(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210406400.7 (22)申请日 2022.04.18 (65)同一申请的已公布的文献号 申请公布号 CN 114494910 A (43)申请公布日 2022.05.13 (73)专利权人 陕西自然资源勘测规划设计院有 限公司 地址 710077 陕西省西安市高新区锦业路 70号卫星大厦9101室 专利权人 刘思杰 (72)发明人 钟新利　刘思杰　王小刚　上伟　 李宗澍　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 专利代理师 汪海艳 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/17(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112418176 A,2021.02.26 CN 113435411 A,2021.09.24 CN 112070779 A,2020.12.1 1 CN 110942454 A,2020.0 3.31 CN 1093890 51 A,2019.02.26 CN 112560577 A,2021.0 3.26 US 202140 6582 A1,2021.12.3 0 US 2019205758 A1,2019.07.04 王囡.基于深度学习的图像 语义分割. 《中国 优秀硕士学位 论文全文数据库》 .202 2, 朱蓉蓉.基于深度学习的遥感影 像林地检测 算法研究. 《中国优秀硕士学位 论文全文数据 库》 .2022, Liang Chieh Chen et al.Encoder- Decoder w ith Atrous Separable Co nvolution for Semantic Ima ge Segmentati on. 《Computer Vision and Pat tern Recogn ition》 .2018,(续) 审查员 崔芳婷 (54)发明名称 一种基于遥感图像的设施农用地多类别识 别与分类方法 (57)摘要 本发明属于设施农用地分布形态研究与优 化领域， 具体涉及一种基于遥感图像的设施农用 地多类别识别与分类方法， 解决现有神经网络对 设施农用地识别精度低的问题。 方法基于语义分 割神经网络实现， 语义分割神经网络包括依次设 置的初始化模块、 Encoder模 块、 金字塔池化模 块 和解码模块； 利用该网络， 对遥感图像进行设施 农用地分类定位， 实现了对于多分类结果准确率65％以上， 单分类结果准确率9 0％以上的分类定 位， 减少了设施农用地实地调查所需人力物力， 加快了设施农用地调查速度。 [转续页] 权利要求书2页 说明书6页 附图5页 CN 114494910 B 2022.09.06 CN 114494910 B (56)对比文件 Shu Liu et al.Path Ag gregation Network for I nstance Segmentati on. 《2018 IEEE/CVF Conference o n Computer Visi on and Pattern Recogn ition》 .2018,2/2 页 2[接上页] CN 114494910 B1.一种基于遥感图像的设施农用地多类别识别与分类方法， 其特征在于， 基于语义分 割神经网络实现； 所述语义分割神经网络包括依次设置的初始化模块、 Encoder模块、 金字塔池化模块和 解码模块； 所述初始化模块包括第 一卷积单元和第 二卷积单元； 所述第 一卷积单元为多通道卷积 层， 第二卷积单 元为最大池化层； 所述Encoder模块采用VGG19网络encoder模块的1层、 2层、 3层、 4层、 5层， 将2层、 3层、 4 层、 5层提取的结果分别作为金字塔池化模块的四层输入； 所述金字塔池化模块包括四个卷积层， 分别为第一卷积层、 第二卷积层、 第三卷积层、 第四卷积层； 其中， 第一卷积层对 encoder模块的2层提取结果进行通道数不变， 数据量减少 的卷积处理， 得到数据P1； 第二卷积层对 encoder模块的3层提取结果进 行通道数不变， 数据 量减少的卷积处理， 得到数据P2； 第三卷积层对encoder模块的4层提取结果进行通道数不 变， 数据量减少的卷积处理， 得到数据P 3； 第四卷积层对 encoder模块的5层提取结果进行通 道数不变， 数据量减少的卷积处 理， 得到数据P4； 所述解码模块包括四个反卷积层， 分别为第一反卷积层、 第二反卷积层、 第三反卷积 层、 第四反卷积层； 第一反卷积层对金字塔池化模块第一卷积层输出 的数据P1进行反卷积 操作， 得到与金字塔池化模块第二卷积层输出数据P2大小相同的数据D1， 将数据D1与数据 P2进行合并， 输入至第二反卷积层进行反卷积操作， 得到与金字塔池化模块第三卷积层输 出数据P3大小相同的数据D2， 将数据D2与数据P3进行合并， 输入至第三反卷积层进行反卷 积操作， 得到与金字塔池化模块第四卷积层输出数据P4大小相同的数据D3， 将数据D3与数 据P4进行合并， 输入至第四反卷积层进行反卷积 操作， 第四反卷积层输出 结果数据D4。 2.根据权利要求1所述的基于遥感图像的设施农用地多类别识别与分类方法， 其特征 在于： 第一卷积单元的步长为2， 卷积核尺寸为3 ×3的卷积层， 其通道数13； 第二卷积单元为 最大池化层， 使用非重 叠2×2窗口， 通道数为3， 与第一卷积单 元合并后通道数为16 。 3.根据权利要求2所述的基于遥感图像的设施农用地多类别识别与分类方法， 其特征 在于， 包括以下步骤： 步骤一、 对匹配的遥感图像和标签图像进行对应像素的分割， 得到分割后对应的两组 图像； 步骤二、 对分割后的遥感图像进行图像增强， 获得多个增强后的遥感图像， 同时将分割 后的标签图像转 化为灰度图； 步骤三、 利用步骤二中增强后的遥感图像和转 化为灰度图的标签图像构建数据集； 数据集中的图像随机排布， 随机抽取部分图像作为训练集， 其 余图像作为测试集； 步骤四、 将步骤三中的训练集样本输入到语义分割神经网络 中进行训练， 训练完成后， 利用测试集进 行测试， 测试结果达到目标要求后进 行模型保存， 否则重新进行训练， 最 终得 到训练好的网络模型； 步骤五、 将待预测图像切割为多个图像， 图像大小和训练集中图像大小相同； 将切割后 的多个图像输入至训练好的网络模型中， 得到多个预测标签图像； 步骤六、 根据预测置信度对多个预测标签图像进行染色， 并进行噪声抑制处 理； 步骤七、 将噪声抑制处理后的多个图像拼接成为整张图像， 若多个图像之间没有重叠，权　利　要　求　书 1/2 页 2 CN 114494910 B 3