[发明专利]一种基于深度学习的卫星图目标识别方法及系统

权利要求书

1.一种基于深度学习的卫星图目标识别方法，其特征在于：包括下列步骤：

S1、数据标注；对卫星图中需要识别的物体进行标注，标注信息包括物品类别、物品位置及易混淆物品，同时将标注框由矩形变换为正方形，扩大标注范围，将待识别目标周围的上下文信息纳入标注范围；

S2、数据分割缩放；将卫星图中标注物品按照其位置信息分割，分割内容包括标注信息、标注边缘的部分数据、易混淆物品，与需识别物品图片共同组建数据集并按照卷积神经网络输入图片的尺度对数据集数据大小进行缩放；

S3、数据划分扩增；将数据集分为训练集、验证集与测试集，并对训练集的数据进行旋转、色彩变化、扩增数据数量；

S4、模型训练；将组建好的训练集与其对应标签输入网络，通过网络的迭代优化，进行模型的训练，当模型训练损失不再下降时，使用验证集数据继续对模型进行训练，若模型损失不再下降，保存模型，若损失继续下降，使用训练集继续对模型进行迭代训练，直到损失值平稳，保存模型，将测试集数据输入训练完成的模型中进行识别，对识别结果进行评价。

2.根据权利要求1所述的一种基于深度学习的卫星图目标识别方法，其特征在于：所述S1中数据标注的计算方法为：将卫星图中待识别的n类物品标注出来，标注为1,2...n，并将与待识别物体相近的物体也标注出来，相近物体统一类别标识为0，标注时同时标注目标物体位置信息，物体由一个矩形框进行标识，因此每个物体的标注信息含有5个信息(l₀,l₁,l₂,l₃,l₄)，l₀为类别信息，(l₁,l₂,l₃,l₄)为位置信息，四个点分别对应左上、左下、右下、右上，将物品位置标注框的最大长度L＝max(l₂-l₁,l₃-l₂)作为边，将标注框转换为正方形，而后将其扩增10％，用于截取更多的边缘及上下文信息，提供给模型更多的识别特征，之后将其位置标注信息更新，新的标注信息为(l₀,k₁,k₂,k₃,k₄)。

3.根据权利要求2所述的一种基于深度学习的卫星图目标识别方法，其特征在于：所述S2中数据分割缩放的方法为：将S1中标注完成数据根据其位置信息(k₁,k₂,k₃,k₄)进行分割并保存，将分割后的数据按其对应类别标签l₀进行保存，同时将数据进行缩放，以便输入模型，将其按照大小比例全部调整为224*224。

4.根据权利要求1所述的一种基于深度学习的卫星图目标识别方法，其特征在于：所述S3中数据划分扩增的方法为：将数据集按照7：2：1的比例分为训练集、验证集与测试集，训练集用于模型的训练，验证集用于检测模型损失是否继续下降，测试集用于测试模型效果，分别对训练集数据进行45度、90度、135度旋转，并调整数据对比度、亮度，对数据进行扩增，将进行变换后的数据与原训练集混合，构建新的数据集。

5.根据权利要求1所述的一种基于深度学习的卫星图目标识别方法，其特征在于：所述S4中模型训练的方法为：第一次卷积的卷积核大小为7*7，之后均为3*3卷积，除第一层外，之后的卷积层每两层构成一个残差块，最后一层为全连接层，用于对预测结果进行输出，预测结果通过sigmoid函数得到对于每个类别的预测概率，网络输入大小为224*224，将处理好的训练集与其对应标签输入网络，进行模型的训练，并使用验证集数据训练模型，查看模型损失函数是否继续下降，若继续下降，则表明模型未达到最佳，将模型继续训练，若不再下降，则保存模型，将使用模型对测试集数据进行测试，与其标签结果进行对比，模型输出的结果为该数据是每个数据类别的概率，若每个数据类别的概率大于0.5，则表示此条数据为该类别，若每个数据类别的概率小于0.5，则表明此条数据为中不含有要识别的物体，使用F1-Score对识别效果进行评价。