[发明专利]一种基于植被区域识别的卷积神经网络模型训练方法及系统

权利要求书

1.一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：所述的建模方法包括以下步骤：

搭建模型框架；

读取图像并对模型进行训练学习；

根据模型训练学习情况实时对模型超参数进行调节；

将完成训练的模型进行固定和保存。

2.根据权利要求1所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：在进行所述搭建模型框架步骤之前还需要得到完成样本点标注的标签图像。

3.根据权利要求2所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：所述的得到完成样本点标注的标签图像的步骤如下：

采集植被所在区域的卫星影像样本；

对影像样本中的植被区域进行样本点标注，得到标签图像。

4.根据权利要求3所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：为了保证影像样本中植被区域样本点标注的准确率，如果在影像样本中出现难以判断植被类型的植被区域时，需要根据实地勘察结果对难以判断植被类型的植被区域进行区别标注。

5.根据权利要求1所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：所述的读取图像对模型进行训练学习的具体步骤如下：

读取训练图像和已经完成样本点标注的标签图像；

对训练图像和标签图像进行去像素点处理；

将标签图像转换成多通道的one-hot样本，并定义各个通道的含义；

对训练图像各个通道上的值进行归一化处理；

根据训练图像生成训练池；

对训练图像进行卷积以及卷积转置处理，当训练达到预设条件时，训练学习结束。

6.根据权利要求5所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：所述的根据训练图像生成训练池的具体步骤如下：

从训练图像上随机选取一个点为中心，生成一个一定尺寸的图片选取框；

再对图片选取框随机选取一个角度进行旋转，得到一个一定尺寸的训练分图像；

然后对上述步骤进行迭代，得到一定数量的训练分图像组合呈图像集作为训练池。

7.根据权利要求5所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：卷积处理的步骤如下：

对训练图像根据卷积深度进行i次卷积；

在第i次卷积后根据进行一次dropout处理，得到第i次卷积后的图像。

8.根据权利要求7所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：卷积转置的步骤如下：

将第i次卷积结果进行卷积转置，并将卷积转置结果与第i-1次卷积结果进行拼接；

对拼接结果进行一次卷积，再对上一次卷积结果进行一次卷积；

根据上述方式依次进行i-1次卷积转置处理。

9.根据权利要求1所述的一种基于植被区域识别的卷积神经网络模型训练方法，其特征在于：对模型超参数进行调节的策略为：

为每个超参数定义一个取值范围；

在每个超参数取值范围中随机选取一个值，形成一个组合；并根据模型训练效果增加超参数的组合数；

根据形成的超参数组合进行模型的训练和测试，当模型训练后损失函数值和训练集准确性符合要求时，完成模型训练。

10.一种基于植被区域识别的卷积神经网络模型训练系统，其特征在于：包括：

建模模块：用于根据植被区域的卫星影像搭建模型框架；

训练模块：用于根据读取的图像对搭建好的模型进行训练学习；

超参数调节模块：用于根据所述训练模块对模型的实时训练学习情况对模型的输入图像尺寸、图片预处理方式、学习率、模型深度和过拟合抑制度进行调整；

存储模块：用于将完成训练的模型进行固定和保存。

11.根据权利要求9所述的一种基于植被区域识别的卷积神经网络模型训练系统，其特征在于：所述的训练模块包括：

读取及去除单元：实现对训练图像和标签图像的读取，并对训练图像和标签图像在高度和宽度维度上分别去除边缘的两个像素点；

转换单元：实现将训练图像转换成多个通道的one-hot样本，对各个通道的含义进行定义，并对各个通道上的值进行归一化处理；

训练池生成模块：实现经过对训练图像的处理得到一定尺寸的训练分图像，再根据迭代得到一定数量的训练分图像组合呈图像集作为训练池；

卷积单元：对训练图像进行卷积和卷积转置处理。