一种大范围光伏发电设施遥感智能提取方法与流程

1.本发明涉及遥感影像数据提取技术领域，尤其涉及一种大范围光伏发电设施遥感智能提取方法。


背景技术：

2.当前，太阳能光伏发电技术作为新兴的可再生清洁能源之一，发展潜力巨大。近几年，我国光伏电站建设飞速发展，及时获取光伏电站建设范围及其变化，对政府信息管理、社会经济效益、资源合理利用等都具有重要意义。目前高分辨率遥感数据时序更新快，覆盖范围广，利用高分辨率遥感数据分割快速提取光伏发电设施空间分布和发展变化成为了光伏范围提取的研究热点。
3.传统的遥感影像信息提取方法主要是基于光谱统计特征的机器学习算法，例如最大似然法、knn算法、svm算法、ann算法等，但是由于地物环境复杂，遥感影像普遍存在同谱异物和同物异谱现象，光伏发电设施容易受到其他地物信息影响，算法普适性较差，提取难度增加。同时，传统机器学习算法受计算性能限制，利用高分辨率影像进行大范围、多时相的光伏发电设施提取的效率也远远不够。
4.近年来，随着深度学习发展，深度学习语义分割算法开始广泛应用到遥感影像地物提取中，成为大范围遥感影像信息自动提取的重要方法之一。


技术实现要素：

5.本发明的目的在于提供一种大范围光伏发电设施遥感智能提取方法，从而解决现有技术中存在的前述问题。
6.为了实现上述目的，本发明采用的技术方案如下：
7.一种大范围光伏发电设施遥感智能提取方法，包括以下步骤：
8.s1，以pytorch作为开发框架，基于语义分割模型d-linknet构建提取网络pvsnet，其中，编码器(encoder)基于预训练的resnet34网络，采用五个下采样层提取深层影像特征；中间扩张层(dilate-block)采用4层并行的级联空洞卷积，以此扩大接受范围，融合多尺度特征，保存空间信息；解码器(decoder)采用四层转置卷积单元对特征图上采样,同时采用跳跃连接引入底层的空间位置信息，恢复原始图像中的细节信息；最后采用softmax获得概率输出结果；
9.s2，选取高分辨率影像数据，标注信息为影像对应的光伏发电设施标注矢量。利用语义分割样本制作工具，将影像和矢量标注裁剪为瓦片样本数据集，标注信息为栅格化的0/1二值化标签，0为背景，1为正样本光伏目标区域，裁剪之后以光伏区域有效占比筛选样本，得到整个光伏发电设施样本集psset；
10.s3，将所述样本数据集按比例划分别分为训练集、验证集、测试集，所述训练集用于训练网络模型参数，所述验证集用于验证网络模型并选择最优超参数，所述测试集则用于测试网络模型性能和评价精度；
11.s4，采用步骤s1中构建的pvsnet接收所述训练集中的影像样本作为输入，进行学习训练；每一轮训练中，通过样本增强技术，提高样本丰富性；训练时设置优化器算法和训练参数，所述训练参数包括但不限于批处理数量和初始学习率，采用计算网络提取结果与真值标注之间相似度的交叉熵建立损失函数，并以此进行反向传播更新模型优化器权重；
12.每一轮训练结束后，将验证集输入网络中获取分割结果，分割结果与样本真值标签计算取混淆矩阵，将验证集所有样本混淆矩阵叠加得到验证集整体混淆矩阵，并根据验证集整体混淆矩阵计算召回率recall、精确率precision、交并比iou、f值(召回率与精确率的调和值)作为精度指标；
13.以上诉精度指标判断本轮训练模型提取效果以及是否为当前最优模型，如果是最优模型则进行保存；训练过程中同时按照固定间隔保存网络模型，以此训练过程不断迭代，直到训练终止；
14.s5，训练结束后，选最优训练模型作为应用模型，输入测试集对应用模型进行测试，将应用模型的提取结果与样本真值标签计算取混淆矩阵，将测试集所有样本结果混淆矩阵叠加得到测试集整体混淆矩阵，并根据混淆矩阵计算召回率recall、精确率precision、交并比iou、f值作为精度数据评价应用模型提取精度，将测试集test提取结果输出二值化分割结果，查看应用模型提取空间效果；如果应用模型总体提取精度满足提取要求，该应用模型可以进行实际提取，进入步骤s7进行大范围光伏提取；否则，则最优训练模型不符合要求，进入步骤s6，采用负样本补充训练机制再次进行训练；
15.s6，只用光伏区域制作的正样本训练，可能会出现提取模型错检率较高，因此本方法提出负样本补充训练机制，提高光伏分割网络提取精度，具体为：
16.利用第一次训练后测试集得到的伪光伏区域示例，将其判断归类，在原始影像上标记光伏发电设施负样本区域，以此更新样本标注矢量，按照步骤s2和s3重新生成光伏发电设施样本集pnsset，新增的负样本标签设置为2；
17.利用更新后的样本数据集pnsset，重新划分训练集、验证集、测试集，按照步骤s4、s5重新训练和测试模型；训练中，因增加负样本，模型类别修改为3类，测试中，负样本区域在输出和计算精度时归为背景；多次迭代负样本补充过程，提高模型提取光伏目标区域精度，直到f值大于要求阈值满足总体提取要求，保存最终应用模型,进入步骤s7；
18.s7，利用训练好的模型，采用2米分辨率的待识别遥感影像，进行大范围光伏发电设施提取，根据提取网络输入要求，通过对待识别遥感影像进行滑窗处理，分块输入到网络中得到光伏发电设施提取二值图，分块结果通过合并接边处理，得到完整的二值变化结果；然后将二值分割结果进行分类后处理，将后处理分割结果矢量化，对矢量边界进行平滑处理，输出获得最终光伏发电设施区域矢量标注数据。
19.优选的，步骤s1中，构建的提取网络具体结构为：
20.编码器encoder采用五个下采样层提取影像特征，所述的五个下采样层，每个下采样层特征图大小降为一半，特征图通道数增加一倍；第一下采样层卷积核设置为3
×
3，步长为2，第二、三、四、五下采样层，先利用最大值池化层对特征图进行下采样，再利用残差单元res-block进行卷积操作增加特征图通道数；所述残差单元res-block由两个3
×
3卷积组成，f(x)路径特征图通过卷积操作拟合残差，x路径特征图恒等映射到输出，相加后直接作为下一个block的输入；二、三、四、五下采样层采用的res-block数量分别为3、4、6、3；最终
encoder输出特征图为512
×
16
×
16；
21.中间扩张层dilate-block采用4层并行的级联空洞卷积层，所述的级联空洞卷积层的感受野计算公式如下：
[0022][0023]
其中，rf
i 1
表示当前层的感受野，rfi表示上一层的感受野，d表示空洞率，k表示空洞卷积核的大小，si表示之前所有层的步长的乘积；
[0024]
所述的级联空洞卷积层卷积核为3
×
3，步长为1，最上层采用的空洞率分别为1、2、4，对应的感受野为3、7、15，因此最后一个图上的特征点将在第一个中心特征图上看到15
×
15个点，可以覆盖编码器输出特征图上的主要部分，扩大接受范围；4层并行的级联空洞卷积，从上到下感受野分别为15、7、3、1，可以融合多分辨率特征；
[0025]
解码器decoder采用转置卷积单元(trans-block)对特征图上采样，所述转置卷积单元(trans-block)第一个1
×
1卷积将特征图通道数下降4倍，输入到3
×
3转置卷积对特征图上采样，最后通过第二个1
×
1卷积将特征图通道恢复到输出通道数，实现特征图上采样；同时采用跳跃连接将第五、四、三下采样层的连接到第一、二、三trans-block的输出中，相加后输入到下一trans-block中，以此恢复上采样过程中可以使用的空间信息。第四trans-block输出的特征以此通过4
×
4的转置卷积和空洞率为1的3
×
3空洞卷积后，采用softmax获得概率输出，最终得到2*512*512大小的输出结果。
[0026]
优选的，步骤s2所述高分辨率遥感影像分辨率不低于2米，且为以rgb波段组合的真彩色模式；所述裁剪样本瓦片时，裁剪步长为256像素，样本瓦片大小为512
×
512像素；所述筛选样本时，光伏区域有效占比低于10％的样本将被删除。
[0027]
优选的，步骤s4中的学习训练过程之前，采用的样本增强技术为样本动态增强，即每一轮训练中，样本输入网络前随机选取部分样本进行水平翻转和垂直翻转；所述训练参数，采用adam算法作为优化器，学习率设置按固定迭代次数梯度下降，所述损失函数采用的交叉熵方程为：
[0028][0029]
其中，pred是网络的输出向量，gt是对应的真值标签，n指输出样本类别数。
[0030]
所述的判断最优模型，具体以本轮训练验证集iou值判断本轮训练模型是否为当前最优模型；
[0031]
优选的，所述的应用模型总体提取精度要求，具体以测试集整体混淆矩阵计算得到的f值判断是否满足提取要求阈值；
[0032]
优选的，所述的负样本补充训练时，训练模型因输入样本变化模型类别变更为3类，但是在测试时负样本归为背景类别，不参与精度计算和结果输出；
[0033]
优选的，步骤s7中将二值分割结果进行分类后处理，所述分类后处理为采用聚类处理进行碎小斑点删除和空洞填充。
[0034]
本发明的有益效果是：
[0035]
本发明公开了一种大范围光伏发电设施遥感智能提取方法，该方法基于遥感影像数据，以语义分割方法为核心，构建自动提取网络模型，利用标注的大量光伏发电设施影像样本，可以对构建的自动提取网络模型进行训练，学习光伏发电设施的深层影像特征，经过反复迭代测试，获取最优训练模型，实现遥感影像数据上的大范围光伏发电设施的快速自动提取，从而提高光伏设施的提取效率和精度，为后续的应用要求提供保障。
附图说明
[0036]
图1是实施例1中提供的大范围光伏发电设施遥感智能提取方法流程图；
[0037]
图2是实施例2中提供的大范围光伏发电设施遥感智能提取方法中提取模型网络结构图；
[0038]
图3是实施例2中提供的大范围光伏发电设施遥感智能提取方法中提取模型扩张层结构图；
[0039]
图4是实施例2中提供的大范围光伏发电设施遥感智能提取方法中样本集数据对示意图，其中(a)为样本影像，(b)样本标签；
[0040]
图5是实施例2中正样本训练后测试集结果示意图；
[0041]
图6是实施例2中第一次训练后补充的山地区负样本示意图，其中(a)为样本影像，(b)样本标签；
[0042]
图7是实施例2中补充负样本训练后测试集结果示意图；
[0043]
图8是实施例2中利用山西省遥感影像提取光伏发电设施成果示意图，其中(a)为整体提取结果，(b)、(c)、(d)、(e)分别为图8(a)中标注的b、c、d、e区域的提取结果放大图。
具体实施方式
[0044]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
[0045]
实施例1
[0046]
本实施例提供了一种大范围光伏发电设施遥感智能提取方法，如图1所示，包括如下步骤：
[0047]
s1、以pytorch作为开发框架，基于语义分割模型d-linknet构建提取网络pvsnet，pvsnet设计接收3
×
512
×
512大小的影像样本作为输入，编码器(encoder)基于预训练的resnet34网络，采用五个下采样层提取深层影像特征。中间扩张层(dilate-block)采用4层并行的级联空洞卷积，以此扩大接受范围，融合多尺度特征，保存空间信息。解码器(decoder)采用四层转置卷积单元对特征图上采样,同时采用跳跃连接引入底层的空间位置信息，恢复原始图像中的细节信息。最后采用softmax获得概率输出结果。构建的提取网络具体结构为：
[0048]
编码器(encoder)包含五个下采样层，每个下采样层特征图大小降为一半，特征图通道数增加一倍，第一下采样层卷积核设置为3
×
3，步长为2，第二三四五下采样层，先利用最大值池化层对特征图进行下采样，再利用残差单元(res-block)进行卷积操作增加特征图通道数。res-block由两个3
×
3卷积组成，f(x)路径特征图通过卷积操作拟合残差，x路径
特征图恒等映射到输出，相加后直接作为下一个block的输入。二三四五下采样层采用的res-block数量分别为3、4、6、3。最终encoder输出特征图为512
×
16
×
16。
[0049]
扩张层(dilate-block)采用4层并行的级联空洞卷积。本实施例中所采用的级联空洞卷积层的感受野计算公式如下：
[0050][0051]
其中，rf
i 1
表示当前层的感受野，rfi表示上一层的感受野，d表示空洞率，k表示空洞卷积核的大小，si表示之前所有层的步长的乘积。
[0052]
dilate-block空洞卷积核为3
×
3，步长为1，最上层采用的空洞率分别为1、2、4，由公式得到对应的感受野为3、7、15，因此最后一个图上的特征点将在第一个中心特征图上看到15
×
15个点，可以覆盖encoder输出特征图上的主要部分，扩大接受范围。4层并行的级联空洞卷积，从上到下感受野分别为15、7、3、1，可以融合多分辨率特征。
[0053]
解码器(decoder)采用转置卷积单元(trans-block)对特征图上采样，decoder包含4个trans-block，trans-block结构如图3trans-block框图所示，第一个1
×
1卷积将特征图通道数下降4倍，输入到3
×
3转置卷积对特征图上采样，最后通过第二个1
×
1卷积将特征图通道恢复到输出通道数，实现特征图上采样。同时采用跳跃连接将第五、四、三下采样层的连接到第一、二、三trans-block的输出中，相加后输入到下一trans-block中，以此恢复上采样过程中可以使用的空间信息。第四trans-block输出的特征以此通过4
×
4的转置卷积和空洞率为1的3
×
3空洞卷积后，采用softmax获得概率输出，最终得到2*512*512大小的输出结果。
[0054]
s2、选取高分辨率影像数据，影像数据选择红、绿、蓝三波段真彩色组合，并统一拉伸为8bit位深。标注信息为影像对应的光伏发电设施标注矢量，统一为shp格式。利用语义分割样本制作工具，样本瓦片裁剪步长取256像素，将影像和矢量标注裁剪为512
×
512像素大小的瓦片样本数据集，标注信息为栅格化的0/1二值化标签，0为背景，1为正样本光伏目标区域，裁剪之后筛选剔除光伏区域有效占比低于10％的样本，以此制作得到整个光伏发电设施样本集psset；
[0055]
s3、将整组样本集psset按比例划分为训练集、验证集、测试集，训练集训练网络模型参数，验证集验证网络模型并选择最优超参数，测试集测试网络模型性能和评价精度；
[0056]
s4、将样本训练集输入到步骤1构建好的网络pvsnet中进行学习训练。每一轮训练中，输入网络前对样本进行动态增强，随机选取部分样本图片进行水平翻转和垂直翻转。训练过程中，采用adam算法作为优化器，设置批处理数量(batch size)，初始学习率(learning rate)等参数，学习率设置固定迭代次数梯度下降，损失函数为计算网络提取结果与样本真值标注之间相似度的交叉熵，并以此进行反向传播更新模型优化器权重。交叉熵方程为：
[0057][0058]
其中，pred是网络的输出向量，gt是对应的真值标签，n指输出样本类别数。
[0059]
每一轮训练结束后，将验证集输入网络中获取分割结果，分割结果与样本真值标签计算取混淆矩阵，将验证集所有样本混淆矩阵叠加得到验证集整体混淆矩阵，并根据混淆矩阵计算召回率recall、精确率precision、交并比iou、f值作为精度指标。
[0060]
以上诉精度指标判断本轮训练模型提取效果，其中，以本轮训练验证集iou值判断本轮训练模型是否为当前最优模型，如果是最优模型则进行保存。训练过程中同时按照固定间隔保存网络模型，以此训练过程不断迭代，直到训练终止。
[0061]
s5、训练结束后，选最优训练模型作为应用模型，输入测试集对应用模型进行测试，将应用模型的提取结果与样本真值标签计算取混淆矩阵，将测试集所有样本结果混淆矩阵叠加得到测试集整体混淆矩阵，并根据混淆矩阵计算召回率recall、精确率precision、交并比iou、f值作为精度数据评价应用模型提取精度，将测试集所有样本提取结果输出二值化分割结果，查看应用模型提取空间效果。其中，以f值判断模型总体提取精度，f值大于阈值即为满足提取要求。
[0062]
s6、只用光伏区域制作的正样本训练，可能会出现提取模型错检率较高，因此本方法提出负样本补充训练机制，提高光伏分割网络提取精度，具体过程为：
[0063]
利用第一次训练后测试集得到的伪光伏区域示例，将其判断归类，在原始影像上标记光伏发电设施负样本区域，以此更新样本标注矢量，按照s2和s3重新生成光伏发电设施样本集pnsset，新增的负样本标签设置为2。
[0064]
利用更新后的样本数据集pnsset，重新划分训练集、验证集、测试集，按照4、5重新训练和测试模型。训练中，因增加负样本，模型类别修改为3类，测试中，负样本区域在结果输出和计算精度时归为背景，不参与计算。可以多次迭代负样本补充过程，提高模型提取光伏目标区域精度，直到f值满足总体提取要求，保存最终提取模型。
[0065]
s7、利用训练好的模型，采用2米分辨率影像，进行大范围光伏发电设施提取，影像通过滑窗处理，分块输入到网络中得到光伏发电设施提取二值图，分块结果通过合并接边处理，得到完整的二值变化结果。二值变化结果采用聚类处理进行分类后处理，删除碎小斑点和填充空洞。最后将后处理结果矢量化，并对矢量边界进行平滑处理，输出获得最终光伏发电设施区域矢量标注数据，实现大范围光伏发电设施的高精度自动提取。
[0066]
实施例2
[0067]
本实施例以山西省部分地区高分辨率影像数据为例，给出了一种光伏发电设施遥感智能提取方法的具体实施过程，包括如下步骤：
[0068]
步骤1、以pytorch作为开发框架，基于语义分割模型d-linknet构建提取网络pvsnet，本方案pvsnet设计接收3
×
512
×
512大小的影像样本作为输入，编码器(encoder)基于预训练的resnet34网络，采用五个下采样层提取深层影像特征；中间扩张层(dilate-block)采用4层并行的级联空洞卷积，以此扩大接受范围，融合多尺度特征，保存空间信息；解码器(decoder)采用四层转置卷积单元对特征图上采样,同时采用跳跃连接引入底层的空间位置信息，恢复原始图像中的细节信息；最后采用softmax获得概率输出结果；。图2为pvsnet网络结构图，构建的提取网络具体结构为：
[0069]
编码器(encoder)包含五个下采样层，每个下采样层特征图大小降为一半，特征图通道数增加一倍，第一下采样层卷积核设置为3
×
3，步长为2，第二三四五下采样层，先利用最大值池化层对特征图进行下采样，再利用残差单元(res-block)进行卷积操作增加特征
图通道数。res-block结构如图2res-block框图所示，由两个3
×
3卷积组成，f(x)路径通过卷积操作拟合残差，x路径恒等映射到输出，f(x) x经过relu激活后直接作为下一个block的输入x。二三四五下采样层采用的res-block数量分别为3、4、6、3。最终encoder输出特征图为512
×
16
×
16。
[0070]
扩张层(dilate-block)采用4层并行的级联空洞卷积。级联空洞卷积层的感受野计算公式如下：
[0071][0072]
其中，rf
i 1
表示当前层的感受野，rfi表示上一层的感受野，d表示空洞率，k表示空洞卷积核的大小，si表示之前所有层的步长的乘积。
[0073]
本实施例中的扩张层dilate-block结构图如图3所示，空洞卷积核为3
×
3，步长为1，最上层采用的空洞率分别为1、2、4，由公式得到对应的感受野为3、7、15，因此最后一个图上的特征点将在第一个中心特征图上看到15
×
15个点，可以覆盖encoder输出特征图上的主要部分，扩大接受范围。4层并行的级联空洞卷积，从上到下感受野分别为15、7、3、1，可以融合多分辨率特征。
[0074]
解码器(decoder)采用转置卷积单元(trans-block)对特征图上采样，decoder包含4个trans-block，trans-block结构如图2trans-block框图所示，第一个1
×
1卷积将特征图通道数下降4倍，输入到3
×
3转置卷积对特征图上采样，最后通过第二个1
×
1卷积将特征图通道恢复到输出通道数，实现特征图上采样。同时采用跳跃连接将第五、四、三下采样层的连接到第一、二、三trans-block的输出中，相加后输入到下一trans-block中，以此恢复上采样过程中可以使用的空间信息。第四trans-block输出的特征以此通过4
×
4的转置卷积和空洞率为1的3
×
3空洞卷积后，采用softmax获得概率输出，最终得到2*512*512大小的输出结果。
[0075]
步骤2、选取山西省少量高分辨率影像数据，影像数据选择红、绿、蓝三波段真彩色组合，并统一拉伸为8bit位深。标注信息为影像对应的光伏发电设施标注矢量，统一为shp格式。利用语义分割样本制作工具，样本瓦片裁剪步长取256像素，将影像和矢量标注裁剪为512
×
512像素大小的瓦片样本数据集，标注信息为栅格化的0/1二值化标签，0为背景，1为正样本光伏目标区域，裁剪之后筛选剔除光伏区域有效占比低于10％的样本，以此制作得到整个光伏发电设施样本集psset，总计1238组，图4为样本集中一组样本数据对；
[0076]
步骤3、将psset整组样本集按8:1:1比例划分为训练集trset、验证集vaset、测试集teset，其中，训练集用于训练网络模型参数，验证集用于验证网络模型并选择最优超参数，测试集用于测试网络模型泛化性能和评价精度；
[0077]
步骤4、将样本训练集trset输入到步骤1构建好的网络pvsnet中进行学习训练。每一轮训练中，输入网络前对样本进行动态增强，随机选取部分样本图片进行水平翻转和垂直翻转，提高样本丰富性。训练时采用adam算法作为优化器，初始学习率为0.001，学习率每50个epoch减半，损失函数为计算网络提取结果pred与样本真值标注gt之间相似度的交叉熵，并以此进行反向传播更新模型优化器权重。交叉熵方程为：
[0078][0079]
其中，p是网络的输出向量，g是对应的真值标签，n指输出样本类别数。
[0080]
每一轮训练结束后，将验证集vaset输入到网络中获取分割结果，分割结果与样本真值标签计算取混淆矩阵，将验证集vaset所有样本混淆矩阵叠加得到验证集整体混淆矩阵，并根据混淆矩阵计算召回率recall、精确率precision、交并比iou、f值作为精度指标，其中混淆矩阵具体为：
[0081][0082]
据此，精度计算公式为：
[0083]
recall＝tp/(tp fn)
[0084]
precision＝tp/(tp fp)
[0085]
iou＝tp/(tp fn fp)
[0086]
f＝(2
×
recall
×
precision)/(recall precision)
[0087]
以上诉精度指标判断本轮训练模型提取效果，其中，以本轮训练验证集iou值判断本轮训练模型是否为当前最优模型bm，如果是最优模型则进行保存，初次训练时，最优模型iou值为0.82。训练过程中同时按照固定间隔保存网络模型，以此训练过程不断迭代，直到达到设置的训练epoch，训练终止。
[0088]
步骤5、训练结束后，选最优训练模型作为应用模型，输入测试集teset对应用模型进行测试，将应用模型的提取结果与样本真值标签计算取混淆矩阵，将测试集teset所有样本结果混淆矩阵叠加得到测试集整体混淆矩阵，并根据混淆矩阵计算召回率recall、精确率precision、交并比iou、f值作为精度数据评价应用模型提取精度，将测试集teset所有样本提取结果输出二值化分割结果，查看应用模型提取空间效果。其中，以f值判断模型总体提取精度，f值大于阈值0.9即为满足提取要求。
[0089]
初次训练后，模型在测试集上f值为0.88，提取结果显示错检伪光伏区域较多，导致精确率较低，模型不满足提取要求。图5是初次正样本训练后测试集结果示意图；
[0090]
步骤6、只用光伏区域制作的正样本训练，可能会出现提取模型错检率较高，因此本方法提出负样本补充训练机制，提高光伏分割网络提取精度，具体过程为：
[0091]
利用第一次训练后测试集得到的伪光伏区域示例，将其判断归类，在原始影像上标记光伏发电设施负样本区域，以此更新样本标注矢量，按照s2和s3重新生成光伏发电设施样本集pnsset，其中，样本集更新前后类别标签变化如下：
[0092][0093]
图6是第一次训练后补充的负样本示意图；
[0094]
利用更新后的样本数据集pnsset，重新划分训练集、验证集、测试集，按照步骤4、5重新训练和测试模型，训练中，因增加负样本，模型类别修改为3类，测试中，负样本区域在输出和计算精度时归为背景，不参与计算。可以多次迭代负样本补充过程，提高模型提取光伏目标区域精度，直到f值满足总体提取要求，保存最终提取模型。本实例补充负样本后应用模型iou为0.87，在测试集上f值为0.92。图7是补充负样本训练后测试集结果示意图；
[0095]
步骤8、利用训练好的模型，采用2米分辨率影像，进行山西省范围光伏发电设施提取，影像通过滑窗处理，分块输入到网络中得到光伏发电设施提取二值图，分块结果通过合并接边处理，得到完整的二值变化结果。本实施例中所采用的二值变化结果采用聚类处理进行分类后处理，删除碎小斑点和填充空洞。最后将分类后处理结果矢量化，并对矢量边界进行平滑处理，输出获得最终光伏发电设施区域矢量标注数据，如图8为山西省遥感影像提取光伏发电设施成果示意图和局部结果放大图。
[0096]
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
[0097]
本发明公开了一种光伏发电设施遥感智能提取方法，该方法基于遥感影像数据，以语义分割方法为核心，构建自动提取网络模型，利用标注的大量光伏发电设施影像样本，可以对构建的自动提取网络模型进行训练，学习光伏发电设施的深层影像特征，经过反复迭代测试，获取最优训练模型，实现遥感影像数据上的大范围光伏发电设施的快速自动提取，从而提高光伏设施的提取效率和精度，为后续的应用要求提供保障。
[0098]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。