[发明专利]基于全卷积神经网络的草地退化自动提取方法

权利要求书

1.基于全卷积神经网络的草地退化自动提取方法，其特征在于，包括以下步骤：

S1、获取待检测区域的影像数据作为数据集，并进行像素标记得到对应的样本标签；具体实现方法为：将待检测区域的影像数据中的草地按照退化程度进行类别划分，对每个类别的草地的像素点填充不同的像素值，得到训练需要的样本标签；

S2、对步骤S1中获得的数据集和样本标签进行数据扩展和数据增强，并划分训练集和测试集；具体包括以下子步骤：

S21、采用重叠滑窗对数据集和样本标签进行过采样，分别对数据集和样本标签进行翻转、平移、旋转和色彩增强操作，实现数据扩展和数据增强；

S22、将S21中得到的数据集中样本的每一个像素减去数据集中所有像素的均值后进行标准化操作；

标准化偏差S的计算公式如下：

其中N代表像素点的数量，X_i代表每个像素点的像素值，代表像素平均值，S代表样本的标准偏差；

接下来将数据集中的标签进行one-hot向量转化，即对标签中的每一个数字类别，使用one-hot编码将这些整数转化为二进制，每一类别用一个二进制数字来表示；

S23、将S22中得到的数据集和对应的样本标签通过索引的方式打乱顺序，之后任意取60％-90％的数据作为训练集，剩下数据的作为测试集；

S3、设计全卷积神经网络用于提取退化草地；

S4、将步骤S2中得到的训练集和对应样本标签作为输入数据，利用步骤S3中的神经网络进行训练，待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型；

S5、利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取，得到每一个像素对应的标签值，根据标签值着色后得到退化草地的分割提取结果。

2.根据权利要求1所述的基于全卷积神经网络的草地退化自动提取方法，其特征在于，所述步骤S3中设计的全卷积神经网络结构包括：

二维卷积层conv2D，用于对上一层输出的多通道feature map特征图进行滑动窗卷积；

规范层BatchNormalization，该层在每个batch上将前一层的激活值重新规范化，即使得其输出数据的均值接近0，其标准差接近1；

激活层Activation，该层对上层的输出施加激活函数；

池化层MaxPooling2D，为二维数组施加最大池化；

融合层Merge，对接受到的数组沿指定轴进行拼接；

上采样层UpSampling2D，将数组的行和列分别重复size[0]和size[1]次；

Softmax层，公式如下：

其中x是待识别的像素点，K为总的类别数，k和i分别表示第k个类别和第i个类别，P(i)为像素点x属于第i类的概率值，是当前信号识别为第i类的预测值，是当前信号识别为第k类的预测值；

基于上述的网络结构，全卷积神经网络的构建过程如下：

S31、通过15个卷积层，5次下采样，得到原图和大小的特征图；

S32、对原图大小的特征图上采样放大2倍，然后和原图大小的特征图累加；

S33、将S32累加得到的特征图上采样放大2倍，然后和原图大小的特征图累加；

S34、将S33累加得到的特征图上采样放大8倍，然后将得到的特征图还原到输入图像大小；

S35、将S34得到的图片中的每个像素进行分类预测，输出语义分割的结果。

3.根据权利要求2所述的基于全卷积神经网络的草地退化自动提取方法，其特征在于，所述步骤S5具体实现方法为：利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取，经过全卷积神经网络的Softmax层后输出每个像素点对应每个类别的概率值，将概率最大的类别作为该像素点对应的类别，将每个类别用对应的像素值着色得到直观的退化草地分割提取图片。