[发明专利]基于深度学习的多光谱遥感影像的农作物虫害监测方法有效
申请号: | 201910597394.6 | 申请日: | 2019-07-04 |
公开(公告)号: | CN110287944B | 公开(公告)日: | 2022-07-01 |
发明(设计)人: | 顾玲嘉;王钰涵;任瑞治 | 申请(专利权)人: | 吉林大学 |
主分类号: | G06V20/17 | 分类号: | G06V20/17;G06V10/46;G06V10/764;G06V10/56;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 长春吉大专利代理有限责任公司 22201 | 代理人: | 李泉宏 |
地址: | 130012 吉*** | 国省代码: | 吉林;22 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 光谱 遥感 影像 农作物 虫害 监测 方法 | ||
1.基于深度学习的多光谱遥感影像的农作物虫害监测方法,其特征在于,该方法包括:
步骤一、影像预处理:将Landsat8数据中的多光谱图像进行辐射定标和大气校正,最后进行图像剪裁选取需要的图像区域的步骤;
步骤二、提取多种农作物的光谱指数:针对预处理后的Landsat8多光谱像的波段信息,提取农作物归一化植被指数NDVI;提取农作物差值植被指数DVI;提取农作物的重归一化植被指数RDVI;提取农作物叶面冠层水分指数NDWI;
计算归一化植被指数NDVI,计算公式如公式(1)所示;计算提取农作物差值植被指数DVI,计算公式如(2)
NDVI=(NIR-Red)/(NIR+Red)………………………(1)
DVI=NIR-Red………………………(2)
其中式(1)和(2)中,NIR代表Landsat8数据中得到近红波段的反射率,Red代表Landsat8数据中的红色波段的反射率;
利用式(1)NDVI、式(2)DVI进行运算,得到农作物重归一化植被指数RDVI,计算公式如(3)
由于农作物受虫害侵袭,会导致农作物叶面发生变化,导致农作物对于水分吸收受到影响,因而计算Landsat8光谱数据中的叶子冠层水分指数NDWI,可以监测农作物虫害,计算公式如(4)
NDWI=(Green-NIR)/(Green+NIR)……………(4)
其中式(4)中,Green代表Landsat8数据中的绿色波段的反射率,NIR代表Landsat8数据中近红波段的反射率;
步骤三、将Landsat8原始卫星数据中的红波段、绿波段、蓝波段、近红外波段NIR和两个短波红外波段SWIR1和SWIR2共六个原始波段与步骤二中得到的NDVI、DVI、RDVI和NDWI四个波段指数组合,形成一个空间分辨率为30m的拥有10个有效波段的新数据;
步骤四、训练集的选取:在获取到的遥感影像中农作物遭受虫害侵袭后会表现出不同的光谱特征,为受不同等级虫害侵袭地块以及无虫害发生地块分别选择训练样本,并基于像素点分类,其中选择80%的像素点进行训练,20%的像素点进行测试;
步骤五、构建LSTM网络结构模型,所述的LSTM网络结构由四个部分组成,
(a)LSTM网络的第1部分为输入层,输入图像大小为n×10×1,其中n为批处理参数batch_size的大小,10为特征波段组合个数;所述的批处理参数为实验区的数据原图上的总像素数目的约数;
(b)LSTM网络的第2部分:由四个LSTM单元网络和四个随机失活层交替组合而成,其中单个LSTM单元网络的滤波器的个数为32,随机失活层随机选择网络中的50%样本数据进行失活处理,可以有效地缓解过拟合,在一定程度上达到正则化的效果;
(c)LSTM网络的第3部分是一个滤波器的个数为64的全连接层,数据需要经过扁平化的操作传入全连接层,全连接层的输入为n×320,输出为n×64;
(d)LSTM网络的第4部分使用Softmax分类器为输出层,输出数目n×4,分类结果为重度虫害、中度虫害、无虫害和其他4个监测结果;
所述的LSTM单元网络由遗忘门、输入门和输出门组成;
其中遗忘门为
ft=σ(Wf·[ht-1,xt]+bf)………………………(6)
遗忘门的输入是ht-1,和xt,ht-1为上一时刻的隐状态,xt是当前时刻的输入,σ是Sigmoid的激活函数,Wf是输入数据与遗忘门之间的权重矩阵,bf是偏移量;
输入门为
it=σ(Wi·[ht-1,xt]+bi)………………………(7)
ht-1为上一时刻的隐状态,xt是当前时刻的输入,σ是Sigmoid的激活函数,Wi和Wc是输入数据与输入门之间的权重矩阵,bi和bc是偏移量;
使用遗忘门和输入门的输出结果更新网络状态:
输出门为
ot=σ(Wo·[ht-1,xt]+bo)………………………(10)
ht=ot×tanh(Ct)………………………(11)
ht-1为上一时刻的隐状态,xt是当前时刻的输入,σ代表Sigmoid激活函数,Wo是输入数据与输出门之间的权重矩阵,bo是偏移量;
步骤六、将所选择的样本像素点输入所构建LSTM网络结构模型中在每个LSTM单元里要进行10次训练,以获得10个不同波段下的样本信息,经过10000次迭代后训练得到高精度模型;LSTM单元在初次训练时,网络结构中的权重参数与偏移量参数都会经过系统自动初始化步骤,将权重参数与偏移量参数的取值范围设为-0.3~0.3封装到LSTM单元代码中,在训练过程中通过反向传播不断调节后续LSTM单元中的权重值与偏移量,LSTM单元会自动寻找到不同门结构中的最优权重参数与偏移量参数;
步骤七、将10个有效波段的新数据输入模型,得到农作物虫害分类结果。
2.根据权利要求1所述的基于深度学习的多光谱遥感影像的农作物虫害监测方法,其特征在于,步骤一的影像预处理中:
(a)辐射定标的方法:辐射定标就是将图像的数字量化值DN转化为辐射亮度值、反射率或者表面温度的处理过程;辐射定标参数放在元数据文件中,利用完整的遥感图像处理平台ENVI的辐射定标工具Radiometric Calibration能自动从元数据文件中读取参数,从而完成辐射定标;
(b)大气校正的方法:利用完整的遥感图像处理平台ENVI的大气校正工具FLAASH来消除由于大气影响所造成的辐射误差,反演地物真实的表面反射率;
(c)图像剪裁用于获得感兴趣的区域ROI。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于吉林大学,未经吉林大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910597394.6/1.html,转载请声明来源钻瓜专利网。