CN116682026A - 一种智能深度学习环境遥感系统 - Google Patents
一种智能深度学习环境遥感系统 Download PDFInfo
- Publication number
- CN116682026A CN116682026A CN202310722274.0A CN202310722274A CN116682026A CN 116682026 A CN116682026 A CN 116682026A CN 202310722274 A CN202310722274 A CN 202310722274A CN 116682026 A CN116682026 A CN 116682026A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- module
- image
- group
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000006835 compression Effects 0.000 claims description 28
- 238000007906 compression Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 claims description 3
- 235000019804 chlorophyll Nutrition 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000002618 waking effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 3
- 230000004044 response Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能深度学习环境遥感系统，属于遥感技术领域，包括监测平台、影像采集模块、数据处理模块、模型构建模块、环境分类模块、训练优化模块、云服务器以及性能调整模块，所述监测平台用于验证工作人员身份信息，并依据工作人员操作信息进行对应反馈；本发明能够增强训练样本随机性，同时能够避免明显的拼接痕迹，能够去除明显的细小错分区域，同时细化地物边缘，使分类结果更加接近地面真实情况，能够提高遥感影像分类的效果，能够大幅提升监测平台性能，提高平台功能响应效率，降低冗余内存占用，提高工作人员使用体验。
Description
技术领域
本发明涉及遥感技术领域，尤其涉及一种智能深度学习环境遥感系统。
背景技术
遥感，即遥远的感知，是利用传感器采用非接触、远距离的方式探测地面物体对电磁波信号的反射、辐射或散射情况的一门科学技术，通过遥感技术得到的遥感影像是各类应用领域如农业、气象、海洋、军事、林业、环境等领域的重要信息来源。随着传感器平台、信息处理以及通信等关键技术的快速发展，遥感影像的获取手段日趋多样化,遥感影像的空间分辨率从最初的公里级跨越至厘米级，所包含的信息也越来越丰富。高空间分辨率遥感影像具有高度细节化的形状、几何结构、纹理信息等空间特征，是地物信息提取的重要数据源，从中提取的专题信息也在遥感制图、精确农业、城市规划、环境监测、资源管理等诸多应用领域得到广泛应用。。
现有的环境遥感系统训练样本随机性差，同时处理后的遥感图像有明显的拼接痕迹，降低遥感影像分类的效果；此外，现有的环境遥感系统监测平台性能较差，平台功能响应较慢，降低工作人员使用体验，为此，我们提出一种智能深度学习环境遥感系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种智能深度学习环境遥感系统。
为了实现上述目的，本发明采用了如下技术方案：
一种智能深度学习环境遥感系统，包括监测平台、影像采集模块、数据处理模块、模型构建模块、环境分类模块、训练优化模块、云服务器以及性能调整模块；
所述监测平台用于验证工作人员身份信息，并依据工作人员操作信息进行对应反馈；
所述影像采集模块用于接收遥感卫星传输的遥感影像；
所述数据处理模块用于对遥感影像进行优化处理；
所述模型构建模块用于依据遥感影像构造对应nDSM数字模型；
所述环境分类模块用于对遥感影像进行分类处理；
所述训练优化模块用于对环境分类模块进行性能优化；
所述云服务器用于存储nDSM数字模型以及分类数据；
所述性能调整模块用于对监测平台进行内存压缩处理。
作为本发明的进一步方案，所述数据处理模块遥感影像优化处理具体步骤如下：
步骤一：数据处理模块将采集到的遥感影像按照不同区域进行分类，之后进行逐帧提取以获取多组点云数据，并依据各点云数据显示比列进行分块处理；
步骤二：对分块后的各组点云数据通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理，使用规定像素的窗口在各组图像信息中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图像信息中的纹理特征，再依据各组纹理特征剔除点云数据中的高位粗差和低位粗差。
作为本发明的进一步方案，所述模型构建模块nDSM数字模型具体构造具体步骤如下：
步骤(1)：模型构建模块以最小临近区域算法获取初始不规则三角网，通过不断迭代新的阈值以加入新的点，从而构建出三角网，之后通过构建出的三角网将地面点与非地面点分离；
步骤(2)：导出粗差剔除后的点云数据以及分离后地面点，再利用反距离权重法分别插值得到与高分辨率影像像元大小相同的DSM和DEM，之后对获取的DSM和DEM进行栅格数据相减和裁剪以获取只含有地表物体高程信息的nDSM数字模型；
步骤(3)：对近红外波段与红色波段的影像中对应位置的像元值进行计算以获取反映植被的覆盖度、叶面积指数、叶绿素含量以及生长状况的NDVI数据；
步骤(4)：当NDVI值小于0时，表明该地区地面对可见光反射高，可能覆盖为云、水、雪、玻璃以及阴影；NDVI值等于0时，表示有岩石或裸地；当NDVI值大于0时，表示有植被覆盖，且植被覆盖度越高，NDVI值越大，且树木的NDVI值略大于低矮植被的NDVI值。
作为本发明的进一步方案，步骤(1)所述nDSM数字模型计算公式如下：
nDSM(i,j)＝DSM(i,j)-DEM(i,j)
(1)
式中，nDSM(i,j)代表nDSM在第i行第j列的高程值；DSM(i,j)代表DSM在第i行第j列的高程值；DEM(i,j)代表DEM在第i行第j列的高程值；
步骤(3)所述NDVI数据具体计算公式如下：
式中，NIR代表数字正射影像中的近红外波段；R代表红色波段；其中，NDVI数据的像素值范围为[-1，1]。
作为本发明的进一步方案，所述环境分类模块遥感影像性能优化具体步骤如下：
步骤Ⅰ：环境分类模型构建一组分类神经模型，之后模型参数确定后，对收集的遥感影像裁剪成为固定大小的图像块分别后进行前向传播，并获取待分类影像中每一个像素属于每个类别的概率，同时求出概率最大值所属的维度；
步骤Ⅱ：采用滑动窗口的方式获取存在部分重叠区域的图像块，然后对每一张预测的图像块保留中间某一区域的分类结果，舍弃边缘不准确的结果，再依次拼接，之后通过全连接CRFs将图像中所有的像素两两连接；
步骤Ⅲ：全连接CRFs用像素间的颜色和实际相对距离来衡量像素间的差距，同时获取全连接CRFs的能量函数，并采用平均场近似的方法进行迭代以最小化能量函数，然后根据各像素能量函数值来判断遥感影像类型。
作为本发明的进一步方案，所述训练优化模块性能优化具体步骤如下：
步骤①：训练优化模块通过预设长宽的窗口随机从Vaihingen数据集中的影像数据上裁剪出多组样本数据，之后将DSM、NDVI与nDSM作为影像的额外波段附加在样本数据后，通过min-max标准化方法对各组样本数据进行归一化预处理；
步骤②：将各组图像转换成带有标签值的图像，其中，各标签值代表图像中存在的一种地面真实数据，将待训练样本进行了随机翻转的数据增强操作；
步骤③：分类神经模型接收待训练样本，同时先进行一次卷积操作以将输入数据转换为符合要求的特征图，然后再重复采用2组卷积层和1组最大池化层的结构，再在扩展通道中先进行了1次反卷积操作使特征图的维数减半；
步骤④：拼接对应压缩通道的特征图，重新组成一组2倍维数的特征图，再采用2组卷积层，并重复该结构，然后在最后的输出层，采用一组卷积核为1x1大小的6维卷积层将上一层获取的特征图映射成6维输出特征图；
步骤⑤：收集经过前向传播得到的多维输出特征向量，然后通过softmax函数将特征向量中所有类别的线性预测值转换为概率值，当获取对应概率值后，使用损失函数计算地面真实数据与预测概率之间的损失值来量化两者之间的差距；
步骤⑥：通过Adam优化算法进行模型训练，逐层更新模型中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练，并将该参数作为最优参数进行替换。
作为本发明的进一步方案，步骤①所述min-max标准化计算公式具体如下：
式中，xmin代表样本数据的最小值；xmax代表样本数据的最大值；其中，min-max标准化方法将每个通道的数据范围从区间[0，255]缩小至区间[0，1]；
步骤③所述卷积层具体计算公式如下：
式中，代表第l层第k维的输出特征图；/>代表；/>以及/>分别为模型中第l层第k维的权重和偏差；/>代表第l-1层的输出特征图；RELU代表该卷积层激活函数；
步骤⑤所述概率值具体计算公式如下：
式中，代表多维输出特征向量；i代表样本影像中的像元；
步骤⑤所述损失值具体计算公式如下：
式中，loss代表真实数据与预测概率之间的损失值。
作为本发明的进一步方案，所述性能优化模块监测平台内存压缩具体步骤如下：
第一步：性能优化模块为监测平台的各组功能界面生成一个启动链表，并依据LRU链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接；
第二步：依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止；
第三步：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至性能优化模块的压缩区域中。
相比于现有技术，本发明的有益效果在于：
1、本发明通过环境分类模型构建分类神经模型后，训练优化模块通过预设长宽的窗口随机获取多组样本数据，再将样本数据预处理后进行数据增强，之后分类神经模型接收待训练样本，进行一次卷积操作后获取符合要求的特征图，之后重复采用2组卷积层和1组最大池化层的结构，再通过扩展通道对特征图进行降维，在输出层进行前向传播获取多组特征向量，并进行概率值计算，通过Adam优化算法进行模型训练，逐层更新模型中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练，并将该参数作为最优参数进行替换，之后分类神经模型将各遥感影像裁剪成为固定大小的图像块分别后进行前向传播，并获取待分类影像中每一个像素属于每个类别的概率，通过全连接CRFs将图像中所有的像素两两连接，获取全连接CRFs的能量函数，并采用平均场近似的方法进行迭代以最小化能量函数，然后根据各像素能量函数值来判断遥感影像类型，能够增强训练样本随机性，同时能够避免明显的拼接痕迹，能够去除明显的细小错分区域，同时细化地物边缘，使分类结果更加接近地面真实情况，能够提高遥感影像分类的效果。
2、该系统通过性能优化模块为监测平台的各组功能界面生成一个启动链表，并依据LRU链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接，依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至性能优化模块的压缩区域中，能够大幅提升监测平台性能，提高平台功能响应效率，降低冗余内存占用，提高工作人员使用体验。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种智能深度学习环境遥感系统的系统框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
参照图1，一种智能深度学习环境遥感系统，包括监测平台、影像采集模块、数据处理模块、模型构建模块、环境分类模块、训练优化模块、云服务器以及性能调整模块。
监测平台用于验证工作人员身份信息，并依据工作人员操作信息进行对应反馈；影像采集模块用于接收遥感卫星传输的遥感影像；数据处理模块用于对遥感影像进行优化处理。
具体的，数据处理模块将采集到的遥感影像按照不同区域进行分类，之后进行逐帧提取以获取多组点云数据，并依据各点云数据显示比列进行分块处理，对分块后的各组点云数据通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理，使用规定像素的窗口在各组图像信息中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图像信息中的纹理特征，再依据各组纹理特征剔除点云数据中的高位粗差和低位粗差。
模型构建模块用于依据遥感影像构造对应nDSM数字模型。
具体的，模型构建模块以最小临近区域算法获取初始不规则三角网，通过不断迭代新的阈值以加入新的点，从而构建出三角网，之后通过构建出的三角网将地面点与非地面点分离，之后导出粗差剔除后的点云数据以及分离后地面点，再利用反距离权重法分别插值得到与高分辨率影像像元大小相同的DSM和DEM，之后对获取的DSM和DEM进行栅格数据相减和裁剪以获取只含有地表物体高程信息的nDSM数字模型，对近红外波段与红色波段的影像中对应位置的像元值进行计算以获取反映植被的覆盖度、叶面积指数、叶绿素含量以及生长状况的NDVI数据，当NDVI值小于0时，表明该地区地面对可见光反射高，可能覆盖为云、水、雪、玻璃以及阴影；NDVI值等于0时，表示有岩石或裸地；当NDVI值大于0时，表示有植被覆盖，且植被覆盖度越高，NDVI值越大，且树木的NDVI值略大于低矮植被的NDVI值。
需要进一步说明的是，nDSM数字模型计算公式如下：
nDSM(i,j)＝DSM(i,j)-DEM(i,j)
(1)
式中，nDSM(i,j)代表nDSM在第i行第j列的高程值；DSM(i,j)代表DSM在第i行第j列的高程值；DEM(i,j)代表DEM在第i行第j列的高程值；
NDVI数据具体计算公式如下：
式中，NIR代表数字正射影像中的近红外波段；R代表红色波段；其中，NDVI数据的像素值范围为[-1，1]。
环境分类模块用于对遥感影像进行分类处理。
具体的，环境分类模型构建一组分类神经模型，之后模型参数确定后，对收集的遥感影像裁剪成为固定大小的图像块分别后进行前向传播，并获取待分类影像中每一个像素属于每个类别的概率，同时求出概率最大值所属的维度，采用滑动窗口的方式获取存在部分重叠区域的图像块，然后对每一张预测的图像块保留中间某一区域的分类结果，舍弃边缘不准确的结果，再依次拼接，之后通过全连接CRFs将图像中所有的像素两两连接，全连接CRFs用像素间的颜色和实际相对距离来衡量像素间的差距，同时获取全连接CRFs的能量函数，并采用平均场近似的方法进行迭代以最小化能量函数，然后根据各像素能量函数值来判断遥感影像类型。
实施例2
参照图1，一种智能深度学习环境遥感系统，包括监测平台、影像采集模块、数据处理模块、模型构建模块、环境分类模块、训练优化模块、云服务器以及性能调整模块。
训练优化模块用于对环境分类模块进行性能优化。
具体的，训练优化模块通过预设长宽的窗口随机从Vaihingen数据集中的影像数据上裁剪出多组样本数据，之后将DSM、NDVI与nDSM作为影像的额外波段附加在样本数据后，通过min-max标准化方法对各组样本数据进行归一化预处理，将各组图像转换成带有标签值的图像，其中，各标签值代表图像中存在的一种地面真实数据，将待训练样本进行了随机翻转的数据增强操作，分类神经模型接收待训练样本，同时先进行一次卷积操作以将输入数据转换为符合要求的特征图，然后再重复采用2组卷积层和1组最大池化层的结构，再在扩展通道中先进行了1次反卷积操作使特征图的维数减半，拼接对应压缩通道的特征图，重新组成一组2倍维数的特征图，再采用2组卷积层，并重复该结构，然后在最后的输出层，采用一组卷积核为1x1大小的6维卷积层将上一层获取的特征图映射成6维输出特征图，收集经过前向传播得到的多维输出特征向量，然后通过softmax函数将特征向量中所有类别的线性预测值转换为概率值，当获取对应概率值后，使用损失函数计算地面真实数据与预测概率之间的损失值来量化两者之间的差距，通过Adam优化算法进行模型训练，逐层更新模型中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练，并将该参数作为最优参数进行替换。
本实施例中，min-max标准化计算公式具体如下：
式中，xmin代表样本数据的最小值；xmax代表样本数据的最大值；其中，min-max标准化方法将每个通道的数据范围从区间[0，255]缩小至区间[0，1]；
卷积层具体计算公式如下：
式中，代表第l层第k维的输出特征图；/>代表；/>以及/>分别为模型中第l层第k维的权重和偏差；/>代表第l-1层的输出特征图；RELU代表该卷积层激活函数；
概率值具体计算公式如下：
式中，代表多维输出特征向量；i代表样本影像中的像元；
损失值具体计算公式如下：
式中，loss代表真实数据与预测概率之间的损失值。
云服务器用于存储nDSM数字模型以及分类数据；性能调整模块用于对监测平台进行内存压缩处理。
具体的，性能优化模块为监测平台的各组功能界面生成一个启动链表，并依据LRU链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接，依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至性能优化模块的压缩区域中。
Claims (8)
1.一种智能深度学习环境遥感系统，其特征在于，包括监测平台、影像采集模块、数据处理模块、模型构建模块、环境分类模块、训练优化模块、云服务器以及性能调整模块；
所述监测平台用于验证工作人员身份信息，并依据工作人员操作信息进行对应反馈；
所述影像采集模块用于接收遥感卫星传输的遥感影像；
所述数据处理模块用于对遥感影像进行优化处理；
所述模型构建模块用于依据遥感影像构造对应nDSM数字模型；
所述环境分类模块用于对遥感影像进行分类处理；
所述训练优化模块用于对环境分类模块进行性能优化；
所述云服务器用于存储nDSM数字模型以及分类数据；
所述性能调整模块用于对监测平台进行内存压缩处理。
2.根据权利要求1所述的一种智能深度学习环境遥感系统，其特征在于，所述数据处理模块遥感影像优化处理具体步骤如下：
步骤一：数据处理模块将采集到的遥感影像按照不同区域进行分类，之后进行逐帧提取以获取多组点云数据，并依据各点云数据显示比列进行分块处理；
步骤二：对分块后的各组点云数据通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理，使用规定像素的窗口在各组图像信息中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关图像信息中的纹理特征，再依据各组纹理特征剔除点云数据中的高位粗差和低位粗差。
3.根据权利要求2所述的一种智能深度学习环境遥感系统，其特征在于，所述模型构建模块nDSM数字模型具体构造具体步骤如下：
步骤(1)：模型构建模块以最小临近区域算法获取初始不规则三角网，通过不断迭代新的阈值以加入新的点，从而构建出三角网，之后通过构建出的三角网将地面点与非地面点分离；
步骤(2)：导出粗差剔除后的点云数据以及分离后地面点，再利用反距离权重法分别插值得到与高分辨率影像像元大小相同的DSM和DEM，之后对获取的DSM和DEM进行栅格数据相减和裁剪以获取只含有地表物体高程信息的nDSM数字模型；
步骤(3)：对近红外波段与红色波段的影像中对应位置的像元值进行计算以获取反映植被的覆盖度、叶面积指数、叶绿素含量以及生长状况的NDVI数据；
步骤(4)：当NDVI值小于0时，表明该地区地面对可见光反射高，可能覆盖为云、水、雪、玻璃以及阴影；NDVI值等于0时，表示有岩石或裸地；当NDVI值大于0时，表示有植被覆盖，且植被覆盖度越高，NDVI值越大，且树木的NDVI值略大于低矮植被的NDVI值。
4.根据权利要求3所述的一种智能深度学习环境遥感系统，其特征在于，步骤(1)所述nDSM数字模型计算公式如下：
nDSM(i,j)＝DSM(i,j)-DEM(i,j)
(1)
式中，nDSM(i,j)代表nDSM在第i行第j列的高程值；DSM(i,j)代表DSM在第i行第j列的高程值；DEM(i,j)代表DEM在第i行第j列的高程值；
步骤(3)所述NDVI数据具体计算公式如下：
式中，NIR代表数字正射影像中的近红外波段；R代表红色波段；其中，NDVI数据的像素值范围为[-1，1]。
5.根据权利要求3所述的一种智能深度学习环境遥感系统，其特征在于，所述环境分类模块遥感影像性能优化具体步骤如下：
步骤Ⅰ：环境分类模型构建一组分类神经模型，之后模型参数确定后，对收集的遥感影像裁剪成为固定大小的图像块分别后进行前向传播，并获取待分类影像中每一个像素属于每个类别的概率，同时求出概率最大值所属的维度；
步骤Ⅱ：采用滑动窗口的方式获取存在部分重叠区域的图像块，然后对每一张预测的图像块保留中间某一区域的分类结果，舍弃边缘不准确的结果，再依次拼接，之后通过全连接CRFs将图像中所有的像素两两连接；
步骤Ⅲ：全连接CRFs用像素间的颜色和实际相对距离来衡量像素间的差距，同时获取全连接CRFs的能量函数，并采用平均场近似的方法进行迭代以最小化能量函数，然后根据各像素能量函数值来判断遥感影像类型。
6.根据权利要求5所述的一种智能深度学习环境遥感系统，其特征在于，所述训练优化模块性能优化具体步骤如下：
步骤①：训练优化模块通过预设长宽的窗口随机从Vaihingen数据集中的影像数据上裁剪出多组样本数据，之后将DSM、NDVI与nDSM作为影像的额外波段附加在样本数据后，通过min-max标准化方法对各组样本数据进行归一化预处理；
步骤②：将各组图像转换成带有标签值的图像，其中，各标签值代表图像中存在的一种地面真实数据，将待训练样本进行了随机翻转的数据增强操作；
步骤③：分类神经模型接收待训练样本，同时先进行一次卷积操作以将输入数据转换为符合要求的特征图，然后再重复采用2组卷积层和1组最大池化层的结构，再在扩展通道中先进行了1次反卷积操作使特征图的维数减半；
步骤④：拼接对应压缩通道的特征图，重新组成一组2倍维数的特征图，再采用2组卷积层，并重复该结构，然后在最后的输出层，采用一组卷积核为1x1大小的6维卷积层将上一层获取的特征图映射成6维输出特征图；
步骤⑤：收集经过前向传播得到的多维输出特征向量，然后通过softmax函数将特征向量中所有类别的线性预测值转换为概率值，当获取对应概率值后，使用损失函数计算地面真实数据与预测概率之间的损失值来量化两者之间的差距；
步骤⑥：通过Adam优化算法进行模型训练，逐层更新模型中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练，并将该参数作为最优参数进行替换。
7.根据权利要求6所述的一种智能深度学习环境遥感系统，其特征在于，步骤①所述min-max标准化计算公式具体如下：
式中，xmin代表样本数据的最小值；xmax代表样本数据的最大值；其中，min-max标准化方法将每个通道的数据范围从区间[0，255]缩小至区间[0，1]；
步骤③所述卷积层具体计算公式如下：
式中，代表第l层第k维的输出特征图；/>代表；/>以及/>分别为模型中第l层第k维的权重和偏差；/>代表第l-1层的输出特征图；RELU代表该卷积层激活函数；
步骤⑤所述概率值具体计算公式如下：
式中，代表多维输出特征向量；i代表样本影像中的像元；
步骤⑤所述损失值具体计算公式如下：
式中，loss代表真实数据与预测概率之间的损失值。
8.根据权利要求1所述的一种智能深度学习环境遥感系统，其特征在于，所述性能优化模块监测平台内存压缩具体步骤如下：
第一步：性能优化模块为监测平台的各组功能界面生成一个启动链表，并依据LRU链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接；
第二步：依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止；
第三步：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至性能优化模块的压缩区域中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722274.0A CN116682026A (zh) | 2023-06-16 | 2023-06-16 | 一种智能深度学习环境遥感系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722274.0A CN116682026A (zh) | 2023-06-16 | 2023-06-16 | 一种智能深度学习环境遥感系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116682026A true CN116682026A (zh) | 2023-09-01 |
Family
ID=87781937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310722274.0A Pending CN116682026A (zh) | 2023-06-16 | 2023-06-16 | 一种智能深度学习环境遥感系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116682026A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152620A (zh) * | 2023-10-30 | 2023-12-01 | 江西立盾光电科技有限公司 | 一种跟随植物状态变化的植物生长控制方法及系统 |
-
2023
- 2023-06-16 CN CN202310722274.0A patent/CN116682026A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152620A (zh) * | 2023-10-30 | 2023-12-01 | 江西立盾光电科技有限公司 | 一种跟随植物状态变化的植物生长控制方法及系统 |
| CN117152620B (zh) * | 2023-10-30 | 2024-02-13 | 江西立盾光电科技有限公司 | 一种跟随植物状态变化的植物生长控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107463901B (zh) | 多尺度区域洪涝灾害危险性遥感评估方法和系统 | |
| CN111598174B (zh) | 基于半监督对抗学习的模型训练方法及图像变化分析方法 | |
| CN111914611B (zh) | 城市绿地高分遥感监测方法与系统 | |
| CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
| CN110414738B (zh) | 一种农作物产量预测方法及系统 | |
| CN108573276A (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
| CN112183416A (zh) | 一种基于深度学习方法的新增建设用地自动提取方法 | |
| CN111666903B (zh) | 一种卫星云图中雷暴云团的识别方法 | |
| CN116682026A (zh) | 一种智能深度学习环境遥感系统 | |
| CN115393712B (zh) | 基于动态混合池化策略的sar图像道路提取方法及系统 | |
| CN113869370A (zh) | 基于深度学习算法和时序哨兵影像的树种精细化分类方法 | |
| 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 | |
| CN111598028A (zh) | 一种基于遥感成像原理识别地表植被分布方法 | |
| CN111104850A (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
| CN112861617A (zh) | 一种基于监控图像的边坡灾害识别系统 | |
| CN115452759A (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
| CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN113963003A (zh) | 一种基于Google Earth Engine的区域地表水体快速提取方法 | |
| CN112488190A (zh) | 一种基于深度学习的点云数据分类方法及系统 | |
| CN117115666A (zh) | 基于多源数据的高原湖泊提取方法、装置、设备及介质 | |
| Wang et al. | [Retracted] Remote Sensing Satellite Image‐Based Monitoring of Agricultural Ecosystem | |
| CN115203624B (zh) | 一种基于时序遥感的任意时刻地表环境综合评估方法 | |
| CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 |
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 |