[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

说明书

本发明属于图像识别处理技术领域，具体涉及一种基于深度学习的卫星图目标识别方法及系统，包括下列步骤：S1、数据标注；S2、数据分割缩放；S3、数据划分扩增；S4、模型训练；本发明通过将大幅卫星图中的待识别单位进行单独的识别网络训练，解决了大幅卫星图无法直接进行识别的问题，同时在进行待识别物品图像分割时，对其上下文信息做了一定的保留，为网络识别提供了更多的特征，同时加入了易混淆数据，帮助网络分辨相近物品，提升了识别的精度，使用了深层网络模型ResNet‑152，保证了识别的效果。本发明用于对卫星图的识别。

技术领域

本发明属于图像识别处理技术领域，具体涉及一种基于深度学习的卫星图目标识别方法及系统。

背景技术

在卫星图像中寻找指定的物体、设施和事件是一个重要的问题，卫星图像需要进行有效的预处理以输入到深度网络中。为了保持合理的处理时间，深度学习需要相对较小的固定尺寸的图像，然而，卫星图像的情况并非如此，因为物体和设施可能比普通照片中的物体大得多。当图像大小被压缩时，图中的小细节就消失了。这些细节可能包括重要的区别特征。

现有技术存在的问题或缺陷：传统的目标检测和分类算法存在着不准确和不可靠的问题。

发明内容

针对上述传统的目标检测和分类算法存在着不准确和不可靠的技术问题，本发明提供了一种准确率高、可靠性强、识别效果好的基于深度学习的卫星图目标识别方法及系统。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习的卫星图目标识别方法，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。

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)。