CN114120125A - 基于双流深度网络的农田识别方法、装置及存储介质 - Google Patents

基于双流深度网络的农田识别方法、装置及存储介质 Download PDF

Info

Publication number
CN114120125A
CN114120125A CN202111444187.0A CN202111444187A CN114120125A CN 114120125 A CN114120125 A CN 114120125A CN 202111444187 A CN202111444187 A CN 202111444187A CN 114120125 A CN114120125 A CN 114120125A
Authority
CN
China
Prior art keywords
farmland
network
semantic segmentation
edge detection
training
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
Application number
CN202111444187.0A
Other languages
English (en)
Inventor
翟晗
谢佳军
马欣悦
胡克林
王梨名
武亚明
王紫琨
祁昆仑
杨超
赵杰
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202111444187.0A priority Critical patent/CN114120125A/zh
Publication of CN114120125A publication Critical patent/CN114120125A/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于双流深度网络的农田识别方法、装置及存储介质，该方法包括：获取第一训练集和第二训练集；构建基于D‑LinkNet的农田语义分割网络；利用第一训练集对农田语义分割网络进行训练，获得训练好的农田语义分割网络；构建基于DexiNed的农田边缘检测网络；利用第二训练数据集对农田边缘检测网络进行训练，获得训练好的农田边缘检测网络；将待识别农田遥感影像分别输入训练好的农田语义分割网络和训练好的农田边缘检测网络，基于膨胀预测方法进行全图预测，得到语义分割结果和边缘检测结果；对语义分割结果和边缘检测结果进行交集差处理，得到农田地块识别结果。本发明基于双流深度网络提高了农田地块识别的准确性，实现农田地块高精度识别。

Description

基于双流深度网络的农田识别方法、装置及存储介质
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于双流深度网络的农田识别方法、装置及存储介质。
背景技术
传统的农田地块识别方法一般分为基于像元的识别方法和面向对象的方法。基于像元的识别方法，虽然能够在较大范围内快速获取农田空间分布信息，但是没有考虑地块之间的田埂边界，无法满足土地确权、地籍管理和农情信息精细化管理的需求。此外，基于像元像素方法没有充分考虑影像空间上下文信息，识别结果常会受到“椒盐噪声”干扰，且地块漏分问题严重，难以满足精准农业的应用需求。面向对象的方法，以对象为基本单元，综合利用光谱特征、纹理特征和拓扑信息进行农田识别，同时耦合农田多尺度信息，相对于基于像元的方法，能够有效提高农田识别精度，缓解“椒盐噪声”，极大提高专题制图质量，是目前应用最为广泛的方法。然而，上述方法大部分仅能提取农田浅层空谱特征，难以准确刻画农田地块的本质属性，在复杂环境下的鲁棒性不足，难以实现农田地块精细化识别。
发明内容
本发明主要解决的技术问题在于，实现在复杂环境下对农田地块的浅层空谱特征以及本质属性的稳定、精细化识别。本发明采取的技术方案是，提供一种基于双流深度网络的农田识别方法、装置及存储介质。
根据本发明的第一方面，提供了一种基于双流深度网络的农田识别方法，包括以下步骤：
获取第一训练集和第二训练集；
构建基于D-LinkNet的农田语义分割网络；
利用所述第一训练集对所述基于D-LinkNet的农田语义分割网络进行训练，训练完成后，获得训练好的农田语义分割网络；
构建基于DexiNed的农田边缘检测网络；
利用所述第二训练数据集对所述基于DexiNed的农田边缘检测网络进行训练，训练完成后，获得训练好的农田边缘检测网络；
将待识别农田遥感影像分别输入所述训练好的农田语义分割网络和所述训练好的农田边缘检测网络，基于膨胀预测方法进行全图预测，得到语义分割结果和边缘检测结果；
对所述语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果。
进一步地，所述获取第一训练集和第二训练集的步骤，包括：
获取农田场景下的遥感影像；
对所述遥感影像进行矢量化处理，获得矢量图层；
将所述矢量图层转化为栅格图层并进行二值化；
基于二值化后的栅格图层制作第一数据集；
基于二值化后的栅格图层制作第二数据集；
从所述第一数据集中获取第一训练集；
从所述第二数据集中获取第二训练集。
进一步地，所述基于D-LinkNet的农田语义分割网络包括：编码器、空洞卷积层和解码器；
所述编码器与所述空洞卷积层连接；
所述解码器分别与所述编码器和所述空洞卷积层连接；
所述空洞卷积用于扩大特征点的感受野。
进一步地，所述基于D-LinkNet的农田语义分割网络的损失函数由交叉熵损失函数L和PointLoss组成，公式如下：
Figure BDA0003383511910000021
Pointloss＝L(YPointID,PPointID)
PointID＝MaxN(-1*|mask1-mask2|)
其中：yi表示i样本的label，正类为1，负类为0，pi表示样本i预测为正类的概率，PointID表示点的位置，mask1表示预测为农田的特征值，mask2表示预测为非农田的特征值，MaxN表示取前N大的数，YPointID表示PointID像元位置的label值，PPointID表示PointID像元位置的预测概率。
进一步地，基于DexiNed的农田边缘检测网络包括：Dexi子网络和UB子网络；
所述Dexi子网络由6个主模块组成，用于提取图像的特征得到特征图；
所述UB子网络将每一个所述主模块获得的特征图进行上采样至原图像大小，通过融合不同层次上采样获得的特征图，实现对边界信息的精确提取。
进一步地，所述对语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果的步骤，包括：
基于交集差处理，将所述语义分割结果和所述边缘检测结果进行融合，以所述语义分割结果为基准，减去所述语义分割结果与所述边缘检测结果的交集，得到农田地块识别结果。
进一步地，在所述对语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果的步骤之后，还包括：
建立基于专家的后处理机制；
利用所述后处理机制对所述农田地块识别结果进行消除细碎块处理、消除孔洞处理、以及边缘简化处理，得到优化后的农田地块识别结果。
根据本发明的第二方面，提供了一种基于双流深度网络的农田识别装置，所述农田识别装置用于实现任一所述基于双流深度网络的农田识别方法，所述农田识别装置包括以下模块：
训练集获取模块，用于获取第一训练集和第二训练集；
语义分割网络构建模块，用于构建基于D-LinkNet的农田语义分割网络；
语义分割网络训练模块，用于利用所述第一训练集对所述基于D-LinkNet的农田语义分割网络进行训练，训练完成后，获得训练好的农田语义分割网络；
边缘检测网络构建模块，用于构建基于DexiNed的农田边缘检测网络；
边缘检测网络训练模块，用于利用所述第二训练数据集对所述基于DexiNed的农田边缘检测网络进行训练，训练完成后，获得训练好的农田边缘检测网络；
全图预测模块，用于将待识别农田遥感影像分别输入所述训练好的农田语义分割网络和所述训练好的农田边缘检测网络，基于膨胀预测方法进行全图预测，得到语义分割结果和边缘检测结果；
交集差处理模块，用于对所述语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果。
进一步地，所述农田识别装置还包括：
后处理模块，用于建立基于专家的后处理机制，并利用所述后处理机制对所述农田地块识别结果进行消除细碎块处理、消除孔洞处理、以及边缘简化处理，得到优化后的农田地块识别结果。
根据本发明的第三方面，还提供了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序运行时用于实现任一所述的基于双流深度网络的农田识别方法的步骤。
本发明提供的技术方案的有益效果在于：
(1)将地块识别任务转化为语义分割问题与边缘检测问题，构建了一种耦合语义分割与边缘检测模型的双流深度网络用于农田地块识别，通过设计交集差操作，以农田边缘识别结果辅助农田语义分割结果中农田地块的精化与提纯，实现农田地块的高精度检测。
(2)充分考虑农田地块特点，将计算机视觉领域的D-LinkNet和DexiNed网络应用于农田语义分割与边缘检测，并将其改造为适合农田特征提取与识别模型，综合两种模型优势，实现农田地块的快速、准确识别，不仅如此，还参考PointRend网络的中心思想，在原始D-LinkNet网络用到的交叉熵损失函数的基础上，再加上一个PointLoss，用于加强边界的识别效果。
(3)为了提升效率，也为了避免裁剪图像后再拼接带来的误差，采用全图膨胀预测的方法，直接输入原始影像就能得到与原始影像匹配的输出结果，不仅省去了许多人工处理的步骤，还提升了结果精度。
(4)建立了一整套基于专家规则的后处理机制，进一步提高农田地块识别的准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一种基于双流深度网络的农田识别方法的技术路线图；
图2是本发明数据示例图；
图3是本发明基于D-LinkNet的农田语义分割网络的网络结构图；
图4是本发明Pointloss的应用过程；
图5是本发明PointID示意图；
图6是本发明基于DexiNed的农田边缘检测网络的网络结构图；
图7是本发明DexiNed网络的各层输出示例；
图8是本发明膨胀预测示意图；
图9是本发明膨胀预测对比图；
图10是本发明地块识别流程图；
图11是本发明消除细碎地块示例图；
图12是本发明消除孔洞示例图；
图13是本发明概化结果示例图；
图14是本发明对安徽阜南某区域的识别结果全图展示；
图15是本发明对安徽阜南某区域的识别结果细节展示；
图16是本发明对安徽阜南某区域遥感影像与二分类结果的细节对比图；
图17是本发明自主选取的验证区域对应的模型的农田识别结果；
图18是本发明对浙江瑞安某区域的识别结果全图展示；
图19是本发明对浙江瑞安某区域的识别结果细节展示；
图20是本发明对浙江瑞安某区域遥感影像与二分类结果的细节对比图；
图21是本发明大棚识别效果图；
图22是本发明一种基于双流深度网络的农田识别装置的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明充分考虑农田地块的复杂性，构建了一种高效的双流农田识别深度网络，包括基于D-LinkNet的农田语义分割网络与基于DexiNed的农田边缘检测网络，同时进行农田语义分割与边界提取学习，基于设计的交集差操作，利用农田边界检测结果辅助农田语义分割结果进行精化、提纯，建立了一套有效的基于专家规则的后处理机制，进一步提高农田地块识别的准确性，从而实现农田地块高精度识别，总体技术路线如图1所示。
步骤1、建立数据集
利用现有软件，对遥感影像进行矢量化处理，勾画出其中的农田地块，其农田类型要覆盖全面，之后将矢量图层转化为栅格图层并进行二值化，根据基于D-LinkNet的农田语义分割网络和基于DexiNed的农田边缘检测网络对训练数据的要求不同，制作两套实验数据集，最后根据模型训练的要求将栅格图层裁剪至合适的大小。按照8：2的方式将数据集划分训练集和验证集。数据示例如图2所示。图2(a)为原始图像，图2(b)为语义分割的真实标签，图2(c)为边缘检测的真实标签。
步骤2、建立模型
(1)基于D-LinkNet的农田语义分割网络
充分考虑农田地块识别的任务特点，将地块识别问题简化为农田区和非农田区域的语义分割问题，结合农田地块的形状结构特性，引入目前计算机视觉领域先进的道路提取网络D-LinkNet网络构建农田语义分割网络分支。
基于D-LinkNet的农田语义分割网络，基础网络为ResNet，采用编码器解码器结构、加入空洞卷积作为中间键。该网络在LinkNet上改进得到，并在其中心部分加入了空洞卷积。空洞卷积是一种强大的工具，可以在不降低特征图分辨率的情况下扩大特征点的感受野。在此选择基于pytorch框架的D-LinkNet34网络进行实验。
如图3所示，为基于D-LinkNet的农田语义分割网络的结构图，其中每个矩形代表多通道的一个特征图，A部分是D-LinkNet的编码器。C部分为D-LinkNet的解码器。B部分是空洞卷积层，可以扩大感受野，同时保留详细的空间信息。除了最后一个卷积层使用使用sigmoid激活函数外，其他卷积层都使用ReLU激活函数。
在二分类任务中，模型最后需要预测的结果只有两种情况，对于每个类别我们预测得到的概率为p和1-p，此时的表达式如公式(1)所示。原D-LinkNet网络的损失函数采用的是交叉熵损失函数，考虑到该分类任务对边界的识别要求较高，参考PointRend网络的中心思想，在交叉熵损失函数的基础上加上一个PointLoss，公式如下：
Figure BDA0003383511910000071
PointID＝MaxN(-1*|mask1-mask2|) 公式(2)
Pointloss＝L(YPointID，PPointID) 公式(3)
其中：yi——样本的label，正类为1，负类为0；
pi——样本i预测为正类的概率；
PointID——点的位置；
mask1——预测为农田的特征值；
mask2——预测为非农田的特征值；
MaxN——取前N大的数；
YPointID——PointID像元位置的label值；
PPointID——PointID像元位置的预测概率。
Pointloss的应用过程如图4所示，输入图像，提取图像特征，进行特征预测，进行特征点预测，生成点特征预测结果，PointID示意图如图5所示。
利用划分好的训练集，根据表1所示的模型参数进行D-LinkNet网络模型的训练，训练结束后保存最终模型。D-LinkNet网络具有空洞卷积、跳接、残差块和编码器-解码器体系结构的优势，网络轻巧、运行速度快且性能优良，能够较好地完成大面积地块的识别任务。
表1模型参数
参数\模型 D-LinkNet DexiNed
batchsize 4 16
epoch 100 100
Learning rate 2*10-4 10-4
(2)基于DexiNed的农田边缘检测网络
考虑到农田地块边界的复杂性，仅依靠语义分割难以准确确定农田内部的地块边界。对此，本发明引入目前先进的边缘检测的方法，Dense Extreme Inception Networkfor Edge Detection(DexiNed)构建边缘检测网络分支，进行农田地块边缘检测，获取农田地块的边界信息，辅助农田语义分割结果的精化。基于DexiNed的农田边缘检测网络由两个子网络组成：Dense extreme inception network(Dexi)子网络和the Up-sampling Block(UB)子网络，其中Dexi子网络由六个主模块构成，用于提取图像的丰富特征，而UB子网络将Dexi子网络中的每一个主模块获得的特征图进行上采样至原图像大小，并通过融合不同层次主模块上采样获取的特征图，实现对农田边界信息的精确提取。
基于DexiNed的农田边缘检测网络的网络结构如图6所示，编码器部分由六个主模块组成。每个主模块之间通过1x1的卷积块连接。每个主模块由前一个主模块的输出紧密相连的子模块构成。每个主模块的输出经过一个上采样层，并生成一个中间结果图，如图7所示，中间结果图用于生成最终的融合结果图。
利用处理好的样本数据集对基于DexiNed的农田边缘检测网络进行训练。模型训练参数如表1所示，训练结束后，保存最终模型。基于DexiNed的农田边缘检测网络模型结构简单，网络效率高、性能好。
步骤3、全图预测
利用训练好的模型分别进行全图预测。
由于原图像的尺寸过大，不适合直接输入网络当中，但将原图像裁剪成小图像进行预测之后再合并，会产生拼接痕迹，影响检测结果，为避免这一问题，我们采用了膨胀预测的方式进行预测。膨胀预测的主要思想是填充一倍的边框来确保膨胀预测时保留中心区域，利用训练好的农田语义分割网络(D-LinkNet)进行全图预测时，以512*512为滑动窗口大小，每次保留中心的256*256，步长设置为256。利用训练好的农田边缘检测网络(DexiNed)进行全图预测时，以256*256为滑动窗口大小，每次保留中心的128*128，步长设置为128。通过此膨胀预测，使得预测图像最终拼接无痕，提升庞大尺寸图片的分割效果。膨胀预测示例图如图8所示，膨胀预测对比图如图9所示，其中图9(a)为使用膨胀预测前，图9(b)为使用膨胀预测后。
分别得到两个模型对于全图的预测结果后，基于交集差操作，将语义分割结果和边缘检测结果进行融合，以语义分割结果为基准，减去语义分割结果与边缘检测结果的交集，得到最终农田地块识别结果。地块识别流程如图10所示。
步骤4、后处理
利用python语言和gdal库等工具，进行后处理的全套流程化操作。栅格识别结果中会出现细碎地块和部分大地块中存在孔洞等现象。根据各种资料分析和影像区域实际情况，用设定阈值的方式，清除面积小于45的细碎地块，消除细碎地块的示例图如图11所示；再根据每个地块中不应该存在空缺，应该是一个完整的多边形的思想，补全地块中的孔洞，消除孔洞的示例图如图12所示。
最后可根据实际应用需求，将栅格图层转化为矢量图层，根据道格拉斯普格法的简化矢量线的思路，简化边界线，减小数据存储量，概化结果示例图如图13所示。
为了验证本发明的识别效果，在本实施例中，数据采用高分二号遥感影像，使用本发明方法对安徽阜南和浙江瑞安某区域的农田地块进行了提取。
实施例一：安徽阜南
安徽省阜南县某区域的影像大部分都是农田，图14是对安徽阜南某地区的识别结果的全图展示，可以看到模型能够成功识别整幅影像的农田，识别结果与实际影像的吻合度很高，总体识别效果与真实情况基本一致。
图15是对安徽阜南某地区识别结果的细节展示，可以看到在识别结果中，农田地块的边界清晰、规整，对于大面积的规则地块和小面积的细碎地块，模型都能够很好的识别，对于建筑和水系等其他地物错分的情况极少。
图16是对对安徽阜南某地区遥感影像与二分类结果细节对比图。可以看到，模型能够很好地完成遥感影像中的农田地块与非农田地块的分类，边界清晰、地块完整。与此同时，对于形状、颜色、纹理和结构组成较为复杂、差异较大的农田地块模型也能够取得较好的识别效果。
步骤5、定量评价
(1)评价指标计算
F1-Score公式：
TP(True Positive)：识别正确的农田地块
FP(False Positive)：非农田地块识别为农田地块
FN(False Negative)：未识别出的农田地块
Figure BDA0003383511910000101
Figure BDA0003383511910000102
Figure BDA0003383511910000103
地块面积吻合度计算公式：
S农田：农田地块的真实面积
S预测：模型预测的农田地块面积
Figure BDA0003383511910000104
(2)自主评价与分析
图17为自主选取的验证区域对应的模型的农田识别结果，验证集一共包含四个地块，为了方便说明及评价将其分别标记为①、②、③、④。
F1-Score评价结果：
地块①：TP＝335,FP＝48,FN＝21
Precision＝0.875,Recall＝0.941
F1-Score①＝0.906
地块②：TP＝318,FP＝52,FN＝29
Precision＝0.859,Recall＝0.916
F1-Score②＝0.887
地块③：TP＝893,FP＝76,FN＝38
Precision＝0.922,Recall＝0.959
F1-Score③＝0.940
地块④：TP＝572,FP＝79,FN＝80
Precision＝0.879,Recall＝0.877
F1-Score④＝0.878
Figure BDA0003383511910000105
由上述结果可以得出，该方法对于第一块验证区域识别的F1-Score为90.6％，对于第二块验证区域识别的F1-Score为88.7％，对于第三块验证区域识别的F1-Score为94％，对于第四块验证区域识别的F1-Score为87.8％。即，模型在第三块验证区域的识别效果最好，在第四块验证区域识别的效果较差，这可能与训练样本的分布有关，但模型总体的F1-Score平均值达到90％以上，进一步说明了模型的性能较好。
地块面积吻合度评价结果：
地块①：S农田＝3109208.634997，S预测＝3265915.631675
地块面积吻合度①＝0.94959907324516
地块②：S农田＝2633259.759682，S预测＝2639132.720244
地块面积吻合度②＝0.9977696994987273
地块③：S农田＝2598064.769412，S预测＝2664936.612565
地块面积吻合度③＝0.9742609022144838
地块④：S农田＝2234748.962053，S预测＝2208040.683033
地块面积吻合度④＝0.988048644624735
综上：
Figure BDA0003383511910000111
Figure BDA0003383511910000112
由上述结果可以得出，模型对于第一块验证区域识别的地块面积吻合度为95.0％％，对于第二块验证区域识别的面积吻合度为99.8％，对于第三块验证区域识别的面积吻合度为97.4％，对于第四块验证区域识别的面积吻合度为98.8％。可以看到，模型对于每一块验证区域的面积吻合度都能达到95％以上，可见模型对于地块识别的结果与实际情况基本一致，吻合度很高。
因此，利用自行选取的验证区域进行验证，模型总体的F1-Score平均值能够达到90％以上，模型总体的地块识别面积吻合度平均值能够达到97％以上，可见模型的性能优良。利用土地确权数据依据上述指标进行总体验证，得到该识别结果的整体精度为84％。
实施例二：浙江瑞安
图18是对浙江瑞安某地区识别结果的全图展示，可以看到，浙江省的农田相较于安徽省存在更多的大棚和水田，同时右下角的农田存在着被水体包围着的情况，左上角的大棚比较集中且数量较多，该方法对于这两类农田同样具有很好的识别效果。
图19是对浙江瑞安某地区识别结果的细节展示，可以看到在识别结果中，农田地块的边界能够得到准确、精细的分割，细节表现较好，同时识别出的地块的面积与实际相符、吻合度高，整体表现出较高的查准率和较低的查错率。
图20为浙江瑞安某地区遥感影像与二分类结果细节对比图。可以看到，该方法对于农田与非农田地块的分类准确，识别结果中农田地块规整，与实际农田的范围基本一致，同时边界分割较为精细，识别准确率较高。
图21为大棚识别效果图，可以看到在识别结果中，对于集中分布的大棚的边界分割准确，能够完整的识别，同时对于大棚和旱田相间分布的复杂情况也能够较为准确的将边界分割清晰。从对大棚识别的细节图可以看出，该方法对蔬菜大棚的适应性较好，识别精度较高。
在一些实施例中，提供了一种基于双流深度网络的农田识别装置，所述农田识别装置用于实现任一所述基于双流深度网络的农田识别方法，如图22所示，所述农田识别装置包括以下模块：
训练集获取模块1，用于获取第一训练集和第二训练集；
语义分割网络构建模块2，用于构建基于D-LinkNet的农田语义分割网络；
语义分割网络训练模块3，用于利用所述第一训练集对所述基于D-LinkNet的农田语义分割网络进行训练，训练完成后，获得训练好的农田语义分割网络；
边缘检测网络构建模块4，用于构建基于DexiNed的农田边缘检测网络；
边缘检测网络训练模块5，用于利用所述第二训练数据集对所述基于DexiNed的农田边缘检测网络进行训练，训练完成后，获得训练好的农田边缘检测网络；
全图预测模块6，用于将待识别农田遥感影像分别输入所述训练好的农田语义分割网络和所述训练好的农田边缘检测网络，基于膨胀预测方法进行全图预测，得到语义分割结果和边缘检测结果；
交集差处理模块7，用于对所述语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果。
在一些实施例中，所述农田识别装置还包括：
后处理模块8，用于建立基于专家的后处理机制，并利用所述后处理机制对所述农田地块识别结果进行消除细碎块处理、消除孔洞处理、以及边缘简化处理，得到优化后的农田地块识别结果。
在一些实施例中，还提供了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序运行时用于实现任一所述的基于双流深度网络的农田识别方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于双流深度网络的农田识别方法，其特征在于，包括以下步骤：
获取第一训练集和第二训练集；
构建基于D-LinkNet的农田语义分割网络；
利用所述第一训练集对所述基于D-LinkNet的农田语义分割网络进行训练，训练完成后，获得训练好的农田语义分割网络；
构建基于DexiNed的农田边缘检测网络；
利用所述第二训练数据集对所述基于DexiNed的农田边缘检测网络进行训练，训练完成后，获得训练好的农田边缘检测网络；
将待识别农田遥感影像分别输入所述训练好的农田语义分割网络和所述训练好的农田边缘检测网络，基于膨胀预测方法进行全图预测，得到语义分割结果和边缘检测结果；
对所述语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果。
2.如权利要求1所述的基于双流深度网络的农田识别方法，其特征在于，所述获取第一训练集和第二训练集的步骤，包括：
获取农田场景下的遥感影像；
对所述遥感影像进行矢量化处理，获得矢量图层；
将所述矢量图层转化为栅格图层并进行二值化；
基于二值化后的栅格图层制作第一数据集；
基于二值化后的栅格图层制作第二数据集；
从所述第一数据集中获取第一训练集；
从所述第二数据集中获取第二训练集。
3.如权利要求1所述的基于双流深度网络的农田识别方法，其特征在于，所述基于D-LinkNet的农田语义分割网络包括：编码器、空洞卷积层和解码器；
所述编码器与所述空洞卷积层连接；
所述解码器分别与所述编码器和所述空洞卷积层连接；
所述空洞卷积用于扩大特征点的感受野。
4.如权利要求1所述的基于双流深度网络的农田识别方法，其特征在于，所述基于D-LinkNet的农田语义分割网络的损失函数由交叉熵损失函数L和PointLoss组成，公式如下：
Figure FDA0003383511900000021
Pointloss＝L(YPointID，PPointID)
PointID＝MaxN(-1*|mask1-mask2|)
其中：yi表示i样本的label，正类为1，负类为0，pi表示样本i预测为正类的概率，PointID表示点的位置，mask1表示预测为农田的特征值，mask2表示预测为非农田的特征值，MaxN表示取前N大的数，YPointID表示PointID像元位置的label值，PPointID表示PointID像元位置的预测概率。
5.如权利要求1所述的基于双流深度网络的农田识别方法，其特征在于，所述基于DexiNed的农田边缘检测网络包括：Dexi子网络和UB子网络；
所述Dexi子网络由6个主模块组成，用于提取图像的特征得到特征图；
所述UB子网络将每一个所述主模块获得的特征图进行上采样至原图像大小，通过融合不同层次上采样获得的特征图，实现对边界信息的精确提取。
6.如权利要求1所述的基于双流深度网络的农田识别方法，其特征在于，所述对语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果的步骤，包括：
基于交集差处理，将所述语义分割结果和所述边缘检测结果进行融合，以所述语义分割结果为基准，减去所述语义分割结果与所述边缘检测结果的交集，得到农田地块识别结果。
7.如权利要求1所述的基于双流深度网络的农田识别方法，其特征在于，在所述对语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果的步骤之后，还包括：
建立基于专家的后处理机制；
利用所述后处理机制对所述农田地块识别结果进行消除细碎块处理、消除孔洞处理、以及边缘简化处理，得到优化后的农田地块识别结果。
8.一种基于双流深度网络的农田识别装置，其特征在于，所述农田识别装置用于实现如权利要求1-7任一所述基于双流深度网络的农田识别方法，所述农田识别装置包括以下模块：
训练集获取模块，用于获取第一训练集和第二训练集；
语义分割网络构建模块，用于构建基于D-LinkNet的农田语义分割网络；
语义分割网络训练模块，用于利用所述第一训练集对所述基于D-LinkNet的农田语义分割网络进行训练，训练完成后，获得训练好的农田语义分割网络；
边缘检测网络构建模块，用于构建基于DexiNed的农田边缘检测网络；
边缘检测网络训练模块，用于利用所述第二训练数据集对所述基于DexiNed的农田边缘检测网络进行训练，训练完成后，获得训练好的农田边缘检测网络；
全图预测模块，用于将待识别农田遥感影像分别输入所述训练好的农田语义分割网络和所述训练好的农田边缘检测网络，基于膨胀预测方法进行全图预测，得到语义分割结果和边缘检测结果；
交集差处理模块，用于对所述语义分割结果和所述边缘检测结果进行交集差处理，得到农田地块识别结果。
9.如权利要求8所述的基于双流深度网络的农田识别装置，其特征在于，还包括：
后处理模块，用于建立基于专家的后处理机制，并利用所述后处理机制对所述农田地块识别结果进行消除细碎块处理、消除孔洞处理、以及边缘简化处理，得到优化后的农田地块识别结果。
10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序运行时用于实现如权利要求1-7任一所述的基于双流深度网络的农田识别方法的步骤。
CN202111444187.0A 2021-11-30 2021-11-30 基于双流深度网络的农田识别方法、装置及存储介质 Pending CN114120125A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111444187.0A CN114120125A (zh) 2021-11-30 2021-11-30 基于双流深度网络的农田识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111444187.0A CN114120125A (zh) 2021-11-30 2021-11-30 基于双流深度网络的农田识别方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114120125A true CN114120125A (zh) 2022-03-01

Family

ID=80368653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111444187.0A Pending CN114120125A (zh) 2021-11-30 2021-11-30 基于双流深度网络的农田识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114120125A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463187A (zh) * 2022-04-14 2022-05-10 合肥高维数据技术有限公司 基于聚合边缘特征的图像语义分割方法及系统
CN115713700A (zh) * 2022-11-23 2023-02-24 广东省国土资源测绘院 一种空地协同的典型农作物种植样本采集方法
CN116168301A (zh) * 2023-04-25 2023-05-26 耕宇牧星(北京)空间科技有限公司 一种基于嵌套编码器网络的农田施肥栅格检测方法
CN117197471A (zh) * 2023-11-07 2023-12-08 中国地质大学（武汉） 一种岩性制图方法及计算机设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463187A (zh) * 2022-04-14 2022-05-10 合肥高维数据技术有限公司 基于聚合边缘特征的图像语义分割方法及系统
CN114463187B (zh) * 2022-04-14 2022-06-17 合肥高维数据技术有限公司 基于聚合边缘特征的图像语义分割方法及系统
CN115713700A (zh) * 2022-11-23 2023-02-24 广东省国土资源测绘院 一种空地协同的典型农作物种植样本采集方法
CN116168301A (zh) * 2023-04-25 2023-05-26 耕宇牧星(北京)空间科技有限公司 一种基于嵌套编码器网络的农田施肥栅格检测方法
CN117197471A (zh) * 2023-11-07 2023-12-08 中国地质大学（武汉） 一种岩性制图方法及计算机设备
CN117197471B (zh) * 2023-11-07 2024-02-09 中国地质大学（武汉） 一种岩性制图方法及计算机设备

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
CN114120125A (zh) 基于双流深度网络的农田识别方法、装置及存储介质
CN110245709B (zh) 基于深度学习和自注意力的3d点云数据语义分割方法
CN111079685B (zh) 一种3d目标检测方法
Wang et al. A bayesian approach to building footprint extraction from aerial lidar data
CN112488025B (zh) 基于多模态特征融合的双时相遥感影像语义变化检测方法
CN106910202B (zh) 一种遥感图像地物的图像分割方法及系统
CN115546768B (zh) 基于多尺度机制和注意力机制的路面标线识别方法及系统
CN111414954B (zh) 一种岩石图像检索方法及其系统
CN114283162A (zh) 基于对比自监督学习的现实场景图像分割方法
CN110956207B (zh) 一种光学遥感影像全要素变化检测方法
CN110222767A (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN111524117A (zh) 一种基于特征金字塔网络的隧道表面缺陷检测方法
CN116704350B (zh) 基于高分辨遥感影像水域变化监测方法、系统及电子设备
CN115861619A (zh) 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统
CN111008979A (zh) 一种鲁棒的夜晚图像语义分割方法
CN114037948B (zh) 基于迁移主动学习的车载道路点云要素矢量化方法与装置
CN117333669A (zh) 基于有用信息引导的遥感影像语义分割方法、系统及设备
CN114581789A (zh) 一种高光谱图像分类方法及系统
CN116091911A (zh) 一种地震勘探工区建筑物自动识别方法及系统
Zhang et al. Deep evidential remote sensing landslide image classification with a new divergence, multi-scale saliency and an improved three-branched fusion
CN116012709B (zh) 一种高分辨率遥感影像建筑物提取方法及系统
CN117036939A (zh) 一种基于图卷积网络的多源数据协同的城市功能区识别方法
CN116935226A (zh) 一种基于HRNet的改进型遥感图像道路提取方法、系统、设备及介质
CN116630723A (zh) 基于大核注意力机制与mlp混合的高光谱地物分类方法

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