一种养殖池塘的快速识别方法和系统
本发明涉及图像识别,具体涉及一种养殖池塘的快速识别方法和系统。
背景技术:
1、养殖池塘作为现代水产养殖的核心,其空间分布特征与精细化提取是评估渔业生产规模、优化水产资源配置以及监测区域生态环境的重要基础指标。传统人工实地测绘与地物普查不仅需投入大量人力与时间,效率偏低,还易产生误差和遗漏。受成像条件、背景复杂度和池塘尺度差异等因素制约,传统人工方法难以满足大范围区域快速调查与动态检测的需求。
2、现有的遥感池塘检测方法主要包括基于像元光谱特征的方法和面向对象的遥感分析方法。基于像元光谱特征的方法通常结合水体指数进行阈值分割或利用机器学习算法实现池塘信息提取,但其特征表达能力有限,在复杂场景下容易受背景噪声干扰。面向对象的分类方法综合利用光谱、纹理、形状等特征进行分类,能够有效减弱高分辨率影像中的“椒盐效应”,但其分类效果较大程度上依赖于人工经验设计的分割尺度参数和规则集,面对不同区域和不同类型的池塘往往需要重新调整参数,导致模型的泛化能力受到较大限制。
3、近年来,基于深度学习的目标检测模型凭借其高效性和高精度,在遥感图像分析领域得到了广泛应用,显著简化了检测流程并提升了检测速度。然而,在复杂遥感场景下的养殖池塘目标检测任务中,现有深度学习方法仍存在以下技术缺陷:
4、一是池塘目标尺度差异显著,不同面积、不同形状的池塘在同一影像中并存,现有模型缺乏高效的跨尺度特征融合机制,对多尺度特征的适应能力不足,容易丢失小目标的特征信息;二是复杂遥感场景下,池塘目标极易与周边建筑、农田、植被及地物阴影等相似背景产生混淆,且密集分布的池塘间往往存在边界粘连,由于现有模型缺乏对全局上下文信息的感知能力,导致复杂背景下池塘目标的漏检率和误检率较高。因此,如何进一步增强模型对多尺度池塘目标的特征提取与融合能力,有效抑制复杂背景干扰并提高检测精度,是当前本领域亟待解决的技术问题。
技术实现思路
1、为了解决上述现有模型对于复杂背景下池塘目标的漏检率和误检率较高的技术问题,本发明的目的在于提供一种养殖池塘的快速识别方法和系统,所采用的技术方案具体如下:
2、本发明一个实施例提供了一种养殖池塘的快速识别方法,该方法包括以下步骤:
3、获取目标研究区域的待检测遥感图像;
4、将所述待检测遥感图像输入至预先训练的池塘检测模型中进行目标检测,识别出所述待检测遥感图像中的养殖池塘;其中,所述池塘检测模型包括骨干网络、颈部网络和检测头;
5、所述池塘检测模型进行目标检测的步骤包括:
6、根据所述骨干网络对所述待检测遥感图像进行多尺度特征提取,并在所述骨干网络末端通过空洞空间金字塔池化模块利用不同空洞率的二维空洞卷积扩大特征图的感受野,提取多尺度上下文特征;
7、对所述骨干网络提取的多尺度特征以及所述空洞空间金字塔池化模块输出的多尺度上下文特征,通过所述颈部网络中的双向特征金字塔模块进行双向的跨尺度特征加权融合,得到融合后的多层级特征;
8、利用所述检测头中的自适应空间特征融合模块,在空间维度计算所述融合后的多层级特征对应的融合权重,并基于所述融合权重进行自适应加权求和,输出养殖池塘识别结果。
9、进一步地,所述空洞空间金字塔池化模块包括标准卷积分支、三个采用不同空洞率的二维空洞卷积分支以及全局平均池化分支;所述三个采用不同空洞率的二维空洞卷积分支的空洞率分别设置为6、12和18。
10、进一步地,所述二维空洞卷积的计算表达式为:
11、
12、式中,表示经特定空洞率卷积后在空间位置处输出的特征值,多个不同空洞率分支输出的汇聚构成所述多尺度上下文特征;x表示骨干网络提取并输入至空洞空间金字塔池化模块的特征图;表示特征图上的空间位置索引;r表示用于控制采样点间距以扩大特征图的感受野的空洞率;m和n表示卷积核的高度和宽度;m和n表示卷积核的权重索引;表示二维卷积核中位于位置处的可学习权重参数;表示输入特征图在膨胀率r的作用下,当前空间位置偏移采样点处的特征值。
13、进一步地,所述通过所述颈部网络中的双向特征金字塔模块进行双向的跨尺度特征加权融合,得到融合后的多层级特征,包括:
14、在所述多尺度特征与所述多尺度上下文特征的不同尺度层级之间,建立自顶向下的第一融合路径以及自底向上的第二融合路径;
15、为所述第一融合路径和所述第二融合路径上的每个输入特征分支分配可学习权重;
16、对各个分支的所述可学习权重进行归一化处理,得到各个分支对应的归一化权重;
17、将各个分支的输入特征与对应的所述归一化权重相乘后进行求和,得到所述融合后的多层级特征。
18、进一步地,所述利用所述检测头中的自适应空间特征融合模块,在空间维度计算所述融合后的多层级特征对应的融合权重,包括:
19、对所述融合后的多层级特征中的各个层级特征,分别进行卷积处理,生成对应于各个层级特征的空间权重图;
20、在每个空间位置上,对各个层级特征的所述空间权重图的特征值进行归一化处理,得到各个层级特征在每个空间位置上的所述融合权重。
21、进一步地,所述自适应加权求和的表达式为:
22、
23、式中,表示基于融合权重进行自适应加权求和后,得到的目标层级k在空间位置处的融合特征值,所述融合特征值用于输出所述养殖池塘识别结果;u和v表示特征图在空间维度的横坐标和纵坐标索引;、和表示在空间维度计算得到的,分别对应与第一层级、第二层级和第三层级特征在目标层级k的空间位置处的融合权重;、和分别表示所述融合后的多层级特征中,第一层级、第二层级、第三层级特征经过空间分辨率调整并映射至目标层级k后,在空间位置处的特征向量。
24、本发明的又一实施例提供了一种养殖池塘的快速识别系统,所述系统包括:
25、图像获取模块,用于获取目标研究区域的待检测遥感图像;
26、池塘检测模块,用于将所述待检测遥感图像输入至预先训练的池塘检测模型中进行目标检测,识别出所述待检测遥感图像中的养殖池塘;其中,所述池塘检测模型包括骨干网络、颈部网络和检测头;
27、所述池塘检测模型进行目标检测的步骤包括:
28、根据所述骨干网络对所述待检测遥感图像进行多尺度特征提取,并在所述骨干网络末端通过空洞空间金字塔池化模块利用不同空洞率的二维空洞卷积扩大特征图的感受野,提取多尺度上下文特征;
29、对所述骨干网络提取的多尺度特征以及所述空洞空间金字塔池化模块输出的多尺度上下文特征,通过所述颈部网络中的双向特征金字塔模块进行双向的跨尺度特征加权融合,得到融合后的多层级特征;
30、利用所述检测头中的自适应空间特征融合模块,在空间维度计算所述融合后的多层级特征对应的融合权重,并基于所述融合权重进行自适应加权求和,输出养殖池塘识别结果。
31、本发明的再一实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的一种养殖池塘的快速识别方法。
32、本发明相比于现有技术,具有以下有益效果:
33、(1)本发明通过在骨干网络末端引入空洞空间金字塔池化模块,利用不同空洞率的二维空洞卷积扩大特征图的感受野,提取多尺度上下文特征,其能够同时兼顾局部细节与全局信息,增强了模型对池塘边界特征和周边宏观环境的感知能力,有效解决了密集连片池塘造成的边界粘连问题,显著抑制了周边相似地物带来的背景干扰,大幅降低了复杂遥感场景下池塘目标的误检率。
34、(2)本发明通过在颈部网络中引入双向特征金字塔模块,对提取的多尺度上下文特征进行双向的跨尺度特征加权融合,其通过自顶向下和自底向上的双向信息流路径,实现了高层语义信息与底层细节特征的高效交互与互补,增强了网络模型对不同尺度池塘目标的特征表达能力,有效解决了传统单向融合导致的小目标特征丢失问题,显著降低了多尺度场景下小面积池塘和不规则池塘的漏检率。
35、(3)本发明通过在检测头中引入自适应空间特征融合模块,在空间维度计算各层级特征的融合权重,并基于融合权重对融合后的多层级特征进行自适应加权求和,其使网络能够在每个空间位置上动态学习并分配不同层级特征的贡献权重,缓解了多尺度特征直接融合带来的语义冲突和边缘细节丢失问题。在有效捕捉池塘局部精细边缘信息的同时,利用全局语义上下文辅助判断,进一步提升了模型对池塘目标的边界定位精度和整体识别准确率。
36、(4)本发明通过协同集成上述空洞空间金字塔池化模块、双向特征金字塔模块以及自适应空间特征融合模块,构建了适用于复杂遥感影像的池塘高精度提取框架。上述模块在网络中形成合力,分别从感受野扩张、跨层级特征交互以及空间自适应权重分配三个维度实现了优势互补,在显著提升多尺度池塘特征捕捉能力的同时,彻底突破了传统模型在密集连片、边界模糊以及强背景干扰等极端场景下易错检、漏检的瓶颈,从而为现代化渔业空间分布的精细化监测和渔业资源的高效估产提供了可靠、智能的技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com