基于深度特征融合的葡萄种植区遥感影像变化检测方法

本发明属于农业种植，涉及种植区遥感影像，具体涉及一种基于深度特征融合的葡萄种植区遥感影像变化检测方法。

背景技术：

1、利用深度学习技术对遥感影像中葡萄种植区变化区域进行准确提取，以此获得其空间分布变化信息，可以作为管理和施政的数据基础，为区间的土地资源管理、产量估算和精细化管理等提供技术支撑。复杂的遥感解译任务一直是遥感领域以及计算机视觉的研究难点，利用深度学习技术可很大程度上解决传统实地解译费时费力的问题，已经被广泛应用于农业种植规划中。

2、目前常用的变化检测方法可以分为基于代数的变化检测技术、基于机器学习的变化检测技术、基于分类的变化检测技术和基于深度学习的变化检测技术。基于代数的变化检测技术判定变化区域的阈值选择十分重要，可以得到研究区域变化的规模，但阈值的选择较为困难，而基于机器学习的变化检测技术需要进行人工的特征筛选，检测具有不稳定性，同时基于分类的变化检测技术存在误差累积的问题，识别精度不足。而随着深度学习技术在特征提取方面能力的提高，其在计算机视觉领域已经取得了巨大的突破，逐渐被应用于遥感解译工作中。但目前葡萄种植区遥感影像变化检测技术还存在提取精度低，识别主体不够完整等问题，因此，急需提出一种高精度、端到端的葡萄种植区变化检测模型。目前已有的研究和技术中仍存在以下几点不足：

3、第一，两时期遥感影像的成像时间、条件不同，之间存在光照、颜色等偏差，异质性会影响变化区域的提取，因此融入多波段信息并加以关注可以更好的凸显不同地块之间的差异。

4、第二，现有变化检测方法提取的特征存在忽略上下文关系的问题，单个像素点包含的语义信息较少，难以为变化推导提供丰富的判别信息，因此需要修改网络结构，融入更多上下文信息。

5、第三，深度语义特征中缺乏原始影像中的细节特征，现有变化检测方法提取出的变化区域内部往往不够完整，边缘信息较差，导致准确率较低，因此需要设计一个深度特征融合模块，更好地处理深度特征以提高检测精度。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于，提供一种基于深度特征融合的葡萄种植区遥感影像变化检测方法，以解决现有技术中的检测方法识别精度较和识别主体的完整性有待进一步提升的技术问题。

2、为了解决上述技术问题，本发明采用如下技术方案予以实现：

3、一种基于深度特征融合的葡萄种植区遥感影像变化检测方法，该方法包括以下步骤：

4、步骤一，高分二号遥感影像数据处理。

5、步骤二，构建变化检测数据集。

6、步骤三，构建变化检测模型：

7、步骤301，选取resnet101作为主干网络。

8、步骤302，构建rescbam模型。

9、步骤303，设计上下文聚集模块。

10、步骤304，设计深度特征融合模块。

11、步骤四，模型训练与保存：

12、采用步骤二中得到的变化检测数据集，对步骤三得到的rescbam模型进行训练与保存。

13、步骤五，葡萄种植区遥感影像变化检测：

14、将葡萄种植区的待检测区域的双时相遥感影像按照步骤一中的遥感影像数据处理方法进行预处理，对齐地理坐标系，并裁剪成相同像素大小，输入至经过步骤四训练后的rescbam模型中，调用预先保存好的经过步骤四训练后的rescbam模型中的权重，按照滑动窗口的形式进行区域预测，并将每个小块之间进行拼接，从而获得与原始影像相同像素大小的变化区域提取图像。

15、本发明与现有技术相比，具有如下技术效果：

16、(ⅰ)本发明重新构造了resnet模型输入层及残差结构，形成新的网络模型rescbam，使得处理传统自然图像的神经网络适用于包含更多光谱信息的遥感影像，在网络编码器阶段加入cbam注意力机制，在空间和通道两个维度强调与变化相关特征，以此减少双时相遥感影像异质性对变化检测的影响，更有利于区分不同地块之间的光谱信息。

17、(ⅱ)本发明在解码器阶段设计了上下文聚集模块，扩大模型感受野的同时增加像素信息的全局相关性，极大程度地避免检测中出现的误检测以及漏检测问题，从而提升模型精度。

18、(ⅲ)本发明设计了深度特征融合模块，避免不同深度特征融合时出现语义差异、噪声冗余等问题，提升模型提取变化区域的完整以及边缘的平滑。

19、(ⅳ)本发明最终的交并比、召回率和f1值分别达到了77.22％、85.10％和87.15％，相较于目前主流变化检测方法分别提高了3.24、4.59、2.1个百分点。

技术特征：

1.一种基于深度特征融合的葡萄种植区遥感影像变化检测方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于深度特征融合的葡萄种植区遥感影像变化检测方法，其特征在于，步骤一的具体过程为：

3.如权利要求1所述的基于深度特征融合的葡萄种植区遥感影像变化检测方法，其特征在于，步骤二的具体过程为：

4.如权利要求1所述的基于深度特征融合的葡萄种植区遥感影像变化检测方法，其特征在于，步骤303的具体过程为：

5.如权利要求1所述的基于深度特征融合的葡萄种植区遥感影像变化检测方法，其特征在于，步骤304的具体过程为：

技术总结
本发明提供了一种基于深度特征融合的葡萄种植区遥感影像变化检测方法，包括：步骤一，高分二号遥感影像数据处理。步骤二，构建变化检测数据集。步骤三，构建变化检测模型：步骤301，选取ResNet101作为主干网络。步骤302，构建ResCBAM模型。步骤303，设计上下文聚集模块。步骤304，设计深度特征融合模块。步骤四，模型训练与保存。步骤五，葡萄种植区遥感影像变化检测。本发明最终的交并比、召回率和F1值分别达到了77.22％、85.10％和87.15％，相较于目前主流变化检测方法分别提高了3.24、4.59、2.1个百分点。

技术研发人员：张宏鸣,沈寅威,李峥嵘,韩文霆,吴军虎,强建华,唐恒翱,阳光,高郑杰,张二磊,詹涛,牛当当,宋荣杰,朱珊娜
受保护的技术使用者：西北农林科技大学
技术研发日：
技术公布日：2024/2/29