(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211119318.2 (22)申请日 2022.09.14 (71)申请人 山东科技大 学 地址 266590 山东省青岛市黄岛区前湾港 路579号 (72)发明人 刘振　刘昊　曾侃　马佑军　 吕如茵　孙雪　刘如飞　苏辕　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 王鸣鹤 (51)Int.Cl. G06V 20/13(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的遥感影像养殖区域提 取方法 (57)摘要 本发明涉及遥感影像技术领域， 特别涉及一 种基于深度学习的遥感影像养殖区域提取方法， 包括： 获取若干景高分二号遥感图像数据， 对遥 感图像数据进行遥感图像预处理， 包括地理校 正、 辐射定标、 大气校正和图像裁剪， 针对不同养 殖区域对S2中图像裁剪后的数据进行标注,对 标 注后的数据按照8:2的比例分割成训练集、 验证 集， 基于训练集构建深层神经网络模型， 将验证 集输入S4中训练完的深层神经网络模型中， 得到 分类后的养殖区域结果。 本发明的有益效果是： 鲁棒性强， 抗环境干扰能力强， 兼具底层和高层 特征， 有效提取养殖区域， 具有较强的抗环境干 扰能力， 针对不同地区、 类别的养殖区域适应性 好， 采用像素分类， 识别精确性高。 权利要求书2页 说明书5页 附图6页 CN 115546656 A 2022.12.30 CN 115546656 A 1.一种基于深度学习的遥感影 像养殖区域 提取方法， 其特 征在于， 包括： S1、 获取若干景高分二 号遥感图像数据； S2、 对遥感图像数据进行遥感图像预处理， 包括地理校正、 辐射定标、 大气校正和图像 裁剪； S3、 针对不同养殖 区域对S2中图像裁剪后的数据进行标注,对标注后的数据按照8:2的 比例分割成训练集、 验证集； S4、 基于训练集构建深层神经网络模型； S5、 将验证集输入S4中训练完毕的深层神经网络模型中， 得到分类后的养殖区域结果。 2.如权利要求1所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， S3中， 使用多边形标注工具进 行标注， 根据不同养殖区域的特征将养殖区域分为三类， 对于 非目标的其 他像素统一标注为 一类。 3.如权利要求2所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， S4中， 构建深层神经网络结构包括使用残差层增加训练梯度、 使用空洞金字塔池化获取多 尺度信息和导入输出层还原分类结果； 对深层神经网络模型设置超参数， 基于训练集对深层神经网络模型进行训练， 使用随 机梯度下降算法迭代求 解能最小化损失函数的网络参数。 4.如权利要求3所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， S4中， 深层神经网络模型包括残差层、 空洞金字塔和输出层； 480×480×3的图像为输入时， 将图像输入残差层进行四次下采样， 提升图像的通道数 且增加特征数量， 得到60 ×60×2048的第一特征图， 将第一特征图输入空洞金字塔提取并 融合特征， 得到60 ×60×256的第二特征图， 将第二特征图输入到输出层得到60 ×60×num_ class的分类后图像， 再进行二次线性插值得到480 ×480×num_class的图像， 即为对养殖 区域的分类预测结果。 5.如权利要求4所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， S4中， 所述残差层使用残差网络对输入图像进行 特征提取， 分为五层： 在第一层中， 使用0对图像进行3 ×3填充， 然后使用7 ×7的卷积核， 选取步长为2对图像 进行卷积， 使图像下采样到原本尺寸的1/2， 并将通道数扩充至64， 之后对图像进行最大池 化， 进一步将图像下采样至原本尺寸的1/4； 第二层由三个结构相同的残差单元构 成， 该残差单元首先使用1 ×1的卷积核将图像通 道数下降为64， 然后使用3 ×3的卷积核提取图像特征信息， 最后使用1 ×1的卷积核将图像 通道数扩展为25 6， 并计算残差作为输出； 在三个相同的残差单元中重复三 次， 该层中所有卷积均设置步长为1， 输出尺寸仍为原 图像尺寸1/4， 通道数为25 6的图像； 第三层由四个结构相同的残差单元构 成， 该残差单元首先使用1 ×1的卷积核将图像通 道数下降至128， 然后使用3 ×3的卷积提取图像特征， 最后使用1 ×1的卷积核将图像通道数 设置为512， 并计算残差作为输出； 在四个相同的残差单元中重复四次， 其中第一个残差单元中卷积步长设置为2， 输出图 像下采样为原图尺寸的1/8， 通道数为512； 第四层由一个瓶颈层和五个相同的残差单元构 成， 瓶颈层首先使用1 ×1的卷积核将图权　利　要　求　书 1/2 页 2 CN 115546656 A 2像通道数下降至256， 然后使用膨胀系数为1的3 ×3的卷积提取图像特征， 最后使用1 ×1的 卷积核将图像通道数提升为1024， 并计算残差作为输出； 残差单元首先使用1 ×1的卷积核将图像通道数下降至256， 然后使用膨胀系数为2的3 ×3的卷积核做膨胀卷积提取更大尺度图像特征， 最后使用1 ×1的卷积核将图像通道数设 置为1024， 并计算残差作为输出， 在五个相同的残差单元中重复五次， 没有进一步下采样， 输出图像为原图尺寸的1/8， 通道数为1024； 第五层由一个瓶颈层和两个相同的残差单元构 成， 瓶颈层首先使用1 ×1的卷积核将图 像通道数下降至512， 然后使用膨胀系数为2的3 ×3的卷积核进 行膨胀卷积进一步提取图像 特征， 最后使用1 ×1的卷积核将图像通道数提升为2048， 并计算残差作为输出； 残差单元首先使用1 ×1的卷积核将图像通道数下降至512， 然后使用膨胀系数为4的3 ×3的卷积核做膨胀卷积提取更大尺度图像特征， 最后使用1 ×1的卷积核将图像通道数设 置为2048， 并计算残差作为输出， 在两个相同的残差单元中重复两次， 没有进一步下采样， 输出图像为原图尺寸的1/8， 通道数为2048。 6.如权利要求5所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， S4中， 空洞金字塔包括五个并行的分支： 第一分支由无填充、 膨胀系数为1、 步长为1的1 ×1卷积层构成； 第二分支使用0对图像进行12 ×12填充， 然后使用3 ×3的卷积核， 选取步长为1， 膨胀系 数为12对图像进行膨胀卷积； 第三分支使用0对图像进行24 ×24填充， 然后使用3 ×3的卷积核， 选取步长为1， 膨胀系 数为24对图像进行膨胀卷积； 第四分支使用0对图像进行36 ×36填充， 然后使用3 ×3的卷积核， 选取步长为1， 膨胀系 数为36对图像进行膨胀卷积； 第五分支对输入图像进行全局平均池化提取每个通道上的高层信 息， 之后使用二 次线 性插值将图像尺寸还原。 7.如权利要求6所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， S4中， 输出层首先使用3 ×3的卷积将空洞金字塔输出的五个并行的分支连接成为一个尺 寸 为原图1/8， 通道数为1280的特征图像， 之后使用一个1 ×1卷积， 改变输出通道数为num_ class， 再将num_class张特征图使用二次线性插值的方式将图像上采样八倍得到和输入图 像尺寸一致的分类结果图。 8.如权利要求7所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， 所有卷积层均采用relu激活函数。 9.如权利要求8所述的一种基于深度 学习的遥感影像养殖区域提取方法， 其特征在于， 残差的定义为： res＝f(x)+x， 其中， res表示残差值， f(x)表示卷积层输出值， x表示卷积层 输入值。权　利　要　求　书 2/2 页 3 CN 115546656 A 3