[发明专利]一种基于改进AlexNet的遥感图像识别方法

说明书

本发明公开了一种基于改进AlexNet的遥感图像识别方法，属于人工智能图片分类领域，本发明先对遥感图像进行均匀裁剪，将裁剪后的图像分为训练集和验证集；将训练集输入改进AlexNet网络进行训练，生成训练后的网络模型：通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；将经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；将待勘测图像输入生成的网络模型，得到遥感图像分类结果。本发明借助了卷积神经网络处理大量图片的准确性和稳定性，相较于传统的图片分类算法，该网络模型具有较高的识别率。

技术领域

本发明涉及人工智能图片分类技术领域，特别是一种基于改进AlexNet的遥感图像识别方法。

背景技术

随着我国工业化和城镇化进程不断加速，粗放型土地资源利用模式占据主导位置，造成耕地面积锐减。1999-2007年间，我国耕地总量减少670万公顷以上，年均减少90多万公顷。截至2007年底，我国现有耕地1.22亿公顷，日益逼近1.2亿公顷的耕地红线。在当前形势下，对耕地开展保护工作，增强国家粮食安全保障能力，推进农业现代化与新农村建设具有重要意义。现行对农田的统计及保护方法主要是靠各级政府的层层统计和上报，不仅存在人为偏差，还会消耗大量人力物力。因此，研究一种行之有效的耕地遥感图像检测分类方法，已成为热门的研究内容。

近年来，深度学习卷积神经网络CNN(convolutional neural networks)在对自然图像识别的任务上不断取得显著进步，使得人们对CNN分类模型的研究更广泛和更深入。CNN模型主要包括对输入图像进行不同层级的处理，以及对提取出的基本组成部分进行各层之间的共享。传统的人工手动提取特征再进行分类的方法可以近似看作一个比较特殊的CNN模型。而CNN模型的优势在于可以自动判断需要保留的信息，不用手动设置参数或者整合提取出图像的信息。现有技术存在网络模型识别率低和训练速度慢的缺点。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于改进AlexNet的遥感图像识别方法，对经典网络的滤波器进行更换，简化网络结构，再结合批量归一化，以加快网络的训练速度和提高对遥感图像识别的准确率。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于改进AlexNet的遥感图像识别方法，包括以下步骤：

步骤1、对遥感图像进行均匀裁剪，得到裁剪后的图像，将裁剪后的图像分为训练集和验证集；

步骤2、将训练集输入改进AlexNet进行训练，生成训练后的网络模型；改进AlexNet进行训练的过程如下：

步骤A、通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；

步骤B、将步骤A中经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；

步骤3、将待勘测图像输入步骤2中生成的网络模型，得到遥感图像分类结果。

作为本发明所述的一种基于改进AlexNet的遥感图像识别方法进一步优化方案，通过步骤3网络模型分类结果确认遥感图像地形地貌。

作为本发明所述的一种基于改进AlexNet的遥感图像识别方法进一步优化方案，步骤1中进行均匀裁剪的尺寸为满足网络卷积需要的最小图像。

作为本发明所述的一种基于改进AlexNet的遥感图像识别方法进一步优化方案，改进AlexNet网络为：