[发明专利]基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置

权利要求书

1.一种基于深度学习的遥感影像玉米秸秆覆盖识别方法，其特征在于，包括：

对被测遥感影像以预设重叠度进行裁剪；

将每一裁剪后图像，分别输入预训练的AP-UNET网络模型，输出玉米秸秆覆盖概率图；

根据所述玉米秸秆覆盖概率图，基于全连接CRF方法，获得玉米秸秆分布图；

其中，所述AP-UNET网络模型，是基于UNET网络，在双层卷积层前加入Dropout层，双层卷积层后加入Batch Normalization层、注意力机制CBAM模块和PSPP模块，且以确定的玉米秸秆覆盖结果作为标签，对应的分割后遥感影像图像为训练样本，进行训练后得到。

2.根据权利要求1所述的基于深度学习的遥感影像玉米秸秆覆盖识别方法，其特征在于，所述对被测遥感影像以预设重叠度进行裁剪之前，还包括：

对已知覆盖结果的遥感影像进行分割，制作分割标签，将标签和对应的影像进行分块裁剪构建数据集；

基于UNET网络，在双层卷积层前加入Dropout层，双层卷积层后嵌入BatchNormalization层、注意力机制CBAM模块和PSPP模块，得到AP-UNET网络模型；

基于所述数据集，采用级联式迁移学习结构，训练AP-UNET网络模型，得到所述预训练的AP-UNET网络模型。

3.根据权利要求1或2所述的基于深度学习的遥感影像玉米秸秆覆盖识别方法，其特征在于，所述AP-UNET网络模型中，激活函数为Elu，网络二维卷积层中加入L2正则化，并联合Dice和二元交叉熵双损失函数作代价收敛。

4.根据权利要求1所述的基于深度学习的遥感影像玉米秸秆覆盖识别方法，其特征在于，所述输入预训练的AP-UNET网络模型，包括：

将提取的特征输入UNET的双层卷积层后，输入嵌入的注意力机制CBAM模块；

利用CBAM模块对卷积神经网络生成的特征图计算通道注意力

将F和M_c(F)逐元素相乘获得F'，然后对F'计算空间注意力将F'和M_s(F')逐元素相乘获得CBAM模块输出结果F”；

其中，M_c(F)公式表示包括：

其中，C、H和W分别为特征图通道数，高和宽，σ为Sigmoid函数，r为参数减少率，W₀后使用Relu作为激活函数；和分别表示在空间维度上对F使用平均和最大池化；

空间注意力M_s(F)计算公式包括：

其中，f^7×7表示7×7的卷积层，和分别表示在通道维度上对F使用最大和平均池化。

5.根据权利要求1所述的基于深度学习的遥感影像玉米秸秆覆盖识别方法，其特征在于，所述输入预训练的AP-UNET网络模型，包括：

将特征图输入网络解码器前的PSPP模块，通过PSPP层将输入的特征图F平均分为N份进行不同尺度的池化；

将池化后的特征图做卷积处理，对应的通道降为原本的1/N，然后通过双线性插值获得未池化前的尺度大小，最终与特征图F连接融合到一起作为新的特征图。

6.根据权利要求1所述的基于深度学习的遥感影像玉米秸秆覆盖识别方法，其特征在于，所述采用级联式迁移学习结构，训练AP-UNET网络模型，包括：

将训练数据集按照年份分为M份，分别输入具有M级的级连式迁移学习结构；

将第一年数据集输入到第一级结构进行网络参数训练，然后将训练好的参数迁移至第二级结构对第二年数据集进行参数训练；

重复上述将训练好的参数迁移至第M级结构对第M年数据集进行参数训的过程，直至M级结构训练完成。