(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 202210611922.0 (22)申请日 2022.06.01 (71)申请人 江西省水利科 学院 地址 330000 江西省南昌市北京东路10 38 号 (72)发明人 宋月君　陈玲玲　廖凯涛　郑海金　 谢颂华　莫明浩　张利超　施政　 王农　罗宁　熊永　李晓放　 (74)专利代理 机构 南昌洪达专利事务所 3 6111 专利代理师 刘凌峰 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习改进的高分遥感影像耕 地提取方法 (57)摘要 本发明公开了一种基于深度学习改进的高 分遥感影像耕地提取方法， 所述方法包括以下步 骤， 结合高分光学遥感影像数据与人工解译获取 的耕地矢量数据建立训练标签样 本库； 建立基于 全卷积神经网络的轻量级深入学习模 型； 利用所 述训练标签样本库的训练样本对所述基于全卷 积神经网络的轻量级深入学习模 型进行训练， 获 得基于深度学习改进的高分遥感影像耕地提取 模型； 获取待检测区域的光学高分遥感影像； 将 所述待检测区域的光学高分遥感影像输入所述 基于深度学习改进的高分遥感影像耕地提取模 型， 进行耕地的提取。 本发明探索研究了基于深 度学习的高分遥感影像耕地图斑提取技术， 以期 为土地利用变化 以及生态环境效益评价提供数 据和技术支撑。 权利要求书2页 说明书10页 附图3页 CN 114926740 A 2022.08.19 CN 114926740 A 1.一种基于深度学习改进的高分遥感影像耕地提取方法， 其特征在于： 所述方法包括 以下步骤， 结合高分光学遥感影 像数据与人工解译获取的耕地矢量数据建立训练标签样本库； 建立基于全卷积神经网络的轻量级深入学习模型； 利用所述训练标签样本库的训练样本对所述基于全卷积神经网络的轻量级深入学习 模型进行训练， 获得基于深度学习改进的高分遥感影 像耕地提取模型； 获取待检测区域的光学高分遥感影 像； 将所述待检测区域的光学高分遥感影像输入所述基于深度学习改进的高分遥感影像 耕地提取模型， 进行耕地的提取。 2.根据权利要求1所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 所述基于深度学习改进的高分遥感影像耕地提取模 型以Ours ‑module模块为核心， 以编码‑解码骨架为基础框架。 3.根据权利要求2所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 编码部分由11个 Ours‑module模块、 两个标准卷积和一个最大池化组成， 并分为5个 模块， 将向解码 部分输出5个不同尺度信息的特征图谱， 编码部 分用于学习输入耕地图像的 上下文语义信息并进行 特征提取。 4.根据权利要求2或3所述的一种基于深度 学习改进的高分遥感影像耕地提取方法， 其 特征在于： 解码 部分由4个Ours ‑module、 4个标准卷积和5个上采样层组成， 分为5个模块， 将 依次融合编码部 分输出的5个特征图谱， 形成更厚的特征信息； 解码部 分用于加强编 码部分 的特征提取结果， 并恢复特 征图的空间信息和分辨 率。 5.根据权利要求4所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 所述解码部分的输出紧接带softmax分类器的卷积层， 此卷积层能归纳出输入图片 中具有相同语义的像素点,并输出一张和输入图像大小相同的已分类标记好的图像。 6.根据权利要求2所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 所述Ours ‑module模块包括反残差块、 压缩 ‑激励块、 深度可分离卷积和标准卷积。 7.根据权利要求6所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 所述反残差块以ResNet的残差块为基础， 并结合深度可分离卷积优化而成， 先使用 1*1 PW将输入的低维FP升维， 然后在中间层， 利用轻量级的DW来提取特征并引入非线性， 再 使用一个线性的1*1逐PW将其映射回低维空间中， 如果步长stride=1， 残差传播会被激活， 此时的特征图将与输入图谱相加； 同时引入H_swish激活函数， 所述H_swish激活函数应用 在Ours‑module模块的较后层， 其中， 其中， ReLU是激活函数， x是输入数据。 8.根据权利要求6所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 所述压缩 ‑激励块包含1个压缩Squeeze和2个激励Excitation操作， 其中， 第一个激 励Excitati on操作中增 加了0.25的缩放 参数。权　利　要　求　书 1/2 页 2 CN 114926740 A 29.根据权利要求6所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 所述深度可分离卷积将一个标准卷积拆分为深度卷积操作和逐点卷积操作两个独 立的操作； 深度卷积操作中， 一个卷积核负责一个通道， 一个通道只被一个卷积核所卷积， 且只改 变特征图谱的大小， 不改变通道数； 逐点卷积等价于核大小为1*1的标准卷积， 操作时只改变通道数， 不改变特征图谱大 小， 用于关联 特征图各通道之间的信息， 进行信息交流。 10.根据权利要求9所述的一种基于深度学习改进的高分遥感影像耕地提取方法， 其特 征在于： 使用深度卷积操作和逐点卷积操作参数量和计算量将显著减少， 深度可分离卷积 与标准卷积的参数量、 计算 量的比值分别如式  (1)、 (2) 所示， 式中： DＫ为卷积核的尺寸； WO和HO分别为特征图的宽度和高度； M为输入通道 数； N为输出 通道数； 若卷积核大小采用3*3， 深度可分离卷积的参数量和计算量将减小为标准卷积的1/8   ‑   1/9； 并且， 每步深度卷积 操作和逐点卷积 操作之后都将使用批标准 化。权　利　要　求　书 2/2 页 3 CN 114926740 A 3