[发明专利]一种基于深度学习的耕地地块提取方法

说明书

本发明提供了一种基于深度学习的耕地地块提取方法，包括：遥感影像预处理，制作地块标签样本，建立深度学习网络模型，构建不同的地块分割网络模型，利用各个最优模型，对未进行人工标注的图像进行耕地地块分割预测，对预测得到的结果进行后处理，将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，重新训练模型，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，将最终得到特征提取器的模型作为预测模型，获得地块分布及面积。本发明利用深度学习方法，提高计算机自动化分割地块的精度，降低人工识别成本，极大节省了人力及时间成本。

技术领域

本发明涉及耕地地块分割的遥感图像处理技术领域，具体为一种基于深度学习的耕地地块提取方法。

背景技术

耕地和粮食安全有着密切的关联，是人类生存和发展的重要基础资源。实时准确的掌握耕地的面积和分布是农业发展与调控的重要科学依据，对于各种应用都有广泛的意义。例如耕地动态监测、粮食生产力调查、粮食安全和农业产量预测等。

如今遥感影像几乎覆盖了全球地表的每个地方，并且因其具有监测范围广和实时监测的优势，使其成为了获取耕地信息和空间分布的重要工具。传统的影像耕地制图方法大多是基于机器学习算法的，例如随机森林、支持向量和决策树等。这些方法都是分析不同地物类型的光谱季节性特征或者利用各种指数的特征来区分不同地物差异，然后使用相同地物的光谱季节性特征相似性或指数阈值的方法来实现耕地提取的，但是，传统的方法只能从原始影像数据中提取低级或中级特征，对于大范围且不同类型对的耕地提取的鲁棒性不是很强。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提出基于深度学习的耕地地块提取方法。

本发明解决其技术问题所采用的技术方案是：

一种基于深度学习的耕地地块提取方法，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；