融合跳跃网络与MaskR-CNN模型的梯田遥感识别方法技术

本发明专利技术公开了融合跳跃网络与Mask R

【技术实现步骤摘要】
融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法


[0001]本专利技术涉及遥感影像梯田识别
，尤其涉及融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法。

技术介绍

[0002]梯田是山区丘陵地带最为常见的基本农田，在保障粮食安全和提升水土保持能力等方面发挥着重要作用。我国梯田数量众多、分布零散、结构复杂，给准确高效的梯田信息获取带来了极大挑战。快速准确地掌握梯田的空间分布，不仅为水土保持提供重要的数据支撑，也提高了山区农业的监管水平。早期的梯田识别主要通过人工实地调查的方式，成本高，时效性低，严重阻碍了大范围的梯田制图。随着遥感技术的迅猛发展，遥感影像分辨率已经达到米级、甚至厘米级，为精细化的梯田信息提取创造了有力条件。特别是利用机器学习等智能化方法，通过从遥感影像中挖掘梯田特性来构建自动化的识别模型，可以大大节省人工解译的时间和成本。因此，在高分辨率遥感影像中利用相关计算模型自动地对梯田进行识别，能够高效地获取梯田信息，对提升梯田智能化监测与管理水平具有重要意义。
[0003]梯田遥感识别的传统方法主要包括傅里叶变换、面向对象以及浅层机器学习等，例如：于浩等在2008年利用傅里叶变换方法识别梯田的纹理特征来辅助陕北地区的梯田识别；党恬敏等在2017年利用面向对象的方法对梯田进行识别；薛牡丹等在2022年利用决策树、KNN和SVM算法来识别梯田信息。虽然这些方法对梯田识别有一定的作用，但它们提取的梯田较为破碎、分散，并且各方法的计算也较为复杂，难以满足智慧农业的精细化管理需求。
[0004]深度学习模型可以自动学习样本的深层次特征，获取高分遥感影像的强语义信息，弥补了传统梯田提取方法只能提取样本浅层特征的不足，所以其逐渐替代传统方法得到应用，并且在精度和效率上均有较大提升。例如，Dai等在2020年基于高分辨率遥感影像和数字高程模型，利用Canny边缘检测与地形分析相结合的方法实现自动绘制梯田；刘巍等在2021年针对山区复杂的地理空间异质性特征，将耕地细分为规则耕地、梯田、坡耕地以及林间耕地，并使用RCF网络模型来提取梯田；Zhao等在2021年利用Unet对梯田进行自动提取；Yu等在2022年利用深度迁移学习方法在像素级层面提取梯田。但这些语义分割模型识别的梯田会产生大范围的粘连，无法准确刻画单一梯田的边界，需要进一步处理才能获得较为准确的梯田信息。例如在对耕地信息的提取中，周楠等在2021年将边缘检测任务融合到语义分割模型中，进行地块级的耕地提取；Jong等在2022年利用以残差网络为骨架的Unet模型来对农田边界进行识别。而实例分割模型可以有效减少地物提取结果的粘连，例如Mei等在2022年利用Mask R
‑
CNN模型在高分辨率图像中对规则的农田地块边界进行了准确地绘制。
[0005]相对于条田和格田，梯田具有形状狭长、轮廓不规则、面积差异大等特点，遥感识别十分困难，主要表现在两个方面。一方面，虽然Mask R
‑
CNN模型可以在一定程度上提取高分辨率遥感影像的深层次信息，但在卷积过程中仍然会丢失大量的细节信息，导致面积较
小、形状狭长的梯田无法准确识别。另一方面，对于集中连片分布的梯田来说，遥感识别结果往往容易出现粘连现象，识别精度有限。因此，为实现梯田信息的准确识别，亟需解决的技术问题是如何依据梯田特性，有效维持高分遥感影像在卷积运算过程中的高语义信息，减少狭长梯田的漏提以及识别结果的粘连情况。为此，本专利技术提出了融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，实现了梯田遥感识别整体精度的显著提升。

技术实现思路

[0006]本专利技术需要解决的技术问题是：如何依据梯田特性，有效维持高分遥感影像在卷积运算过程中的高语义信息，减少狭长梯田的漏提以及识别结果的粘连情况的问题，提出了融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，在梯田遥感识别方面展现出优越性能。
[0007]本专利技术解决其技术问题采用以下的技术方案：
[0008]本专利技术提供的融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，包括以下步骤：
[0009]步骤S1：获取用于梯田识别的高分辨率遥感影像，并进行预处理，包括辐射定标、大气校正、几何校正、波段融合、影像裁剪；
[0010]步骤S2：依据预处理后的高分遥感影像进行人工解译，获取梯田矢量数据样本库并制作模型训练、验证与测试的数据集；
[0011]步骤S3：将跳跃网络与Mask R
‑
CNN模型进行融合，提出JAM
‑
R
‑
CNN模型；
[0012]步骤S4：基于步骤S2得到的训练数据集进行模型训练，再利用验证数据集选择模型最优参数，最后将测试数据集输入到JAM
‑
R
‑
CNN模型中，进行梯田识别与结果评价。
[0013]上述步骤S2中，所述的依据预处理后的高分遥感影像进行人工解译，获取梯田矢量数据样本库并制作模型训练、验证与测试的数据集，包括以下步骤：
[0014]步骤S21：基于步骤S1预处理后的高分遥感影像数据，利用ArcMap软件中的矢量面构建方法绘制梯田地块的矢量数据，非梯田地块不进行绘制，获得研究区内的梯田样本标签数据集；
[0015]步骤S22：基于步骤S21构建的样本数据集，为了便于模型输入，采用重叠平铺策略将影像与标签数据裁剪为M*M大小；
[0016]步骤S23：为了防止模型过拟合，提升模型鲁棒性，基于步骤S22的数据集，采用旋转、翻转的数据增强处理，扩充样本数据集，利用python软件将样本数据集转换为COCO格式，并按比例将数据集划分为训练集、验证集和测试集。
[0017]上述方法中，步骤S22所述的采用重叠平铺策略将影像与标签数据裁剪为M*M大小，包括以下步骤：
[0018]步骤S221：将影像的外围扩充M/4个像元，并以0值填充扩充的像元；
[0019]步骤S222：基于步骤S221得到的扩充影像，从其左上角开始进行滑动裁剪，设置滑动窗口为M/2，即每隔M/2个像元就裁剪一张M*M大小的影像。
[0020]上述步骤S3中，所述的将跳跃网络与Mask R
‑
CNN模型进行融合，提出JAM
‑
R
‑
CNN模型，包括以下步骤：
[0021]步骤S31：在Mask R
‑
CNN模型的特征金字塔模块中，加入跳跃网络，减少高分遥感
影像的语义特征损失，维持全过程的高分辨率细节特征信息；
[0022]步骤S32：选用ResNet 50作为Mask R
‑
CNN模型的骨架，在每层卷积结构之间加入卷积注意力机制，强化梯田的多尺度特征表达；
[0023]步骤S33：在Mask R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，其特征在于，包括以下步骤：步骤S1：获取用于梯田识别的高分辨率遥感影像，并进行预处理，包括辐射定标、大气校正、几何校正、波段融合、影像裁剪；步骤S2：依据预处理后的高分遥感影像进行人工解译，获取梯田矢量数据样本库并制作模型训练、验证与测试的数据集；步骤S3：将跳跃网络与Mask R
‑
CNN模型进行融合，提出JAM
‑
R
‑
CNN模型；步骤S4：基于步骤S2得到的训练数据集进行模型训练，再利用验证数据集选择模型最优参数，最后将测试数据集输入到JAM
‑
R
‑
CNN模型中，进行梯田识别与结果评价。2.根据权利要求1所述的融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，其特征在于：步骤S2中，所述的依据预处理后的高分遥感影像进行人工解译，获取梯田矢量数据样本库并制作模型训练、验证与测试的数据集，包括以下步骤：步骤S21：基于步骤S1预处理后的高分遥感影像数据，利用ArcMap软件中的矢量面构建方法绘制梯田地块的矢量数据，非梯田地块不进行绘制，获得研究区内的梯田样本标签数据集；步骤S22：基于步骤S21构建的样本数据集，为了便于模型输入，采用重叠平铺策略将影像与标签数据裁剪为M*M大小；步骤S23：为了防止模型过拟合，提升模型鲁棒性，基于步骤S22的数据集，采用旋转、翻转的数据增强处理，扩充样本数据集，利用python软件将样本数据集转换为COCO格式，并按比例将数据集划分为训练集、验证集和测试集。3.根据权利要求2所述的融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，其特征在于：步骤S22中，所述的采用重叠平铺策略将影像与标签数据裁剪为M*M大小，包括以下步骤：步骤S221：将影像的外围扩充M/4个像元，并以0值填充扩充的像元；步骤S222：基于步骤S221得到的扩充影像，从其左上角开始进行滑动裁剪，设置滑动窗口为M/2，即每隔M/2个像元就裁剪一张M*M大小的影像。4.根据权利要求1所述的融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，其特征在于：步骤S3中，所述的将跳跃网络与Mask R
‑
CNN模型进行融合，提出JAM
‑
R
‑
CNN模型，包括以下步骤：步骤S31：在Mask R
‑
CNN模型的特征金字塔模块中，加入跳跃网络，减少高分遥感影像的语义特征损失，维持全过程的高分辨率细节特征信息；步骤S32：选用ResNet 50作为Mask R
‑
CNN模型的骨架，在每层卷积结构之间加入卷积注意力机制，强化梯田的多尺度特征表达；步骤S33：在Mask R
‑
CNN模型的区域建议网络模块中，通过计算样本中所有梯田块的外接矩形长宽比来修改模型的原始锚框大小；步骤S34：模型使用交叉熵损失函数来计算模型训练过程中的损失值，并采用随机梯度下降法来不断优化模型寻找全局最优值，从而将模型训练到最优。5.根据权利要求4所述的融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，其特征在于：步骤S31中，所述的加入跳跃网络包括以下步骤：步骤311：在跳跃网络的横向结构中，将每一层特征图通过重复卷积计算来保持每一层
的同分辨率特征图，卷积核大小为3
×
3，以获取更多的高语义特征信息，其中第一层添加3个卷积层，第二层添加2个卷积层，第三层添加1个卷积层；步骤312：在跳跃网络的纵向结构中，将浅层特征图通过卷积的方式不断融入到深层特征图中，丰富深层特征图中的高分辨率信息；步骤313：跳跃网络中所有的连接操作均采用相加的方式，以保留特征图更完整的空间信息，跳跃网络的横向结构和纵向结构的具体计算公式如下：式中，C(m,n)表示第m层第n个跳跃模块的计算结果，Px表示第x层的输出计算结果，Lx表示模型网络骨架第x层的计算结果，Conv1()表示卷积核为3的卷积运算函数，Conv2()表示卷积核为3、步长为2的卷积运算函数，Upsample()表示上采样插值计算函数。6.根据权利要求4所述的融合跳跃网络与Mask R
‑
CNN模型的梯田遥感识别方法，其特征在于：步骤S32中，所述的卷积注意力机制通过通道注意力模块和空间注意力模块两个部分来实现，包括...

【专利技术属性】
技术研发人员：吴浩，谢君洋，林安琪，吴紫薇，胡琼，宋旦霞，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：