CN113361465A - 一种基于深度学习的高分辨率遥感影像农业大棚提取方法 - Google Patents
一种基于深度学习的高分辨率遥感影像农业大棚提取方法 Download PDFInfo
- Publication number
- CN113361465A CN113361465A CN202110737687.7A CN202110737687A CN113361465A CN 113361465 A CN113361465 A CN 113361465A CN 202110737687 A CN202110737687 A CN 202110737687A CN 113361465 A CN113361465 A CN 113361465A
- Authority
- CN
- China
- Prior art keywords
- agricultural greenhouse
- remote sensing
- sensing image
- data
- example segmentation
- 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 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000001133 acceleration Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000005192 partition Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的高分辨率遥感影像农业大棚提取方法，包括以下步骤：构建多时相多尺度的实例分割农业大棚数据集，其包括训练集；利用训练集对基于Mask R‑CNN算法的实例分割模型进行训练，训练收敛后得到农业大棚实例分割模型；读取待预测常规遥感影像，并构建待预测常规遥感影像的数据立方体，将数据立方体输入农业大棚实例分割模型，得到整幅待预测常规遥感影像的农业大棚提取结果。由于参与模型训练的实例分割农业大棚数据集涵盖了多种典型场景下的大棚的形状与纹理信息，并且在模型训练过程中用到了多GPU加速技术，因此训练收敛后得到的农业大棚实例分割模型可以自动高效的提取出高分辨率遥感影像中的农业大棚信息。
Description
技术领域
本发明涉及高分辨率遥感影像处理及基于深度学习的遥感影像数据挖掘技术领域，特别是涉及一种基于深度学习的高分辨率遥感影像农业大棚提取方法。
背景技术
至此，我国设施农业的覆盖面积已占世界总量的2/3以上，大棚和地膜农田已经成为我国重要的土地覆盖类型。农业大棚的增加反映了我国农业现代化的高速发展，准确快速地获取大棚面积及空间分布信息，既有助于农作物的监测和估产，也对农业资源的高效利用和可持续发展有重要意义。
近年来随着航天科技领域的不断进步，卫星遥感影像的空间、时间和光谱分辨率得到极大的提升。遥感技术凭借其宏观、实时、覆盖广和成本低的优势，已经成为现代农业信息化发展的重要工具。通过对高分辨率遥感影像中的农业大棚信息进行识别提取，可为合理规划大棚分布、集约化作物生产、提升农业发展水平奠定良好基础，并为农业管理、环境保护、土壤污染等问题提供决策依据。
在传统的农业大棚提取方法中，大棚空间、面积信息的获取往往以人工实地测定、人工解译为主，该方法费时费力，且无法获得大面积的大棚地理分布信息。随着遥感技术进步，遥感指数及传统机器学习的方法被逐渐应用于农业大棚信息提取领域。虽然有诸多研究成果，但仍然存在一些问题亟待解决：1、传统提取算法自动化程度低，人工替代率低，这是由遥感影像中丰富的地物种类信息对应的“同物异谱”、“同谱异物”等现象导致的；2、传统遥感影像处理算法性能效率低，这是由遥感影像时间、空间分辨率的提升所带来的遥感影像数据量过大引起的。由于以上等问题，农业大棚的解译往往需要较高的专业水平，并且在准实时的多期遥感影像大棚信息提取等对时效性要求较高的应用场景中很难发挥应有的作用。
发明内容
本发明的目的是针对传统农业大棚提取算法自动化程度较低及其性能瓶颈的问题，提供一种准确、高效的基于深度学习的高分辨率遥感影像农业大棚提取方法。
为实现上述目的，本发明采取如下的技术方案：
一种基于深度学习的高分辨率遥感影像农业大棚提取方法，包括以下步骤：
步骤一：构建多时相多尺度的实例分割农业大棚数据集，所述实例分割农业大棚数据集包括训练集；
步骤二：利用所述训练集对基于Mask R-CNN算法的实例分割模型进行训练，训练收敛后得到农业大棚实例分割模型；
步骤三：读取待预测常规遥感影像，并构建所述待预测常规遥感影像的数据立方体，将所述数据立方体输入所述农业大棚实例分割模型，所述农业大棚实例分割模型输出整幅所述待预测常规遥感影像的农业大棚提取结果，所述农业大棚提取结果包括经偏移修正后的全部农业大棚对应的多边形点集及其置信度。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种基于深度学习的高分辨率遥感影像农业大棚提取方法，该方法首先构建多时相多尺度的实例分割农业大棚数据集，然后利用该数据集中的训练集，利用多GPU加速技术对基于Mask R-CNN算法的实例分割模型进行训练，训练收敛后得到农业大棚实例分割模型，该模型可用来识别和提取待预测常规遥感影像中的农业大棚信息，得到待预测常规遥感影像的农业大棚提取结果。由于参与模型训练的实例分割农业大棚数据集涵盖了多种典型场景下的大棚的形状与纹理信息，并且在模型训练及预测过程中用到了多GPU加速技术，因此训练收敛后得到的农业大棚实例分割模型可以自动高效的提取出高分辨率遥感影像中的农业大棚信息。
附图说明
图1为本发明所提出的一种基于深度学习的高分辨率遥感影像农业大棚提取方法的流程图；
图2为标注后的分块影像的示意图；
图3为待预测常规遥感影像的部分农业大棚提取结果示意图。
具体实施方式
近些年来随着人工智能算法的再度兴起，给基于深度学习算法的遥感应用带来新的发展机遇。从一开始的卷积神经网络LeNet、到后来的AlexNet、 GoogleNet、VGG16等深度卷积神经网络模型，在计算机视觉领域以卷积神经网络为基础的算法日新月异。结合遥感影像特性的多层卷积神经网络，通过“前馈学习-反向传播”的方式获取图像抽象特征，构建超多隐藏感知器模型，成为一种新型遥感信息获取手段，并且在GPU性能显著提升的加持下，图像信息提取效率上也有极大提高。在影像实例分割领域，基于深度学习的双阶段目标识别框架历经了R-CNN、Fast R-CNN、Faster R-CNN的演化，并基于实例分割的方式将算法升级至Mask R-CNN算法。本发明首先通过收集多景、多时相的农业大棚高分辨率卫星遥感影像，随后通过对遥感影像进行图像预处理、大棚标注、影像分块与影像增强等操作，制作农业大棚实例分割训练数据集。基于该数据集利用Mask R-CNN算法，利用多GPU加速技术进行农业大棚实例分割模型训练。该模型可用来识别遥感影像中的农业大棚信息。由于参与模型训练的农业大棚数据集涵盖了多种典型场景下的大棚的形状与纹理信息，并且在模型训练及预测过程中用到了多GPU加速技术，因此训练收敛后的农业大棚实例分割模型可以自动高效的提取出高分辨率遥感影像中的农业大棚信息。下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
参见图1，本发明提供了一种基于深度学习的高分辨率遥感影像农业大棚提取方法，该方法具体采用了如下的技术方案：
步骤一：构建多时相多尺度的实例分割农业大棚数据集
在此步骤中，构建多时相多尺度的实例分割农业大棚数据集，该实例分割农业大棚数据集包括后面步骤中用于对模型进行训练的训练集。
具体地，构建多时相多尺度的实例分割农业大棚数据集包括以下步骤：
步骤一一：首先收集不同场景、不同地区、不同时相下的包含典型农业大棚的原始高分辨率卫星遥感影像。
步骤一二：读取原始高分辨率卫星遥感影像，然后对每一幅原始高分辨率卫星遥感影像进行分块裁剪，得到对应的分块影像，分块裁剪时需要保证分块后影像中农业大棚的完整性。为保证后续模型训练及测试过程中GPU的性能，分块裁剪时分块影像的分块尺寸在1024×1024左右，分块影像的分块重叠度在 0.25至0.45之间。
步骤一三：随后借助地信软件工具分别对分块影像中的农业大棚进行标注，得到每一幅分块影像对应的标注数据，该标注数据包括农业大棚的个数、类型以及多边形点位坐标等信息。各分块影像的标注数据以.shp格式文件存储。标注后的分块影像如图2所示，图中白色矩形框表示标注出的农业大棚。本步骤中所使用的地信软件工具可以采用QGIS平台，该软件是一款开源的桌面GIS软件，轻量友好，易于矢量的可视化分析与标注。
步骤一四：为了保证后续大棚提取算法的鲁棒性，待所有分块影像中的农业大棚信息标注完毕后，需要采用数据增强方法对各个分块影像及其对应的标注数据进行数据增强处理，其中数据增强方法为随机翻转、随机裁剪、随机旋转和仿射变换中的任意一种或者几种的随机组合。
步骤一五：在完成数据增强之后，按照预设比例对数据增强之后的全部分块影像及其对应的标注数据进行训练集、验证集与测试集的划分，其中训练集用于农业大棚实例分割模型的训练，验证集用于监控和约束模型训练过程中超参数的选择，并对模型预测能力进行初步评估(不参与训练过程)，测试集用于模型预测及泛化能力的最终评估，不影响模型超参数的选择(不参与训练过程)。
步骤一六：最后将训练集、验证集与测试集下的所有分块影像对应的标注数据按照Microsoft COCO实例分割标准进行格式转化(数据格式参见 http://cocodataset.org/#format-data)，格式转化后得到多时相多尺度的实例分割农业大棚数据集，该多时相多尺度的实例分割农业大棚数据集包括训练集、验证集与测试集下的分块影像及其对应的格式转化完成后的标注数据。至此多时相多尺度的实例分割农业大棚数据集构建完毕。
步骤二：模型训练
本步骤利用训练集对基于Mask R-CNN算法的实例分割模型进行训练，训练收敛后得到农业大棚实例分割模型，该农业大棚实例分割模型可用于识别和提取遥感影像中的农业大棚信息。
在高分辨率遥感影像农业大棚数据集构建完毕后，即可基于Mask R-CNN 算法进行实例分割模型训练，具体包括以下步骤：
步骤二一：利用ResNet50网络对训练集中的图像进行特征提取，得到特征图。
首先将训练集中的图像通过ResNet50网络进行特征提取，以1024×1024的图像为例进行网络结构说明。经ResNet50的卷积、池化、ReLu等操作后，得到 C1、C2、C3、C4、C5五个层次的特征图，其中C1特征图尺寸为256×256×64， C2特征图的尺寸为256×256×256，C3特征图的尺寸为128×128×512，C4特征图尺寸为64×64×1024，C5特征图的尺寸为32×32×2048。
步骤二二：利用特征图建立FPN网络。
随后利用C2、C3、C4、C5建立特征金字塔网络(Feature Pyramid Networks，简称FPN)，并得到P2、P3、P4、P5、P6五个特征图，然后利用遍历P2、P3、 P4、P5、P6五个特征图，以特征图上的每个像素生成Anchor锚框。
步骤二三：通过RPN前向传播确定基于Mask R-CNN算法的实例分割模型的网络损失函数。
在获取了锚框后，通过对锚框进行正负样本划分生成RPN网络数据集。以锚框与GroundTruth的IoU作为划分标准，其中IoU大于0.65的标记为正样本， IoU小于0.35的标记为负样本，剩余锚框不用于训练。在样本划分的同时，需计算锚框与Ground Truth的偏移量。通过RPN前向传播得到的偏移量与正样本和Ground Truth计算的偏移量计算smooth L1Loss(RPN目标框回归损失)，记为Loss1，其计算公式如下：
其中:
tx＝(x-xa)/wa,ty＝(y-ya)/ha,tw＝log(w/wa),th＝log(h/ha),
上式(x,y)为前向传播计算得到的预测框中心坐标值，(xa,ya)为锚框中心点对应的坐标值，(x*,y*)为Ground Truth框中心点对应的坐标值，相应的(w,h)为预测框的宽和高，(wa,ha)分别为锚框的宽和高，(w*,h*)分别为Ground Truth框的宽和高。
通过RPN前向传播得到锚框背景与前景softmax概率值，可以计算交叉熵损失函数，即RPN前景/背景分类损失，记为Loss2，相关公式如下：
Softmax函数为：
其中aj表示类别j经网络前向传播计算得到的分数。
交叉熵公式为：
其中，
表示真实标签概率，yj为预测概率即上一步计算得到的Sj。
按照锚框经RPN网络前向传播得出的正样本的得分由高到低排序，取前 1000个得分最高的锚框作非极大值抑制(即NMS)，经NMS操作后的锚框作为RoI，其中RoI与GroundTruth的IoU大于0.5的标记为正样本，小于0.5的标记为负样本。将RoI映射回特征图上，通过RoI对齐操作并经过Mask RCNN 网络可以得到对应的矩形框坐标值、所属类别及mask掩码。
同RPN前景/背景目标框回归损失Loss1与分类损失Loss2计算步骤类似，可以分别计算RoI对应的分类损失Loss3、边框回归损失Loss4。由于多了mask 掩码，因此增加了像素分割二分类交叉熵损失，记为Loss5，其计算公式如下：
其中，
表示真实标签概率，yj为预测概率，由于是二分类问题，所以
的取值集合为{0,1}。
整个农业大棚实例分割模型的损失函数由Loss1、Loss2、Loss3、Loss4 Loss5 求和组成。
步骤二四：采用随机梯度下降算法对所述损失函数进行最小化优化。
在模型训练过程中采用随机梯度下降(Stochastic Gradient Descent，SGD) 算法对网络损失函数进行最小化优化。
步骤二五：待基于Mask R-CNN算法的实例分割模型收敛后，将基于Mask R-CNN算法的实例分割模型及网络结构配置文件输出，得到农业大棚实例分割模型。
待网络收敛之后，将基于Mask R-CNN算法的实例分割模型及网络结构配置文件输出，便可得到农业大棚实例分割模型，该农业大棚实例分割模型用以下一步遥感影像农业大棚的提取。
众所周知，GPU加速是对比CPU的计算性能而言的，CPU由专为顺序串行处理而优化的几个核心组成，而GPU则拥有一个由数以千计的更小、更高效的核心(专为同时处理多重任务而设计)组成的大规模并行计算架构。
CUDA是英伟达提供给开发者的一个GPU编程框架。在实际算法编程实现的过程中，主要是通过使用封装好的高级CUDA函数接口来调用GPU资源进行达到图像处理加速的效果。由于在基于Mask R-CNN算法的实例分割模型训练过程中，用到了大量的图像运算，因此相比于传统的CPU架构算法，采用GPU 算法会更佳高效，从而有利于实现农业大棚实例分割模型的自动高效提取出高分辨率遥感影像中的农业大棚信息。
步骤三：遥感影像农业大棚信息自动化提取
本步骤首先读取待预测常规遥感影像，然后构建待预测常规遥感影像的数据立方体，再将数据立方体输入步骤二得到的农业大棚实例分割模型中，农业大棚实例分割模型输出整幅待预测常规遥感影像的农业大棚提取结果，该农业大棚提取结果包括经偏移修正后的全部农业大棚对应的多边形点集及其置信度。
由于待预测的常规遥感影像原始图幅较大，为了提高预测的效率，采用影像分块批量预测的方式进行测试。
在读取待预测常规遥感影像之后，构建待预测常规遥感影像的数据立方体时，先按照预测分块尺寸及预测分块重叠度将待预测常规遥感影像分块内的遥感影像数据按照预测批次大小生成数据立方体，数据立方的尺寸为B×C×W×H，其中B为批次大小，C为影像波段数，W为分块宽度，H为分块高度。随后将该数据立方体转移至GPU显存中，并分别记录分块数据相对于待预测常规遥感影像左上角坐标的偏移量，该偏移量用于后续对分块数据中提取的农业大棚多边形信息进行坐标修正。此处的预测分块尺寸及预测分块重叠度可以与步骤一二中的分块尺寸及分块重叠度参数保持一致，即预测分块尺寸也为1024×1024，预测分块重叠度也在0.25至0.45之间。由于在读取待预测常规遥感影像后，已经获取了图像数据的头指针(可以在内存里访问全部的影像数据)，因此本步骤在程序具体实现的过程中并没有再对影像进行裁剪分块输出，而是依据分块参数在内存里构建B个分块影像组成的数据立方体，然后整体送入模型进行预测。
在将数据立方体输入农业大棚实例分割模型后，即可得到待预测常规遥感影像中各分块影像对应的农业大棚信息，农业大棚信息提取结果中每一个农业大棚实例均对应一组多边形的点集及其置信度。在将所有分块影像中农业大棚的多边形信息经偏移修正合并后，即可得到整幅待预测常规遥感影像的农业大棚提取结果。
为了获得更为精确的农业大棚信息，同时更好的处理分块重叠区域大棚信息的合并，得到农业大棚提取结果之后还包括步骤：提取农业大棚提取结果中每个农业大棚对应的多边形点集的最小外接矩形，并以OpenCV旋转矩形框的格式对最小外接矩形进行记录；随后通过置信度阈值对记录的矩形框进行第一轮筛选，然后通过旋转NMS进行第二轮筛选，经过两轮筛选后保留的矩形框即为精确的农业大棚提取结果。
在得到精确的农业大棚提取结果之后还包括步骤：依据待预测常规遥感影像的地理信息参考，经过图像坐标到地理坐标的转换，获取到每个农业大棚对应的地理信息，并将地理信息按照.shp格式的文件输出，即完成整幅待预测常规遥感影像中农业大棚的提取。待预测常规遥感影像的部分农业大棚提取结果如图3所示，图3(a)～图3(d)中白色框表示提取的农业大棚，每一个白色矩形框内的白色实心原点代表提取得到的农业大棚矩形框的中心。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，包括以下步骤：
步骤一：构建多时相多尺度的实例分割农业大棚数据集，所述实例分割农业大棚数据集包括训练集；
步骤二：利用所述训练集对基于Mask R-CNN算法的实例分割模型进行训练，训练收敛后得到农业大棚实例分割模型；
步骤三：读取待预测常规遥感影像，并构建所述待预测常规遥感影像的数据立方体，将所述数据立方体输入所述农业大棚实例分割模型，所述农业大棚实例分割模型输出整幅所述待预测常规遥感影像的农业大棚提取结果，所述农业大棚提取结果包括经偏移修正后的全部农业大棚对应的多边形点集及其置信度。
2.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，步骤一包括以下步骤：
步骤一一：收集不同场景、不同地区、不同时相下的包含典型农业大棚的原始高分辨率卫星遥感影像；
步骤一二：读取所述原始高分辨率卫星遥感影像，对每一幅所述原始高分辨率卫星遥感影像进行分块裁剪，得到对应的分块影像；
步骤一三：利用地信软件工具对所述分块影像中的农业大棚进行标注，得到每一幅所述分块影像对应的标注数据，所述标注数据包括农业大棚的个数、类型以及多边形点位坐标；
步骤一四：采用数据增强方法对各个所述分块影像及其对应的标注数据进行数据增强处理；
步骤一五：按照预设比例对数据增强之后的全部分块影像及其对应的标注数据进行训练集、验证集与测试集的划分；
步骤一六：分别将所述训练集、所述验证集与所述测试集下的分块影像对应的标注数据按照Microsoft COCO实例分割标准进行格式转化，得到多时相多尺度的实例分割农业大棚数据集，该多时相多尺度的实例分割农业大棚数据集包括所述训练集、所述验证集与所述测试集下的分块影像及其对应的格式转化完成后的标注数据。
3.根据权利要求2所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，
所述分块影像的分块尺寸为1024×1024，分块重叠度在0.25至0.45之间。
4.根据权利要求2所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，
所述数据增强方法为随机翻转、随机裁剪、随机旋转和仿射变换中的任意一种或者几种的随机组合。
5.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，步骤二包括以下步骤：
步骤二一：利用ResNet50网络对所述训练集中的图像进行特征提取，得到特征图；
步骤二二：利用所述特征图建立FPN网络；
步骤二三：通过RPN前向传播确定基于Mask R-CNN算法的实例分割模型的损失函数；
步骤二四：采用随机梯度下降算法对所述损失函数进行最小化优化；
步骤二五：待基于Mask R-CNN算法的实例分割模型收敛后，将基于Mask R-CNN算法的实例分割模型及网络结构配置文件输出，得到农业大棚实例分割模型。
6.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，构建所述待预测常规遥感影像的数据立方体包括以下步骤：
按照预测分块尺寸及预测分块重叠度将所述待预测常规遥感影像分块内的遥感影像数据按照预测批次大小生成数据立方体，将所述数据立方体转移至GPU显存中，并分别记录分块数据相对于所述待预测常规遥感影像左上角坐标的偏移量。
7.根据权利要求6所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，
所述预测分块尺寸为1024×1024，所述预测分块重叠度在0.25至0.45之间。
8.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，步骤三中得到农业大棚提取结果之后还包括：
提取所述农业大棚提取结果中每个农业大棚对应的多边形点集的最小外接矩形，并以OpenCV旋转矩形框的格式对最小外接矩形进行记录；
通过置信度阈值对记录的矩形框进行第一轮筛选，然后通过旋转NMS进行第二轮筛选，经过两轮筛选后保留的矩形框即为精确的农业大棚提取结果。
9.根据权利要求8所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，得到精确的农业大棚提取结果之后还包括：
经过图像坐标到地理坐标的转换，获取到每个农业大棚对应的地理信息，并将所述地理信息按照.shp格式的文件输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110737687.7A CN113361465A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的高分辨率遥感影像农业大棚提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110737687.7A CN113361465A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的高分辨率遥感影像农业大棚提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361465A true CN113361465A (zh) | 2021-09-07 |
Family
ID=77537544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110737687.7A Pending CN113361465A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的高分辨率遥感影像农业大棚提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361465A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012708A (zh) * | 2023-01-03 | 2023-04-25 | 兰州大学 | 一种基于遥感影像的塑料温室快速检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
| CN111126287A (zh) * | 2019-12-25 | 2020-05-08 | 武汉大学 | 一种遥感影像密集目标深度学习检测方法 |
| CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
| CN111539403A (zh) * | 2020-07-13 | 2020-08-14 | 航天宏图信息技术股份有限公司 | 农业大棚的识别方法、装置及电子设备 |
| CN111582218A (zh) * | 2020-05-18 | 2020-08-25 | 长光卫星技术有限公司 | 一种基于深度学习的遥感影像岛礁提取方法 |
| CN113011288A (zh) * | 2021-03-02 | 2021-06-22 | 中北大学 | 一种基于Mask RCNN算法的遥感建筑物检测方法 |
-
2021
- 2021-06-30 CN CN202110737687.7A patent/CN113361465A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
| CN111126287A (zh) * | 2019-12-25 | 2020-05-08 | 武汉大学 | 一种遥感影像密集目标深度学习检测方法 |
| CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
| CN111582218A (zh) * | 2020-05-18 | 2020-08-25 | 长光卫星技术有限公司 | 一种基于深度学习的遥感影像岛礁提取方法 |
| CN111539403A (zh) * | 2020-07-13 | 2020-08-14 | 航天宏图信息技术股份有限公司 | 农业大棚的识别方法、装置及电子设备 |
| CN113011288A (zh) * | 2021-03-02 | 2021-06-22 | 中北大学 | 一种基于Mask RCNN算法的遥感建筑物检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012708A (zh) * | 2023-01-03 | 2023-04-25 | 兰州大学 | 一种基于遥感影像的塑料温室快速检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
| CN112819830A (zh) | 基于深度学习与机载激光点云的单株树冠分割方法 | |
| CN112464766B (zh) | 一种农田地头自动识别方法及系统 | |
| CN107918776A (zh) | 一种基于机器视觉的用地规划方法、系统及电子设备 | |
| Li et al. | A comparison of deep learning methods for airborne lidar point clouds classification | |
| CN107016403A (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
| CN113343858B (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
| CN111754618A (zh) | 一种面向对象的实景三维模型多层次解译方法及系统 | |
| CN116863345A (zh) | 一种基于双重注意力和尺度融合的高分影像农田识别方法 | |
| CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
| CN114241326A (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
| CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
| CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
| CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 | |
| CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
| CN116258956A (zh) | 无人机树木识别方法、设备、存储介质及装置 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN113361465A (zh) | 一种基于深度学习的高分辨率遥感影像农业大棚提取方法 | |
| CN117789037A (zh) | 作物生长期预测方法及装置 | |
| CN112509142B (zh) | 基于面向表型精确鉴定的豆株快速三维重建方法 | |
| CN109657540A (zh) | 枯死树定位方法及系统 | |
| CN117058069A (zh) | 一种全景影像中路面表观病害自动检测方法 |
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 |
Application publication date: 20210907 |
|
| RJ01 | Rejection of invention patent application after publication |