一种基于深度学习的耕地地块提取方法与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.本发明解决其技术问题所采用的技术方案是：
6.一种基于深度学习的耕地地块提取方法，包括如下步骤：
7.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；
8.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；
9.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；
10.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；
11.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；
12.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；
13.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；
14.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。
15.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；
16.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；
17.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。
18.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。
19.进一步地，对步骤1中的原始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。
20.进一步地，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。
21.进一步地，步骤2中的地块矢量标注时，且将其耕地地块标签值设为1，非耕地标签值设为0。
22.进一步地，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。
23.进一步地，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。
24.进一步地，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。
25.进一步地，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。
26.本发明与现有技术相比具有以下优点：
27.1、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。
28.2、本发明采用多种分辨率，多季节的影像作为训练样本，提高耕地地块识别模型的鲁棒性，减少季节因素的影响。
29.3、本发明通过伪标签制作，扩充训练样本，缓解人工勾画样本成本高，样本少的问题。
附图说明
30.图1为本发明的基于深度学习的耕地地块提取方法的工作流程图。
具体实施方式
31.下面结合附图及实施例描述本发明具体实施方式：
32.需要说明的是，本说明书所附图中示意的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
33.同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
34.实施例
35.本发明的实施例是一种基于深度学习的耕地地块提取方法，具体流程参照图1，本发明实施例的具体步骤如下：
36.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；
37.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；
38.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；
39.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；
40.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；
41.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；
42.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；
43.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。
44.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；
45.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；
46.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。
47.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。
48.具体而言，对步骤1中的原始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。
49.具体而言，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。
50.具体而言，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。
51.具体而言，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。
52.具体而言，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。
53.具体而言，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。
54.具体而言，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。
55.上面结合附图对本发明优选实施方式作了详细说明，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
56.不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。