CN114387517A - 一种基于高分辨率遥感影像的温室大棚智能提取方法 - Google Patents
一种基于高分辨率遥感影像的温室大棚智能提取方法 Download PDFInfo
- Publication number
- CN114387517A CN114387517A CN202210025730.1A CN202210025730A CN114387517A CN 114387517 A CN114387517 A CN 114387517A CN 202210025730 A CN202210025730 A CN 202210025730A CN 114387517 A CN114387517 A CN 114387517A
- Authority
- CN
- China
- Prior art keywords
- greenhouse
- remote sensing
- image
- method based
- training set
- 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
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
-
- 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
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)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分辨率遥感影像的温室大棚智能提取方法,该方法能够在高分辨率影像中识别温室大棚,并实时获取大棚的分布情况。获取高分辨率的遥感影像,采用深度学习方法对研究区内的温室大棚进行识别和提取,并统计其覆盖面积和数量。该方法能够表明深度学习方法可以在高分辨率影像中快速有效地提取温室大棚信息,以此根据提取结果对实验区域进行农业污染监管以及农业发展规划,这对于缓解粮食安全问题、防治污染有着重要意义。
Description
技术领域
本发明涉及遥感影像,深度学习技术领域,特别是涉及一种基于计算机视觉中语义分割技术进行地物识别提取的方法。
背景技术
全球人口的迅速增长促进了全世界对粮食和其他农产品的需求。但是,有限的耕地面积和露天农田的生产上限给粮食或蔬菜供应带来了越来越多的困难。此外,城市的发展也占用了越来越多的耕地,影响了粮食生产。因此,对粮食和蔬菜日益增长的需求促进了农业温室的出现,它可以用来保持农作物在适当的温度和营养条件下生长。温室的普及大大促进了农业生产,特别是在冬季提供新鲜蔬菜。因此,在过去几十年里,农业温室的数量和占用面积都在增加。现今,超过130个国家使用农业大棚来提高农业生产,主要是在欧洲、非洲和中国。现在全世界农业大棚的总覆盖面已超过30000平方公里,其中91.4%在中国。
遥感图像已被广泛用于不同空间和时间分辨率的土地表面测绘。近年来,常利用不同空间分辨率的遥感图像提取农业温室。例如,光谱指数是一种常用的提取温室的方法。2017年提出了一种新的塑料温室指数,用于从Landsat图像中提取温室,认为如果温室占像素的12%以上,这种新的塑料温室指数可以成功提取温室。有学者开发了一个三步程序,利用高分2号高分辨率数据的不同光谱指数提取塑料大棚,制图精度达到97.34%。基于像素的光谱指数方法可用于识别单个像素的特征,但对提取温室的数量和形式并不有效。因此,基于对象的分类方法也被广泛应用于温室测绘中。后提出使用基于对象的方法提取中国杭州郊区的温室,表明生产者和使用者的准确率都在85%以上。有学者利用Landsat 8OLI图像测试了基于对象的方法在复杂土地覆盖下的分散分布的温室的绘图,表明密集分布的温室和分散分布的温室有很大的不同,再进一步研究了不同分类器的效果,发现K-近邻和随机森林分类器在温室提取中表现良好。然而,基于对象的方法也面临一些问题,如不同传感器之间的一致性,这将导致不同气溶胶加载条件下的系统偏差。
目前的光谱指数方法主要有两个问题。第一个问题是,划分图像的阈值依赖于经验,限制了它们的应用。第二个问题是缺乏大面积的验证。而面向对象的方法,主要问题在于大量参数的计算,繁琐耗时。机器学习的最新进展,特别是深度学习算法的发展,为遥感图像的信息提取提供了巨大的机会,技术的进步和硬件的发展使得土地对象的精细分类和识别成为可能,如道路测绘,城镇分类,土地覆盖分类等等。因此,在本研究中,我们提出使用高分辨率遥感影像基于深度学习算法,提取农业温室的覆盖范围和数量。
因此我们利用高分辨率遥感影像,借助深度学习方法,对影像中的温室大棚进行提取。
发明内容
本发明的目的在于克服现有技术的缺点与不足提供一种能够减少计算时间并提高识别精度的计算方法。本文采用的方法是以计算机视觉的方法对遥感影像进行处理。本文通过卷积神经网络获取影像中的深层信息和浅层信息,基于这些信息获得象元信息与象元类别的关系,以此进行其他区域的预测,同时,为了解决预测结果中错误分类的情况,采用去除最小连通域的方法对预测结果进行改进。本文采用了针对大型数据所设计的卷积神经网络,能够基于大数据进行计算,使计算结果更具备说服力。
本发明的目的通过以下的技术方案实现:一种基于高分辨率遥感影像的温室大棚智能提取方法,其过程包括以下步骤:
(1)对样本区域内的温室大棚类型进行调查统计,根据调查结果对高分辨率影像中的大棚进行标注,获得标注图像。
(2)标注图像与原始影像按照10:1的比例划分为训练集和验证集,为满足网络数据要求,对原始影像和标注图像进行裁剪;
(3)对训练集数据随机进行增强来增加数据数量和避免过拟合;
(4)将训练集输入深度学习模型中进行训练,获得最佳权重模型;
(5)使用该模型对其他区域影像进行预测,获得初步预测结果;
(6)对预测结果进行去除最小连通域的后处理,获得最终预测结果。
本发明与现有技术相比,具有如下优点和有益效果:
本发明在遥感影像中进行温室大棚提取方法,是对传统提取方式的改变。本发明是采用深度学习Pytorch框架进行网络的搭建,选择交叉熵作为损失函数,Adam优化器作为优化函数,进行更加快速准确的梯度下降,平均交并比mIOU作为精度评价指标,更加客观准确。对于深度学习的预测结果,采用去除最小连通域的方法进行修正,能够提高深度学习预测结果的准确率和视觉效果,有效去除预测结果中部分错分多分的小斑点。
附图说明
图1是本发明方法的流程图。
图2是研究区在中国的地理位置以及部分大棚形态。
图3是本研究所采用的深度学习神经网络结构。
图4是样本区域内所出现的不同形态特征的大棚。
图5是神经网络训练过程中损失值的变化趋势。
图6是样本区域内四种形态的温室大棚最终的预测结果。
图7是研究区最终预测结果分布图。
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。
本实施例以山东省潍坊市寿光市为例,详细说明利用本发明进行温室大棚提取的过程。
根据图1所示的方法流程图,方法包括步骤:
1:在寿光地区选择温室大棚类型较多的区域作为样本区域,
2:对样本区域内的各类大棚使用Arcmap软件进行标注,获得矢量标注结果。
3:编写代码,进行矢量数据与png二值灰度图的转化,获得像素值仅为0和1的png单通道影像,0与1分别代表背景和大棚。
4:将样本区域的部分原始影像和标注结果划分为训练集,剩余部分为训练集,训练集与测试集数据量比例为10:1。
5:训练集和测试集按照512大小的图片进行裁剪,获得的训练集有2250对图片数据,测试集包含200对图片。
6:对训练集数据进行随机增强,包括水平翻转、垂直翻转、对角线翻转和旋转90°。
7:编写U-Net网络结构。
8:将训练集按照网络和硬件要求进行批量训练,并以测试集进行测试,根据训练集和测试集的精度指标选择最佳模型权重作为最优结果。
9:以此模型对其他区域进行预测,获得深度学习后的初步预测结果,预测结果为单通道灰度图像,所包含的像素值为0和1,分别代表背景和大棚。
10:使用opencv中的构造连通域方法对预测结果进行处理,使具有相连关系的像素被划分为同一物体,并进行标记。
11:按照某阈值对标记的小区域进行清除,可有效去除错分和多分的小物体,最终得到更加精确的预测结果。
上述实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的下所作的改变、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 (7)
1.一种基于高分辨率遥感影像的温室大棚智能提取方法,其过程包括以下步骤:
A、对样本区域内的蔬菜大棚类型进行调查统计,根据调查结果结合高分辨率影像对温室大棚进行标注,获得标注图像
B、标注图像与原始影像按照10:1的比例划分为训练集和测试集,其中为增加训练集数据量,裁剪时按照512的宽度和256的步长进行裁剪。
C、为增加数据多样性和避免过拟合情况,对训练集进行数据增强;
D、将训练集输入深度学习模型中进行迭代训练,获得最佳权重模型;
E、使用该模型对其他区域影像进行预测,获得初步预测结果;
F、针对预测结果中出现的错分多分问题进行去除最小连通域的后处理,获得最终预测结果。
2.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法,其特征在于,所述步骤A具体包括:
A1、选择蔬菜大棚类型较多,影像呈现有明显差异的区域作为样本区域;
A2、对样本区域内蔬菜大棚类型进行统计,并使用ArcMap进行矢量化标注;
A3、标注的矢量结果进行二值图的转化,生成格式为png的标注文件。
3.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法,其特征在于,所述步骤B具体包括:
B1、将部分原始影像和标注图像以512为大小,256为步长,重叠裁剪,作为训练集;
B2、剩余原始影像和标注图像裁剪后作为测试集,训练集和测试集的数据量大致为10:1的比例。
4.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法,其特征在于,所述步骤C具体包括:
C1、对训练集数据随即进行增强,这里采用随机水平翻转、垂直翻转、对角线翻转和旋转90°等操作。
5.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法,其特征在于,所述步骤C具体包括:
D1、以Pytorch为框架,编写语义分割模型U-Net,以交叉熵作为损失函数:
式中,qi(x)表示神经网络输出中类别概率值中最大值,此时pi(x)=1;
Adam方法为优化器:
D2、训练数据按照模型格式要求进行输入,迭代100次进行训练;
D3、以获得的模型再对训练集和测试集进行精度评价,对此训练并对比之后,选择在训练集和测试集均表现良好的模型作为最佳模型。
6.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法,其特征在于,所述步骤D具体包括:
E1、下载其他地区影像,进行数据格式由tiff到jpg的转换,以满足深度学习模型的数据要求;
E2、以上一步获得的最佳模型对影像进行预测,可获得初步预测结果。
7.如权利要求1所述的一种基于高分辨率遥感影像的温室大棚智能提取方法,其特征在于,所述步骤E具体包括:
F1、初预测结果中存在错分和多分的小斑块,使用opencv中的构造连通域方法,使像素以八连通方式进行标记,以使各区域内像素独立;
F2、对连通域较小的区域,以合适的阈值进行去除,可获得最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025730.1A CN114387517A (zh) | 2022-01-11 | 2022-01-11 | 一种基于高分辨率遥感影像的温室大棚智能提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025730.1A CN114387517A (zh) | 2022-01-11 | 2022-01-11 | 一种基于高分辨率遥感影像的温室大棚智能提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387517A true CN114387517A (zh) | 2022-04-22 |
Family
ID=81201568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210025730.1A Pending CN114387517A (zh) | 2022-01-11 | 2022-01-11 | 一种基于高分辨率遥感影像的温室大棚智能提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387517A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761460A (zh) * | 2023-01-10 | 2023-03-07 | 北京市农林科学院智能装备技术研究中心 | 大棚房风险识别方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 |
CN112084871A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种基于弱监督学习的高分遥感目标边界提取方法 |
-
2022
- 2022-01-11 CN CN202210025730.1A patent/CN114387517A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 |
CN112084871A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种基于弱监督学习的高分遥感目标边界提取方法 |
Non-Patent Citations (4)
Title |
---|
OLAF RONNEBERGER等: ""U-Net: Convolutional Networks for Biomedical Image Segmentation"", 《ARXIV》 * |
张浩然等: ""利用U-net网络的高分遥感影像建筑提取方法"", 《遥感信息》 * |
王宇龙: "《PyTorch深度学习入门与实战》", 30 September 2020, 中国铁道出版社有限公司 * |
田岩等: "《数字图像处理与分析》", 30 June 2009, 华中科技大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761460A (zh) * | 2023-01-10 | 2023-03-07 | 北京市农林科学院智能装备技术研究中心 | 大棚房风险识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN110210362A (zh) | 一种基于卷积神经网络的交通标志检测方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN112883839B (zh) | 基于自适应样本集构造与深度学习的遥感影像解译方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN104268552B (zh) | 一种基于部件多边形的精细类别分类方法 | |
CN107679509A (zh) | 一种小环藻识别方法及装置 | |
CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
CN113486886B (zh) | 一种自然场景下的车牌识别方法和装置 | |
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 | |
CN108038487A (zh) | 基于图像分割与特征融合的植物叶片辨别方法 | |
CN114387517A (zh) | 一种基于高分辨率遥感影像的温室大棚智能提取方法 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN104732246B (zh) | 一种半监督协同训练高光谱图像分类方法 | |
CN109359695A (zh) | 一种基于深度学习的计算机视觉0-o识别方法 | |
Wang et al. | Text detection algorithm based on improved YOLOv3 | |
Wang et al. | Recognition of multi-modal fusion images with irregular interference | |
CN112966781A (zh) | 基于三元组损失和卷积神经网络的高光谱图像分类方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220422 |