[发明专利]一种基于深度学习的高分辨率遥感影像农业大棚提取方法

权利要求书

1.一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，包括以下步骤：

步骤一：构建多时相多尺度的实例分割农业大棚数据集，所述实例分割农业大棚数据集包括训练集；

步骤二：利用所述训练集对基于Mask R-CNN算法的实例分割模型进行训练，训练收敛后得到农业大棚实例分割模型；

步骤三：读取待预测常规遥感影像，并构建所述待预测常规遥感影像的数据立方体，将所述数据立方体输入所述农业大棚实例分割模型，所述农业大棚实例分割模型输出整幅所述待预测常规遥感影像的农业大棚提取结果，所述农业大棚提取结果包括经偏移修正后的全部农业大棚对应的多边形点集及其置信度。

2.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，步骤一包括以下步骤：

步骤一一：收集不同场景、不同地区、不同时相下的包含典型农业大棚的原始高分辨率卫星遥感影像；

步骤一二：读取所述原始高分辨率卫星遥感影像，对每一幅所述原始高分辨率卫星遥感影像进行分块裁剪，得到对应的分块影像；

步骤一三：利用地信软件工具对所述分块影像中的农业大棚进行标注，得到每一幅所述分块影像对应的标注数据，所述标注数据包括农业大棚的个数、类型以及多边形点位坐标；

步骤一四：采用数据增强方法对各个所述分块影像及其对应的标注数据进行数据增强处理；

步骤一五：按照预设比例对数据增强之后的全部分块影像及其对应的标注数据进行训练集、验证集与测试集的划分；

步骤一六：分别将所述训练集、所述验证集与所述测试集下的分块影像对应的标注数据按照Microsoft COCO实例分割标准进行格式转化，得到多时相多尺度的实例分割农业大棚数据集，该多时相多尺度的实例分割农业大棚数据集包括所述训练集、所述验证集与所述测试集下的分块影像及其对应的格式转化完成后的标注数据。

3.根据权利要求2所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，

所述分块影像的分块尺寸为1024×1024，分块重叠度在0.25至0.45之间。

4.根据权利要求2所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，

所述数据增强方法为随机翻转、随机裁剪、随机旋转和仿射变换中的任意一种或者几种的随机组合。

5.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，步骤二包括以下步骤：

步骤二一：利用ResNet50网络对所述训练集中的图像进行特征提取，得到特征图；

步骤二二：利用所述特征图建立FPN网络；

步骤二三：通过RPN前向传播确定基于Mask R-CNN算法的实例分割模型的损失函数；

步骤二四：采用随机梯度下降算法对所述损失函数进行最小化优化；

步骤二五：待基于Mask R-CNN算法的实例分割模型收敛后，将基于Mask R-CNN算法的实例分割模型及网络结构配置文件输出，得到农业大棚实例分割模型。

6.根据权利要求1所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，构建所述待预测常规遥感影像的数据立方体包括以下步骤：

按照预测分块尺寸及预测分块重叠度将所述待预测常规遥感影像分块内的遥感影像数据按照预测批次大小生成数据立方体，将所述数据立方体转移至GPU显存中，并分别记录分块数据相对于所述待预测常规遥感影像左上角坐标的偏移量。

7.根据权利要求6所述的一种基于深度学习的高分辨率遥感影像农业大棚提取方法，其特征在于，

所述预测分块尺寸为1024×1024，所述预测分块重叠度在0.25至0.45之间。