一种基于多层感知神经网络的农田道路信息提取方法

本发明涉及遥感影像田间道路信息提取领域，具体涉及一种基于多层感知神经网络的农田道路信息提取方法。

背景技术：

1、农田覆盖信息的智能提取是农业农村信息化发展的主攻方向之一。农用车辆作为重要的精准农业(precision agriculture，pa)载体，其作业效率的高低直接影响秸秆收储运的效率，传统的农田覆盖信息提取方法多采用光谱处理与回归分析技术结合对遥感数据中农田种植信息进行提取，但其结果存在精度差，效率低等问题，故提高农用车辆的作业效率及实现根据农业环境的变化实时导航及完成路径规划是当前精准农业发展的重点方向。

2、在应用深度学习技术与遥感影像进行道路信息提取方面，王勇基于cnn方法提出一种用于提取遥感影像中道路信息的方法和装置，并以高分二号全波段遥感影像对该方法及装置进行了介绍；石磊等针对草原道路检测的问题，利用深度学习技术设计了一种用于提取高分辨率遥感影像中草原道路的方法，对筛选出的重点草原道路区域进行有效的监测；王世新等针对在典型灾害中道路阻断的问题，基于深度学习技术提出了一种道路阻断信息提取方法，具体包括构建cnnmodel0模型、构建样本集、进行训练等措施实现对于灾害发生后道路阻断信息的高效提取。除此之外，还有陶于祥等提出一种基于多尺度图像信息对遥感影像中的道路信息进行提取的方法；闫志恒等使用多种注意力模块，提出一种对高分辨率遥感影像道路进行提取的方法。

3、虽然目前在利用遥感影像对农田道路进行识别和监测方面已经取得了一定的进展，但由于大范围的遥感影像中农田道路信息的特征繁杂，当前仍然存在农田道路线性特征不明显、由于地理环境多样性使识别方法需针对不同特点导致识别精度低等问题，而遥感影像的道路识别通常涉及计算机视觉和机器学习技术，算法和模型的准确性受限于训练数据的质量和数量，以及算法本身的设计，改进算法和模型对于提高道路识别的准确性也至关重要。

技术实现思路

1、为了解决现有技术中存在的问题，本发明提供一种基于多层感知神经网络的农田道路信息提取方法，该方案包括：利用遥感卫星获取农田道路的遥感影像数据，构建多光谱遥感影像数据集；以convnext-t神经网络模型为主干网络，结合多头注意力模块、残差模块及多层感知模块构建信息提取网络模型；将所述多光谱遥感影像数据集输入所述信息提取网络模型中进行训练，得到训练好的信息提取网络模型；利用训练好的信息提取网络模型对目标区域的农田道路信息进行提取。根据本发明提出的技术手段，能够提高农田道路提取的精准度，满足规模化的农田道路快速自动检测要求。

2、本发明采用如下技术方案，一种基于多层感知神经网络的农田道路信息提取方法，包括：

3、利用遥感卫星获取农田道路的遥感影像数据，构建多光谱遥感影像数据集；

4、以convnext-t神经网络模型为主干网络，结合多头注意力模块、残差模块及多层感知模块构建信息提取网络模型；

5、将所述多光谱遥感影像数据集输入所述信息提取网络模型中进行训练，得到训练好的信息提取网络模型；

6、利用训练好的信息提取网络模型对目标区域的农田道路信息进行提取。

7、进一步的，构建信息提取网络模型，包括：

8、所述网络模型包括编码器、中间层和解码器；

9、所述编码器为融合convnext模型的编码器，结合残差模块和多头注意力模块对所述多光谱遥感影像数据集进行特征提取，输出特征图；

10、所述中间层采用多层感知模块结合最大池化对编码器输出的特征图进行处理；

11、所述解码器采用卷积-批标准化-激活操作结合多头注意力模块对处理后的特征图进行解码，输出模型预测结果。

12、进一步的，所述编码器具体包括：

13、对输入的多光谱遥感影像数据集进行卷积操作，得到大小为56×56，尺寸为96的卷积图，利用convnext模块1对所述卷积图进行操作，得到像素值为224×224，通道数为96的第一特征图，输出到中间层

14、利用convnext模块2对所述第一特征图进行处理，得到像素值为28×28，通道数为96的第二特征图，输出到中间层；

15、利用convnext模块3对所述第二特征图进行处理，得到像素值为14×14，通道数为384的第三特征图，输出到中间层；

16、利用convnext模块4对所述第三特征图进行处理，得到像素值大小为7×7，通道数为768的第四特征图，输出到中间层。

17、进一步的，所述中间层包括卷积层和池化层；所述卷积层用于提取特征图中的局部特征；所述池化层用于降低数据维度。

18、进一步的，所述解码器具体包括：

19、对第四特征图进行反卷积操作，得到尺寸为14×14，通道数为192的第四解码特征图；

20、将所述第四解码特征图与第三特征图叠加，经过卷积－标准化－激活后，输出14×14×192的第三解码特征图；

21、第三解码特征图经过反卷积后尺寸变为56×56，通道数变为48，叠加经过se模块处理后的编码器第二特征图，经过卷积－标准化－激活后，输出尺寸为56×56×48的第二解码特征图；

22、第二解码特征图经过反卷积后尺寸变为112×112，通道数为24，叠加经过se模块处理后的第一特征图，经过卷积－标准化－激活后，输出112×112×24的第一解码特征图。

23、进一步的，利用训练好的信息提取网络模型对目标区域的农田道路信息进行提取之后，还包括：

24、利用像素转换技术对模型识别结果进行转换，得到农田道路信息提取的可视化结果。

25、进一步的，所述多光谱遥感影像数据集包括：

26、种植作物的农田覆盖区域的多光谱遥感影像数据；

27、未种植作物的农田覆盖区域的多光谱遥感影像数据；

28、其它覆盖区域的多光谱遥感影像数据。

29、本发明的有益效果是：本发明提出的信息提取模型，在编码器部分使用了前置批标准化与激活的残差网络模块代替原有结构，能够实现对网络深层次特征的提取，避免了模型的退化现象；在中间处理部分引入两种通道注意力机制，从而实现了模型对特征图通道权重的加强；进而在解码器部分，使用加入批标准化，能够在提高模型的泛化能力同时避免过拟合现象的发生；并且在模型全局中引入随机丢弃神经元的dropout操作，也可以有效避免过拟合现象，从而使得本发明提出的信息提取模型能够有效提高农田道路提取的精准度，满足规模化的农田道路快速自动检测要求。

技术特征：

1.一种基于多层感知神经网络的农田道路信息提取方法，其特征在于，包括：

2.根据权利要求1所述的一种基于多层感知神经网络的农田道路信息提取方法，其特征在于：构建信息提取网络模型，包括：

3.根据权利要求2所述的一种基于多层感知神经网络的农田道路信息提取方法，其特征在于：所述编码器具体包括：

4.根据权利要求2所述的一种基于多层感知神经网络的农田道路信息提取方法，其特征在于：所述中间层包括卷积层和池化层；所述卷积层用于提取特征图中的局部特征；

5.根据权利要求2所述的一种基于多层感知神经网络的农田道路信息提取方法，其特征在于：所述解码器具体包括：

6.根据权利要求1所述的一种基于多层感知神经网络的农田道路信息提取方法，其特征在于：利用训练好的信息提取网络模型对目标区域的农田道路信息进行提取之后，还包括：

7.根据权利要求1所述的一种基于多层感知神经网络的农田道路信息提取方法，其特征在于：所述多光谱遥感影像数据集包括：

技术总结
本发明涉及遥感影像田间道路信息提取领域，具体涉及一种基于多层感知神经网络的农田道路信息提取方法。利用遥感卫星获取农田道路的遥感影像数据，构建多光谱遥感影像数据集；以ConvNext‑T神经网络模型为主干网络，结合多头注意力模块、残差模块及多层感知模块构建信息提取网络模型；将所述多光谱遥感影像数据集输入所述信息提取网络模型中进行训练，得到训练好的信息提取网络模型；利用训练好的信息提取网络模型对目标区域的农田道路信息进行提取。根据本发明提出的技术手段，能够提高农田道路提取的精准度，满足规模化的农田道路快速自动检测要求。

技术研发人员：陈理,柳珊,赖有春,杨广,周宇光
受保护的技术使用者：中国农业大学
技术研发日：
技术公布日：2024/5/10