CN113392748B - 一种基于卷积神经网络的遥感影像耕地信息提取方法 - Google Patents

一种基于卷积神经网络的遥感影像耕地信息提取方法 Download PDF

Info

Publication number
CN113392748B
CN113392748B CN202110633521.0A CN202110633521A CN113392748B CN 113392748 B CN113392748 B CN 113392748B CN 202110633521 A CN202110633521 A CN 202110633521A CN 113392748 B CN113392748 B CN 113392748B
Authority
CN
China
Prior art keywords
layer
remote sensing
data
pixel
convolution
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
Application number
CN202110633521.0A
Other languages
English (en)
Other versions
CN113392748A (zh
Inventor
林燕
张衡
白秀佳
王铮
侯言凯
田力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Survey and Research Institute of China Coal Geology Bureau
Original Assignee
General Survey and Research Institute of China Coal Geology Bureau
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by General Survey and Research Institute of China Coal Geology Bureau filed Critical General Survey and Research Institute of China Coal Geology Bureau
Priority to CN202110633521.0A priority Critical patent/CN113392748B/zh
Publication of CN113392748A publication Critical patent/CN113392748A/zh
Application granted granted Critical
Publication of CN113392748B publication Critical patent/CN113392748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的遥感影像耕地信息提取方法，所述方法如下：A、数据预处理，通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；B、构建遥感影像库，C、卷积神经网络模型建立及训练，D、遥感影像信息提取分类；E、耕地信息空间统计分析；以某区域landsat8影像数据作为数据源，利用ENVI5.3软件对影像数据预处理，其既可以解决目视解译的耗时费力问题，也可实现精准识别分类遥感影像数据，为今后关于遥感影像提取分类的研究应用提供了可行的技术方法，提升了我国耕地管理效率，使得农业监测更加科学化、现代化。

Description

一种基于卷积神经网络的遥感影像耕地信息提取方法
技术领域
本发明涉及一种遥感影像耕地信息提取方法，具体涉及一种基于卷积神经网络的遥感影像耕地信息提取方法，属于遥感影像耕地信息提取方法技术领域。
背景技术
农业是国民经济的基础，耕地是农业发展和农业现代化的根基命脉，保障国家粮食的基石；耕地面积和空间分布信息是精确农业、粮食生产等农业领域的基础数据，因此精准快速的调查出耕地的空间分布状况对人类的生产生活、国家的监督管理以及耕地保护至关重要；目前耕地面积的估算通常采用人工统计或传统遥感监测的方法，其中人工统计方法容易受人为因素的影响，并难以快速的获取信息，费时费力；而遥感技术具有覆盖面积广、探测周期短等特点，能够快速的提取出耕地的空间分布及面积；传统的遥感影像监督分类方法采用浅层特征提取，很难提取像素的有效特征，另外需要过多的人工参与，影响了信息提取结果的准确性。
发明内容
为解决上述问题，本发明提出了一种基于卷积神经网络的遥感影像耕地信息提取方法，通过改进网络结构，基于卷积神经网络AlexNet模型与HOG和LBP局部特征提取相融合的方法，提高了影像信息提取的精度和效率，能够快速精准影像识别分类，为遥感影像精准快速的信息提取提供技术支持，对耕地资源管理、农业生产、耕地红线等研究具有重要意义。
本发明的基于卷积神经网络的遥感影像耕地信息提取方法，所述方法如下：
A、数据预处理，以某区域landsat8影像数据作为数据源，由于遥感影像在成像过程中，会产生一定程度的变形，因此，需要利用ENVI5.3软件对影像数据预处理，在影像识别分类之前需对影像进行预处理以增强影像质量，还原影像真实信息；以增强影像质量，为影像识别奠定良好的基础；通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；
B、构建遥感影像库，遥感影像库是卷积神经网络模型训练的基础，遥感影像的丰富度直接影响着卷积神经网络的训练精度；遥感影像库包含通过网络爬虫收集到公开的真实类别图，以及对目标区域目视解译出的部分影像，通过智能化批量方法将影像大小统一为相同像素300*300，图像与类别一一对应，其中类别分为耕地和其他两种；最终形成遥感影像库；其中遥感影像库包括训练图像和验证图像，且其数量比例为9:1；如最终形成1000张图像的遥感影像库，其中900张图像为训练图像，100张图像为验证图像；
C、卷积神经网络模型建立及训练，利用改进的AlexNet模型完成特征融合运算，其将卷积神经网络中的全局特征和HOG、LBP的局部特征提取在AlexNet模型上进行空间位置的交互融合；HOG提取的是边缘形状特征，LBP提取局部纹理特征，将HOG特征、LBP特征和经过AlexNet提取的全局特征进行加权融合，使图像特征更加明显，进而可提高遥感影像分类识别的准确率；融合公式为：F=WAlexNetFAlexnet+WHOGFHOG+WLBPFLBP；
其中：F是融合后的特征，WAlexNet为全局特征的权重，FAlexnet为全局特征，WHOG为HOG的权重，FHOG为HOG提取的局部特征，WLBP为LBP的权重，FLBP为LBP的局部特征；
D、遥感影像信息提取分类：将处理好的目标区域的遥感影像数据输入训练好的卷积神经网络模型进行信息提取分类识别，获取耕地信息，至少包括耕地范围信息；
E、耕地信息空间统计分析：基于分类后的耕地信息进行区域内的面积统计以及布局分析。
2、根据权利要求1所述的基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：改进的所述AlexNet-CNN模型网络的各层参数如下设置：
第一层输入数据为原始图像的300*300*3的图像；
第二层为卷积层a，第一个卷积层的核大小为11*11，有96个卷积核，原始图像被卷积核进行卷积，产生的新图像尺寸为74像素，第一层有96个卷积核，最终形成74*74*96像素层，共分为2组数据74*74*48，作为后面层数的卷积操作的输入；
池化处理：将第一个卷积层形成的图像进行池化处理，池化运算的尺度设为3*3，步长为2，经过池化处理后的像素为37*37*96；
局部响应归一化层(LRN)：最后进行LRN操作，将像素的数值进行归一化运算，归一化向量的尺度为5*5，在经过第一层卷积、池化的操作结束后形成的输出图像的尺寸大小为37*37*96，生成96个新的卷积核，这96层数据分为2组，每组48个像素层；
第三层为卷积层b，第二个卷积层的输入数据是第一个卷积层的输出37*37*96的像素层；将其分为2组像素层，每组像素数据层被5*5*48的卷积核进行卷积的运算，一共有256个卷积核，形成37*37*128的两组像素层；
池化处理运算后的图像尺寸为18，即池化后像素的规模为2组18*18*128的像素层；
局部响应归一化层(LRN)：最后经过归一化处理，将像素的数值进行归一化运算，归一化向量的尺度为5*5，将生成256个新的卷积核，这156个数据分为2组，每组128个像素层；
第四层为卷积层c，输入数据是第三层18*18*128的像素层，分为 2 组像素数据层，每组像素数据被3*3的卷积核进行卷积运算，一共有384个卷积核,生成18*18*192两组像素层；
第五层为卷积层d，输入数据为第四层18*18*192的像素层，为了方便后续处理，分为2组像素数据层，每组像素数据被3*3的卷积核卷积，一共有384个卷积核，生成18*18*192两组像素层；
第六层为卷积层e，输入数据为第五层18*18*192的像素层，分为2组像素数据层，每组像素数据被 3*3的卷积核卷积，一共有256个卷积核，生成18*18*128两组像素层；
池化层：进过池化运算，池化后像素的尺寸为6，即池化后像素层的尺寸变成了两组7*7*128的像素层，共7*7*256=12544规模的像素层；
第七层就是全连接的第一层，AlexNet卷积得到的12544维的向量，经过HOG特征提取得到的是11664维，经过LBP得到的是26维，输入到全连接网络，全连接一共是三层，第一层输出是512，第二层输出是256，第三层输出是19；
第八层也是全连接层，将第七层输出的512个数据与第八层的256个数据全连接操作，同第七层的处理方法，通过ReLU激活函数和dropout操作，最后的输出尺寸是256*1，有256个样本的输出卷积神经网络的计算值；
第九层是全连接的最后一层，由上一层的256个数据与19个节点全连接，输出最后的分类标签为耕地和其他两种标签。
进一步地，在激活函数的选择上，将ReLU作为卷积神经网络中的激活函数，f（x）=max（0，x）；根据训练过程中的测试结果的准确性，不断优化完善模型，使模型识别影像的精度达到最优解。
与现有技术相比较，本发明的基于卷积神经网络的遥感影像耕地信息提取方法具有以下优点：
以某区域landsat8影像数据作为数据源，利用ENVI5.3软件对影像数据预处理，以增强影像质量，为影像识别奠定良好的基础；基于预处理后的影像数据进行样本制作，建立遥感影像库；以卷积神经网络为理论背景构建网络训练模型进行网络训练以优化完善模型；通过完善后网络模型对研究区域全部影像进行信息提取，实现耕地信息的提取分类；最终依据分类结果进行空间位置分析与统计；其既可以解决目视解译的耗时费力问题，也可实现精准识别分类遥感影像数据，为今后关于遥感影像提取分类的研究应用提供了可行的技术方法，提升了我国耕地管理效率，使得农业监测更加科学化、现代化。
附图说明
图1为本发明的遥感影像耕地信息提取方法流程示意图。
图2为本发明的改进的AlexNet-CNN模型示意图。
图3为本发明的改进的AlexNet模型融合算法示意图。
具体实施方式
实施例1：
如图1至图3所示的基于卷积神经网络的遥感影像耕地信息提取方法，所述方法如下：
A、数据预处理，以某区域landsat8影像数据作为数据源，由于遥感影像在成像过程中，会产生一定程度的变形，因此，需要利用ENVI5.3软件对影像数据预处理，在影像识别分类之前需对影像进行预处理以增强影像质量，还原影像真实信息；以增强影像质量，为影像识别奠定良好的基础；通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；
B、构建遥感影像库，遥感影像库是卷积神经网络模型训练的基础，遥感影像的丰富度直接影响着卷积神经网络的训练精度；遥感影像库包含通过网络爬虫收集到公开的真实类别图，以及对目标区域目视解译出的部分影像，通过智能化批量方法将影像大小统一为相同像素300*300，图像与类别一一对应，其中类别分为耕地和其他两种；最终形成遥感影像库；其中遥感影像库包括训练图像和验证图像，且其数量比例为9:1；如最终形成1000张图像的遥感影像库，其中900张图像为训练图像，100张图像为验证图像；
C、卷积神经网络模型建立及训练，利用改进的AlexNet模型完成特征融合运算，其将卷积神经网络中的全局特征和HOG、LBP的局部特征提取在AlexNet模型上进行空间位置的交互融合；HOG提取的是边缘形状特征，LBP提取局部纹理特征，将HOG特征、LBP特征和经过AlexNet提取的全局特征进行加权融合，使图像特征更加明显，进而可提高遥感影像分类识别的准确率；融合公式为：F=WAlexNetFAlexnet+WHOGFHOG+WLBPFLBP；
其中：F是融合后的特征，WAlexNet为全局特征的权重，FAlexnet为全局特征，WHOG为HOG的权重，FHOG为HOG提取的局部特征，WLBP为LBP的权重，FLBP为LBP的局部特征；
D、遥感影像信息提取分类：将处理好的目标区域的遥感影像数据输入训练好的卷积神经网络模型进行信息提取分类识别，获取耕地信息，至少包括耕地范围信息；
E、耕地信息空间统计分析：基于分类后的耕地信息进行区域内的面积统计以及布局分析。
其中，改进的所述AlexNet-CNN模型网络的各层参数如下设置：
第一层输入数据为原始图像的300*300*3的图像，
第二层为卷积层a，第一个卷积层的核大小为11*11，有96个卷积核，原始图像被卷积核进行卷积，产生的新图像尺寸为74像素，第一层有96个卷积核，最终形成74*74*96像素层，共分为2组数据74*74*48，作为后面层数的卷积操作的输入；
池化处理：将第一个卷积层形成的图像进行池化处理，池化运算的尺度设为3*3，步长为2，经过池化处理后的像素为37*37*96；
局部响应归一化层(LRN)：最后进行LRN操作，将像素的数值进行归一化运算，归一化向量的尺度为5*5，在经过第一层卷积、池化的操作结束后形成的输出图像的尺寸大小为37*37*96，生成96个新的卷积核，这96层数据分为2组，每组48个像素层；
第三层为卷积层b，第二个卷积层的输入数据是第一个卷积层的输出37*37*96的像素层；将其分为2组像素层，每组像素数据层被5*5*48的卷积核进行卷积的运算，一共有256个卷积核，形成37*37*128的两组像素层；
池化处理运算后的图像尺寸为18，即池化后像素的规模为2组18*18*128的像素层；
局部响应归一化层(LRN)：最后经过归一化处理，将像素的数值进行归一化运算，归一化向量的尺度为5*5，将生成256个新的卷积核，这156个数据分为2组，每组128个像素层；
第四层为卷积层c，输入数据是第三层18*18*128的像素层，分为 2 组像素数据层，每组像素数据被3*3的卷积核进行卷积运算，一共有384个卷积核,生成18*18*192两组像素层；
第五层为卷积层d，输入数据为第四层18*18*192的像素层，为了方便后续处理，分为2组像素数据层，每组像素数据被3*3的卷积核卷积，一共有384个卷积核，生成18*18*192两组像素层；
第六层为卷积层e，输入数据为第五层18*18*192的像素层，分为2组像素数据层，每组像素数据被 3*3的卷积核卷积，一共有256个卷积核，生成18*18*128两组像素层；
池化层：进过池化运算，池化后像素的尺寸为6，即池化后像素层的尺寸变成了两组7*7*128的像素层，共7*7*256=12544规模的像素层；
第七层就是全连接的第一层，AlexNet卷积得到的12544维的向量，经过HOG特征提取得到的是11664维，经过LBP得到的是26维，输入到全连接网络，全连接一共是三层，第一层输出是512，第二层输出是256，第三层输出是19；
第八层也是全连接层，将第七层输出的512个数据与第八层的256个数据全连接操作，同第七层的处理方法，通过ReLU激活函数和dropout操作，最后的输出尺寸是256*1，有256个样本的输出卷积神经网络的计算值；
第九层是全连接的最后一层，由上一层的256个数据与19个节点全连接，输出最后的分类标签为耕地和其他两种标签。
其中，在激活函数的选择上，将ReLU作为卷积神经网络中的激活函数，他是一种非线性函数保持神经元工作的非激活状态，这样也能节省一部分的工作量；f（x）=max（0，x）；根据训练过程中的测试结果的准确性，不断优化完善模型，使模型识别影像的精度达到最优解。
上述实施例，仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (3)

1.一种基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：所述方法如下：
A、数据预处理，通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；
B、构建遥感影像库，遥感影像库包含通过网络爬虫收集到公开的真实类别图，以及对目标区域目视解译出的部分影像，通过智能化批量方法将影像大小统一为相同像素300*300，图像与类别一一对应，其中类别分为耕地和其他两种；最终形成遥感影像库；其中遥感影像库包括训练图像和验证图像，且其数量比例为9:1；
C、卷积神经网络模型建立及训练，利用改进的AlexNet模型完成特征融合运算，其将卷积神经网络中的全局特征和HOG、LBP的局部特征提取在AlexNet模型上进行空间位置的交互融合；HOG提取的是边缘形状特征，LBP提取局部纹理特征，将HOG特征、LBP特征和经过AlexNet提取的全局特征进行加权融合，融合公式为：F=WAlexNetFAlexnet+WHOGFHOG+WLBPFLBP；
其中：F是融合后的特征，WAlexNet为全局特征的权重，FAlexnet为全局特征，WHOG为HOG的权重，FHOG为HOG提取的局部特征，WLBP为LBP的权重，FLBP为LBP的局部特征；
D、遥感影像信息提取分类：将处理好的目标区域的遥感影像数据输入训练好的卷积神经网络模型进行信息提取分类识别，获取耕地信息，至少包括耕地范围信息；
E、耕地信息空间统计分析：基于分类后的耕地信息进行区域内的面积统计以及布局分析。
2.根据权利要求1所述的基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：改进的所述AlexNet-CNN模型网络的各层参数如下设置：
第一层输入数据为原始图像的300*300*3的图像，
第二层为卷积层a，第一个卷积层的核大小为11*11，有96个卷积核，原始图像被卷积核进行卷积，产生的新图像尺寸为74像素，第一层有96个卷积核，最终形成74*74*96像素层，共分为2组数据74*74*48，作为后面层数的卷积操作的输入；
池化处理：将第一个卷积层形成的图像进行池化处理，池化运算的尺度设为3*3，步长为2，经过池化处理后的像素为37*37*96；
局部响应归一化层(LRN)：最后进行LRN操作，将像素的数值进行归一化运算，归一化向量的尺度为5*5，在经过第一层卷积、池化的操作结束后形成的输出图像的尺寸大小为37*37*96，生成96个新的卷积核，这96层数据分为2组，每组48个像素层；
第三层为卷积层b，第二个卷积层的输入数据是第一个卷积层的输出37*37*96的像素层；将其分为2组像素层，每组像素数据层被5*5*48的卷积核进行卷积的运算，一共有256个卷积核，形成37*37*128的两组像素层；
池化处理运算后的图像尺寸为18，即池化后像素的规模为2组18*18*128的像素层；
局部响应归一化层(LRN)：最后经过归一化处理，将像素的数值进行归一化运算，归一化向量的尺度为5*5，将生成256个新的卷积核，这156个数据分为2组，每组128个像素层；
第四层为卷积层c，输入数据是第三层18*18*128的像素层，分为 2 组像素数据层，每组像素数据被3*3的卷积核进行卷积运算，一共有384个卷积核,生成18*18*192两组像素层；
第五层为卷积层d，输入数据为第四层18*18*192的像素层，为了方便后续处理，分为2组像素数据层，每组像素数据被3*3的卷积核卷积，一共有384个卷积核，生成18*18*192两组像素层；
第六层为卷积层e，输入数据为第五层18*18*192的像素层，分为2组像素数据层，每组像素数据被 3*3的卷积核卷积，一共有256个卷积核，生成18*18*128两组像素层；
池化层：进过池化运算，池化后像素的尺寸为6，即池化后像素层的尺寸变成了两组7*7*128的像素层，共7*7*256=12544规模的像素层；
第七层就是全连接的第一层，AlexNet卷积得到的12544维的向量，经过HOG特征提取得到的是11664维，经过LBP得到的是26维，输入到全连接网络，全连接一共是三层，第一层输出是512，第二层输出是256，第三层输出是19；
第八层也是全连接层，将第七层输出的512个数据与第八层的256个数据全连接操作，同第七层的处理方法，通过ReLU激活函数和dropout操作，最后的输出尺寸是256*1，有256个样本的输出卷积神经网络的计算值；
第九层是全连接的最后一层，由上一层的256个数据与19个节点全连接，输出最后的分类标签为耕地和其他两种标签。
3.根据权利要求2所述的基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：在激活函数的选择上，将ReLU作为卷积神经网络中的激活函数，f（x）=max（0，x）；根据训练过程中的测试结果的准确性，不断优化完善模型，使模型识别影像的精度达到最优解。
CN202110633521.0A 2021-06-07 2021-06-07 一种基于卷积神经网络的遥感影像耕地信息提取方法 Active CN113392748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110633521.0A CN113392748B (zh) 2021-06-07 2021-06-07 一种基于卷积神经网络的遥感影像耕地信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110633521.0A CN113392748B (zh) 2021-06-07 2021-06-07 一种基于卷积神经网络的遥感影像耕地信息提取方法

Publications (2)

Publication Number Publication Date
CN113392748A CN113392748A (zh) 2021-09-14
CN113392748B true CN113392748B (zh) 2023-06-30

Family

ID=77618399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110633521.0A Active CN113392748B (zh) 2021-06-07 2021-06-07 一种基于卷积神经网络的遥感影像耕地信息提取方法

Country Status (1)

Country Link
CN (1) CN113392748B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663771A (zh) * 2022-04-14 2022-06-24 中国农业科学院农业资源与农业区划研究所 一种基于分区分层理论的山区耕地智能化提取方法
CN115631372B (zh) * 2022-10-18 2023-06-09 菏泽市土地储备中心 基于土壤遥感数据的土地信息分类管理方法
CN115761346A (zh) * 2022-11-22 2023-03-07 山东农业工程学院 一种基于多模型融合的遥感图像分类方法
CN115690591B (zh) * 2023-01-05 2023-03-31 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
CN116052018B (zh) * 2023-03-31 2023-10-27 北京数慧时空信息技术有限公司 基于终身学习的遥感影像解译方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986099A (zh) * 2020-06-30 2020-11-24 武汉大学 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
CN112101271A (zh) * 2020-09-23 2020-12-18 台州学院 一种高光谱遥感影像分类方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7639842B2 (en) * 2002-05-03 2009-12-29 Imagetree Corp. Remote sensing and probabilistic sampling based forest inventory method
SG10201704222VA (en) * 2017-05-24 2018-12-28 Remote Grid Pte Ltd System, method and apparatus for management of agricultural resource

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986099A (zh) * 2020-06-30 2020-11-24 武汉大学 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
CN112101271A (zh) * 2020-09-23 2020-12-18 台州学院 一种高光谱遥感影像分类方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于卷积注意力模块的端到端遥感图像分类;徐风;苗哲;业巧林;;林业工程学报(04);全文 *
基于反卷积高层特征的遥感地物图像分类;王云艳;罗冷坤;周志刚;;计算机工程与应用(11);全文 *
基于高分二号影像的森林和耕地的提取方法;高侃;王卓薇;;工业控制计算机(05);全文 *

Also Published As

Publication number Publication date
CN113392748A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN113392748B (zh) 一种基于卷积神经网络的遥感影像耕地信息提取方法
WO2022160771A1 (zh) 基于自适应多尺度特征提取模型的高光谱图像分类方法
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN110717903A (zh) 一种利用计算机视觉技术进行农作物病害检测的方法
CN113657326A (zh) 一种基于多尺度融合模块和特征增强的杂草检测方法
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
CN112016596A (zh) 基于卷积神经网络的农田土壤肥力评价方法
Sabri et al. Nutrient deficiency detection in maize (Zea mays L.) leaves using image processing
CN112861666A (zh) 一种基于深度学习的鸡群计数方法及应用
Devisurya et al. Early detection of major diseases in turmeric plant using improved deep learning algorithm
Balasubramaniyan et al. Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification
CN117743975A (zh) 山坡耕地土壤环境改良方法
Dhawan et al. Deep Learning Based Sugarcane Downy Mildew Disease Detection Using CNN-LSTM Ensemble Model for Severity Level Classification
Xue et al. Automatic identification of butterfly species based on gray-level co-occurrence matrix features of image block
CN114511849B (zh) 一种基于图注意力网络的葡萄疏果识别方法
Javeriya Faster-RCNN based deep learning model for pomegranate diseases detection and classification
CN113657290A (zh) 一种螺类采集与细分类识别系统
Pawar et al. Detection of leaf diseases for multiple plants using convolutional neural network
Khaparde et al. PLANT CHECK: POTATO LEAF DISEASE DETECTION USING CNN MODEL
Qiao et al. Deep learning based grape mildew disease severity classification
PS et al. Deep Learning Model to Enhance Precision Agriculture using Superpixel
Roshan et al. Smart Harvest Diseases Identification using Image Processing
Hui et al. Rice Disease Identification and Classification Based on MATLAB and Android Platform
KHAN et al. IDENTIFICATION OF PADDY DISEASE ALONG ITS PROCESSING TIME
Rao et al. A cnn based framework for comparison and recognition of leaf diseases

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