[发明专利]基于深度学习作物时空泛化分类方法及系统

权利要求书

1.一种基于深度学习作物时空泛化分类方法，其特征在于，包括：

采集设定地点在设定时间段内的多个遥感影像；

通过人工目视解译方法获得与各所述遥感影像对应的真实影像；所述真实影像为对农作物区域和非农作物区域进行标记了的图像；

构建深度卷积神经网络；所述深度卷积神经网络包括依次连接的输入层、残差模块、金字塔平均池化模块和输出层；

采用自然图像数据集对残差模块进行训练，将训练好的残差模块作为所述深度卷积神经网络中的残差模块，获得预训练模型；

以所述遥感影像为输入，与各所述遥感影像对应的真实影像为输出训练所述预训练模型，获得遥感影像分类模型；

利用所述遥感影像分类模型对待分类遥感影像进行农作物区域和非农作物区域的分类。

2.根据权利要求1所述的基于深度学习作物时空泛化分类方法，其特征在于，所述以所述遥感影像为输入，与各所述遥感影像对应的真实影像为输出训练所述预训练模型，获得遥感影像分类模型，具体包括：

对所述遥感影像进行预处理，获得地表反射率影像，所述预处理包括辐射定标、大气校正、几何校正、波段融合、裁剪和镶嵌；

以所述地表反射率影像为输入，与各所述遥感影像对应的真实影像为输出训练所述预训练模型，获得遥感影像分类模型。

3.根据权利要求2所述的基于深度学习作物时空泛化分类方法，其特征在于，所述通过人工目视解译方法获得与各所述遥感影像对应的真实影像；所述真实影像为对农作物区域和非农作物区域进行标记了的图像，具体包括：

利用Arcmap软件在所述地表反射率影像上手工勾画出农作物区域，获得与所述地表反射率影像对应的真实影像。

4.根据权利要求1所述的基于深度学习作物时空泛化分类方法，其特征在于，所述采集设定地点在设定时间段内的多个遥感影像，具体包括：

采集设定地点设定年份设定农作物播种期遥感影像和生长旺盛期遥感影像。

5.根据权利要求1所述的基于深度学习作物时空泛化分类方法，其特征在于，所述残差模块包括10个依次连接的残差结构块，各残差结构块用于特征提取；10个依次连接的残差结构块中最后3个残差结构块后连接膨胀卷积层。

6.根据权利要求1所述的基于深度学习作物时空泛化分类方法，其特征在于，所述金字塔平均池化模块包括第一卷积层、上采样层、第二卷积层和多个不同尺度的平均池化层；多个不同尺度的平均池化层均与所述第一卷积层的输入连接，所述第一卷积层的输出与所述上采样层的输入连接，所述上采样层的输入连接所述第二卷积层。

7.根据权利要求1所述的基于深度学习作物时空泛化分类方法，其特征在于，所述输出层包括Softmax分类器，通过所述Softmax分类器对输入的特征图像进行分类。

8.根据权利要求1所述的基于深度学习作物时空泛化分类方法，其特征在于，所述自然图像数据集包括IMAGENET数据集。

9.根据权利要求1所述的基于深度学习作物时空泛化分类方法，其特征在于，所述以所述地表反射率影像为输入，与各所述遥感影像对应的真实影像为输出训练所述预训练模型，获得遥感影像分类模型，具体包括：

采集随机分层分组的方法，从训练集中提取1/7的数据作为验证数据；所述训练集包括多个所述遥感影像和与各所述遥感影像对应的所述真实影像；

以所述地表反射率影像为输入，与各所述遥感影像对应的真实影像为输出，采用随机梯度算法更新所述预训练模型中的权值，根据预设固定学习速率和预设每批次容量，反复进行前向-后向传播计算，迭代优化所述预训练模型，通过最小交叉熵损失函数值确定最优权值。

10.一种基于深度学习作物时空泛化分类系统，其特征在于，包括：

遥感影像采集模块，用于采集设定地点在设定时间段内的多个遥感影像；

样本标记模块，用于通过人工目视解译方法获得与各所述遥感影像对应的真实影像；所述真实影像为对农作物区域和非农作物区域进行标记了的图像；

网络模型构建模块，用于构建深度卷积神经网络；所述深度卷积神经网络包括依次连接的输入层、残差模块、金字塔平均池化模块和输出层；

网络模型预训练模块，用于采用自然图像数据集对残差模块进行训练，将训练好的残差模块作为所述深度卷积神经网络中的残差模块，获得预训练模型；

网络模型训练模块，用于以所述遥感影像为输入，与各所述遥感影像对应的真实影像为输出训练所述预训练模型，获得遥感影像分类模型；

遥感影像分类模块，用于利用所述遥感影像分类模型对待分类遥感影像进行农作物区域和非农作物区域的分类。