CN116503590B 一种多光谱无人机遥感影像作物分割方法 （西北农林科技大学）

本发明提供了一种多光谱无人机遥感影像据集。步骤四，构建深度语义分割模型：在植被指数和OSAVI优化型土壤调节植被指数通2将步骤101中得到的遥感影像数据导入Pix4Dmapper软件进行二维重建osvr表示优化行土壤调节植被指数；将计算得到的归一化植被指数、优化行土壤调节植被指数和步骤102中得到的五个波卷积注意力模型对输入的多光谱遥感图像经过植被指数融合和骨干网络处理后得到At的具体计算公式下所示：再将输入的特征图F与通道注意力图At进行融合得到带有通道注意力权重的特征通3T在空间注意力模块中首先经过平均池化和最大池化操作来聚合功能映射的通道最后将特征通道图FT与空间注意力图AK融合得到包括通道权重和位置权重的输出特征根据拍摄地点无人机影像和当地农作物种植分布，并结合实际需求采用步骤五中训练完成的深度语义分割模型，对多光谱无人机拍4构建精度较高的模型需要大量增加模型的参数量，如果在深度学习模型中添加注意力机[0006](C)现有方法的遥感影响分割存在检测精度低的问题，难以满足土地调查法时精5[0016]将步骤四得到的深度语义分割模型，采用步骤三得到的训练样本数据集进行训不充分和其对图像的通道信息和位置信息关限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范6[0041]所述的植被指数包括归一化植被指数和优化行土壤调节植被指数，计算公式如[0049]将计算得到的归一化植被指数、优化行土壤调节植被指数和步骤102中得到的五据按照0.5的重叠率裁剪为512像素×512像素大小的训练数据影像，并将无人机影像与标[0057]Deeplab系列于2015年Chen等首次提出，其是在VGG_16骨架网络基础上改进得到7断融合语义分割领域的新成果，受金字塔场景解析网络(PyramidSceneParsingNetwork，PSPNet)启发，在ResNet骨架网络上提出DeepLabv2，使用空洞空间金字塔池[0061]卷积注意力模型对输入的多光谱遥感图像经过植被指数融合和骨干网络处理后[0070]再将输入的特征图F与通道注意力图At进行融合得到带有通道注意力权重的特征T在空间注意力模块中首先经过平均池化和最大池化操作来聚合功能映射的通8[0075]最后将特征通道图FT与空间注意力图AK融合得到包括通道权[0082]将步骤四得到的深度语义分割模型，采用步骤三得到的训练样本数据集进行训RTX2080Ti显卡，采用Tensorflow1.14.0深度学习框架构建网络，软件环境为Anaconda(python3.6)。将构建好的多光谱无人机遥感影像数据集输入深度学习模型中进行训练学新园附近地域进行拍摄，无人机飞行高度130米(426FT)，航向重叠率85旁向重叠率9中心相对于机载D一RTK天线相位中心的位置，已在照片EXIF坐标中进行补偿，然后使用经裁剪得到大小为5800×5000的影[0097]根据拍摄地点无人机影像和当地农作物种植分布，划分为3种农作物类型，即大无人机影像以及标签数据按照0.5的重叠率裁剪为512像素×512像素大小的训练数据影2080Ti显卡，采用Tensorflow1.14.0深度学习框架构建网络，软件环境为Anaconda于,本对比例去掉了上述应用例中的步骤二植被指数提取模块和步骤四中的卷积注意力机于,本对比例去掉了上述应用例中的步骤二植被指数提取模块，其它步骤与上述应用例相于,本对比例去掉了上述应用例中步骤四的卷积注意力机制模块,其它步骤与上述应用例[0106]将本发明上述应用例给出的多光谱无人机遥感影像作物分割方法与如如对比例1至3给出的语义分割算法对无人机影像的作类结果更为准确。因为植被指数通道能够将不同农作物以及农作物与杂草之间的差异放DeepLabv3+模型的ASPP结构使用不同的扩张率时会导致模型分割不连续，农田分割不完分类方法使用ENVI软件提供的监督学习SVM(SupportVectorMachineClassification)各类别之间感兴趣区域平衡。对于五个深度学习模型均使用上文所述创建好的标准数据杂草等视为农作物。而深度学习通过卷积和池化等操作能够有效的提取影像的纹理特征，分割图中的农田比较完整。其中U_Net模型和SegNet