[发明专利]一种遥感影像的模型自训练和优化系统

说明书

本发明公开了一种遥感影像的模型自训练和优化系统，包括模型训练系统、模型预测系统和模型优化系统；所述模型训练系统用于用户自主选择预置模型，并创建满足自身场景需求的模型，在上传、标注图片后进行模型训练，训练完成后即进行预测服务的上线；所述模型预测系统基于完成训练的模型，用户调用相关的API接口，上传遥感影像对该区域地物的分割、检测；所述模型优化系统用于将检测的遥感影像作为训练样本再次投入到模型训练中。本发明基于深度卷积神经网络的目标检测技术，解决了现有技术人工识别统计效率低下，无法满足社会生产效率提升的需求，为一线作业人员进行地类分割和统计，变化检测图斑提取提供一种高效率的手段，更加值得推广使用。

技术领域

本发明涉及遥感影像应用领域，具体涉及一种遥感影像的模型自训练和优化系统。

背景技术

遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片，本专利中涉及的遥感影像为卫星获取影像。遥感技术具备以下优势：(1)探测范围广、采集数据快，能在较短的时间内，从空中对大范围地区进行对地观测，并从中获取有价值的遥感数据；(2)能动态反映地面事物的变化，能周期性、重复地对同一地区进行对地观测，这有助于人们通过所获取的遥感数据，发现并动态地跟踪地球上许多事物的变化以及研究自然界的变化规律；(3)获取的数据具有综合性，综合展现了地球上许多自然与人文现象，宏观地反映了地球上各种事物的形态与分布，真实地体现了地质、地貌、土壤、植被、水文、人工构筑物等地物的特征，全面地揭示了地理事物之间的关联性。并且这些数据在时间上具有相同的现势性。

遥感影像主要用于军事侦察、国土资源调查、城市觃划和交通导航等领域，研究目标包括自然资源、飞机、船舶、车辆、道路、港口和各种建筑物等。当前遥感图像研究主要存在以下困难：(1)遥感图像视距大导致图像分辨率大，对于图像中较小尺寸的目标在大视点角度下，导致遥感图像小目标检测比较困难；(2)常见图像中的目标大多都是水平的，在拍摄遥感图像时，目标的旋转不变性也是一个重要的问题；(3)遥感图像的背景相当复杂。目前，基于深度学习的遥感图像检测正致力于解决这些问题，本发明提供了一种能够快速准确的基于遥感影像建立自训练模型和模型优化的系统。

发明内容

本发明所要解决的技术问题在于：为了解决遥感图像视距大导致图像分辨率大，对于图像中较小尺寸的目标在大视点角度下，导致遥感图像小目标检测比较困难；常见图像中的目标大多都是水平的，在拍摄遥感图像时，目标的旋转不变性也是一个重要的问题；遥感图像的背景相当复杂的问题，因此提供了一种遥感影像的模型自训练和优化系统。

本发明是通过以下技术方案解决上述技术问题的，本发明包括模型训练系统、模型预测系统和模型优化系统；

所述模型训练系统用于用户自主选择预置模型，并创建满足自身场景需求的模型，在上传、标注图片后进行模型训练，训练完成后即进行预测服务的上线；

所述模型预测系统基于完成训练的模型，用户调用相关的API接口，上传遥感影像对该区域地物的分割、检测；

所述模型优化系统用于将检测的遥感影像作为训练样本再次投入到模型训练中，即从模型的训练到预测再到模型的优化，形成一个完整产品闭环；

所述模型训练系统包括以下步骤：

S1：数据采集：

针对遥感影像三大应用方向：斜框检测、地类分割和变化检测，建立不同的数据集，为保证样本数据的代表性和多样性，分别选择预设的五种分辨率的遥感影像，并分别按照省份区域选择预设省级区域内的预设面积的遥感影像，提高模型的泛化能力；

S2：数据标注的具体过程如下：

SS1：斜框检测模型的数据标注支持矩形框标注方式，按照标注对象外包框标进行矩形框的绘制；