一种基于卷积神经网络的农作物识别方法及系统

摘要

本发明涉及一种基于卷积神经网络的农作物识别方法及系统，属于智能识别领域。利用分类器对遥感影像和作物类型参考数据进行分类，得到的作物类型分类标签用于神经网络模型的训练，训练好的神经网络模型可用于高效的大尺度农作物遥感自动化分类。本发明无需人工标签，可直接采用可靠精度的传统方法分类结果作为样本标签，对大量遥感影像进行农作物分类，减少了对影像进行标注的繁琐工作，降低了成本，提高了识别效率和准确率。

说明书

技术领域

本发明涉及智能识别技术领域，特别是涉及一种基于卷积神经网络的农作物识别方法及系统。

背景技术

深度学习在大数据驱动下，逐渐成为遥感影像目标检测、语义分割等领域的研究热点，具有极大的发展潜力。但深度学习方法也存在一定的局限性，对于农作物分类而言，在训练卷积神经网络的时候，需要提供大量的标记样本才能够进行空间特征的提取，一般投入大量人工数字化的工作才能够提取出标记样本，这就需要大量的人力、物力的投入，一定程度上限制了深度学习方法应用农作物分类中的应用。

发明内容

本发明的目的是提供一种降低成本、提高效率的农作物识别方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于卷积神经网络的农作物识别方法，所述识别方法包括：

获取遥感影像和与所述遥感影像相应的作物类型参考数据；

根据所述遥感影像和所述作物类型参考数据，利用分类器进行分类，得到神经网络作物类型分类标签；

将所述作物类型分类标签与所述遥感影像叠加后进行切割，得到瓦片数据；

利用所述瓦片数据训练卷积神经网络，得到训练好的卷积神经网络模型；

利用所述训练好的卷积神经网络模型对待处理的遥感图像进行处理，得到农作物识别结果，并根据识别结果得到农作物的空间分布。

可选的，所述卷积神经网络模型包括依次连接的输入层、第一卷积层、残差网络、金字塔池化模块、第二卷积层和softmax分类层；

所述残差网络包括10个残差块，最后三个残差块包括膨胀卷积层；

所述金字塔池化模块包括并列的四个不同尺度池化层；

softmax分类层采用交叉熵损失函数L(θ)进行处理；

可选的，在所述根据所述遥感影像和所述作物类型参考数据，利用分类器进行分类，得到作物类型分类结果之前还包括：对所述遥感影像预处理，得到标准化遥感影像，具体包括：

获取所述遥感影像；

根据遥感影像传感器类型的定标系数，完成所述遥感影像的辐射定标、大气校正和几何校正，得到预处理遥感图像；

利用深度学习方法检测所述预处理遥感影像的云和云阴影范围，进行去云处理，得到无云遥感影像；

采用中值合成法对多期所述无云遥感影像进行中值合成，得到所述标准化遥感影像。

可选的，所述将所述作物类型分类标签与所述遥感影像叠加后切割，得到瓦片数据具体包括：

获取所述作物类型分类标签与所述遥感影像；

将所述作物类型分类标签与所述遥感影像叠加合并为数据文件；

根据需要按照设定重叠度切割，得到所述瓦片数据。

可选的，所述遥感影像包括作物早期生长阶段遥感图像和作物生长旺盛阶段遥感影像；所述作物类型参考数据包括包含作物类别信息的样点和包含作物类别信息的图斑。

一种基于卷积神经网络的农作物识别系统，所述识别系统包括：

信息获取模块，用于获取遥感影像和与所述遥感影像相应的作物类型参考数据；

分类模块，用于根据所述遥感影像和所述作物类型参考数据，利用分类器进行分类，得到神经网络作物类型分类标签；

叠加与切割模块，用于将所述作物类型分类标签与所述遥感影像叠加后进行切割，得到瓦片数据；

网络训练模块，用于利用所述瓦片数据训练卷积神经网络，得到训练好的卷积神经网络模型；

识别模块，用于利用所述训练好的卷积神经网络模型对待处理的遥感图像进行处理，得到农作物识别结果，并根据识别结果得到农作物的空间分布。

可选的，所述卷积神经网络模型包括依次连接的输入层、第一卷积层、残差网络、金字塔池化模块、第二卷积层和softmax分类层；

所述残差网络包括10个残差块，最后三个残差块包括膨胀卷积层；

所述金字塔池化模块包括并列的四个不同尺度池化层；

softmax分类层采用交叉熵损失函数L(θ)进行处理；

可选的，所述识别系统还包括影像处理模块，所述信息获取模块、所述影像处理模块与所述分类模块依次连接，所述影像处理模块具体包括：

第一获取单元，用于获取所述遥感影像；

遥感影像预处理单元，用于根据遥感影像传感器类型的定标系数，完成所述遥感影像的辐射定标、大气校正和几何校正，得到预处理遥感图像；

去云单元，用于利用深度学习方法检测所述预处理遥感影像的云和云阴影范围，进行去云处理，得到无云遥感影像；

中值合成单元，用于采用中值合成法对多期所述无云遥感影像进行中值合成，得到所述标准化遥感影像。

可选的，所述叠加与切割模块具体包括：

第二获取单元，用于获取所述作物类型分类标签与所述遥感影像；

叠加单元，将所述作物类型分类标签与所述遥感影像叠加合并为数据文件；

切割单元，用于根据需要按照设定重叠度切割，得到所述瓦片数据。

可选的，所述遥感影像包括作物早期生长阶段遥感图像和作物生长旺盛阶段遥感影像；所述作物类型参考数据包括包含作物类别信息的样点和包含作物类别信息的图斑。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明，利用分类器对遥感影像和作物类型参考数据进行作物分类，得到的作物类型分类标签用于神经网络模型的训练，训练好的神经网络模型可用于高效的大尺度农作物遥感自动化分类。上述分类器的分类结果虽存在一定误差，但是已经满足了一定的精度需求，根据该分类结果训练的神经网络模型具有一定的鲁棒性，弥补了传统分类方法在特定图像和特定区域需要训练样本的局限性。

进一步，本发明对遥感影像进行去云处理，减少了云和云阴影等不良观测不可避免地干扰农作物信息在影像上的呈现，实现利用卫星图像进行识别结果的准确性；并且在卷积神经网络模型的残差模块中引入膨胀卷积层，增大模型对像元周围语义信息的感知度，捕捉像元之间的空间关系，整体上提高本发明农作物类型识别的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于卷积神经网络的农作物识别方法流程示意图；

图2为本发明提供的基于卷积神经网络的农作物识别系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于卷积神经网络的农作物识别方法及系统，可快速准确地对大量遥感影像进行农作物识别和分类，减少了对影像进行标注的繁琐工作。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

一种基于卷积神经网络的农作物识别方法，识别方法包括：

步骤101：获取遥感影像和与遥感影像相应的作物类型参考数据；遥感影像包括作物早期生长阶段遥感图像和作物生长旺盛阶段遥感影像，根据作物生长的物候分析结果，将用于作物识别的影像划分成两个阶段：作物早期生长阶段，基本上处于作物播种和出苗初期，这个阶段能够将作物和其他植被区分开；作物生长旺盛阶段，这个阶段主要是通过作物自身的遥感特征进行识别。作物类型参考数据为地表真实作物类型信息的数据；作物类型参考数据包括包含作物类别信息的样点和包含作物类别信息的图斑。

本发明获得作物类型参考数据的方法包括：

1、外业调查，实地调查记录每个样点的位置及作物类别信息，作物类别既包括目标作物，也包括其他类别。

2、基于高分辨率遥感影像进行目视解译获得样芳内农作物类别的空间分布结果。

考虑到影像的获取时间和空间位置不同，大气和地形条件差异较大，因此需要进行辐射校正和几何校正得到地表反射率。

步骤102：对遥感影像预处理，得到标准化遥感影像。

云和云阴影等不良观测不可避免地干扰农作物信息在影像上的呈现，进而影响卫星图像的利用和识别结果的准确性，因此本发明利用深度学习方法检测预处理遥感影像的云和云阴影范围，进行去云处理，得到无云遥感影像。

为了方便高效地管理和搜索数据，将烟感影像格网中每个像元的取值为同生长季内无云影像重叠像元值数组的中值，即采用中值合成法对无云遥感影像进行中值合成，得到标准化遥感影像。

进一步，步骤103：根据标准化遥感影像和作物类型参考数据，利用分类器进行分类，得到神经网络作物类型分类标签。

步骤104：将作物类型分类标签与遥感影像叠加后进行切割，得到瓦片数据。具体的，首先将作物类型分类标签与遥感影像叠加合并为数据文件；然后根据卷积神经网络精度参数将数据文件按照50％重叠度切割为256×256像元的瓦片数据。

步骤105：利用瓦片数据训练卷积神经网络，得到训练好的卷积神经网络模型。

步骤106：利用训练好的卷积神经网络模型对待处理的遥感图像进行处理，得到农作物识别结果，并根据识别结果得到农作物的空间分布。

本发明的卷积神经网络模型包括依次连接的输入层、第一卷积层、残差网络、金字塔池化模块、第二卷积层和softmax分类层。

残差网络包括10个残差块，最后三个残差块包括膨胀卷积层，包括3个1*1卷积映射结构和7个直接映射结构。

金字塔池化模块包括并列的四个不同尺度池化层，利用金字塔池化模块整合不同空间尺度的特征，有效匹配语义信息，提高作物分类精度；4个不同尺度池化层均采用平均池化算法，池化可降低卷积输出维数，大大减少模型训练参数，避免过拟合现象，平均池化能有效降低邻域误差，从而保留影像背景信息。

softmax分类层采用交叉熵损失函数L(θ)进行处理；

为了进一步提高精度，采用带有膨胀卷积的残差结构块作为模型的特征提取器，挖掘遥感影像的深层抽象特征，模型在学习影像更高级特征同时，对最后3个残差块分别加入膨胀卷积层，膨胀系数为2。膨胀卷积层的引入，增大模型对像元周围语义信息的感知度，捕捉像元之间的空间关系，提高分类准确度。

本发明还提供了与一种基于卷积神经网络的农作物识别方法相应的识别系统，该识别系统包括：依次连接的信息获取模块201、影像处理模块202、分类模块203、叠加与切割模块204、网络训练模块205和识别模块206。

信息获取模块201用于获取遥感影像和与遥感影像相应的作物类型参考数据。遥感影像包括作物早期生长阶段遥感图像和作物生长旺盛阶段遥感影像；作物类型参考数据包括包含作物类别信息的样点和包含作物类别信息的图斑。

影像处理模块202用于对遥感影像预处理，得到标准化遥感影像。

分类模块203用于根据标准化遥感影像和作物类型参考数据，利用分类器进行分类，得到神经网络作物类型分类标签。

叠加与切割模块204用于将作物类型分类标签与遥感影像叠加后进行切割，得到瓦片数据。

网络训练模块205用于利用瓦片数据训练卷积神经网络，得到训练好的卷积神经网络模型。

识别模块206用于利用训练好的卷积神经网络模型对待处理的遥感图像进行处理，得到农作物识别结果，并根据识别结果得到农作物的空间分布。

卷积神经网络模型包括依次连接的输入层、第一卷积层、残差网络、金字塔池化模块、第二卷积层和softmax分类层。

残差网络包括10个残差块，最后三个残差块包括膨胀卷积层。

金字塔池化模块包括并列的四个不同尺度池化层。

softmax分类层采用交叉熵损失函数L(θ)进行处理；

影像处理模块202具体包括：

第一获取单元，用于获取遥感影像。

遥感影像预处理单元，用于根据遥感影像传感器类型的定标系数，完成遥感影像的辐射定标、大气校正和几何校正，得到预处理遥感影像。

去云单元，用于利用深度学习方法检测预处理遥感影像的云和云阴影范围，进行去云处理，得到无云遥感影像。

中值合成单元，用于采用中值合成法对多期无云遥感影像进行中值合成，得到标准化遥感影像。

叠加与切割模块204具体包括：

第二获取单元，用于获取作物类型分类标签与遥感影像。

叠加单元，用于将作物类型分类标签与遥感影像叠加合并为数据文件。

切割单元，用于根据需要按照设定重叠度切割，得到瓦片数据。

本发明以辽宁省为例，验证了本发明的可用性。

辽宁省，总面积为148*10

根据作物生长的物候分析结果，将用于作物识别的影像划分成两个阶段：作物早期生长阶段，时间为4月15日-6月30日，基本上处于作物播种和出苗初期，这个阶段能够将作物和其他植被区分开；作物生长旺盛阶段，时间为7月15日-9月30日，这个阶段主要是通过作物自身的遥感特征进行识别。

从4月15日(DOY为105)开始，每隔10天统计影像数量，通过一系列预处理进行数据标准化，包括辐射定标、大气校正、几何校正、去云处理和中值合成，之后采用30km×30km格网管理存储16位整型标准化影像。考虑到影像的获取时间和空间位置不同，大气和地形条件差异较大，因此需要进行辐射校正和几何校正得到地表反射率。此外，云和云阴影等不良观测不可避免地干扰农作物信息在影像上的呈现，进而影响卫星图像的利用和识别结果的准确性，因此利用研究组提出的深度学习方法检测云和云阴影，之后以中值合成方式生成无云影像，最后生成研究区两期无云中值合成影像。

作物类型参考数据包括野外样点数据集和目视解译样方数据。野外样点数据为2017年在辽宁省采集的GPS样点数据。在辽宁省测试区内，共收集了1250个地面点，其中水稻点98个，玉米点633个，其他点519个，如下图所示。目视解译样方为在测试区内随机选取的14个1km×1km矩形样方，通过人工目视解译高分辨率影像获得样方内水稻、玉米和其他类别的空间分布，作为真实地表数据。

利用SVM分类器将遥感图像和作物类型参考数据进行分类，得到作物类型分类标签，用于神经网络模型的训练，解决了通过人工目视解译大面积水稻和玉米真实空间分布是成本很高的问题。本发明利用ENVI5.3软件，使用SVM分类器分市区进行作物遥感分类，通过分类后处理合并成省份分类结果，分为水稻、玉米和其它地物3种类型。

根据模型训练需求，数据集分为样本数据集、测试数据集和精度评价数据集，样本数据集可分为训练集和验证集，训练数据集用于学习模型参数，验证数据集用于选择超参数，测试数据集用于评价模型的性能，精度评价数据集用于定量检验分类结果。将辽宁省划分为220个格网，当中有61个格网位于省边界，格网内都有部分不属于辽宁省的范围，标签样本缺失，不能作为训练数据使用；剩余159个格网按照6:1:3比例随机独立划分为训练数据、验证数据和测试数据，并使各个数据集尽量均匀分布在不同农业景观中，保证样本的多样性。之后将所有样本数据裁剪成256*256像元大小的切片影像，重叠度为50％，最终获得26024个样本切片。

研究基于残差网络和金字塔场景池化网络构建适用于大尺度农作物遥感识别的深度卷积神经网络模型。

首先，采用带有膨胀卷积的残差结构块作为模型的特征提取器，挖掘遥感影像的深层抽象特征。采用10个残差块作为模型特征提取器，包括3个1*1卷积映射结构和7个直接映射结构。为了进一步提高精度，引入膨胀卷积层，增大模型对像元周围语义信息的感知度，捕捉像元之间的空间关系，提高分类准确度。模型在学习影像更高级特征同时，对最后3个残差块分别加入膨胀卷积层，膨胀系数为2。

之后，利用金字塔池化模块整合不同空间尺度的特征，有效匹配语义信息，提高作物分类精度。4个不同尺度池化层均采用平均池化算法。池化可降低卷积输出维数，大大减少模型训练参数，避免过拟合现象，平均池化能有效降低邻域误差，从而保留影像背景信息。输出最上层为全局特征，下面三层为输入特征映射到不同子区域的局部特征，之后通过双线性插值与原始输入特征聚合，形成多尺度高级特征来识别农作物类别。

最后，训练Softmax分类器并预测分类。训练Softmax分类器，采用随机梯度下降法(SGD)求解器，学习速率为10

上述分类结果表明，本发明在辽宁省测试集上取得较好的农作物分类结果，总体精度高达0.90，其中水稻的制图精度和用户精度分别为0.72％和0.92，玉米的制图精度和用户精度分别为0.86和0.95，因此两种作物均获得较高的分数值，分别为0.81和0.90。

对于不同地貌类型，本发明也展现出良好的分类性能。将测试集格网划分成平原区和山区两种地貌类型，从精度的具体分布上看，两种类型格网总体精度中值均大于0.93，且平原区略高于山区；平原区格网有75％的总体精度不低于0.95，山区格网中75％的总体精度高于0.85，比平原区约低0.10。从整体分布上看，平原区格网总体精度集中分布在0.93-1.00之间，而位于山区的格网总体精度分布比较分散，最小值和最大值分别为0.70和1.00。表明本发明在平原和山地两种地貌类型中均表现出较好的分类效果，在一定程度上克服了研究区内地形起伏变化带来的影响，具有一定的鲁棒性。

本发明无需人工标签，可直接采用可靠精度的传统方法分类结果作为样本标签，对大量遥感影像进行农作物分类，减少了对影像进行标注的繁琐工作。

本发明可行且有效，与传统人工分类结果精度相近，且在不同的地形地貌、复杂的农业景观下均表现出良好的分类效果，减轻了深度学习模型对大量真实标签样本的依赖，弥补了传统分类方法在特定图像和特定区域训练样本的局限性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。