[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

说明书

本发明涉及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，包括以下步骤：构建多时相多尺度的实例分割农业大棚数据集，其包括训练集；利用训练集对基于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；读取待预测常规遥感影像，并构建待预测常规遥感影像的数据立方体，将数据立方体输入农业大棚实例分割模型，得到整幅待预测常规遥感影像的农业大棚提取结果。由于参与模型训练的实例分割农业大棚数据集涵盖了多种典型场景下的大棚的形状与纹理信息，并且在模型训练过程中用到了多GPU加速技术，因此训练收敛后得到的农业大棚实例分割模型可以自动高效的提取出高分辨率遥感影像中的农业大棚信息。

技术领域

本发明涉及高分辨率遥感影像处理及基于深度学习的遥感影像数据挖掘技术领域，特别是涉及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。

背景技术

至此，我国设施农业的覆盖面积已占世界总量的2/3以上，大棚和地膜农田已经成为我国重要的土地覆盖类型。农业大棚的增加反映了我国农业现代化的高速发展，准确快速地获取大棚面积及空间分布信息，既有助于农作物的监测和估产，也对农业资源的高效利用和可持续发展有重要意义。

近年来随着航天科技领域的不断进步，卫星遥感影像的空间、时间和光谱分辨率得到极大的提升。遥感技术凭借其宏观、实时、覆盖广和成本低的优势，已经成为现代农业信息化发展的重要工具。通过对高分辨率遥感影像中的农业大棚信息进行识别提取，可为合理规划大棚分布、集约化作物生产、提升农业发展水平奠定良好基础，并为农业管理、环境保护、土壤污染等问题提供决策依据。

在传统的农业大棚提取方法中，大棚空间、面积信息的获取往往以人工实地测定、人工解译为主，该方法费时费力，且无法获得大面积的大棚地理分布信息。随着遥感技术进步，遥感指数及传统机器学习的方法被逐渐应用于农业大棚信息提取领域。虽然有诸多研究成果，但仍然存在一些问题亟待解决：1、传统提取算法自动化程度低，人工替代率低，这是由遥感影像中丰富的地物种类信息对应的“同物异谱”、“同谱异物”等现象导致的；2、传统遥感影像处理算法性能效率低，这是由遥感影像时间、空间分辨率的提升所带来的遥感影像数据量过大引起的。由于以上等问题，农业大棚的解译往往需要较高的专业水平，并且在准实时的多期遥感影像大棚信息提取等对时效性要求较高的应用场景中很难发挥应有的作用。

发明内容

本发明的目的是针对传统农业大棚提取算法自动化程度较低及其性能瓶颈的问题，提供一种准确、高效的基于深度学习的高分辨率遥感影像农业大棚提取方法。

为实现上述目的，本发明采取如下的技术方案：

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，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。

与现有技术相比，本发明具有以下有益效果：