[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

说明书

本发明提供一种基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置，该方法包括：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、注意力机制CBAM模块和PSPP模块得到。该方法自动化程度和提取效率高，可扩展性好，且提取精度高，可调整参数应用于不同传感器的遥感卫星影像。利用该AP‑UNET网络模型可有效解决在高分辨率影像中提取秸秆覆盖特征问题。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置。

背景技术

保护性耕作是指通过少耕、免耕和地表微地形改造等手段保护农田生态环境，并获得经济效益，是对传统耕作模式的重大变革。对种植地块采用秸秆覆盖是保护性耕作的重要技术之一，该方式可以减少土壤水分蒸发达到保墒的目的，而且腐烂后能增加土壤有机质。核心内容是防止农田土壤层被破坏，确保农作物正常生长。因此，快速、准确的获取玉米秸秆覆盖的空间分布对保护性耕作的推广和实施提供了重要的理论依据和决策支持。

传统的地物空间分布是通过调查人员实地观测绘制，但受人力、物力、时间等诸多因素影响，难以处理大面积作业。随着现代遥感技术的发展，快速获取地面高分辨率影像，提取秸秆覆盖空间分布成为可能。在高分辨率遥感影像中，玉米秸秆覆盖表现为局部光谱曲线近似，长宽变化较大的非规则区域，为秸秆覆盖提取工作带来了较大困难。目前针对高分辨率影像中的秸秆覆盖特征提取研究还很少，并且当前的提取方法在效率、速度、适用性和准确性方面存在局限性。

发明内容

针对现有技术存在的问题，本发明提供一种基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置。

本发明提供一种基于深度学习的遥感影像玉米秸秆覆盖识别方法，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。

根据本发明一个的基于深度学习的遥感影像玉米秸秆覆盖识别方法，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Batch Normalization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。

根据本发明一个的基于深度学习的遥感影像玉米秸秆覆盖识别方法，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。

根据本发明一个的基于深度学习的遥感影像玉米秸秆覆盖识别方法，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：