农田道路提取模型训练方法、农田道路应建未建评估方法及介质与流程

摘要: 本发明涉及图像处理,具体涉及一种农田道路提取模型训练方法、农田道路应建未建评估方法及介质。背景技术:1、农田道路作为田间机械通行、农资运输及田块连通的重要基础设...
农田道路提取模型训练方法、农田道路应建未建评估方法及介质与流程

本发明涉及图像处理,具体涉及一种农田道路提取模型训练方法、农田道路应建未建评估方法及介质。

背景技术:

1、农田道路作为田间机械通行、农资运输及田块连通的重要基础设施,其建设完整性是高标准农田验收的关键指标之一。准确提取农田道路并评估其建设完成度,对于高标准农田建设的验收、监管和决策具有重要意义。

2、随着遥感技术和深度学习的发展,基于高分辨率光学遥感影像的道路提取方法得到了广泛应用。现有研究中,道路提取方法多以高分辨率遥感影像为主要数据源,通过引入深度学习模型、注意力机制、多尺度特征融合及后处理优化等手段,提高道路在复杂背景下的识别精度。

3、然而,基于遥感影像提取高标准农田道路时,部分道路可能被行道树、防护林或农作物冠层部分或完全遮挡。现有深度学习的道路提取模型缺乏对于“影像不可见但语义上存在道路”样本的推理能力,易将遮挡区域误判为非道路区域,出现道路断裂或漏检。其次,现有抗遮挡道路提取方法对多源数据依赖较强,为提升遮挡区域道路的提取效果,部分技术引入sar(合成孔径雷达)、dem(数字高程模型)等多模态数据,应用成本较高。

4、在高标准农田建设与验收实际应用中,通常仅能稳定获取高分辨率光学遥感影像,多模态数据在空间覆盖、时相一致性及获取成本方面均存在较大限制,导致现有方法难以在大范围、高频次的农田监管场景中推广应用。

技术实现思路

1、本发明的目的在于提供一种农田道路提取模型训练方法、农田道路应建未建评估方法及介质,以解决现有基于深度学习的道路提取模型对遮挡场景适应性不足、依赖于多源融合数据,导致在高标准农田建设场景的应用下,存在识别精度不足、应用成本高的问题。

2、本发明通过下述技术方案实现:

3、第一方面,本发明提供了一种农田道路提取模型训练方法,包括:

4、获取农田区域的高分辨率光学遥感影像及其对应的道路标签,并执行裁剪处理,得到用于训练初始农田道路提取模型的遥感影像样本及其对应的道路标签;其中,所述初始农田道路提取模型采用编码器-解码器结构,包括编码网络、特征融合网络和解码网络;

5、对各所述遥感影像样本执行遮挡仿真处理,生成遮挡增强样本;

6、利用所述遥感影像样本及其对应的道路标签对所述农田道路提取模型进行监督训练,得到第一阶段道路提取模型;

7、利用混合样本及其对应的道路标签对所述第一阶段道路提取模型进行监督训练,得到第二阶段道路提取模型,所述混合样本中包括所述遥感影像样本和所述遮挡增强样本。

8、本发明的上述方法,通过设置两阶段训练策略,第一阶段利用无遮挡的真实遥感影像样本进行监督训练,使模型初步学习道路的基础特征(纹理、形状、拓扑);第二阶段将遮挡增强样本与无遮挡样本混合后对第一阶段模型进行微调,使得模型在训练阶段即学习影像上道路部分不可见但语义上存在道路的样本,从而从训练层面提升模型对遮挡场景下道路的识别能力。同时,该方法仅依赖高分辨率光学遥感影像,无需sar、dem等多源数据,降低了数据获取成本和应用门槛。

9、进一步地,所述遮挡仿真处理包括:

10、随机框选出所述遥感影像样本中被标记为道路的一个或多个区域,作为候选区域;

11、采用像元迁移方式,在所述候选区域叠加遮挡纹理,所述遮挡纹理来源于树木纹理、云纹理或建筑阴影纹理中的至少一种。

12、进一步地,在所述候选区域叠加遮挡纹理的方式包括以下至少一种:

13、在所述候选区域中的单侧道路区域叠加遮挡纹理;

14、在所述候选区域中的双侧道路区域叠加遮挡纹理;

15、在所述候选区域中的全部区域叠加遮挡纹理。

16、进一步地,所述混合样本中,所述遥感影像样本和所述遮挡增强样本的比例为1:1。

17、进一步地,所述编码网络采用swin transformer编码器,包括四个级联的特征提取阶段,四个所述特征提取阶段分别输出分辨率为1/4、1/8、1/16和1/32的多尺度特征图;

18、其中,在第三和第四特征提取阶段分别嵌入动态蛇形卷积模块,所述动态蛇形卷积模块包含多组可变形蛇形卷积核,每组可变形蛇形卷积核以卷积中心为基准,沿各自对应方向通过累加偏移量实现动态采样轨迹变形,用于自适应捕捉不同走向道路的结构特征。

19、进一步地,所述动态蛇形卷积模块包含四组可变形蛇形卷积核,四组所述可变形蛇形卷积核以卷积中心为基准,分别沿水平方向、垂直方向、方向和方向设置。

20、进一步地,所述特征融合网络采用跨尺度校准模块,所述跨尺度校准模块通过1×1卷积统一各编码层级特征图的通道数,并通过门控机制动态调整低层级特征、中层级特征和高层级特征的权重占比,使纹理特征与语义特征对齐。

21、进一步地,所述监督训练采用复合损失函数,所述复合损失函数包括像素级分类损失和连通性约束损失;

22、所述连通性约束损失根据预测道路的连通区域总数与真实道路的连通区域总数的差异、以及预测道路各连通区域的平均长度与真实道路各连通区域的平均长度的差异计算得到。

23、第二方面,本发明提供了一种农田道路应建未建评估方法,包括:

24、获取目标区域的待分析高分辨率光学遥感影像;

25、将所述待分析高分辨率光学遥感影像输入由本发明第一方面任意一项所述的方法训练得到的第二阶段道路提取模型,获得道路概率图;

26、对所述道路概率图依次执行阈值分割处理和拓扑修复处理,获得修复后的道路矢量数据;

27、获取所述目标区域的高标准农田道路的规划矢量数据,将所述道路矢量数据与所述规划矢量数据统一至同一地理坐标系;

28、对所述道路矢量数据和所述规划矢量数据执行空间叠加分析,识别所述规划矢量数据中的应建未建道路。

29、第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面任意一项所述的农田道路提取模型训练方法,或者第二方面所述的农田道路应建未建评估方法。

30、本发明与现有技术相比,具有如下的优点和有益效果:

31、通过两阶段训练策略:第一阶段利用无遮挡的真实遥感影像样本进行监督训练,第二阶段将遮挡增强样本与无遮挡样本混合后进行微调,使得模型在训练阶段学习到影像上道路部分不可见但语义上存在道路的样本,提升了模型对遮挡场景下道路的识别能力,有效减少遮挡导致的道路漏检和断裂问题。

32、此外,模型训练过程及提取过程仅依赖高分辨率光学遥感影像,无需sar、dem等多源数据,降低了数据获取成本和应用门槛。

33、在编码网络的第三和第四特征提取阶段嵌入动态蛇形卷积模块,能够自适应捕捉不同走向道路的结构特征,重点强化遮挡边缘、窄幅道路的特征响应强度,解决了传统固定卷积核对断裂道路、方向多变道路的特征提取不足问题。

34、训练损失采用像素级分类损失和连通性约束损失的复合损失函数,在保障像素级分类精度的同时强化了道路预测结果的连通性,避免了单一损失导致的碎片化及断裂问题。

35、在道路提取与后处理基础上,将提取的道路矢量与高标准农田道路规划矢量进行空间叠加分析,自动识别应建未建道路,直接对接高标准农田验收需求,实现了田间道路提取与规划联动评估机制。