[发明专利]一种基于深度学习的农业保险查勘技术方法

摘要

本发明涉及农业保险技术领域，尤其涉及深度学习神经网络和卫星遥感空间大数据处理分析的一种基于深度学习模型的农业保险查勘验标技术方法，包括下述步骤：1）、研究区域的影像预分类；2）、样方的采集；3）、外业数据的预处理和可疑区域的复查；4)、对研究区域内的影像进行变换切割；5）、根据采集的样本对影像进行分类并验证精度；6）、对分类的影像进行裁剪并制作样本数据集；7）、将生成的样本数据和标签喂入改进后的U‑net模型；8）使用测试数据对训练好的模型进行评价；9）使用训练好的模型对其他区域及其他年份的数据进行分类。本发明提供的一种基于深度学习模型的农业保险查勘验标技术方法具有高效率、高精度和省时省人工的优点。

主权项

1.一种基于深度学习模型的农业保险查勘验标技术方法，其特征在于：具体步骤如下；1）、研究区域的影像预分类：先根据遥感影像上的特有光谱曲线特征对研究区域的作物进行主观性的预判分类，得出初步的分类结果，并对不确定的区域进行标注；2）、样方的采集：对承包区域进行样方的采集，对区域进行标绘并进行现场拍照，现场拍照需要采集GPS位置信息，对步骤1)中的不确定区域进行现场查看和标签复验；3）、外业数据的预处理和可疑区域的复查：从服务器后台导出外业采样的样本数据，对数据的坐标信息进行提取，并叠加到已有的卫星影像，将步骤2）中采集的样方也叠加到已有的卫星影像上，然后对数据进行属性标签的复查；4)、对研究区域内的影像进行变换切割：将研究区域内的多波段影像进行PCA变换，然后制作成样本并切割成长宽3000像素大小的5‑6块，块之间的重叠率不大于50%；5）、根据采集的样本对影像进行分类并验证精度：从采集的样本数据中随机抽取60%作为ROI，根据ROI提取作物的光谱特征和空间特征，然后根据特征空间对切块后的卫星影像进行分类，从剩余40%中的样本中随机抽取20%的样本对分类的结果计算混淆矩阵，重复修正使其分类准确率能够达到95%以上，重复对每块数据进行相同的操作，即保证作物属性标签达到外业实地调查的正确性；6）、对分类的影像进行裁剪并制作样本数据集：对分类前的原始影像数据和对应的分类后标签数据编写代码进行随机切分成256×256像素大小的20000个样本，并在切割的过程中为了保证样本更具有普遍性，对每个小块加入高斯噪声处理，并对影像进行2%线性拉伸进行增强亮度处理，同时，保证影像数据与标签数据的绝对一致性；7）、将生成的样本数据和标签喂入改进后的U‑net模型：将随机生成的样本的60%按照每批次16个进行分批训练模型，观察模型的训练精度和损失函数的误差变化，再使用20%的样本数据验证模型中的超参数，使其精度要求大于90%；8）使用测试数据对训练好的模型进行评价：对步骤7）中训练好的数据模型，使用剩余的20%的数据集进行精度验证，若精度大于90%，满足精度要求，进行下一步操作，否则重复步骤7）和步骤8）过程；9）使用训练好的模型对其他区域及其他年份的数据进行分类：其他区域的卫星影像数据进行分类，以验证模型在空间上的普适性，同时，通过对其他年份的数据进行分类，验证模型在时间跨度上的适用性，若精度要求大于90%，则满足精度要求，否则重复步骤7）、步骤8)和步骤9) 过程。