(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 202210117044.7 (22)申请日 2022.02.07 (71)申请人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 张兵　彭代亮　刘胜威　陈俊杰　 潘玉豪　郑诗军　胡锦康　 (74)专利代理 机构 北京金信知识产权代理有限 公司 11225 专利代理师 贾然 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/62(2017.01) (54)发明名称 一种基于深度学习的冬小麦遥感识别分析 方法和系统 (57)摘要 本发明提出一种基于深度学习的冬小麦遥 感识别分析方法和系统。 其中， 方法包括： 创建多 边形区域的标签矢量文件， 将标签矢量文件转化 成栅格文件， 生成方形矢量数据， 利用方形矢量 数据， 批量裁剪多边形区域的五个生育期的中值 合成影像和栅格文件， 并调其大小， 得到训练数 据集、 验证数据集和测试数据集； 以每个生育期 的训练数据集和验证数据集作为输入对语义分 割模型进行训练， 并对各个生育期的测试集进行 分类。 生成各个生育期 的冬小麦空间分布图， 并 进行冬小麦空间制图与面积提取。 本发明提出的 方案， 基于语义分割分类方法， 总体精度高， 分类 效果好， 其中拔节抽穗期冬小麦遥感识别精度最 高。 深度学习方法拔节抽穗期研究区的冬小麦面 积提取精度高。 权利要求书2页 说明书11页 附图4页 CN 114463637 A 2022.05.10 CN 114463637 A 1.一种基于深度学习的冬小麦 遥感识别分析 方法， 其特 征在于， 所述方法包括： 步骤S1、 训练、 验证和测试数据集的制作： 从研究区选择部分所需要的多边形区域， 创 建所述多边形区域的标签矢量文件， 将所述标签矢量文件转化成栅格文件， 并重 分类， 生成 方形矢量数据， 利用所述方形矢量数据， 批量裁剪所述多边形区域的五个生育期的 sentienl ‑2中值合成影像和所述栅格文件， 并调裁剪得到的sentienl ‑2中值合成影像和栅 格文件的大小， 得到所述训练数据集、 验证数据集和测试数据集； 所述得到的五个生育期的 sentienl‑2中值合成影像共用一个标签； 步骤S2、 将所述研究区整个区域的五个生育期的sentienl ‑2中值合成影像进行切割并 处理， 得到空间分布数据集； 步骤S3、 U ‑Net语义分割模型构建与参数设置； 步骤S4、 U ‑Net语义分割模型的训练： 以每个生育期的训练数据集和验证数据集作为输 入对所述U‑Net语义分割模 型进行训练， 得到各个生育期的最优权值下的U ‑Net语义分割模 型； 步骤S5、 调用各个生育期的最优权值下的U ‑Net语义分割模型， 对各个生育期的测试集 进行分类， 得到分类后的结果影 像； 步骤S6、 调用各个生育期的最优权值下的U ‑Net语义分割模型， 对各个生育期的空间分 布数据集进行分类， 再将分类结果进行拼接， 生成各个生育期的冬小麦空间分布图； 步骤S7、 U ‑Net语义分割模型冬小麦分类精度评 定； 步骤S8、 冬小麦空间制图与面积提取： 选取分类精度最高的生育期的冬小麦空间分布 图， 统计冬小麦面积， 得到提取面积， 并应用所述提取面积与地面真实值， 对所述提取面积 进行精度评价。 2.根据权利要求1所述的一种基于深度 学习的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S1中， 所述创建所述多边形区域的标签矢量文件的具体方法包括： 利用所述多边形区域的多边形面要素裁剪冬小麦整个生长周期的合成影像， 并参照五 个生育期的合成影 像和冬小麦野外实测点， 创建出 所述多边形区域的标签矢量文件。 3.根据权利要求1所述的一种基于深度 学习的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S1中， 所述将所述标签矢量文件转化 成栅格文件， 并重 分类， 生成方形矢量数据 的具体方法包括： 将所述标签矢量文件转化成栅格文件， 并重分类成0， 1类， 在所述多边形区域内随机创 建点要素， 然后为所述点要素建立图形缓冲区， 生成尺寸为1280m*1280m的方形矢量数据， 所述方形矢量数据的边界保证全部在栅格内。 4.根据权利要求1所述的一种基于深度 学习的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S1中， 所述sentien l‑2中值合成影像包括： 红、 绿、 蓝和近红外四个波段； 调整裁剪得到的sentien l‑2中值合成影像和栅格文件的大小为： 128像素*128像素。 5.根据权利要求1所述的一种基于深度 学习的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S2中， 所述将所述研究区整个区域的五个生育期的sent ienl‑2中值合成影像进 行切割并处 理， 得到空间分布数据集的具体方法包括： 将研究区内整个区域的五个生育期的sentienl ‑2中值合成影像切割成512像素*512像权　利　要　求　书 1/2 页 2 CN 114463637 A 2素大小的图像块， 去掉 值全为背景值的图像块， 得到空间分布数据集。 6.根据权利要求1所述的一种基于深度 学习的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S7中， 所述U ‑Net语义分割模型冬小麦分类精度评 定的具体方法包括： 将所述分类后的结果影像与自制的所述标签作比较， 使用精确率、 召回率、 F1 ‑score、 交并比和准确率 来定量评价五个生育期测试集图像的冬小麦语义分割准确性。 7.根据权利要求1所述的一种基于深度 学习的冬小麦遥感识别分析方法， 其特征在于， 在所述步骤S8 中， 所述应用所述提取面积与地面真实值， 对所述提取面积进行精度评价的 具体公式包括： 式中P表示面积提取精度， S表示深度学习方法提取得到的冬小麦种植面积， S'表示地 面真实的冬小麦种植 面积。 8.一种用于基于深度学习的冬小麦 遥感识别分析系统， 其特 征在于， 所述系统包括： 第一处理模块， 被配置为， 从研究区选择部分所需要的多边形区域， 创建所述多边形区 域的标签矢量文件， 将所述标签矢量文件转化成栅格文件， 并重分类， 生成方形矢量数据， 利用所述方形矢量数据， 批量裁剪所述多边形区域的五个生育期的sentienl ‑2中值合成影 像和所述栅格文件， 并调整裁剪得到的sentienl ‑2中值合成影像和栅格文件的大小， 得到 所述训练数据集、 验证数据集和测试数据集； 所述得到的五个生育期的sentienl ‑2中值合 成影像共用一个标签； 第二处理模块， 被配置为， 将所述研究区整个区域的五个生育期的sentienl ‑2中值合 成影像进行切割并处 理， 得到空间分布数据集； 第三处理模块， 被 配置为， U ‑Net语义分割模型构建与参数设置； 第四处理模块， 被配置为， 以每个生育期的训练数据集和验证数据集作为输入对所述 U‑Net语义分割模型进行训练， 得到各个生育期的最优权值下的U ‑Net语义分割模型； 第五处理模块， 被配置为， 调用各个生育期的最优权值下的U ‑Net语义分割模型， 对各 个生育期的测试集进行分类， 得到分类后的结果影 像； 第六处理模块， 被配置为， 调用各个生育期的最优权值下的U ‑Net语义分割模型， 对各 个生育期的空间分布数据集进行分类， 再将分类结果进行拼接， 生成各个生育期的冬小麦 空间分布图； 第七处理模块， 被 配置为， U ‑Net语义分割模型冬小麦分类精度评 定； 第八处理模块， 被配置为， 选取分类精度最高的生育期的冬小麦空间分布图， 统计冬小 麦面积， 得到提取面积， 并应用所述提取面积与地面真实值， 对所述提取面积进行精度评 价。 9.一种电子设备， 其特征在于， 所述电子设备包括存储器和处理器， 所述存储器存储有 计算机程序， 所述处理器执行所述计算机程序时， 实现权利要求1至7中任一项所述的一种 基于深度学习的冬小麦 遥感识别分析 方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时， 实现权利要求1至7中任一项所述的一种基于深度 学习的冬小麦 遥感识别分析 方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114463637 A 3