[发明专利]基于遥感图像的农作物干旱检测方法

权利要求书

1.基于遥感图像的农作物干旱检测方法，其特征在于：包括以下步骤：

步骤A、构建干旱检测神经网络模型，并对其进行训练，所述干旱检测神经网络模型包括特征图提取模块、Enconder模块和Deconder模块，确定最终的干旱检测神经网络模型；

步骤B、基于训练好的干旱检测神经网络模型对农作物干旱区域进行检测，具体包括以下步骤：

步骤B1、基于特征图提取模块提取农作物干旱区域遥感图像的低层次特征图；

步骤B2、基于Enconder模块采用多尺度空洞卷积来获取遥感图像的多尺度的上下文信息提取多尺度高层次特征图，再融合CBAM注意力机制将网络的关注点重点放在目标干旱区域，得到多尺度高层次干旱特征图；

步骤B3、通过Deconder模块将低层次特征图和Enconder模块提取的多尺度高层次干旱特征图进行有效融合，采用反卷积的方式还原检测到的干旱区域，实现对干旱区域的检测。

2.根据权利要求1所述的基于遥感图像的农作物干旱检测方法，其特征在于，所述特征图提取模块采用Resnet50网络，包括输入模块，残差模块和输出模块，输入模块由卷积层和最大池化层组成，使用Relu激活函数和批归一化层提升网络拟合能力；残差模块包括两个串联的Conv-Block和Identity-Block基本模块，Conv-Block以改变网络的维度，Identity-Block以加深网络深度；输出模块将输入特征经过平均池化层，最后通过全连接层将输入的遥感图像处理成低层次特征图。

3.根据权利要求1所述的基于遥感图像的农作物干旱检测方法，其特征在于，所述Enconder模块包括多尺度注意力池化模块，采用不同的采样率和空洞卷积对低层次特征图进行处理，扩大感受野并通过多个尺度来获取多尺度高层次特征图；并引入CBAM卷积注意力机制从通道和空间两个维度对干旱特征进行进一步增强，最后将多个尺度的处理后的高层特征图进行融合，得到最终融合的多尺度高层次干旱特征图。

4.根据权利要求3所述的基于遥感图像的农作物干旱检测方法，其特征在于：所述Enconder模块提取多尺度高层次干旱特征图的具体过程如下：

(1)多尺度注意力池化模块通过调整膨胀卷积层的膨胀系数将空洞数塞入卷积核中以达到扩充卷积核的目的，设卷积核的大小为k，塞入的空洞数为dilations-1，则塞入dilations-1个空洞数后中心卷积核的大小n为：

n＝k+(k-10×(dilations-1)

(2)假设输入的卷积大小为i，步长为S，则卷积特征图的大小为：

进而得到空洞卷积特征图，即多尺度提取后的农作物干旱特征图的大小：

每个尺度的卷积核在处理低层次特征中引入CBAM模块来增强干旱特征的提取，CBAM由CAM空间注意力机制和BAM通道注意力机制共同组合而成，分别从空间和通道两个维度增强干旱特征；

(3)通道注意力机制CAM对输入F，F∈R^C×H×W，分别使用平均池化和最大池化操作，经过共享全连接层将对应元素相加生成一维通道注意力M^C∈R^C×1×1，再将通道注意力与输入按元素相乘，获得通道注意力调整后的经过通道维度处理后的干旱特征图F^C，通道维度的干旱特征注意力M_c(F^C)表示为：

其中，σ为Sigmoid函数，W₀和W₁分别为隐层权重和输出层权重；

(4)空间注意力机制SAM将输出的通道注意力干旱特征图F^C，F^C∈R^C×H×W，进行平均池化和最大池化，再进行维度拼接后经过Sigmoid函数得到空间维度的干旱特征图M^S∈R^1×H×W表示为：

其中，σ为Sigmoid函数，f^7×7表示卷积核大小为7的卷积核；

多尺度注意力池化模块在每层尺度完成上述处理后进行最大池化操作，使得输出特征图的大小相同并在通道维度上将所有的多尺度高层次干旱特征图进行融合，经过1×1的卷积操作后作为多尺度注意力池化模块的最终输出结果。