[发明专利]一种基于深度学习的耕地地块提取方法

权利要求书

1.一种基于深度学习的耕地地块提取方法，其特征在于：包括如下步骤：

步骤1：遥感影像采集及预处理，包括依据耕地作物轮休的特点，采集不同季节时间的耕地地块的高分卫星遥感影像和Google遥感影像，构建不同分辨率、不同季节特征的遥感影像的原始影像数据，进行去云、波段合成等预处理后得到处理好的影像；

步骤2：制作地块语义标签，利用ARCGIS软件工具，采用人工标注的方式，对步骤1获取的影像进行耕地地块轮廓的矢量标注得到矢量标签图；

步骤3：对步骤2得到的矢量标签图进行矢量栅格化，得到与原始影像图大小相同的耕地地块语义标签图；

步骤4：对步骤1得到的原始影像和步骤3得到的语义标签图进行同步裁剪，得到一个512*512尺寸大小的耕地地块样本库；

步骤5：将步骤4得到的样本库分成训练样本集、验证样本集与测试样本集；

步骤6：建立深度学习网络模型，采用编码-解码的方式，将DeeplabV3+网络结构作为地块分割模型的总体架构，分别以预训练的Resnet18，Resnet34及Resnet50作为特征提取器，构建不同的地块分割网络模型；

步骤7：将步骤5得到的训练样集和验证样本集和标签图输入到步骤6建立的网络模型中，经过多次迭代训练及参数调整，保存每个模型在验证样本中精度最高的模型作为最优模型；

步骤8：利用步骤7得到的各个最优模型，对未进行人工标注的图像进行耕地地块分割预测，对不同模型采用投票策略进行模型集成获得预测结果，对预测得到的结果，采用孔洞填充，边缘平滑算法对预测结果进行后处理，得到较为平滑的耕地地块分割伪标签数据；

步骤9：将步骤8得到的伪标签数据集与人工标注得到的原始标签数据集同时作为训练样本，输入到步骤6的深度学习网络模型中重新训练模型；

步骤10：重复步骤7-步骤9三次，通过伪标签获得一个加倍的训练样本集，最终得到一个相对稳健的模型；

步骤11：将步骤10最终得到的以Resnet50作为特征提取器的模型作为预测模型，对测试数据进行地块分割。

步骤12：将步骤11得到的地块分割图进行栅格矢量化，获得地块的分布及面积。

2.根据权利要求1所述的基于深度学习的耕地地块提取方法，其特征在于，对步骤1中的原始高分卫星遥感影像数据进行辐射定标、大气校正、几何校正、全色波段和多光谱波段融合、去云及波段组合的预处理。

3.根据权利要求1所述的基于深度学习的耕地地块提取方法，其特征在于，步骤1中所述高分卫星和Google遥感影像分辨率为0.5米和1米的多源数据，且地块具有不同的季节性特征。

4.根据权利要求1所述的基于深度学习的耕地地块提取方法，其特征在于，步骤2中地块矢量标注时将其耕地地块标签值设为1，非耕地标签值设为0。

5.根据权利要求1所述的基于深度学习的耕地地块提取方法，其特征在于，步骤2中的标注标准以人眼可分辨的地块为最小单元，沿地块内边缘勾画，对可明显区分的不同地块的地间路面需准确区分。

6.根据权利要求1所述的基于深度学习的耕地地块提取方法，其特征在于，步骤4采用滑动裁剪方法，以10％的滑动重叠率将原始影像和语义标签图裁剪为512*512像素大小的样本。

7.根据权利要求1所述的基于深度学习的耕地地块提取方法，其特征在于，步骤8中为了提升伪标签的质量，预测模型为对不同模型采用投票策略进行模型集成，获得预测结果。

8.根据权利要求1所述的基于深度学习的耕地地块提取方法，其特征在于，步骤9中伪标签数据集只加入到训练样本中，不加入验证样本参与模型的性能评价。