑矢量文件。
优选的,步骤S2和S4中,将遥感影像植被指数和红绿蓝三波段进行融合生成四波段遥感影像;
步骤S2和S4中,通以下方式计算遥感影像的植被指数:
当遥感影像为红绿蓝三波段数据时,遥感影像的植被指数VI计算公式为:
VI=(DNG-DNR)/(DNG+DNR)-(NDG-NDB)/(NDG+DNB);
其中DNR、DNG、DNB分别为遥感影像红、绿、蓝三波段DN值或反射率值;
当遥感影像为红绿蓝和近红外四个波段或更多波段时,遥感影像的植被指数VI计算可采用归一化植被指数(Normalized difference vegetation index—NDVI)计算公式,具体为:
VI=(DNNIR-DNR)/(DNNIR+DNR);
其中DNNIR和DNR分别为近红外波段和红光波段DN值或反射率值。
优选的,步骤S2中,基于多尺度渔网对四波段遥感影像进行分割,获取各种尺度的遥感影像碎片数据集,包括碎片数据集FD1、碎片数据集FD2、碎片数据集FD3、,…,、碎片数据集FDN,分别将各碎片数据集与标签数据一一对应生成多个不同尺度的样本集SD1、SD2、SD3、…、SDN,样本集中各样本数据包括两部分内容:遥感影像碎片数据和其对应的分类标签。
优选的,步骤S3中卷积神经网络模型包括依次连接的13个卷积层和3个全连接层,其中最后一个全连接层采用Softmax激活函数,卷积层和其余全连接层均采用Relu激活函数;卷积神经网络模型中,采用二分类交叉熵损失函数表征和记录模型训练过程中的损失。
优选的,步骤S3中,通过各种尺度的样本集SD1、SD2、SD3、…、SDN分别对各卷积神经网络模型进行训练后,得到训练好的N个模型M1、M2、M3、…、MN;
步骤S3中,将模型预测分类结果整体准确率OA、扰动样本查准率PR、扰动样本查全率RR的调和平均值作为模型综合型评价指标MCER,其中:
MCER=3×OA×PR×RR/(PR×RR+OA×RR+OA×PR)×100%;
OA=(TP+TN)/(TP+TN+FP+FN)×100%;
PR=TN/(TN+FP)×100%;
RR=TN/(TN+FN)×100%;
其中,TP为实际为扰动样本预测为扰动样本的个数;FP为实际为非扰动样本预测为扰动样本的个数;FN为实际为扰动样本预测为非扰动样本的个数;TN为实际为非扰动样本预测为非扰动样本的个数。
步骤S3中,将训练后的模型中MCER值最大的模型选取出来,将训练该模型的遥感影像碎片数据集对应的分割尺度作为最优分割尺度。
优选的,步骤S3中,通过SDall对卷积神经网络模型进行训练时,在训练结束后,计算训练后模型的评价结果MCER,通过MCER对训练好的模型进行综合评价,若综合评价指标满足预期目标,则该训练后的模型即确定为扰动图斑预测分类模型MO,否则,调整卷积神经网络模型的批大小和学习速率,再进行训练,直到训练后的模型满足预期目标;
步骤S5中,各遥感影像碎片数据通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类后,记录各遥感影像碎片数据预测分类的概率值,选取出预测分类概率值低于指定阈值的遥感影像碎片数据,按照t%的抽样比例开展分类准确率人工复检。
优选的,步骤S6中,针对被判定为扰动区域的各遥感影像碎片数据fddis-1、fddis-2、fddis-3、…、fddis-M,M为被判定为扰动区域的遥感影像碎片数据数量,提取扰动图斑矢量文件的具体过程如下:
S61、使用大律法确定遥感影像碎片数据的二值化分割阈值,并生成栅格数据的二值化图像,二值化图像像元值仅包含0和255,0代表背景值,255代表前景值,即目标值;
S62、消除步骤S61得到的二值化图像中的小图斑,具体为:使用GDAL库函数的gdal.SieveFilter方法消除二值化图像小图斑,其中去除斑块最大像元个数为1024,像元级斑块连通个数为8;
S63:对步骤S62消除小图斑后的二值化图像进行栅格数据矢量化,得到遥感影像碎片数据对应的扰动图斑矢量文件;
S64、将步骤S63获取到的各遥感影像碎片数据对应的扰动图斑矢量文件,根据地理信息属性进行合并,得到对应区域的扰动图斑矢量文件。
本发明的第二目的通过下述技术方案实现:一种水土保持生产建设项目扰动图斑提取装置,包括:
第一获取模块,用于获取多个已知区域遥感影像以及对应区域的标签类别,标签类别包括扰动区域和非扰动区域;
第一四波段遥感影像生成模块,用于针对样本获取模块获取到的各遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像,
分割模块,用于针对第一四波段遥感影像生成模块生成的各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集,然后基于遥感影像的标签类别得到各种尺度的样本集;;
最优分割尺度确定模块,用于通过各种尺度的样本集分别对各卷积神经网络模型进行训练,对训练后的各模型进行评价,根据综合评价指标确定遥感影像最优分割尺度;
训练模块,用于将各种尺度的样本集合并为一个多尺度样本集SDall,通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;
第二获取模块,用于获取需要生产扰动图斑区域的遥感影像;
第二四波段遥感影像生成模块,用于针对第二获取模块获取到的遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像;
第二分割模块,用于将第二四波段遥感影像生成模块生成的四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据;
预测分类模块,用于将第二分割模块获取到的各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;
扰动图斑矢量文件生成模块,用于针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据属性进行合并,得到对应区域的扰动图斑矢量文件。
本发明的第三目的通过下述技术方案实现:一种存储介质,存储有程序,所述程序被处理器执行时,实现本发明第一目的所述的水土保持生产建设项目扰动图斑提取方法。
本发明的第四目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的水土保持生产建设项目扰动图斑提取方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明水土保持生产建设项目扰动图斑提取方法,首先获取多个已知区域遥感影像以及对应区域的标签类别,并且生成四波段遥感影像,针对各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集;通过各种尺度的遥感影像碎片数据集分别对各卷积神经网络模型进行训练,根据训练后模型的评价结果确定遥感影像最优分割尺度;将各种尺度的遥感影像碎片数据集合并为一个多尺度样本集SDall;通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;针对需要生产扰动图斑区域的遥感影像,生成四波段遥感影像,然后以最优分割尺度进行分割,得到各遥感影像碎片数据;将各遥感影像碎片数据输入到模型MO中,通过模型MO进行扰动区域和非扰动区域的预测分类;最终针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据地理信息属性合并各扰动图斑矢量文件,得到对应区域的扰动图斑矢量文件。本发明方法与“传统的人机交互目视解译”勾绘扰动图斑相比,基于深度学习模型实现生产建设项目扰动图斑自动识别提取的自动化、批量化作业,提升了工作效率和成果质量。
(2)本发明水土保持生产建设项目扰动图斑提取方法中,仅使用一期遥感影像生成多尺度训练样本集完成对深度学习模型的训练,可弥补样本数据不足给深度学习模型训练带来的困难;此外,本发明对遥感影像无特殊要求,常见三波段、四波段或者多波段遥感影像均适用于本发明技术,技术通用性、适用性强。
(3)本发明水土保持生产建设项目扰动图斑提取方法中,针对于遥感影像,将植被指数与遥感影像红绿蓝三个波段融合形成新的四波段遥感影像,基于此能够有效提升扰动区域和非扰动区域在遥感影像上的对比度,提高扰动区域预测分类精度。
(4)本发明水土保持生产建设项目扰动图斑提取方法中,在确定最优分割尺度时,通过各种尺度的四波段遥感影像对各卷积神经网络进行训练,将训练后MCER值最大的模型选取出来,其中MCER越大表明模型鲁棒性和预测分类精度越好,将训练该模型的遥感影像碎片数据集对应的分割尺度作为最优分割尺度,基于此可以快速准确确定遥感影像最优分割尺度。
(5)本发明水土保持生产建设项目扰动图斑提取方法中,在通过数据集SDall对卷积神经网络模型进行训练时,在训练结束后,计算训练后模型的综合评价指标MCER值,若综合评价指标MCER值满足预期目标,则该训练后的模型即确定为扰动图斑预测分类模型MO,否则,调整卷积神经网络模型的批大小和学习速率,继续进行训练,直到训练后的模型综合评价指标MCER值满足预期目标。基于此,本发明方法能够获取到扰动区域模型预测准确度更高的扰动图斑预测分类模型,进一步提高了扰动图斑识别的准确度。
(6)本发明水土保持生产建设项目扰动图斑提取方法中,在通过扰动图斑预测分类模型MO对各遥感影像碎片数据进行预测分类后,自动标记各遥感影像碎片数据预测分类的概率值,选取出预测分类概率值低于指定阈值的遥感影像碎片数据,按照t%的抽样比例开展分类准确率人工复检;可见本发明方法将深度学习模型预测分类结果与人工抽样复检相结合,实现了“传统的人机交互目视解译”与深度学习的有机融合,可大大提高预测分类准确率和成果质量。
附图说明
图1是本发明方法中遥感影像最优分割尺度参数获取工作流程图。
图2是本发明方法中卷积神经网络模型的结构图。
图3是本发明水土保持生产建设项目扰动图斑预测分类模型构建流程图。
图4是本发明方法中扰动图斑矢量文件生产工作流程图。
图5是本发明方法中扰动图斑矢量文件生产实施例图。
图6是本发明方法中遥感影像不同分割尺度样本数据训练模型综合评价结果。
图7a和7b是本发明方法中扰动图斑预测分类模型最终训练过程训练集与验证集精度、损失曲线图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种水土保持生产建设项目扰动图斑提取方法,该方法能够快速自动提取水土保持生产建设项目扰动图斑,为水土保持生产建设项目监管提供基础数据,如图1至7中所示,该方法具体步骤包括:
S1、获取多个已知区域遥感影像以及对应区域的标签类别,标签类别根据区域扰动图斑矢量文件成果数据获取,标签类别包括扰动区域和非扰动区域;
在本实施例中,获取的遥感影像是高分辨率遥感影像,高分辨率遥感影像指空间分辨率不低于2m的遥感影像。
S2、针对S1获取到的各遥感影像计算植被指数,将遥感影像植被指数和红绿蓝三波段进行融合,生成各遥感影像对应的四波段遥感影像,针对各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集。
在本实施例中,如图1和3中所示,基于多尺度渔网对本步骤中获取到的各四波段遥感影像进行分割,获取到各种尺度的遥感影像碎片数据集,包括碎片数据集FD1(尺度为:L1米×L1米)、碎片数据集FD2(尺度为:L2米×L2米)、碎片数据集FD(尺度为:L3米×L3米)3、,…,、碎片数据集FDN(尺度为:LN米×LN米),分别将各碎片数据集与标签数据一一对应生成多个不同尺度的样本集SD1、SD2、SD3、…、SDN,样本集中各样本数据包括两部分内容:遥感影像碎片数据和其对应的分类标签。N为碎片数据集的个数,对应为尺寸的种类数,如图1中所示,包括尺度1、尺度2、包括尺度3,…,包括尺度N,本实施例中,N=4,即采用4个尺度渔网对四波段遥感影像进行分割,获取到4种尺度的遥感影像碎片数据集,具体包括1000m×1000m碎片数据集FD1、800m×800m碎片数据集FD2、600m×600m碎片数据集FD3和400m×400m碎片数据集FD4,分别将上述碎片数据集与标签数据一一对应生成四个不同尺度深度学习模型样本集SD1、SD2、SD3、SD4,本实施例中,各样本集样本数量依次为3150个、4705个、23987个、37510个。各样本集均包括训练样本和测试样本,其中测试样本数量占总样本集的20%。
本步骤中,通以下方式计算遥感影像的植被指数:
(1)当遥感影像为红绿蓝三波段数据时,遥感影像的植被指数VI计算公式为:
VI=(DNG-DNR)/(DNG+DNR)-(NDG-NDB)/(NDG+DNB);
其中DNR、DNG、DNB分别为遥感影像红、绿、蓝三波段DN值或反射率值;本实施例所使用的是红绿蓝三波段高分辨率遥感影像,但是本实施例方法主要用于但不限于红绿蓝三波段高分辨率遥感影像。
(2)当遥感影像为红绿蓝和近红外四个波段或更多波段时,遥感影像的植被指数VI计算可采用归一化植被指数(Normalized difference vegetation index—NDVI)计算公式,具体为:
VI=(DNNIR-DNR)/(DNNIR+DNR);
其中DNNIR和DNR分别为近红外波段和红光波段DN值或反射率值。
在本实施例中,上述计算得到的植被指数值变幅区间可能与[0,255]不同,为保持植被指数值与高分辨率遥感影像红绿蓝三波段数据各像元值(变幅区间为[0,255])保持相同,需要将上述计算得到的植被指数值线性拉伸变换到[0,255]区间内,以便与遥感影像红绿蓝三波段数据进行融合。其中线性拉伸变换具体方法如下:
假设某高分辨率遥感影像植被指数有N个像元,其中像元最大值为DNmax、最小值为DNmin,则线性拉伸变换计算公式为:
DNnew=255×(DNi-DNmin)/(DNmax-DNmin)
其中DNnew为线性拉伸变换后的像元值,DNi为线性拉伸变换前像元值,i=1,2,3,…,N。
S3、通过各种尺度的遥感影像碎片数据集分别对各卷积神经网络模型进行训练,对训练后的各模型进行评价,根据评价结果确定遥感影像最优分割尺度,如图3中所示。
在本实施例中,上述卷积神经网络模型基于Python3.7语言环境,以Tensorflow和Keras为深度学习框架,选择Sequential顺序模型构建得到,如图2中所示,本实施例中所构建的卷积神经网络模型包括13个卷积层和3个全连接层,其中最后一个全连接层采用Softmax激活函数,卷积层和其余全连接层均采用Relu激活函数;卷积神经网络模型中,采用二分类交叉熵损失函数表征和记录模型训练过程中的损失。本实施例构建卷积神经网络模型的计算机软硬件信息为:Windows10 Professional;Intel(R)Core(TM)i7―8750H@2.20GHz;GPU:NVIDIA Quadro P1000(4.0G);内存16GB;Python 3.7.6(64位);Tensorflow2.2.0。模型部分关键训练参数及初始化值分别为:批大小BatchSize=16、学习速率LearningRate=10-4、训练数据轮次epochs=50。至此,卷积神经网络模型构建及关键训练参数初始化完成。
在本实施例中,如图3中所示,分别通过样本集SD1、SD2、SD3、…、SDN分别对各卷积神经网络模型进行训练,得到训练后的N个模型M1、M2、M3、…、MN。然后分别计算上述训练后的N个模型的模型综合评价指标MCER值,将训练后MCER值最大的模型选取出来,将训练该模型的遥感影像碎片数据集对应的分割尺度作为最优分割尺度。在本实施例中,当样本集为步骤S2中所述的SD1、SD2、SD3、SD4时,计算得到模型M3的MCER值为最大,如图6所示,因此确定M3对应的训练样本集分割尺度600m×600m为遥感影像最优分割尺度。
在本实施例中,将模型预测分类结构整体准确率OA、扰动样本查准率PR、扰动样本查全率RR的调和平均值作为模型综合评价指标MCER,其中:
MCER=3×OA×PR×RR/(PR×RR+OA×RR+OA×PR)×100%;
OA=(TP+TN)/(TP+TN+FP+FN)×100%;
PR=TN/(TN+FP)×100%;
RR=TN/(TN+FN)×100%;
其中,TP为实际为扰动样本预测为扰动样本的个数;FP为实际为非扰动样本预测为扰动样本的个数;FN为实际为扰动样本预测为非扰动样本的个数;TN为实际为非扰动样本预测为非扰动样本的个数。
S4、将各种尺度的样本集SD1、SD2、SD3、…、SDN合并为一个多尺度样本集SDall;通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO。
在本实施例中,卷积神经网络模型如步骤S3中构建得到。在本实施例中,多尺度样本集SDall中包括训练样本和测试样本,其中测试样本数量占总样本集的20%,各样本数据包含两部分内容:遥感影像碎片数据和其对应的分类标签。本步骤中,卷积神经网络模型关键训练参数初始化值分别为:批大小BatchSize=16,学习速率LearnignRate=10-3,训练轮次Eopch=150。
在通过SDall对卷积神经网络模型进行训练时,在训练结束后,计算训练后模型的MCER,通过MCER对训练好的模型进行综合评价,若综合评价指标满足预期目标,则该训练后的模型即确定为扰动图斑预测分类模型MO,否则,调整卷积神经网络模型的批大小和学习速率,再进行训练,直到训练后的模型满足预期目标。
在本实施例中,设置当训练后模型的MCER值大于等于0.95时,则判断训练后模型综合评价指标满足预期目标。当各种尺度样本集为步骤S2中所述的SD1、SD2、SD3、SD4时,本步骤中通过3次训练调整模型关键参数得到最优训练模型,该训练后模型的MCER值为0.9623,模型关键参数分别为批大小BatchSize=16,学习速率LearnignRate=10-5,训练轮次Eopch=150,模型最终训练过程训练集与验证集精度、损失曲线如图7a和7b所示。本实施例中,深度学习模型训练中批大小参数应从小到大进行变化调整,该值常取为2n;学习速率应从大到小进行变化调整。
S5、获取需要生产扰动图斑区域的遥感影像,并且计算植被指数,基于植被指数融合形成四波段遥感影像,将上述四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据,如图4中所示。
在本步骤中,例如当步骤S3中确定出遥感影像最优分割尺度为600m×600m时,则本步骤中,使用600m×600m渔网数据分割四波段遥感影像,得到6894张遥感影像碎片数据fd1、fd2、fd3、...、fd6894。
S6、将各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;如图4中所示。
在本实施例中,各遥感影像碎片数据通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类后,记录各遥感影像碎片数据预测分类的概率值,选取出预测分类概率值低于指定阈值例如80%的遥感影像碎片数据,按照t%的抽样比例开展分类准确率人工复检,在本实施例中t可以设置为10。例如,本实施例中,累积抽检碎片数据123张。人工复检后共计有1132张碎片数据判定为扰动区域,即为fddis-1、fddis-2、fddis-3、…、fddis-1132。
S7、针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据属性进行合并,得到对应区域的扰动图斑矢量文件。
在本实施例中,针对步骤S6中被判定为扰动区域的各遥感影像碎片数据fddis-1、fddis-2、fddis-3、…、fddis-P,P为被判定为扰动区域的遥感影像碎片数据数量,如图4和5中所示,提取扰动图斑矢量文件的具体过程如下:
S71、使用大律法确定遥感影像碎片数据的二值化分割阈值,并生成栅格数据的二值化图像,二值化图像像元值仅包含0和255,0代表背景值,255代表前景值,即目标值。
S72、消除步骤S71得到的二值化图像中的小图斑,具体为:使用GDAL库函数的gdal.SieveFilter方法消除二值化图像小图斑,其中两个关键参数取值最优为:“去除斑块最大像元个数”取值为1024,“像元级斑块连通个数”取值为8。
S73:对步骤S72消除小图斑后的二值化图像进行栅格数据矢量化,得到遥感影像碎片数据对应的扰动图斑矢量文件;
S74、将步骤S73获取到的各遥感影像碎片数据对应的扰动图斑矢量文件,根据地理信息属性进行合并,得到对应区域的扰动图斑矢量文件,用于水土保持生产建设项目监管工作。
本领域技术人员可以理解,实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,相应的程序可以存储于计算机可读存储介质中。应当注意,尽管在附图中以特定顺序描述了本实施例1的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序,有些步骤也可以同时执行,例如步骤S3和S4可以同时执行,或者先执行步骤S4,再执行步骤S3。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了一种水土保持生产建设项目扰动图斑提取装置,该装置包括第一获取模块、第一四波段遥感影像生成模块、分割模块、最优分割尺度确定模块、训练模块、第二获取模块、第二四波段遥感影像生成模块、第二分割模块、预测分类模块和扰动图斑矢量文件生成模块,各模块的功能如下:
第一获取模块,用于获取多个已知区域遥感影像以及对应区域的标签类别,标签类别包括扰动区域和非扰动区域。
第一四波段遥感影像生成模块,用于针对样本获取模块获取到的各遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像。在本实施例中,将遥感影像的植被指数和遥感影像的红绿蓝三波段进行融合,生成各遥感影像对应的四波段遥感影像。
分割模块,用于针对第一四波段遥感影像生成模块生成的各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集,然后基于遥感影像的标签类别得到各种尺度的样本集SD1、SD2、SD3、…、SDN。
最优分割尺度确定模块,用于通过各种尺度的样本集分别对各卷积神经网络模型进行训练,对训练后的各模型进行评价,根据综合评价指标确定遥感影像最优分割尺度。在本实施例中,分别通过样本集SD1、SD2、SD3、…、SDN分别对各卷积神经网络模型进行训练,得到训练后的N个模型M1、M2、M3、…、MN。然后分别计算上述训练后的N个模型的模型综合评价指标MCER,将训练后MCER值最大的模型选取出来,将训练该模型的遥感影像碎片数据集对应的分割尺度作为最优分割尺度。
训练模块,用于将各种尺度的样本集SD1、SD2、SD3、…、SDN合并为一个多尺度样本集SDall,通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;
第二获取模块,用于获取需要生产扰动图斑区域的遥感影像;
第二四波段遥感影像生成模块,用于针对第二获取模块获取到的遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像。在本实施例中,针对于第二获取模块获取到的遥感影像,将遥感影像的植被指数和遥感影像的红绿蓝三波段进行融合,生成各遥感影像对应的四波段遥感影像。
第二分割模块,用于将第二四波段遥感影像生成模块生成的四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据。在本实施例中,
预测分类模块,用于将第二分割模块获取到的各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;
扰动图斑矢量文件生成模块,用于针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据地理信息属性进行合并,得到对应区域的扰动图斑矢量文件。
本实施例上述各个模块的具体实现可以参见上述实施例1,在此不再一一赘述。需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的水土保持生产建设项目扰动图斑提取方法,如下:
S1、获取多个已知区域遥感影像以及对应区域的标签类别,标签类别包括扰动区域和非扰动区域;
S2、针对S1获取到的各遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像,针对各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集,基于遥感影像的标签类别得到各种尺度的样本集;
S3、通过各种尺度的样本集分别对各卷积神经网络模型进行训练,对训练后的各模型进行综合评价,根据综合评价指标确定遥感影像最优分割尺度;
将各种尺度的样本集合并为一个多尺度样本集SDall;通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;
S4、获取需要生产扰动图斑区域的遥感影像,并且计算植被指数,基于植被指数融合形成四波段遥感影像,将上述四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据;
S5、将各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;
S6、针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据地理信息属性进行合并,得到对应区域的扰动图斑矢量文件。
在本实施例中,存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现实施例1所述的水土保持生产建设项目扰动图斑提取方法,如下:
S1、获取多个已知区域遥感影像以及对应区域的标签类别,标签类别包括扰动区域和非扰动区域;
S2、针对S1获取到的各遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像,针对各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集,基于遥感影像的标签类别得到各种尺度的样本集;
S3、通过各种尺度的样本集分别对各卷积神经网络模型进行训练,对训练后的各模型进行评价,根据综合评价指标确定遥感影像最优分割尺度;
将各种尺度的样本集合并为一个多尺度样本集SDall;通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;
S4、获取需要生产扰动图斑区域的遥感影像,并且计算植被指数,基于植被指数融合形成四波段遥感影像,将上述四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据;
S5、将各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;
S6、针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据地理信息属性进行合并,得到对应区域的扰动图斑矢量文件。
本实施例中,计算设备可以是台式电脑、笔记本电脑、PDA手持终端、平板电脑等终端设备。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种水土保持生产建设项目扰动图斑提取方法,其特征在于,步骤包括:
S1、获取多个已知区域遥感影像以及对应区域的标签类别,标签类别包括扰动区域和非扰动区域;
S2、针对S1获取到的各遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像,针对各四波段遥感影像进行多尺度分割,得到多种尺度的遥感影像碎片数据集,基于遥感影像的标签类别得到各种尺度的样本集;
S3、通过各种尺度的样本集分别对卷积神经网络模型进行训练,对训练后的各模型进行综合评价,根据综合评价指标确定遥感影像最优分割尺度;
将各种尺度的样本集合并为一个多尺度样本集SDall;通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;
S4、获取需要生产扰动图斑区域的遥感影像,并且计算植被指数,基于植被指数融合形成四波段遥感影像,将上述四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据;
S5、将各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;
S6、针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据属性进行合并,得到对应区域的扰动图斑矢量文件。
2.根据权利要求1所述的水土保持生产建设项目扰动图斑提取方法,其特征在于,步骤S2和S4中,将遥感影像植被指数和红绿蓝三波段进行融合生成四波段遥感影像;
步骤S2和S4中,通以下方式计算遥感影像的植被指数:
当遥感影像为红绿蓝三波段数据时,遥感影像的植被指数VI计算公式为:
VI=(DNG-DNR)/(DNG+DNR)-(NDG-NDB)/(NDG+DNB);
其中DNR、DNG、DNB分别为遥感影像红、绿、蓝三波段DN值或反射率值;
当遥感影像为红绿蓝和近红外四个波段或更多波段时,遥感影像的植被指数VI计算公式为:
VI=(DNNIR-DNR)/(DNNIR+DNR);
其中DNNIR和DNR分别为近红外波段和红光波段DN值或反射率值。
3.根据权利要求1所述的水土保持生产建设项目扰动图斑提取方法,其特征在于,步骤S2中,基于多尺度渔网对四波段遥感影像进行分割,获取各种尺度的遥感影像碎片数据集,包括碎片数据集FD1、碎片数据集FD2、碎片数据集FD3、…、碎片数据集FDN,分别将各碎片数据集与标签数据一一对应生成多个不同尺度的样本集SD1、SD2、SD3、…、SDN,样本集中各样本数据包括两部分内容:遥感影像碎片数据和其对应的分类标签。
4.根据权利要求1所述的水土保持生产建设项目扰动图斑提取方法,其特征在于,步骤S3中卷积神经网络模型包括依次连接的13个卷积层和3个全连接层,其中最后一个全连接层采用Softmax激活函数,卷积层和其余全连接层均采用Relu激活函数;卷积神经网络模型中,采用二分类交叉熵损失函数表征和记录模型训练过程中的损失。
5.根据权利要求1所述的水土保持生产建设项目扰动图斑提取方法,其特征在于,步骤S3中,通过各种尺度的样本集SD1、SD2、SD3、…、SDN分别对各卷积神经网络模型进行训练后,得到训练好的N个模型M1、M2、M3、…、MN;
步骤S3中,将模型预测分类结构整体准确率OA、扰动样本查准率PR、扰动样本查全率RR的调和平均值作为模型综合评价指标MCER,其中:
MCER=3×OA×PR×RR/(PR×RR+OA×RR+OA×PR)×100%;
OA=(TP+TN)/(TP+TN+FP+FN)×100%;
PR=TN/(TN+FP)×100%;
RR=TN/(TN+FN)×100%;
其中,TP为实际为扰动样本预测为扰动样本的个数;FP为实际为非扰动样本预测为扰动样本的个数;FN为实际为扰动样本预测为非扰动样本的个数;TN为实际为非扰动样本预测为非扰动样本的个数;
步骤S3中,将训练后的模型中MCER值最大的模型选取出来,将训练该模型的遥感影像碎片数据集对应的分割尺度作为最优分割尺度。
6.根据权利要求1所述的水土保持生产建设项目扰动图斑提取方法,其特征在于,步骤S3中,通过SDall对卷积神经网络模型进行训练时,在训练结束后,计算训练后模型综合评价指标MCER,若综合评价指标MCER值满足预期目标,则该训练后的模型即确定为扰动图斑预测分类模型MO,否则,调整卷积神经网络模型的批大小和学习速率,再进行训练,直到训练后的模型满足预期目标;
步骤S5中,各遥感影像碎片数据通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类后,记录各遥感影像碎片数据预测分类的概率值,选取出预测分类概率值低于指定阈值的遥感影像碎片数据,按照t%的抽样比例开展分类准确率人工复检。
7.根据权利要求1所述的水土保持生产建设项目扰动图斑提取方法,其特征在于,步骤S6中,针对被判定为扰动区域的各遥感影像碎片数据fddis-1、fddis-2、fddis-3、…、fddis-P,P为被判定为扰动区域的遥感影像碎片数据数量,提取扰动图斑矢量文件的具体过程如下:
S61、使用大律法确定遥感影像碎片数据的二值化分割阈值,并生成栅格数据的二值化图像,二值化图像像元值仅包含0和255,0代表背景值,255代表前景值,即目标值;
S62、消除步骤S61得到的二值化图像中的小图斑,具体为:使用GDAL库函数的gdal.SieveFilter方法消除二值化图像小图斑,其中去除斑块最大像元个数为1024,像元级斑块连通个数为8;
S63:对步骤S62消除小图斑后的二值化图像进行栅格数据矢量化,得到遥感影像碎片数据对应的扰动图斑矢量文件;
S64、将步骤S63获取到的各遥感影像碎片数据对应的扰动图斑矢量文件,根据地理信息属性进行合并,得到对应区域的扰动图斑矢量文件。
8.一种水土保持生产建设项目扰动图斑提取装置,其特征在于,包括:
第一获取模块,用于获取多个已知区域遥感影像以及对应区域的标签类别,标签类别包括扰动区域和非扰动区域;
第一四波段遥感影像生成模块,用于针对样本获取模块获取到的各遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像,
分割模块,用于针对第一四波段遥感影像生成模块生成的各四波段遥感影像进行多尺度分割,得到各种尺度的遥感影像碎片数据集,然后基于遥感影像的标签类别得到各种尺度的样本集;
最优分割尺度确定模块,用于通过各种尺度的样本集分别对各卷积神经网络模型进行训练,对训练后的各模型进行评价,根据综合评价指标确定遥感影像最优分割尺度;
训练模块,用于将各种尺度的样本集合并为一个多尺度样本集SDall,通过SDall对卷积神经网络模型进行训练,得到扰动图斑预测分类模型MO;
第二获取模块,用于获取需要生产扰动图斑区域的遥感影像;
第二四波段遥感影像生成模块,用于针对第二获取模块获取到的遥感影像计算植被指数,基于植被指数融合形成四波段遥感影像;
第二分割模块,用于将第二四波段遥感影像生成模块生成的四波段遥感影像以最优分割尺度进行分割,得到各遥感影像碎片数据;
预测分类模块,用于将第二分割模块获取到的各遥感影像碎片数据分别输入到扰动图斑预测分类模型MO中,通过扰动图斑预测分类模型MO进行扰动区域和非扰动区域的预测分类;
扰动图斑矢量文件生成模块,用于针对被判定为扰动区域的各遥感影像碎片数据,分别提取扰动图斑矢量文件,然后根据地理信息属性进行合并,得到对应区域的扰动图斑矢量文件。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1~7中任一项所述的水土保持生产建设项目扰动图斑提取方法。
10.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1~7中任一项所述的水土保持生产建设项目扰动图斑提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521382.2A CN113139511B (zh) | 2021-05-13 | 2021-05-13 | 水土保持生产建设项目扰动图斑提取方法、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521382.2A CN113139511B (zh) | 2021-05-13 | 2021-05-13 | 水土保持生产建设项目扰动图斑提取方法、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139511A CN113139511A (zh) | 2021-07-20 |
CN113139511B true CN113139511B (zh) | 2021-12-31 |
Family
ID=76817701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110521382.2A Active CN113139511B (zh) | 2021-05-13 | 2021-05-13 | 水土保持生产建设项目扰动图斑提取方法、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139511B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222134B (zh) * | 2022-07-25 | 2023-05-23 | 广东无限阵列科技有限公司 | 基于数字孪生的生产建设活动扰动变化预测方法及系统 |
CN115294460B (zh) * | 2022-10-08 | 2023-01-17 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
CN109543630A (zh) * | 2018-11-28 | 2019-03-29 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像林地提取方法及系统、存储介质、电子设备 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11651206B2 (en) * | 2018-06-27 | 2023-05-16 | International Business Machines Corporation | Multiscale feature representations for object recognition and detection |
CN109726705B (zh) * | 2019-01-24 | 2020-07-31 | 中国科学院地理科学与资源研究所 | 红树林信息的提取方法、装置及电子设备 |
-
2021
- 2021-05-13 CN CN202110521382.2A patent/CN113139511B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
CN109543630A (zh) * | 2018-11-28 | 2019-03-29 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像林地提取方法及系统、存储介质、电子设备 |
CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113139511A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
Xie et al. | A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks | |
Xiang et al. | Pavement crack detection network based on pyramid structure and attention mechanism | |
CN113139511B (zh) | 水土保持生产建设项目扰动图斑提取方法、介质和设备 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN104517122A (zh) | 一种基于优化卷积架构的图像目标识别方法 | |
Zhang et al. | An efficient lightweight convolutional neural network for industrial surface defect detection | |
CN110458201A (zh) | 一种遥感影像面向对象分类方法及分类装置 | |
Zhu et al. | Grape leaf black rot detection based on super-resolution image enhancement and deep learning | |
CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
CN117495735B (zh) | 一种基于结构引导的建筑物立面纹理自动修复方法及系统 | |
Sun | Wood quality defect detection based on deep learning and multicriteria framework | |
Wang et al. | Automatic identification and location of tunnel lining cracks | |
Jia et al. | Intelligent identification of metal corrosion based on Corrosion-YOLOv5s | |
Cheng et al. | Multi-scale Feature Fusion and Transformer Network for urban green space segmentation from high-resolution remote sensing images | |
Adão et al. | Digital Ampelographer: a CNN based preliminary approach | |
Zhou et al. | Comparison of classic object-detection techniques for automated sewer defect detection | |
Men et al. | Airport runway semantic segmentation based on DCNN in high spatial resolution remote sensing images | |
CN113159044A (zh) | 一种基于深度学习的卷积神经网络的道路材质识别方法 | |
CN110569871B (zh) | 一种基于深度卷积神经网络的鞍部点识别方法 | |
Peng et al. | Fully convolutional neural networks for tissue histopathology image classification and segmentation | |
CN116665054A (zh) | 一种基于改进YOLOv3的遥感影像小目标检测方法 | |
CN116630807A (zh) | 基于yolox网络的遥感影像点状独立房检测方法及系统 | |
CN111738201B (zh) | 基于感兴趣区域网络的有林地遥感影像提取方法及系统 | |
CN114792397A (zh) | 一种sar影像城市道路提取方法、系统以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |