CN116503590B 一種多光譜無人機遙感影像作物分割方法 （西北農林科技大學）

本發(fā)明提供了一種多光譜無人機遙感影像據(jù)集。步驟四，構建深度語義分割模型：在植被指數(shù)和OSAVI優(yōu)化型土壤調節(jié)植被指數(shù)通2將步驟101中得到的遙感影像數(shù)據(jù)導入Pix4Dmapper軟件進行二維重建osvr表示優(yōu)化行土壤調節(jié)植被指數(shù)；將計算得到的歸一化植被指數(shù)、優(yōu)化行土壤調節(jié)植被指數(shù)和步驟102中得到的五個波卷積注意力模型對輸入的多光譜遙感圖像經過植被指數(shù)融合和骨干網絡處理后得到At的具體計算公式下所示：再將輸入的特征圖F與通道注意力圖At進行融合得到帶有通道注意力權重的特征通3T在空間注意力模塊中首先經過平均池化和最大池化操作來聚合功能映射的通道最后將特征通道圖FT與空間注意力圖AK融合得到包括通道權重和位置權重的輸出特征根據(jù)拍攝地點無人機影像和當?shù)剞r作物種植分布，并結合實際需求采用步驟五中訓練完成的深度語義分割模型，對多光譜無人機拍4構建精度較高的模型需要大量增加模型的參數(shù)量，如果在深度學習模型中添加注意力機[0006](C)現(xiàn)有方法的遙感影響分割存在檢測精度低的問題，難以滿足土地調查法時精5[0016]將步驟四得到的深度語義分割模型，采用步驟三得到的訓練樣本數(shù)據(jù)集進行訓不充分和其對圖像的通道信息和位置信息關限于以下具體實施例，凡在本申請技術方案基礎上做的等同變換均落入本發(fā)明的保護范6[0041]所述的植被指數(shù)包括歸一化植被指數(shù)和優(yōu)化行土壤調節(jié)植被指數(shù)，計算公式如[0049]將計算得到的歸一化植被指數(shù)、優(yōu)化行土壤調節(jié)植被指數(shù)和步驟102中得到的五據(jù)按照0.5的重疊率裁剪為512像素×512像素大小的訓練數(shù)據(jù)影像，并將無人機影像與標[0057]Deeplab系列于2015年Chen等首次提出，其是在VGG_16骨架網絡基礎上改進得到7斷融合語義分割領域的新成果，受金字塔場景解析網絡(PyramidSceneParsingNetwork，PSPNet)啟發(fā)，在ResNet骨架網絡上提出DeepLabv2，使用空洞空間金字塔池[0061]卷積注意力模型對輸入的多光譜遙感圖像經過植被指數(shù)融合和骨干網絡處理后[0070]再將輸入的特征圖F與通道注意力圖At進行融合得到帶有通道注意力權重的特征T在空間注意力模塊中首先經過平均池化和最大池化操作來聚合功能映射的通8[0075]最后將特征通道圖FT與空間注意力圖AK融合得到包括通道權[0082]將步驟四得到的深度語義分割模型，采用步驟三得到的訓練樣本數(shù)據(jù)集進行訓RTX2080Ti顯卡，采用Tensorflow1.14.0深度學習框架構建網絡，軟件環(huán)境為Anaconda(python3.6)。將構建好的多光譜無人機遙感影像數(shù)據(jù)集輸入深度學習模型中進行訓練學新園附近地域進行拍攝，無人機飛行高度130米(426FT)，航向重疊率85旁向重疊率9中心相對于機載D一RTK天線相位中心的位置，已在照片EXIF坐標中進行補償，然后使用經裁剪得到大小為5800×5000的影[0097]根據(jù)拍攝地點無人機影像和當?shù)剞r作物種植分布，劃分為3種農作物類型，即大無人機影像以及標簽數(shù)據(jù)按照0.5的重疊率裁剪為512像素×512像素大小的訓練數(shù)據(jù)影2080Ti顯卡，采用Tensorflow1.14.0深度學習框架構建網絡，軟件環(huán)境為Anaconda于,本對比例去掉了上述應用例中的步驟二植被指數(shù)提取模塊和步驟四中的卷積注意力機于,本對比例去掉了上述應用例中的步驟二植被指數(shù)提取模塊，其它步驟與上述應用例相于,本對比例去掉了上述應用例中步驟四的卷積注意力機制模塊,其它步驟與上述應用例[0106]將本發(fā)明上述應用例給出的多光譜無人機遙感影像作物分割方法與如如對比例1至3給出的語義分割算法對無人機影像的作類結果更為準確。因為植被指數(shù)通道能夠將不同農作物以及農作物與雜草之間的差異放DeepLabv3+模型的ASPP結構使用不同的擴張率時會導致模型分割不連續(xù)，農田分割不完分類方法使用ENVI軟件提供的監(jiān)督學習SVM(SupportVectorMachineClassification)各類別之間感興趣區(qū)域平衡。對于五個深度學習模型均使用上文所述創(chuàng)建好的標準數(shù)據(jù)雜草等視為農作物。而深度學習通過卷積和池化等操作能夠有效的提取影像的紋理特征，分割圖中的農田比較完整。其中U_Net模型和SegNet