一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法技术

本发明专利技术实施例公开了一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法。所述方法包括：获取待检测图像；将所述待检测图像输入至遥感地类变化检测模型内进行检测，以得到检测结果图片；输出所述检测结果图片；其中，所述遥感地类变化检测模型是指通过以土地利用年度更新成果作为样本库训练Unet++神经网络模型所得的。通过实施本发明专利技术实施例的方法可实现提升地类图斑更新工作的效率，提高地类变化检测的精度、查准率、查全率和正确率，且实用性强。实用性强。实用性强。

【技术实现步骤摘要】
一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法


[0001]本专利技术涉及地类变化检测方法，更具体地说是指一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法。

技术介绍

[0002]随着城镇化速度的不断加快，地表覆盖类别的变化愈来愈频繁，变化情况也愈来愈复杂，同时包含无人机遥感在内的遥感技术不断发展，影像分辨率进一步提升，对于地表的观测精度也在不断提升,这些情况都对当前的地类更新和变化检测技术提出了更高的要求。
[0003]目前县区图斑更新主要依靠人机交互下的半手工绘制,虽然计算机的引入一定程度上减少了人工，但是持续性的人机交互式工作方式，使得操作人员受到自身经验和操作习惯制约，图斑成果有较强的主观性，图斑缺漏情况难以预估，且需要大量的时间和人力。目前采用的地类检测方法包括分类后比较法和直接比较法，其，分类后比较法的变化检测的结果主要受分类精度不足的制约，在进行分类后的变化检测时，精度的误差会成倍传递到检测过程中，使得检测结果精度大大降低，特别在地表覆盖物的类别众多，在需要对多种地类进行分割的情况下，多分类的精度误差和交叉比较的复杂性，都将成倍影响分类后进行变化检测的误差；而直接比较法是指不预先对多时相影像进行分类，而是直接对影像中变化区域进行提取的方法。这种方法直接高效，但是通常不能区别变化类型。在引入各类分类和提取算法后，人工的主观干预仍然对提取结果又较大的影响。特别在直接分类法中，变化部分的提取精度极大依赖阈值的确定，各类方法的阈值确定往往使用在统计学辅助下的人工规定，对于变化的提取精度可控性较低，且难以实现全自动化处理。虽然也有采用深度学习模型进行地类变化检测，但是模型的针对性强，普适性不足，当前的变化检测方法和模型，往往根据某一特定任务进行设计和实验，在更换数据源或者实验环境后难以保持有效性。在直接提取方法中，阈值的选取方法都在相当的程度上依赖统计学的计算结果，在任务目标与统计目标不一致时，统计学无法进行自动阈值选取也没有办法对人工阈值起到良好的辅助效果。具体地，基于U型网络根据差异图进行变化检测因丢失影像中丰富的原始信息，导致变化检测精度不高，而基于U型网络根据多时相数据直接进行变化检测，尽可能保留前后时相影像中包含的丰富信息，变化检测精度有一定的提升，但模型在细节上的检出能力依然较弱，预测的变化结果中大量细节信息丢失，变化区域边界与标注结果有着一定的差距，无法检出部分小范围图斑。
[0004]因此，有必要设计一种新的方法，实现提升地类图斑更新工作的效率，提高地类变化检测的精度、查准率、查全率和正确率，且实用性强。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供一种基于优化后Unet++神经网络深
度学习的遥感地类变化检测方法。
[0006]为实现上述目的，本专利技术采用以下技术方案：一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法，包括：
[0007]获取待检测图像；
[0008]将所述待检测图像输入至遥感地类变化检测模型内进行检测，以得到检测结果图片；
[0009]输出所述检测结果图片；
[0010]其中，所述遥感地类变化检测模型是指通过以土地利用年度更新成果作为样本库训练Unet++神经网络模型所得的。
[0011]其进一步技术方案为：所述遥感地类变化检测模型是指通过以土地利用年度更新成果作为样本库训练Unet++神经网络模型所得的，包括：
[0012]以土地利用年度更新成果为基础制作深度学习所需的地类变化样本库；
[0013]依据所述地类变化样本库制作训练集、验证集和测试集；
[0014]构建Unet++神经网络模型；
[0015]设置损失函数，并设置Unet++神经网络模型的综合损失函数中对应的不同深度U型网络分支的权重，将主干与分支的损失函数加权平均，以得到最终的模型损失函数；设置初始学习率以及优化策略；
[0016]将所述训练集输入优化后的Unet++神经网络模型进行训练，以损失函数为指标，以得到训练结果；将所述测试集输入至训练后的模型，提取各级特征，将输出的下采样过程中每层提取的特征对应的分割结果进行融合，以得到输出的结果图片，与测试集中的真值进行对比，测试通过的模型可作为遥感地类变化检测模型。
[0017]其进一步技术方案为：所述构建Unet++神经网络模型，包括：
[0018]对四个U型网络的下采样通道合并，并将四个U型模型共同整合为一个模型，以得到Unet++神经网络模型；
[0019]其中，Unet++神经网络模型的主干为最深的U型网络，分支为不同层数的U型网络，分支由对应的下采样层引出，每个分支的损失函数根据分支情况进行选择和权重调整，并将每个分支的损失函数共同组合成最终的模型损失函数。
[0020]其进一步技术方案为：所述将所述训练集输入Unet++神经网络模型进行训练，以得到训练结果，包括：
[0021]将所述训练集输入Unet++神经网络模型进行训练，且将同一层的特征提取的结果相互连通，以得到训练结果。
[0022]其进一步技术方案为：所述损失函数收敛策略是如果最终的模型损失函数连续三次不下降，返回最近一次保存的训练结果，同时学习率减半，使用Adam优化器进行极值计算。
[0023]本专利技术还提供了遥感地类变化检测装置，包括：
[0024]图像获取单元，用于获取待检测图像；
[0025]检测单元，用于将所述待检测图像输入至遥感地类变化检测模型内进行检测，以得到检测结果图片；
[0026]输出单元，用于输出所述检测结果图片。
[0027]其进一步技术方案为：还包括模型生成单元，用于通过以土地利用年度更新成果作为样本库训练Unet++神经网络模型，以得到遥感地类变化检测模型。
[0028]其进一步技术方案为：所述模型生成单元包括：
[0029]样本库制作子单元，用于以土地利用年度更新成果为基础制作深度学习所需的地类变化样本库；
[0030]数据集制作子单元，用于依据所述地类变化样本库制作训练集、验证集和测试集；
[0031]构建子单元，用于构建Unet++神经网络模型；
[0032]损失函数构建子单元，用于设置损失函数，并设置Unet++神经网络模型的综合损失函数中对应的不同深度U型网络分支的权重，将主干与分支的损失函数加权平均，以得到最终的模型损失函数；
[0033]优化子单元，用于设置初始学习率以及优化策略；训练子单元，用于将所述训练集输入Unet++神经网络模型进行训练，以得到训练结果；
[0034]保存子单元，用于以损失函数为指标保存训练结果；
[0035]测试子单元，用于将所述测试集输入至训练后的模型，提取各级特征，将输出的下采样过程中每层提取的特征对应的分割结果进行融合，以得到输出的结果图片，且测试通过的模型可作为遥感地类变化检测模型。
[0036]本专利技术还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化后Unet++神经网络深度学习的遥感地类变化检测方法，其特征在于，包括：获取待检测图像；将所述待检测图像输入至遥感地类变化检测模型内进行检测，以得到检测结果图片；输出所述检测结果图片；其中，所述遥感地类变化检测模型是指通过以土地利用年度更新成果作为样本库训练Unet++神经网络模型所得的。2.根据权利要求1所述的基于优化后Unet++神经网络深度学习的遥感地类变化检测方法，其特征在于，所述遥感地类变化检测模型是指通过以土地利用年度更新成果作为样本库训练Unet++神经网络模型所得的，包括：以土地利用年度更新成果为基础制作深度学习所需的地类变化样本库；依据所述地类变化样本库制作训练集、验证集和测试集；构建Unet++神经网络模型的结构；将所述训练集输入Unet++神经网络模型进行训练，以设置的损失函数不可再优化为指标，保存训练结果；将所述测试集输入至训练后的模型，提取各级特征，将输出的下采样过程中每层提取的特征对应的分割结果进行融合，以得到输出的结果图片，并与测试集对应的实际结果进行对比，符合通过要求的模型可作为遥感地类变化检测模型；其中，构建Unet++神经网络模型的结构，包括：设置符合使用场景的损失函数，并设置Unet++神经网络模型的综合损失函数中对应的不同深度U型网络分支的权重，设置初始学习率以及优化策略，以完成对Unet++模型的优化。3.根据权利要求2所述的基于优化后Unet++神经网络深度学习的遥感地类变化检测方法，其特征在于，所述设置符合使用场景的损失函数，并设置Unet++神经网络模型的综合损失函数中对应的不同深度U型网络分支的权重，设置初始学习率以及优化策略，以完成对Unet++模型的优化，包括：设置符合使用场景的损失函数，并设置Unet++神经网络模型的综合损失函数中对应的不同深度U型网络分支的权重，设置初始学习率以及优化策略；对四个U型网络的下采样通道合并，并将四个U型模型共同整合为一个模型，以得到Unet++神经网络模型；其中，Unet++神经网络模型的主干为最深的U型网络，分支为不同层数的U型网络，分支由对应的下采样层引出，每个分支的损失函数根据分支模型的特点选择的损失函数，并通过权重调整，并将每个分支的损失函数共同组合成最终的模型损失函数。4.根据权利要求2所述的基于优化后Unet++神经网络深度学习的遥感地类变化检测方法，其特...

【专利技术属性】
技术研发人员：余华芬，汤富平，唐伟，吴臻涵，沈培芳，王慧，蔡东燕，吴迪，邱媛媛，
申请(专利权)人：浙江省测绘科学技术研究院，
类型：发明
国别省市：