蔬菜大棚對于農(nóng)業(yè)生產(chǎn)具有重要意義。受季節(jié)和環(huán)境影響,其在遙感影像上不同時期呈現(xiàn)不同形態(tài),僅通過單時相特征提取精度不能滿足要求。近幾年,深度學習被證明適合遙感數(shù)據(jù)的分類,為實現(xiàn)深度學習在農(nóng)業(yè)遙感上的有效應(yīng)用,提出了一種改進的多時相語義分割模型（Multi-temporal Spatial Segmentation Network,MSSN）用于蔬菜大棚提取。提出基于補丁長短時記憶網(wǎng)絡(luò)（Patch-LSTM）,該網(wǎng)絡(luò)充分利用圖像的空間和時序信息。采用帶空洞卷積的空間金字塔池化（ASSP）解決網(wǎng)絡(luò)對尺度敏感問題。進一步添加跳連層（Skip-layer）和反卷積層提升特征圖的還原能力。選擇山東高密GF-2遙感影像進行實驗。結(jié)果表明,該分割模型在測試集上有0.95的Precision、0.92的F1 score以及0.93的前景IoU（Intersection Over Union）,可以實現(xiàn)高精度的蔬菜大棚提取,為深度學習在農(nóng)業(yè)遙感的應(yīng)用提供新的方法。 

【文章來源】：計算機工程與應(yīng)用. 2020,56(24)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

GF-2圖像融合

流行的前饋網(wǎng)絡(luò)主要由卷積層或者全連接層組成，輸入數(shù)據(jù)為xt，經(jīng)過前向傳播，仿射變換得到h(z)，其中h(z)=h(θTxi+b)，對于時序數(shù)據(jù)，這樣的結(jié)構(gòu)對于上下文信息的特征表達能力差。許多研究者證明了RNN在處理多時序數(shù)據(jù)上的有效性[35-36]，但是隨著網(wǎng)絡(luò)的不斷加深，梯度爆炸和梯度消失問題使得網(wǎng)絡(luò)記憶的信息越來越少，Hochreiter和Schmidhube等人提出的RNN的變體LSTM網(wǎng)絡(luò)[37-38]，通過‘門’控制記憶的時間，使得整個網(wǎng)絡(luò)可以長時間記憶信息，其整體結(jié)構(gòu)如圖2所示。圖2顯示LSTM單元網(wǎng)絡(luò)結(jié)構(gòu)，每個LSTM單元由輸入門、遺忘門、輸出門組成。首先，yt-1和xt經(jīng)過一個Sigmoid函數(shù)與內(nèi)部狀態(tài)信息Ct-1相乘，當值為0時，表示完全舍棄，當值為1時，表示完全保留。該網(wǎng)絡(luò)內(nèi)部數(shù)學關(guān)系表示為：

卷積神經(jīng)網(wǎng)絡(luò)通過卷積加和運算可以有效地融合圖像的光譜信息（遙感影像由多個光譜疊加而成）。3.1節(jié)介紹的LSTM可以通過記憶的方式保留時序信息，但是在壓縮圖像生成時序向量過程中空間信息被破壞。因此，為解決LSTM無法充分利用圖像的空間信息的局限性，本文設(shè)計了一種基于補丁的Patch-LSTM結(jié)構(gòu)（如圖3所示）。網(wǎng)絡(luò)的輸入是時序圖像，分別對應(yīng)不同拍攝時間。針對每一組時序圖像，截取Patch區(qū)域（不同時序相同區(qū)域），生成時序向量x1、x2、x3�？紤]計算量，每個Patch區(qū)域的尺寸設(shè)為5×5大小，因此生成時序向量長度為（25,1）。LSTM采用多對1的結(jié)構(gòu)，即多個輸入1個輸出，時序向量x1,x2,x3分別輸入到LSTM單元，輸出向量經(jīng)過Reshape生成區(qū)域特征圖。每一塊區(qū)域特征圖信息包含對應(yīng)時序圖像Patch區(qū)域的疊加信息，重復操作直到獲得完整的輸出特征圖。為直觀展示時相特征，特征圖進行了可視化（如圖4所示），第一列是不同時期的時序圖像，后面是對應(yīng)不同階段的特征圖可視化結(jié)果（特征圖可視化結(jié)果通過時序向量Reshape保存輸出），可以看出不同時期蔬菜大棚的特征差異明顯。通過Patch-LSTM時序網(wǎng)絡(luò)可以將不同時相特征進行融合，充分保留各個時相的特征，提升特征表達能力。

【參考文獻】：
期刊論文
[1]基于Deeplabv3+與CRF的遙感影像典型要素提取方法[J]. 王俊強,李建勝,周華春,張旭.  計算機工程. 2019(10)
[2]基于SegNet語義模型的高分辨率遙感影像農(nóng)村建設(shè)用地提取[J]. 楊建宇,周振旭,杜貞容,許全全,尹航,劉瑞.  農(nóng)業(yè)工程學報. 2019(05)
[3]基于U-Net的高分辨率遙感圖像語義分割方法[J]. 蘇健民,楊嵐心,景維鵬.  計算機工程與應(yīng)用. 2019(07)
[4]基于MODIS時序NDVI主要農(nóng)作物種植信息提取研究[J]. 郭昱杉,劉慶生,劉高煥,黃翀.  自然資源學報. 2017(10)
[5]基于MODISNDVI多年時序數(shù)據(jù)的農(nóng)作物種植識別[J]. 許青云,楊貴軍,龍慧靈,王崇倡,李鑫川,黃登成.  農(nóng)業(yè)工程學報. 2014(11)
[6]面向高光譜遙感影像的分類方法研究[J]. 楊國鵬,余旭初,劉偉,陳偉.  測繪通報. 2007(10)
[7]面向?qū)ο蟮母吖庾V遙感影像分類方法研究[J]. 尹作霞,杜培軍.  遙感信息. 2007(04)



本文編號：3537294