[发明专利]一种基于深度学习的遥感图像选站选线语义分割方法

权利要求书

1.一种基于深度学习的遥感图像选站选线语义分割方法，其特征在于，该方法包括以下步骤：

（1）确定输电线路工程选站选线需要提取的关键性地物要素；

（2）制作包含所述关键性地物要素的遥感图像样本集，并将其划分为训练样本集和验证样本集；

（3）改进Deeplabv3+网络模型，包括修改Resnet101作为Deeplabv3+网络模型编码区中的主干网络，并优化Deeplabv3+网络模型解码区中的特征融合，将改进后的Deeplabv3+网络模型作为遥感图像选站选线语义分割模型；

（4）利用所述训练样本集对所述遥感图像选站选线语义分割模型进行训练，确定所述遥感图像选站选线语义分割模型的参数；

（5）将待分割遥感图像输入训练好的遥感图像选站选线语义分割模型，得到关键性地物要素的分割结果；

步骤（3）中，所述改进Deeplabv3+网络模型，具体包括：

（31）修改Resnet101，即将原Resnet101的第四个模块中的卷积残差块和恒等残差块的3×3标准卷积替换成空洞率为2的3×3空洞卷积，并取消该模块的下采样操作；

（32）将修改后的Resnet101作为Deeplabv3+网络模型编码区中的主干网络，输入图像经过主干网络后，输出通道数为2048、尺寸为输入图像1/16的特征图；

（33）将主干网络输出的特征图送入Deeplabv3+网络模型编码区中的空洞空间金字塔池化模块，对经过空洞空间金字塔池化模块后输出的特征图进行1×1卷积，得到通道数为256、尺寸为输入图像1/16的深层特征图，对深层特征图进行2倍上采样；

（34）对主干网络中通道数为512、尺寸为输入图像1/8的特征图进行1×1卷积，使其通道数降为48，再与经过2倍上采样后的深层特征图进行通道堆叠；然后对通道堆叠得到的特征图进行1×1卷积，使其通道数从304调整为256，再进行2倍上采样，得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的一个分支；

（35）对主干网络中通道数为1024、尺寸为输入图像1/16的特征图进行1×1卷积，使其通道数降为256，经过4倍上采样后，再与通道数为256、尺寸为输入图像1/4的特征图进行通道相加；然后对通道相加得到的特征图进行1×1卷积，使其通道数从256调整为48，得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的另一个分支；

（36）将两个分支进行融合，得到通道数为304、尺寸为输入图像1/4的融合特征图；

（37）对融合特征图依次进行3×3卷积和4倍上采样，使融合特征图的尺寸恢复至输入图像大小，再采用Softmax分类器对融合特征图中的像素点进行分类，得到输出图像。

2.根据权利要求1所述的基于深度学习的遥感图像选站选线语义分割方法，其特征在于，该方法还包括以下步骤：

利用所述验证样本集对训练好的遥感图像选站选线语义分割模型进行精度评估，并使用MIoU作为评估指标。