CN115294470A - 一种用于遥感卫星上的图像识别方法及系统、终端设备 - Google Patents

一种用于遥感卫星上的图像识别方法及系统、终端设备 Download PDF

Info

Publication number
CN115294470A
CN115294470A CN202211026400.0A CN202211026400A CN115294470A CN 115294470 A CN115294470 A CN 115294470A CN 202211026400 A CN202211026400 A CN 202211026400A CN 115294470 A CN115294470 A CN 115294470A
Authority
CN
China
Prior art keywords
image
neural network
convolution neural
convolution
deep
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
CN202211026400.0A
Other languages
English (en)
Inventor
李超
赵公方
杨涛
樊诚
黄潇瑶
王小珂
刘曦
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.)
Xian Microelectronics Technology Institute
Original Assignee
Xian Microelectronics Technology Institute
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 Xian Microelectronics Technology Institute filed Critical Xian Microelectronics Technology Institute
Priority to CN202211026400.0A priority Critical patent/CN115294470A/zh
Publication of CN115294470A publication Critical patent/CN115294470A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/13—Satellite images
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种用于遥感卫星上的图像识别方法及系统、终端设备，其识别方法包括获取待识别的图像；将待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用深度卷积神经网络对图像进行识别；预先构建的深度卷积神经网络包括两个分支卷积神经网络；获取所述图像的识别结果。该方法通过对待识别的图像进行预处理，提高了识别的效率，图像能够直接输入到全卷积神经网络中去，免去了复杂的特征提取，减少了数据预处理的难度，降低了算法设计的复杂度，提高了识别精确度。两个分支卷积神经网络分别提取图像的颜色特征和形状特征，提高了图像的分析能力，提高检测的精确度。

Description

一种用于遥感卫星上的图像识别方法及系统、终端设备
技术领域
本发明属于可见光图谱智能化处理领域，涉及一种用于遥感卫星上的图像识别方法及系统、终端设备。
背景技术
遥感卫星上配备各种可视化，如照相机，能获得大量对地观测照片，具有分辨力高、畸变小、比例尺适中等优点，可广泛应用于科学研究和工农业生产领域，现有设备拍照时，其系统算法在对拍摄对象进行识别时，主要考虑拍摄对象的特征及分类器的设计，常见分类器包括BP神经网络以及SVM等。对于对象特征设计，需要考虑如下两方面：①选取不同类别间差距较大的特征，以提高识别的效果，降低识别错误的概率；②特征过多会增加计算的复杂度，识别结果不易收敛，识别效率降低。现有方法在特征选取方面较为复杂，识别结果不够精确，导致产生大量星上处理机与地面测控站之间的人工交互数据，致使卫星在轨执行任务效率低。
发明内容
针对现有技术中存在的问题，本发明提供一种用于遥感卫星上的图像识别方法及系统、终端设备，从而有效解决了遥感卫星识别结果不够精确，识别效率低的技术问题。
本发明是通过以下技术方案来实现：
一种用于遥感卫星上的图像识别方法，包括以下步骤：
S1：获取待识别的图像；
S2：将所述待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；
S3：将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；所述预先构建的深度卷积神经网络包括两个分支卷积神经网络，所述两个分支卷积神经网络分别提取图像的颜色特征和形状特征；
S4：获取所述图像的识别结果。
优选的，所述全卷积神经网络的构建过程为：
S201：设置所述全卷积神经网络的初始化权重，并对现有的图像数据加入噪声后输入至所述全卷积神经网络中，对所述全卷积神经网络进行训练，得到去噪后的图像；
S202：将所述去噪后图像与加入噪声前的图像进行对比，得到对比图像的像素平均绝对误差，将所述对比图像的像素平均绝对误差向后传播，依次获取所述全卷积神经网络中各卷积层的误差；
S203：以获取的所述全卷积神经网络中各卷积层的误差修正所述初始化权重，用修正后的初始化权重再次训练所述全卷积神经网络，直至得到的所述全卷积神经网络中各卷积层的误差符合设计要求，完成所述全卷积神经网络的构建。
优选的，所述步骤S201具体为对现有的图像数据加入噪声后输入至全卷积神经网络中，在加有噪声的图像数据向前传播的过程中，使用n×n的卷积核进行卷积，由卷积核卷积后的矩阵经过激活函数进行非线性化，得到由卷积层输出的去噪后图像。
优选的，所述两个分支卷积神经网络均包括输入层、若干卷积层以及若干最大池化层，同时，两个分支卷积神经网络的输出层均为卷积层。
优选的，所述预先构建的深度卷积神经网络还包括与所述两个分支卷积神经网络的末端连接的识别网络；所述识别网络包括两个最大池化层、卷积层以及全连接层。
优选的，所述深度卷积神经网络的构建过程为：
S301：对现有的图像数据进行人工打标签处理，并设置所述深度卷积神经网络运行的初始运行参数；
S302：在所述初始运行参数条件下，利用现有的图像数据的RGB图像数据和灰度图像数据对所述深度卷积神经网络进行训练，输出网络识别标签；
S303：将人工设置的标签与所述网络识别标签进行对比，获取对比标签的平均绝对误差，将所述对比标签的平均绝对误差向后传播，获取所述深度卷积神经网络中各卷积层的误差；
S304：采用所述深度卷积神经网络中各卷积层的误差修正所述初始运行参数，并采用所述修正后的初始运行参数继续训练所述深度卷积神经网络，直至得到的所述深度卷积神经网络中各卷积层的误差符合要求，完成所述深度卷积神经网络的构建。
优选的，所述步骤S302具体为将现有的图像的RGB图像数据和灰度图像数据分别经两个分支卷积神经网络进行特征识别后，合并输入至识别网络，输出网络识别标签。
一种用于遥感卫星上的图像识别系统，包括：
图像获取模块，用于获取待识别的图像；
图像预处理模块，用于将待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；
图像识别模块，用于将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；
图像输出模块，用于获取所述图像的识别结果。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时运行上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如上述方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
一种用于遥感卫星上的图像识别方法，通过预先构建的全卷积神经网络对待识别的图像进行预处理，对图像去除噪声，提高了识别的效率，同时，采集到的图像能够直接输入到全卷积神经网络中去，免去了复杂的特征提取，即简化了特征的提取，使得数据处理难度和算法复杂度降低，提高了精确度。预处理之后利用深度卷积神经网络实现图像的识别，深度卷积神经网络包括两个分支卷积神经网络，两个分支卷积神经网络分别提取图像的颜色特征和形状特征，提高了图像的分析能力，提高检测的精确度。该方法可以精准识别拍摄对象，提高目标识别效率，有效提高了遥感卫星在轨飞行的执行效率，减少星上处理机与地面测控站之间的人工交互数据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明一种用于遥感卫星上的图像识别方法的流程示意图；
图2为本发明一种用于遥感卫星上的图像识别方法中涉及到网络结构框架图；
图3为本发明实施例中一种用于遥感卫星上的图像识别系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
如图1所示，一种用于遥感卫星上的图像识别方法，包括以下步骤：
S1：获取待识别的图像；该图像为700mm(R)、550mm(G)和440mm(B)附近三个波段的可见光谱图像信息，可以通过CCD相机拍摄。
S2：将待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；预处理阶段，用图像增强扩充数据集，防止模型训练过程中出现过拟合现象；
其中，所述全卷积神经网络的构建过程为：
S201：设置所述全卷积神经网络的初始化权重，并对现有的图像数据加入噪声后输入至所述全卷积神经网络中，对所述全卷积神经网络进行训练，得到去噪后的图像；
具体为：对现有的图像数据加入噪声后输入至全卷积神经网络中，在加有噪声的图像数据向前传播的过程中，使用n×n的卷积核进行卷积，由卷积核卷积后的矩阵经过激活函数进行非线性化，得到由卷积层输出的去噪后图像；
其中，卷积公式为：
Figure BDA0003815931650000061
式中，x为被卷积的矩阵；
xi+u,j+v为(i+u,j+v)位置的点；
Z(u,v)为卷积后该点的值；
k为n×n的卷积核；
krot为k旋转180°得到的矩阵；
所述步骤S202中激活函数为Relu函数，所述Relu函数式为：
f(x)＝max(0,x)，max用于获取的0、x中的最大值。
S202：将所述去噪后图像与加入噪声前的图像进行对比，得到对比图像的像素平均绝对误差，将所述对比图像的像素平均绝对误差向后传播，依次获取所述全卷积神经网络中各卷积层的误差；
其中，将去噪后图像与加入噪声前的图像进行对比，其损失函数即为对比图像的像素平均绝对误差，损失函数为：
Figure BDA0003815931650000062
式中，yi为实际值，即加入噪声前图像的像素；
Figure BDA0003815931650000063
为预测值，即去噪后图像的像素；
n为训练样本总数。
S203：以获取的所述全卷积神经网络中各卷积层的误差修正所述初始化权重，用修正后的初始化权重再次训练所述全卷积神经网络，直至得到的所述全卷积神经网络中各卷积层的误差符合设计要求，完成所述全卷积神经网络的构建。
上述全卷积神经网络的网络结构表见表1。
表1本发明中全卷积神经网络的网络结构表
Figure BDA0003815931650000071
注：①input:输入224×224×3的图片；②convn-m:用m个n×n的卷积核作卷积，并通过ReLU层激活。
S3：将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用深度卷积神经网络对所述图像进行识别；
如图2所示，预先构建的深度卷积神经网络包括两个分支卷积神经网络以及与两个分支卷积神经网络的末端连接的识别网络，识别网络使用一维卷积核的卷积层代替全连接层构成全连接模块，不会破坏图像的空间结构，且输入可以是任意尺寸。两个分支卷积神经网络均包括输入层以及间隔设置的若干卷积层和最大池化层，同时，两个分支卷积神经网络的输出层均为卷积层。识别网络包括两个最大池化层、卷积层以及全连接层。两个分支卷积神经网络分别提取图像的颜色特征和形状特征，用两个卷积层分别提取图像的不同特征，再由识别网络进行识别，提高了对于特征的分析能力，提取颜色特征的分支卷积神经网络的输入层图像为RGB图像，大小可以为224*224，提取形状特征的分支卷积神经网络的输入层图像为灰度图像，大小可以为224*224，灰度图像转换公式为：
Gray＝R×0.299+G×0.587+B×0.114
式中，Grad为图像在该点的灰度值；
R、G、B为图像在该点处R、G、B三个通道的值。
上述深度卷积神经网络的网络结构表见表2。
表2本发明中深度卷积神经网络的网络结构表
Figure BDA0003815931650000081
Figure BDA0003815931650000091
注：①input:输入224×224×3的图片；②convn-m:用m个n×n的卷积核作卷积，并通过ReLU层激活；③maxpool:最大化池化，用2×2的池化单元尺寸进行池化；④fc n:与1×1×n的卷积核作卷积,进行全连接，并通过ReLU层激活。
另外，在该步骤中，深度卷积神经网络的构建过程为：
S301：对现有的图像数据集中的图像进行人工打标签处理，并设置所述深度卷积神经网络运行的初始运行参数；
S302：在所述初始运行参数条件下，利用现有的图像数据的RGB图像数据和灰度图像数据对所述深度卷积神经网络进行训练，输出网络识别标签；
具体为将现有的图像的RGB图像数据和灰度图像数据分别经两个分支卷积神经网络进行特征识别后，合并输入至识别网络，输出网络识别标签；
在该步骤中，涉及到的卷积公式为：
Figure BDA0003815931650000092
式中，x为被卷积的矩阵；
xi+u,j+v为(i+u,j+v)位置的点；
Z(u,v)为卷积后该点的值；
k为n×n的卷积核；
krot为k旋转180°得到的矩阵。
涉及到的最大池化公式为：
yij＝max(xi+r,j+s),i≤m-n,j≤m-n；
x为m×m的矩阵，卷积核尺寸为n×n，max用于获取最大值；
由上述卷积核卷积后的矩阵经过激活函数，得到卷积层的输出，特征合并过程中，将提取不同的不同特征直接叠加，传入池化层。
其中激活函数为Relu函数，具体为：
f(x)＝max(0,x)；
max用于获取的0、x中的最大值，
S303：将人工设置的标签与所述网络识别标签进行对比，获取对比标签的平均绝对误差，将所述对比标签的平均绝对误差向后传播，获取所述深度卷积神经网络中各卷积层的误差；
其中，其中，将人工设置的标签与所述网络识别标签进行对比，其损失函数即为对比标签的平均绝对误差，损失函数为：
Figure BDA0003815931650000101
式中，yi为实际值，即人工设置的标签；
Figure BDA0003815931650000102
为预测值，即网络识别标签；
n为训练样本总数。
S304：采用所述深度卷积神经网络中各卷积层的误差修正所述初始运行参数，并采用所述修正后的初始运行参数继续训练所述深度卷积神经网络，直至得到的所述深度卷积神经网络中各卷积层的误差符合要求，完成所述深度卷积神经网络的构建。
上述步骤S201中用到的现有图像数据、噪声数据以及步骤S301中用到的现有图像数据均为随机采集并随机生成。
S4：获取图像的识别结果。
本发明提供一种用于遥感卫星上的图像识别方法，通过预先构建的全卷积神经网络对待识别的图像进行预处理，对图像去除噪声，提高了识别的效率，同时，采集到的图像能够直接输入到全卷积神经网络中去，免去了复杂的特征提取，减少了数据预处理的难度，降低了算法设计的复杂度，提高了识别精确度。预处理之后利用深度卷积神经网络实现图像的识别，深度卷积神经网络包括两个分支卷积神经网络，两个分支卷积神经网络分别提取图像的颜色特征和形状特征，提高了图像的分析能力，提高检测的精确度。由于采集样本时光照、背景等环境因素，相对于人工选择一个鲁棒性强的样本特征，构建深度卷积神经网络可以避免繁琐的特征算法，提高识别精度。
本发明基于深度卷积神经网络的图像识别方法面向于下一代智能化自主控制的航天用遥感卫星上，完成任务需求量数据的采集和处理，能够有效完成卫星的自动化、智能化控制。
如图3所示，一种用于遥感卫星上的图像识别系统，包括：
图像获取模块，用于获取待识别的图像；
图像预处理模块，用于将待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；
图像识别模块，用于将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；
图像输出模块，用于获取所述图像的识别结果。
本发明实施例还提供一种终端设备，该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述红外视频动作识别过程中的各个步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中红外视频动作识别过程中的各个步骤或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述红外视频动作识别过程中的各个步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于遥感卫星上的图像识别方法，其特征在于，包括以下步骤：
S1：获取待识别的图像；
S2：将所述待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；
S3：将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；所述预先构建的深度卷积神经网络包括两个分支卷积神经网络，所述两个分支卷积神经网络分别提取图像的颜色特征和形状特征；
S4：获取所述图像的识别结果。
2.根据权利要求1所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述全卷积神经网络的构建过程为：
S201：设置所述全卷积神经网络的初始化权重，并对现有的图像数据加入噪声后输入至所述全卷积神经网络中，对所述全卷积神经网络进行训练，得到去噪后的图像；
S202：将所述去噪后图像与加入噪声前的图像进行对比，得到对比图像的像素平均绝对误差，将所述对比图像的像素平均绝对误差向后传播，依次获取所述全卷积神经网络中各卷积层的误差；
S203：以获取的所述全卷积神经网络中各卷积层的误差修正所述初始化权重，用修正后的初始化权重再次训练所述全卷积神经网络，直至得到的所述全卷积神经网络中各卷积层的误差符合设计要求，完成所述全卷积神经网络的构建。
3.根据权利要求2所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述步骤S201具体为对现有的图像数据加入噪声后输入至全卷积神经网络中，在加有噪声的图像数据向前传播的过程中，使用n×n的卷积核进行卷积，由卷积核卷积后的矩阵经过激活函数进行非线性化，得到由卷积层输出的去噪后图像。
4.根据权利要求1所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述两个分支卷积神经网络均包括输入层、若干卷积层以及若干最大池化层，同时，两个分支卷积神经网络的输出层均为卷积层。
5.根据权利要求1所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述预先构建的深度卷积神经网络还包括与所述两个分支卷积神经网络的末端连接的识别网络；所述识别网络包括两个最大池化层、卷积层以及全连接层。
6.根据权利要求5所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述深度卷积神经网络的构建过程为：
S301：对现有的图像数据进行人工打标签处理，并设置所述深度卷积神经网络运行的初始运行参数；
S302：在所述初始运行参数条件下，利用现有的图像数据的RGB图像数据和灰度图像数据对所述深度卷积神经网络进行训练，输出网络识别标签；
S303：将人工设置的标签与所述网络识别标签进行对比，获取对比标签的平均绝对误差，将所述对比标签的平均绝对误差向后传播，获取所述深度卷积神经网络中各卷积层的误差；
S304：采用所述深度卷积神经网络中各卷积层的误差修正所述初始运行参数，并采用所述修正后的初始运行参数继续训练所述深度卷积神经网络，直至得到的所述深度卷积神经网络中各卷积层的误差符合要求，完成所述深度卷积神经网络的构建。
7.根据权利要求6所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述步骤S302具体为将现有的图像的RGB图像数据和灰度图像数据分别经两个分支卷积神经网络进行特征识别后，合并输入至识别网络，输出网络识别标签。
8.一种用于遥感卫星上的图像识别系统，其特征在于，包括：
图像获取模块，用于获取待识别的图像；
图像预处理模块，用于将待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；
图像识别模块，用于将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；
图像输出模块，用于获取所述图像的识别结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时运行如权利要求1～7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1～7中任一项所述方法的步骤。
CN202211026400.0A 2022-08-25 2022-08-25 一种用于遥感卫星上的图像识别方法及系统、终端设备 Pending CN115294470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211026400.0A CN115294470A (zh) 2022-08-25 2022-08-25 一种用于遥感卫星上的图像识别方法及系统、终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211026400.0A CN115294470A (zh) 2022-08-25 2022-08-25 一种用于遥感卫星上的图像识别方法及系统、终端设备

Publications (1)

Publication Number Publication Date
CN115294470A true CN115294470A (zh) 2022-11-04

Family

ID=83832878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211026400.0A Pending CN115294470A (zh) 2022-08-25 2022-08-25 一种用于遥感卫星上的图像识别方法及系统、终端设备

Country Status (1)

Country Link
CN (1) CN115294470A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713763A (zh) * 2022-11-25 2023-02-24 青海卓旺智慧信息科技有限公司 一种基于深度学习的土豆图像识别系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713763A (zh) * 2022-11-25 2023-02-24 青海卓旺智慧信息科技有限公司 一种基于深度学习的土豆图像识别系统

Similar Documents

Publication Publication Date Title
Dhaka et al. A survey of deep convolutional neural networks applied for prediction of plant leaf diseases
Sozzi et al. Automatic bunch detection in white grape varieties using YOLOv3, YOLOv4, and YOLOv5 deep learning algorithms
Seo et al. Fusion of SAR and multispectral images using random forest regression for change detection
Pereira et al. Deep learning techniques for grape plant species identification in natural images
Yamamoto et al. Super-resolution of plant disease images for the acceleration of image-based phenotyping and vigor diagnosis in agriculture
Jiang et al. Multi-scale residual convolutional neural network for haze removal of remote sensing images
Ahmad et al. Disease detection in plum using convolutional neural network under true field conditions
Xiao et al. Fruit detection and recognition based on deep learning for automatic harvesting: An overview and review
Alibabaei et al. A review of the challenges of using deep learning algorithms to support decision-making in agricultural activities
Petrellis Plant disease diagnosis for smart phone applications with extensible set of diseases
Latte et al. PlanetScope radiometric normalization and sentinel-2 super-resolution (2.5 m): A straightforward spectral-spatial fusion of multi-satellite multi-sensor images using residual convolutional neural networks
Gu et al. Single remote sensing image dehazing using a prior-based dense attentive network
Zhang et al. An improved apple object detection method based on lightweight YOLOv4 in complex backgrounds
CN109325395A (zh) 图像的识别方法、卷积神经网络模型的训练方法及装置
CN113205142B (zh) 一种基于增量学习的目标检测方法和装置
Liao et al. Segmentation of rice seedlings using the YCrCb color space and an improved Otsu method
CN111160273A (zh) 一种高光谱图像空谱联合分类方法及装置
Kim et al. Double weight-based SAR and infrared sensor fusion for automatic ground target recognition with deep learning
CN112070069A (zh) 遥感图像的识别方法和装置
Jones et al. The impact of pan-sharpening and spectral resolution on vineyard segmentation through machine learning
Shafi et al. Wheat yellow rust disease infection type classification using texture features
Liu et al. Real-time detection of seedling maize weeds in sustainable agriculture
Wang et al. Segmentation and phenotype calculation of rapeseed pods based on YOLO v8 and mask R-convolution neural networks
CN116630700A (zh) 基于引入通道-空间注意力机制的遥感图像分类方法
CN115294470A (zh) 一种用于遥感卫星上的图像识别方法及系统、终端设备

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