CN115861837A - 基于Ares-UNet++网络的耕地识别方法及相关装置 - Google Patents

Abstract

本申请公开了一种基于Ares‑UNet++网络的耕地识别方法及相关装置，包括：通过基于高分二号遥感影像制作运用于卷积神经网络的耕地识别数据集；将UNet++网络结构作为基础结构，将原始UNet++模型中的卷积单元替换为残差模块，加深网络结构，缓解梯度消失，构建ARes‑Unet++网络，使网络可以更加有效的识别出识别出具有不同纹理和光谱特征的耕地，模型拟合程度高，泛化能力好，适用于在大范围内高效、精准识别耕地任务中。

Description

基于Ares-UNet++网络的耕地识别方法及相关装置

技术领域

本申请涉及耕地识别领域，尤其是涉及一种基于Ares-UNet++网络的耕地识别方法及相关装置。

背景技术

常规的获取耕地数量及其空间分布情况的方法是以行政区域为单位，依赖人工进行实地调查，将获得的大量复杂的数据进行统计分析并逐级上报。该方法的主要优势在于分类精度较高，但因为其费时费力、效率低，难以获得现势的耕地信息，劣势明显。

随着科技的发展，利用遥感卫星数据已经成为快速获取耕地信息最有效的手段。结合遥感影像中的光谱和空间、纹理信息，识别遥感影像中耕地的区域，并利用各种分类算法对耕地进行分类。并随着全球范围内卫星空间分辨率的不断提高，更高分辨率的光学影像也纷纷被学者们运用于耕地信息提取中。与中低分辨率遥感数据相比，高分辨率遥感影像大幅减少了混合像遥感技术为识别耕地提供了更加快速、全面、准确的手段。

卷积神经网络具有强大的特征学习能力，然而对于多波段的高分辨率遥感影像而言，需要利用到影像丰富的纹理、光谱等信息，导致识别难度大幅度增加，仅使用常规的网络模型结构使用下采样操作来识别抽象的语义信息作为特征运用于高分辨率遥感影像耕地识别任务，会丢失细节信息，导致识别结果存在细节不准确，边缘平滑，误分漏分等问题。现有的研究多使用卷积神经网开展小区域实验，缺少在耕地复杂区域上开展大尺度基于高分辨率遥感影像耕地精准识别研究。

因此，如何在耕地复杂区域上开展大尺度基于高分辨率遥感影像耕地精准识别成为了一个亟待解决的技术问题。

发明内容

为了实现在耕地复杂区域上开展大尺度基于高分辨率遥感影像耕地精准识别，本申请提供一种基于Ares-UNet++网络的耕地识别方法及相关装置。

第一方面，本申请提供的一种基于Ares-UNet++网络的耕地识别方法采用如下的技术方案：

一种基于Ares-UNet++网络的耕地识别方法，包括：

通过高分二号卫星获取目标区域的原始遥感数据，并对所述原始遥感数据进行处理以生成目标数据集，所述目标数据集包括：训练集、验证集以及测试集；

基于UNet网络模型将所述UNet网络模型中每个网络层上的采样结果进行跳跃连接以生成UNet++网络结构；

基于所述训练集并在所述UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络；

基于所述验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练；

将所述测试集输入至训练过后的所述Ares-UNet++网络中以生成所述目标区域的耕地识别结果图。

可选的，所述通过高分二号卫星获取目标区域的原始遥感数据，并对所述原始遥感数据进行处理以生成目标数据集的步骤，包括：

通过高分二号卫星采集目标区域的影像数据，获取所述影像数据中的光谱、空间、纹理以及形状特征；

对所述影像数据进行样本勾绘以剔除无关数据；

采用滑动窗口裁剪的方法将所述影像数据裁剪成目标大小的数据切片；

对所有所述数据切片进行数据增强并将所述数据切片划分为训练集、验证集以及测试集；

根据所述训练集、验证集以及测试集生成目标数据集。

可选的，所述基于所述训练集并在所述UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络的步骤，包括：

选择所述UNet++网络作为主体，并在所述UNet网络中的每个残差单元后均增加一种结合了空间和通道的注意力机制模块csSE_Block；

在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构；

基于所述训练集在当前UNet++网络中结合注意力机制模块csSE_Block和残差结构构建Ares-UNet++网络。

可选的，所述注意力机制模块csSE_Block包括通道注意力和空间注意力两个部分；

所述通道注意力部分包括压缩和激发步骤，其中所述压缩步骤用于将输入的特征图进行全局平均池化操作以获取所述特征图的全局压缩特征量；

所述激发步骤用于通过两层1×1的卷积得到所述特征图层中每个通道的权值，使用Sigmoid激活函数进行归一化，将得到的权重与所述输入的特征图相乘，得到与所述输入的特征图形状相同的cse_feature特征图。

可选的，所述空间注意力部分用于将1×1的卷积进行降维并结合所述Sigmoid函数激活得到一个目标维度的特征图；

对所述目标维度的特征图进行特征重新标定，与所述输入的特征图相乘获得sse_feature特征图；

将所述cse_feature和所述sse_feature特征图相加，得到经过空间和通道信息增强过的特征图，并将加权后的特征层作为下一层网络的输入。

可选的，所述在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构以构建Ares-UNet++网络的步骤，包括：

在当前所述UNet++网络中确定输入特征与输出特征；

在所述输入特征与所述输出特征之间引入一个恒等映射连接通道，同时在所述输入特征与所述输出特征之间引入一条用于进行两个卷积核大小为3的卷积层和批标准化的处理的通道作为左侧通道；

结合所述左侧通道和所述恒等映射连接通道生成残差结构。

可选的，所述基于所述验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练的步骤，包括：

获取二元交叉熵并生成第一损失函数

；

获取

系数以确定对应的第二损失函数

根据所述第一损失函数

和第二损失函数

生成损失函数

，其中：

；

基于所述验证集并结合所述损失函数

对所述Ares-UNet++网络进行训 练。

第二方面，本申请提供一种基于Ares-UNet++网络的耕地识别装置，所述基于Ares-UNet++网络的耕地识别装置包括：

数据集生成模块，用于通过高分二号卫星获取目标区域的原始遥感数据，并对所述原始遥感数据进行处理以生成目标数据集，所述目标数据集包括：训练集、验证集以及测试集；

基础网络生成模块，用于基于UNet网络模型将所述UNet网络模型中每个网络层上的采样结果进行跳跃连接以生成UNet++网络结构；

改进网络生成模块，用于基于所述训练集并在所述UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络；

训练模块，用于基于所述验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练；

结果获取模块，用于将所述测试集输入至训练过后的所述Ares-UNet++网络中以生成所述目标区域的耕地识别结果图。

第三方面，本申请提供一种计算机设备，所述设备包括：存储器、处理器，所述处理器在运行所述存储器存储的计算机指令时，执行如上文中任一项所述的方法。

第四方面，本申请提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上文所述的方法。

综上描述，本申请包括以下有益技术效果：

本申请通过基于高分二号遥感影像制作运用于卷积神经网络的耕地识别数据集；将UNet++网络结构作为基础结构，将原始UNet++模型中的卷积单元替换为残差模块，加深网络结构，缓解梯度消失，构建ARes-Unet++网络，使网络可以更加有效的识别出识别出具有不同纹理和光谱特征的耕地，模型拟合程度高，泛化能力好，适用于在大范围内高效、精准识别耕地任务中。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的计算机设备结构示意图；

图2是本发明基于Ares-UNet++网络的耕地识别方法第一实施例的流程示意图；

图3是本发明基于Ares-UNet++网络的耕地识别方法第一实施例的UNet网络结构图；

图4是本发明基于Ares-UNet++网络的耕地识别方法第一实施例的UNet++网络结构图；

图5是本发明基于Ares-UNet++网络的耕地识别方法第一实施例的ARes-Unet++网络结构图；

图6是本发明基于Ares-UNet++网络的耕地识别方法第一实施例的ARes-Unet++局部网络结构图；

图7是本发明基于Ares-UNet++网络的耕地识别方法第一实施例的技术流程图；

图8是本发明基于Ares-UNet++网络的耕地识别方法第一实施例的耕地识别实验图；

图9是本发明基于Ares-UNet++网络的耕地识别方法第二实施例的流程示意图；

图10是本发明基于Ares-UNet++网络的耕地识别方法第三实施例的流程示意图；

图11是本发明基于Ares-UNet++网络的耕地识别方法第三实施例的csSE-Block结构图；

图12是本发明基于Ares-UNet++网络的耕地识别方法第三实施例的残差结构图；

图13是本发明基于Ares-UNet++网络的耕地识别装置第一实施例的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下通过附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的计算机设备结构示意图。

如图1所示，计算机设备可以包括：处理器1001，例如中央处理器（CentralProcessing UNit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于Ares-UNet++网络的耕地识别程序。

在图1所示的计算机设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明计算机设备中的处理器1001、存储器1005可以设置计算机设备中，所述计算机设备通过处理器1001调用存储器1005中存储的基于Ares-UNet++网络的耕地识别程序，并执行本发明实施例提供的基于Ares-UNet++网络的耕地识别方法。

本发明实施例提供了一种基于Ares-UNet++网络的耕地识别方法，参照图2，图2为本发明基于Ares-UNet++网络的耕地识别方法第一实施例的流程示意图。

本实施例中，所述基于Ares-UNet++网络的耕地识别方法包括以下步骤：

步骤S10：通过高分二号卫星获取目标区域的原始遥感数据，并对原始遥感数据进行处理以生成目标数据集，目标数据集包括：训练集、验证集以及测试集。

需要说明的是，U-Net模型是经过4层降采样之后才会进行上采样，这样的网络结构仅仅抓取了图像的深层特征，忽略了影像的浅层特征，并且该模型直接将编码器中的特征图和解码器中的特征图叠加，这对于光谱信息丰富的耕地遥感影像而言，会难以分辨耕地地物细节，导致耕地地物识别的边界模糊、分类效果粗糙，并且对于耕地地物类型丰富多样的研究区而言，UNet网络难以提取这些复杂影像的深层次像元特征。针对以上问题，本实施例构建了ARes-Unet++网络。首先构建UNet++网络结构，通过深监督学习方式将浅层与深层的特征进行叠加，再通过不同的解码路径来还原不同层次的特征，使网络学习到更多的耕地特征，能有效减少在耕地识别过程中存在的孔洞和误分漏分的问题，但模型在数据集训练的过程中存在着明显的模型退化的问题，容易出现过拟合现象，并且对于耕地地块边缘的识别效果仍然较为平滑。考虑到在基于高分辨率遥感影像的耕地精准识别任务中UNet++网络存在以上问题，本实施例在UNet++网络的基础上，加入空间-通道注意力机制、残差结构和舍弃层，构建了ARes-Unet++网络。

本实施例基于高分二号遥感影像制作运用于卷积神经网络的耕地识别数据集，使用UNet++网络结构作为基础结构，针对耕地识别任务做出模型优化和改进，设计出ARes-UNet++网络模型结构，构建基于ARes-UNet++的高分二号遥感影像的耕地精准识别系统。

可以理解的是，高分二号影像空间分辨率高，且具有四个波段，能提供丰富的地物信息。这也意味着在遥感自动解译的过程中，会受到相似地物之间的干扰，导致识别精度下降。尤其是耕地的类型多样、其上种植的作物种类丰富、作物生长阶段不同，且耕地田间管理方式和土壤类型的不同，导致耕地的影像光谱特征多变、纹理特征复杂，部分区域光谱纹理特征不明显，在运用高分二号影像识别耕地时极易造成耕地与其他地类混分的情况，因此本实施例将深度剖析耕地在高分二号影像上的光谱、空间、纹理和形状特征，并根据影像上耕地的各种特征和所处区域（平原区、山坡区、林草区）将耕地划分为规则耕地、坡耕地和林间耕地。

步骤S20：基于UNet网络模型将UNet网络模型中每个网络层上的采样结果进行跳跃连接以生成UNet++网络结构。

可以理解的是，U-Net网络是Ronneberger等人提出完全对称的U型编码-解码结构，该结构可以更好的融合影像特征（Ronneberger et al., 2015）。本实施例构建的U-Net网络，在结构上未做任何改变，网络结构如图3所示。主要由五组编码和五组解码两大部分构成：首先在编码部分遵循典型的CNN架构，每一组编码结构都是堆叠使用2个3×3的卷积，没有批标准化的设置，后面加1个Relu激活，五组的通道数分别是64、128、256、512和1024，在经过4次下采样后，特征图由原来的256*256*4，缩小至16*16*1024。编码过程中，网络不断提取深层的语义特征。在解码部分与编码部分形成对称，通过上采样不断特不断放大特征图，并且与编码部分每一层的特征图融合，充分结合浅层和深层语义特征来恢复特征图得细节信息，最终将下采样大小为16*16的特征图进行上采样恢复至256*256，并经过sigmoid函数输出耕地识别的二分类结果图。

在具体实施中，UNet++网络最早提出于医学影像的分割，UNet++网络在UNet的基础上将每个网络层上采样的结果跳跃连接起来，使得该模型医学影像分割中具有良好的表现（Zhou et al.,2018）。本实施例构建的U-Net++网络，在结构上未做任何改变（图4），也包括了编码器和解码器两大部分，当公式1中b=0表示的是接受上一层输出的编码器节点，当b＞0表示的是该节点融合同级的前一个节点与下一级上采样的结果。其中编码器部分的每一个节点都包含三个操作，包括两个3×3的卷积层+批标准化+ReLU激活函数，后接一个步长为2、池化核为2的最大池化层，将卷积操作后输出的多个特征图大小缩小两倍，三个步骤输出的特征图数量分别为64、128，256，512和1024。UNet++与UNet最明显的区别在于解码器部分重新设计了跳跃连接结构。以图4中X1,3为例，U-Net++中X1,3节点与其同层的前一卷积单元（X1,0，X1,1，X1,1）之间跳跃连接，这样的跳跃连接结构减少了特征信息的丢失，编码器与对应的解码器中语义特征更为接近，同时大大降低了优化器的优化难度。最终的输出层包含一个卷积核大小为1的卷积层，其后紧跟Sigmoid激活函数，该函数生成耕地概率图像，取值范围为[0，1]。

(1)

其中，a:编码部分中第a个下采样层；b:跳跃连接中第b个卷积层；H( ):带有激活函数的卷积运算；u( )表示上采样的解卷积操作；[ ]表示叠加操作。

步骤S30：基于训练集并在UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络。

可以理解的是，在本实施例中训练集用于建立Ares-UNet++网络模型，在UNet++网络的基础上，加入空间-通道注意力机制、残差结构和舍弃层，构建了ARes-Unet++网络。将整个ARes-Unet++网络分为5层（为了便于解释一次记为第一层：X0,0，X0,1，X0,2，X0,3，X0,4第二层为：X1,0，X1,2，X1,3，X1,4第三层X2,0，X2,1，X2,2，第四层为X3,0，X3,1，第五层为：X4,0），网络具体结构如图5所示。

在具体实施中，以图6来说明，当网络输入影像开始训练后，首先通过X0,0残差单元对影像进行特征提取，然后利用csSE_Block注意力机制来强化空间-通道特征，接下来对当前提取的特征进行最大池化（下采样），在池化操作结束后加入舍弃层，然后进入到下一层X1,0卷积单元，通过一个注意力模块后对当前输出进行上采样，将X1,0上采样得到的特征图与X0,0的特征图合并，得到X0,1的输入特征，以此类推，整个模型中的每一个特征均可得到。

步骤S40：基于验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练。

需要说明的是，在进行耕地精准识别之前，要先对整个网络模型进行训练，在模型训练的过程中通常需要考虑数据集的特点来选择适合的损失函数。

进一步地，为了选择合适的损失函数进行模型的训练，所述基于所述验证集并利 用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练的步骤，包括：获 取二元交叉熵并生成第一损失函数

；获取

系数以确定对应的第二损失函数

根据所述第一损失函数

和第二损失函数

生成损失函数

，其中：

；基于所述验证集并结合所述损失函 数

对所述Ares-UNet++网络进行训练。

需要说明的是，在现有二分类任务中，多用二元交叉熵（Binary Crossentropy BCE）作为损失函数（公式2），式中

是模型输出的预测值，

是标签值，output size是输出 大小，

是用二元交叉熵的损失函数。可以看出

仅关注了每个像素预测值与标 签值的关系，在计算的过程中认为耕地与非耕地类的权重相等，那么当标签背景值占据大 部分时，模型就更倾向于优化占比较大的背景值，这样损失值也是下降的，精度也会提升， 但是模型实质上缺少了对于耕地样本的学习，导致模型的训练存在偏向性。

（2）

在具体实施中，由于数据集中的背景值和耕地之间的面积比存在不均衡的情况， 因此训练时需要强化特征，加大耕地的权重让模型学习到更多耕地特征。Dice系数是一个 能度量两个集合之间相似程度的函数（公式3），式中

和

前者表示预测值集 合和标签值集合的交集和后者表示两个集合之和，可以看出该系数关注了预测值为耕地与 背景值两者之间的重叠关系，可以用来处理数据比例不均衡的情况，

是取值在0-1 之间的评估预测值和样本标签的相似性度量函数（公式4），当预测值和标签值完全不重叠 时，

处于最大值1，

达到最小值0时，预测值和标签值完全重叠。

（3）

（4）

但是在使用

进行分类任务时，如若耕地有部分像素预测错误将会导致

大幅度的变动，使得训练过程中法伤剧烈的梯度变化，训练过程极不稳定，损失无法 收敛。因此，本实施例将

与

相结合作为本实验的损失函数（公式5），这样 既可以让模型关注到小样本数据集中耕地的预测情况，也能避免训练的不稳定性。

步骤S50：将测试集输入至训练过后的Ares-UNet++网络中以生成目标区域的耕地识别结果图。

在具体实施中，模型训练完之后，在模型文件中已保留了识别耕地的最优参数，网络模型也达到了最佳状态。接下来，就可以使用模型文件预测耕地识别结果。模型的输入数据集切片大小为256*256*4，在进行耕地识别结果预测时，要保证待预测的影像数据与输入数据大小相同，对于预测测试集而言，数据切片大小已不需要改变，而对于预测一整景高分二号影像而言需要运用滑动窗口将待预测影像进行切片。随后将其输入到模型中，预测出每一个像素属于耕地的概率，再判断概率大于0.5的认为是耕地，并将所有概率大于0.5的像素值均转为1，反之则认为是背景值，将其像素值均转为0。接着将所得的结果填到一个大小与输入影像大小一致的全零矩阵，最终就得到输入影像的二值化分类图，也就是耕地的识别结果图。

可以理解的是，本实施例的技术流程图如图7所示，本实施例基于高分二号遥感影像制作运用于卷积神经网络的耕地识别数据集，使用UNet++网络结构作为基础结构，针对耕地识别任务做出模型优化和改进，设计出ARes-UNet++网络模型结构，构建基于ARes-UNet++的高分二号遥感影像的耕地精准识别系统。

需要说明的是，为了验证深度学习中不同卷积神经网络对耕地识别的效果和性能，本实施例选取了SegNet、UNet、UNet++和本文改进的ARes-UNet++网络，通过50轮训练所得到的耕地识别模型，并在本实施例构造的基于四个波段的高分二号影像数据集上进行耕地精准识别的对比实验，并分析不同模型训练和识别耕地的效果。如表1.1所示，本实施例改进的ARes-UNet++网络在模型训练50轮后的精度评价结果，在训练集train上，ARes-UNet++网络在损失值Loss和OA、IoU及Kappa三个精度评价指标和中的表现均明显优于传统的SegNet、UNet模型，但略小于原始的U-Net++模型，其中改进的ARes-UNet++网络OA为95.14%，IoU和Kappa分别为91.05%和0.91，Loss为0.12。在验证集validation上，ARes-UNet++网络在损失值和三个精度评价指标中的表现也均明显优于传统的SegNet、Unet和U-Net++模型。其中改进的Res-UNet++网络Loss为0.14，OA为94.49%，IoU为89.71%，Kappa为0.90。

表1.1 耕地识别任务中网络模型评价指标对比

这一结论也可以在测试集上的预测结果中得到印证。为了验证改进的ARes-UNet++网络在精准识别耕地任务中有着更强的决策能力，以及分割的准确率更高。将改进的UNet++网络与其他SegNet、UNet和UNet++模型在测试集上进行了实验预测结果对比，具体的耕地识别实验图（图8）所示。图8表示了在1：2000比例尺下，四种模型在测试集上识别的耕地的结果。分别对四个模型的预测图片进行目视解译，通过观察四个模型对于耕地的预测情况结论如下：从图8（a）SegNet模型识别结果中可以看出，该模型在平原耕地上只能识别出一整片的耕地，无法识别出细小的田坎，识别结果完整性较差，且耕地边缘有明显的像素分散现象，导致对耕地的识别不佳，并且该模型对于坡耕地的识别效果不理想，难以达到对耕地的精准识别。从图8（b）UNet模型识别结果中可以看出，耕地的识别效果较SegNet有进一步的提升，但是误分漏分的情况较为明显。从图8（c）未经改进的UNet++模型的识别结果来看，对于破碎、零散的耕地会存在漏分的现象，从图8（d）来看，无论是平原区耕地还是坡耕地，改进的UNet++模型识别的耕地地块边界都是最清晰且与实际耕地地块边界最吻合的，识别结果中碎图斑也较少，符合精准识别耕地识别的要求。

本实施例通过基于高分二号遥感影像制作运用于卷积神经网络的耕地识别数据集；将UNet++网络结构作为基础结构，将原始UNet++模型中的卷积单元替换为残差模块，加深网络结构，缓解梯度消失，构建ARes-Unet++网络，使网络可以更加有效的识别出识别出具有不同纹理和光谱特征的耕地，模型拟合程度高，泛化能力好，适用于在大范围内高效、精准识别耕地任务中。

参考图9，图9为本发明基于Ares-UNet++网络的耕地识别方法第二实施例的流程示意图。

基于上述第一实施例，本实施例基于Ares-UNet++网络的耕地识别方法的所述步骤S10，还包括：

步骤S101：通过高分二号卫星采集目标区域的影像数据，获取影像数据中的光谱、空间、纹理以及形状特征。

步骤S102；对影像数据进行样本勾绘以剔除无关数据。

需要说明的是，由于所选的原始影像缺少对应的耕地样本数据，因此，需要对影像进行人工矢量勾绘耕地标签。本实施例使用ArcGIS10.8矢量编辑工具分别勾绘六个样本区的耕地标签，并且利用当地的土地利用现状数据、Google Earth等对数据标签进行完善，剔除与耕地相混淆的其他土地利用类型。

步骤S103：采用滑动窗口裁剪的方法将影像数据裁剪成目标大小的数据切片。

可以理解的是，在训练模型前需要将高分二号影像裁剪成符合大小的切片数据，因为一整景影像占用内存大，如果再加上训练过程中产生的大量参数，显卡会提示内存溢出的问题。基于此，本实施例通过Python调用GDAL库，获取影像的像元值矩阵和影像的行列数、坐标系和波段数等信息，采用滑动窗口剪裁方法，以10%的重叠率将高分二号影像和对应的标签数据剪裁成256*256*4大小的数据切片。

步骤S104：对所有数据切片进行数据增强并将数据切片划分为训练集、验证集以及测试集。

可以理解的是，数据增强通常是深度学习任务中较为重要的一个步骤，它是指对已有的样本数据切片进行一系列变换产生新数据的过程，该过程能有效的扩充数据量，弥补训练数据量的不足；极大的丰富数据多样性，减少模型出现过拟合情况的概率，从而有效的增强模型泛化能力。考虑到构建的数据集耕地占比少，因此本实施例同时对影像切片和对应的标签切片进行水平翻转、垂直翻转和对角反转的数据增强操作，使模型能更好的学习到耕地的旋转不变特征。

在具体实施中，经过水平翻转、垂直翻转和对角反转操作之后的数据集按照7：2：1的比例随机将数据集划分为训练集、验证集和测试集，去评估基于深度学习的耕地识别性能。其中训练集用于建立模型，通过这部分数据来寻找适合耕地识别的参数，验证集用于评估每一轮训练结束后得到的参数是否准确，测试集用于验证模型最终的耕地识别效果。

步骤S105：根据训练集、验证集以及测试集生成目标数据集。

在具体实施中，为了充分了解构建的数据集中耕地分布情况，本实施例对数据集中每一个数据切片（256*256*4）中耕地像素占该切片的比例进行了统计，从统计数据结果中得出，每个数据切片上耕地的占比情况较少，这统计数据对后续模型的训练参数选择提供了极大的帮助。

本实施例通过高分二号卫星采集目标区域的影像数据，获取所述影像数据中的光谱、空间、纹理以及形状特征；对所述影像数据进行样本勾绘以剔除无关数据；采用滑动窗口裁剪的方法将所述影像数据裁剪成目标大小的数据切片；对所有所述数据切片进行数据增强并将所述数据切片划分为训练集、验证集以及测试集；根据所述训练集、验证集以及测试集生成目标数据集；通过对影像数据进行样本勾绘、数据集切片、数据增强以及数据划分的处理避免了高分二号影像识别耕地时极易造成耕地与其他地类混分的情况。

参考图10，图10为本发明基于Ares-UNet++网络的耕地识别方法第三实施例的流程示意图。

基于上述第一实施例，本实施例基于Ares-UNet++网络的耕地识别方法的所述步骤S30，还包括：

步骤S301：选择UNet++网络作为主体，并在UNet网络中的每个残差单元后均增加一种结合了空间和通道的注意力机制模块csSE_Block。

进一步地，为了充分发挥注意力机制模块的作用，所述注意力机制模块csSE_Block包括通道注意力和空间注意力两个部分；所述通道注意力部分包括压缩和激发步骤，其中所述压缩步骤用于将输入的特征图进行全局平均池化操作以获取所述特征图的全局压缩特征量；所述激发步骤用于通过两层1×1的卷积得到所述特征图层中每个通道的权值，使用Sigmoid激活函数进行归一化，将得到的权重与所述输入的特征图相乘，得到与所述输入的特征图形状相同的cse_feature特征图。

需要说明的是，所述空间注意力部分用于将1×1的卷积进行降维并结合所述Sigmoid函数激活得到一个目标维度的特征图；对所述目标维度的特征图进行特征重新标定，与所述输入的特征图相乘获得sse_feature特征图；将所述cse_feature和所述sse_feature特征图相加，得到经过空间和通道信息增强过的特征图，并将加权后的特征层作为下一层网络的输入。

需要说明的是，对于遥感影像而言，每一个波段的数值都具有重要的价值。近红外波段在耕地识别上尤为重要，因此，在构建网络结构时，本实施例希望网络可以自动学习到不同波段特征的重要程度以及每个波段之间的关系。且对于耕地而言，与其相邻的地物也是耕地识别需要关注的一大重点，让模型关注耕地的空间信息也极为重要。基于此考虑到精准识别耕地识别的复杂程度，本实施例通过将空间-通道注意力机制csSE-Block融入模型结构中，极大程度的关注多通道遥感影像中地物之间的关联关系，相同类别特征间的相互关联经过csSE-Block空间-通道注意力机制进行强化不同类别的地物特征，有效加强耕地地块边界的识别能力。csSE-Block结构如图11所示。

在具体实施中，选择分割网络UNet++网络作为主体，然后在UNet++网络中每个残差单元(Xi,j，i=0,1,2,3,4j=0,1,2,3,4)后均增加一种结合了空间和通道的注意力机制模块csSE_Block。一个csSE_Block的过程可以分为通道注意力和空间注意力两个部分。通道注意力部分中主要包括压缩和激发两个步骤，压缩主要是通过将输入的特征图input_feature（H×W×C）上进行全局平均池化操作，得到当前特征图的全局压缩特征量（1×1×C），然后通过激发将两层1×1的卷积（用1×1的卷积替代全连接操作，不改变影像的空间结构）得到特征图层中每个通道的权值，然后使用Sigmoid激活函数进行归一化，最后将得到的权重与input_feature相乘，得到与输入的特征图层形状相同的cse_feature特征图。空间注意力部分主要是用1×1的卷积进行降维（H×W×1），用Sigmoid函数激活得到一个（H×W×1）维度的特征图，然后再经过特征重标定，与输入的input_feature相乘得到sse_feature特征图。最后将cse_feature和sse_feature特征图相加，得到经过空间和通道信息增强过的特征图，并将加权后的特征层作为下一层网络的输入。

步骤S302：在当前UNet++网络中确定输入模块与输出模块，在输入模块与输出模块中引入残差结构。

进一步地，为了提升残差结构的实施效果，所述在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构的步骤，包括：在当前所述UNet++网络中确定输入特征与输出特征；在所述输入特征与所述输出特征之间引入一个恒等映射连接通道，同时在所述输入特征与所述输出特征之间引入一条用于进行两个卷积核大小为3的卷积层和批标准化的处理的通道作为左侧通道；结合所述左侧通道和所述恒等映射连接通道生成残差结构。

需要说明的是，在本实施例中左侧通道的命名并无特殊意义，仅用于区分恒等映射连接通道，本实施例对具体的命名不进行限定。

在具体实施中，ARes-Unet++利用残差块在编码器模块中更好地提取多尺度特征。根据研究证明，当卷积神经网络越深，意味着提取到的特征越丰富，那么提取到的语义信息就越多，且增加了csSE-Block注意力机制之后，也会小幅增加一些参数，这会导致模型在训练的过程中出现退化的现象。并且更深层次的网络在优化网络权重方面带来了更多的挑战，容易出现梯度消失和网络性能下降的问题。UNet++模型仅使用常规的卷积单元：卷积层+批标准化+激活函数，难以解决上述问题。因此，本实施例构建ARes-Unet++受到著名的残差网络ResNet启发，在输入和输出特征之间引入一个恒等映射连接通道，如图12所示是一个残差结构（Residual Block）。本实施例使用的残差块包括两个分支，一个是图右边输入x的恒等映射，另一个是图左边输入x经过两个卷积核大小为3的卷积层+批标准化，然后将两者进行相加后经过ReLU激活后输出。在ARes-Unet++中X0,0，X1,0，X2,0，X3,0，X4,0设置成残差模块，通过将当前单元的输入信息直接绕道传递到下一个单元，这样更能保证输出特征的原始完整性，识别效果更好。在增加网络深度的同时通过恒等映射的连接结构缓解了可能出现的训练参数梯度消失以及网络性能退化等问题。

步骤S303：基于训练集在当前UNet++网络中结合注意力机制模块csSE_Block和残差结构构建Ares-UNet++网络。

本发明通过选择所述UNet++网络作为主体，并在所述UNet网络中的每个残差单元后均增加一种结合了空间和通道的注意力机制模块csSE_Block；在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构；基于所述训练集在当前UNet++网络中结合注意力机制模块csSE_Block和残差结构构建Ares-UNet++网络；实现了让网络模型关注耕地的空间信息，进一步实现了极大程度的关注多通道遥感影像中地物之间的关联关系。

此外，本发明实施例还提出一种计算机可读存储介质，所述存储介质上存储有基于Ares-UNet++网络的耕地识别的程序，所述基于Ares-UNet++网络的耕地识别的程序被处理器执行时实现如上文所述的基于Ares-UNet++网络的耕地识别的方法的步骤。

参照图13，图,13为本发明基于Ares-UNet++网络的耕地识别装置第一实施例的结构框图。

如图4所示，本发明实施例提出的基于Ares-UNet++网络的耕地识别装置包括：

数据集生成模块10，用于通过高分二号卫星获取目标区域的原始遥感数据，并对所述原始遥感数据进行处理以生成目标数据集，所述目标数据集包括：训练集、验证集以及测试集；

基础网络生成模块20，用于基于UNet网络模型将所述UNet网络模型中每个网络层上的采样结果进行跳跃连接以生成UNet++网络结构；

改进网络生成模块30，用于基于所述训练集并在所述UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络；

训练模块40，用于基于所述验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练；

结果获取模块50，用于将所述测试集输入至训练过后的所述Ares-UNet++网络中以生成所述目标区域的耕地识别结果图。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

本实施例通过在检测到预设信号时，在地理信息系统中获取灾害信息；根据灾害信息中的灾害等级和灾害范围确定受灾影响区域；结合受灾影响区域的当前路况信息确定第一类可行通道和第二类可行通道；在地理信息系统中获取历史受灾记录以确定目标安全区域；获取当前目标终端的位置信息并确定转移类型；根据目标终端的转移类型结合位置信息、对应的可行通道以及目标安全区确定目标终端的避难路径并发送至所述目标终端；实现了在灾害发生的第一时间通过地理信息系统结合实际道路情况生成避难路径，进一步减少了人们因为灾害产生的损失。

在一实施例中，所述数据集生成模块10，还用于通过高分二号卫星采集目标区域的影像数据，获取所述影像数据中的光谱、空间、纹理以及形状特征；对所述影像数据进行样本勾绘以剔除无关数据；采用滑动窗口裁剪的方法将所述影像数据裁剪成目标大小的数据切片；对所有所述数据切片进行数据增强并将所述数据切片划分为训练集、验证集以及测试集；根据所述训练集、验证集以及测试集生成目标数据集。

在一实施例中，所述改进网络生成模块30，还用于选择所述UNet++网络作为主体，并在所述UNet网络中的每个残差单元后均增加一种结合了空间和通道的注意力机制模块csSE_Block；在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构；基于所述训练集在当前UNet++网络中结合注意力机制模块csSE_Block和残差结构构建Ares-UNet++网络。

在一实施例中，所述改进网络生成模块30，包括通道注意力和空间注意力两个部分；所述通道注意力部分包括压缩和激发步骤，其中所述压缩步骤用于将输入的特征图进行全局平均池化操作以获取所述特征图的全局压缩特征量；所述激发步骤用于通过两层1×1的卷积得到所述特征图层中每个通道的权值，使用Sigmoid激活函数进行归一化，将得到的权重与所述输入的特征图相乘，得到与所述输入的特征图形状相同的cse_feature特征图。

在一实施例中，所述改进网络生成模块30，还用于用于将1×1的卷积进行降维并结合所述Sigmoid函数激活得到一个目标维度的特征图；对所述目标维度的特征图进行特征重新标定，与所述输入的特征图相乘获得sse_feature特征图；将所述cse_feature和所述sse_feature特征图相加，得到经过空间和通道信息增强过的特征图，并将加权后的特征层作为下一层网络的输入。

在一实施例中，所述改进网络生成模块30，还用于所述在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构的步骤，包括：在当前所述UNet++网络中确定输入特征与输出特征；在所述输入特征与所述输出特征之间引入一个恒等映射连接通道，同时在所述输入特征与所述输出特征之间引入一条用于进行两个卷积核大小为3的卷积层和批标准化的处理的通道作为左侧通道；结合所述左侧通道和所述恒等映射连接通道生成残差结构。

在一实施例中，所述训练模块40，还用于获取二元交叉熵并生成第一损失函数

；获取

系数以确定对应的第二损失函数

根据所述第一损失函数

和第二损失函数

生成损失函数

，其中：

；基于所述验证集并结合所述损失函数

对所 述Ares-UNet++网络进行训练。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于Ares-UNet++网络的耕地识别的方法，此处不再赘述。

此外，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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

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Ares-UNet++网络的耕地识别方法，其特征在于，包括：

通过高分二号卫星获取目标区域的原始遥感数据，并对所述原始遥感数据进行处理以生成目标数据集，所述目标数据集包括：训练集、验证集以及测试集；

基于UNet网络模型将所述UNet网络模型中每个网络层上的采样结果进行跳跃连接以生成UNet++网络结构；

基于所述训练集并在所述UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络；

基于所述验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练；

将所述测试集输入至训练过后的所述Ares-UNet++网络中以生成所述目标区域的耕地识别结果图。

2.根据权利要求1所述的基于Ares-UNet++网络的耕地识别方法，其特征在于，所述通过高分二号卫星获取目标区域的原始遥感数据，并对所述原始遥感数据进行处理以生成目标数据集的步骤，包括：

通过高分二号卫星采集目标区域的影像数据，获取所述影像数据中的光谱、空间、纹理以及形状特征；

对所述影像数据进行样本勾绘以剔除无关数据；

采用滑动窗口裁剪的方法将所述影像数据裁剪成目标大小的数据切片；

对所有所述数据切片进行数据增强并将所述数据切片划分为训练集、验证集以及测试集；

根据所述训练集、验证集以及测试集生成目标数据集。

3.根据权利要求1所述的基于Ares-UNet++网络的耕地识别方法，其特征在于，所述基于所述训练集并在所述UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络的步骤，包括：

选择所述UNet++网络作为主体，并在所述UNet网络中的每个残差单元后均增加一种结合了空间和通道的注意力机制模块csSE_Block；

在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构；

基于所述训练集在当前UNet++网络中结合注意力机制模块csSE_Block和残差结构构建Ares-UNet++网络。

4.根据权利要求3所述的基于Ares-UNet++网络的耕地识别方法，其特征在于，所述注意力机制模块csSE_Block包括通道注意力和空间注意力两个部分；

所述通道注意力部分包括压缩和激发步骤，其中所述压缩步骤用于将输入的特征图进行全局平均池化操作以获取所述特征图的全局压缩特征量；

所述激发步骤用于通过两层1×1的卷积得到所述特征图层中每个通道的权值，使用Sigmoid激活函数进行归一化，将得到的权重与所述输入的特征图相乘，得到与所述输入的特征图形状相同的cse_feature特征图。

5.根据权利要求4所述的基于Ares-UNet++网络的耕地识别方法，其特征在于，所述空间注意力部分用于将1×1的卷积进行降维并结合所述Sigmoid函数激活得到一个目标维度的特征图；

对所述目标维度的特征图进行特征重新标定，与所述输入的特征图相乘获得sse_feature特征图；

将所述cse_feature和所述sse_feature特征图相加，得到经过空间和通道信息增强过的特征图，并将加权后的特征层作为下一层网络的输入。

6.根据权利要求3所述的基于Ares-UNet++网络的耕地识别方法，其特征在于，所述在当前所述UNet++网络中确定输入模块与输出模块，在所述输入模块与输出模块中引入残差结构的步骤，包括：

在当前所述UNet++网络中确定输入特征与输出特征；

在所述输入特征与所述输出特征之间引入一个恒等映射连接通道，同时在所述输入特征与所述输出特征之间引入一条用于进行两个卷积核大小为3的卷积层和批标准化的处理的通道作为左侧通道；

结合所述左侧通道和所述恒等映射连接通道生成残差结构。

7.根据权利要求1所述的基于Ares-UNet++网络的耕地识别方法，其特征在于，所述基于所述验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练的步骤，包括：

获取二元交叉熵并生成第一损失函数

；

获取

系数以确定对应的第二损失函数

根据所述第一损失函数

和第二损失函数

生成损失函数

，其 中：

；

基于所述验证集并结合所述损失函数

对所述Ares-UNet++网络进行训练。

8.一种基于Ares-UNet++网络的耕地识别装置，其特征在于，所述基于Ares-UNet++网络的耕地识别装置包括：

数据集生成模块，用于通过高分二号卫星获取目标区域的原始遥感数据，并对所述原始遥感数据进行处理以生成目标数据集，所述目标数据集包括：训练集、验证集以及测试集；

基础网络生成模块，用于基于UNet网络模型将所述UNet网络模型中每个网络层上的采样结果进行跳跃连接以生成UNet++网络结构；

改进网络生成模块，用于基于所述训练集并在所述UNet++网络结构的基础上加入空间-通道注意力机制和残差结构以构建Ares-UNet++网络；

训练模块，用于基于所述验证集并利用二元交叉熵和Dice系数作为损失函数对所述Ares-UNet++网络进行训练；

结果获取模块，用于将所述测试集输入至训练过后的所述Ares-UNet++网络中以生成所述目标区域的耕地识别结果图。

9.一种计算机设备，其特征在于，所述设备包括：存储器、处理器，所述处理器在运行所述存储器存储的计算机指令时，执行如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。

Images