[发明专利]一种基于卷积神经网络的农作物识别方法及系统

权利要求书

1.一种基于卷积神经网络的农作物识别方法，其特征在于，所述识别方法包括：

获取遥感影像和与所述遥感影像相应的作物类型参考数据；

根据所述遥感影像和所述作物类型参考数据，利用分类器进行分类，得到神经网络作物类型分类标签；

将所述作物类型分类标签与所述遥感影像叠加后进行切割，得到瓦片数据；

利用所述瓦片数据训练卷积神经网络，得到训练好的卷积神经网络模型；

利用所述训练好的卷积神经网络模型对待处理的遥感图像进行处理，得到农作物识别结果，并根据识别结果得到农作物的空间分布。

2.根据权利要求1所述的基于卷积神经网络的农作物识别方法，其特征在于，所述卷积神经网络模型包括依次连接的输入层、第一卷积层、残差网络、金字塔池化模块、第二卷积层和softmax分类层；

所述残差网络包括10个残差块，最后三个残差块包括膨胀卷积层；

所述金字塔池化模块包括并列的四个不同尺度池化层；

softmax分类层采用交叉熵损失函数L(θ)进行处理；其中i＝0,1,2,…,N-1,N为一个训练批量的大小；C为类别总数，aⁱ为所述待处理的遥感图像对应到每个类别标签的概率分布。

3.根据权利要求1所述的基于卷积神经网络的农作物识别方法，其特征在于，在所述根据所述遥感影像和所述作物类型参考数据，利用分类器进行分类，得到作物类型分类结果之前还包括：对所述遥感影像预处理，得到标准化遥感影像，具体包括：

获取所述遥感影像；

根据遥感影像传感器类型的定标系数，完成所述遥感影像的辐射定标、大气校正和几何校正，得到预处理遥感图像；

利用深度学习方法检测所述预处理遥感影像的云和云阴影范围，进行去云处理，得到无云遥感影像；

采用中值合成法对多期所述无云遥感影像进行中值合成，得到所述标准化遥感影像。

4.根据权利要求1所述的基于卷积神经网络的农作物识别方法，其特征在于，所述将所述作物类型分类标签与所述遥感影像叠加后切割，得到瓦片数据具体包括：

获取所述作物类型分类标签与所述遥感影像；

将所述作物类型分类标签与所述遥感影像叠加合并为数据文件；

根据需要按照设定重叠度切割，得到所述瓦片数据。

5.根据权利要求1所述的基于卷积神经网络的农作物识别方法，其特征在于，所述遥感影像包括作物早期生长阶段遥感图像和作物生长旺盛阶段遥感影像；所述作物类型参考数据包括包含作物类别信息的样点和包含作物类别信息的图斑。

6.一种基于卷积神经网络的农作物识别系统，其特征在于，所述识别系统包括：

信息获取模块，用于获取遥感影像和与所述遥感影像相应的作物类型参考数据；

分类模块，用于根据所述遥感影像和所述作物类型参考数据，利用分类器进行分类，得到神经网络作物类型分类标签；

叠加与切割模块，用于将所述作物类型分类标签与所述遥感影像叠加后进行切割，得到瓦片数据；

网络训练模块，用于利用所述瓦片数据训练卷积神经网络，得到训练好的卷积神经网络模型；

识别模块，用于利用所述训练好的卷积神经网络模型对待处理的遥感图像进行处理，得到农作物识别结果，并根据识别结果得到农作物的空间分布。

7.根据权利要求6所述的基于卷积神经网络的农作物识别系统，其特征在于，所述卷积神经网络模型包括依次连接的输入层、第一卷积层、残差网络、金字塔池化模块、第二卷积层和softmax分类层；

所述残差网络包括10个残差块，最后三个残差块包括膨胀卷积层；

所述金字塔池化模块包括并列的四个不同尺度池化层；

softmax分类层采用交叉熵损失函数L(θ)进行处理；其中i＝0,1,2,…,N-1,N为一个训练批量的大小；C为类别总数，aⁱ为所述待处理的遥感图像对应到每个类别标签的概率分布。