【技术实现步骤摘要】
本专利技术涉及遥感影像领域，具体来说，涉及一种基于深度学习的塑料大棚旋转目标检测方法。
技术介绍
1、塑料大棚能够构建小环境，为作物、蔬果提供适宜的生长条件，大大提高了作物、蔬果的产量，塑料大棚技术逐渐成熟，具备了集约化、规模化的优势，然而塑料大棚的迅速扩张也带来了环境问题，集约化的农业模式导致了土壤中氮、磷及重金属元素的富集，造成土壤盐碱化和地下水污染，且土壤中残留的塑料会破坏土壤中的微生物平衡，同时塑料薄膜的长期使用会增多二氧化碳、甲烷等温室气体的排放，加剧温室效应，但塑料大棚仍是目前最高效、最具成本效益的农业手段，提高了农民收入水平保障粮食安全，因此快速、准确地获取塑料大棚的分布信息，可以辅助管理者进行农业生产规划和环境污染治理。
2、传统的塑料大棚分布信息测绘方法费时费力，不能满足塑料大棚的大范围监测的需要，而遥感技术具有监测范围广、访问周期短、信息丰富的优势，为塑料大棚的自动检测提供了可靠的数据和高效的方法，而目前用于塑料大棚监测的方法有三类，基于索引的方法、基于分类器的方法和基于深度学习的方法，实现了较大范围的塑料大棚自动检测，在塑料大棚分布较为密集的场景下检测的结果较为准确，考虑到光谱特征的局限性，通过利用纹理特征和光谱特征搭建分类器进行塑料大棚测绘，同时考虑到地形特征引入多种分类器，提高塑料大棚的检测精度。
3、而上述方法，在使用中存在以下问题，塑料大棚因材料、季节、使用时长、管理策略等因素的不同而表现出不同的光谱响应，这导致索引只适用于某个地区塑料大棚的提取，不具备泛化能力，同时基于分类
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种基于深度学习的塑料大棚旋转目标检测方法，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、一种基于深度学习的塑料大棚旋转目标检测方法，包括以下步骤：
4、s1、根据季节变化分类获取塑料大棚的遥感影像，并对塑料大棚遥感影像进行滑动切割获取样本数据集；
5、s2、划分样本数据集并进行数据增强，将数据增强后的样本数据集迭代训练，获取超参数模型，并对超参数模型进行验证；
6、s3、通过验证后的超参数模型检测塑料大棚的遥感影像，获取初步检测结果；
7、s4、通过后处理算法对初步检测结果进行筛选，并基于筛选结果进行影像瓦片拼接，获得最终检测结果。
8、作为优选方案，根据季节变化分类获取塑料大棚的遥感影像，并对塑料大棚遥感影像进行滑动切割获取样本数据集包括以下步骤：
9、s11、基于形态大小通过遥感影像获取塑料大棚的遥感影像，并基于遥感影像获取时间按季节分类塑料大棚的遥感影像；
10、s12、通过滑动切割算法对季节分类后的塑料大棚遥感影像进行切割，获取遥感瓦片影像；
11、s13、根据遥感瓦片影像，通过目视解译方法勾画塑料大棚坐标，并基于塑料大棚坐标生成样本数据集。
12、作为优选方案，划分样本数据集并进行数据增强，将数据增强后的样本数据集迭代训练，获取超参数模型，并对超参数模型进行验证包括以下步骤：
13、s21、将样本数据集划分为训练数据集和验证数据集；
14、s22、通过混合增强算法对训练数据集进行数据增强；
15、s23、基于pytorch框架构建塑料大棚旋转目标检测模型；
16、s24、通过数据增强后的训练数据集对塑料大棚旋转目标检测模型训练，获取超参数模型，基于验证数据集对超参数模型进行精度评价，并根据精度评价结果筛选超参数模型。
17、作为优选方案，通过后处理算法对初步检测结果进行筛选，并基于筛选结果进行影像瓦片拼接，获得最终检测结果包括以下步骤：
18、s41、对初步检测结果进行非极大值抑制，并使用加权非极大值抑制方法，消除初步检测结果中同一目标大棚的重复检测框；
19、s42、对消除重复检测框的影像瓦片进行拼接，获得最终检测结果。
20、作为优选方案，通过混合增强算法对训练数据集进行数据增强包括以下步骤：
21、s221、提取训练数据集中的图像值，并基于贝塔分布获取训练数据集的采样值；
22、s222、基于混合增强算法，通过图像值和采样值计算混合图像值和混合目标检测框；
23、s223、将混合图像值和混合目标检测框代入训练数据集进行数据增强。
24、作为优选方案，基于混合增强算法，通过图像值和采样值计算混合图像值和混合目标检测框的计算公式为：
25、
26、其中，为混合图像值；
27、为混合目标检测框；
28、μ为贝塔分布中随机采样的值；
29、mi为训练数据集中第i个图像的输入向量值；
30、mj为训练数据集中第j个图像的输入向量值；
31、ni为训练数据集中第i个图像的检测样本框；
32、nj为训练数据集中第j个图像的检测样本框。
33、作为优选方案，基于pytorch框架构建塑料大棚旋转目标检测模型包括以下步骤：
34、s231、通过pytorch框架构建塑料大棚旋转目标检测模型，并搭建深度残差网络主干，引入通道注意力机制优化塑料大棚旋转目标检测模型的特征提取能力；
35、s232、基于通道注意力机制中的全局平均池化和两个全连接层，对塑料大棚旋转目标检测模型中特征图进行加权；
36、s233、利用解耦头结构将料大棚旋转目标检测模型中的分类和回归任务分离，同时添加角度检测器以识别旋转目标，输出五参坐标；
37、s234、使用广义瓦瑟斯坦距离作为损失函数进行优化塑料大棚旋转目标检测模型。
38、作为优选方案，通过数据增强后的训练数据集对塑料大棚旋转目标检测模型训练，获取超参数模型，基于验证数据集对超参数模型进行精度评价，并根据精度评价结果筛选超参数模型包括以下步骤：
39、s241、将训练数据集投入塑料大棚旋转目标检测模型，对塑料大棚旋转目标检测模型进行迭代训练；
40、s242、使用验证数据集对迭代训练后的塑料大棚旋转目标检测模型进行精度评价。
41、作为优选方案，通过pytorch框架构建塑料大棚旋转目标检测模型，并搭建深度残差网络主干，引入通道注意力机制优化塑料大棚旋转目标检测模型的特征提取能力的计算公式为：
42、
【技术保护点】
1.一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述根据季节变化分类获取塑料大棚的遥感影像，并对塑料大棚遥感影像进行滑动切割获取样本数据集包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述划分样本数据集并进行数据增强，将数据增强后的样本数据集迭代训练，获取超参数模型，并对超参数模型进行验证包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述通过后处理算法对初步检测结果进行筛选，并基于筛选结果进行影像瓦片拼接，获得最终检测结果包括以下步骤：
5.根据权利要求3所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述通过混合增强算法对训练数据集进行数据增强包括以下步骤：
6.根据权利要求5所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述基于混合增强算法，通过图像值和采样值计算混合图像值和混合目标
7.根据权利要求6所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述基于Pytorch框架构建塑料大棚旋转目标检测模型包括以下步骤：
8.根据权利要求7所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述通过数据增强后的训练数据集对塑料大棚旋转目标检测模型训练，获取超参数模型，基于验证数据集对超参数模型进行精度评价，并根据精度评价结果筛选超参数模型包括以下步骤：
9.根据权利要求7所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述通过Pytorch框架构建塑料大棚旋转目标检测模型，并搭建深度残差网络主干，引入通道注意力机制优化塑料大棚旋转目标检测模型的特征提取能力的计算公式为：
10.根据权利要求8所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述将训练数据集投入塑料大棚旋转目标检测模型，对塑料大棚旋转目标检测模型进行迭代训练的计算公式为：
...【技术特征摘要】
1.一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述根据季节变化分类获取塑料大棚的遥感影像，并对塑料大棚遥感影像进行滑动切割获取样本数据集包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述划分样本数据集并进行数据增强，将数据增强后的样本数据集迭代训练，获取超参数模型，并对超参数模型进行验证包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述通过后处理算法对初步检测结果进行筛选，并基于筛选结果进行影像瓦片拼接，获得最终检测结果包括以下步骤：
5.根据权利要求3所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述通过混合增强算法对训练数据集进行数据增强包括以下步骤：
6.根据权利要求5所述的一种基于深度学习的塑料大棚旋转目标检测方法，其特征在于，所述基于...
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。