(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 202211143174.4 (22)申请日 2022.09.20 (71)申请人 江苏省基础地理信息中心 地址 210013 江苏省南京市北京西路75号 (72)发明人 刘善磊　陶旸　王圣尧　范雪婷　 李梦梦　虞瑶　 (74)专利代理 机构 江苏致邦律师事务所 32 230 专利代理师 葛胜非　尹妍 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06N 3/08(2006.01) (54)发明名称 面向耕地资源监测的深度学习样本制作方 法 (57)摘要 本发明公开面向耕地资源监测的深度学习 样本制作方法， 基于多时序耕地 资源矢量数据构 建多时序耕地图斑， 并根据图斑时序变化量选取 深度学习的主体类别图斑， 选取主体类别图斑空 间相邻的图斑作为辅助类别图斑； 将主体类别图 斑和辅助类别图斑进行二值化处理得到掩膜； 基 于主体类别图斑掩膜外接椭圆的短轴和长轴信 息， 确定符合深度学习样本尺 寸要求的规则化样 本尺寸， 并裁剪该主体类别图斑掩膜、 对应的遥 感影像和辅助类别图斑掩膜， 形成规则化样本。 本发明将图形处理与影像处理技术相结合， 提供 一种基于矢量数据的耕地资源监测深度学习样 本制作方法， 大幅度提升样本制作效率， 支撑耕 地资源监测深度学习模型建立。 权利要求书2页 说明书6页 附图5页 CN 115223000 A 2022.10.21 CN 115223000 A 1.面向耕地资源监测的深度学习样本制作方法， 其特 征在于， 包括： 获取多时序耕地资源矢量数据和相匹配的多时序耕地资源遥感影 像数据； 基于多时序耕地资源矢量数据构建多时序耕地图斑， 并计算多时序耕地图斑变化量， 选取变化量小于预设变化量阈值的图斑作为深度学习的主体类别图斑； 选取深度学习主体 类别图斑空间上相邻的图斑作为辅助类别图斑； 将主体类别图斑和辅助类别图斑进行二值化处理， 得到主体类别图斑和辅助类别图斑 的掩膜； 基于主体类别图斑掩膜外接椭圆的短轴和长轴信息， 确定符合深度学习样本尺寸 要求的规则化样本尺寸， 并裁剪该主体类别图斑掩膜、 对应的遥感影像和辅助类别图斑掩 膜， 形成一组规则化样本； 依次处 理所有主体类别图斑， 形成若干组规则化样本； 剔除包含总体类别图斑信息少的规则化样本， 并根据实 际提取对象的物候、 地域特征 剔除不在物候期的样本， 剩余样本即为用于深度学习的样本 。 2.根据权利要求1所述的面向耕地资源监测的深度 学习样本制作方法， 其特征在于， 所 述基于多时序耕地资源矢量数据构建多时序耕地图斑的方式为： 对多期矢量数据数据按数据年份由近及远排序； 根据地类名称选取时间最近的矢量数据中的水田、 旱 地和水浇地作为耕地图斑； 按年份由近及远的顺序， 将数据依据标识码依次与前期矢量数据在空间和属性上建立 空间关联和 属性关联。 3.根据权利要求1所述的面向耕地资源监测的深度 学习样本制作方法， 其特征在于， 所 述多时序耕地图斑 变化量根据耕地图斑的重 叠度及图斑地类名称属性变化 值确定。 4.根据权利要求1或3所述的面向耕地资源监测的深度学习样本制作方法， 其特征在 于， 所述多时序耕地图斑 变化量基于下式确定： 其中， 为耕地图斑变化量； 为相邻两期耕地图斑的重叠度， ； 为相邻 两期耕地图斑地类名称属性变化 值， ， 为地类图斑数据的期数。 5.根据权利要求1所述的面向耕地资源监测的深度 学习样本制作方法， 其特征在于， 选 取深度学习主体类别图斑空间上相邻的图斑作为候选辅助类别图斑， 在候选辅助类别图斑 中选择种类占比最高的 N类图斑作为辅助类别图斑， 使辅助类别图斑在数量上与主体类别 图斑匹配； 每 类辅助类别图斑单独放在一个图层中进行处 理。 6.根据权利要求1所述的面向耕地资源监测的深度 学习样本制作方法， 其特征在于， 采 用扫描线种子填充算法进行二 值化处理。 7.根据权利要求6所述的面向耕地资源监测的深度 学习样本制作方法， 其特征在于， 种 子像素与图斑对应的遥感影 像数据的像素 大小一致。 8.根据权利要求1所述的面向耕地资源监测的深度 学习样本制作方法， 其特征在于， 根 据深度学习样本尺寸范围和外 接椭圆的长轴 、 短轴的数值范围， 生成规则化样本， 包括： 当长轴位于预设的数值范围内时， 则根据长轴的尺寸取接近且大于长轴的深度 学习样 本标准尺寸作为 规则化样本的尺寸；权　利　要　求　书 1/2 页 2 CN 115223000 A 2当长轴大于预设的数值范围的最大值， 而短轴位于预设的数值范围内时， 则根据短轴 的尺寸取接近且大于短轴的深度学习样本标准尺寸作为规则化样本的尺寸， 并生成连续 n 个该尺寸的样本使样本覆盖 长轴方向的图斑； 当长轴小于预设的数值范围的最小值， 则 删除该样本； 其中， 预设的数值范围的最小值小于深度学习样本最小尺寸， 最大值大于深度学习样 本最大尺寸； 生成规则化样本时， 遵循自左而右、 自上而下生成的顺序原则。 9.根据权利要求1所述的面向耕地资源监测的深度 学习样本制作方法， 其特征在于， 所 述剔除包 含总体类别图斑信息少的规则化样本的方式为： 对一组规则化样本， 分别计算主体类别图斑面积占样本总面积比值， 主体类别图斑面 积占主体、 辅助类别图斑总面积的比值， 如果两个比值均大于预设的阈值， 则保留该组规则 化样本， 否则剔除该组规则化样本 。 10.根据权利要求1所述的面向耕地资源监测的深度学习样本制作方法， 其特征在于， 还包括， 基于剩余样本中的数据生成jso n文件， 形成一个精简的样本数据集。权　利　要　求　书 2/2 页 3 CN 115223000 A 3