[发明专利]一种基于卷积神经的公益林地类图像智能识别方法及系统

说明书

本发明公开了一种基于卷积神经的公益林地类图像智能识别方法，包括：S11.获取项目区的公益林矢量边界图，生成覆盖项目区的矢量格网分布图；S12.获取项目区的高分辨率遥感图像，采用生成的矢量格网分布图对遥感图像进行裁切，把获取的遥感图像分割为若干正方形图片，将若干正方形图片作为卷积神经网络算法的输入数据；S13.基于卷积神经网络算法，对输入的若干正方形图片进行特征参数提取，提取的特征参数与预先对样本库进行深度学习训练获得的特征参数进行相似度匹配，并对匹配后的数据进行自动识别，获得输入数据的地类分类结果；S14.得到地类分类结果后，将不同地类的属性标记到相应的矢量格网数据库中，生成项目区公益林范围内不同地类面积统计结果。

技术领域

本发明涉及人工智能和图像识别技术领域，尤其涉及一种基于卷积神经的公益林地类图像智能识别方法及系统。

背景技术

我国林地面积逐年持续增加、林业质量稳步提升，对公益林资源的监测、保护和管理工作日益重要。开展公益林资源监测工作可及时了解公益林的消长情况，根据其动态变化，制订相应的管理措施。在对公益林森林资源进行监测时，应科学制定监测方法，提高监管质量和效率。

随着精准林业、智慧林业的提出，以区划小班形式，动辄数十亩、数百亩的小班均质性区划工作现已无法满足现代化林业发展的需求。公益林资源格网化管理是根据空间信息多级网格的思路，通过将林地划分为一定大小的格网单元实施监控，可以实现林地资源管理的精细化、动态化，保证林地资源管理和动态变更中出现的问题能够及时发现、及时处理。

随着计算机技术的不断发展，现代遥感技术在森林资源监测工作中得到广泛应用。遥感影像通过像元值的高低差异及空间变化来表示不同的地物，高空间分辨率遥感影像最大的优点是具备清晰的结构纹理信息，大大提高了地物的辨识度，不过由于图像空间异质性高，其分类工作多采用人工目视解译完成，效率相对较低。

卷积神经网络算法是目前应用于图像处理与识别的主要方法，具有强大的特征学习能力，可以有效降低网络复杂度、提升图片数据处理能力。随着大数据时代的到来和计算机能力的提升，近年来卷积神经网络在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果，已成为当前图像识别领域的研究热点。

最大似然、支持向量机、决策树等常用的遥感影像分类算法，其精度和效率已无法满足大数据环境下的分类要求，卷积神经网络算法降低了因图像平移、比例缩放、倾斜或其他形式的变形而引起的误差。在大数据环境下，采用卷积神经网络算法对高分辨率遥感影像进行分类，降低了特征提取和分类过程中数据重建的复杂度，可以大大提高分类精度。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于卷积神经的公益林地类图像智能识别方法及系统，大大提高了公益林地类图像分类的精度和效率，解决了公益林日常监测管理工作中效率低、成本高的问题。

为了实现以上目的，本发明采用以下技术方案：

一种基于卷积神经的公益林地类图像智能识别方法，包括步骤：

S1.获取项目区的公益林矢量边界图，并生成覆盖项目区的矢量格网分布图；

S2.获取项目区的高分辨率遥感图像，并采用生成的矢量格网分布图对遥感图像进行裁切，把获取的遥感图像分割为若干正方形图片，并将若干正方形图片作为卷积神经网络算法的输入数据；

S3.基于所述卷积神经网络算法，对输入的若干正方形图片进行特征参数提取，提取的特征参数与预先对样本库进行深度学习训练获得的特征参数进行相似度匹配，并对匹配后的数据进行自动识别，获得输入数据的地类分类结果；

S4.所述得到地类分类结果后，将不同地类的属性标记到相应的矢量格网数据库中，生成项目区公益林范围内不同地类面积统计结果。