(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 202210872072.X (22)申请日 2022.07.22 (71)申请人 厦门天卫科技有限公司 地址 361000 福建省厦门市 火炬高新区软 件园三期诚毅北大街50号1301单元 B01 (72)发明人 李雪涛　 (74)专利代理 机构 厦门致群财富专利代理事务 所(普通合伙) 35224 专利代理师 巫其荣 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种联合全卷积神经网络和集成学习的遥 感分类方法 (57)摘要 本发明公开了一种联合全卷积神经网络和 集成学习的遥感分类方法， 包括以下步骤： S1、 获 取研究区域内的遥感卫星影像， 通过数据处理建 立样本数据库； S2、 基于全卷积神经网络和 Stacking集成学习算法， 构建联合模型； S3、 根据 样本数据库， 通过数据的训练， 获取联合模型的 最优参数； S4、 基于载入最优参数的联合模型， 输 入预测影像， 通过全卷积神经网络获取预测影像 的图像特征 ， 并进行特征叠加， 再输入到 Stacking集成学习算法进行预测， 得到农作物物 种识别结果图； 该方法主要针对南方复杂农作物 种植区域， 基于全卷积神经网络和Stacking集成 学习算法构建联合模型， 可有效提高模型的分类 精度， 实现农作物 物种信息的精细识别和提取。 权利要求书1页 说明书4页 附图2页 CN 115147730 A 2022.10.04 CN 115147730 A 1.一种联合全卷积神经网络和集成学习的遥感分类方法， 其特 征在于， 包括以下步骤： S1、 获取研究区域内的遥感卫星影 像， 通过数据处理建立样本数据库； S2、 基于全卷积神经网络和Stack ing集成学习算法， 构建联合模型； S3、 根据样本数据库， 通过 数据的训练， 获取 联合模型的最优参数； S4、 基于载入最优参数的联合模型， 输入预测影像， 通过全卷积神经网络获取预测影像 的图像特征， 并进行特征叠加， 再输入到Stacking集成学习算法进 行预测， 得到农作物物种 识别结果图。 2.如权利要求1所述的一种联合全卷积神经网络和集成学习的遥感分类方法， 其特征 在于， 步骤S1的具体过程 为： S11、 通过遥感卫星， 获取研究区域内的遥感卫星影像， 遥感卫星影像的数据为亚米级 遥感数据； S12、 对遥感卫星影 像进行辐射定标、 大气校正、 正 射校正的预处 理； S13、 遥感卫星影像经过预处理后， 通过实地调研， 根据GPS获取位置信息 并记录地物属 性； S14、 根据外业实地调查数据， 内业 通过GeoLabel进行样本标注， 建立样本数据库。 3.如权利要求2所述的一种联合全卷积神经网络和集成学习的遥感分类方法， 其特征 在于： 步骤S12 中辐射定标和大气校正， 通过ENVI5.3中的辐射定标流程和大气校正模块进 行校正处理； 正射校正使用地 面控制点信息进行 校正或使用无控制点进行 校正。 4.如权利要求1所述的一种联合全卷积神经网络和集成学习的遥感分类方法， 其特征 在于： 步骤S2中所述全卷积神经网络包括FCN网络、 SegNet网络、 U ‑net网络和DeepLab  V3网 络， 将每个网络中的卷积层的卷积核大小与上采样的大小设置相同， 并将每个网络中最后 一层的Softmax分类层去除。 5.如权利要求4所述的一种联合全卷积神经网络和集成学习的遥感分类方法， 其特征 在于， 步骤S3的具体过程 为： S31、 分别对FCN 网络、 SegNet网络、 U ‑net网络和Deep Lab V3网络进行训练， 获取每个深 度网络的最优参数， 以此获取四个网络的最优 模型； S32、 根据去除Softmax分类层后的四个最优模型， 分别对样本数据库中的训练样本进 行图像特 征提取； S33、 通过特征叠加， 将四个最优模型提取的图像特征进行特征叠加， 并输入到 Stacking集成学习算法进行二次训练， 获取Stack ing集成学习算法的最优参数。 6.如权利要求5所述的一种联合全卷积神经网络和集成学习的遥感分类方法， 其特征 在于， 步骤S4的具体过程 为： S41、 基于联合模型， 载入四个深度网络的最优参数和 Stacking集成学习算法的最优参 数； S42、 输入预测影像， 分别通过四个深度网络最优模型进行特征提取， 获取预测影像的 图像特征； S43、 将获取的预测影像的图像特征进行特征叠加， 再输入到Stacking集成学习算法进 行预测， 得到农作物 物种识别结果图。权　利　要　求　书 1/1 页 2 CN 115147730 A 2一种联合全卷积神经 网络和集成学习的遥感分类方 法 技术领域 [0001]本发明涉及遥感信息分类技术领域， 具体涉及一种联合全卷积神经网络和集成学 习的遥感分类方法。 背景技术 [0002]农业是人类衣食之源、 生存之本， 是一切生产的首要条件。 我国是个人口大国， 也 是农业大国， 农业问题一直是政府和人民共同关心的焦点。 随着时代的进步， 我国人口逐步 增长， 而土地资源尤其是耕地资源， 正在不断减少。 因此， 及时获取作物空间分布、 物种信 息、 作物长势、 作物产量以及作物灾害等信息越发重要， 对于实现科学管理和农作物增产， 辅助政府宏观掌握粮食生产以及调控农产品贸易具有重要意 义。 [0003]我国农业大致可分为南方和北方， 由于地域以及气候的差异， 南北方农业相差巨 大。 北方农业相对聚集， 种类相对单一。 南方则与之相反， 农业相对分散， 且种类繁多以及气 候因素， 使 得快速且准确的获取农作物物种信息相对困难。 随着卫星遥感的发展， 我国的卫 星遥感影像质量、 分辨率以及应用得到了大幅度提升。 针对南方农作物种植区域， 可采用亚 米级遥感影 像， 通过遥感提取算法， 提取目标地物信息 。 [0004]目前， 基于遥感影像数据的分类方法较多， 传统的遥感分类算法主要为监督分类。 监督分类方法， 即用被确认类别的样本像元去识别其他未知类别像元 的过程。 监督分类可 分为两个基本步骤： 选择训练样本和提取统计信息， 以及选择分类算法。 监督分类算法是基 于遥感影像中地物的光谱信息差异进行分类， 其分类算法忽略了地物的纹理和几何信息， 同时， 由于 “同物异谱”、“同谱异物”的影响， 使得分类精度大 大降低。 [0005]随着深度学习的发展， 卷积神经网络算法广泛应用于遥感影像处理， 其分类进度 和效果显著 提高， 但其依赖于海量的训练数据， 当训练数据不足或者缺少时， 其分类精度往 往会不高或者 不稳定。 发明内容 [0006]本发明的目的在于提供一种联合全卷积神经网络和集成学习的遥感分类方法， 该 方法主要针对南方复杂农作物种植区域， 基于全 卷积神经网络和Stacking集 成学习算法构 建联合模型， 可有效提高模型的分类精度， 实现农作物 物种信息的精细识别和提取。 [0007]为实现上述目的， 本发明采用以下技 术方案： [0008]一种联合全卷积神经网络和集成学习的遥感分类方法， 包括以下步骤： [0009]S1、 获取研究区域内的遥感卫星影 像， 通过数据处理建立样本数据库； [0010]S2、 基于全卷积神经网络和Stack ing集成学习算法， 构建联合模型； [0011]S3、 根据样本数据库， 通过 数据的训练， 获取 联合模型的最优参数； [0012]S4、 基于载入最优参数的联合模型， 输入预测影像， 通过全卷积神经网络获取预测 影像的图像特征， 并进 行特征叠加， 再输入到Stacking集 成学习算法进行预测， 得到农作物 物种识别结果图。说　明　书 1/4 页 3 CN 115147730 A 3