[发明专利]一种基于深度学习的多尺度遥感影像目标识别系统及方法

说明书

本发明提供了一种基于深度学习的多尺度遥感影像目标识别系统及方法。所述系统采用服务化的技术架构，将服务进行容器化封装，包括样本数据采集服务，用于在遥感图像中采集样本标记数据，并获取样本标记数据对应的影像瓦片，得到样本数据集；目标识别模型训练服务，用于将样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型；目标识别预测服务，用于将待识别的遥感影像输入到最优预测模型，进行目标识别，得到目标识别结果。以此方式，可以支持在云平台上进行模型训练和目标识别任务，方便系统升级、迁移部署，提升了遥感影像目标识别的工程化应用水平，使遥感影像地物自动化解译的工程化应用易于实现。

技术领域

本发明的实施例一般涉及遥感技术领域，并且更具体地，涉及一种基于深度学习的多尺度遥感影像目标识别系统及方法。

背景技术

随着空间信息技术的飞速发展，遥感影像的空间分辨率、时间分辨率和光谱分辨率都有了较大的提升；如何利用遥感影像提取目标信息一直是图像视觉领域的棘手而重要的问题，近年来随着深度学习技术的理论突破，图像视觉领域取得了令人瞩目的成绩，利用深度学习技术进行遥感影像目标识别特点如下：第一、实现了模型训练和模型应用任务的分离，模型训练者基于深度学习平台进行各种目标识别训练任务，模型应用者基于训练者提供的识别模型在大规模遥感影像目标识别任务中进行目标识别；第二、深度学习进行特征自学习，不再需要人工提取遥感影像的特征数据作为识别数据源，降低了使用门槛。第三、识别精度高，单个目标识别精度最高可达到98%，大大拓展了工程化应用的领域。

遥感影像目标自动识别的工程化应用中，使用深度学习技术存在如下问题：一、深度学习训练平台多，面向遥感影像目标识别训练任务的端到端的平台缺失；二、深度学习模型训练是计算密集型任务，需要单机具备高性能独立GPU，甚至需要多机环境下使用GPU集群进行模型训练；深度学习平台对软件环境依赖较多，部署迁移困难；三、模型训练者需要具备较多的深度学习理论知识，并能够根据系统反馈及时调整训练参数；从模型预测到平台应用处理过程复杂，对人员的专业能力要求较高。

发明内容

根据本发明的实施例，提供了一种基于深度学习的多尺度遥感影像目标识别方案。

在本发明的第一方面，提供了一种基于深度学习的多尺度遥感影像目标识别系统。该系统采用服务化的技术架构，将服务进行容器化封装，包括：

样本数据采集服务，用于在遥感图像中采集样本标记数据，并获取所述样本标记数据对应的影像瓦片，得到样本数据集；

目标识别模型训练服务，用于将所述样本数据集中的部分样本数据输入到深度学习平台进行模型训练，生成最优预测模型；

目标识别预测服务，用于将待识别的遥感影像进行瓦片化后输入到所述最优预测模型，进行目标识别，得到目标识别结果。

进一步地，所述在遥感图像中采集样本标记数据，包括：

在遥感图像的感兴趣区域内，根据地物类别采集所述遥感图像中标记样本点的目标位置和属性信息，作为样本标记数据；所述样本标记数据在所述感兴趣区域内均匀分布，且其朝向均匀分布在0-360度范围内。

进一步地，所述获取所述样本标记数据对应的影像瓦片，包括：

将所述样本标记数据栅格化，按照TMS规则，切分成若干个固定大小的注记瓦片，得到对应的影像瓦片；所述影像瓦片包括对应的真彩色图像和灰度图像，并将所述真彩色图像与对应的影像瓦片保存为相同文件名称。

进一步地，所述样本数据集包括影像瓦片、目标类别描述文件、含有目标类别属性的灰度图像和训练验证统计文件。

进一步地，所述样本数据采集服务，还用于将相同文件名称的影像瓦片和真色彩图像中地物不一致的文件删除。

进一步地，所述目标识别模型训练服务，进一步用于：