[发明专利]一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法

权利要求书

1.一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：首先，获取高分辨率遥感影像，对遥感影像进行预处理，目视解译，影像裁剪，人工标注；其次，选择SqueezeNet深度卷积神经网络进行迁移学习；然后，进行SqueezeNet深度卷积神经网络训练参数的优化；最后，进行SqueezeNet深度卷积神经网络结构的优化。

2.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：对遥感影像进行预处理，首先对GF影像进行初步筛选，筛选出受云雾干扰较小，各类地物清晰的影像；然后利用ENVI软件，对每幅影像的多光谱和全色波段根据其RPC信息结合全球900m分辨率DEM数据分别进行正射校正。之后，将校正后的多光谱影像和全色波段影像进行融合，生成高空间分辨率含多光谱信息的影像。最后将红绿比值植被指数(RGRI＝R/G)、近红外(Band4)、蓝光波段(Band1)分别作为R、G、B通道的输入波段合成用于标注样本选取的影像底图。

3.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：进行SqueezeNet深度卷积神经网络训练参数和结构的优化，主要根据模型训练时长、验证样本集的分类准确率、模型的收敛速度、模型收敛后的稳定性等4个指标作为衡量网络训练效果的对比变量。

4.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：SqueezeNet深度卷积神经网络训练参数的优化主要是探究最优的批次量和学习率。

5.根据权利要求1一种适宜识别松材线虫病遥感影像的深度卷积神经网络的构建方法,其特征是：SqueezeNet深度卷积神经网络结构的优化包括增加旁路连接和模块替换两种宏观结构方面的改进，然后在每种宏观结构改进的基础上进行替换激活函数类型、引入批归一化层、引入Dropout层、缩减网络结构等方面的调整优化。