[发明专利]基于深度学习作物时空泛化分类方法及系统

说明书

本发明涉及一种基于深度学习作物时空泛化分类方法及系统，该方法包括：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遥感影像对应的真实影像；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；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深度卷积神经网络中的残差模块，获得预训练模型；以遥感影像为输入，与各遥感影像对应的真实影像为输出训练预训练模型，获得遥感影像分类模型；利用遥感影像分类模型进行图像分类。本发明提高了遥感影像分类模型的时空泛化性。

技术领域

本发明涉及图像分类技术领域，特别是涉及一种基于深度学习作物时空泛化分类方法及系统。

背景技术

实现自动化大尺度农作物制图的一种重要前提是模型具备时空泛化性。在实际生产中，难以收集到大范围的样本标签，同时采用泛化能力强的模型可以大量减少该过程所消耗的时间和人力资源。时空泛化性指利用某个地方、某个时期的影像和类别标签训练模型，之后将模型应用在没有训练数据的其他地点和时间段对该类别进行提取。泛化的本质就是构建出能够从有限的训练集中提取特征的模型，使特征表达具有良好的灵活性和稳定性。目前深度学习模型对农作物图像分类的时空泛化能力有待加强。

发明内容

本发明的目的是提供一种基于深度学习作物时空泛化分类方法及系统，提高了识别模型的时空泛化性。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习作物时空泛化分类方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。