欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022104993535
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于SE‑UNet深度学习网络的遥感影像小麦种植区域提取方法,其特征在于,包括以下步骤:

11)基础数据的获取:获取Landsat‑8OLI遥感影像数据,并对其进行预处理,利用ArcGIS软件勾画小麦区域矢量,标注出Landsat‑8OLI影像中的小麦区域原始影像数据尺寸为256×256×3,标签数据尺寸为256×256×1,获得预处理后的遥感影像数据;

12)小麦种植区域提取网络的构建:基于SE‑UNet网络构建小麦种植区域提取网络;

13)小麦种植区域提取网络的训练:利用预处理后的遥感影像数据对小麦种植区域提取网络进行训练;

14)待提取遥感影像的获得:获取待提取遥感影像并进行预处理;

15)遥感影像小麦种植区域的提取:将预处理后的待提取遥感影像输入训练后的小麦种植区域提取网络,提取出遥感影像小麦种植区域。

2.根据权利要求1所述的一种基于SE‑UNet深度学习网络的遥感影像小麦种植区域提取方法,其特征在于,所述小麦种植区域提取网络的构建包括以下步骤:

21)搭建UNet网络模型,UNet网络采用对称的编码器‑解码器结构,以UNet网络作为基本框架来提取特征;

22)设定编码器通过3×3卷积、Relu激活函数和2×2池化来下采样提取特征信息,经过池化后将特征图通道数量不变,尺寸缩小为原来的一半,共进行4次下采样,下采样率为16倍,其中在Relu激活函数前的BN层用来抑制过拟合问题;

23)设定解码器通过转置卷积来进行4次上采样将特征图恢复到原图分辨率,同时在每一个水平阶段使用跳跃链接的方式将高级语义特征与浅层特征相融合,最后通过Softmax作为分类层,将图片像素分割为两类,一类为背景,另一类是提取的小麦区域;

24)在每个双层卷积模块后加入SE模块,SE模块用于分析特征图中通道之间的关系并为每个通道提供对应的权重,其通过模型学习自动获取每个特征通道的重要性;

25)设定SE模块。

3.根据权利要求1所述的一种基于SE‑UNet深度学习网络的遥感影像小麦种植区域提取方法,其特征在于,所述小麦种植区域提取网络的训练包括以下步骤:

31)将预处理后的遥感影像数据输入小麦种植区域提取网络,训练中,选择Adam optimizer函数作为参数优化器,使用交叉熵函数作为损失函数,初始学习率为0.0001、训练迭代次数为100、步长大小为8;

32)通过小麦种植区域提取网络中UNet编码器的卷积和池化进行特征提取,解码器使用上采样产生的特征图与左侧特征图进行融合,过程中每个双层卷积模块后通过SE模块来自动获取每个特征通道的重要性,来加强特征表达能力较强的通道;

33)再经过两次卷积操作,生成特征图;

34)利用一个1×1卷积进行通道调整,将最终特征层的通道数调整成类别数。

4.根据权利要求2所述的一种基于SE‑UNet深度学习网络的遥感影像小麦种植区域提取方法,其特征在于,所述设定SE模块包括以下步骤:

41)设定SE模块包含压缩操作和激励操作,压缩操作对大小为W×H×C的特征图进行全局平均池化,压缩为1×1×C向量;激励操作使用一个全连接神经网络,对压缩操作之后的结果做一个非线性变换,最后使用激励操作得到的结果作为权重,乘到输入特征上;

42)设网络的输出的特征为U,U的尺寸为(H,W,C),其中,H、W、C分别为高、宽和通道数;

将第c维特征图uc进行压缩操作,记为Fsq,输出zc,将所有特征图经过压缩操作输出记为z,z的形状为1×1×C,计算公式表示如下:其中,Fsq表示对特征进行压缩操作,uc为输入特征图的第c维特征,W、H表示特征的宽和高,i和j是特征图在空间维的坐标;

43)将z进行激励操作,记为Fex,结果为s,计算公式表示如下:s=Fex(z,w)=σ(w2,δ(w1,z)),

式中,w、w1和w2分别全连接层中的权重,σ和δ分别表示Sigmoid和Relu激活函数;

44)将经过通道权重相乘操作,记作Fscale,即将s加权到每个通道的特征上,输出为计算公式表示如下:其中,Fscale(uc,sc)代表着标量sc与特征uc之间的对应通道乘积。