CN113392748A - 一种基于卷积神经网络的遥感影像耕地信息提取方法 - Google Patents
一种基于卷积神经网络的遥感影像耕地信息提取方法 Download PDFInfo
- Publication number
- CN113392748A CN113392748A CN202110633521.0A CN202110633521A CN113392748A CN 113392748 A CN113392748 A CN 113392748A CN 202110633521 A CN202110633521 A CN 202110633521A CN 113392748 A CN113392748 A CN 113392748A
- Authority
- CN
- China
- Prior art keywords
- layer
- pixel
- image
- data
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims abstract 2
- 238000011176 pooling Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的遥感影像耕地信息提取方法，所述方法如下：A、数据预处理，通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；B、构建遥感影像库，C、卷积神经网络模型建立及训练，D、遥感影像信息提取分类；E、耕地信息空间统计分析；以某区域landsat8影像数据作为数据源，利用ENVI5.3软件对影像数据预处理，其既可以解决目视解译的耗时费力问题，也可实现精准识别分类遥感影像数据，为今后关于遥感影像提取分类的研究应用提供了可行的技术方法，提升了我国耕地管理效率，使得农业监测更加科学化、现代化。
Description
技术领域
本发明涉及一种遥感影像耕地信息提取方法，具体涉及一种基于卷积神经网络的遥感影像耕地信息提取方法，属于遥感影像耕地信息提取方法技术领域。
背景技术
农业是国民经济的基础，耕地是农业发展和农业现代化的根基命脉，保障国家粮食的基石；耕地面积和空间分布信息是精确农业、粮食生产等农业领域的基础数据，因此精准快速的调查出耕地的空间分布状况对人类的生产生活、国家的监督管理以及耕地保护至关重要；目前耕地面积的估算通常采用人工统计或传统遥感监测的方法，其中人工统计方法容易受人为因素的影响，并难以快速的获取信息，费时费力；而遥感技术具有覆盖面积广、探测周期短等特点，能够快速的提取出耕地的空间分布及面积；传统的遥感影像监督分类方法采用浅层特征提取，很难提取像素的有效特征，另外需要过多的人工参与，影响了信息提取结果的准确性。
发明内容
为解决上述问题，本发明提出了一种基于卷积神经网络的遥感影像耕地信息提取方法，通过改进网络结构，基于卷积神经网络AlexNet模型与HOG和LBP局部特征提取相融合的方法，提高了影像信息提取的精度和效率，能够快速精准影像识别分类，为遥感影像精准快速的信息提取提供技术支持，对耕地资源管理、农业生产、耕地红线等研究具有重要意义。
本发明的基于卷积神经网络的遥感影像耕地信息提取方法，所述方法如下：
A、数据预处理，以某区域landsat8影像数据作为数据源，由于遥感影像在成像过程中，会产生一定程度的变形，因此，需要利用ENVI5.3软件对影像数据预处理，在影像识别分类之前需对影像进行预处理以增强影像质量，还原影像真实信息；以增强影像质量，为影像识别奠定良好的基础；通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；
B、构建遥感影像库，遥感影像库是卷积神经网络模型训练的基础，遥感影像的丰富度直接影响着卷积神经网络的训练精度；遥感影像库包含通过网络爬虫收集到公开的真实类别图，以及对目标区域目视解译出的部分影像，通过智能化批量方法将影像大小统一为相同像素300*300，图像与类别一一对应，其中类别分为耕地和其他两种；最终形成遥感影像库；其中遥感影像库包括训练图像和验证图像，且其数量比例为9:1；如最终形成1000张图像的遥感影像库，其中900张图像为训练图像，100张图像为验证图像；
C、卷积神经网络模型建立及训练，利用改进的AlexNet模型完成特征融合运算，其将卷积神经网络中的全局特征和HOG、LBP的局部特征提取在AlexNet模型上进行空间位置的交互融合；HOG提取的是边缘形状特征，LBP提取局部纹理特征，将HOG特征、LBP特征和经过AlexNet提取的全局特征进行加权融合，使图像特征更加明显，进而可提高遥感影像分类识别的准确率；融合公式为：F=WAlexNetFAlexnet+WHOGFHOG+WLBPFLBP；
其中：F是融合后的特征，WAlexNet为全局特征的权重，FAlexnet为全局特征，WHOG为HOG的权重，FHOG为HOG提取的局部特征，WLBP为LBP的权重，FLBP为LBP的局部特征；
D、遥感影像信息提取分类：将处理好的目标区域的遥感影像数据输入训练好的卷积神经网络模型进行信息提取分类识别，获取耕地信息，至少包括耕地范围信息；
E、耕地信息空间统计分析：基于分类后的耕地信息进行区域内的面积统计以及布局分析。
2、根据权利要求1所述的基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：改进的所述AlexNet-CNN模型网络的各层参数如下设置：
第一层输入数据为原始图像的300*300*3的图像；
第二层为卷积层a，第一个卷积层的核大小为11*11，有96个卷积核，原始图像被卷积核进行卷积，产生的新图像尺寸为74像素，第一层有96个卷积核，最终形成74*74*96像素层，共分为2组数据74*74*48，作为后面层数的卷积操作的输入；
池化处理：将第一个卷积层形成的图像进行池化处理，池化运算的尺度设为3*3，步长为2，经过池化处理后的像素为37*37*96；
局部响应归一化层(LRN)：最后进行LRN操作，将像素的数值进行归一化运算，归一化向量的尺度为5*5，在经过第一层卷积、池化的操作结束后形成的输出图像的尺寸大小为37*37*96，生成96个新的卷积核，这96层数据分为2组，每组48个像素层；
第三层为卷积层b，第二个卷积层的输入数据是第一个卷积层的输出37*37*96的像素层；将其分为2组像素层，每组像素数据层被5*5*48的卷积核进行卷积的运算，一共有256个卷积核，形成37*37*128的两组像素层；
池化处理运算后的图像尺寸为18，即池化后像素的规模为2组18*18*128的像素层；
局部响应归一化层(LRN)：最后经过归一化处理，将像素的数值进行归一化运算，归一化向量的尺度为5*5，将生成256个新的卷积核，这156个数据分为2组，每组128个像素层；
第四层为卷积层c，输入数据是第三层18*18*128的像素层，分为 2 组像素数据层，每组像素数据被3*3的卷积核进行卷积运算，一共有384个卷积核,生成18*18*192两组像素层；
第五层为卷积层d，输入数据为第四层18*18*192的像素层，为了方便后续处理，分为2组像素数据层，每组像素数据被3*3的卷积核卷积，一共有384个卷积核，生成18*18*192两组像素层；
第六层为卷积层e，输入数据为第五层18*18*192的像素层，分为2组像素数据层，每组像素数据被 3*3的卷积核卷积，一共有256个卷积核，生成18*18*128两组像素层；
池化层：进过池化运算，池化后像素的尺寸为6，即池化后像素层的尺寸变成了两组7*7*128的像素层，共7*7*256=12544规模的像素层；
第七层就是全连接的第一层，AlexNet卷积得到的12544维的向量，经过HOG特征提取得到的是11664维，经过LBP得到的是26维，输入到全连接网络，全连接一共是三层，第一层输出是512，第二层输出是256，第三层输出是19；
第八层也是全连接层，将第七层输出的512个数据与第八层的256个数据全连接操作，同第七层的处理方法，通过ReLU激活函数和dropout操作，最后的输出尺寸是256*1，有256个样本的输出卷积神经网络的计算值；
第九层是全连接的最后一层，由上一层的256个数据与19个节点全连接，输出最后的分类标签为耕地和其他两种标签。
进一步地，在激活函数的选择上，将ReLU作为卷积神经网络中的激活函数，f（x）=max（0，x）；根据训练过程中的测试结果的准确性，不断优化完善模型，使模型识别影像的精度达到最优解。
与现有技术相比较，本发明的基于卷积神经网络的遥感影像耕地信息提取方法具有以下优点：
以某区域landsat8影像数据作为数据源，利用ENVI5.3软件对影像数据预处理，以增强影像质量，为影像识别奠定良好的基础；基于预处理后的影像数据进行样本制作，建立遥感影像库；以卷积神经网络为理论背景构建网络训练模型进行网络训练以优化完善模型；通过完善后网络模型对研究区域全部影像进行信息提取，实现耕地信息的提取分类；最终依据分类结果进行空间位置分析与统计；其既可以解决目视解译的耗时费力问题，也可实现精准识别分类遥感影像数据，为今后关于遥感影像提取分类的研究应用提供了可行的技术方法，提升了我国耕地管理效率，使得农业监测更加科学化、现代化。
附图说明
图1为本发明的遥感影像耕地信息提取方法流程示意图。
图2为本发明的改进的AlexNet-CNN模型示意图。
图3为本发明的改进的AlexNet模型融合算法示意图。
具体实施方式
实施例1：
如图1至图3所示的基于卷积神经网络的遥感影像耕地信息提取方法，所述方法如下：
A、数据预处理，以某区域landsat8影像数据作为数据源，由于遥感影像在成像过程中，会产生一定程度的变形，因此，需要利用ENVI5.3软件对影像数据预处理，在影像识别分类之前需对影像进行预处理以增强影像质量，还原影像真实信息；以增强影像质量，为影像识别奠定良好的基础；通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；
B、构建遥感影像库，遥感影像库是卷积神经网络模型训练的基础，遥感影像的丰富度直接影响着卷积神经网络的训练精度；遥感影像库包含通过网络爬虫收集到公开的真实类别图，以及对目标区域目视解译出的部分影像，通过智能化批量方法将影像大小统一为相同像素300*300，图像与类别一一对应，其中类别分为耕地和其他两种；最终形成遥感影像库；其中遥感影像库包括训练图像和验证图像，且其数量比例为9:1；如最终形成1000张图像的遥感影像库，其中900张图像为训练图像，100张图像为验证图像；
C、卷积神经网络模型建立及训练，利用改进的AlexNet模型完成特征融合运算，其将卷积神经网络中的全局特征和HOG、LBP的局部特征提取在AlexNet模型上进行空间位置的交互融合；HOG提取的是边缘形状特征，LBP提取局部纹理特征，将HOG特征、LBP特征和经过AlexNet提取的全局特征进行加权融合，使图像特征更加明显，进而可提高遥感影像分类识别的准确率；融合公式为：F=WAlexNetFAlexnet+WHOGFHOG+WLBPFLBP；
其中：F是融合后的特征，WAlexNet为全局特征的权重，FAlexnet为全局特征，WHOG为HOG的权重，FHOG为HOG提取的局部特征，WLBP为LBP的权重，FLBP为LBP的局部特征；
D、遥感影像信息提取分类：将处理好的目标区域的遥感影像数据输入训练好的卷积神经网络模型进行信息提取分类识别，获取耕地信息，至少包括耕地范围信息；
E、耕地信息空间统计分析：基于分类后的耕地信息进行区域内的面积统计以及布局分析。
其中，改进的所述AlexNet-CNN模型网络的各层参数如下设置：
第一层输入数据为原始图像的300*300*3的图像，
第二层为卷积层a，第一个卷积层的核大小为11*11，有96个卷积核，原始图像被卷积核进行卷积，产生的新图像尺寸为74像素，第一层有96个卷积核，最终形成74*74*96像素层，共分为2组数据74*74*48，作为后面层数的卷积操作的输入；
池化处理：将第一个卷积层形成的图像进行池化处理，池化运算的尺度设为3*3，步长为2，经过池化处理后的像素为37*37*96；
局部响应归一化层(LRN)：最后进行LRN操作，将像素的数值进行归一化运算，归一化向量的尺度为5*5，在经过第一层卷积、池化的操作结束后形成的输出图像的尺寸大小为37*37*96，生成96个新的卷积核，这96层数据分为2组，每组48个像素层；
第三层为卷积层b，第二个卷积层的输入数据是第一个卷积层的输出37*37*96的像素层；将其分为2组像素层，每组像素数据层被5*5*48的卷积核进行卷积的运算，一共有256个卷积核，形成37*37*128的两组像素层；
池化处理运算后的图像尺寸为18，即池化后像素的规模为2组18*18*128的像素层；
局部响应归一化层(LRN)：最后经过归一化处理，将像素的数值进行归一化运算，归一化向量的尺度为5*5，将生成256个新的卷积核，这156个数据分为2组，每组128个像素层；
第四层为卷积层c，输入数据是第三层18*18*128的像素层，分为 2 组像素数据层，每组像素数据被3*3的卷积核进行卷积运算，一共有384个卷积核,生成18*18*192两组像素层；
第五层为卷积层d，输入数据为第四层18*18*192的像素层，为了方便后续处理，分为2组像素数据层，每组像素数据被3*3的卷积核卷积，一共有384个卷积核，生成18*18*192两组像素层；
第六层为卷积层e，输入数据为第五层18*18*192的像素层，分为2组像素数据层，每组像素数据被 3*3的卷积核卷积，一共有256个卷积核，生成18*18*128两组像素层；
池化层：进过池化运算，池化后像素的尺寸为6，即池化后像素层的尺寸变成了两组7*7*128的像素层，共7*7*256=12544规模的像素层；
第七层就是全连接的第一层，AlexNet卷积得到的12544维的向量，经过HOG特征提取得到的是11664维，经过LBP得到的是26维，输入到全连接网络，全连接一共是三层，第一层输出是512，第二层输出是256，第三层输出是19；
第八层也是全连接层，将第七层输出的512个数据与第八层的256个数据全连接操作，同第七层的处理方法，通过ReLU激活函数和dropout操作，最后的输出尺寸是256*1，有256个样本的输出卷积神经网络的计算值；
第九层是全连接的最后一层，由上一层的256个数据与19个节点全连接，输出最后的分类标签为耕地和其他两种标签。
其中，在激活函数的选择上，将ReLU作为卷积神经网络中的激活函数，他是一种非线性函数保持神经元工作的非激活状态，这样也能节省一部分的工作量；f（x）=max（0，x）；根据训练过程中的测试结果的准确性，不断优化完善模型，使模型识别影像的精度达到最优解。
上述实施例，仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。
Claims (3)
1.一种基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：所述方法如下：
A、数据预处理，通过ENVI5.3软件对遥感影像数据进行处理，其包括辐射定标、正射校正、图像融合、信息增强和图像裁剪，最后得到具有高分辨率的遥感影像；
B、构建遥感影像库，遥感影像库包含通过网络爬虫收集到公开的真实类别图，以及对目标区域目视解译出的部分影像，通过智能化批量方法将影像大小统一为相同像素300*300，图像与类别一一对应，其中类别分为耕地和其他两种；最终形成遥感影像库；其中遥感影像库包括训练图像和验证图像，且其数量比例为9:1；
C、卷积神经网络模型建立及训练，利用改进的AlexNet模型完成特征融合运算，其将卷积神经网络中的全局特征和HOG、LBP的局部特征提取在AlexNet模型上进行空间位置的交互融合；HOG提取的是边缘形状特征，LBP提取局部纹理特征，将HOG特征、LBP特征和经过AlexNet提取的全局特征进行加权融合，融合公式为：F=WAlexNetFAlexnet+WHOGFHOG+WLBPFLBP；
其中：F是融合后的特征，WAlexNet为全局特征的权重，FAlexnet为全局特征，WHOG为HOG的权重，FHOG为HOG提取的局部特征，WLBP为LBP的权重，FLBP为LBP的局部特征；
D、遥感影像信息提取分类：将处理好的目标区域的遥感影像数据输入训练好的卷积神经网络模型进行信息提取分类识别，获取耕地信息，至少包括耕地范围信息；
E、耕地信息空间统计分析：基于分类后的耕地信息进行区域内的面积统计以及布局分析。
2.根据权利要求1所述的基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：改进的所述AlexNet-CNN模型网络的各层参数如下设置：
第一层输入数据为原始图像的300*300*3的图像，
第二层为卷积层a，第一个卷积层的核大小为11*11，有96个卷积核，原始图像被卷积核进行卷积，产生的新图像尺寸为74像素，第一层有96个卷积核，最终形成74*74*96像素层，共分为2组数据74*74*48，作为后面层数的卷积操作的输入；
池化处理：将第一个卷积层形成的图像进行池化处理，池化运算的尺度设为3*3，步长为2，经过池化处理后的像素为37*37*96；
局部响应归一化层(LRN)：最后进行LRN操作，将像素的数值进行归一化运算，归一化向量的尺度为5*5，在经过第一层卷积、池化的操作结束后形成的输出图像的尺寸大小为37*37*96，生成96个新的卷积核，这96层数据分为2组，每组48个像素层；
第三层为卷积层b，第二个卷积层的输入数据是第一个卷积层的输出37*37*96的像素层；将其分为2组像素层，每组像素数据层被5*5*48的卷积核进行卷积的运算，一共有256个卷积核，形成37*37*128的两组像素层；
池化处理运算后的图像尺寸为18，即池化后像素的规模为2组18*18*128的像素层；
局部响应归一化层(LRN)：最后经过归一化处理，将像素的数值进行归一化运算，归一化向量的尺度为5*5，将生成256个新的卷积核，这156个数据分为2组，每组128个像素层；
第四层为卷积层c，输入数据是第三层18*18*128的像素层，分为 2 组像素数据层，每组像素数据被3*3的卷积核进行卷积运算，一共有384个卷积核,生成18*18*192两组像素层；
第五层为卷积层d，输入数据为第四层18*18*192的像素层，为了方便后续处理，分为2组像素数据层，每组像素数据被3*3的卷积核卷积，一共有384个卷积核，生成18*18*192两组像素层；
第六层为卷积层e，输入数据为第五层18*18*192的像素层，分为2组像素数据层，每组像素数据被 3*3的卷积核卷积，一共有256个卷积核，生成18*18*128两组像素层；
池化层：进过池化运算，池化后像素的尺寸为6，即池化后像素层的尺寸变成了两组7*7*128的像素层，共7*7*256=12544规模的像素层；
第七层就是全连接的第一层，AlexNet卷积得到的12544维的向量，经过HOG特征提取得到的是11664维，经过LBP得到的是26维，输入到全连接网络，全连接一共是三层，第一层输出是512，第二层输出是256，第三层输出是19；
第八层也是全连接层，将第七层输出的512个数据与第八层的256个数据全连接操作，同第七层的处理方法，通过ReLU激活函数和dropout操作，最后的输出尺寸是256*1，有256个样本的输出卷积神经网络的计算值；
第九层是全连接的最后一层，由上一层的256个数据与19个节点全连接，输出最后的分类标签为耕地和其他两种标签。
3.根据权利要求2所述的基于卷积神经网络的遥感影像耕地信息提取方法，其特征在于：在激活函数的选择上，将ReLU作为卷积神经网络中的激活函数，f（x）=max（0，x）；根据训练过程中的测试结果的准确性，不断优化完善模型，使模型识别影像的精度达到最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633521.0A CN113392748B (zh) | 2021-06-07 | 2021-06-07 | 一种基于卷积神经网络的遥感影像耕地信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110633521.0A CN113392748B (zh) | 2021-06-07 | 2021-06-07 | 一种基于卷积神经网络的遥感影像耕地信息提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113392748A true CN113392748A (zh) | 2021-09-14 |
| CN113392748B CN113392748B (zh) | 2023-06-30 |
Family
ID=77618399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110633521.0A Active CN113392748B (zh) | 2021-06-07 | 2021-06-07 | 一种基于卷积神经网络的遥感影像耕地信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392748B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663771A (zh) * | 2022-04-14 | 2022-06-24 | 中国农业科学院农业资源与农业区划研究所 | 一种基于分区分层理论的山区耕地智能化提取方法 |
| CN115631372A (zh) * | 2022-10-18 | 2023-01-20 | 菏泽市土地储备中心 | 基于土壤遥感数据的土地信息分类管理方法 |
| CN115690591A (zh) * | 2023-01-05 | 2023-02-03 | 速度时空信息科技股份有限公司 | 基于深度学习的遥感影像耕地非农变化的检测方法 |
| CN115761346A (zh) * | 2022-11-22 | 2023-03-07 | 山东农业工程学院 | 一种基于多模型融合的遥感图像分类方法 |
| CN116052018A (zh) * | 2023-03-31 | 2023-05-02 | 北京数慧时空信息技术有限公司 | 基于终身学习的遥感影像解译方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
| US20180342020A1 (en) * | 2017-05-24 | 2018-11-29 | Remote Grid Pte. Ltd. | System, method and apparatus for management of agricultural resource |
| CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及*** |
| CN112101271A (zh) * | 2020-09-23 | 2020-12-18 | 台州学院 | 一种高光谱遥感影像分类方法及装置 |
-
2021
- 2021-06-07 CN CN202110633521.0A patent/CN113392748B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
| US20180342020A1 (en) * | 2017-05-24 | 2018-11-29 | Remote Grid Pte. Ltd. | System, method and apparatus for management of agricultural resource |
| CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及*** |
| CN112101271A (zh) * | 2020-09-23 | 2020-12-18 | 台州学院 | 一种高光谱遥感影像分类方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 徐风;苗哲;业巧林;: "基于卷积注意力模块的端到端遥感图像分类", 林业工程学报, no. 04 * |
| 王云艳;罗冷坤;周志刚;: "基于反卷积高层特征的遥感地物图像分类", 计算机工程与应用, no. 11 * |
| 高侃;王卓薇;: "基于高分二号影像的森林和耕地的提取方法", 工业控制计算机, no. 05 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663771A (zh) * | 2022-04-14 | 2022-06-24 | 中国农业科学院农业资源与农业区划研究所 | 一种基于分区分层理论的山区耕地智能化提取方法 |
| CN115631372A (zh) * | 2022-10-18 | 2023-01-20 | 菏泽市土地储备中心 | 基于土壤遥感数据的土地信息分类管理方法 |
| CN115761346A (zh) * | 2022-11-22 | 2023-03-07 | 山东农业工程学院 | 一种基于多模型融合的遥感图像分类方法 |
| CN115690591A (zh) * | 2023-01-05 | 2023-02-03 | 速度时空信息科技股份有限公司 | 基于深度学习的遥感影像耕地非农变化的检测方法 |
| CN115690591B (zh) * | 2023-01-05 | 2023-03-31 | 速度时空信息科技股份有限公司 | 基于深度学习的遥感影像耕地非农变化的检测方法 |
| CN116052018A (zh) * | 2023-03-31 | 2023-05-02 | 北京数慧时空信息技术有限公司 | 基于终身学习的遥感影像解译方法 |
| CN116052018B (zh) * | 2023-03-31 | 2023-10-27 | 北京数慧时空信息技术有限公司 | 基于终身学习的遥感影像解译方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113392748B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113392748B (zh) | 一种基于卷积神经网络的遥感影像耕地信息提取方法 | |
| Khattak et al. | Automatic detection of citrus fruit and leaves diseases using deep neural network model | |
| CN110210463B (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
| Zhu et al. | In-field automatic observation of wheat heading stage using computer vision | |
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
| CN107688856B (zh) | 基于深度强化学习的室内机器人场景主动识别方法 | |
| Yang et al. | High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| Li et al. | SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation | |
| Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
| CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
| CN110647932A (zh) | 一种种植作物结构遥感影像分类方法及装置 | |
| CN117743975A (zh) | 山坡耕地土壤环境改良方法 | |
| CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
| CN112446350A (zh) | 一种改进YOLOv3复杂棉田背景下棉花检测方法 | |
| CN116681929A (zh) | 一种麦类作物病害图像识别方法 | |
| Guo et al. | Dual-concentrated network with morphological features for tree species classification using hyperspectral image | |
| Balasubramaniyan et al. | Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification | |
| Kumawat et al. | Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping | |
| Xue et al. | Automatic identification of butterfly species based on gray-level co-occurrence matrix features of image block | |
| CN112597907A (zh) | 基于深度学习的柑橘红蜘蛛虫害的识别方法 | |
| CN117252459A (zh) | 一种基于深度学习的水果质量评估*** | |
| CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和*** | |
| Javeriya | Faster-RCNN based deep learning model for pomegranate diseases detection and classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |