本发明专利技术公开了一种基于遥感数据的耕地识别统计方法及系统，所属技术领域为图像识别领域，包括：获取遥感影像数据，对所述遥感影像数据进行逐帧提取，获得遥感图像数据；对所述遥感图像数据进行处理，获得处理数据集；基于卷积神经网络和长短时记忆网络构建知识蒸馏模型，通过样本集对所述知识蒸馏模型进行训练，获得耕地特征识别模型；将所述处理数据集输入至所述耕地特征识别模型中进行计算，获得耕地识别结果。本发明专利技术通过使用长短时记忆网络作为教师网络，可以将这种对时序信息的敏感性传递给卷积神经网络，有助于提高卷积神经网络的泛化能力，提高耕地识别统计的能力。
【技术实现步骤摘要】
本专利技术属于图像识别领域，特别是涉及一种基于遥感数据的耕地识别统计方法及系统。
技术介绍
1、现有技术中，耕地面积的测量统计主要是靠人工测量实现，测量面积的方法落后，不能准确的测出耕地面积，测量的方法通常为将耕地的形状看成三角形和长方形计算，但是由于许多耕地的形状是不规则的，导致测量面积和实际面积不等。由于遥感技术的发展，遥感图像的成像质量也在提高，里面包含了丰富的颜色纹理信息。许多学者使用机器学习方法，在遥感图像上，实现了对耕地区域的分割。但是由于遥感图像中耕地区域的背景十分的复杂，包含许多的噪声信息，对耕地的分割效果产生了极大的干扰，导致利用机器学习的方法分割耕地的效果不是很好。随着深度学习技术的兴起，许多领域所研究的问题都通过引入深度学习技术来解决，耕地的提取任务也引入了深度学习技术。因为遥感影像的数量极多，满足了深度学习模型需要大量数据训练的需求，所以深度学习在耕地提取任务中取得了不错的效果。
2、但是由于遥感数据存在大量的时序信息，而长短时记忆网络对处理时序信息有较好的效果，但是长短时记忆网络对图像处理方面并不突出，卷积神经网络具有良好的图像处理能力，因此如何将长短时记忆网络和卷积神经网络结合处理耕地识别过程中的遥感数据成为了亟需解决的难题。
技术实现思路
1、本专利技术的目的是提供一种基于遥感数据的耕地识别统计方法及系统，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于遥感数据的耕地识别统计方法及系统，包括：
3、获取遥感影像数据，对所述遥感影像数据进行逐帧提取，获得遥感图像数据；
4、对所述遥感图像数据进行处理，获得处理数据集；
5、基于卷积神经网络和长短时记忆网络构建知识蒸馏模型，通过样本集对所述知识蒸馏模型进行训练，获得耕地特征识别模型；
6、将所述处理数据集输入至所述耕地特征识别模型中进行计算，获得耕地识别结果。
7、优选的，获取遥感影像数据，对所述遥感影像数据进行逐帧提取，获得遥感图像数据的过程包括：
8、获取所述遥感影像数据，对所述遥感影像数据进行辐射校正处理，获得校正影像数据；
9、设置相似度阈值，对所述校正影像数据进行逐帧提取，计算帧图像之间的相似度，基于所述相似度阈值对所述帧图像进行筛选，获得所述遥感图像数据；
10、所述遥感影像数据包括地表数据和遥感数据；
11、所述地表数据至少包括可见光数据、多光谱数据、高光谱数据、红外线数据、雷达数据；
12、所述遥感数据至少包括地表反射率、温度、地形高程、植被覆盖信息。
13、优选的，对所述遥感影像数据进行辐射校正处理的过程包括：
14、对所述遥感影像数据进行大气校正处理，获得大气校正数据；
15、基于地物光谱反射特性度对所述大气校正数据进行校正，获得地表反射校正数据；
16、基于传感器的非线性响应和波段之间的交叉影响对所述地表反射校正数据进行传感器反应校正，获得传感器校正数据；
17、设置地面控制点，基于所述地面控制点对所述传感器校正数据进行几何校正，获得所述校正影像数据。
18、优选的，对所述遥感图像数据进行处理，获得处理数据集的过程包括：
19、将所述处理数据集进行数据清洗，获得清洗数据；
20、将所述清洗数据进行离差标准化处理，获得所述处理数据集。
21、优选的，所述获得耕地特征识别模型的过程包括：
22、构建长短时记忆网络，并获取耕地特征数据集；
23、通过所述长短时记忆网络对所述耕地特征数据集进行向前传播，获得长短时记忆网络的输出；
24、构建卷积神经网络模型，将所述长短时记忆网络的输出作为目标标签，并引入温度参数对所述卷积神经网络模型进行训练，直至学习完成后输出，获得所述耕地特征识别模型。
25、优选的，所述构建卷积神经网络模型，将所述长短时记忆网络的输出作为目标标签，并引入温度参数对所述卷积神经网络模型进行训练，直至学习完成后输出，获得所述知识蒸馏模型的过程包括：
26、构建卷积神经网络模型，并构建注意力机制学习模块；
27、将所述注意力学习模块导入至所述卷积神经网络模型中的卷积层的前三层中，获得注意力决策模型；
28、将所述注意力决策模型在耕地特征的数据调度平衡的任务上进行微调，获得改进的卷积网络模型；
29、通过rbms算法对所述改进的卷积网络模型进行预训练，在所述改进的卷积网络模型络完成数据的权重分布学习后结束训练，获得优化后的卷积网络模型；
30、通过所述长短时记忆网络的输出作为目标标签，并引入温度参数以及监督学习损失函数和蒸馏损失函数对所述优化后的卷积网络模型进行训练，获得所述耕地特征识别模型。
31、优选的，所述引入温度参数以及监督学习损失函数和蒸馏损失函数对所述优化后的卷积网络模型进行训练的过程还包括：冻结所述优化后的卷积网络模型的底层参数，将所述优化后的卷积网络模型的上层参数进行优化，获得所述耕地特征识别模型。
32、优选的，将所述处理数据集输入至所述耕地特征识别模型中进行计算，获得耕地识别结果的过程包括：
33、将所述处理数据集输入至所述耕地特征识别模型中进行计算，获得耕地特征划分图像；
34、基于耕地区域将所述耕地特征划分图像进行三维化处理并通过不同颜色进行标注，获得所述耕地识别结果。
35、为实现上述目的，本专利技术还提供了一种基于遥感数据的耕地识别统计系统，包括：
36、数据获取模块，用于获取遥感影像数据，对所述遥感影像数据进行逐帧提取，获得遥感图像数据；
37、数据处理模块，与所述数据处理模块连接，用于对所述遥感图像数据进行处理，获得处理数据集；
38、模型构建模块，与所述数据处理模块连接，用于基于卷积神经网络和长短时记忆网络构建知识蒸馏模型，通过样本集对所述知识蒸馏模型进行训练，获得耕地特征识别模型；
39、结果生成模块，与所述模型构建模块连接，用于将所述处理数据集输入至所述耕地特征识别模型中进行计算，获得耕地识别结果。
40、本专利技术的技术效果为：
41、由于长短时记忆网络在处理时序数据时表现出色，可以更好地捕捉遥感数据中的时空关系。本专利技术通过使用长短时记忆网络作为教师网络，可以将这种对时序信息的敏感性传递给卷积神经网络，有助于提高卷积神经网络的泛化能力，提高耕地识别统计的能力，并且遥感数据通常包含大量的空间和时间特征。长短时记忆网络能够捕捉到数据中的时序关系，帮助识别不同时刻和地点的特征。将这些特征传递给卷积神经网络，可以使学生模型更好地理解遥感图像中的复杂关系。
本文档来自技高网...
【技术保护点】
1.一种基于遥感数据的耕地识别统计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于遥感数据的耕地识别统计方法，其特征在于，获取遥感影像数据，对所述遥感影像数据进行逐帧提取，获得遥感图像数据的过程包括：
3.根据权利要求2所述的基于遥感数据的耕地识别统计方法，其特征在于，对所述遥感影像数据进行辐射校正处理的过程包括：
4.根据权利要求1所述的基于遥感数据的耕地识别统计方法，其特征在于，对所述遥感图像数据进行处理，获得处理数据集的过程包括：
5.根据权利要求1所述的基于遥感数据的耕地识别统计方法，其特征在于，所述获得耕地特征识别模型的过程包括：
6.根据权利要求5所述的基于遥感数据的耕地识别统计方法，其特征在于，所述构建卷积神经网络模型，将所述长短时记忆网络的输出作为目标标签，并引入温度参数对所述卷积神经网络模型进行训练，直至学习完成后输出，获得所述知识蒸馏模型的过程包括：
7.根据权利要求6所述的基于遥感数据的耕地识别统计方法，其特征在于，所述引入温度参数以及监督学习损失函数和蒸馏损失函数对所述优化后的卷积网络模型进行训练的过程还包括：冻结所述优化后的卷积网络模型的底层参数，将所述优化后的卷积网络模型的上层参数进行优化，获得所述耕地特征识别模型。
8.根据权利要求1所述的基于遥感数据的耕地识别统计方法，其特征在于，将所述处理数据集输入至所述耕地特征识别模型中进行计算，获得耕地识别结果的过程包括：
9.一种基于遥感数据的耕地识别统计系统，用于实现权利要求1-8所述的方法，其特征在于，包括：
...
【技术特征摘要】
1.一种基于遥感数据的耕地识别统计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于遥感数据的耕地识别统计方法，其特征在于，获取遥感影像数据，对所述遥感影像数据进行逐帧提取，获得遥感图像数据的过程包括：
3.根据权利要求2所述的基于遥感数据的耕地识别统计方法，其特征在于，对所述遥感影像数据进行辐射校正处理的过程包括：
4.根据权利要求1所述的基于遥感数据的耕地识别统计方法，其特征在于，对所述遥感图像数据进行处理，获得处理数据集的过程包括：
5.根据权利要求1所述的基于遥感数据的耕地识别统计方法，其特征在于，所述获得耕地特征识别模型的过程包括：
6.根据权利要求5所述的基于遥感数据的耕地识别统计方法，其特征在于，所述构建卷积神经网...
【专利技术属性】
技术研发人员：徐飞，
申请(专利权)人：浙江财经大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。