光学遥感图像识别方法、装置、设备及存储介质

本发明涉及遥感图像处理，尤其涉及光学遥感图像识别方法、装置、设备及存储介质。

背景技术：

1、光伏发电逐渐成为最有前途的低碳能源发电方式之一，光伏发电离不开光伏板的使用，通过光伏板图像的识别能够为光伏发电量的估计、区域设置提供支撑，而目前识别光伏板图像的常用方式是深度学习算法，但是光伏板图像作为遥感图像的一种，背景极为复杂，容易与其他非光伏板图像混淆，另外，深度学习算法进行识别时容易丢失底层特征信息，最终造成识别光伏板图像的准确性较低。

2、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的主要目的在于提供一种光学遥感图像识别方法、装置、设备及存储介质，旨在解决现有技术识别光伏板图像的准确性较低的技术问题。

2、为实现上述目的，本发明提供了一种光学遥感图像识别方法，所述光学遥感图像识别方法包括以下步骤：

3、获取待识别光学遥感源图像；

4、根据光伏板在各光波段的光学特征和反射特性构建光伏板指数；

5、对所述光伏板指数和所述待识别光学遥感源图像进行级联，得到待识别对象；

6、通过目标光伏板识别模型对所述待识别对象进行识别，得到目标光伏板图像，其中，所述目标光伏板识别模型是由基础双层嵌套网络模型、残差卷积混合注意力模块、多层次特征损失函数以及历史光伏板样本集训练而成。

7、可选地，所述根据光伏板在各光波段的光学特征和反射特性构建光伏板指数，包括：

8、根据光伏板在各光波段的光学特征和反射特性确定红光波段像素值、绿光波段像素值以及蓝光波段像素值；

9、计算所述红光波段像素值和所述蓝光波段像素值之间的波段像素差；

10、计算所述红光波段像素值、所述绿光波段像素值以及所述蓝光波段像素值之间的波段像素和和；

11、根据所述波段像素差和所述波段像素和计算光伏板指数。

12、可选地，所述根据光伏板在各光波段的光学特征和反射特性确定红光波段像素值、绿光波段像素值以及蓝光波段像素值之前，还包括：

13、获取光伏板在各光波段的像素值以及非光伏板在各光波段的像素值；

14、根据所述光伏板在各光波段的像素值以及非光伏板在各光波段的像素值确定光伏板的像素差值大于预设差值阈值的光波段、各光波段的像素值的变化特征以及光谱曲线；

15、根据所述光伏板的像素差值大于预设差值阈值的光波段以及各光波段的像素值的变化特征确定光伏板在各光波段的光学特征；

16、根据所述光谱曲线的反射峰和吸收谷确定反射特性。

17、可选地，所述通过目标光伏板识别模型对所述待识别对象进行识别，得到目标光伏板图像之前，还包括：

18、确定基础双层嵌套网络模型，并获取所述基础双层嵌套网络模型的跳跃连接部分所在的位置；

19、将残差卷积混合注意力模块添加至所述基础双层嵌套网络模型的跳跃连接部分所在的位置，得到第一双层嵌套网络模型；

20、根据所述第一双层嵌套网络模型根据多层次特征损失函数以及历史光伏板样本集训练目标光伏板识别模型。

21、可选地，所述根据所述第一双层嵌套网络模型根据多层次特征损失函数以及历史光伏板样本集训练目标光伏板识别模型，包括：

22、确定设置在所述第一双层嵌套网络模型内各rsu模块的深度信息；

23、根据所述深度信息确定构建编码器的rsu模块；

24、通过所述构建编码器的rsu模块根据历史光伏板样本集确定历史光伏板的多尺度特征；

25、根据所述第一双层嵌套网络模型内不同尺寸的卷积核对所述历史光伏板的多尺度特征进行语义差异缩小，得到历史多尺度特征集；

26、通过所述第一双层嵌套网络模型根据所述历史多尺度特征集以及多层次特征损失函数训练目标光伏板识别模型。

27、可选地，所述通过所述第一双层嵌套网络模型根据所述历史多尺度特征集以及多层次特征损失函数训练目标光伏板识别模型，包括：

28、根据所述第一双层嵌套网络模型根据所述历史多尺度特征集训练当前光伏板识别模型；

29、获取与历史测试源图像集对应的真实光伏板图像；

30、通过当前光伏板识别模型对所述历史测试源图像集进行识别，得到当前光伏板图像；

31、分别提取所述真实光伏板图像和当前光伏板图像的多层特征；

32、根据所述多层次特征损失函数和多层特征确定当前光伏板识别模型的损失值最小时的权重；

33、根据所述权重确定目标光伏板识别模型。

34、可选地，所述根据所述权重确定目标光伏板识别模型之后，还包括：

35、在特征损失值小于预设损失值阈值时，通过目标测试对象对当前光伏板识别模型进行测试，得到当前测试结果；

36、根据所述当前测试结果确定当前交并比、当前准确率以及当前召回率；

37、根据所述当前准确率和所述当前召回率计算f1-score；

38、在所述当前交并比、所述当前准确率、所述当前召回率以及f1-score满足预设模型要求时，继续执行通过目标光伏板识别模型对所述待识别对象进行识别的步骤。

39、此外，为实现上述目的，本发明还提出一种光学遥感图像识别装置，所述光学遥感图像识别装置包括：

40、获取模块，用于获取待识别光学遥感源图像；

41、构建模块，用于根据光伏板在各光波段的光学特征和反射特性构建光伏板指数；

42、级联模块，用于对所述光伏板指数和所述待识别光学遥感源图像进行级联，得到待识别对象；

43、识别模块，用于通过目标光伏板识别模型对所述待识别对象进行识别，得到目标光伏板图像，其中，所述目标光伏板识别模型是由基础双层嵌套网络模型、残差卷积混合注意力模块、多层次特征损失函数以及历史光伏板样本集训练而成。

44、此外，为实现上述目的，本发明还提出一种光学遥感图像识别设备，所述光学遥感图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光学遥感图像识别程序，所述光学遥感图像识别程序配置为实现如上文所述的光学遥感图像识别方法。

45、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有光学遥感图像识别程序，所述光学遥感图像识别程序被处理器执行时实现如上文所述的光学遥感图像识别方法。

46、本发明提出的光学遥感图像识别方法，通过获取待识别光学遥感源图像；根据光伏板在各光波段的光学特征和反射特性构建光伏板指数；对所述光伏板指数和所述待识别光学遥感源图像进行级联，得到待识别对象；通过目标光伏板识别模型对所述待识别对象进行识别，得到目标光伏板图像，其中，所述目标光伏板识别模型是由基础双层嵌套网络模型、残差卷积混合注意力模块、多层次特征损失函数以及历史光伏板样本集训练而成；通过上述方式，在构建光伏板指数后，与待识别光学遥感源图像进行级联，然后通过目标光伏板识别模型对待识别对象进行识别，从而能够有效提高识别光伏板图像的准确性，进而提取完整度高以及边界性明显的光伏板。