[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

说明书

本发明公开了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，建模方法包括以下步骤：搭建模型框架；读取图像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。本发明的有益效果为：通过对卷积神经网络模型的训练得到用于农作物植被区域识别的卷积神经网络模型，在模型的训练过程中通过对多个超参数的调节提高了模型的准确率和缩短了模型的训练学习时间，为后续农作物种植区域识别提供了分析基础。

技术领域

本发明涉及一种卷积神经网络模型训练方法及系统，尤其涉及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。

背景技术

随着社会的发展越来越多的人认识到保险的重要性，大部分保险都是对自己或者家人进行投保；但是也存在一些特殊的投保保单，比如对自己家农作物的产量进行投保，以保证如果遇到自然灾害导致农作物(如油菜、水稻、小麦和果树等等)产量锐减造成自己很大的经济损失。

而在对农作物产量进行分析前需要先基于植被区域识别对卷积神经网络模型进行训练，得到成熟固定的卷积神经网络模型以为后续农作物区域识别以及产量提供分析的基础；因此，如何得到基于植被区域识别的卷积神经网络模型是现阶段需要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供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，能够得到用于植被区域识别的卷积神经网络模型。

本发明的目的是通过以下技术方案来实现的：一种基于植被区域识别的卷积神经网络模型训练方法，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。

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。

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。

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。

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。

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。

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；